| Математические методы обработки психологических данных — Значимость коэффициента корреляции | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Лекции и практикум по психологии — Разное по психологии | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Страница 11 из 16 22. ЗНАЧИМОСТЬ КОЭФФИЦИЕНТА КОРРЕЛЯЦИИ
В большинстве случаев вычисление коэффициента корреляции (КК) осуществляется по небольшому объему исходных данных. Вследствие этого может оказаться, что корреляция во всей ГС близка к нулю, т.е. связи между двумя изучаемыми признаками нет. Хотя арифметически КК вычислений по исходным данным одной выборки отличается от нуля. Н0: ху = 0, где ху – коэффициент корреляции ГС. Н1: ху /= 0 2. Выбираем уровень значимости . 3. Находим наблюдаемое значение статистики критерия по следующей формуле: 2 tнабл.  = n – 2 (rxy : (1 – rxy)) 4. Находится критическое значение статистики критерия. В нашем случае статистика критерия имеет t-распределение Стьюдента с числом степеней свободы = n – 2. Поэтому для нахождения критического значения tкр нужно воспользоваться статистической таблицей распределения Стьюдента (см. параграф 15). 5. Делаем вывод о правильности той или иной гипотезы 1) если –tкр < tнабл. < tкр, то принимается гипотеза Н0, т.е. делаем вывод о том, что коэффициент корреляции ГС статистически равен 0 на уровне значимости или, другими словами, является незначимым или между рассмотренными признаками линейной связи нет; 2) tкр < tнабл. < — tкр, то принимается гипотеза Н1, т.е. делаем вывод о том, что КК ГС статистически отличен от 0 на уровне значимости или, другими словами, является значимым или между двумя рассматриваемыми признаками имеется линейная корреляционная связь, о силе которой мы можем судить по величине КК rxy Т. 23. АНАЛИЗ ВЗАИМОСВЯЗИ РАНЖИРОВАННЫХ ПРИЗНАКОВДля анализа взаимосвязи ранжированных признаков вычисляют коэффициент ранговой корреляции (КРК). Для его вычисления необходимо располагать двумя выборками, элементы которых могут быть проранжированы. Такими выборками могут быть:
Рассмотрим случай №1. Сначала ранжируются элементы первой выборки, а затем второй. В случае отрицательной корреляции небольшим рангам по первому признаку будут соответствовать большие ранги по второму признаку и наоборот. В этом случае разности между рангами будут большие и КРК будет близок к –1. Рассмотрим случай №2. В этом случае ранжируются значения, полученные каждым из двух испытуемых лиц по определенному одинаковому набору признаков.  Все признаки должны быть измерены в одних и тех же единицах, иначе ранжирование невозможно. В таких ситуациях, когда разные единицы, обычно сначала «сырые» баллы должны быть приведены к одной шкале (диапазону). Чаще всего это шкала – стены. Рассмотрим случай №3. В этом случае сначала вычисляется среднее значение каждого признака отдельно по каждой группе, после чего они ранжируются. В результате этот случай сводится к №2. Рассмотрим случай №4 (индивидуальные и групповые профили). В этом случае сначала вычисляется среднее значение каждого признака по группе лиц, причем как правило при расчете показатели лица, сопоставленного с группой из расчета среднего значения исключаются. После этого ранжируются отдельно значения индивидуального профиля и средние групповые значения. В этом случае ранговая корреляция позволяет проверить, насколько согласованы индивидуальные и групповые профили. В случае положительной корреляции это означает, что рассматриваемое лицо такое как и все.  Корреляционную ранговую связь можно изобразить графически. В этом случае данные изображаются в виде двух столбцов точек, после чего одинаковые значения рангов соединяются линией. В случае, если ранги для одного и того же человека по двум признакам совпадают, то между ними получится горизонтальная линия. Если же ранги различны, то линия становится наклонной. Алгоритм вычисления КРК Спирмена. 