Корреляционный дизайн исследования изучает отношения между переменными без контроля или манипулирования исследователем какой-либо из них.
Корреляция отражает силу и/или направление связи между двумя (или более) переменными. Направление корреляции может быть как положительным, так и отрицательным.
| Положительная корреляция | Обе переменные изменяются в одном направлении | С увеличением роста увеличивается и вес |
|---|---|---|
| Отрицательная корреляция | Переменные изменяются в противоположных направлениях | По мере увеличения потребления кофе снижается усталость |
| Нулевая корреляция | Между переменными нет связи | Потребление кофе не связано с ростом |
Корреляционное и экспериментальное исследование
Как корреляционные, так и экспериментальные исследования используют количественные методы для изучения взаимосвязей между переменными. Но есть важные различия в методах сбора данных и типах выводов, которые вы можете сделать.
| Корреляционное исследование | Экспериментальное исследование | |
|---|---|---|
| Цель | Используется для проверки силы связи между переменными | Используется для проверки причинно-следственных связей между переменными. |
| Переменные | Переменные наблюдаются только без манипуляций или вмешательства со стороны исследователей. | Независимая переменная манипулируется,, а зависимая переменная наблюдается |
| Контроль | Используется ограниченный контроль, поэтому другие переменные могут играть роль в отношениях | Посторонние переменные контролируются, чтобы они не могли повлиять на интересующие вас переменные. |
| Период действия | Высокая внешняя валидность: вы можете уверенно обобщать свои выводы на другие группы населения или условия. | Высокая внутренняя валидность: вы можете уверенно делать выводы о причинно-следственной связи |
Когда использовать корреляционное исследование
Корреляционные исследования идеально подходят для быстрого сбора данных в естественных условиях. Это поможет вам обобщить ваши выводы на реальные жизненные ситуации внешне обоснованным способом.
Есть несколько ситуаций, когда корреляционное исследование является подходящим выбором.
Чтобы исследовать непричинные отношения
Вы хотите выяснить, есть ли связь между двумя переменными, но не ожидаете найти между ними причинно-следственную связь.
Корреляционные исследования могут дать представление о сложных отношениях в реальном мире, помогая исследователям разрабатывать теории и делать прогнозы.
Изучить причинно-следственные связи между переменными
Вы считаете, что между двумя переменными существует причинно-следственная связь, но проводить экспериментальные исследования, в которых манипулируют одной из переменных, нецелесообразно, неэтично или слишком дорого.
Корреляционные исследования могут предоставить начальные указания или дополнительную поддержку теорий о причинно-следственных связях.
Для тестирования новых инструментов измерения
Вы разработали новый инструмент для измерения вашей переменной, и вам нужно проверить его надежность или достоверность.
Корреляционное исследование можно использовать для оценки того, последовательно или точно ли инструмент отражает концепцию, которую он призван измерить.
Как собирать корреляционные данные
Существует множество различных методов, которые вы можете использовать в корреляционных исследованиях. В социальных и поведенческих науках наиболее распространенными методами сбора данных для этого типа исследований являются опросы, наблюдения и вторичные данные.
Важно тщательно выбирать и планировать свои методы, чтобы обеспечить надежность и достоверность результатов. Вы должны тщательно выбирать репрезентативную выборку, чтобы ваши данные отражали интересующую вас группу населения без предвзятости исследований.
Опросы
В исследованиях с помощью опросов вы можете использовать анкеты для измерения интересующих вас переменных. Вы можете проводить опросы онлайн, по почте, по телефону или лично.
Опросы — это быстрый и гибкий способ сбора стандартизированных данных от многих участников, но важно убедиться, что ваши вопросы сформулированы беспристрастно и содержат соответствующие идеи.
Натуралистическое наблюдение
Натуралистическое наблюдение — это тип полевого исследования, при котором вы собираете данные о поведении или явлении в его естественной среде.
Этот метод часто включает запись, подсчет, описание и классификацию действий и событий. Естественные наблюдения могут включать как качественные, так и количественные элементы, но для оценки корреляции вы собираете данные, которые можно анализировать количественно (например, частоты, продолжительность, масштабы и количества).
Естественные наблюдения позволяют легко обобщать полученные результаты на контексты реального мира и изучать опыт, который невозможно воспроизвести в лабораторных условиях. Но анализ данных может занять много времени и быть непредсказуемым, а предвзятость исследователя может исказить интерпретацию.
Вторичные данные
Вместо сбора исходных данных вы также можете использовать данные, которые уже были собраны для другой цели, например официальные отчеты, опросы или предыдущие исследования.
Использование вторичных данных является недорогим и быстрым, поскольку сбор данных завершен. Однако данные могут быть ненадежными, неполными или не совсем актуальными, и вы не можете контролировать надежность или достоверность процедур сбора данных.
Как анализировать корреляционные данные
После сбора данных вы можете статистически проанализировать взаимосвязь между переменными с помощью корреляционного или регрессионного анализа, или того и другого. Вы также можете визуализировать отношения между переменными с помощью диаграммы рассеяния.
Различные типы коэффициентов корреляции и регрессионного анализа подходят для ваших данных в зависимости от их уровня измерения и распределения.
Корреляционный анализ
Используя корреляционный анализ, вы можете обобщить взаимосвязь между переменными в коэффициенте корреляции: отдельное число, которое описывает силу и направление взаимосвязи между переменными. С помощью этого числа вы будете количественно определять степень взаимосвязи между переменными.
Коэффициент корреляции «продукт-момент» Пирсона, также известный как r Пирсона, обычно используется для оценки линейной зависимости между двумя количественными переменными.
Коэффициенты корреляции обычно находятся для двух переменных одновременно, но вы можете использовать множественный коэффициент корреляции для трех или более переменных.
Регрессивный анализ
С помощью регрессионного анализа вы можете предсказать, насколько изменение одной переменной будет связано с изменением другой переменной. Результатом является уравнение регрессии, описывающее линию на графике ваших переменных.
Это уравнение можно использовать для прогнозирования значения одной переменной на основе заданного значения (значений) другой переменной (переменных). Лучше всего выполнить регрессионный анализ после проверки корреляции между вашими переменными.
Корреляция и причинно-следственная связь
Важно помнить, что корреляция не подразумевает причинно-следственную связь. Тот факт, что вы нашли корреляцию между двумя вещами, не означает, что вы можете заключить, что одна из них вызывает другую по нескольким причинам.
Проблема направленности
Если две переменные коррелированны, это может быть связано с тем, что одна из них является причиной, а другая — следствием. Но план корреляционного исследования не позволяет сделать вывод, что есть что. Из соображений предосторожности исследователи не делают выводов о причинно-следственных связях на основе корреляционных исследований.
