Установление корреляционных зависимостей

В корреляционном исследовании контролируется порядок измерения переменных, т.е. план сбора данных зависит от исследователя. Следует особенно подчеркнуть это в связи с тем, что в литературе не по психологии (статистической, экономической и т.д.) термин "статистический контроль" может применяться и по отношению к переменным, способ получения которых неизвестен или не был проконтролирован психологом.

Например, статистические данные о дорожно-транспортных происшествиях или о правонарушениях лиц определенных групп (допустим, подростков) могут привлекаться для обсуждения тех или иных психологических гипотез. Если эти данные берутся уже готовыми, т.е. собранными в том или ином ведомстве, то психолог не может отвечать за контроль тех или иных смешений с побочными переменными (так, в этих данных могут быть не приведены сведения о погодных условиях при тех или иных дорожно-транспортных происшествиях). Соответственно, уровень допустимых выводов из такого типа данных, как накопленные статистически, еще менее доказателен, чем из корреляционного анализа тех выборочных значений переменных, получение которых контролировалось исследователем при учете возможных источников их ненадежности или угроз валидности.

Корреляция и статистические решения

Основная цель использования мер связи в экспериментальном исследовании — проверка статистической нуль-гипотезы о том, что переменные Х\ Уне связаны, т.е. имеют нулевой коэффициент корреляции в совокупности. В логике экспериментального вывода соответствующие статистические решения занимают вполне определенное место: от количественной оценки значимости выявленной ковариации переменных зависит содержательный вывод об обоснованности экспериментальной или контргипотезы (или необходимости поиска других конкурирующих гипотез). Если в соответствии с полученными эмпирическими данными нуль-гипотеза не может быть отвергнута, то следует отвергнуть экспериментальную гипотезу, т.е. признать изменения переменных не связанными друг с другом. В этой логике отвержения экспериментальных гипотез коэффициент корреляции выполняет ту же роль, что и меры различий: ^-критерий Стьюдента и др. Более строго следовало бы говорить об отвержении гипотезы о значимости коэффициента корреляции.

Обычно в учебных пособиях по статистике специально выделяется случай доказательства того, что коэффициент корреляции для двух выборок равен нулю1. Роль этого частного случая заключается в том, что при отсутствии ковариации не выполняется существенное условие причинного вывода. Однако реально цель доказать, что связь между переменными равна именно нулю, а не просто является незначимой, ставится чрезвычайно редко. Научное познание направлено на выявление не того, что что-то от чего-то не зависит, а на установление закономерных зависимостей одних переменных от других (при проверке содержательных гипотез).

При корреляционном подходе, не предполагающем управление независимыми переменными, равноправными с точки зрения логики последующего содержательного вывода являются статистические решения о равенстве коэффициента корреляции какому-то числу, одинаковой корреляции переменной Xс другими переменными (Уи 2Г), значимости множественной корреляции. Традиционный подсчет коэффициента корреляции предполагает указание уровня значимости при определенном количестве наблюдений, т.е. числа измерений. Не сама по себе подсчитанная на основе эмпирических данных величина коэффициента корреляции служит основанием для оценки приемлемости психологической гипотезы о связи между переменными, а статистическое решение о том, следует ли считать вычисленное значение коэффициента корреляции значимым. Иными словами, установление факта незначимости корреляции между переменными служит основанием для принятия решения отвергнуть гипотезу о связи между переменными. Интерпретация установленной связи полностью подчинена не следующему из самого эмпирического материала обоснованию ее направленности или опосредствования ее тем или иным базисным процессом.

Это же ограничение касается и многомерного анализа данных, в частности множественно-регрессионного анализа. Так, нуль-гипотеза при таком анализе утверждает, что нет связи между предсказываемой переменной и данным набором предсказывающих переменных. Если нуль-гипотеза, согласно полученным результатам, не может быть отвергнута, то это означает, что предсказываемая переменная не имеет значимых связей ни с одной из переменных набора. Если принятие содержательной гипотезы исследования предполагает отвержение нуль-гипотезы как отсутствия линейных количественных связей между двумя наборами переменных, то установление этой линейной комбинации по полученным данным все же может оказаться недостаточным для подтверждения исходных априорных положений. Как подчеркивается в современных обзорах основных направлений многомерного анализа данных, самая существенная трудность состоит в том, что в случае отвержения общей нуль-гипотезы "позитивные" результаты могут не поддаваться разумной интерпретации.