Mtd5e, UW, Metodologia badań psychologicznych, prof. Sosnowski

Tytus Sosnowski

Kurs 004 (2008 / 2009)

METODOLOGIA BADAŃ PSYCHOLOGICZNYCH

Wykład obligatoryjny dla I roku studiów wieczorowych

Wydziału Psychologii UW

PLANOWANIE I ANALIZA BADAŃ EMPIRYCZNYCH

Część E:

badania ex post facto:

porównania międzygrupowe

Badania eksperymentalne
a badania ex-P0st Facto

W badaniach NIEEKSPERYMENTALNYCH (EX-POST FACTO) badacz nie manipuluje zmiennymi ani nie oddziałuje w żaden sposób na badanych (na zmienna zależną) lecz jedynie dokonuje POMIARU zmiennych. Na podstawie analizy statystycznej staramy się ustalić relacje między mierzonymi zmiennymi a niekiedy -zależności przyczynowe. Ponieważ oddziaływania przyczynowe musiały mieć miejsce przed rozpoczęciem badań, mówimy o analizie ex-post facto („po fakcie”).

Zalety badań eksperymentalnych

możliwość celowego wywoływania zjawisk
lepsza kontrola zmiennych
łatwiejsza interpretacji przyczynowa

Ograniczenia badań eksperymentalnych

Nie wszystkie hipotezy dają się badać eksperymentalnie:

* nie wszystkie zmienne są manipulowalne;

* manipulacja może być niemożliwa lub trudna
ze względów technicznych;

* manipulacja może być niedopuszczalna ze względów
etycznych;

Istnieje problem generalizacji wyników badań eksperymentalnych (zwłaszcza laboratoryjnych)
na warunki naturalne.

Porównanie badań eksperymentalnych i ex-post facto

na przykładzie porównań międzygrupowych

Plan eksperymentalny

Grupy

zrandomizowane

Zmienna niezależna

manipulowalna

Zmienna zależna

Grupa 1

Grupa 2

KONTROLA zmiennych ubocznych. Jeśli porównujemy grupy zrandomizowane (i potrafimy wyeliminować zmienne zakłócające) to możemy przyjąć, że przed manipulacją grupy eksperymentalne nie różnią się między sobą systematycznie* pod względem ŻADNEJ ZMIENNEJ. Jeśli więc stwierdzimy w pomiarze końcowym różnicę między grupami, to nie da się jej wyjaśnić systematycznym wpływem żadnej zmiennej za wyjątkiem zmiennej którą manipulujemy.

Wyjaśnianie PRZYCZYNOWE: jeśli nie było różnicy między grupami na początku badania (randomizacja!)
a pojawiła się w pomiarze końcowym, to przyczyną tej różnicy może być tylko wpływ zmiennej X - przesądza
o tym sam plan badania.

* tzn. wartość oczekiwana każdej zmiennej jest taka sama
dla wszystkich grup; im mniejsze grupy jednak, tym
większe prawdopodobieństwo pojawienia się znacznych
odchyleń średnich grupowych od wartości oczekiwanych.

Plan ex-post facto

Przykład: badamy uprzedzenia etniczne (Y) w grupach różniących się pod względem zmiennej osobowościowej - autorytaryzmu (X).

Grupy kryterialne,

dobrane pod względem zmiennej X

Druga mierzona zmienna:

Grupa 1 (X1)

Grupa 2 (X2)

KONTROLA zmiennych ubocznych. Grupy różniące się pod względem zmiennej X mogą się też różnić pod względem innych zmiennych, skorelowanych z X (np. grupy różniące się autorytaryzmem mogą się też różnić pod względem sposobu wychowania, statusu społecznego, poziomu lęku, itp.).

Wyjaśnianie PRZYCZYNOWE. Jeśli nawet istnieje związek statystyczny między X i Y, to ani plan badania ani sposób analizy danych nie przesądza o tym, czy X jest przyczyną Y, czy Y przyczyną X, czy też, być może, istnieje inna zmienna -- Z , która wpływa zarówno na X jak i na Y. Zależność statystyczną która nie jest zależnością przyczynową nazywa się „zależnością pozorną”. Dla interpretacji przyczynowej wyników badań ex-post facto konieczne są dodatkowe przesłanki natury zarówno statystycznej (kontrola ważnych zmiennych ubocznych) jak i merytorycznej.

