08.03.2016 Views

urn_isbn_978-952-61-2035-5

urn_isbn_978-952-61-2035-5

urn_isbn_978-952-61-2035-5

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

2.3 Tilastomenetelmät<br />

Ennen varsinaista analysointivaihetta aineisto käsiteltiin SPSS-ohjelmalla (I osatutkimus<br />

versio 16, II osatutkimus versio 17, III osatutkimus versio 19). Matematiikan testin tehtävistä<br />

muodostettiin Taipaleen (2009, 46–47) tutkimuksen mukaisesti aritmetiikan, algebran<br />

ja geometrian summamuuttujat, jotka sen jälkeen muunnettiin oppimisen vaikeutta<br />

ilmaiseviksi muuttujiksi vähentämällä saadut pisteet summamuuttujien maksimipisteistä.<br />

Lukemisen testeistä muodostettiin lukemisen vaikeutta ilmaisevat muuttujat vähentämällä<br />

testeistä saadut pisteet maksimipisteistä. Näistä muodostettiin kaksi sanatason lukemisen<br />

vaikeusmuuttujaa ja luetun ymmärtämisen vaikeusmuuttuja. Kaikkien jatkuvien muuttujien<br />

vinoudet tarkistettiin ja korjattiin: aritmetiikan, algebran ja geometrian sekä sanatason<br />

lukemisen vaikeuksien summamuuttujat olivat riittävän normaalisti jakautuneita eikä<br />

muunnoksia niihin tarvittu. Sen sijaan luetun ymmärtämisen vaikeusmuuttujalle tehtiin<br />

logaritminen muunnos, opiskelussa koetuille vaikeuksille käänteisfunktiomuunnos ja<br />

käyttäytymisen vaikeuksille neliöjuurimuunnos (Nummenmaa, 2009, 151). Lopuksi kaikki<br />

muuttujat standardoitiin.<br />

Kaikissa osatutkimuksissa analysointimenetelmänä oli rakenneyhtälömallinnus, jossa<br />

käytettiin Mplus-ohjelmaa (osatutkimus 1 versio 5, osatutkimukset 2 ja 3 versio 6.11). Rakenneyhtälömalli<br />

sisältää kaksi osaa: konfirmatorisen faktorimallin (mittamalli) ja polkumallin.<br />

Kyse on regressiomallista, joka kuvaa latenttien faktoreiden ja havaittujen muuttujien<br />

(jatkuvat ja/tai luokittelumuuttujat) välisiä yhteyksiä. Näitä yhteyksiä on kolmenlaisia:<br />

faktoreiden väliset, havaittujen muuttujien väliset ja havaittujen muuttujien ja faktoreiden<br />

väliset yhteydet, joista viimeksi mainitussa havaitut muuttujat eivät saa olla faktoreiden<br />

indikaattoreita. (Muthén & Muthén, 1998–2012, 55–56.) Rakenneyhtälömallinnuksessa<br />

kaikki mukana olevat muuttujat asetetaan samaan malliin, jolloin samanaikaisesti ne sekä<br />

kontrolloivat toistensa selitysvoiman että paljastavat yksittäisten muuttujien niin sanotun<br />

oman vaikutuksen selitettävään ilmiöön.<br />

Kaikissa osatutkimuksissa analysointivaihe aloitettiin muodostamalla ensin mittamalli<br />

konfirmatorisen faktorianalyysin avulla. Jokaisessa kolmessa osatutkimuksessa ”matematiikan<br />

vaikeus” -faktorin indikaattoreina olivat aritmetiikan, algebran ja geometrian virhepisteiden<br />

summamuuttujat. Kaikkien kolmen indikaattorin lataukset olivat vahvat ja faktorin<br />

sisäinen rakenne hyvä (ks. esim. kuvio 2). Lukemisen vaikeutta kuvaavaksi faktoriksi<br />

muodostettiin osatutkimuksissa I ja III toisen kertaluvun faktori, joka muodostui kahdesta<br />

lukemisen eri osa-alueita kuvaavista indikaattorista: ”sanatason lukemisen vaikeus” -faktorista<br />

(”etsi kirjoitusvirheet” ja ”erota sanat toisistaan” -testien virhepisteiden summamuuttujat<br />

indikaattoreina) sekä luetun ymmärtämisen testin yhteisvirhepistemäärästä Holopaisen<br />

ym. (2004) ja Savolaisen ym. (2008) tutkimuksen mukaisesti. II osatutkimuksessa<br />

käytettiin ”sanatason lukemisen vaikeus” -faktoria, joka muodostettiin ”etsi kirjoitusvirheet”<br />

ja ”erota sanat toisistaan” -testien virhepisteiden summamuuttujista.<br />

Kaikkien kolmen osatutkimuksen polkumallit sisälsivät sekä jatkuvia latentteja muuttujia<br />

(esim. matematiikan ja lukemisen vaikeudet) että summamuuttujia (esim. käyttäytymisen<br />

vaikeudet, opiskelussa koetut vaikeudet) ja kaksiluokkaisia selitettäviä muuttujia<br />

(esim. toiselle asteelle sijoittuminen, koulutuksen keskeytyminen). Selitettävien muuttujien<br />

kaksiluokkaisuuden takia mallinnukset estimoitiin WLSMV-estimointimenetelmällä<br />

(weighted least square parameter estimates using a diagonal weight matrix), joka käyttää<br />

21

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!