跳转到内容

相关研究

来自VeritasWiki 真理百科

相关研究是教育研究中的一种基本研究类型,指研究者在不操纵自变量的前提下,通过测量两个或多个变量的取值,考察它们之间共变关系的方向与强度,并据此对变量之间的关系作出推断的实证研究。它与实验研究、准实验研究的根本区别在于:相关研究不对研究情境施加干预,也不对被试进行随机分配,只对已经发生或自然存在的现象进行观测和统计描述。教育研究中的大量问题——家庭背景与学业成绩的关系、教师期望与学生表现的关系、学习时间与考试分数的关系——最初都是以相关研究的形式被提出的。

概念与特征

相关研究的核心概念是共变。当两个变量的取值呈现出同向或反向的同步变化时,称二者存在相关。描述相关程度最常用的统计量是相关系数,其取值介于负一与正一之间:正值表示正相关,即一个变量增大时另一个变量也倾向于增大;负值表示负相关;绝对值越接近一,线性关系越强,接近零则表示线性关系微弱。按科恩提出的惯例,相关系数绝对值在零点一左右为小效应,零点三左右为中等效应,零点五以上为大效应,这一分级在教育研究中被广泛沿用。

相关系数的平方称为决定系数,表示一个变量的变异中可由另一个变量解释的比例。若学生学业成绩与家庭藏书量的相关系数为零点四,则决定系数为零点一六,意味着家庭藏书量只能解释成绩变异的百分之十六,其余部分由其他因素承担。这一换算提醒研究者,即便统计显著的相关,其实际解释力也可能相当有限。

按变量测量水平的不同,相关系数有不同形式。皮尔逊积矩相关适用于两个连续变量,且要求关系为线性、变量大致服从正态分布;斯皮尔曼等级相关适用于顺序变量,或以秩次代替原始分数;点二列相关用于一个二分变量与一个连续变量的情形,如性别与成绩;φ相关用于两个二分变量。当需要排除第三个变量的干扰时,可使用偏相关,即在控制某变量后计算另外两个变量的净相关。

相关研究的典型特征有四:一是不操纵,研究者只观测不干预;二是不随机分配,被试按自然状态分组;三是事后回溯,多在事件发生之后收集数据;四是外部效度相对较高而内部效度相对较低,因为研究情境接近真实教育现场,但对因果的排除能力弱。

主要类型

按数据收集的时间结构,可分为横断相关研究与纵向相关研究。横断研究在同一时点测量多个变量,成本低、周期短,但无法区分变量变化的先后顺序;纵向研究对同一批被试进行多轮测量,可考察变量的发展轨迹与先后关系,追踪时间短则数月,长则数年。中国人民大学中国调查与数据中心实施的中国教育追踪调查,以二零一三至二零一四学年为基线,在全国抽取一百一十二所学校、四百三十八个班级、约两万名学生,对同一批学生及其家长、教师、校领导进行多轮追访,为纵向相关研究提供了具有全国代表性的数据基础。

按研究目的,可分为描述性相关、预测性相关与解释性相关。描述性相关只回答两个变量是否有关、关系多强,如农村与城市学生阅读成绩差异的相关描述;预测性相关用一组变量预测另一变量,如用高中学业水平考试成绩预测大学一年级绩点,其重点在于预测精度而非因果机制;解释性相关则试图检验中介与调节机制,常借助路径分析、结构方程模型等工具,把一组相关关系组织成有理论依据的因果假设网络。

中介与调节是解释性相关研究中两个易混淆的概念。中介变量回答“为什么会有关系”,处在自变量与因变量之间的传导路径上,如家庭社会经济地位通过课外读物与家长辅导影响学业成绩;调节变量回答“关系在什么条件下更强或更弱”,作用于关系的强度,如教师支持水平可能调节家庭背景与成绩之间的关联。二者的统计检验方式不同,理论含义也不同,混用会导致对机制的误读。

