Корреляционное исследование

Тема: Корреляционное исследование

Содержание

Введение

Эксперимент делает психологию точной, естественной наукой. Только грамотно поставленный эксперимент может  превратить теоретические предположения в научные выводы, помочь найти истинные, объективные причины психических и социальных явлений. Роль основного инструмента для получения выводов в эксперименте принадлежит методам статистической обработки данных. Эти методы различны по сложности и сферам применения, к ним относится как простейший подсчет среднего арифметического, так и факторный, кластерный, регрессионный анализ. Результатом же применения статистических методов в эксперименте является такой вывод о выборке или нескольких выборках, который с известной долей вероятности можно распространить на генеральную совокупность.

Отношения между исследованием  и теорией выглядят как процесс  непрерывного взаимодействия — по крайней мере, так должно быть. Теория выступает в роли катализатора и одновременно руководства для размышлений, предшествующих эмпирическому исследованию. Она помогает свести тщательно отобранные результаты исследований в общую согласованную систему, каждый элемент которой составляет неотъемлемую ее часть. Но прежде всего должно быть нечто, что надо сводить воедино — это нечто и обеспечивает исследование.

Корреляционное исследование - это процесс получения новых  знаний или подтверждения существующих, основанный на методах корреляционного  анализа. Такое исследование не всегда предполагает построение сложного плана, выделение зависимой и независимой переменных. В отличие от эксперимента, исследование не предполагает контроля переменных вообще, а лишь их измерение и сопоставление. Корреляционное исследование применяется в тех случаях, когда необходимо выявить, как связаны между собой 2 переменные в данной выборке. При этом не предполагается наличие причинно-следственных связей между изучаемыми переменными, а лишь говорится об их взаимосвязи, совместном изменении.

1. Исследование

Применение экспериментального метода к исследованию психических  явлений в конце XIX в. сыграло решающую роль в становлении психологии как самостоятельной науки и выделении ее из философии. В этот период вся научная психология была экспериментальной. В дальнейшем в связи с накоплением психологических знаний произошла дифференциация научных областей психологии в соответствии с предметом их изучения, а экспериментальная психология стала пониматься лишь как общее обозначение различных видов исследований психических явлений посредством экспериментальных методов. Тем не менее в круг интересов экспериментальной психологии входит все большее число неэкспериментальных исследовательских приемов. И сейчас сложилась определенная традиция понимать эксперимент как частный метод эмпирического познания, а экспериментальную психологию – как совокупность множества эмпирических методов. Поскольку многие (если не большинство) эмпирических методов психологии естественным образом включают в себя измерительные процедуры и анализ результатов измерения, то в область компетенции экспериментальной психологии входят теперь и теория измерений, и знания по обработке (в первую очередь статистической) эмпирических данных.

Различают три основных типа стратегий исследования, используемых психологами для изучения людей: изучение клинических случаев, корреляционный анализ и формальные эксперименты. Отличаясь друг от друга в отношении специфических методов, все эти стратегии предполагают тщательное наблюдение за тем, что делает или говорит испытуемый. Большинство эмпирических исследований данных можно отнести к одному из названных типов. В исследовании корреляций (зависимостей, связей...) вы не влияете (или, по крайней мере, пытаетесь не влиять) на переменные, а только измеряете их и хотите найти зависимости (корреляции) между некоторыми измеренными переменными, например, между кровяным давлением и уровнем холестерина. В экспериментальных исследованиях, напротив, вы варьируете некоторые переменные и измеряете воздействия этих изменений на другие переменные. Анализ данных в экспериментальном исследовании также приходит к вычислению "корреляций" (зависимостей) между переменными, а именно, между переменными, на которые воздействуют, и переменными, на которые влияет это воздействие. Тем не менее, экспериментальные данные потенциально снабжают нас более качественной информацией. Только экспериментально можно убедительно доказать причинную связь между переменными. Например, если обнаружено, что всякий раз, когда изменяется переменная A, изменяется и переменная B, то можно сделать вывод - "переменная A оказывает влияние на переменную B", т.е. между переменными А и В имеется причинная зависимость. Результаты корреляционного исследования могут быть проинтерпретированы в каузальных (причинных) терминах на основе некоторой теории, но сами по себе не могут отчетливо доказать причинность.

