/ Tilbake

PhD646 Kvantitativ metodologi (5 sp) 

(Quantitative methodology )

Fakta om emnet

Emnekode
PhD646
Emnenavn
Kvantitativ metodologi
Studiepoeng
5 sp
Semester
Vår
Undervisningsspråk
Norsk/Engelsk
Emneansvarlig
Kari Bø
Forkrav
Bare for programstudenter

Kort om emnet

Emnet skal gi kunnskap, ferdigheter og generell kompetanse om de mest bruke forskningsdesignene innen kvantitativ forskning med grunnleggende tilhørende statistiske metoder i idrettsvitenskapelig forskning. Emnet tar opp både helsefaglig, biomekanisk, fysiologisk og samfunnsvitenskapelig forskningsmetodologi. Studentene skal jobbe med egne forskningsspørsmål, design og målemetoder og utvikle evne til kritisk vurdering av fordeler og ulemper ved valgte design og målemetoder samt statistiske analysemetoder. Emnet går i dybden på evaluering av måleegenskaper som er bestemmende for følsomhet, reliabilitet og validitet sammen med relevante statistiske metoder som benyttes for å kvantifisere disse egenskapene. Emnet består av to ulike kurs: 

  1. Design og analyse av kvantitativ idrettsvitenskapelig forskning (Design and Analysis of Quantitative Sport Science Research): 2.5 studiepoeng 
  2. Evaluering av måleegenskaper (Measurements in quantitative research): 2.5 studiepoeng

Læringsutbytte

Studenten skal etter gjennomført emne kunne

  • bruke ulike rekrutterings prosedyrer for utregning av utvalgsstørrelse, representativitet og generalisering
  • måle egenskaper (følsomhet, reliabilitet og validitet) og bruke tilhørende statistiske metode
  • finne styrker og svakheter ved ulike forskningsdesign og hvordan disse påvirker mulighet for å trekke slutninger om kausalitet og sammenhenger
  • anvende statistiske metoder for å analysere data i ulike forskningsdesign
  • kritisk vurdere (critical appraisal) hierarkiet for evidens-basert praksis
  • identifisere og kritisk vurdere styrker og begrensninger ved ulike målemetoder og forskningsdesign
  • begrunne bruk av statistiske metoder i egen forskning og kritisk vurdere statistiske metoderbenyttet i publiserte studier
  • presentere muntlig og skriftlig egne problemstillinger, valg av målemetoder og forskningsdesign samt begrunne valg av statistiske metoder i data-analyse
  • presentere og diskutere forskningsresultater og metodiske problemstillinger ved egne og andres data med fagfeller i nasjonale og internasjonale vitenskapelige fora
  • identifisere nye og relevante forskningsspørsmål og designe nye forskningsprosjekter isamarbeid med fagfeller i relevant forskningsmiljø
  • delta i samfunnsdebatter med bakgrunn i kvantitative forskningsmetoder

Læringsformer og aktiviteter

Den lærerstyrte undervisninger går over flere dager, fordelt i ulike perioder for de to kursene. Kursene vil veksle mellom forelesning, fremlegg av studentens ulike prosjekter, gruppediskusjoner og selvstudium av metode litteratur. 

Arbeidskrav

Måloppnåelse i emnet forutsetter en total studieinnsats på 150 timer. Det vil være ca. 30 timer lærerstyrt undervisning. Studentene forventes å velge ut og lese foreslått metode litteratur (ca 250 sider for hvert kurs) relevant for sine problemstillinger i forkant av den lærerstyrte undervisningen.

Studentene skal levere en oversikt (maks 2 sider) med problemstillinger, valg av målemetoder, studiedesign og planlagte statistiske analysemetoder i forkant av de to kursene.

Revidert beskrivelse skal legges frem muntlig i form av en powerpoint presentasjon på slutten av hvert kurs.

Vurdering/eksamen

Består av to mappevurderinger:

  1. Design og analyse av kvantitativ idrettsvitenskapelig forskning. 
    Vurderes til bestått/ikke bestått
  2. Evaluering av måleegenskaper.
    Vurderes til bestått/ikke bestått

Begge mapper må være bestått.

Kjernelitteratur

Se detaljplan for hvert kurs.

Anbefalt litteratur

Recommanded reading:

Prerequisites prior to start of the PhD course:
The course will build on competence similar to the course in methodology from the master study at the Norwegian School Sport Sciences MET400 2020-2021

See compulsory and supplementary literature for the MET400 course:
Thomas, J., Nelson, J. K., & Silverman, S. J. (2023). Research methods in physical activity (8th ed.). Human Kinetics.
Chapter 1-5, 11, 14-18. You may borrow the book from the library.