1. Определяем, какие два признака или две иерархии признаков будут выступать в качестве переменных х и у. 2. Ранжируем значения переменной х, присваивая ранг = 1 наименьшему значению. Присвоенные ранги заносим в первый столбец результирующей таблицы.  3. Аналогично ранжируем значения переменной у, после чего полученные ранги заносим во второй столбец таблицы. 4. Вычисляем разность d между рангами по каждой строке и полученные результаты заносим в третий столбец таблицы. di = xi – yi 5. Возводим каждую разность в квадрат и полученные результаты помещаем в четвертый столбец таблицы. 6. Вычисляем сумму квадратов разности, т.е. сумму элементов четвертого столбца. 7. При наличии одинаковых рангов вычисляем поправки Тх и Ту к сумме квадратов разности. Пример 1. Корреляция между двумя признаками. В исследовании, моделирующем деятельность авиадиспетчера, группа испытуемых проходила подготовку на тренажере перед началом работы. Испытуемые должны были решать задачи по выбору оптимального типа взлетно-посадочной полосы для заданного типа самолета. Связано ли количество ошибок, допущенных испытуемыми в тренировочной сессии с показателем невербального интеллекта, измеренного с помощью методики Векслера?
Тх = 0 Ту = 0 (совпадений нет) n = 10 (чел.
Тх = 0 Ту = 0 n = 20 (строки, а не люди) Значимость КРК Спирмена. Для КРК проверка значимости полностью аналогична проверке значимости КРК Пирсона (см. параграф 22). -tкр < tнабл. < tкр , то мы должны принимать гипотезу Н0, т.е. делаем вывод о том, что на уровне значимости 0,05 КРК Спирмена равен 0, т.е. не является значимым. В результате получаем окончательный вывод о том, что между количеством ошибок на тренажере и невербальным интеллектом корреляционной связи нет. << Предыдущая — Следующая >> |
к. tнабл. > tкр, то мы должны принимать гипотезу Н1, т.е. делаем вывод о том, что КК является значимым. Между инспекторскими оценками новаторства и рассеянности существует умеренная, прямая, линейная корреляционная связь на уровне значимости 0,05.
Обычно ранг, равный 1, присваивается элементу выборки, имеющему наименьшее значение. Если рассматриваемые два признака связаны положительно, то лица, имеющие низкие ранги по одному признаку, будут иметь более низкие значения и по второму признаку. Аналогично и для высоких рангов. 
)
Отсюда видно, что между ранговыми последовательностями имеется положительная умеренная корреляционная связь.
Что такое корреляция?
Что такое коэффициент корреляции?
Коэффициент корреляции, часто выражаемый как r, указывает меру направления и силы связь между двумя переменными. Когда значение r ближе к +1 или -1, это указывает на более сильную линейную связь между двумя переменными.
Корреляционные исследования довольно распространено в психологии, особенно потому, что некоторые вещи невозможно воссоздать или исследовать в лабораторных условиях.Вместо проведения эксперимента исследователи могут собирать данные, чтобы посмотреть на возможные взаимосвязи между переменными.Из собранных данных и их анализа исследователи затем делают выводы и прогнозы о характере взаимосвязей между переменными.
Корреляция – это статистическое измерение взаимосвязи между двумя переменными. Помните это удобное правило: чем ближе корреляция равна 0, тем она слабее, чем ближе к +/-1, тем сильнее.
Типы корреляции
Сила корреляции варьируется от -1 до +1.
Положительная корреляция
Корреляция +1 указывает на идеальную положительную корреляцию, означающую, что обе переменные движутся вместе в одном направлении.
Отрицательная корреляция
Корреляция –1 указывает на идеальную отрицательную корреляцию, означающую, что по мере увеличения одной переменной другая снижается.
Нулевая корреляция
Нулевая корреляция предполагает, что статистика корреляции не указывает на связь между двумя переменными. Это не означает, что отношений вообще нет;это просто означает, что нет линейной зависимости. Нулевая корреляция часто обозначается сокращением r = 0.
