Så väljer du rätt statistiskt test för din forskningsfråga

Du har en enkätfil, några hypoteser och en handledare som säger att analysen behöver “motiveras tydligare” — men ingen säger exakt hur du ska välja statistiskt test utan att gissa. Det är lätt att fastna i listor över t-test, ANOVA, regression, chi-två och korrelation, särskilt när varje test verkar ha egna villkor och undantag. För många studenter vid svenska universitet blir problemet inte att de saknar statistikprogram, utan att de inte vet vilken fråga datan faktiskt kan besvara. Då hamnar metoddelen i efterhand: först körs ett test, sedan försöker man skriva en motivering. Det brukar bli svagt, eftersom testet ska följa av forskningsfrågan, variablerna och studiedesignen — inte av vilken knapp som råkade finnas i SPSS, Jamovi, R eller Excel.

Du väljer statistiskt test genom att först avgöra om din forskningsfråga handlar om skillnader, samband, prediktion eller fördelningar. Matcha sedan frågan mot variablernas mätnivå, antal grupper, om observationerna är oberoende eller parade, och vilka antaganden som är rimliga för ditt material. Ett bra val är inte det mest avancerade testet, utan det test som svarar direkt på frågan i din kandidat- eller masteruppsats.

I den här guiden

• Hur vet du om du behöver välja statistiskt test överhuvudtaget?
• Vilket statistiskt test ska jag använda för olika typer av variabler?
• Hur fungerar ett beslutsträd för statistiska tester i en uppsats?
• När använder du t-test ANOVA regression i stället för andra analyser?
• Hur väljer du test utifrån forskningsfråga, hypotes och datanivå?
• Vilka misstag gör studenter ofta när de ska välja statistiskt test?
• Hur skriver du metod- och analysdelen när testet är valt?
• Vad ska du kontrollera innan du går vidare med ditt statistiska test?

Hur vet du om du behöver välja statistiskt test överhuvudtaget?

Du behöver välja statistiskt test när din uppsats ställer en fråga som ska besvaras med numerisk data och inferens, alltså när du vill dra slutsatser utöver en ren beskrivning av ditt urval. Om du bara redovisar antal, procent, medelvärden eller diagram kan deskriptiv statistik räcka. Om du däremot vill pröva skillnader, samband eller prediktion behöver du ett test som passar frågan.

Skillnaden mellan beskrivning och prövning

Deskriptiv statistik betyder att du beskriver materialet: till exempel medelålder, svarsfördelning, standardavvikelse eller andel deltagare som valt ett visst svarsalternativ. Det kan vara helt tillräckligt i en mindre uppsats om syftet är kartläggande: “Hur fördelar sig studenters studietid mellan föreläsning, självstudier och grupparbete?”

Inferentiell statistik betyder att du använder ett statistiskt test för att bedöma om ett mönster i urvalet sannolikt också säger något om den population eller situation du studerar. Då räcker det inte att säga att “grupp A hade högre medelvärde än grupp B”. Du behöver pröva om skillnaden är större än vad man rimligen kan förvänta sig av slumpvariation i urvalet.

Ett vanligt tecken på att du behöver ett statistiskt test i uppsatsarbetet är att forskningsfrågan innehåller ord som “skillnad”, “samband”, “påverkar”, “förklarar”, “predicerar” eller “hänger ihop med”. Då behöver du översätta den språkliga frågan till en statistisk relation.

När en tabell räcker

Alla kvantitativa uppsatser behöver inte hypotesprövning. I en kandidatuppsats om användning av digitala bibliotekstjänster kan det vara rimligt att visa frekvenstabeller över hur ofta studenter använder olika funktioner. Om frågan är “Vilka funktioner används oftast?” är det inte självklart att ett test behövs.

Problemet uppstår när frågan smyger in en jämförelse utan att analysen gör det. Om du skriver “Studenter på program A använder databaser mer än studenter på program B” har du gjort ett jämförande påstående. Då bör du antingen testa skillnaden eller omformulera resultatet som en försiktig beskrivning av ditt urval.

