Skip to content
返回搜索结果

因果比较研究 — 回顾性分组比较设计

提出者
Fred N. Kerlinger
年份
1964
类型
Non-experimental quantitative research design
类别
Survey / observational design

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

因果比较研究是一种非实验性的定量设计,研究者将两个或多个已在某个自变量上存在差异的组进行比较——该自变量未被操纵——以探究该差异的可能原因或后果。由于分组是预先存在的而非随机分配的,该设计可以提示因果关系,但无法像真实验那样确定地建立因果关系。当实验操纵不切实际或不道德时,它被广泛应用于教育、心理学和社会科学领域。

方法背后的直觉

假设您想知道父母吸烟是否会影响儿童的肺活量。您无法将儿童随机分配到吸烟或不吸烟的家庭,因此您转而识别父母已经吸烟或不吸烟的儿童群体,并比较他们的肺功能。这就是因果比较研究的逻辑:‘原因’已在现实世界中发生,您正在回顾以查看它是否与结果的差异相关。该设计在结构上类似于实验——分组、测量结果、比较——但缺乏使因果关系确定的随机分配。

历史学

因果比较研究的逻辑由Fred N. Kerlinger在其里程碑式的著作《行为研究基础》(Foundations of Behavioral Research, 1964)中形式化,他称之为“事后”(ex post facto)研究,即对已发生的事件进行系统调查以确定可能的原因。该设计更早的根源可追溯到农业和流行病学中对预先形成群体的比较研究。到20世纪70-80年代,它成为教育研究方法教科书的标准组成部分,特别是Gay(1976)以及后来的Fraenkel和Wallen,巩固了其作为无法进行操纵时的首选非实验设计的地位。

何时使用

当您想探究某个变量的可能原因或后果,而该变量又无法在道德上或实践上进行操纵时——例如性别、残疾状况、社会经济背景或过去事件的暴露——请使用因果比较研究。当分组是自然形成的,并且可以收集有意义的因变量数据时,该研究是适用的。它适合教育、健康和社会科学中描述性到解释性的研究目标。当您可以进行具有随机分配的真实验时,请勿使用它——实验提供更强的因果证据。当各组在主要混淆因素上无法有意义地等同时,当分组的界限模糊不清时,或当研究问题需要前瞻性地追踪随时间的变化时(请改用纵向研究),请避免使用它。

局限与注意事项

  • 由于分组不是随机分配的,因此无法确定地建立因果关系——选择偏差和混淆变量仍然是可能的替代解释。
  • 因果关系的方向不明确:假定的原因和结果可能颠倒,或者第三个变量可能同时导致两者。
  • 各组可能在未测量的变量上存在差异,这些变量解释了观察到的差异,使得统计控制不完全。
  • 回顾性性质意味着研究者无法控制自变量在过去是如何经历或测量的。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 允许在实验操纵不道德或不可能的情况下探究因果假设。
  • 比纵向实验更有效且成本更低;数据通常已存在。
  • 产生对自然形成群体进行量化、统计上可检验的比较。
  • 产生效应量,除了统计显著性外,还能告知实际意义。
  • 可作为初步设计,以证明后续实验的必要性。

应用

  • 比较上过学前班的学生和未上过学前班的学生在学业成就上的差异。
  • 在无实验分配的情况下,检查吸烟者和非吸烟者在健康结果上的差异。
  • 调查中学生在数学自我效能感方面是否存在性别差异。
  • 比较不同教育背景的员工在工作满意度上的差异。
  • 评估双语家庭长大的儿童在认知灵活性方面是否与单语同龄人不同。
  • 探讨城市与农村学校地点是否与教师保留率的差异相关。

使用方式

使用方式

1

研究者识别自变量——一个预先存在的特征,如性别、社会经济地位、教育水平或生活事件——并定义至少两个在该变量上存在差异的组。比较变量必须已经自然发生;它从不被研究者操纵。

2

理想情况下,通过概率抽样从每个预先形成的小组中选择参与者,以支持泛化。各组在自变量以外的所有特征上应尽可能相似,因此研究者在设计阶段通过匹配或控制来处理可能的混淆因素(例如,年龄、先前的成就、收入水平)。