Как переменные используются в психологических исследованиях?
Точечные диаграммы и корреляция
Точечные диаграммы (также называемые точечными диаграммами, точечными диаграммами и точечными диаграммами) используются для отображения переменных на диаграмме для наблюдения за ассоциациями или отношениями между ними.
Горизонтальная ось представляет одну переменную, а вертикальная ось представляет другую.
Каждая точка на графике представляет собой отдельное измерение. По этим измерениям можно рассчитать линию тренда. Коэффициент корреляции представляет собой наклон этой линии. Когда корреляция слабая (r близко к нулю), линию трудно различить. Когда корреляция сильная (r близко к 1), линия будет более четкой.
Сильная и слабая корреляция
Корреляции могут сбивать с толку, и многие люди отождествляют положительный результат с сильным, а отрицательный — со слабым. Связь между двумя переменными может быть отрицательной, но это не означает, что связь не является сильной.
Слабая положительная корреляция указывает на то, что хотя обе переменные имеют тенденцию повышаться в ответ друг на друга, связь не очень сильная. С другой стороны, сильная отрицательная корреляция указывает на сильную связь между двумя переменными, но одна из них увеличивается, когда другая снижается.
Например, корреляция -0,97 является сильной отрицательной корреляцией, а корреляция 0,10 указывает на слабую положительную корреляцию. Корреляция +0,10 слабее, чем -0,74, а корреляция -0,98 сильнее, чем +0,79.
Корреляция не равна причинно-следственной связи
Корреляция не равна причинность. Тот факт, что две переменные связаны, не означает, что изменения в одной переменной вызывают изменения в другой. Корреляции говорят нам о наличии взаимосвязи между переменными, но это не обязательно означает, что одна переменная вызывает изменение другой.
Часто цитируемым примером является корреляция между потреблением мороженого и уровнем убийств. Исследования обнаружили корреляцию между увеличением продаж мороженого и всплеском убийств. Однако поедание мороженого не приводит к совершению убийства. Вместо этого есть третья переменная: тепло. Обе переменные увеличиваются в летнее время.
Иллюзорные корреляции
Иллюзорная корреляция — это восприятие взаимосвязи между двумя переменными, когда на самом деле существует лишь незначительная взаимосвязь — или ее вообще нет.
. Иллюзорная корреляция не всегда означает вывод о причинно-следственной связи;это также может означать вывод о связи между двумя переменными, когда одна из них не существует.
Например, люди иногда предполагают, что, поскольку два события произошли вместе в один момент в прошлом, одно событие должно быть причиной другого. Эти иллюзорные корреляции могут возникать как в научных исследованиях, так и в реальных ситуациях.
Стереотипы — хороший пример иллюзорных корреляций. Исследования показали, что люди склонны предполагать, что определенные группы и черты встречаются вместе, и часто переоценивают силу связи между двумя переменными.
Например, предположим, что кто-то ошибочно полагает, что все жители маленьких городов чрезвычайно добры. Когда они встречают очень доброго человека, их первое предположение может заключаться в том, что этот человек из маленького городка, несмотря на то, что доброта не связана с городским населением.
Как работает предвзятость подтверждения
A Word From Verywell
В психологических исследованиях часто используются корреляции, но важно понимать, что корреляция — это не то же самое, что причинно-следственная связь.
Это частое предположение среди тех, кто не знаком со статистикой, и предполагает причинно-следственную связь, которой может и не быть.
Часто задаваемые вопросы
- Как найти коэффициент корреляции?
Коэффициент корреляции можно рассчитать несколькими способами с одинаковым результатом. Общая формула: rXY=COVXY/(SX SY), который представляет собой ковариацию между двумя переменными, деленную на произведение их стандартных отклонений:
- Как Вы рассчитываете коэффициент корреляции в Excel?