En enkel tumregel är att fråga: “Påstår jag att två grupper skiljer sig, att två variabler hänger ihop, eller att en variabel förutsäger en annan?” Om svaret är ja är ett statistiskt test oftast relevant.

Kopplingen till forskningsfrågan

Ditt testval börjar före analyskapitlet. Det börjar redan när du formulerar forskningsfrågan och definierar variablerna. Om du inte har gjort det ännu kan det vara klokt att arbeta igenom tratten från brett ämne till fokuserad forskningsfråga innan du låser analysplanen.

Jämför dessa två versioner:

Svag studentversion	Starkare omformulering
“Jag ska undersöka stress bland studenter.”	“Finns det ett samband mellan självrapporterad studietid per vecka och upplevd stressnivå hos heltidsstudenter?”
“Jag vill se om undervisningsmetoder fungerar.”	“Skiljer sig genomsnittligt provresultat mellan studenter som fått problembaserad undervisning och studenter som fått föreläsningsbaserad undervisning?”
“Jag analyserar om patienter följer råd.”	“Predicerar ålder och antal läkemedel följsamhet till utskrivningsråd bland äldre patienter i hemsjukvård?”

Den starkare versionen gör testvalet mycket lättare, eftersom den anger relationen: samband, skillnad eller prediktion.

Vilket statistiskt test ska jag använda för olika typer av variabler?

Vilket statistiskt test du ska använda beror främst på vilken typ av utfallsvariabel du har och vad du jämför den med. En kontinuerlig utfallsvariabel leder ofta mot t-test, ANOVA, korrelation eller regression. En kategorisk utfallsvariabel leder oftare mot chi-två-test, logistisk regression eller analyser av frekvenser.

Mätnivåer styr analysen

Nominalvariabel betyder kategorier utan inbördes ordning, till exempel könskategori, utbildningsprogram, vårdavdelning eller svarsalternativet ja/nej. Sådana variabler analyseras ofta med frekvenser, procent och chi-två-test när du jämför fördelningar.

Ordinalvariabel betyder kategorier med ordning, men där avståndet mellan nivåerna inte säkert är lika stort. Likertskalor som “instämmer inte alls” till “instämmer helt” är ofta ordinala, även om många uppsatser behandlar summaskalor som ungefär intervallskalor när flera frågor slagits ihop.

Intervall- eller kvotvariabel betyder numeriska värden där avståndet mellan värden är meningsfullt, till exempel ålder, inkomst, provpoäng, reaktionstid, antal frånvarodagar eller skattad stress på en validerad skala.

Om du har svårt att definiera dina variabler är det ofta där problemet börjar, inte i själva testlistan. En genomtänkt variabelmodell med mätbara indikatorer gör det tydligare vad som är oberoende variabel, beroende variabel och kontrollvariabel.

Vanliga matchningar mellan fråga och test

Följande tabell visar typiska val. Den är inte en ersättning för kurslitteratur eller handledarens instruktioner, men den hjälper dig att ringa in rätt familj av test.

Forskningsfråga i uppsats	Variabler	Möjligt test	Konkret exempel
Skiljer sig två oberoende grupper?	Kategorisk grupp + kontinuerligt utfall	Oberoende t-test	Skillnad i stresspoäng mellan studenter som arbetar extra och de som inte gör det
Skiljer sig tre eller fler grupper?	Kategorisk grupp + kontinuerligt utfall	Envågs-ANOVA	Skillnad i kundnöjdhet mellan tre butikstyper
Hänger två kontinuerliga variabler ihop?	Två kontinuerliga variabler	Pearson- eller Spearman-korrelation	Samband mellan sömntimmar och självskattad koncentration
Förutsäger flera variabler ett kontinuerligt utfall?	Flera prediktorer + kontinuerligt utfall	Linjär regression	Ålder, studietid och närvaro som prediktorer för provresultat
Skiljer sig fördelningar mellan kategorier?	Två kategoriska variabler	Chi-två-test	Samband mellan utbildningsprogram och ja/nej-svar på användning av AI-verktyg

Oberoende eller parade observationer

Oberoende observationer betyder att en persons eller enhets värde inte är kopplat till en annan persons eller enhets värde. Om du jämför sjuksköterskestudenter och läkarstudenter i två separata grupper är observationerna oftast oberoende.

