Przejdź do treści
Wróć do wyników wyszukiwania

Badania wyjaśniające — Projekt badań wyjaśniających

Autor metody
Formalized by Earl Babbie and Fred Kerlinger among others
Rok
1960s–1980s (codified in behavioral and social science methodology)
Typ
Non-experimental quantitative research design
Rodzina
Survey / observational design

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Badania wyjaśniające to nieeksperymentalny, ilościowy projekt badawczy, który wykracza poza opis zjawiska, identyfikując przyczyny jego występowania — badając zależności lub mechanizmy odpowiadające za obserwowane wzorce.

Zakorzenione w pozytywistycznej metodologii nauk społecznych, wykorzystują one hipotezy oparte na teorii i analizę statystyczną do testowania, czy określone zmienne wyjaśniają zmienność w wyniku, bez konieczności manipulowania tymi zmiennymi.

Intuicja stojąca za metodą

Jeśli badania opisowe odpowiadają na pytanie „co się dzieje?”, a badania eksploracyjne pytają „co może się dziać?”, to badania wyjaśniające pytają „dlaczego to się dzieje?”. Wyobraźmy sobie, że już ustalono korelację między motywacją studentów a ich osiągnięciami akademickimi. Badania wyjaśniające idą dalej: formułują hipotezę opartą na teorii motywacji, zbierają dane dotyczące proponowanych zmiennych wyjaśniających (np. poczucie własnej skuteczności, orientacja na cel, wsparcie rodzicielskie) i statystycznie testują, czy te zmienne odpowiadają za różnice w osiągnięciach. Celem jest zbudowanie lub weryfikacja wyjaśnienia — przyczynowego lub relacyjnego — a nie jedynie opisu.

Historia

Rozróżnienie między celami badań opisowych, eksploracyjnych i wyjaśniających zostało usystematyzowane w podręcznikach metodologii nauk społecznych z lat 60. do 80. XX wieku, w szczególności w „Foundations of Behavioral Research” Freda Kerlingera (1964, wyd. popr. 1986) i „The Practice of Social Research” Earla Babbiego (pierwsze wydanie 1975). Prace te ustanowiły badania wyjaśniające jako trzeci i najbardziej ambitny poziom dociekań naukowych — po opisie i eksploracji — w którym badacz testuje teoretyczne wyjaśnienie przyczyn istnienia wzorców. Ramy te zostały szeroko przyjęte w socjologii, psychologii, edukacji i badaniach zarządzania i pozostają centralnym elementem programów nauczania metod badawczych na studiach magisterskich.

Kiedy stosować

Badania wyjaśniające należy stosować, gdy istnieje już opisowa podstawa, a celem jest zrozumienie, dlaczego lub w jaki sposób powstają obserwowane wzorce — testowanie konkretnych wyjaśnień teoretycznych, a nie jedynie ich dokumentowanie. Nadają się do sytuacji, w których randomizowane eksperymenty są niepraktyczne lub nieetyczne, a kontrola statystyczna może zastąpić manipulację eksperymentalną. Są odpowiednie, gdy wielkość próby jest wystarczająco duża do analizy wielowymiarowej i gdy dostępne są zwalidowane miary konstruktów wyjaśniających. Nie należy stosować badań wyjaśniających, gdy zjawisko jest tak słabo poznane, że nie istnieje jeszcze wiarygodna teoria (zamiast tego należy użyć badań eksploracyjnych), gdy wielkość próby jest zbyt mała dla zamierzonego modelu statystycznego lub gdy pytanie badawcze wymaga dowodu przyczynowego, który może zapewnić jedynie kontrolowany eksperyment.