В ячейку, в которой вы хотите, чтобы отображался коэффициент корреляции, введите =CORREL(A2:A7,B2:B7),, где A2:A7 и B2:B7 — списки переменных для сравнения. Нажмите Ввод.
- Как найти коэффициент линейной корреляции?
Нахождение коэффициента линейной корреляции требует длительных и сложных вычислений, поэтому большинство людей используют калькулятор или программное обеспечение, такое как Excel, или программу статистики.
- Как вы интерпретируете коэффициент корреляции?
Корреляции варьируются от -1,00 до +1,00.
Коэффициент корреляции (выраженный как r) показывает направление и силу связи между двумя переменными. Чем ближе значение r к +1 или -1, тем сильнее линейная связь между двумя переменными. - В чем разница между корреляцией и причинно-следственной связью?
Корреляции указывают на взаимосвязь между двумя переменными, но одна из них не обязательно вызывает изменение другой.
Коэффициент корреляции (выраженный как r) показывает направление и силу связи между двумя переменными. Чем ближе значение r к +1 или -1, тем сильнее линейная связь между двумя переменными.< !—end аккордеон__item—>
3 Источники Мы используем только высококачественные источники, в том числе рецензируемые исследования, для подтверждения фактов в наших статьях. Прочтите наш редакционный процесс, чтобы узнать больше о том, как мы проверяем факты и делаем наш контент точным, надежным и заслуживающим доверия.
Мукака М. Руководство по правильному использованию коэффициента корреляции в медицинских исследованиях. Малави Мед Дж. 2012-24(3):69–71.
Хит В. Методы психологических исследований: подключение исследований к жизни студентов.
Издательство Кембриджского университета.Чен Д.Т. Когда корреляция не подразумевает причинно-следственную связь: почему ваши кишечные микробы могут (пока) не быть панацеей от всех ваших проблем. Гарвардский университет.
Издательство Кембриджского университета.Дополнительная литература
Автор Кендра Черри
Кендра Черри, MS, автор и консультант по вопросам образования, помогающий студентам узнать о психологии.
Корреляционные определения, примеры и интерпретация
Корреляция означает ассоциацию, точнее, она измеряет степень, в которой две переменные связаны. Есть три возможных результата корреляционного исследования: положительная корреляция, отрицательная корреляция и отсутствие корреляции.
Содержание
Типы
- Положительная корреляция — это отношение между двумя переменными, при котором обе переменные движутся в одном направлении. Следовательно, когда одна переменная увеличивается при увеличении другой переменной или одна переменная уменьшается, а другая уменьшается. Примером положительной корреляции может быть рост и вес. Высокие люди, как правило, тяжелее.
Примером положительной корреляции может быть рост и вес. Высокие люди, как правило, тяжелее.- Отрицательная корреляция — это отношение между двумя переменными, при котором увеличение одной переменной связано с уменьшением другой. Примером отрицательной корреляции может быть высота над уровнем моря и температура. По мере подъема на гору (увеличение высоты) становится холоднее (понижение температуры).
- Нулевая корреляция существует, когда нет связи между двумя переменными. Например, нет никакой зависимости между количеством выпитого чая и уровнем интеллекта.
Диаграммы рассеяния
Корреляцию можно выразить визуально. Это делается путем рисования диаграммы рассеяния (также известной как диаграмма рассеяния, диаграмма рассеяния, диаграмма рассеяния или диаграмма рассеяния).
Точечная диаграмма — это графическое изображение, показывающее отношения или ассоциации между двумя числовыми переменными (или сопутствующими переменными), которые представлены точками (или точками) для каждой пары оценок.
Точечная диаграмма показывает силу и направление корреляции между сопутствующими переменными.
Когда вы рисуете точечную диаграмму, не имеет значения, какая переменная идет по оси X, а какая — по оси Y.
Помните, что в корреляциях мы всегда имеем дело с парными показателями, поэтому для построения диаграммы будут использоваться значения двух переменных, взятые вместе.