Parade observationer betyder att mätningarna hör ihop. Det kan vara samma deltagare före och efter en intervention, eller matchade par där varje observation har en naturlig partner. I en utbildningsstudie kan du till exempel mäta samma elevers provresultat före och efter en ny undervisningsmetod. Då är ett parat t-test eller ett icke-parametriskt alternativ mer relevant än ett vanligt oberoende t-test.

Många felaktiga testval beror på att studenten tittar på antal grupper men missar beroendet mellan mätningarna. Två medelvärden betyder inte automatiskt oberoende t-test. Fråga alltid: “Kommer värdena från två separata grupper, eller från samma personer/enheter vid två tillfällen?”

Hur fungerar ett beslutsträd för statistiska tester i en uppsats?

Ett beslutsträd för statistiska tester fungerar genom att du svarar på ett fåtal frågor i rätt ordning: vilken typ av forskningsfråga du har, vilken utfallsvariabel du analyserar, hur många grupper eller prediktorer som ingår, och om antagandena verkar rimliga. Det gör testvalet spårbart. I metoddelen kan du sedan visa varför testet passar just din data.

Fyra beslut före testnamnet

Ett praktiskt beslutsträd statistiska tester börjar inte med “t-test eller ANOVA?” utan med frågan “Vad försöker jag ta reda på?” Följ processen så här:

1. Bestäm om forskningsfrågan gäller skillnad, samband, prediktion eller fördelning.
2. Identifiera den beroende variabeln och dess mätnivå.
3. Identifiera den oberoende variabeln eller prediktorerna.
4. Avgör om observationerna är oberoende, parade eller upprepade.
5. Kontrollera om grundantaganden som normalitet, varianslikhet och tillräcklig cellstorlek är rimliga.
6. Välj testfamilj och därefter specifikt test.

Den ordningen minskar risken att du väljer ett bekant test av vana. Den gör också analysplanen lättare att förklara för handledaren.

Ett enkelt beslutsträd i textform

Om din utfallsvariabel är kontinuerlig och du jämför två oberoende grupper hamnar du ofta nära oberoende t-test. Om samma deltagare mäts två gånger hamnar du i stället nära parat t-test. Om du jämför tre eller fler grupper hamnar du ofta nära ANOVA, förutsatt att antagandena är rimliga.

Om din fråga gäller samband mellan två kontinuerliga variabler är korrelation ett vanligt val. Pearson-korrelation passar när sambandet är ungefär linjärt och variablerna fungerar som kontinuerliga. Spearman-korrelation passar bättre när variablerna är ordinala, snedfördelade eller när du vill analysera rangordning.

Om du vill förklara eller predicera ett utfall med flera variabler är regression ofta mer relevant. Linjär regression används när utfallet är kontinuerligt. Logistisk regression används när utfallet är binärt, till exempel ja/nej, godkänd/icke godkänd eller återinlagd/inte återinlagd.

Exempel från psykologi, vård och företagsekonomi

I psykologi kan en student undersöka om upplevd socialt stöd hänger samman med stressnivå bland universitetsstudenter. Om båda mäts med summaskalor kan Pearson-korrelation vara rimligt, eller Spearman om datan inte uppfyller kraven för Pearson.

