Forskningsmetoder i psykologi

Vad är korrelationsforskning?

Korrelationsforskning är en typ av icke-experimentell forskning där forskaren mäter två variabler (binära eller kontinuerliga) och bedömer det statistiska sambandet (dvs, korrelationen) mellan dem med små eller inga ansträngningar för att kontrollera främmande variabler. Det finns många anledningar till att forskare som är intresserade av statistiska samband mellan variabler väljer att genomföra en korrelationsstudie i stället för ett experiment. Det första är att de inte tror att det statistiska sambandet är ett orsakssamband eller att de inte är intresserade av orsakssamband. Två av vetenskapens mål är att beskriva och förutsäga, och den korrelationella forskningsstrategin gör det möjligt för forskarna att uppnå båda dessa mål. Mer specifikt kan denna strategi användas för att beskriva styrkan och riktningen på sambandet mellan två variabler och om det finns ett samband mellan variablerna kan forskarna använda poäng på den ena variabeln för att förutsäga poäng på den andra (med hjälp av en statistisk teknik som kallas regression, som diskuteras närmare i avsnittet om komplexa samband i detta kapitel).

En annan anledning till att forskare väljer att använda en korrelationsstudie i stället för ett experiment är att det statistiska förhållandet av intresse antas vara kausalt, men att forskaren inte kan manipulera den oberoende variabeln eftersom det är omöjligt, opraktiskt eller oetiskt. En forskare kan till exempel vara intresserad av sambandet mellan hur ofta människor använder cannabis och deras minnesförmåga, men kan inte etiskt sett manipulera hur ofta människor använder cannabis. De måste helt enkelt mäta hur ofta människor använder cannabis och mäta deras minnesförmåga med hjälp av ett standardiserat minnestest och sedan avgöra om frekvensen av människors användning av cannabis har ett statistiskt samband med minnestestets resultat.

Korrelation används också för att fastställa mätningars tillförlitlighet och giltighet. En forskare kan till exempel utvärdera giltigheten hos ett kort extraversionstest genom att administrera det till en stor grupp deltagare tillsammans med ett längre extraversionstest som redan har visat sig vara giltigt. Forskaren kan sedan kontrollera om deltagarnas resultat på det korta testet är starkt korrelerade med deras resultat på det längre testet. Inget av testresultaten antas orsaka det andra, så det finns ingen oberoende variabel att manipulera. I själva verket är termerna oberoende variabel och beroende variabel inte tillämpliga på denna typ av forskning.

En annan styrka med korrelationsforskning är att den ofta har högre extern validitet än experimentell forskning. Kom ihåg att det vanligtvis finns en avvägning mellan intern validitet och extern validitet. När större kontroller läggs till i experimenten ökar den interna validiteten, men ofta på bekostnad av den externa validiteten eftersom konstgjorda förhållanden införs som inte existerar i verkligheten. Korrelationsstudier har däremot vanligtvis låg intern validitet eftersom ingenting manipuleras eller kontrolleras, men de har ofta hög extern validitet. Eftersom ingenting manipuleras eller kontrolleras av försöksledaren är det mer sannolikt att resultaten återspeglar förhållanden som existerar i verkligheten.

Slutligt kan korrelationsstudier, som bygger på denna avvägning mellan intern och extern validitet, bidra till att ge konvergerande bevis för en teori. Om en teori stöds av ett verkligt experiment som har hög intern validitet samt av en korrelationsstudie som har hög extern validitet kan forskarna ha större tilltro till sin teoris validitet. Som ett konkret exempel kan nämnas att korrelationsstudier som fastställer att det finns ett samband mellan att titta på våldsam TV och aggressivt beteende har kompletterats med experimentella studier som bekräftar att sambandet är kausalt (Bushman & Huesmann, 2001).

Innehåller korrelationsforskning alltid kvantitativa variabler?

En vanlig missuppfattning bland nyblivna forskare är att korrelationsforskning måste omfatta två kvantitativa variabler, t.ex. resultat på två extraversionstester eller antalet dagliga besvär och antalet symtom som människor har upplevt. Det utmärkande draget för korrelationsforskning är dock att de två variablerna mäts – ingen av dem manipuleras – och detta gäller oavsett om variablerna är kvantitativa eller kategoriska. Föreställ dig till exempel att en forskare administrerar Rosenbergs skala för självkänsla till 50 amerikanska collegestudenter och 50 japanska collegestudenter. Även om detta ”känns” som ett experiment mellan försökspersoner är det en korrelationsstudie eftersom forskaren inte manipulerade studenternas nationalitet. Samma sak gäller för Cacioppos och Pettys studie där man jämför universitetslärare och fabriksarbetare när det gäller deras behov av kognition. Det är en korrelationsstudie eftersom forskarna inte manipulerade deltagarnas yrken.