Определите, какая переменная относится к каждой оси, а затем просто поставьте крестик в точке, где совпадают два значения.
Использование корреляций
Прогноз- Если между двумя переменными существует связь, мы можем делать прогнозы относительно одной из другой.
- Конкурентная валидность (корреляция между новой мерой и установленной мерой).
- Повторно-тестовая надежность (соответствуют ли показатели?).
- Межоценочная надежность (последовательны ли наблюдатели?).
- Прогностическая достоверность.
Коэффициенты корреляции
Вместо построения графика рассеяния корреляцию можно выразить численно в виде коэффициента в диапазоне от -1 до +1. При работе с непрерывными переменными следует использовать коэффициент корреляции Пирсона r.
Коэффициент корреляции ( r ) показывает, в какой степени пары чисел для этих двух переменных лежат на прямой. Значения выше нуля указывают на положительную корреляцию, а значения ниже нуля указывают на отрицательную корреляцию.
Корреляция, равная –1, указывает на полную отрицательную корреляцию, означающую, что при повышении одной переменной другая снижается. Корреляция +1 указывает на идеальную положительную корреляцию, означающую, что по мере увеличения одной переменной растет и другая.
Не существует правила для определения того, какой размер корреляции считается сильным, умеренным или слабым.
Толкование коэффициента зависит от темы исследования.
При изучении вещей, которые трудно измерить, мы должны ожидать, что коэффициенты корреляции будут ниже (например, выше 0,4, что будет относительно сильным). Когда мы изучаем вещи, которые легче измерить, такие как социально-экономический статус, мы ожидаем более высоких корреляций (например, выше 0,75, что будет относительно сильным) 9.0004
В такого рода исследованиях мы редко видим корреляции выше 0,6. Для такого рода данных мы обычно считаем корреляции выше 0,4 относительно сильными; корреляция между 0,2 и 0,4 считается умеренной, а корреляция ниже 0,2 считается слабой.
Когда мы изучаем вещи, которые легче сосчитать, мы ожидаем более высоких корреляций. Например, с демографическими данными мы обычно считаем корреляции выше 0,75 относительно сильными; корреляция между 0,45 и 0,75 считается умеренной, а корреляция ниже 0,45 считается слабой.
Корреляция против причинно-следственной связи
Причинно-следственная связь означает, что одна переменная (часто называемая переменной-предиктором или независимой переменной) вызывает другую (часто называемую переменной результата или зависимой переменной).
Можно проводить эксперименты для установления причинно-следственной связи. Эксперимент изолирует независимую переменную и манипулирует ею, чтобы наблюдать ее влияние на зависимую переменную, и контролирует окружающую среду, чтобы можно было исключить посторонние переменные.
Однако корреляция между переменными не означает автоматически, что изменение одной переменной является причиной изменения значений другой переменной. Корреляция показывает только наличие связи между переменными.
Хотя переменные иногда коррелируют, потому что одна действительно вызывает другую, также может случиться так, что какой-то другой фактор, смешанная переменная, на самом деле вызывает систематическое движение интересующих нас переменных.
Корреляция не всегда доказывает причинно-следственную связь, так как может быть задействована третья переменная. Например, нахождение в больнице коррелирует со смертью, но это не означает, что одно событие вызывает другое, поскольку может быть задействована еще одна третья переменная (например, диета и уровень физической активности).
Сводка
«Корреляция не является причинно-следственной связью» означает, что только потому, что две переменные связаны, это не обязательно означает, что одна является причиной другой.
Корреляция идентифицирует переменные и ищет взаимосвязь между ними. Эксперимент проверяет влияние, которое независимая переменная оказывает на зависимую переменную, но корреляция ищет связь между двумя переменными.
Это означает, что эксперимент может предсказать причину и следствие (причинно-следственную связь), но корреляция может предсказать только взаимосвязь, поскольку может быть задействована другая посторонняя переменная, о которой она не известна.