I vårdvetenskap kan en student undersöka om äldre patienter som fått en strukturerad utskrivningsgenomgång har högre följsamhet till läkemedelsordination än patienter som fått ordinarie information. Om följsamhet mäts som ja/nej kan chi-två-test eller logistisk regression passa, beroende på om fler faktorer ska kontrolleras.

I företagsekonomi kan en student analysera om kundnöjdhet skiljer sig mellan tre typer av digitala supportkanaler: chatt, telefon och e-post. Om kundnöjdhet mäts med en skala och grupperna är oberoende kan envågs-ANOVA vara ett rimligt första val.

När använder du t-test ANOVA regression i stället för andra analyser?

Du använder t-test när du jämför medelvärden mellan två grupper eller två mättillfällen, ANOVA när du jämför medelvärden mellan tre eller fler grupper, och regression när du vill förklara eller predicera ett utfall med en eller flera variabler. Valet beror inte på vilket test som låter mest avancerat. Det beror på hur forskningsfrågan är byggd.

När t-test passar

Ett t-test prövar om två medelvärden skiljer sig mer än man kan förvänta sig av slumpvariation. Ett oberoende t-test används när grupperna är separata, till exempel studenter som har deltidsjobb jämfört med studenter som inte har det. Ett parat t-test används när samma personer mäts två gånger, till exempel stress före och efter en kursintervention.

Ett realistiskt uppsatsexempel kan vara: “Skiljer sig genomsnittlig upplevd stress mellan sjuksköterskestudenter som gör verksamhetsförlagd utbildning och de som läser teoretisk kurs?” Här är gruppvariabeln kategorisk med två nivåer, och utfallet stresspoäng är numeriskt. Då är t-test en möjlig analys, om övriga villkor är rimliga.

Om stresspoängen är kraftigt snedfördelad eller urvalet mycket litet kan Mann-Whitney U-test eller Wilcoxon signed-rank-test vara bättre alternativ, beroende på design.

När ANOVA passar

ANOVA används när du vill jämföra medelvärden mellan tre eller fler grupper. Den testar om minst en grupp skiljer sig från de andra, men säger inte automatiskt exakt vilka grupper som skiljer sig. Därför behövs ofta post hoc-test eller planerade jämförelser om ANOVA visar en statistiskt signifikant skillnad.

I en utbildningsuppsats kan du jämföra provresultat mellan elever som fått tre olika typer av återkoppling: skriftlig återkoppling, muntlig återkoppling och kamratrespons. Om utfallet är provpoäng och grupperna är oberoende är envågs-ANOVA ett rimligt val.

Många studenter gör misstaget att köra flera t-test i stället för en ANOVA när det finns fler än två grupper. Det ökar risken för felaktiga signifikanta resultat. Om du jämför tre eller fler grupper bör du därför först fundera på ANOVA eller ett icke-parametriskt alternativ som Kruskal-Wallis.

När regression passar

Regression används när du vill analysera hur en eller flera prediktorer hänger ihop med ett utfall. Den är särskilt användbar när forskningsfrågan innehåller ord som “förklarar”, “predicerar”, “påverkar” eller “samband efter kontroll för”.

I en managementuppsats kan frågan vara: “Predicerar autonomi, arbetsbelastning och ledarstöd anställdas arbetstillfredsställelse?” Eftersom flera prediktorer kopplas till ett kontinuerligt utfall är linjär regression mer relevant än flera separata korrelationer.

Regression gör det också möjligt att inkludera kontrollvariabler, till exempel ålder, könskategori, tidigare erfarenhet eller utbildningsnivå. Men fler variabler är inte alltid bättre. I en kandidat- eller masteruppsats behöver modellen vara teoretiskt motiverad och rimlig i förhållande till urvalets storlek.

Hur väljer du test utifrån forskningsfråga, hypotes och datanivå?

Du väljer test genom att låta forskningsfrågan ange relationen, hypotesen ange förväntad riktning eller skillnad, och datanivån avgöra vilka test som är statistiskt möjliga. Om dessa tre delar inte passar ihop blir analysen svår att försvara. Därför bör testvalet formuleras innan du börjar tolka resultat.

