Forholdet mellom variabler: Kausalitet og korrelasjon Variabel: mål på egenskap som kan ha to eller flere verdier. Eks kjønn, IQ-skåre, holdninger m.m. Kausalitet: En variabel er en direkte eller indirekte årsak til endring i en annen Eksempel: Belastende arbeid (årsak)– mer sykefravær (effekt) Kriterer for kaualitet: Årsak oppstår før effekt i tid Alternative forklaringer kan utelukkes Men påvirkning kan være gjensidig: Tro på egen påvirkningsevne <-> påvirker andre Korrelasjon: verdier på to variabler samvarierer, f eks når den ene øker så øker den andre. Men den ene er ikke nødvendigvis årsak til den andre, men de har noe til felles Eksempel: Inntekt og sykefravær: lav inntekt – mer sykefravær

Ulike forskningsdesign 1. Eksperimentelle design Avdekke årsak-virkning forhold (kausalitet). F eks har trening en gunstig effekt på depresjon? 2. Ikke-eksperimentelle design: Korrelasjonsdesign: Undersøker sammenheng mellom variabler. F eks er det sammenheng mellom IQ til mor og barn? Beskrivende design: Forekomsten av en egenskap/variabel. F eks hvor mange har ADHD blant skoleungdom? Kvalitative design: Basert på fortolking og forståelse. Ikke tallfesting av variabler, ikke bruk av statistikk. F eks deltagende observasjon på et psykiatrisk sykehus

Korrelasjonsdesign Interessert i å undersøke på sammenhenger mellom variabler Sammenheng måles gjennom korrelasjonskoeffisienten (eller beslektede teknikker) Ikke alltid noen klar hypotese på forhånd Manipulerer ikke noe, vil observere verden ”slik den er” Kan være målinger på samme tid (retrospektivt/kryss-seksjonelt/tverrsnitt): F eks spørreundersøkeler Eller målinger på forskjellige tidspunkt (tidsserie/ longitunelt) F eks karakterer på videregående og karakterer på universitetet Holdning nå og atferd målt på et senere tidspunkt

Korrelasjonskoeffisienten – forskerens beste venn? Måler grad av sammenheng mellom to variabler Pearson’s produkt-moment korrelasjon mest brukt, men det finnes andre også Utrykkes vanligvis som r r kan ha verdier mellom –1 og +1. Hvis r = 0, ingen sammenheng NB! Korrelasjonskoeffisienten kan også brukes i eksperimentelle design

Positiv sammenheng: en-eggede tvillinger og intelligens Har den ene høy IQ skåre, har den andre tvillingen også det. Har den ene lav skåre, har den andre også det His perfekt på en linje: r = 1.0 Legg merke til kvadratene Ofså neppe et kausalforhold, dette kan I såfall være arv

Ingen sammenheng, r = 0.00

Negativ sammenheng r = -.70 Jo mer IQ øker, jo færre voldsepisoder. Men sammenhengen er ikke perfekt

Kurvlineær sammenheng Betyr ikke nødvendigvis at det ikke er en sammenheng mellom to variabler

Vanskelig å trekke slutning om kausalitet ut i fra korrelasjonsdesign. 1. Retningsproblemet: ikke mulig å si noe sikkert om kausalitet (høna og egget –dilemma) F eks korrelasjon mellom kroniske smerter og depresjon: Alt 1: Depresjon Mer opplevde smerter Alt 2: Depresjon Smerter 2. Tredjevariabelproblemet -Korrelasjon mellom to variabler kan skyldes innvirkning fra en eller flere bakenforliggende årsaker (tredjevariabler) Begge disse to problemene kan være tilstede samtidig

Tredjevariabelproblemet: Det å spise iskrem fører til drukning(?) Positiv korrelasjon mellom iskremsalg og antall druknede, r = .70. Forby iskrem!! Økt iskremsalg Flere døde av drukning Spuriøs sammenheng – dvs sammenhengen skyldes bakenforliggende variabler (“tredjevariabler”) Økt iskremsalg Flere dør av drukning Økt tempratur Flere bader