2.Понятие переменой. 

Зависимые и независимые переменные. Независимыми переменными называются переменные, которые варьируются исследователем, тогда как зависимые переменные - это переменные, которые измеряются или регистрируются. Может показаться, что проведение этого различия создает путаницу в терминологии, поскольку как говорят некоторые студенты "все переменные зависят от чего-нибудь". Тем не менее, однажды отчетливо проведя это различие, вы поймете его необходимость. Термины зависимая и независимая переменная применяются в основном в экспериментальном исследовании, где экспериментатор манипулирует некоторыми переменными, и в этом смысле они "независимы" от реакций, свойств, намерений и т.д. присущих объектам исследования. Некоторые другие переменные, как предполагается, должны "зависеть" от действий экспериментатора или от экспериментальных условий. Иными словами, зависимость проявляется в ответной реакции исследуемого объекта на посланное на него воздействие. Отчасти в противоречии с данным разграничением понятий находится использование их в исследованиях, где вы не варьируете независимые переменные, а только приписываете объекты к "экспериментальным группам", основываясь на некоторых их априорных свойствах. Например, если в эксперименте мужчины сравниваются с женщинами относительно числа лейкоцитов (WCC), содержащихся в крови, то Пол можно назвать независимой переменной, а WCC зависимой переменной.

Шкалы измерений. Переменные различаются также тем "насколько хорошо" они могут быть измерены или, другими словами, как много измеряемой информации обеспечивает шкала их измерений. Очевидно, в каждом измерении присутствует некоторая ошибка, определяющая границы "количества информации", которое можно получить в данном измерении. Другим фактором, определяющим количество информации, содержащейся в переменной, является тип шкалы, в которой проведено измерение. Различают следующие типы шкал:(a) номинальная, (b) порядковая (ординальная), (c) интервальная (d) относительная (шкала отношения). Соответственно, имеем четыре типа переменных: (a) номинальная, (b) порядковая (ординальная), (c) интервальная и (d) относительная.

Номинальные переменные используются только для качественной классификации. Это означает, что данные переменные могут быть измерены только в терминах принадлежности к некоторым, существенно различным классам; при этом вы не сможете определить количество или упорядочить эти классы. Например, вы сможете сказать, что 2 индивидуума различимы в терминах переменной А (например, индивидуумы принадлежат к разным национальностям). Типичные примеры номинальных переменных - пол, национальность, цвет, город и т.д. Часто номинальные переменные называют категориальными.

Порядковые переменные позволяют ранжировать (упорядочить) объекты, указав какие из них в большей или меньшей степени обладают качеством, выраженным данной переменной. Однако они не позволяют сказать "на сколько больше" или "на сколько меньше". Порядковые переменные иногда также называют ординальными. Типичный пример порядковой переменной - социоэкономический статус семьи. Мы понимаем, что верхний средний уровень выше среднего уровня, однако сказать, что разница между ними равна, скажем, 18% мы не сможем. Само расположение шкал в следующем порядке: номинальная, порядковая, интервальная является хорошим примером порядковой шкалы.

Интервальные  переменные позволяют не только упорядочивать объекты измерения, но и численно выразить и сравнить различия между ними. Например, температура, измеренная в градусах Фаренгейта или Цельсия, образует интервальную шкалу. Вы можете не только сказать, что температура 40 градусов выше, чем температура 30 градусов, но и что увеличение температуры с 20 до 40 градусов вдвое больше увеличения температуры от 30 до 40 градусов.