Från forskningsfråga till analysbar hypotes

En forskningsfråga kan vara öppen, medan en hypotes är ett prövbart påstående. I kvantitativa uppsatser behöver du ofta visa hur hypotesen följer av teori och tidigare forskning. Om du fortfarande arbetar med syfte och hypoteser kan diagrammet över syfte, frågeställningar, mål och hypoteser hjälpa dig att skilja mellan dessa delar.

Exempel:

Svag: “Motivation påverkar resultat.”

Starkare: “Studenter med högre självskattad akademisk motivation har högre genomsnittligt provresultat än studenter med lägre självskattad akademisk motivation.”

Den svaga versionen anger inte hur motivation mäts, vilket resultat som avses eller vilken analys som passar. Den starkare versionen pekar mot en jämförelse eller regression, beroende på om motivation delas in i grupper eller används som kontinuerlig skala.

Datanivån kan ändra testet

Samma ämne kan leda till olika test beroende på hur variablerna mäts. Anta att du undersöker relationen mellan AI-användning och skrivsjälvförtroende bland studenter.

Om AI-användning mäts som “använder/ använder inte” och skrivsjälvförtroende mäts som en skala, kan oberoende t-test vara aktuellt. Om AI-användning mäts som antal användningstillfällen per vecka och skrivsjälvförtroende som en skala, kan korrelation eller regression passa bättre. Om båda variablerna är kategorier, till exempel låg/medel/hög användning och låg/medel/hög självtillit, kan chi-två-test vara mer relevant.

Det är därför frågan “vilket statistiskt test ska jag använda” sällan kan besvaras utan att först veta hur variablerna är operationaliserade. Två studenter kan ha nästan samma ämne men behöva olika analyser.

Antaganden är inte dekoration

Normalfördelning betyder att en numerisk variabel ungefär följer en klockformad fördelning. Varianshomogenitet betyder att grupperna har ungefär lika spridning. Linearitet betyder att relationen mellan två kontinuerliga variabler ungefär kan beskrivas med en rak linje.

Du behöver inte behandla antaganden som en separat ritual efter analysen. De hör ihop med testvalet. Om du planerar t-test, ANOVA eller linjär regression bör du kontrollera fördelningar, extremvärden och relationernas form. I mindre uppsatser räcker det ofta att beskriva hur du bedömt detta, till exempel genom histogram, spridningsdiagram och relevanta test där kursen kräver det.

Om antagandena inte håller kan du behöva transformera variabler, välja ett icke-parametriskt test eller skriva en mer försiktig tolkning. Det viktiga är att inte låtsas som om valet var självklart om datan säger något annat.

Vilka misstag gör studenter ofta när de ska välja statistiskt test?

Studenter gör ofta fel genom att välja test efter programmenyn, inte efter forskningsfrågan. Vanliga problem är att blanda ihop gruppjämförelser och samband, behandla ordinaldata som om den alltid vore kontinuerlig, köra flera t-test i stället för ANOVA, eller rapportera p-värden utan att förklara vad analysen prövade. Felen går nästan alltid att rätta genom att backa till variabler, design och hypotes.

Misstag som gör analysen svår att försvara

1. Att välja test för att det känns bekant
   Studentexempel: “Jag använder t-test eftersom vi gick igenom det på statistikföreläsningen.”
   Korrigering: Skriv först vad som jämförs. Om du har tre undervisningsformer räcker inte t-test som standardval; då bör du överväga ANOVA eller ett icke-parametriskt alternativ.

2. Att kalla alla samband för påverkan
   Studentexempel: “Sömn påverkar koncentration eftersom korrelationen är signifikant.”
   Korrigering: En korrelation visar samband, inte kausal påverkan. Om designen är tvärsnittlig bör du skriva att sömn och koncentration samvarierar.

