Badanie korelacyjne — Badania korelacyjne
- Autor metody
- Established in educational and social science research methodology; systematised by Fraenkel & Wallen and others
- Rok
- Mid-20th century onward (systematised ~1960s–1990s)
- Typ
- Quantitative non-experimental survey design
- Rodzina
- Survey / observational design
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Badania korelacyjne to ilościowy, nieeksperymentalny projekt badawczy, który gromadzi ustrukturyzowane dane samoopisowe od próby i bada statystyczne związki między dwiema lub więcej zmiennymi.
W przeciwieństwie do badań czysto opisowych, które jedynie charakteryzują rozkłady, badania korelacyjne pytają, czy i jak silnie zmienne współwystępują — dostarczając dowodów na istnienie związków bez manipulowania warunkami lub ustalania przyczynowości.
Intuicja stojąca za metodą
Proszę myśleć o badaniu korelacyjnym jako o robieniu migawki grupy w jednym punkcie czasowym, a następnie pytaniu: czy osoby, które uzyskują wyższe wyniki w zmiennej A, mają tendencję do uzyskiwania wyższych (lub niższych) wyników w zmiennej B? Na przykład badacz może poddać studentów uniwersytetu walidowanym skalom motywacji akademickiej i wykorzystania technologii, a następnie obliczyć współczynniki korelacji, aby zobaczyć, które aspekty motywacji najkonsekwentniej współwystępują z różnymi formami wykorzystania technologii. Projekt nie ingeruje; obserwuje i kwantyfikuje współwystępowanie.
Historia
Projekt badania korelacyjnego wyłonił się z szerszej tradycji badań ankietowych, która ukształtowała się w naukach społecznych na początku do połowy XX wieku. Jego skupienie na związkach między zmiennymi wywodzi się bezpośrednio z rozwoju współczynnika korelacji przez Karla Pearsona w latach 90. XIX wieku i z ekspansji regresji wielokrotnej w połowie XX wieku. Szeroko stosowane podręczniki badań edukacyjnych Fraenkela i Wallena od lat 90. XX wieku formalizowały badanie korelacyjne jako odrębny typ projektu, odróżniając je z jednej strony od badań czysto opisowych, a z drugiej od projektów przyczynowo-porównawczych.
Kiedy stosować
Użyj badania korelacyjnego, gdy celem jest kwantyfikacja związków między zmiennymi w naturalnie występującej grupie bez eksperymentalnej manipulacji czymkolwiek — na przykład, badanie powiązań między cechami osobowości a osiągnięciami akademickimi, lub między klimatem organizacyjnym a dobrostanem pracowników. Projekt jest odpowiedni, gdy zbieranie danych przekrojowych samoopisowych jest wykonalne i gdy pytania badawcze są formułowane jako „Czy X jest związane z Y?” lub „Jak dobrze X przewiduje Y?”. Nie używaj go, gdy celem jest ustalenie kierunku przyczynowego (rozważ projekt podłużny lub eksperymentalny) lub gdy interesujący konstrukt nie może być prawidłowo uchwycony przez skalę kwestionariuszową. Unikaj go, gdy wielkość próby spada poniżej ~50, ponieważ oszacowania korelacji stają się niestabilne i mylące przy bardzo małym N.
Ograniczenia i uwagi
- Nie może ustalić kierunku przyczynowego — korelacja między X a Y jest równie spójna z tym, że X powoduje Y, Y powoduje X, lub trzecia zmienna powoduje oba.
- Wyniki są tylko tak trafne, jak użyte narzędzia; słaba rzetelność skali lub trafność konstruktu podważa wszystkie analizy pochodne.
- Wariancja wspólnej metody jest zagrożeniem, gdy zarówno zmienne predykcyjne, jak i wynikowe są mierzone tym samym narzędziem samoopisowym w tym samym czasie.
- Przekrojowe badania korelacyjne nie mogą uchwycić zmian w czasie ani trendów rozwojowych.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Efektywne badanie wielu związków zmiennych w jednym wysiłku zbierania danych.
- Produkuje standaryzowane, łatwe do powtórzenia i porównania ilościowe oszacowania wielkości efektu.
- Dobrze wspierane przez ugruntowane narzędzia statystyczne (korelacja, regresja, analiza ścieżkowa, SEM).
- Nadaje się do dużych, geograficznie rozproszonych prób poprzez administrację online lub papierową.
- Może stanowić podstawę do późniejszych badań eksperymentalnych lub podłużnych.
Zastosowania
- Badanie związku między samooceną studentów, motywacją i osiągnięciami akademickimi w badaniach edukacyjnych.
- Badanie związków między satysfakcją z pracy, zaangażowaniem organizacyjnym a intencją odejścia w psychologii organizacji.
- Badanie powiązań między zachowaniami zdrowotnymi (dieta, ćwiczenia, sen) a samoopisywanym dobrostanem w badaniach zdrowia publicznego.
- Ocena, jak style rodzicielskie współwystępują z wynikami społeczno-emocjonalnymi dzieci w badaniach rozwojowych.
- Badanie związków między postawami wobec adopcji technologii a wzorcami jej wykorzystania w badaniach systemów informatycznych.
Jak to działa
Jak to działa
Badacz określa co najmniej dwa konstrukcje, których związki są przedmiotem zainteresowania, i formułuje pytania badawcze lub hipotezy dotyczące oczekiwanego kierunku i wielkości związków. Koncepcyjna lub teoretyczna rama zazwyczaj kieruje tym, które zmienne są uwzględniane i czy którekolwiek są traktowane jako predyktory w stosunku do zmiennych wynikowych.
