相关研究的概念及其基本特征

相关研究是认识事物之间相关关系的基本手段。鉴于心理与教育科学研究的特殊性，相关研究已成为心理与教育科学研究领域中应用最广的方法之一。为了对相关研究有一个全面、深刻的认识，本节将就相关研究的概念、相关研究的多种设计形式以及相关研究结果的分析与解释作一系统的探讨。

一、相关研究的概念

相关研究（correlational research）主要指不操作和不控制研究变量，而是从自然环境中获取数据，主要采用相关分析思路与统计方法探讨变量之间的关系的研究类型。以双生子研究为例，研究者选取了生活在不同环境中的同卵、异卵双生子与同胞兄弟姐妹进行长期的追踪研究，考察其智力的相关，以探讨智力发展与遗传、环境因素的关系。

从研究的角度，仅仅对变量进行描述是不够的，研究者往往希望了解各个变量之间的关系，明白它们之间相互作用的程度。为此，在许多自然科学研究中，通常采取对变量进行操纵与控制的方法，影响被试，借以获得其间关系的证据。但是，在心理与教育科学研究中，变量之间的关系往往十分复杂，这就使得研究者难以准确地对所研究的变量进行有力的控制。例如，要研究不同人格特征对社交积极行为的作用，如果对人格特征进行操作，是不太实际的，即使通过一定手段对个体的人格特征进行了操作，也并不能够保证它的有效性，反而可能对研究产生干扰，得不到可靠的结果，使研究失去意义。另一方面，很多变量由于各种条件的限制，本身就是不可控制的因素。如在前述的双生子研究中，要对被试的双生关系进行操纵与控制几乎是不可能的事。在这种情况下，研究者只能在现实环境中寻找具有双生关系的儿童，研究其智力相关的程度。总之，由于上述原因，在实验研究不能涉及的领域，相关研究对于揭示现象间的关系具有重要作用。相关研究相对于较简单的描述研究是一大进步，而它又适应心理与教育科学研究的特殊性，弥补了实验研究的不足，所以相关研究成为心理与教育科学研究中被广泛采纳的研究类型之一。

二、相关研究的设计思路

由于相关研究是在自然场景中，以非操纵的方式收集资料，并进行分析的，所以相关研究设计主要考虑两个方面的问题：一是如何根据研究问题与研究的具体条件，确定有关研究变量，并制定研究计划；二是如何根据研究变量的性质及可能关系与研究者的需要，确定相应的资料分析方法，获得有意义的结果。其中，确立变量关系模型（model of variable relationships）是相关研究的核心问题。相关研究正是以对假设的变量关系模型进行检验的方式进行的。研究者必须事先对所研究问题作深入、透彻的分析，建立研究假设，并以变量关系模型的形式表示出来，在此基础上制定研究计划、选择收集资料与分析资料的手段，以保证研究的顺利进行。依据变量关系模型的性质，相关研究可分为以下四种设计形式：

（一）单变量-单变量相关设计

考察两个变量之间的关系乃是相关研究的最基本形式。在相关研究中，尽管不能对变量之间是否存在因果关系进行检验，但却可以分析变量间关联的程度与方向，并对某一变量的发生可能性进行预测。在这种研究设计中，研究变量分为两类：（1）假定为预测依据的变量，称之为预测变量（或预测变项）（predictor variable）；（2）假定为预测结果的变量，则称之为结果变量（或被预测变项）（predicted variable），因结果变量的变化情形常用来作为评判自变量是否生效的标准，故又称为效标变量（或标准变项）（cri-terion variable）。两者之间的关系类似于实验研究中自变量与因变量的关系，然而在相关研究中，事实上是不存在所谓的“自变量”与“因变量”的，而预测变量与结果变量之间的关系也并不像自变量与因变量之间的关系那样明晰，往往存在多种影响因素。