Zależność pozorna

Zależnością pozorną nazywamy zależność statystyczną, która nie ma charakteru przyczynowego.

Np. stwierdzono zależność statystyczna między liczbą bocianów i liczbą urodzeń (w gminach, w których żyje więcej bocianów rodzi się więcej dzieci). Zależność ta znika gdy uwzględnimy rodzaj gminy (miejska/wiejska): w gminach wiejskich jest więcej dzieci i więcej bocianów niż w gminach miejskich.

liczba bocianów (X)

rodzaj gminy (Z)

liczba urodzeń (Y)

Zależności między Z i X oraz między Z i Y są zależnościami przyczynowymi. Zależność między X i Y jest zależnością pozorną.

Aby wykazać że zależność między zmiennymi X i Y jest pozorna należy znaleźć odpowiednią zmienną kontrolną (Z) której uwzględnienie w analizie eliminuje zależność statystyczną między X i Y (por. przykład na następnych stronach).

Przykład (fikcyjny) zależności pozornej
(dane liczbowe z pracy Jahoda, Deutsch i Cook, 1955)

Mierzymy liczbę dzieci i liczbę bocianów w 480 gminach.

Tabela 1. Dane pierwotne

	Duża liczba bocianów	Mała liczba bocianów	Razem
Duża liczba dzieci	110	90	200
Mała liczba dzieci	90	190	280
Razem	200	280	480

Analiza danych w tabeli 1 wskazuje na istnienie zależności statystycznej między liczbą dzieci i liczbą bocianów.

Tabela 2. Uwzględnienie zmiennej kontrolnej (charakter gminy)

	Gmina wiejska			Gmina miejska
Liczba dzieci	Duża liczba bocia-nów	Mała liczba bocia-now	Razem	Duża liczba bocia-nów	Mała liczba bocia-nów	Razem
Duża	90	30	120	20	60	80
Mała	30	10	40	60	180	240
Razem	120	40	160	80	240	320

Po uwzględnieniu w analizie dodatkowej zmiennej (gmina (miejska / wiejska), czyli zmiennej KONTROLNEJ, stwierdzona wcześniej zależność znika. Jeśli analizujemy dane oddzielnie dla gmin miejskich i oddzielnie dla gmin wiejskich nie stwierdzamy zależności między liczbą bocianów a liczbą dzieci. Stwierdzona wcześnie zależność statystyczna nie jest więc zależnością przyczynową, ale zależnością POZORNĄ

Jeśli nie uda się wykazać że zależność między X i Y jest zależnością pozorną, może to wskazywać że:

* mamy do czynienia z zależnością przyczynową;

* nie uwzględniliśmy w analizie właściwej zmiennej kontrolnej (w momencie zbierania danych musimy wiedzieć jakie zmienne uboczne są ważne dla analizowanego problemu).

Aby wykazać że zależność statystyczna jest rzeczywiście zależnością przyczynową potrzebne są przesłanki merytoryczne (np. wyjaśniające jaki jest mechanizm zaobserwowanej zależności między zmiennymi).

PLANY EX-POST FACTO

1. Porównania międzygrupowe

2. Analiza korelacyjna (i pochodne od niej)

Inne, na przykład:
-- badania podłużne (longitudinal)
-- studium przypadku (case study)

PORÓWNANIA MIĘDZYGRUPOWE

Tworzymy grupy kryterialne w oparciu o jedną zmienną obserwowalną (mierzalną) lub kombinację kilku zmiennych
a następnie porównujemy grupy pod względem innej zmiennej.

W badaniach ex-post facto grupy kryterialne mogą być tworzone zarówno w oparciu o zmienne NIEZALEŻNE jak i zmienne ZALEŻNE. Przykładowo, jeśli interesuje nas wpływ inteligencji na osiągnięcia szkolne uczniów możemy:

stworzyć grupy różniące się poziomem inteligencji i porównać ich osiągnięcia szkolne
stworzyć grupy różniące się osiągnięciami szkolnymi i porównać ich wyniki w teście inteligencji.

O wyborze schematu analizy decyduje często wygoda a nie kierunek zależności. Na przykład, łatwiej jest dobrać grupy uczniów różniących się osiągnięciami szkolnymi i następnie przebadać ich testem inteligencji niż zastosować procedurę odwrotną.