3. Att göra om skalor utan motivering
   Studentexempel: “Svarsalternativen 1–5 lades ihop till låg och hög stress eftersom det blev enklare att göra chi-två.”
   Korrigering: Kategorisering kan tappa information. Motivera gränserna teoretiskt eller behåll skalan och använd ett test som passar den.

4. Att använda flera t-test vid fler än två grupper
   Studentexempel: “Jag jämförde grupp A mot B, A mot C och B mot C med tre t-test.”
   Korrigering: Börja med ANOVA när tre eller fler gruppmedelvärden jämförs. Använd post hoc-test om du behöver se var skillnaderna ligger.

5. Att glömma bort parade mätningar
   Studentexempel: “Jag använde oberoende t-test för stress före och efter en mindfulnessövning.”
   Korrigering: Eftersom samma personer mäts två gånger är observationerna parade. Parat t-test eller Wilcoxon signed-rank-test passar bättre.

Svag och stark analysmotivering

Svag formulering i metodkapitel	Starkare formulering i metodkapitel
“Ett statistiskt test gjordes för att se om resultatet var signifikant.”	“Ett oberoende t-test användes för att jämföra medelvärdet på stresskalan mellan studenter med deltidsarbete och studenter utan deltidsarbete.”
“Regression användes eftersom det är en bra metod.”	“Linjär regression användes eftersom studien analyserade i vilken grad studietid, närvaro och tidigare betyg predicerade ett kontinuerligt utfall: provpoäng.”
“Chi-två gjordes på enkätfrågorna.”	“Chi-två-test användes för att pröva om fördelningen av ja/nej-svar på AI-användning skilde sig mellan utbildningsprogram.”

Den starkare formuleringen gör tre saker: den namnger testet, anger variablerna och förklarar varför testet passar frågan.

Hur skriver du metod- och analysdelen när testet är valt?

När testet är valt ska metoddelen visa varför analysen passar forskningsfrågan, vilka variabler som ingår och hur du hanterade antaganden. Resultatdelen ska sedan rapportera testet utan att överdriva vad det bevisar. Läsaren ska kunna följa kedjan från syfte till hypotes, variabler, test och tolkning.

Metodkapitlet behöver en analysplan

En bra analysplan behöver inte vara lång, men den behöver vara specifik. Skriv inte bara att “data analyserades statistiskt”. Skriv vilka variabler som ingick, hur de kodades, vilka test som användes och varför.

Exempel på metodtext:

“För att besvara frågan om stressnivå skilde sig mellan studenter med och utan deltidsarbete användes ett oberoende t-test. Gruppvariabeln var deltidsarbete, kodad som ja/nej, och utfallsvariabeln var totalpoäng på stresskalan. Normalfördelning och avvikande värden granskades med histogram och boxplot.”

Den typen av text är särskilt användbar i ett metodkapitel eftersom den visar att ditt statistiskt test uppsats-val inte kom i efterhand. Om du behöver strukturera hela metodavsnittet kan du använda metodkapitlet som horisontellt metodflöde för att placera analysen efter urval, datainsamling och operationalisering.

Resultatdelen ska skilja på statistik och tolkning

Resultatdelen ska rapportera vad testet visar. Diskussionen ska tolka vad det betyder i relation till teori, tidigare forskning och studiens begränsningar. Många studenter blandar ihop dessa delar och skriver kausala slutsatser direkt efter ett p-värde.

Skriv hellre: “Resultatet visade en statistiskt signifikant skillnad i genomsnittlig stresspoäng mellan grupperna” än “Deltidsarbete orsakar stress”. Om studien inte har experimentell design, slumpmässig tilldelning eller stark kontroll över störfaktorer är kausala påståenden svåra att försvara.

Rapportera också effektstorlek där det är relevant och där din kurs förväntar sig det. Ett p-värde säger något om statistisk signifikans, men inte hur stor eller praktiskt meningsfull skillnaden är. I t-test kan Cohens d vara relevant; i ANOVA kan eta-kvadrat förekomma; i regression är förklarad varians och koefficienter centrala.

