解释性研究——解释性研究设计
- 提出者
- Formalized by Earl Babbie and Fred Kerlinger among others
- 年份
- 1960s–1980s (codified in behavioral and social science methodology)
- 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
它有什么作用?
解释性研究是一种非实验性的定量研究设计,它超越了对现象的描述,旨在识别其发生的原因——考察解释观察到的模式的关系或机制。它根植于实证主义社会科学方法论,使用理论驱动的假设和统计分析来检验特定变量是否能解释结果的变化,而不一定操纵这些变量。
方法背后的直觉
如果描述性研究回答“发生了什么?”而探索性研究询问“可能发生了什么?”,那么解释性研究则询问“为什么会发生?”。想象一下,你已经确定了学生动机和学业成就之间存在相关性。解释性研究更进一步:它基于动机理论提出一个假设,收集关于拟议的解释性变量(例如,自我效能感、目标导向、父母支持)的数据,并通过统计方法检验这些变量是否能解释成就差异。其目的是建立或验证一个解释——一个因果或关系账户——而不仅仅是描述。
历史学
描述性、探索性和解释性研究目的之间的区别在20世纪60年代至80年代的社会科学方法论教科书中得到了系统化,最著名的是Fred Kerlinger的《行为研究基础》(1964年,1986年修订版)和Earl Babbie的《社会研究实践》(第一版1975年)。这些著作将解释性研究确立为科学探究的第三个也是最雄心勃勃的层次——在描述和探索之后——研究者在此层次上检验关于模式为何存在的理论解释。该框架被广泛应用于社会学、心理学、教育学和管理学研究,至今仍是研究生研究方法课程的核心。
何时使用
当已存在描述性基线,且目标是理解观察到的模式为何或如何出现时,使用解释性研究——检验具体的理论解释,而不仅仅是记录它们。它适用于随机实验不切实际或不道德,且统计控制可以替代实验操纵的情况。当样本量足够大以进行多变量分析,并且有经过验证的解释性结构测量方法时,它是合适的。当现象的理解程度很低,以至于尚不存在可信的理论时(此时应使用探索性研究),当样本量太小以至于无法支持预期的统计模型时,或者当研究问题需要只有对照实验才能提供的因果证明时,则不应使用解释性研究。
局限与注意事项
- 没有随机分配,它无法明确建立因果关系——相关性和统计控制不能替代实验。
- 横断面设计无法排除反向因果关系,也无法建立因果推断所需的变量时间顺序。
- 解释力完全取决于理论框架的质量;即使数据干净,错误指定的模型也会产生误导性结果。
- 解释性变量中的测量误差会减弱回归系数,并可能导致对真实关系的低估。
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
- 将探究从描述提升到检验理论上推导出的现象发生原因。
- 适用于实验操纵不切实际、不道德或不可能的情境。
- 多变量统计控制允许在保持其他变量不变的情况下同时考察多个解释性变量。
- 与大型、有代表性的样本兼容,能够将解释推广到特定人群。
- 累积性:研究结果可以通过荟萃分析整合到不同研究中,以建立更强的解释模型。
应用
- 检验自我效能感、任务价值和父母支持是否共同解释了学生学业成就的方差,同时控制了先前的学业成绩。
- 考察哪些组织因素(领导风格、沟通氛围、角色清晰度)解释了不同部门员工倦怠率的差异。
- 通过检验食物获取、空气质量和社会经济剥夺等解释性变量,调查为什么某些社区的慢性病发病率更高。
- 通过在全国性调查数据集(national survey dataset)中检验人口统计学、态度和结构性预测因素,评估关于选民投票率的竞争性理论解释。
- 分析训练强度、恢复实践和心理准备解释竞技运动员表现差异的路径。
使用方式
使用方式
研究者识别出一个需要解释的现象,并从中推导出关于其发生原因的具体、基于理论的假设。这些假设指明了哪些自变量有望解释因变量的变化,以及变化的方向,这借鉴了先前的文献或已建立的理论框架。
选择一种研究设计,允许在适当的控制下检验这些假设。横断面调查、二手数据集或档案记录是常见的。由于解释性研究通常是非实验性的,研究者使用统计控制(例如,回归分析、协方差分析、路径分析)来分离每个变量的解释性贡献,而不是将参与者随机分配到不同的条件。
从足够大的样本中收集数据,以便能够检测到预期的效应量并支持计划使用的统计技术。优先使用标准化工具、经过验证的量表或行政记录,以最大化测量可靠性。样本的代表性很重要,因为目标是将解释推广到样本之外。
应用推断统计方法——回归分析、结构方程模型、方差分析或中介/调节分析——来检验假设的解释性变量是否能解释结果中的显著方差。除了显著性检验外,还会报告拟合优度统计量、效应量和置信区间。
结果根据原始理论框架进行解释。研究者评估证据是支持、部分支持还是反驳每个假设,讨论替代性解释,承认横断面或非实验性推断的局限性,并将研究发现置于更广泛的文献背景中。
常见陷阱
- 从相关证据中声称因果关系——解释性研究可以支持因果解释,但如果没有实验设计或具有适当时间顺序的纵向数据,则无法证明因果关系。
- 遗漏相关变量——模型中未包含的混淆变量会夸大或缩小包含变量的表观解释性贡献,导致估计偏差。
- 样本量不足——回归和结构方程模型需要相对于预测变量数量的足够样本量;经验法则建议回归分析每预测变量至少有10-20个案例。
- 将统计显著性视为解释重要性的同义词——大样本可能产生显著但微不足道的效应;务必报告和解释效应量。
常见问题
解释性研究与确认性研究有何区别?
这两个术语密切相关,但侧重点不同。解释性研究侧重于目标——理解现象发生的原因——并涵盖从基于回归的调查到路径模型等一系列设计。确认性研究特别强调预先注册的假设检验,其中在数据收集之前就指定了确切的假设、样本量和分析计划,遵循严格的假设确认逻辑。所有确认性研究都具有解释性意图,但并非所有解释性研究都符合确认性研究更严格的协议标准。
解释性研究能否确立因果关系?
非实验性的解释性研究可以提供与因果解释一致的有力证据,特别是当与纵向数据、工具变量或严格的统计控制相结合时,但它无法像随机对照实验那样明确地确立因果关系。研究者必须承认这一局限性,并讨论观察到的关系的其他解释。
解释性研究与探索性研究有何不同?
探索性研究是在对某一现象了解甚少时进行的,目的是产生假设或识别相关变量。解释性研究在探索性研究的基础上进行:它假定已存在足够多的理论基础,并检验关于现象发生原因的具体假设。在实践中,一个研究项目通常在多个研究中从探索性阶段转向解释性阶段。
解释性研究中常见的统计方法有哪些?
多元线性或逻辑回归、分层回归、结构方程模型(SEM)、协方差分析(ANCOVA)、中介和调节分析(例如,PROCESS宏)以及路径分析都是常用的方法。选择哪种方法取决于解释性变量的数量和类型、结果的性质以及是否假设了中介或调节路径。
我需要多大的样本量?
样本量要求取决于统计技术、预测变量的数量和预期的效应量。对于多元回归,一个常见的经验法则是每预测变量10-20个案例;对于结构方程模型,通常引用至少200个案例。强烈建议在数据收集前进行功效分析(例如,使用G*Power),以确保研究能够检测到被检验理论所指定的效应量。
相关方法
参考文献
Kerlinger, F. N. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.
ISBN:978-0030417559已复制。Babbie, E. (2010). The Practice of Social Research (12th ed.). Wadsworth/Cengage Learning.
ISBN:978-0495598428已复制。