Сильные стороны
1 . Корреляция позволяет исследователю исследовать естественные переменные, которые могут быть неэтичными или непрактичными для экспериментальной проверки. Например, было бы неэтично проводить эксперимент на предмет того, вызывает ли курение рак легких.
2 . Корреляция позволяет исследователю ясно и легко увидеть, есть ли взаимосвязь между переменными. Затем это можно отобразить в графической форме.
Ограничения
1. Корреляция не подразумевает и не может подразумевать причинно-следственную связь. Даже если существует очень сильная связь между двумя переменными, мы не можем предположить, что одна является причиной другой.
Например, предположим, что мы обнаружили положительную корреляцию между просмотром насилия по телевизору и агрессивным поведением в подростковом возрасте.
Возможно, причиной того и другого является третья (посторонняя) переменная — например, воспитание в семье, где царит насилие, — и что как просмотр телевизора, так и агрессивное поведение являются следствием этого.
2 . Корреляция не позволяет выйти за пределы заданных данных. Например, предположим, что была обнаружена связь между временем, затраченным на домашнее задание (от 1/2 часа до 3 часов), и количеством баллов G.
C.S.E. проходы (от 1 до 6).
Было бы неправомерно делать из этого вывод, что, потратив 6 часов на домашнее задание, вы, скорее всего, получите 12 баллов G.C.S.E. проходит.
Часто задаваемые вопросы
Корреляционные исследования – общая психология
Перейти к содержимомуПсихологические исследования
Цели обучения
- Объясните, что коэффициент корреляции говорит нам о связи между переменными
- Объясните, почему корреляция не означает причинно-следственную связь
Знаете ли вы, что с ростом продаж мороженого растет и общий уровень преступности? Возможно ли, что удовольствие от вашего любимого вкуса мороженого может привести к преступному веселью? Или, совершив преступление, вы думаете, что решите угоститься шишкой? Нет никаких сомнений в том, что между мороженым и преступлением существует связь (например, Harper, 2013), но было бы довольно глупо полагать, что одно на самом деле вызвало другое.
Гораздо более вероятно, что и продажи мороженого, и уровень преступности связаны с температурой на улице. Когда температура теплая, многие люди выходят из своих домов, взаимодействуют друг с другом, раздражаются друг на друга, а иногда и совершают преступления. Кроме того, когда на улице тепло, мы с большей вероятностью будем искать прохладное лакомство, например, мороженое. Как определить, действительно ли существует связь между двумя вещами? И когда есть связь, как мы можем определить, объясняется ли она совпадением или причинно-следственной связью?
Корреляционные исследования
означает, что существует связь между двумя или более переменными (такими как потребление мороженого и преступность), но эта связь не обязательно подразумевает причину и следствие. Когда две переменные коррелированы, это просто означает, что при изменении одной переменной изменяется и другая. Мы можем измерить корреляцию, вычислив статистику, известную как коэффициент корреляции.
— это число от -1 до +1, которое указывает на силу и направление взаимосвязи между переменными. Коэффициент корреляции обычно обозначается буквой 9.0187 р .
Числовая часть коэффициента корреляции указывает на силу связи. Чем ближе число к 1 (отрицательное или положительное), тем сильнее связаны переменные и тем более предсказуемыми будут изменения одной переменной при изменении другой переменной. Чем ближе число к нулю, тем слабее взаимосвязь и тем менее предсказуемыми становятся взаимосвязи между переменными. Например, коэффициент корреляции 0,9 указывает на гораздо более сильную связь, чем коэффициент корреляции 0,3. Если переменные никак не связаны друг с другом, коэффициент корреляции равен 0. Приведенный выше пример о мороженом и преступности является примером двух переменных, которые, как мы могли бы ожидать, не будут связаны друг с другом.
Знак — положительный или отрицательный — коэффициента корреляции указывает на направление связи (рис. 1).
