Důležitost korelačních studií
Proč jsou korelační studie důležité? Stanovich (2007) zdůrazňuje následující:
"Za prvé, mnoho vědeckých hypotéz je uvedeno ve smyslu korelace nebo nedostatečné korelace, takže takové studie jsou přímo relevantní pro tyto hypotézy ..."
"Zadruhé, i když korelace neznamená příčinnou souvislost, příčinná souvislost znamená korelaci." To znamená, že ačkoliv korelační studie nemůže definitivně dokázat kauzální hypotézu, může ji vyloučit.
Zatřetí, korelační studie jsou užitečnější, než by se mohlo zdát, protože některé z nedávno vyvinutých komplexních korelačních návrhů umožňují některé velmi omezené kauzální závěry.
… S některými proměnnými nelze jednoduše manipulovat z etických důvodů (například lidská podvýživa nebo tělesné postižení). Jiné proměnné, jako je pořadí narození, pohlaví a věk, jsou ve své podstatě korelační, protože s nimi nelze manipulovat, a proto musí být vědecké poznatky, které se jich týkají, založeny na korelačních důkazech. “
Jakmile je korelace známá, lze ji použít k vytváření předpovědí. Když známe skóre na jedné míře, můžeme udělat přesnější předpověď jiné míry, která s ní velmi souvisí. Čím silnější je vztah mezi / mezi proměnnými, tím přesnější je předpověď.
Pokud je to praktické, důkazy z korelačních studií mohou vést k testování těchto důkazů za kontrolovaných experimentálních podmínek.
I když je pravda, že korelace nemusí nutně znamenat příčinnou souvislost, příčinná souvislost znamená korelaci. Korelační studie jsou odrazovým můstkem k výkonnější experimentální metodě a s využitím komplexních korelačních návrhů (analýza dráhy a návrhy panelů se vzájemným zpožděním) umožňují velmi omezené kauzální závěry.
Poznámky:
Při pokusu o odvození příčinné souvislosti z jednoduché korelace existují dva hlavní problémy:
- problém směrovosti - než dojde k závěru, že korelace mezi proměnnou 1 a 2 je způsobena změnami v 1 způsobujícími změny v 2, je důležité si uvědomit, že směr příčin může být opačný, tedy od 2 do 1
- problém třetí proměnné - může dojít ke korelaci v proměnných, protože obě proměnné souvisí s třetí proměnnou
Komplexní korelační statistiky, jako je analýza dráhy, vícenásobná regrese a částečná korelace, „umožňují přepočítat korelaci mezi dvěma proměnnými poté, co je odstraněn vliv jiných proměnných, nebo„ rozebrán “nebo„ částečně rozdělen ““ (Stanovich, 2007, s. 1). 77). I při použití komplexních korelačních návrhů je důležité, aby vědci uplatňovali omezené příčinné nároky.
Vědci, kteří používají přístup k analýze cest, jsou vždy velmi opatrní, aby nezakomponovali své modely z hlediska kauzálních prohlášení. Dokážete přijít na to proč? Doufáme, že jste usoudili, že vnitřní platnost analýzy cest je nízká, protože je založena na korelačních datech. Směr od příčiny k následku nelze určit s jistotou a „třetí proměnné“ nelze nikdy zcela vyloučit. Kauzální modely však mohou být nesmírně užitečné pro generování hypotéz pro budoucí výzkum a pro predikci potenciálních kauzálních sekvencí v případech, kdy experimenty nejsou proveditelné (Myers & Hansen, 2002, s. 100).
Podmínky nutné k odvození příčinné souvislosti (Kenny, 1979):
Časová přednost: Aby 1 způsobila 2, 1 musí předcházet 2. Příčina musí předcházet následku.
Vztah: Proměnné musí korelovat. Chcete-li určit vztah dvou proměnných, je třeba určit, zda by vztah mohl nastat kvůli náhodě. Laičtí pozorovatelé často nejsou dobrými soudci o přítomnosti vztahů, proto se k měření a testování existence a síly vztahů používají statistické metody.
Nonspuriousness (spuriousness means ‘not original‘): „Třetím a posledním předpokladem pro kauzální vztah je nelichotivost (Suppes, 1970). Aby vztah mezi X a Y nebyl rušivý, nesmí existovat Z, které způsobí X i Y tak, že vztah mezi X a Y zmizí, jakmile je Z ovládáno “(Kenny, 1979. s. 4-5).
Reference
Kenny, D. (1979). Korelace a kauzalita.
Myers, A. & Hansen, C. (2002). Experimentální psychologie. Pacific Grove, CA: Wadsworth.
Stanovich, K. (2007). Jak myslet přímo na psychologii. Boston, MA: Pearson.