Rodzaje analizy danych

Plan 1. Dwie zmienne nominalne (klasyfikacyjne) - tabela kontyngencji

	B1 (palą)	B2 (nie palą)	Razem
A1 (kobiety)	20	30	50
A2 (mężczyźni)	60	10	70
Razem	80	40	120

Do oszacowania istotności zależności między zmiennymi w takiej postaci (dane maja postać liczebności grup) możemy użyć test
, a do oceny siły związku między zmiennymi - współczynnik korelacji ϕ (dla tablicy 2 x 2) , lub C wielodzielcze (dla tablicy większej, np. 2 x 3); oba współczynniki korelacji oblicza się na podstawie
.

Plan 2. Jedna zmienna niezależna - nominalna (klasyfikacyjna), druga zmienna - ciągła:

Zmienna 1 (płeć)

Zmienna 2

grupa 1 (kobiety) grupa 2 (mężczyźni)

Test: porównywanie średnich (np. test t-studenta),

lub jakiś test nieparametryczny (np. U Manna-Whitneya)

Plan 3. Jedna zmienna niezależna ciągła, wtórnie
zdychotomizowana, druga zmienna ciągła.

Dzielimy badanych na dwie lub więcej grup na podstawie wartości jednej zmiennej ciągłej (np. mierzonej testem psychometrycznym) a następnie porównujemy utworzone grupy pod względem rozkładu drugiej zmiennej.

Zmienna 1 Zmienna 2

Grupa 1 (wyniki testu T1 wyższe od a)

Grupa 2 (wyniki testu T1 niższe od b)

Czy dychotomizować zmienne ciągłe czy analizować je w postaci oryginalnej (jako zmienne ciągłe)?

Dychotomizowanie zmiennych ciągłych ma poważne wady:

utrata części informacji - zamieniamy mocniejszą skalę pomiarową (interwałową lub porządkową) na słabszą, (nominalną);
eliminowanie z analizy części próby (analizujemy tylko grupy skrajne a eliminujemy środek rozkładu) .

Za dychotomizacją przemawia tylko jeden argument:

pozwala ona ograniczyć liczbę osób badanych (ważne, jeśli pomiar zmiennej zależnej jest bardzo pracochłonny (np. badania metodą rezonansu magnetycznego grupy ekstrawertyków i introwertyków).

Plan 4. Plany wieloczynnikowe w badaniach ex-post facto.

Załóżmy, że w badaniach ex-post facto mamy dwie lub więcej zmiennych niezależnych (np. płeć i poziom wykształcenia) a zmienna zależna jest zmienną interwałową. Czy możemy użyć analizy wariancji? np. jak niżej

A₁B₁

A₁B₂

A₂B₂

- Powodem stosowania ANOVA-y jest to, że pozwala ona analizować interakcję zmiennych niezależnych (jeśli nie ma interakcji, plan n-czynnikowy może być zastąpiony przez n planów jednoczynnikowych).

- Argumentem „przeciw” jest to, że ANOVA opiera się na założeniu, że zmienne niezależne są nieskorelowane (ortogonalne). W badaniach eksperymentalnych założenia to jest spełnione automatycznie (pod warunkiem że grupy są równoliczne). W badaniach nie-eksperymentalnych założenie to rzadko jest spełnione. W związku z tym wyniki analizy statystycznej będą obciążone trudnym do oszacowania błędem.

Jeśli w badaniach nie-eksperymentalnych (zwłaszcza:
ex post facto) analizujemy bezpośredni wpływ kilku zmiennych niezależnych na zmienną zależną, właściwą metodą analizy będzie analiza regresji wielokrotnej (multiple regression analysis). Jeśli analizujemy bardziej skomplikowane zależności między zmiennymi można skorzystać z takich metod jak LISREL czy AMOS.

Zalety analizy regresji

dopuszcza istnienie korelacji między zmiennymi niezależnymi.
daje możliwość jednoczesnego analizowania zmiennych niezależnych kategorialnych i ciągłych oraz interakcji między nimi. Jeśli zmienna kategorialna ma dwie wartości (0 i 1), może być wprost włączona do analizy. Jeśli ma więcej niż dwie wartości musi być w odpowiedni sposób zakodowana (w postaci odpowiednich wektorów).”
jest metodą znacznie prostszą niż AMOS i LISREL

mtd5E (2008 / 2009) - 1