означает, что переменные перемещаются в одном направлении. Иными словами, это означает, что при увеличении одной переменной увеличивается и другая, и наоборот, при уменьшении одной переменной уменьшается и другая. означает, что переменные движутся в противоположных направлениях. Если две переменные имеют отрицательную корреляцию, то уменьшение одной переменной связано с увеличением другой и наоборот.
Пример мороженого и уровня преступности показывает положительную корреляцию, поскольку обе переменные увеличиваются при повышении температуры. Другими примерами положительной корреляции являются отношения между ростом и весом человека или отношения между возрастом человека и количеством морщин. Можно было бы ожидать, что существует отрицательная корреляция между чьей-либо усталостью в течение дня и количеством часов, которые они спали предыдущей ночью: количество сна уменьшается по мере того, как чувство усталости увеличивается. В реальном примере отрицательной корреляции студенты-исследователи из Миннесотского университета обнаружили слабую отрицательную корреляцию (9).
0187 r = -0,29) между средним количеством дней в неделю, когда учащиеся спали менее 5 часов, и их средним баллом (Lowry, Dean, & Manders, 2010). Имейте в виду, что отрицательная корреляция — это не то же самое, что отсутствие корреляции. Например, мы, вероятно, не обнаружим корреляции между количеством часов сна и размером обуви.
Как упоминалось ранее, корреляции имеют прогностическую ценность. Представьте, что вы входите в приемную комиссию крупного вуза. Вы сталкиваетесь с огромным количеством заявок, но можете разместить лишь небольшой процент от пула соискателей. Как вы можете решить, кого следует принять? Вы можете попытаться сопоставить средний балл колледжа ваших нынешних студентов с их баллами по стандартным тестам, таким как SAT или ACT. Наблюдая, какие корреляции были самыми сильными для ваших нынешних студентов, вы могли бы использовать эту информацию, чтобы предсказать относительный успех тех студентов, которые подали заявку на поступление в университет.
Рисунок 1 .
Диаграммы рассеяния представляют собой графическое представление силы и направления корреляций. Чем сильнее корреляция, тем ближе точки данных к прямой линии. В этих примерах мы видим, что существует (а) положительная корреляция между весом и ростом, (б) отрицательная корреляция между усталостью и количеством часов сна и (в) отсутствие корреляции между размером обуви и количеством часов сна.Корреляция не указывает причинно-следственную связь
Корреляционное исследование полезно, потому что оно позволяет нам обнаружить силу и направление взаимосвязей, существующих между двумя переменными. Однако корреляция ограничена, поскольку установление существования взаимосвязи мало что говорит нам о . Хотя переменные иногда коррелируют, потому что одна из них вызывает другую, также может быть, что какой-то другой фактор, , на самом деле вызывает систематическое движение интересующих нас переменных. В упомянутом ранее примере с мороженым/уровнем преступности температура является смешанной переменной, которая может объяснить взаимосвязь между двумя переменными.
Даже когда мы не можем указать на четкие смешанные переменные, мы не должны предполагать, что корреляция между двумя переменными подразумевает, что одна переменная вызывает изменения в другой. Это может разочаровать, когда кажется, что все ясно и интуитивно понятно. Вспомните наше обсуждение исследований, проведенных Американским онкологическим обществом, и то, как их исследовательские проекты были одними из первых демонстраций связи между курением и раком. Кажется разумным предположить, что курение вызывает рак, но если мы ограничимся корреляционное исследование , мы перешагнули бы границы, сделав такое предположение.
К сожалению, люди все время ошибочно утверждают, что причинно-следственная связь является функцией корреляций. Такие утверждения особенно распространены в рекламе и новостях. Например, недавнее исследование показало, что люди, которые регулярно едят хлопья, достигают более здорового веса, чем те, кто редко ест хлопья (Frantzen, Treviño, Echon, Garcia-Dominic, & DiMarco, 2013; Barton et al.