W celu liczbowego zmierzenia każdej zmiennej wybiera się lub opracowuje walidowane kwestionariusze, skale ocen lub standaryzowane narzędzia. Przed głównym zbieraniem danych przeprowadza się testy pilotażowe i sprawdzanie rzetelności (np. alfa Cronbacha), aby potwierdzić, że skale działają odpowiednio w badanej populacji.
Badanie przeprowadza się na reprezentatywnej lub celowej próbie, zazwyczaj w jednej fali zbierania danych (przekrojowo), chociaż badania korelacyjne mogą być również osadzone w projektach podłużnych. Odpowiednią wielkość próby oblicza się z góry za pomocą analizy mocy, przy czym większość projektów opartych na korelacji wymaga co najmniej 50–100 uczestników do wiarygodnego wykrycia umiarkowanych wielkości efektu.
Związki dwuzmienne szacuje się za pomocą współczynników korelacji (r Pearsona dla zmiennych ciągłych, rho Spearmana dla danych porządkowych lub nienormalnych). Gdy zaangażowanych jest wiele zmiennych predykcyjnych, regresja wielokrotna lub analiza ścieżkowa rozszerza ramy korelacyjne, aby ocenić unikalne wkłady i kontrolować czynniki zakłócające.
Wielkości efektu (r, R², współczynniki beta) i przedziały ufności są raportowane obok istotności statystycznej. Badacz interpretuje praktyczne znaczenie związków, przyznaje, że dowody korelacyjne nie mogą ustalić przyczynowości, i umieszcza wyniki w kontekście wcześniejszej literatury i ram teoretycznych.
Częste pułapki
- Interpretowanie statystycznie istotnej korelacji jako dowodu przyczynowości — dowody z badań korelacyjnych są jedynie dowodami stowarzyszeniowymi; twierdzenia przyczynowe wymagają projektów eksperymentalnych lub silnych projektów quasi-eksperymentalnych.
- Zaniedbanie analizy mocy — badania z mniejszą liczbą uczestników niż 50 rutynowo dają oszacowania korelacji z przedziałami ufności tak szerokimi, że są praktycznie nieinterpretowalne.
- Używanie jednego zestawu badań do pomiaru zarówno zmiennych predykcyjnych, jak i kryterialnych bez zajmowania się błędem wspólnej metody — rozważ projekty z opóźnieniem czasowym lub środki proceduralne, takie jak równoważenie kolejności skal.
- Traktowanie macierzy korelacji jako modelu przyczynowego bez dodatkowego uzasadnienia teoretycznego lub statystycznego dla kierunkowości.
Najczęściej zadawane pytania
Jaka jest minimalna wielkość próby dla badania korelacyjnego?
Nie ma jednej zasady, ale jako praktyczny punkt odniesienia wielu metodologów zaleca co najmniej 50 uczestników do uzyskania stosunkowo stabilnego oszacowania korelacji dwuzmiennej, a 100 lub więcej, gdy planowana jest regresja wielokrotna. Formalna odpowiedź polega na przeprowadzeniu analizy mocy a priori, określając oczekiwaną wielkość efektu, pożądaną moc (zazwyczaj 0,80) i poziom alfa (0,05); da to minimalne N potrzebne do wykrycia hipotetyzowanego związku.
Czy mogę użyć badania korelacyjnego do przetestowania modelu przyczynowego?
Badanie korelacyjne może przetestować, czy wzorzec korelacji jest zgodny z modelem przyczynowym (przy użyciu analizy ścieżkowej lub SEM), ale nie może potwierdzić kierunku przyczynowego. Modelowanie równań strukturalnych z danymi z badań korelacyjnych może wykluczyć modele, które są niezgodne z danymi, ale twierdzenia przyczynowe nadal wymagają manipulacji eksperymentalnej, eksperymentów naturalnych lub projektów podłużnych z pierwszeństwem czasowym.
Czym badanie korelacyjne różni się od prostego badania opisowego?
Badanie opisowe charakteryzuje rozkład jednej lub więcej zmiennych w próbie — średnie, częstości, proporcje. Badanie korelacyjne idzie dalej, badając statystycznie, czy i jak silnie zmienne są ze sobą powiązane. Oba mogą wykorzystywać te same dane z kwestionariusza; różnica polega na zadawanych pytaniach badawczych i stosowanych technikach analitycznych.
Jakiego współczynnika korelacji należy użyć?
r Pearsona jest odpowiedni, gdy obie zmienne są ciągłe i w przybliżeniu normalnie rozłożone. rho Spearmana jest preferowane dla zmiennych porządkowych lub gdy rozkłady są znacznie skośne. tau Kendalla jest alternatywą dla danych porządkowych z wieloma powiązanymi rangami. Dla zmiennych binarnych lub dychotomicznych standardowymi wyborami są współczynniki punktowo-dwuseryjne lub fi.
Jak poradzić sobie z błędem wspólnej metody w badaniu korelacyjnym?
Błąd wspólnej metody powstaje, gdy dane predykcyjne i wynikowe pochodzą od tego samego respondenta w tym samym czasie. Środki proceduralne obejmują rozdzielenie okazji pomiarowych (projekt z opóźnieniem czasowym), użycie różnych formatów odpowiedzi i zrównoważenie kolejności skal. Środki statystyczne obejmują test jednego czynnika Harmona i technikę zmiennej markerowej, chociaż żadna z nich nie eliminuje problemu całkowicie.
Pokrewne metody
Źródła
Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2009). How to Design and Evaluate Research in Education (8th ed.). McGraw-Hill.
ISBN: 978-0073525748Skopiowano.Creswell, J. W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (4th ed.). Sage Publications.
ISBN: 978-1452226101Skopiowano.