Объяснительное исследование — Дизайн объяснительного исследования
- Автор метода
- Formalized by Earl Babbie and Fred Kerlinger among others
- Год
- 1960s–1980s (codified in behavioral and social science methodology)
- Тип
- Non-experimental quantitative research design
- Семейство
- Survey / observational design
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Объяснительное исследование — это неэкспериментальный количественный дизайн исследования, который выходит за рамки описания явления, чтобы определить причины его возникновения, изучая взаимосвязи или механизмы, объясняющие наблюдаемые закономерности.
Основанное на позитивистской методологии социальных наук, оно использует теоретически обоснованные гипотезы и статистический анализ для проверки того, объясняют ли конкретные переменные вариативность исхода, без обязательного манипулирования этими переменными.
Интуиция метода
Если описательное исследование отвечает на вопрос «что происходит?», а разведочное исследование задает вопрос «что может происходить?», то объяснительное исследование спрашивает «почему это происходит?». Представьте, что вы уже установили корреляцию между мотивацией студентов и успеваемостью. Объяснительное исследование идет дальше: оно формулирует гипотезу, основанную на теории мотивации, собирает данные о предполагаемых объясняющих переменных (например, самоэффективность, целевая ориентация, поддержка родителей) и статистически проверяет, объясняют ли эти переменные различия в успеваемости. Цель — построить или проверить объяснение — причинно-следственную или реляционную модель, а не просто описание.
История
Различие между описательными, разведочными и объяснительными целями исследования было систематизировано в учебниках по методологии социальных наук 1960-х–1980-х годов, в частности, в работах Фреда Керлингера «Основы исследований поведения» (1964, перераб. 1986) и Эрла Бэбби «Практика социальных исследований» (первое издание 1975). Эти работы установили объяснительное исследование как третий и наиболее амбициозный уровень научного познания — после описания и исследования — в котором исследователь проверяет теоретическое объяснение причин существования закономерностей. Эта структура была широко принята в социологии, психологии, образовании и управленческих исследованиях и остается центральной в учебных программах по методам исследований для аспирантов.
Когда применять
Используйте объяснительное исследование, когда уже существует описательная база, а цель состоит в понимании причин или механизмов возникновения наблюдаемых закономерностей — тестировании конкретных теоретических объяснений, а не просто их документировании. Оно подходит для ситуаций, когда рандомизированные эксперименты непрактичны или неэтичны, а статистический контроль может заменить экспериментальное вмешательство. Оно уместно, когда размеры выборки достаточны для многомерного анализа и доступны валидированные меры объясняющих конструктов. Не используйте объяснительное исследование, когда явление настолько плохо изучено, что еще не существует достоверной теории (вместо этого используйте разведочное исследование), когда размеры выборки слишком малы для предполагаемой статистической модели, или когда исследовательский вопрос требует причинного доказательства, которое может обеспечить только контролируемый эксперимент.
Ограничения и замечания
- Без рандомизированного распределения невозможно окончательно установить причинно-следственную связь — корреляция и статистический контроль не являются заменой эксперименту.
- Кросс-секционные дизайны не могут исключить обратную причинность или установить временной порядок переменных, необходимый для причинного вывода.
- Объяснительная сила полностью зависит от качества теоретической основы; неправильно специфицированная модель даст вводящие в заблуждение результаты даже при чистых данных.
- Ошибка измерения в объясняющих переменных ослабляет коэффициенты регрессии и может привести к недооценке истинных взаимосвязей.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Переводит исследование за пределы описания к проверке теоретически обоснованных объяснений причин возникновения явлений.
- Применимо в контекстах, где экспериментальное вмешательство непрактично, неэтично или невозможно.
- Многомерные статистические контроли позволяют одновременно изучать несколько объясняющих переменных, удерживая другие постоянными.
- Совместимо с большими, репрезентативными выборками, что позволяет обобщать объяснение на определенную популяцию.
- Кумулятивность: результаты могут быть интегрированы в различных исследованиях посредством мета-анализа для построения более сильных объясняющих моделей.
Применение
- Проверка того, объясняют ли самоэффективность, ценность задачи и поддержка родителей в совокупности вариативность академической успеваемости студентов после контроля предыдущих достижений.
- Изучение того, какие организационные факторы (стиль руководства, климат коммуникации, ясность роли) объясняют различия в уровне выгорания сотрудников между отделами.
- Исследование причин более высоких показателей хронических заболеваний в определенных районах путем проверки объясняющих переменных, таких как доступ к пище, качество воздуха и социально-экономическая депривация.
- Оценка конкурирующих теоретических объяснений явки избирателей путем проверки демографических, аттитюдных и структурных предикторов на основе данных национального опроса.
- Анализ путей, посредством которых интенсивность тренировок, практики восстановления и психологическая готовность объясняют вариативность результатов среди спортсменов-конкурентов.
Как это работает
Как это работает
Исследователь определяет явление, которое требует объяснения, и выводит конкретные, теоретически обоснованные гипотезы о причинах его возникновения. Эти гипотезы определяют, какие независимые переменные, как ожидается, объяснят вариативность зависимой переменной и в каком направлении, опираясь на предыдущую литературу или установленные теоретические рамки.
