Corelațional de Cercetare: Caută Relații Între Variabile
În contrast cu cercetarea descriptivă, care este proiectat în principal pentru a oferi imagini statice, corelațional cercetare presupune măsurarea a două sau mai multe variabile relevante și o evaluare a relației între sau printre aceste variabile., De exemplu, variabilele de înălțime și greutate sunt sistematic legate (corelate), deoarece persoanele mai înalte cântăresc în general mai mult decât persoanele mai scurte. În același mod, Timpul de studiu și erorile de memorie sunt, de asemenea, legate, deoarece cu cât o persoană este dată mai mult timp pentru a studia o listă de cuvinte, cu atât mai puține erori vor face. Când există două variabile în proiectarea cercetării, una dintre ele se numește variabila predictor, iar cealaltă variabila de rezultat., Designul de cercetare pot fi vizualizate astfel, în cazul în care săgeata curbată reprezintă temperatura de corelație între cele două variabile:
Figura 2.2.2
Un mod de a organiza datele dintr-un studiu corelațional, cu două variabile este de a grafic valorile fiecărei variabile măsurate folosind un scatter plot. După cum puteți vedea în figura 2.10 „Exemple de parcele Scatter”, un complot scatter este o imagine vizuală a relației dintre două variabile., Un punct este reprezentat grafic pentru fiecare individ la intersecția scorurilor sale pentru cele două variabile. Când asocierea dintre variabilele de pe parcela scatter poate fi ușor aproximată cu o linie dreaptă, ca în părțile (a) și (b) din Figura 2.10 „Exemple de parcele Scatter”, se spune că variabilele au o relație liniară.când linia dreaptă indică faptul că indivizii care au valori peste medie pentru o variabilă tind, de asemenea, să aibă valori peste medie pentru cealaltă variabilă, ca în partea (a), relația se spune că este liniară pozitivă., Exemple de relații liniare pozitive includ cele dintre înălțime și greutate, între educație și venit și între vârstă și abilități matematice la copii. În fiecare caz, persoanele care au un scor mai mare pe una dintre variabile tind, de asemenea, să obțină un scor mai mare pe cealaltă variabilă. Relațiile liniare Negative, în schimb, așa cum se arată în partea (b), apar atunci când valorile peste medie pentru o variabilă tind să fie asociate cu valori sub medie pentru cealaltă variabilă., Exemple de relații liniare negative includ cele dintre vârsta unui copil și numărul de scutece pe care copilul le folosește și între practică și erorile făcute pe o sarcină de învățare. În aceste cazuri, persoanele care au un scor mai mare pe una dintre variabile tind să obțină un scor mai mic pe cealaltă variabilă.
relațiile dintre variabilele care nu pot fi descrise cu o linie dreaptă sunt cunoscute sub numele de relații neliniare. Partea (c) din Figura 2.10 „Exemple de parcele Scatter” prezintă un model comun în care distribuția punctelor este în esență aleatorie., În acest caz, nu există nicio relație între cele două variabile și se spune că sunt independente. Părțile (d) și (e) din Figura 2.10 „Exemple de parcele Scatter” prezintă modele de asociere în care, deși există o asociere, punctele nu sunt bine descrise de o singură linie dreaptă. De exemplu, partea (d) arată tipul de relație care apare frecvent între anxietate și performanță., Creșterea anxietății de la niveluri scăzute până la moderate este asociată cu creșterea performanței, în timp ce creșterea anxietății de la niveluri moderate până la ridicate este asociată cu scăderea performanței. Relațiile care se schimbă în direcție și astfel nu sunt descrise de o singură linie dreaptă se numesc relații curbilinii.
Figura 2.10 Exemple de Parcele Scatter
Câteva exemple de relații între două variabile, așa cum se arată în parcele scatter., Rețineți că coeficientul de corelație Pearson (r) între variabilele care au relații curbilinii va fi probabil aproape de zero.
adaptat de la Stangor, C. (2011). Metode de cercetare pentru științele comportamentale (4th ed.). Vedere la munte, ca: Cengage.cea mai obișnuită măsură statistică a rezistenței relațiilor liniare între variabile este coeficientul de corelație Pearson, care este simbolizat prin litera r. valoarea coeficientului de corelație variază de la r = -1,00 la r = +1,00., Direcția relației liniare este indicată de semnul coeficientului de corelație. Valori pozitive ale r (cum ar fi r = .54 sau r = .67) indică faptul că relația este liniară pozitivă (adică, modelul punctelor de pe parcela scatter rulează de la stânga jos la dreapta sus), în timp ce valorile negative ale r (cum ar fi r = –.30 sau r = -.72) indicați relațiile liniare negative (adică punctele rulează de la stânga sus la dreapta jos). Rezistența relației liniare este indexată de distanța coeficientului de corelație de la zero (valoarea sa absolută)., De exemplu, r = -.54 este o relație mai puternică decât r=.30, și r=.72 este o relație mai puternică decât r = -.57. Deoarece coeficientul de corelație Pearson măsoară doar relațiile liniare, variabilele care au relații curbilinii nu sunt bine descrise de r, iar corelația observată va fi aproape de zero.de asemenea, este posibil să se studieze relațiile între mai mult de două măsuri în același timp., Un proiect de cercetare în care mai mult de o variabilă predictor este utilizată pentru a prezice o singură variabilă de rezultat este analizată prin regresie multiplă (Aiken & West, 1991). Regresia multiplă este o tehnică statistică, bazată pe coeficienții de corelație între variabile, care permite prezicerea unei singure variabile de rezultat din mai multe variabile predictor. De exemplu, figura 2.11″ Predicția performanței jobului din trei variabile Predictoare ” arată o analiză de regresie multiplă în care trei variabile predictoare sunt utilizate pentru a prezice un singur rezultat., Utilizarea analizei de regresie multiplă arată un avantaj important al proiectelor de cercetare corelaționale—acestea pot fi folosite pentru a face predicții despre scorul probabil al unei persoane pe o variabilă de rezultat (de exemplu, performanța locului de muncă) bazată pe cunoașterea altor variabile.