预测变量与结果变量的选择主要根据经验与逻辑原则，一般来讲，明显发生在后的变量应该作为结果变量，在前的变量则作为预测变量。如在一项发展心理学研究中，研究者要探讨父母幼年阶段被教养的方式与当前的教养方式之间的关联，就通常以父母早年受到的教养方式为预测变量，而以他当前的教养方式为结果变量。在不能明确先后关系的时候，则依据研究的目的与性质而定。例如在研究教师课堂教学行为与学生消极情绪之间的关系时，如果研究者侧重于找到解决学生消极情绪的途径，则应以教师行为为预测变量，而以学生消极情绪为结果变量。在分析中，通常采用两列相关（指两列变量的相关）与一元回归（简单回归）作为主要统计方法。通常用相关系数的高低作为探查两个变量之间是否存在关联及关联程度的指标，并由此建立相应的回归方程，以此作为预测的主要依据。

（二）多变量-单变量相关设计

心理与教育研究对象的影响因素非常复杂，在方向、程度上均有区别。因此在心理与教育科学研究中，研究者常常以几个变量为预测变量，而以一个变量为结果变量进行设计。如研究者试图发现影响未成年人吸烟、饮酒行为的因素，于是以未成年人的吸烟、饮酒行为为结果变量，家庭教养方式、同伴压力、生活事件及病理生理因素为预测变量进行研究，这就是多变量-单变量相关设计的具体运用。

在这种设计中，研究者需要为预测变量对于结果变量的贡献作出综合性的评价。一方面，研究者所建立的变量关系模型应当是在所有可能的模型中预测效果最佳、对预测变量群贡献最大的一种；另一方面，研究者不能进行盲目的堆砌，将所有变量不分大小统统包含在内，而要选择合适的变量组合，符合高效、简洁、明确的原则。为此，研究者在设计时，应当对所涉及变量的可能关系作出全面的分析，建立多个变量关系模型，然后围绕模型收集和分析资料，考察各个模型，确定最合适的变量关系模型。

多变量-单变量相关设计通常多采用复相关与多元回归（或复回归）（mul-tiplereg ression）的统计技术进行分析。利用复相关，可以计算预测变量群与结果变量之间的总体关联程度以及哪些预测变量与结果变量存在着较高的关联。多元回归则帮助研究者建立有效的预测模型，以达到最佳的解释与预测效果。

（三）变量组内部相关设计

在多变量-单变量相关设计中，预测变量群内部可能出现两种情形：互相独立或互相关联。不同的情形在研究中对结果变量的影响是不一样的。互相关联的预测变量组由于内部结构情况不一，其与结果变量的关系往往表现为总体的关联，变量之间则互相渗透，难分彼此。这一特征反映在研究中，就形成了专门的变量组内部相关设计。

尽管变量组内部各个变量间关联的程度与方向都不一样，不同的变量组结构往往大相径庭，但是从变量影响因素上分析，所有变量均包含两部分变异来源：一部分是由某个或某几个变量的共同作用而产生的；另一部分则是受到其他特殊因素影响或变量自身变化而引起的，正是各个变量的共同因素（common factor）决定了变量间的关系性质与程度。变量组内部相关设计由此入手，通过考察变量组内部共同因素的方式来探查变量组内部的关系模型。在智力测验中，“g因素”理论就是以对被试在不同测验题目上的回答进行研究，抽取共同因素而获得的关系模型。

变量组内部相关设计一般多采用因素分析（factor analysis）为基本手段进行分析。其大致方法是，在变量组内部两两相关矩阵的基础上，通过确立公因子数目、抽取公因子、转轴等程序，获得具有良好解释作用的公因子模型。对模型的意义进行分析，就可以指出变量组内部关系的来源及其大致结构。

（四）多变量-多变量相关设计

前述三种设计分别从单变量-单变量之间、多变量-单变量之间及变量组内部的关系角度出发，建立模型并进行验证。但是，事实上几乎所有的心理与教育现象都包含着复杂的内部问题，在研究者力所能及的情况下，最好采取多变量-多变量相关设计形式，以便在最大范围考察变量之间的关系。