Ograniczenia i uwagi

  • Bez losowego przypisania nie można definitywnie ustalić przyczynowości — korelacja i kontrola statystyczna nie zastępują eksperymentowania.
  • Projekty przekrojowe nie mogą wykluczyć odwróconej przyczynowości ani ustalić porządku czasowego zmiennych wymaganego do wnioskowania przyczynowego.
  • Moc wyjaśniająca zależy całkowicie od jakości ram teoretycznych; błędnie specyfikowany model da mylące wyniki nawet przy czystych danych.
  • Błąd pomiaru w zmiennych wyjaśniających osłabia współczynniki regresji i może prowadzić do niedoszacowania prawdziwych zależności.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Przenosi dociekania poza opis, aby testować wyprowadzone teoretycznie wyjaśnienia przyczyn występowania zjawisk.
  • Ma zastosowanie w kontekstach, gdzie manipulacja eksperymentalna jest niepraktyczna, nieetyczna lub niemożliwa.
  • Wielowymiarowe kontrole statystyczne pozwalają na jednoczesne badanie wielu zmiennych wyjaśniających, przy jednoczesnym utrzymaniu innych stałych.
  • Kompatybilne z dużymi, reprezentatywnymi próbami, umożliwiając uogólnienie wyjaśnienia na określoną populację.
  • Kumulatywne: wyniki mogą być integrowane w różnych badaniach poprzez metaanalizę w celu budowania silniejszych modeli wyjaśniających.

Zastosowania

  • Testowanie, czy poczucie własnej skuteczności, wartość zadania i wsparcie rodzicielskie wspólnie wyjaśniają zmienność osiągnięć akademickich studentów po kontroli wcześniejszych osiągnięć.
  • Badanie, które czynniki organizacyjne (styl przywództwa, klimat komunikacji, klarowność ról) odpowiadają za różnice w wskaźnikach wypalenia zawodowego pracowników w różnych działach.
  • Badanie, dlaczego w niektórych dzielnicach występują wyższe wskaźniki chorób przewlekłych, poprzez testowanie zmiennych wyjaśniających, takich jak dostęp do żywności, jakość powietrza i deprywacja społeczno-ekonomiczna.
  • Ocena konkurencyjnych wyjaśnień teoretycznych frekwencji wyborczej poprzez testowanie predyktorów demograficznych, postawowych i strukturalnych w krajowym zbiorze danych ankietowych.
  • Analiza ścieżek, poprzez które intensywność treningu, praktyki regeneracyjne i gotowość psychologiczna wyjaśniają zmienność wyników wśród sportowców wyczynowych.

Jak to działa

Jak to działa

1

Badacz identyfikuje zjawisko wymagające wyjaśnienia i wyprowadza szczegółowe, oparte na teorii hipotezy dotyczące przyczyn jego występowania. Hipotezy te precyzują, które zmienne niezależne mają wyjaśniać zmienność zmiennej zależnej i w jakim kierunku, czerpiąc z wcześniejszej literatury lub ustalonych ram teoretycznych.

2

Wybierany jest projekt badawczy, który umożliwia testowanie hipotez z odpowiednimi kontrolami. Powszechne są badania przekrojowe, wtórne zbiory danych lub archiwalne zapisy. Ponieważ badania wyjaśniające są zazwyczaj nieeksperymentalne, badacz stosuje kontrole statystyczne (np. regresję, ANCOVA, analizę ścieżek) w celu wyizolowania wkładu wyjaśniającego każdej zmiennej, zamiast losowo przydzielać uczestników do warunków.

3

Dane są zbierane z próby wystarczająco dużej, aby wykryć oczekiwane wielkości efektu i wspierać planowane techniki statystyczne. Preferowane są standaryzowane instrumenty, zwalidowane skale lub dane administracyjne w celu maksymalizacji rzetelności pomiaru. Reprezentatywność próby ma znaczenie, ponieważ celem jest uogólnienie wyjaśnienia poza próbę.

4

Stosuje się inferencyjne metody statystyczne — analizę regresji, modelowanie równań strukturalnych, analizę wariancji lub analizę mediacji/moderacji — aby sprawdzić, czy hipotetyczne zmienne wyjaśniające odpowiadają za istotną wariancję w wyniku. Obok testów istotności raportowane są statystyki dopasowania modelu, wielkości efektu i przedziały ufności.

5

Wyniki są interpretowane w świetle oryginalnych ram teoretycznych. Badacz ocenia, czy dowody potwierdzają, częściowo potwierdzają, czy obalają każdą hipotezę, omawia alternatywne wyjaśnienia, uznaje ograniczenia wnioskowania przekrojowego lub nieeksperymentalnego oraz umieszcza wyniki w szerszej literaturze.