Måter å ”løse” de to problemene på Retningsproblemet: Samle inn data på ulike tidspunkt. Gir bedre holdepunkt for kausalitet, men fortsatt ikke kontroll på mulige tredjevariabler Men vanskelig i praksis pga. at det er ressurskrevende og gir lett frafall (selektivt, skjevt utvalg) Tredjevariabelproblemet. Ta med mål på mulige ”tredjevariabler” når undersøkelsen gjennomføres. Kan statistisk kontrollere for effekten av disse Men kan kun ta med ”tredjevariabler” som vi er oppmerksomme på. Derfor ingen garanti på at vi unngår problemet. Måling 1: Holdning (prediktor) Måling 2, ett år etter: Atferd (kriterie)

Ikke bare trøbbel med korrelasjonsdesign Hensiktsmessig når det ikke er mulig eller etisk å manipulere variabler Kan danne utgangspunkt for hypoteser om kausalforhold som kan testes senere Kan studere sammenhenger mellom variabler i “den virkelige verden” Er gjerne ikke så ressurskrevende som eksperimenter

Eksperimentell metode Hovedhensikt er å trekke slutninger om kausalitet (årsak-virkning) Innebærer at vi (eller andre) manipulerer med en eller flere (uavhengige) variabler og undersøker virkningen av det (på en avhengig variabel) Uavhengig variabel Avhengig variabel (denne manipulerer vi, (denne måler vi effekten på) studerer effekten av) F. eks har fysisk trening en effekt på depresjon? Trening Effekt på depresjon Forsøker å kontrollere for andre forklaringer/tredjevariabler

Et enkelt eksperiment En eksperimentgruppe og en kontrollgruppe De som deltar inndeles tilfeldig i de to gruppene (randomisering) Eller gruppene settes sammen så de er mest mulig like (matching) f eks ut i fra kjønn, alder m.m. Manipulasjon av en uavhengig variabel. Eksperimentgruppa utsettes for manipulasjon (f eks trening), kontrollgruppa ikke (ingen trening) De to gruppene sammenlignes på den avhengige variabelen etterpå for å se om det er noen forskjell (er det forskjell i grad av depresjon?) Kan også ha testing i avhengig variabel før manipulasjon (pretest) Viktig å ha kontroll på ytre forhold, dvs. ”tredjevariabler” Mange ulike teknikker for å oppnå dette, vil bli gjennomgått senere

Indre validitet Validitet = gyldighet Indre validitet: er vår slutning om kausalforholdet mellom uavhengig og avhengig variabel holdbar? Er det mulig å utelukke andre årsaksforklaringer? D.v.s er det noen andre faktorer i tillegg til manipulasjonen(e) som kan forklare endring i avhengig variabel? (confunding variables) I vårt eksempel: er det treningsprogrammet som er den egentlige årsaken til forskjell i depresjonsnivå?

Vanlige “trusler”mot indre validitet Historie (andre hendelser inntreffer i løpet av eksperimentet) Modning (endring som ellers ville inntruffet) Testing (det å bli testet før eksperimentet kan påvirke senere testing) Regresjonseffekter (de med ekstremskårer på forhånd vil uansett gå mer mot gjennomsnittet Endring i måleteknikk (instrumentation) Skjeve utvalg (“biased seletion of subjects”).forskjell mellom gruppene fra starten av Frafall. Frafall underveis gjør at grupene ikke blir sammenlignbare – f eks de minst motiverte faller fra. Eksperimentatoreffekt – den som leder eksperimentet påvirker forsøkspersonene

Ytre (external) validitet Er resultatene gyldige i situasjoner i den “virkelige verden”, dvs. utenfor den setting undersøkelse ble gjennomført? Kontrollerte laboratoriestudier kan skape kunstige situasjoner Kan bøtes på gjennom å lage laboratoriene mest mulig realistiske, eller benytte simulatorer (f eks fly simulator, kjøresimulator) Men forsøkspersoner kan oppføre seg annerledes enn de ellers ville gjort (low experimental realism) Kan også gjennomføre “feltstudier”, dvs. i naturlig miljø. Men mindre kontroll Er funnene generaliserbare til andre enn forsøkspersonene? Er forsøkspersonene såpass unike (f eks dyr, studenter) at funnene ikke gjelder for andre (f eks voksne generelt)?