多变量-多变量相关设计是相关研究设计中最为复杂的设计类型。在这种设计中，研究者需要同时在设计中考虑不同变量组内部、变量组与单个变量之间多种类型的相关，并由此综合各种相关研究的设计形式，应用于研究的不同阶段。如在社会支持网络与个体适应状况之间存在的相关，教师课堂教育教学行为与小学生在校行为之间的相关均涉及较复杂的变量，欲考察此类问题，必须要经过较详细、深入的研究过程，才能对研究问题进行有效的解释与推测，故研究多采用多变量多变量-相关设计形式。

在多变量-多变量的分析中，各类分析手段均被广泛的使用。为建立较好的预测模型，分析时多使用多变量分析（multivariate analysis）中的典型相关分析（见第十七章）及结构方程模型（structural equation model，简称 SEM）来处理。结构方程模型提供了一个处理测量误差的方法，采用多个指标去反映潜在变量，也可估计整个模型因素间的关系，较传统回归方法更加准确合理。

三、相关研究结果的分析与解释

（一）相关研究结果分析的基本原则

相关研究所获得的资料包括定性资料与定量资料两种形式。因而在分析时，也相应有两类不同的分析模式：定性分析模式主要依靠研究者的逻辑分析建立描述性的变量关系模型；而定量分析模式则需要统计方法的参与，能够建立量化的数学模型。

在进行结果分析时，主要应遵照以下几条原则进行：

1.选择合适的分析手段与分析模式　相关研究的资料有定性与定量之别。定量资料有计数、顺序、等距、等比等不同的水平，定性资料也有文字、实物、图片、音像记录等不同形式。针对不同性质的资料，分析手段也相应有所变化。而在建立关系模型时，还涉及多变量与单变量之分，也要求研究者应用不同的分析模式加以说明。这就需要研究者在分析阶段根据自己的研究目的，组合不同的分析手段，以适应不同性质资料分析的需要。

2.选择合适的统计分析方法　相关研究主要以相关统计为主要分析方法，包括相关、回归及其他相关统计手段。通过相关分析，研究者就可以正确查明变量之间联系、影响、作用的有无与大小，也可以利用因果探察手段，在相关结果的基础上获得较明确的因果关系。但是，相关研究并不仅仅局限于使用相关分析方法。例如，对一项旨在了解生活满意度之性别差异的调查结果，就不宜使用相关分析方法，而应该用差异检验手段如t检验，来考察男性与女性满意度的差异。可见，统计方法的选择主要应由欲考察的目的来决定。

3.选择合适的变量关系模型　选择合适的变量关系模型包括两方面含义：（1）选择合适的变量数目；（2）选择合适的变量组合方式。目前主要采取的方法有逐步排除、逐步纳入与全模型。逐步排除利用现有的预测变量建立模型，再逐步将与结果变量关联较小的变量排除出去，直至获得满意的模型。逐步纳入则正好相反，先利用关联较大的变量建立关系模型，然后按关联程度大小依次将其他变量纳入。全模型则是将所有可能的变量组合形式均建立相应的关系模型，在其中进行选择。通过以上方法，就可以将与结果变量关联较大、预测效果较好的变量遴选出来。当然，在实际研究中，变量的选择还应依据具体的研究目的而定。有些变量尽管关联较小，但具有较大的理论与应用价值，也应包括进模型中。

（二）相关研究的因果推论方法

通过一定手段，可以对相关研究结果建立因果模型，探讨其中的因果关系。主要的方法有变量特性分析、偏相关技术与交叉延迟法。

变量特性分析（variable characteristic analysis）指通过对变量自身的特性进行考察，发现因果关系的证据。在能够肯定两个变量互相影响的条件下，可以采用这种办法。比如，儿童故事中，性别角色比例与儿童性别认同存在相关，在这种情况下，故事中的性别角色比例影响儿童性别认同较为合理，而儿童性别角色认同影响故事性别角色比例则不太合理。因此，我们可以认为，儿童故事中性别角色比例影响儿童性别认同。

偏相关技术（或净相关）（partial correlation）主要用于分析伪相关与中介变量相关，确认潜在变量的作用。研究者将怀疑对研究变量构成影响的第三变量作为协变量（covariable），计算偏相关系数，如果达到显著水平，即可认为研究变量的相关与潜在变量有关；如果没有达到，则可以认为研究变量之间存在因果关系。

