Ricerca Causal-Comparativa — Disegno di Confronto di Gruppi Retrospettivo
- Introdotto da
- Fred N. Kerlinger
- Anno
- 1964
- Tipo
- Non-experimental quantitative research design
- Famiglia
- Survey / observational design
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
La ricerca causal-comparativa è un disegno quantitativo non sperimentale in cui il ricercatore confronta due o più gruppi che differiscono già su una variabile indipendente — una che non è stata manipolata — per indagare possibili cause o conseguenze di tale differenza.
Poiché l'appartenenza al gruppo è preesistente piuttosto che assegnata casualmente, il disegno può suggerire relazioni causali ma non può stabilirle con la certezza di un vero esperimento. È ampiamente utilizzata nell'istruzione, nella psicologia e nelle scienze sociali quando la manipolazione sperimentale è impraticabile o non etica.
L’intuizione alla base del metodo
Supponiamo di voler sapere se il fumo dei genitori influisce sulla capacità polmonare dei bambini. Non è possibile assegnare casualmente i bambini a famiglie fumatori o non fumatori, quindi si identificano invece gruppi di bambini i cui genitori fumano o non fumano e si confronta la loro funzione polmonare. Questa è la logica della ricerca causal-comparativa: la 'causa' si è già verificata nel mondo reale e si guarda indietro per vedere se è associata a una differenza nei risultati. Il disegno assomiglia a un esperimento nella struttura — gruppi, un risultato misurato, un confronto — ma manca dell'assegnazione casuale che renderebbe la causalità definitiva.
Storia
La logica della ricerca causal-comparativa è stata formalizzata nella metodologia delle scienze sociali da Fred N. Kerlinger nel suo testo fondamentale del 1964 Foundations of Behavioral Research, dove descrisse la ricerca 'ex post facto' come l'indagine sistematica di eventi già accaduti per identificare cause probabili. Il disegno aveva radici precedenti negli studi agricoli ed epidemiologici che confrontavano gruppi preformati. Negli anni '70-'80 divenne una componente standard dei libri di testo sui metodi di ricerca educativa, in particolare Gay (1976) e successivamente Fraenkel e Wallen, consolidando il suo ruolo come disegno non sperimentale di riferimento quando la manipolazione è impossibile.
Quando usarlo
Utilizzare la ricerca causal-comparativa quando si desidera indagare possibili cause o effetti di una variabile che non può essere manipolata eticamente o praticamente — come il genere, lo stato di disabilità, lo sfondo socioeconomico o l'esposizione a un evento passato. È appropriata quando i gruppi sono naturali e i dati possono essere raccolti su una variabile dipendente significativa. Si adatta a obiettivi di ricerca descrittivi-esplicativi nell'istruzione, nella salute e nelle scienze sociali. NON utilizzarla quando è possibile condurre un vero esperimento con assegnazione casuale — gli esperimenti forniscono prove causali più forti. Evitarla quando i gruppi non possono essere equiparati in modo significativo su fattori confondenti principali, quando l'appartenenza al gruppo è ambigua o quando la domanda di ricerca richiede un monitoraggio prospettico del cambiamento nel tempo (utilizzare invece la ricerca longitudinale).
Limiti e considerazioni
- Non può stabilire la causalità in modo definitivo perché i gruppi non sono assegnati casualmente — il bias di selezione e le variabili confondenti rimangono spiegazioni alternative.
- La direzione della causalità è ambigua: la presunta causa ed effetto potrebbero essere invertiti, o una terza variabile potrebbe causare entrambi.
- I gruppi possono differire su variabili non misurate che spiegano la differenza osservata, rendendo incompleto il controllo statistico.
- La natura retrospettiva significa che il ricercatore non ha alcun controllo su come la variabile indipendente è stata sperimentata o misurata in passato.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Permette l'indagine di ipotesi causali quando la manipolazione sperimentale è non etica o impossibile.
- Più efficiente e meno costosa degli esperimenti longitudinali; i dati spesso esistono già.
- Produce confronti quantitativi, statisticamente testabili tra gruppi naturali.
- Fornisce dimensioni dell'effetto che informano sulla significatività pratica oltre alla significatività statistica.
- Utile come disegno preliminare per giustificare la necessità di un esperimento successivo.
Applicazioni
- Confrontare il rendimento scolastico tra studenti che hanno frequentato la scuola materna e quelli che non l'hanno fatto.
- Esaminare le differenze nei risultati sanitari tra fumatori e non fumatori senza assegnazione sperimentale.
- Indagare se esistono differenze di genere nell'autoefficacia matematica tra gli studenti della scuola secondaria.
- Confrontare i livelli di soddisfazione lavorativa tra dipendenti con diverse qualifiche educative.
- Valutare se i bambini cresciuti in famiglie bilingui differiscono nella flessibilità cognitiva dai coetanei monolingui.
- Esplorare se la posizione scolastica urbana o rurale è associata a differenze nei tassi di fidelizzazione degli insegnanti.
Come funziona
Come funziona
Il ricercatore identifica la variabile indipendente — una caratteristica preesistente come il genere, lo stato socioeconomico, il livello di istruzione o un evento di vita — e definisce almeno due gruppi che differiscono su tale variabile. La variabile di confronto deve essersi già verificata naturalmente; non viene mai manipolata dal ricercatore.
I partecipanti sono selezionati da ciascun gruppo preformato, idealmente mediante campionamento probabilistico per supportare la generalizzazione. I gruppi dovrebbero essere il più possibile simili su tutte le caratteristiche tranne la variabile indipendente, in modo che il ricercatore controlli o appai i probabili fattori confondenti (ad es. età, rendimento precedente, livello di reddito) durante la fase di disegno.