Figura 2.11 Predicție de Performanță de locuri de Muncă Din cele Trei Variabile Predictor
regresie Multiplă permite oamenilor de știință de a prezice scorurile pe un singur rezultat variabile folosind mai mult de o singură variabilă predictor.,o limitare importantă a proiectelor de cercetare corelațională este că acestea nu pot fi utilizate pentru a trage concluzii despre relațiile cauzale dintre variabilele măsurate. Să ne gândim, de exemplu, la un cercetător care a emis ipoteza că vizionarea unui comportament violent va cauza un joc agresiv crescut la copii. El a colectat, dintr-un eșantion de copii de clasa a patra, o măsură a numărului de emisiuni de televiziune violente pe care le vizionează fiecare copil în timpul săptămânii, precum și o măsură a cât de agresiv joacă fiecare copil pe terenul de joacă al școlii., Din datele colectate, cercetătorul descoperă o corelație pozitivă între cele două variabile măsurate.deși această corelație pozitivă pare să susțină ipoteza cercetătorului, nu poate fi luată pentru a indica faptul că vizionarea televiziunii violente provoacă un comportament agresiv. Deși cercetătorul este tentat să presupună că vizualizarea violent de televiziune cauze joc agresiv,
Figura 2.2.2
există și alte posibilități., O posibilitate alternativă este că direcția cauzală este exact opusă față de ceea ce a fost emis ipoteza. Poate copii care s-au comportat agresiv la școală dezvolta reziduale de emoție, care le determină să vreau să mă uit violente emisiuni de televiziune la domiciliu:
Figura 2.2.2
Deși această posibilitate poate părea mai puțin probabil, nu există nici o modalitate de a exclude posibilitatea unor astfel legătura de cauzalitate inversă pe baza de această corelație., De asemenea, este posibil ca ambele direcții de cauzalitate sunt operaționale și că cele două variabile provoca reciproc:
Figura 2.2.2
Încă o altă explicație posibilă pentru cea de corelație este că acesta a fost produs de prezența unei comune-de cauzalitate variabilă (de asemenea, cunoscut ca o a treia variabilă)., O variabilă comună-cauzală este o variabilă care nu face parte din ipoteza de cercetare, dar care determină atât predictorul, cât și variabila de rezultat și produce astfel corelația observată între ele. În exemplul nostru, o potențială variabilă comună-cauzală este stilul disciplinei părinților copiilor. Părinții care folosesc un dur și punitive disciplina stil poate produce copii care ambele place sa ma uit violente la televizor și care se comportă agresiv în comparație cu copiii ai căror părinți folosesc mai puțin dure disciplina:
Figura 2.2.,2
În acest caz, privitul la televizor și jocul agresiv ar fi corelate pozitiv (cum este indicat de săgeata curbată între ele), chiar dacă nici unul cauzate de alta dar ambele au fost cauzate de disciplina stil de părinți (direct săgeți). Atunci când variabilele predictor și rezultatul sunt ambele cauzate de o variabilă comună-cauzală, relația observată între ele se spune că este falsă., O relație falsă este o relație între două variabile în care o variabilă comună-cauzală produce și „explică” relația. Dacă efectele variabilei comune-cauzale au fost luate sau controlate pentru, relația dintre predictor și variabilele de rezultat ar dispărea. În exemplu, relația dintre agresiune și vizionarea televiziunii ar putea fi falsă, deoarece, controlând efectul stilului disciplinar al părinților, relația dintre vizionarea televiziunii și comportamentul agresiv ar putea dispărea.,variabilele cauzale comune în proiectele de cercetare corelaționale pot fi considerate variabile „misterioase” deoarece, deoarece nu au fost măsurate, prezența și identitatea lor sunt de obicei necunoscute cercetătorului. Deoarece nu este posibilă măsurarea fiecărei variabile care ar putea provoca atât variabilele predictor, cât și variabilele de rezultat, existența unei variabile comune-cauzale necunoscute este întotdeauna o posibilitate. Din acest motiv, rămânem cu limitarea de bază a cercetării corelaționale: corelația nu demonstrează cauzalitatea., Este important ca, atunci când citiți despre proiecte de cercetare corelaționale, vă păstrați în minte posibilitatea unor relații false, și asigurați-vă că pentru a interpreta rezultatele în mod corespunzător. Deși cercetarea corelațională este uneori raportată ca demonstrând cauzalitatea fără a se menționa posibilitatea cauzalității inverse sau a variabilelor cauzale comune, consumatorii informați de cercetare, ca și dvs., sunt conștienți de aceste probleme interpretative.în concluzie, proiectele de cercetare corelaționale au atât puncte forte, cât și limitări., Un punct forte este că acestea pot fi utilizate atunci când cercetarea experimentală nu este posibilă, deoarece variabilele predictor nu pot fi manipulate. Proiectele corelaționale au, de asemenea, avantajul de a permite cercetătorului să studieze comportamentul așa cum apare în viața de zi cu zi. De asemenea, putem folosi modele corelaționale pentru a face predicții—de exemplu, pentru a prezice din scorurile de pe bateria lor de teste succesul stagiarilor în timpul unei sesiuni de instruire. Dar nu putem folosi astfel de informații corelaționale pentru a determina dacă formarea a cauzat o performanță mai bună a locului de muncă. Pentru aceasta, cercetătorii se bazează pe experimente.,