Выбирается дизайн исследования, который позволяет проверить гипотезы с соответствующими контролями. Часто используются кросс-секционные опросы, вторичные наборы данных или архивные записи. Поскольку объяснительное исследование обычно является неэкспериментальным, исследователь использует статистические контроли (например, регрессионный анализ, ANCOVA, анализ путей) для выделения объясняющего вклада каждой переменной, а не рандомизирует участников по условиям.
Данные собираются из выборки, достаточно большой для обнаружения ожидаемых размеров эффекта и поддержки запланированных статистических методов. Предпочтение отдается стандартизированным инструментам, валидированным шкалам или административным записям для максимизации надежности измерений. Репрезентативность выборки имеет значение, поскольку цель состоит в обобщении объяснения за пределами выборки.
Применяются методы инференциальной статистики — регрессионный анализ, моделирование структурными уравнениями, дисперсионный анализ или анализ медиации/модерации — для проверки того, объясняют ли гипотетические объясняющие переменные значимую вариативность исхода. Наряду с тестами значимости сообщаются статистики соответствия модели, размеры эффекта и доверительные интервалы.
Результаты интерпретируются в свете исходной теоретической основы. Исследователь оценивает, подтверждают ли данные, частично подтверждают или опровергают каждую гипотезу, обсуждает альтернативные объяснения, признает ограничения кросс-секционных или неэкспериментальных выводов и помещает результаты в контекст более широкой литературы.
Частые ошибки
- Утверждение о причинности на основе корреляционных данных — объяснительное исследование может поддерживать причинную интерпретацию, но не может доказать ее без экспериментального дизайна или лонгитюдных данных с правильным временным порядком.
- Пропуск релевантных переменных — смешивающие переменные, оставленные вне модели, увеличивают или уменьшают кажущийся объясняющий вклад включенных переменных, что приводит к смещенным оценкам.
- Недостаточно мощные выборки — регрессия и SEM требуют адекватных размеров выборки относительно числа предикторов; правила гласят, что для регрессии требуется как минимум 10–20 случаев на предиктор.
- Приравнивание статистической значимости к объяснительной важности — большая выборка может дать значимые, но тривиально малые эффекты; всегда сообщайте и интерпретируйте размеры эффекта.
Часто задаваемые вопросы
В чем разница между объяснительным и подтверждающим исследованием?
Термины тесно связаны, но имеют разные акценты. Объяснительное исследование фокусируется на цели — понимании причин возникновения явления — и охватывает ряд дизайнов от регрессионных опросов до моделей путей. Подтверждающее исследование специально подчеркивает предварительно зарегистрированное тестирование гипотез, в котором точные гипотезы, размеры выборки и план анализа специфицируются до сбора данных, следуя логике строгого подтверждения гипотез. Все подтверждающие исследования имеют объяснительный характер, но не все объяснительные исследования соответствуют более строгим протокольным стандартам подтверждающего исследования.
Может ли объяснительное исследование установить причинно-следственную связь?
Неэкспериментальное объяснительное исследование может предоставить убедительные доказательства, соответствующие причинной интерпретации, особенно в сочетании с лонгитюдными данными, инструментальными переменными или строгими статистическими контролирующими факторами, но оно не может окончательно установить причинно-следственную связь так же, как рандомизированный контролируемый эксперимент. Исследователь должен признать это ограничение и обсудить альтернативные объяснения наблюдаемых взаимосвязей.
Чем объяснительное исследование отличается от разведочного?
Разведочное исследование проводится, когда о явлении известно относительно мало, и цель состоит в генерации гипотез или выявлении релевантных переменных. Объяснительное исследование начинается там, где заканчивается разведочное: оно предполагает, что уже существует достаточная теоретическая основа, и проверяет конкретные гипотезы о причинах возникновения явления. На практике исследовательская программа часто переходит от разведочных к объяснительным фазам в рамках нескольких исследований.
Какие статистические методы типичны для объяснительного исследования?
Часто используются множественная линейная или логистическая регрессия, иерархическая регрессия, моделирование структурными уравнениями (SEM), дисперсионный анализ (ANCOVA), анализ медиации и модерации (например, макрос PROCESS) и анализ путей. Выбор зависит от количества и типа объясняющих переменных, природы исхода и того, гипотезируются ли медиативные или модерационные пути.
Насколько велика выборка мне нужна?
Требования к размеру выборки зависят от статистического метода, количества предикторов и ожидаемого размера эффекта. Для множественной регрессии распространенным эвристическим правилом является 10–20 случаев на переменную-предиктор; для SEM часто упоминается минимум 200 случаев. Настоятельно рекомендуется провести анализ мощности (например, с помощью G*Power) до сбора данных, чтобы убедиться, что исследование может обнаружить размеры эффекта, указанные проверяемой теорией.
Похожие методы
Источники
Kerlinger, F. N. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.
ISBN: 978-0030417559Скопировано.Babbie, E. (2010). The Practice of Social Research (12th ed.). Wadsworth/Cengage Learning.
ISBN: 978-0495598428Скопировано.