I dati sulla/e variabile/i dipendente/i vengono raccolti da tutti i gruppi utilizzando gli stessi strumenti e procedure. Le fonti di dati comuni includono punteggi di test standardizzati, risposte a sondaggi, registri amministrativi o misurazioni fisiche. Poiché la causa si è già verificata, la raccolta dati è retrospettiva o concorrente — non prospettica.
Le medie dei gruppi (o proporzioni, ranghi) sulla variabile dipendente vengono confrontate utilizzando statistiche inferenziali appropriate — tipicamente t-test per campioni indipendenti, ANOVA a una via, ANCOVA (per controllare le covariate) o test chi-quadrato a seconda della scala di misurazione. Le dimensioni dell'effetto (d di Cohen, eta-quadrato) dovrebbero accompagnare i test di significatività.
Le differenze statisticamente significative tra i gruppi vengono interpretate con cautela. Il ricercatore considera spiegazioni alternative — in particolare bias di selezione e fattori confondenti non misurati — prima di attribuire la differenza alla variabile indipendente. Il linguaggio causale è attenuato ('può suggerire', 'è coerente con') a meno che il disegno non includa controlli aggiuntivi che rafforzino l'inferenza causale.
Errori comuni
- Trattare una differenza di gruppo significativa come prova di causalità — riconoscere sempre la natura non sperimentale e le spiegazioni alternative esplicitamente.
- Ignorare la non equivalenza dei gruppi — quando i gruppi di confronto differiscono su più variabili di background, la differenza target è confusa; utilizzare l'appaiamento o l'ANCOVA per affrontare le covariate chiave.
- Invertire causa ed effetto — in alcuni disegni è plausibile che il presunto risultato influenzi effettivamente la variabile di raggruppamento; ragionare attentamente sulla sequenza temporale.
- Utilizzare il disegno quando i gruppi non sono significativamente distinti — confini di gruppo sfocati (ad es. reddito 'alto' vs 'basso' definito in modo vago) aumentano la varianza d'errore e indeboliscono l'inferenza.
- Riportare solo valori p senza dimensioni dell'effetto — una differenza statisticamente significativa tra gruppi ampi può essere praticamente trascurabile; riportare e interpretare sempre la magnitudo dell'effetto.
Domande frequenti
Qual è la differenza tra ricerca causal-comparativa e ricerca correlazionale?
Entrambe sono non sperimentali, ma differiscono per struttura e scopo. La ricerca correlazionale esamina la forza e la direzione di una relazione tra variabili continue all'interno di un singolo gruppo, utilizzando coefficienti come r di Pearson. La ricerca causal-comparativa confronta gruppi discreti e preformati su una variabile dipendente e utilizza statistiche di differenza tra gruppi (t-test, ANOVA). I disegni causal-comparativi sono esplicitamente inquadrati attorno a una presunta relazione causa-effetto tra l'appartenenza al gruppo e un risultato, mentre i disegni correlazionali descrivono l'associazione senza implicare una direzione causa-effetto.
In che modo la ricerca causal-comparativa è diversa dal disegno ex post facto?
I termini sono spesso usati in modo intercambiabile, e in molti libri di testo 'disegno ex post facto' è l'etichetta più vecchia per esattamente lo stesso approccio. Kerlinger originariamente usò 'ex post facto' (latino per 'dopo il fatto') per sottolineare che la variabile indipendente si era già verificata. Successivamente i metodologi, in particolare nell'istruzione, preferirono 'causal-comparativo' per evidenziare la logica del gruppo di confronto. Funzionalmente le due etichette si riferiscono alla stessa famiglia di disegni.
La ricerca causal-comparativa può stabilire la causalità?
No — non con la stessa sicurezza di un vero esperimento. Poiché i partecipanti non sono assegnati casualmente ai gruppi, le differenze preesistenti tra i gruppi (bias di selezione) e le terze variabili non misurate sono sempre spiegazioni alternative plausibili. Il disegno può fornire prove suggestive, che generano ipotesi, di una relazione causale, in particolare quando studi multipli replicano coerentemente il modello, ma è necessario un esperimento controllato per confermare l'affermazione causale.
Quali test statistici sono appropriati?
La scelta dipende dal numero di gruppi e dalla scala di misurazione. Per due gruppi con un risultato continuo, utilizzare un t-test per campioni indipendenti; per tre o più gruppi, ANOVA a una via. Quando si controllano le covariate, utilizzare ANCOVA. Per risultati categorici, utilizzare test chi-quadrato. In tutti i casi, integrare il test di significatività con un indice di dimensione dell'effetto (d di Cohen per i t-test, eta-quadrato o omega-quadrato per ANOVA) per comunicare l'importanza pratica.
Come controllo le variabili confondenti in un disegno causal-comparativo?
Diverse strategie sono disponibili nella fase di disegno o di analisi. Nella fase di disegno, è possibile appaiare i partecipanti tra i gruppi in base a fattori confondenti chiave (ad es. accoppiare ogni partecipante del gruppo di trattamento con un partecipante del gruppo di controllo di età e rendimento precedente simili). Nella fase di analisi, è possibile includere i fattori confondenti come covariate nell'ANCOVA, che aggiusta statisticamente le medie dei gruppi. Nessuno dei due approcci elimina tutti i fattori confondenti, ma entrambi rafforzano sostanzialmente la validità interna del confronto.
Metodi correlati
Fonti
Kerlinger, F. N. (1964). Foundations of Behavioral Research. Holt, Rinehart and Winston.
Apri il riferimento della pubblicazioneCopiato.Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to Design and Evaluate Research in Education (8th ed.). McGraw-Hill.
ISBN: 978-0078097850Copiato.