Anpassa språk efter nivå

På kandidatnivå räcker det ofta att visa att du kan välja ett rimligt test, motivera valet och tolka resultatet försiktigt. På masternivå förväntas ofta en mer genomarbetad analysplan, tydligare hantering av antaganden och mer koppling till metodlitteratur.

Det betyder inte att masteruppsatsen måste använda mer avancerad statistik. En välmotiverad enkel analys är bättre än en svår modell som inte passar datan. Om frågan gäller skillnad mellan två grupper är ett t-test inte “för enkelt” bara för att regression låter mer avancerat. Bedömningen handlar om passform mellan fråga, data och analys.

Vad ska du kontrollera innan du går vidare med ditt statistiska test?

Innan du går vidare bör du kontrollera att forskningsfråga, variabler, datanivå, studiedesign och antaganden pekar mot samma test. Om någon del skaver behöver du justera frågan, kodningen eller analysplanen innan du tolkar resultat. Den kontrollen sparar tid och gör metoddelen lättare att försvara.

Snabb kontroll av analyskedjan

Tänk på testvalet som en kedja. Om forskningsfrågan gäller samband men du har skrivit hypotesen som en gruppskillnad kommer testet att kännas ologiskt. Om variabeln är ordinal men du behandlar den som kontinuerlig utan motivering kommer läsaren att undra varför. Om observationerna är parade men testet antar oberoende grupper blir resultatet svagt även om p-värdet ser prydligt ut.

Kontrollera också att urvalsstorleken är rimlig för det test du planerar. Små urval gör inte automatiskt statistisk analys omöjlig, men de begränsar vad du kan påstå. Om varje kategori i ett chi-två-test har mycket få observationer kan testet bli olämpligt. Om du har många prediktorer i en regression men få deltagare kan modellen bli instabil.

Innan du går vidare: checklista för att välja statistiskt test

• Jag kan säga om forskningsfrågan gäller skillnad, samband, prediktion eller fördelning.
• Jag har identifierat beroende variabel och oberoende variabel/prediktorer.
• Jag vet om utfallsvariabeln är nominal, ordinal eller kontinuerlig.
• Jag vet hur många grupper eller mättillfällen som ingår.
• Jag har avgjort om observationerna är oberoende eller parade.
• Jag har kontrollerat om t-test ANOVA regression verkligen matchar frågan.
• Jag har övervägt icke-parametriska alternativ om antaganden verkar svaga.
• Jag kan motivera testvalet i en metodtext på 2–4 meningar.
• Jag har undvikit att köra flera test utan tydlig analysplan.
• Jag tolkar samband, skillnader och prediktion utan att överdriva kausalitet.
• Jag vet vilka värden som ska rapporteras: teststatistik, p-värde, effektstorlek och relevant deskriptiv statistik.
• Jag har stämt av testvalet mot kursens metodkrav och handledarens instruktioner.

Sista rimlighetsfrågan

Fråga dig själv: “Om någon bara läser min forskningsfråga och min variabellista, skulle de förstå varför jag valt detta test?” Om svaret är nej behöver du inte nödvändigtvis byta test. Du behöver kanske förtydliga variablerna, hypotesen eller analysmotiveringen.

Ett statistiskt test är inte en isolerad teknisk detalj. Det är en del av uppsatsens argumentation. När testet följer logiskt av forskningsfrågan blir resultatkapitlet lättare att skriva och diskussionen mer trovärdig.

Rekommenderade interna länkar

(Metadata för byggsystemet – ta inte bort detta avsnitt)

• Tratt från brett ämne till fokuserad forskningsfråga
• Variabelmodell med mätbara indikatorer
• Diagram över syfte, frågeställningar, mål och hypoteser
• Metodkapitel som horisontellt metodflöde

---