, 2005). Угадайте, как производители хлопьев сообщают об этом открытии. Действительно ли употребление хлопьев помогает человеку поддерживать здоровый вес, или есть другие возможные объяснения, например, тот, у кого здоровый вес, с большей вероятностью будет регулярно есть здоровый завтрак, чем тот, кто страдает ожирением, или тот, кто избегает приема пищи в попытке соблюдать диету (рис. 2)? Хотя корреляционное исследование имеет неоценимое значение для выявления взаимосвязей между переменными, основным ограничением является невозможность установить причинно-следственную связь. Психологи хотят делать заявления о причине и следствии, но единственный способ сделать это — провести эксперимент, чтобы ответить на исследовательский вопрос. В следующем разделе описывается, как научные эксперименты включают методы, которые исключают или контролируют альтернативные объяснения, что позволяет исследователям исследовать, как изменения в одной переменной вызывают изменения в другой переменной.
Попробуйте
Смотреть
Посмотрите этот клип из Freakonomics, чтобы увидеть пример того, как корреляция , а не указывает на причинно-следственную связь.
Вы можете просмотреть стенограмму «Корреляция против причинности: фильм о фрикономике» здесь (откроется в новом окне).
Рисунок 2 . Действительно ли употребление хлопьев способствует здоровому весу? (кредит: Тим Скиллерн)Иллюзорные корреляции
Искушение сделать ошибочные утверждения о причинно-следственных связях, основанные на корреляционных исследованиях, — не единственный способ, которым мы склонны неправильно интерпретировать данные. Мы также склонны совершать ошибку иллюзорных корреляций, особенно при бессистемных наблюдениях. , или ложные корреляции, возникают, когда люди верят, что отношения существуют между двумя вещами, хотя таких отношений не существует. Одной из хорошо известных иллюзорных корреляций является предполагаемое влияние фаз луны на поведение человека. Многие люди страстно утверждают, что на поведение людей влияет фаза луны и, в частности, что люди ведут себя странно, когда луна полная (рис.
3).
Нельзя отрицать, что Луна оказывает сильное влияние на нашу планету. Приливы и отливы океана тесно связаны с гравитационными силами Луны. Поэтому многие люди считают, что Луна тоже влияет на нас. Ведь наш организм в значительной степени состоит из воды. Однако метаанализ почти 40 исследований неизменно демонстрировал, что связи между Луной и нашим поведением не существует (Rotton & Kelly, 1985). Хотя мы можем уделять больше внимания странному поведению во время полной лунной фазы, частота странного поведения остается постоянной на протяжении всего лунного цикла.
Почему мы так склонны верить в подобные иллюзорные корреляции? Часто мы читаем или слышим о них и просто принимаем информацию как достоверную. Или у нас есть предчувствие о том, как что-то работает, а затем мы ищем доказательства, подтверждающие это предчувствие, игнорируя доказательства, говорящие о том, что наше предчувствие ложно; это известно как .
В других случаях мы находим иллюзорные корреляции, основанные на информации, которая легче всего приходит на ум, даже если эта информация сильно ограничена. И хотя мы можем быть уверены, что можем использовать эти отношения, чтобы лучше понимать и предсказывать мир вокруг нас, иллюзорные корреляции могут иметь существенные недостатки. Например, исследования показывают, что иллюзорные корреляции, в которых определенное поведение ошибочно приписывается определенным группам, участвуют в формировании предвзятых взглядов, которые в конечном итоге могут привести к дискриминационному поведению (Fiedler, 2004).
Подумай об этом
У всех нас есть склонность время от времени проводить иллюзорные корреляции. Попробуйте подумать об иллюзорной корреляции, которой придерживаетесь вы, член семьи или близкий друг. Как, на ваш взгляд, возникли эти иллюзорные соотношения и что можно сделать в будущем для борьбы с ними?
Лицензии и атрибуты (Щелкните, чтобы развернуть)Контент под лицензией CC, совместно используемый ранее
- Анализ результатов.