交叉延迟法（cross-lag design）是一种纵向研究方法。它对两个变量在前后两个时间点上进行重复测量，由此计算同一时间点与跨时间点的不同相关，作为考察因果关系是否存在的依据。如图7-1：

图7-1　交叉延迟法中的变量相关

（采自　阴国恩，1996）

在对角线上的rx1y2与ry1x2称为交叉延迟相关。因为自变量发生先于因变量，所以自变量在时间1的值与因变量在时间2的值仍然具有较高的相关。这样，如果rx1y2显著大于ry1x2，说明x1与y2关系较密切，此时，如果y1与x2没有太大关系，可以认为变量x是自变量，而变量y则是因变量。

使用交叉延迟法，要求变量间的因果关系不随时间发展而变化，同时变量在不同时间的相关（稳定性相关）与每个时间点上变量间的相关（同步相关）应当基本一致，如果不能满足这些条件，则不应当随便使用交叉延迟法进行分析。

（三）相关研究的结果解释问题

在上述分析中，我们讨论了相关研究的因果推论方法，但研究者必须充分认识到它只能在有限的范围内，部分地推测变量间的因果关系，其结论还有待进一步的确认。如前所述，相关研究依赖于一套非控制的研究程序，强调在自然情景下收集资料，因而研究中所有变量都是在自然条件中产生的，研究者不能排除其他各种变量的干扰。这样，研究的结果将不能提供最强有力的关于因果关系的解释，即我们只能由研究结果直接推知变量间相互影响的具体情形，而不能分析变量间的因果关系。

比如，在一个简单的单变量-单变量相关设计中，假设研究最终获得相关显著的结果，对这一结果的解释就可能有下述几种：

1.变量A为因，变量B为果；

2.变量B为因，变量A为果；

3.变量A与变量B同时受第三个因素影响；

4.变量A通过变量C影响变量B；

5.变量A与其他几个因素一起影响变量B。

在对相关研究的结果进行解释时，研究者通常容易犯以下错误：

1.忽略潜在的第三变量　潜在的第三变量（hidden third factor）指研究者未考虑到的、与研究变量有因果关系的变量。其表现形式有两种：一种情况下，变量A与变量B并无直接联系，而是通过潜在变量才表现为相关，称为中间变量相关（intervening variable relationship），如研究天气与情绪之间的关系，很可能是因为气压高低对人的情绪产生影响，而晴天或雨天与之并无关系。另一种情况是，变量A与变量B无关系，它们同时与潜在变量存在因果关系，而产生同步变化，称为伪相关（或假相关）（spurious correlation），如某些音乐喜好与某些运动喜好之间的关系，很可能是由于另外的因素如性格同时对两者起作用产生的。在这种情况下，如果不对此进行必要的分析，相关研究的结果就可能失去意义。

2.忽略多维因果关系　相关研究的另外一种情况可能是，忽略多维因果关系（multidimensional causation）：变量A并非单纯对变量B起作用，而是与好几个变量同时影响变量B。如在关于环境与儿童学习行为的关系的研究中，环境因素就不仅仅是学校的学习环境，还应包括家庭、社会环境。如果仅仅以学校学习环境来说明学生的学习行为特点是不全面的。这需要研究者经常检查自己的研究工作，发现此类变量，纳入自己的研究计划中。

3.错误判断自变量与因变量　在对结果进行因果性推论的过程中，研究者往往会混淆自变量与因变量。比如，研究者根据一项研究得到学习兴趣与学业成绩的高相关结果，可能会推论较强的学习兴趣导致较高的学业成绩，但是，问题在于也可能是因为获得较高的学业成绩才促进学习兴趣的提高。在这种难以判决的情形下，研究者必须谨慎地下结论，除非有确切的证据，否则不能对结果作过多的因果性推论。更多的时候，研究者是以相关研究结果为根据，进行进一步的实验研究加以证明。

因此，在结果解释时，研究者虽然可以判定变量间关系的存在，也可以对某些变量的发生进行预测。但是，如果要进行一定的因果推论，就必须采用一定的因果推论模型方法。此外，严格意义上的因果推论只能从实验研究中得出。