Определения в корреляционных исследованиях
Ваш мозг может делать действительно крутые вещи. Например, вы узнаете, что определенный звон означает, что поблизости находятся фургоны с мороженым. Чем громче звон, тем он ближе. А если вам посчастливилось иметь несколько типов фургонов с мороженым, вы поймете, какой джингл подходит к какому фургону с мороженым.
В мире полно вещей, и если произойдет событие А, то с большой вероятностью произойдет событие Б. Если предмет А — это звон, то велика вероятность, что предмет Б, фургон с мороженым, находится неподалеку. Мы также можем усложнить ситуацию, задав параметр A громкостью звона, а элемент B — расстояние до фургона с мороженым. По мере увеличения громкости расстояние сокращается. С увеличением расстояния громкость снижается.
Это довольно глупый пример, но это пример того, как вы естественным образом соотносите одно событие с другим. Корреляция просто определяется, как связь между двумя переменными. Вся цель использования корреляций — выяснить, какие переменные связаны между собой. Давайте называть эти вещи переменными; это более научное название. Это простое определение лежит в основе нескольких статистических тестов, в результате которых получается коэффициент корреляции, определяемый, как числовое представление силы и направления взаимосвязи.
Исследование корреляции ищет переменные, которые, взаимодействуют друг с другом, поэтому, когда вы видите изменение одной, у вас есть представление о том, как изменится другая. Это часто приводит к тому, что исследователь использует переменные, которые он не может контролировать. Например, исследователя может заинтересовать изучение предпочтения мороженого в зависимости от возраста. Если мы не можем определить возраст, означает ли это, что нам придется отказаться от всей корреляции? Нет!
Поскольку исследователь не может назначить определенные переменные, это будет означать, что исследователь проводит квазиэкспериментальное исследование. Квазиэкспериментальное исследование определяется как эксперимент, в котором участники распределяются не случайным образом. Существуют разные методы преодоления этой проблемы, и я советую вам изучить это на других уроках.
Хотя мы фокусируемся на корреляции в исследованиях, мы также должны отметить, что корреляция может быть положительной или отрицательной. Положительные корреляции означают, что по мере увеличения переменной A увеличивается и переменная B. Отрицательная корреляция определяется так: когда переменная A увеличивается, переменная B уменьшается. Обратите внимание: я не сказал, насколько меняется другая переменная при изменении первой переменной.
Пример 1
При поиске корреляций исследователь будет искать закономерности – то, что он видел, происходило снова и снова. Простая закономерность, известная каждому учителю, но, к сожалению, не каждому ученику, — это связь между учебой и оценками. Прилежный студент, который учится, с большей вероятностью наберет более высокий балл на тесте. Студенты, которые мало учатся, с меньшей вероятностью наберут такие же высокие баллы, как преыдущие.
Возможно, вы сомневаетесь в моих словах, потому что раньше вы сдавали тесты, к которым не готовились, и с ними все было хорошо. А есть и другие, которые учатся, но все равно не получают хороших оценок. Это связано с тем, что между элементами не существует идеальной корреляции или идеального отношения 1:1. В реальном мире происходит слишком много всего, чтобы стать идеальной связью. Такие вещи, как личные таланты, отвлекающие факторы, знание предмета и мозговые способности, делают всех разными.
Это вмешательство в корреляцию известно, как посторонняя переменная, которую просто определяют как переменную, влияющую на исследование. На них следует обратить внимание, когда вы смотрите на корреляции, потому что ничто в математике или эксперименте не скажет: «Вот оно; это портит ваш эксперимент».
Пример 2
Предыдущий пример был хорошим вариантом положительной корреляции, но как насчет отрицательной корреляции? Говоря об оценках и людях, вы когда-нибудь видели человека, который только и делал, что смотрел телевизор? Человек, который слишком много смотрит телевизор, обычно плохо сдает тесты. Это означает, что чем больше они смотрят телевизор, тем ниже их оценки. 10 часов просмотра телевидения получают оценку C, а 30 часов просмотра телевидения — F.
Однако есть одна проблема: не всегда ясно, что именно стало причиной. Возможно, человек, который много смотрит телевизор, получил плохую оценку на последнем тесте. Имея это в виду, мы также должны думать о том, что корреляции не указывают направление. В этом примере мы не знаем, стала ли плохая оценка причиной просмотра телевизора или просмотр телевизора стал причиной плохих оценок.
Итог урока
Корреляция просто определяется, как связь между двумя переменными. Исследователи, использующие корреляции, хотят увидеть, существует ли связь между двумя переменными. Эта связь представлена коэффициентом корреляции, определяемым как числовое представление силы и направления связи.
Эта связь может быть представлена положительной корреляцией, означающей, что по мере увеличения переменной A увеличивается и переменная B, или отрицательной корреляцией, определяемой как когда переменная A увеличивается, переменная B уменьшается. Одна из проблем корреляции заключается в том, что не всегда ясно, существует ли посторонняя переменная, которую просто игнорируют как переменную, влияющую на исследование. Наконец, корреляции не указывают направление эффекта, поэтому вы не знаете, вызывает ли переменная A переменную B или наоборот.