Figur 6.2 visar data från en hypotetisk studie om sambandet mellan huruvida människor gör en daglig lista över saker att göra (en ”att-göra-lista”) och stress. Observera att det är oklart om detta är ett experiment eller en korrelationsstudie eftersom det är oklart om den oberoende variabeln manipulerades. Om forskaren slumpmässigt tilldelade vissa deltagare att göra dagliga att-göra-listor och andra att inte göra det, är det ett experiment. Om forskaren helt enkelt frågade deltagarna om de gjorde dagliga att-göra-listor är det en korrelationsstudie. Skillnaden är viktig, för om studien var ett experiment skulle man kunna dra slutsatsen att det minskade deltagarnas stress att göra dagliga att-göra-listor. Men om det är en korrelationsstudie kan man bara dra slutsatsen att dessa variabler är statistiskt relaterade. Kanske har stress en negativ effekt på människors förmåga att planera framåt (riktningsproblemet). Eller så kanske människor som är mer samvetsgranna är mer benägna att göra uppgörelselistor och mindre benägna att vara stressade (problemet med den tredje variabeln). Den avgörande punkten är att det som definierar en undersökning som experimentell eller korrelationell inte är de variabler som studeras, inte heller om variablerna är kvantitativa eller kategoriska eller vilken typ av diagram eller statistik som används för att analysera uppgifterna. Det som definierar en studie är hur studien genomförs.

Datainsamling i korrelationsforskning

Även här är det utmärkande draget för korrelationsforskning att ingen av variablerna manipuleras. Det spelar ingen roll hur eller var variablerna mäts. En forskare kan låta deltagare komma till ett laboratorium för att utföra en datoriserad uppgift om bakåtriktad sifferspännvidd och en datoriserad uppgift om riskfyllt beslutsfattande och sedan bedöma förhållandet mellan deltagarnas resultat på de två uppgifterna. Eller så kan en forskare gå till ett köpcentrum och fråga människor om deras attityder till miljön och deras shoppingvanor och sedan bedöma förhållandet mellan dessa två variabler. Båda dessa studier skulle vara korrelationsstudier eftersom ingen oberoende variabel manipuleras.

Korrelationer mellan kvantitativa variabler

Korrelationer mellan kvantitativa variabler presenteras ofta med hjälp av spridningsdiagram. Figur 6.3 visar några hypotetiska data om förhållandet mellan den mängd stress som människor utsätts för och antalet fysiska symtom som de har. Varje punkt i spridningsdiagrammet representerar en persons poäng på båda variablerna. Den inringade punkten i figur 6.3 representerar till exempel en person vars stresspoäng var 10 och som hade tre fysiska symtom. Om man tar hänsyn till alla punkter kan man se att personer med mer stress tenderar att ha fler fysiska symtom. Detta är ett bra exempel på ett positivt samband, där högre poäng på en variabel tenderar att vara förknippade med högre poäng på den andra variabeln. Med andra ord rör de sig i samma riktning, antingen båda uppåt eller båda nedåt. Ett negativt förhållande är ett förhållande där högre poäng på en variabel tenderar att vara förknippade med lägre poäng på den andra variabeln. Med andra ord rör de sig i motsatt riktning. Det finns till exempel ett negativt samband mellan stress och immunförsvarets funktion, eftersom högre stress är förknippat med lägre immunförsvarets funktion.

Styrkan av ett samband mellan kvantitativa variabler mäts vanligtvis med hjälp av en statistik som kallas Pearsons korrelationskoefficient (eller Pearsons r). Som framgår av figur 6.4 sträcker sig Pearsons r från -1,00 (det starkaste möjliga negativa sambandet) till +1,00 (det starkaste möjliga positiva sambandet). Ett värde på 0 innebär att det inte finns något samband mellan de två variablerna. När Pearsons r är 0 bildar punkterna på ett spridningsdiagram ett formlöst ”moln”. När dess värde rör sig mot -1,00 eller +1,00 kommer punkterna allt närmare att falla på en enda rak linje. Korrelationskoefficienter nära ± 0,10 anses vara små, värden nära ± 0,30 anses vara medelstora och värden nära ± 0,50 anses vara stora. Observera att tecknet på Pearsons r inte har något samband med dess styrka. Pearson’s r-värden på +.30 och -.30 är till exempel lika starka; det är bara det att det ena representerar ett måttligt positivt förhållande och det andra ett måttligt negativt förhållande. Med undantag för tillförlitlighetskoefficienter är de flesta korrelationer som vi finner inom psykologin små eller måttligt stora. Webbplatsen http://rpsychologist.com/d3/correlation/, skapad av Kristoffer Magnusson, erbjuder en utmärkt interaktiv visualisering av korrelationer som gör det möjligt att justera styrkan och riktningen på en korrelation samtidigt som man bevittnar motsvarande förändringar i spridningsdiagrammet.