Helsebiblioteket.no. (u.å.). Kunnskapsbasert praksis. https://www.helsebiblioteket.no/kunnskapsbasert-praksis

Helsebiblioteket.no. (u.å.). Statistikk. https://www.helsebiblioteket.no/kunnskapsbasert-praksis/kritisk-vurdering/statistikk

PEDro Scale. (1999). https://www.pedro.org.au/english/downloads/pedro-scale/

Del 1
9 books:
Fox, J. (2015). Applied regression analysis and generalized linear models (3rd ed.). Sage. You may borrow the book from the library.

Friedman, L. M., Furberg, C. D., DeMets, D. L., Reboussin, D. M., & Granger, C. B. (2015). Fundamentals of clinical trials (5th ed.). Springer. You may borrow the book from the library.
This book is also available online.3 users at time.
NB! To open the electronic book off campus, you need to install a VPN client.

Grobbee, D. E., & Hoes, A. W.  (2014). Clinical epidemiology: Principles, methods, and applications for clinical research (2nd ed.). Jones and Bartlett. You may borrow the book from the library.

Hernán, M. A., & Robins, J. M. (2020). Causal inference: What if. Chapman & Hall/CRC. https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/

Higgins, J., & Green S. (Eds.). (2009). Cochrane handbook for systematic reviews of interventions (version 5.0.2). The Cochrane Collaboration. https://training.cochrane.org/handbook/archive/v5.0.2/

Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal inference in statistics: A Primer. Wiley. You may borrow the book from the library.

Pearl, J., & McKenzie, D. (2018). The book of why: The wew science of cause and effect. Basic Books. You may borrow the book from the library.

Pocock, S. J. (1996). Clinical trials: A practical approach. Wiley. This book is avaliable online.
NB! To open the electronic book off campus, you need to install a VPN client.

Steyerberg, E. W. (2019). Clinical prediction models: A practical approach to development, validation, and updating (2nd ed.). Springer. This book is avaliable online.
NB! To open the electronic book off campus, you need to install a VPN client.

11 electronic articles:
To open the electronic articles off campus, you need to install a VPN client.

Austin, P. C., Goel, V., & van Walraven, C. (2001). An introduction to multilevel regression models. Canadian Journal of Public Health, 92(2), 150–154. https://doi.org/10.1007/BF03404950

Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48. You may order the article through Oria.

Hernán, M. A. (2018). The C-word: Scientific euphemisms do not improve causal inference from observational data. American Journal of Public Health, 108(5), 616–619. https://doi.org/10.2105/AJPH.2018.304337

Hernán, M. A., Hsu, J., & Healy, B. (2019). A second chance to get causal inference right: A classification of data science tasks. Chance, 32(1), 42-49. https://doi.org/10.1080/09332480.2019.1579578

Herbert, R. D., & Bø, K. (2005). Analysis of quality of interventions in systematic reviews. BMJ (Clinical research ed.), 331(7515), 507–509. https://doi.org/10.1136/bmj.331.7515.507

Herbert R. D. (2014). Cohort studies of aetiology and prognosis: they're different. Journal of Physiotherapy, 60(4), 241–244. https://doi.org/10.1016/j.jphys.2014.07.005

Herbert, R. D., Kasza, J., & Bø, K. (2018). Analysis of randomised trials with long-term follow-up. BMC Medical Research Methodology, 18(1), 48. https://doi.org/10.1186/s12874-018-0499-5

Herbert R. D. (2020). Research note: Causal inference. Journal of Physiotherapy, 66(4), 273–277. https://doi.org/10.1016/j.jphys.2020.07.010

Hoogeboom, T. J., Kousemaker, M. C., van Meeteren, N. L., Howe, T., Bo, K., Tugwell, P., Ferreira, M., de Bie, R. A., van den Ende, C. H., & Stevens-Lapsley, J. E. (2021). i-CONTENT tool for assessing therapeutic quality of exercise programs employed in randomised clinical trials. British Journal of Sports Medicine, 55(20), 1153–1160. https://doi.org/10.1136/bjsports-2019-101630

Hsieh, F. Y., Lavori, P. W., Cohen, H. J., & Feussner, J. R. (2003). An overview of variance inflation factors for sample-size calculation. Evaluation & The Health Professions, 26(3), 239–257. https://doi.org/10.1177/0163278703255230

Textor, J., van der Zander, B., Gilthorpe, M. S., Liskiewicz, M., & Ellison, G. T. (2016). Robust causal inference using directed acyclic graphs: the R package 'dagitty'. International Journal of Epidemiology, 45(6), 1887–1894. https://doi.org/10.1093/ije/dyw341

Del 2

NB! To open the electronic articles off campus, you need to install a VPN client.