Относительные переменные очень похожи на интервальные переменные. В дополнение ко всем свойствам переменных, измеренных в интервальной шкале, их характерной чертой является наличие определенной точки абсолютного нуля, таким образом, для этих переменных являются обоснованными предложения типа: x в два раза больше, чем y. Типичными примерами шкал отношений являются измерения времени или пространства. Например, температура по Кельвину образует шкалу отношения, и вы можете не только утверждать, что температура 200 градусов выше, чем 100 градусов, но и что она вдвое выше. Интервальные шкалы (например, шкала Цельсия) не обладают данным свойством шкалы отношения. Заметим, что в большинстве статистических процедур не делается различия между свойствами интервальных шкал и шкал отношения.

Связи между переменными. Независимо от типа, две или более  переменных связаны (зависимы) между  собой, если наблюдаемые значения этих переменных распределены согласованным  образом. Другими словами, мы говорим, что переменные зависимы, если их значения систематическим образом согласованы друг с другом в имеющихся у нас наблюдениях. Например, переменные Пол и WCC (число лейкоцитов) могли бы рассматриваться как зависимые, если бы большинство мужчин имело высокий уровень WCC, а большинство женщин - низкий WCC, или наоборот. Рост связан с Весом, потому что обычно высокие индивиды тяжелее низких; IQ (коэффициент интеллекта) связан с Количеством ошибок в тесте, т.к. люди высоким значением IQ делают меньше ошибок и т.д.

Вообще говоря, конечная цель всякого исследования или научного анализа состоит в нахождение связей (зависимостей) между переменными. Исследование корреляций по существу состоит в измерении таких  зависимостей непосредственным образом. Назначение статистики состоит в том, чтобы помочь объективно оценить зависимости между переменными.

Две основные черты всякой зависимости между переменными. Можно отметить два самых простых  свойства зависимости между переменными: (a) величина зависимости и (b) надежность зависимости.

Величина. Величину зависимости легче понять и измерить, чем надежность. Например, если любой мужчина в вашей выборке имел значение WCC выше чем любая женщина, то вы можете сказать, что зависимость между двумя переменными (Пол и WCC) очень высокая. Другими словами, вы могли бы предсказать значения одной переменной по значениям другой.

Надежность ("истинность"). Надежность взаимозависимости - менее наглядное понятие, чем величина зависимости, однако чрезвычайно важное. Надежность зависимости непосредственно связана с репрезентативностью определенной выборки, на основе которой строятся выводы. Другими словами, надежность говорит нам о том, насколько вероятно, что зависимость, подобная найденной вами, будет вновь обнаружена (иными словами, подтвердится) на данных другой выборки, извлеченной из той же самой популяции. Следует помнить, что конечной целью почти никогда не является изучение данной конкретной выборки; выборка представляет интерес лишь постольку, поскольку она дает информацию обо всей популяции.

Не существует никакого способа избежать произвола при  принятии решения о том, какой  уровень значимости следует действительно  считать "значимым". Выбор определенного  уровня значимости, выше которого результаты отвергаются как ложные, является достаточно произвольным. На практике окончательное решение обычно зависит от того, был ли результат предсказан априори (т.е. до проведения опыта) или обнаружен апостериорно в результате многих анализов и сравнений, выполненных с множеством данных, а также на традиции, имеющейся в данной области исследований. Обычно во многих областях результат p .05 является приемлемой границей статистической значимости, однако следует помнить, что этот уровень все еще включает довольно большую вероятность ошибки (5%). Результаты, значимые на уровне p .01 обычно рассматриваются как статистически значимые, а результаты с уровнем p .005 или p . 001 как высоко значимые. Однако следует понимать, что данная классификация уровней значимости достаточно произвольна и является всего лишь неформальным соглашением, принятым на основе практического опыта в той или иной области исследования. Как было уже сказано, величина зависимости и надежность представляют две различные характеристики зависимостей между переменными. Тем не менее, нельзя сказать, что они совершенно независимы. Говоря общим языком, чем больше величина зависимости (связи) между переменными в выборке обычного объема, тем более она надежна.