Częste pułapki

  • Twierdzenie o przyczynowości na podstawie dowodów korelacyjnych — badania wyjaśniające mogą wspierać interpretację przyczynową, ale nie mogą jej udowodnić bez projektu eksperymentalnego lub danych podłużnych z odpowiednim porządkiem czasowym.
  • Pomijanie istotnych zmiennych — zmienne zakłócające pominięte w modelu zawyżają lub zaniżają pozorny wkład wyjaśniający zmiennych uwzględnionych, prowadząc do obciążonych oszacowań.
  • Próby o zbyt małej mocy — regresja i SEM wymagają odpowiedniej wielkości próby w stosunku do liczby predyktorów; reguły kciuka sugerują co najmniej 10–20 przypadków na predyktor dla regresji.
  • Traktowanie istotności statystycznej jako synonimu ważności wyjaśniającej — duża próba może dać istotne, ale trywialnie małe efekty; zawsze należy raportować i interpretować wielkości efektu.

Najczęściej zadawane pytania

Jaka jest różnica między badaniami wyjaśniającymi a konfirmacyjnymi?

Terminy te są ściśle powiązane, ale mają różne akcenty. Badania wyjaśniające koncentrują się na celu — zrozumieniu, dlaczego zjawisko występuje — i obejmują szereg projektów, od ankiet opartych na regresji po modele ścieżkowe. Badania konfirmacyjne (potwierdzające) kładą szczególny nacisk na wstępnie zarejestrowane testowanie hipotez, w którym dokładne hipotezy, wielkości próby i plan analizy są określone przed zbieraniem danych, zgodnie z logiką ścisłego potwierdzania hipotez. Wszystkie badania konfirmacyjne mają charakter wyjaśniający, ale nie wszystkie badania wyjaśniające spełniają bardziej rygorystyczne standardy protokołu badań konfirmacyjnych.

Czy badania wyjaśniające mogą ustalić przyczynowość?

Nieeksperymentalne badania wyjaśniające mogą dostarczyć silnych dowodów zgodnych z interpretacją przyczynową, zwłaszcza w połączeniu z danymi podłużnymi, zmiennymi instrumentalnymi lub rygorystycznymi kontrolami statystycznymi, ale nie mogą definitywnie ustalić przyczynowości w taki sam sposób, jak randomizowany eksperyment kontrolowany. Badacz musi uznać to ograniczenie i omówić alternatywne wyjaśnienia dla obserwowanych zależności.

Czym różnią się badania wyjaśniające od badań eksploracyjnych?

Badania eksploracyjne są prowadzone, gdy stosunkowo niewiele wiadomo o zjawisku, a celem jest generowanie hipotez lub identyfikacja istotnych zmiennych. Badania wyjaśniające zaczynają się tam, gdzie kończy się eksploracja: zakładają, że istnieje już wystarczająca podstawa teoretyczna i testują konkretne hipotezy dotyczące przyczyn występowania zjawiska. W praktyce program badawczy często przechodzi od fazy eksploracyjnej do wyjaśniającej w ramach wielu badań.

Jakie metody statystyczne są typowe w badaniach wyjaśniających?

Powszechnie stosuje się wielokrotną regresję liniową lub logistyczną, regresję hierarchiczną, modelowanie równań strukturalnych (SEM), analizę kowariancji (ANCOVA), analizę mediacji i moderacji (np. makro PROCESS) oraz analizę ścieżek. Wybór zależy od liczby i typu zmiennych wyjaśniających, charakteru wyniku oraz tego, czy hipotetyzowane są ścieżki mediacyjne lub moderacyjne.

Jak dużej próby potrzebuję?

Wymagania dotyczące wielkości próby zależą od techniki statystycznej, liczby predyktorów i oczekiwanej wielkości efektu. Dla regresji wielokrotnej powszechną heurystyką jest 10–20 przypadków na zmienną predykcyjną; dla SEM często cytuje się minimum 200 przypadków. Zdecydowanie zaleca się analizę mocy (np. za pomocą G*Power) przed zbieraniem danych, aby upewnić się, że badanie może wykryć wielkości efektu określone przez testowaną teorię.

Pokrewne metody

Źródła

  1. Kerlinger, F. N. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.

    ISBN: 978-0030417559
    Skopiowano.
  2. Babbie, E. (2010). The Practice of Social Research (12th ed.). Wadsworth/Cengage Learning.

    ISBN: 978-0495598428
    Skopiowano.