Measurement properties: Reliability and validity
Taxonomy, checklists for risk of bias tools and for systematic reviews:
Mokkink, L. B., Terwee, C. B., Patrick, D. L., Alonso, J., Stratford, P. W., Knol, D. L., Bouter, L. M., & de Vet, H. C. (2010). The COSMIN study reached international consensus on taxonomy, terminology, and definitions of measurement properties for health-related patient-reported outcomes. Journal of Clinical Epidemiology, 63(7), 737–745. https://doi.org/10.1016/j.jclinepi.2010.02.006

- www.cosmin.nl
-- user-manual-COSMIN-Risk-of-Bias-tool_v4_dec-2020.pdf
-- Microsoft Word - COSMIN RoB checklist V2 0 v17_rev3
-- Microsoft Word - COSMIN methodology for content validity - user manual v1.0_2
-- Guideline for Systematic Reviews of Outcome Measurement Instruments • COSMIN 

Minimal clinical important difference (MCID):
McGlothlin, A. E., & Lewis, R. J. (2014). Minimal clinically important difference: Defining what really matters to patients. JAMA, 312(13), 1342–1343. https://doi.org/10.1001/jama.2014.13128. You may order the article through Oria.

Mouelhi, Y., Jouve, E., Castelli, C., & Gentile, S. (2020). How is the minimal clinically important difference established in health-related quality of life instruments? Review of anchors and methods. Health and Quality of Life Outcomes, 18(1), 136. https://doi.org/10.1186/s12955-020-01344-w

Introduction to scale development and research design considerations:
Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research: A Primer. Frontiers in public health, 6, 149. https://doi.org/10.3389/fpubh.2018.00149

Gelman, A., & Hill, J. (2006). Data analysis using regression and multilevel/hierarchical models. Cambridge university press.
Pages 437-456.
PDF is available through Canvas.

Hair, J. F. (2019). Multivariate data analysis (8th ed.). Cengage.
Pages 45-118. This book is available online. 1 user at time!
NB! To open the electronic book off campus, you need to install a VPN client.

Hopkins, W. G., Marshall, S. W., Batterham, A. M., & Hanin, J. (2009). Progressive statistics for studies in sports medicine and exercise science. Medicine and Science in Sports and Exercise, 41(1), 3–13. https://doi.org/10.1249/MSS.0b013e31818cb278

Patrick, D. L., Alonso, J., Bouter, L. M., & Terwee, C. B. (2018). COSMIN Risk of Bias checklist for systematic reviews of Patient-Reported Outcome Measures. Quality of Life Research, 27(5), 1171–1179. https://doi.org/10.1007/s11136-017-1765-4

Uhrich, S., & Benkenstein, M. (2010). Sport stadium atmosphere: Formative and reflective indicators for operationalizing the construct. Journal of Sport Management, 24(2), 211-237. https://doi.org/10.1123/jsm.24.2.211

Missing data treatment:
Baraldi, A. N., & Enders, C. K. (2010). An introduction to modern missing data analyses. Journal of School Psychology, 48(1), 5–37. https://doi.org/10.1016/j.jsp.2009.10.001

Enders C. K. (2011). Analyzing longitudinal data with missing values. Rehabilitation Psychology, 56(4), 267–288. https://doi.org/10.1037/a0025579. You may order the article through Oria.

Howell, D. C. (2007). The treatment of missing data. In  W. Outhwaite & S. P. Turner (Eds.). The Sage handbook of social science methodology (pp. 208-224). Sage.
PDF is available through Canvas.

Lang, K. M., & Little, T. D. (2018). Principled missing data treatments. Prevention Science, 19(3), 284-294. https://doi.org/10.1007/s11121-016-0644-5

Rioux, C., & Little, T. D. (2019). Missing data treatments in intervention studies: What was, what is, and what should be. International Journal of Behavioral Development, 45(1). https://doi.org/10.1177/0165025419880609

Confirmatory factor analysis:
Brown, T. A. (2015). Confirmatory factor analysis for applied research. Guilford publications. This book is available online. NB! 3 useres at time!
NB! To open the electronic book off campus, you need to install a VPN client.

Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The state of the art and future directions for psychological research. Developmental Review, 41, 71-90. https://doi.org/10.1016/j.dr.2016.06.004

Schmitt, T. A. (2011). Current methodological considerations in exploratory and confirmatory factor analysis. Journal of Psychoeducational Assessment, 29(4), 304-321. https://doi.org/10.1177/0734282911406653

Statistics:
Cleophas, T. J., & Zwinderman, A. H. (2012). Statistics applied to clinical studies (5th ed.). Springer.  https://doi.org/10.1007/978-94-007-2863-9_45
Chapter 45 and 46, pages 499-508 and 509-517.
PDF is available through Canvas (1 PDF).