Det finns två vanliga situationer där värdet av Pearsons r kan vara missvisande. Pearsons r är ett bra mått endast för linjära samband, där punkterna bäst approximeras av en rät linje. Det är inte ett bra mått för icke-linjära förhållanden, där punkterna approximeras bättre av en böjd linje. Figur 6.5 visar till exempel ett hypotetiskt samband mellan den mängd sömn som människor får per natt och deras grad av depression. I det här exemplet är den linje som bäst approximerar punkterna en kurva – ett slags uppochnedvänt ”U” – eftersom personer som får ungefär åtta timmars sömn tenderar att vara minst deprimerade. De som sover för lite och de som sover för mycket tenderar att vara mer deprimerade. Även om figur 6.5 visar ett ganska starkt samband mellan depression och sömn skulle Pearsons r vara nära noll eftersom punkterna i spridningsdiagrammet inte passar bra in på en enda rak linje. Detta innebär att det är viktigt att göra ett spridningsdiagram och bekräfta att ett samband är ungefär linjärt innan man använder Pearsons r. Icke-linjära samband är ganska vanliga inom psykologin, men att mäta deras styrka ligger utanför ramen för den här boken.

De andra vanliga situationerna där värdet av Pearsons r kan vara missvisande är när en eller båda variablerna har ett begränsat intervall i urvalet i förhållande till populationen. Detta problem kallas begränsning av intervallet. Anta till exempel att det finns en stark negativ korrelation mellan människors ålder och deras glädje över hiphop-musik, vilket framgår av spridningsdiagrammet i figur 6.6. Pearsons r är här -.77. Men om vi skulle samla in data endast från 18-24-åringar – som representeras av det skuggade området i figur 6.6 – skulle sambandet tyckas vara ganska svagt. I själva verket är Pearsons r för detta begränsade åldersintervall 0. Det är därför en bra idé att utforma studierna så att man undviker att begränsa intervallet. Om ålder till exempel är en av dina primära variabler kan du planera att samla in data från personer i många olika åldrar. Eftersom begränsning av intervallet inte alltid kan förutses eller lätt kan undvikas är det dock bra att undersöka dina data för att upptäcka eventuell begränsning av intervallet och att tolka Pearsons r i ljuset av detta. (Det finns också statistiska metoder för att korrigera Pearsons r för begränsning av intervallet, men de ligger utanför ramen för den här boken).

Korrelation innebär inte orsakssamband

Du har förmodligen hört upprepade gånger att ”korrelation innebär inte orsakssamband”. Ett roligt exempel på detta kommer från en studie från 2012 som visade en positiv korrelation (Pearsons r = 0,79) mellan chokladkonsumtionen per capita i en nation och antalet Nobelpris som delas ut till medborgare i den nationen. Det verkar dock klart att detta inte betyder att det faktum att man äter choklad gör att människor vinner Nobelpris, och det skulle inte vara meningsfullt att försöka öka antalet Nobelpris som vinns genom att rekommendera att föräldrarna matar sina barn med mer choklad.

Det finns två anledningar till att korrelation inte innebär orsakssamband. Det första kallas för riktningsproblemet. Två variabler, X och Y, kan vara statistiskt relaterade för att X orsakar Y eller för att Y orsakar X. Tänk till exempel på en studie som visar att huruvida människor motionerar eller inte är statistiskt relaterat till hur lyckliga de är – så att människor som motionerar i genomsnitt är lyckligare än människor som inte motionerar. Detta statistiska samband är förenligt med idén att motion orsakar lycka, men det är också förenligt med idén att lycka orsakar motion. Att vara lycklig kanske ger människor mer energi eller får dem att söka möjligheter att umgås med andra genom att gå till gymmet. Det andra skälet till att korrelation inte innebär orsakssamband kallas problemet med tredje variabeln. Två variabler, X och Y, kan vara statistiskt relaterade, inte för att X orsakar Y, eller för att Y orsakar X, utan för att en tredje variabel, Z, orsakar både X och Y. Det faktum att länder som har vunnit fler Nobelpris tenderar att ha en högre chokladkonsumtion återspeglar till exempel troligen geografin i och med att de europeiska länderna tenderar att ha en högre chokladkonsumtion per capita och att de investerar mer i utbildning och teknik (återigen, per capita) än många andra länder i världen. På samma sätt kan det statistiska sambandet mellan motion och lycka innebära att någon tredje variabel, t.ex. fysisk hälsa, orsakar båda de andra. Att vara fysiskt frisk skulle kunna få människor att motionera och få dem att bli lyckligare. Korrelationer som är ett resultat av en tredje variabel kallas ofta för falska korrelationer.

Några utmärkta och roliga exempel på falska korrelationer finns på http://www.tylervigen.com (figur 6.7 ger ett sådant exempel).