关系调查 — 关系调查研究
- 提出者
- Established in educational and social science research methodology; systematised by Fraenkel & Wallen and others
- 年份
- Mid-20th century onward (systematised ~1960s–1990s)
- 类型
- Quantitative non-experimental survey 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?
关系调查研究是一种定量的、非实验性的设计,它从样本中收集结构化的自我报告数据,并考察两个或多个变量之间的统计关联。与仅仅描述分布的纯粹描述性调查不同,关系调查询问变量是否以及在多大程度上共同变化——在不操纵条件或建立因果关系的情况下提供关系证据。
方法背后的直觉
可以将关系调查视为在某个时间点对一个群体进行快照,然后询问:变量A得分较高的人是否也倾向于在变量B上得分较高(或较低)?例如,研究人员可以对大学生进行学术动机和技术使用经过验证的量表测试,然后计算相关系数,以了解动机的哪些方面与不同形式的技术使用最持续地共同变化。该设计不进行干预;它观察并量化共同变化。
历史学
关系调查设计源于更广泛的调查研究传统,该传统在二十世纪初至中期在社会科学领域成形。其对变量间关系的关注直接源于卡尔·皮尔逊(Karl Pearson)在19世纪90年代对相关系数的开发以及二十世纪中期对多元回归的扩展。Fraenkel和Wallen自20世纪90年代以来广为使用的教育研究教科书将关系调查正式确立为一种独特的设计类型,将其与纯粹的描述性调查和因果比较设计区分开来。
何时使用
当目标是在一个自然形成的群体中量化变量之间的关联,而不对任何事物进行实验性操纵时,请使用关系调查——例如,探索人格特质与学业成绩之间的联系,或组织气候与员工福祉之间的联系。当横断面、自我报告数据收集是可行的,并且研究问题被表述为“X是否与Y相关?”或“X在多大程度上预测Y?”时,该设计是合适的。当目的是建立因果方向(考虑纵向或实验设计)或当感兴趣的构念无法通过问卷量表有效捕捉时,请勿使用它。当样本量低于约50时,请避免使用,因为在非常小的N下,相关性估计会变得不稳定且具有误导性。
局限与注意事项
- 无法建立因果方向——X和Y之间的相关性与X导致Y、Y导致X或第三个变量导致两者都一样一致。
- 结果的有效性仅取决于所使用的工具;量表信度或构念效度差会破坏所有下游分析。
- 当预测变量和结果变量都来自同一自我报告工具且在同一时间测量时,共同方法方差是一个威胁——考虑时间滞后设计或程序性补救措施,如平衡量表顺序。
- 横断面关系调查无法捕捉随时间的变化或发展趋势。
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
- 在一次数据收集工作中有效检查多个变量关系。
- 产生标准化、易于复制和比较的定量效应量估计值。
- 得到成熟的统计工具(相关、回归、路径分析、SEM)的有力支持。
- 通过在线或纸质管理,适合大规模、地理上分散的样本。
- 可以为后续的实验或纵向追踪研究奠定基础。
应用
- 在教育研究中检查学生自我效能感、动机和学业成绩之间的关系。
- 在组织心理学中调查工作满意度、组织承诺和离职意向之间的关联。
- 在公共卫生调查中探索健康行为(饮食、运动、睡眠)与自我报告的福祉之间的联系。
- 在发展研究中评估养育方式与儿童社会情感结果的共同变化情况。
- 在信息系统研究中研究技术采纳态度与使用模式之间的关系。
使用方式
使用方式
研究人员指定至少两个他们感兴趣其关系的构念,并就预期的关联方向和幅度制定研究问题或假设。概念性或理论性框架通常指导包含哪些变量以及是否将任何变量视为预测变量或结果变量。
选择或开发经过验证的问卷、评定量表或标准化工具来以数值方式测量每个变量。在主要数据收集之前进行试点测试和信度检查(例如,Cronbach's α),以确认量表在目标人群中的表现是否足够。
该调查通常以单次数据收集波(横断面)的形式对代表性或目的性样本进行管理,尽管关系调查也可以嵌入纵向设计中。通常使用功效分析提前计算足够的样本量,大多数基于相关性的设计需要至少50-100名参与者才能可靠地检测到中等效应量。
使用相关系数(连续变量的Pearson's r,有序变量或非正态数据的Spearman's rho)来估计二元关联。当涉及多个预测变量时,多元回归或路径分析扩展了关系框架,以评估独特贡献并控制混淆因素。
效应量(r、R²、beta系数)和置信区间与统计显著性一起报告。研究人员解释关联的实际意义,承认相关证据不能建立因果关系,并将研究结果置于先前的文献和理论框架中。
常见陷阱
- 将统计显著的相关性解释为因果关系的证据——关系调查证据仅是关联性的;因果声明需要实验性或强准实验性设计。
- 忽略功效分析——参与者少于50人的研究通常会产生相关性估计值,其置信区间非常宽,以至于在实践中无法解释。
- 使用一次调查来测量预测变量和标准变量,而未解决共同方法偏差——考虑时间滞后设计或程序性补救措施,如平衡量表顺序。
- 在没有额外的理论或统计学理由来证明方向性的情况下,将相关矩阵视为因果模型。
常见问题
关系调查的最低样本量是多少?
没有单一的规则,但作为实际基准,许多方法学家建议至少有50名参与者才能获得相当稳定的二元相关性估计值,而计划进行多元回归的参与者则需要100名或更多。正式的答案是进行先验功效分析,指定预期的效应量、所需的功效(通常为0.80)和α水平(0.05);这将得出检测假设关系所需的最小N。
我可以使用关系调查来检验因果模型吗?
关系调查可以检验相关性模式是否与因果模型一致(使用路径分析或SEM),但它不能确认因果方向。具有关系调查数据的结构方程模型可以排除与数据不一致的模型,但因果声明仍需要实验操纵、自然实验或具有时间优先性的纵向设计。
关系调查与简单的描述性调查有何不同?
描述性调查描述样本中一个或多个变量的分布——均值、频率、比例。关系调查更进一步,通过统计学检查变量之间是否存在关联以及关联有多强。两者都可以使用相同的问卷数据;区别在于所提出的研究问题和应用的分析技术。
应该使用哪种相关系数?
当两个变量都是连续的且近似正态分布时,适合使用Pearson's r。对于有序变量或分布明显偏斜的情况,首选Spearman's rho。对于具有许多并列秩次的有序数据,Kendall's tau是一个替代选择。对于二元或二分变量,点二系列相关系数或phi系数是标准选择。
如何在关系调查中处理共同方法偏差?
当预测变量和结果数据来自同一受访者且在同一时间收集时,会出现共同方法偏差。程序性补救措施包括分离测量时机(时间滞后设计)、使用不同的响应格式和平衡量表顺序。统计性补救措施包括Harman单因子检验和标记变量技术,尽管两者都不能完全消除问题。
相关方法
参考文献
Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2009). How to Design and Evaluate Research in Education (8th ed.). McGraw-Hill.
ISBN:978-0073525748已复制。Creswell, J. W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (4th ed.). Sage Publications.
ISBN:978-1452226101已复制。