3

使用相同的工具和程序从所有组收集因变量的数据。常见的数据来源包括标准化考试成绩、调查问卷回复、行政记录或物理测量。由于原因已经发生,数据收集是回顾性的或并发的——而非前瞻性的。

4

使用适当的推断统计方法比较各组因变量的组均值(或比例、秩)——通常是独立样本t检验、单因素方差分析、协方差分析(ANCOVA,用于控制协变量)或卡方检验,具体取决于测量尺度。效应量(Cohen's d、eta-squared)应伴随显著性检验。

5

对统计学上显著的组间差异的解释应谨慎。在将差异归因于自变量之前,研究者会考虑替代性解释——特别是选择偏差和未测量的混淆因素。除非设计包含能加强因果推断的额外控制措施,否则因果语言应有所保留(例如,“可能提示”、“与...一致”)

常见陷阱

  • 将显著的组间差异视为因果关系的证据——始终明确承认非实验性质和替代性解释。
  • 忽略分组不均等——当比较组在多个背景变量上存在差异时,目标差异被混淆;使用匹配或协方差分析来处理关键协变量。
  • 因果颠倒——在某些设计中,假定的结果实际上可能影响分组变量;仔细考虑时间顺序。
  • 在分组不具有有意义的区分度时使用该设计——模糊的分组界限(例如,对‘高’与‘低’收入的定义模糊)会增加误差方差并削弱推断。
  • 仅报告p值而忽略效应量——大样本之间统计学上的显著差异可能在实践中微不足道;始终报告并解释效应的大小。

常见问题

因果比较研究与相关研究有何区别?

两者都是非实验性的,但它们在结构和目的上有所不同。相关研究在一个群体内,使用Pearson r等系数,检验连续变量之间关系的强度和方向。因果比较研究则在一个因变量上比较离散的、预先形成的分组,并使用组间差异统计(t检验、方差分析)。因果比较设计明确围绕分组成员资格与结果之间假定的因果关系来构建,而相关设计则描述关联而不暗示因果方向。

因果比较研究与事后设计有何不同?

这两个术语经常互换使用,在许多教科书中,“事后设计”是完全相同的方法的旧称。Kerlinger最初使用“事后”(拉丁语意为“事后”)来强调自变量已经发生。后来,方法学家,特别是在教育领域,更倾向于使用“因果比较”来突出比较分组的逻辑。在功能上,这两个标签指的是同一类设计。

因果比较研究能否建立因果关系?

不能——不像真实验那样有信心。由于参与者不是随机分配到各组的,各组之间预先存在的差异(选择偏差)和未测量的第三变量始终是可能的替代解释。该设计可以提供提示性的、产生假设的因果关系证据,特别是当多项研究一致重复该模式时,但需要对照实验来证实因果主张。

哪些统计检验是合适的?

选择取决于组的数量和测量尺度。对于具有连续结果的两个组,使用独立样本t检验;对于三个或更多组,使用单因素方差分析。在控制协变量时,使用协方差分析。对于分类结果,使用卡方检验。在所有情况下,都应在显著性检验的基础上补充效应量指标(t检验用Cohen's d,方差分析用eta-squared或omega-squared),以传达实际重要性。

如何在因果比较设计中控制混淆变量?

在设计或分析阶段有几种策略可用。在设计阶段,您可以根据关键混淆因素匹配参与者(例如,将每个处理组的参与者与具有相似年龄和先前成就的对照组参与者配对)。在分析阶段,您可以将混淆因素作为协变量纳入协方差分析,它会在统计上调整组均值。这两种方法都不能消除所有混淆,但都能显著加强比较的内部效度。

相关方法

参考文献

  1. Kerlinger, F. N. (1964). Foundations of Behavioral Research. Holt, Rinehart and Winston.

    打开出版物文献
    已复制。
  2. Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to Design and Evaluate Research in Education (8th ed.). McGraw-Hill.

    ISBN:978-0078097850
    已复制。