与因果推断的关系

相关研究最常受到的批评是“相关不等于因果”。这一批评可以分解为三类威胁。第一是方向性威胁,即因果可能倒置:学生学习兴趣与学业成绩高度正相关,但究竟是兴趣导致成绩,还是成绩带来的成功体验反过来提升了兴趣,横断数据无法判定。第二是第三变量威胁,即存在共同原因:冰淇淋销量与溺水人数正相关,真正的原因是气温上升,二者之间并无直接因果。教育中的对应例子是补习时间与成绩的正相关,背后可能是家庭经济投入与家长教育期望在同时起作用。第三是选择偏差,即被试进入不同组别本身不是随机的,如选择参加课外辅导的学生往往学习动机更强。

统计学上还有一类更隐蔽的陷阱,称为辛普森悖论:在分组数据中呈现的正相关,在合并数据后可能反转为负相关,或者相反。这一现象说明,相关的大小甚至方向都依赖于分析单元的划分,研究者必须明确自己的推断层次。

为缓解上述威胁,教育研究者发展出多种策略。较简单的是统计控制,即通过多元回归或偏相关把可观测的混淆变量纳入模型;较严格的是利用纵向数据建立交叉滞后面板模型,检验变量间的先后影响;更进一步则进入因果推断的专门方法,包括工具变量、断点回归、双重差分、倾向得分匹配与随机对照试验。近二十年间,因果推断方法在教育政策评估中快速普及,逐渐替代单纯的相关分析,被一些学者称为教育实证研究的“可信度革命”。二零二五年,第十一届全国教育实证研究论坛专门设立“教育因果推断方法”分论坛,汇聚国内外学者讨论这一转向。

但相关研究并不会因此失去价值。一方面,当随机干预在伦理或操作上不可行时——研究家庭结构、性别、民族、地区差异对教育结果的影响,研究者不可能随机分配这些变量——相关研究是唯一可行的路径。另一方面,相关研究是因果研究的先导:它从纷繁的数据中筛出值得进一步检验的关系,为后续的实验或准实验设计提供假设。把相关研究视为“低级方法”,是对研究分工的误解。

实施要点

一项规范的相关研究需要在几个环节上作出交代。抽样方面,应说明总体界定、抽样框、抽样方法与样本结构,避免用方便样本冒充代表性样本。测量方面,应报告所用工具的信度与效度;若测量存在误差,相关系数会被系统性低估,必要时可用衰减校正公式修正。样本量方面,相关系数的稳定性依赖样本量,小样本下的相关系数波动很大,研究应报告检验力分析或至少说明样本量依据。

结果报告方面,应同时给出样本量、相关系数、显著性水平与置信区间,而不只是标注几颗星号。仅报告显著性而忽略效应量,会让读者无法判断关系是否具有实践意义;反之,只看效应量而不看置信区间,则会掩盖估计的不确定性。当同时检验多个相关时,还应考虑多重比较带来的假阳性风险,采用邦费罗尼校正或错误发现率控制。可视化方面,散点图配合拟合线与置信带,往往比一张相关系数表更能揭示非线性、离群值与异质性。

在教育研究中的应用与误用

相关研究在教育领域的应用极为广泛。教育机会均等研究中的科尔曼报告,正是通过大规模相关分析揭示家庭背景对学生学业成就的强预测力;教育生产函数研究用相关与回归方法估算生均经费、班级规模、教师资质等因素与学业产出的关系;学校效能研究比较不同学校在学生进步上的差异;学生发展研究则追踪家庭、同伴、学校因素与青少年学业、心理健康的关系。

误用同样常见。其一是媒体化误读,把统计相关直接改写为因果结论,如“上补习班让孩子成绩更好”之类的标题,忽略了选择偏差。其二是忽略全距限制,当样本在某变量上取值过于集中时,相关系数会被压低,研究者若据此断言“关系不存在”,便犯了统计错误。其三是生态学谬误,即用地区或学校层面的相关推断个体层面的关系,如依据省际数据得出“班级规模越小成绩越好”,在个体层面未必成立。其四是把相关强弱当作政策重要性排序,忽略效应量的可比性与情境依赖。避免这些误用,既需要统计训练,也需要对教育现场的具体机制保持敏感。

参考资料

  1. [学部主持第十一届全国教育实证研究论坛平行分论坛六——“教育因果推断方法”](https://edu.nenu.edu.cn/info/1072/10167.htm),东北师范大学教育学部,2025年11月13日。
  2. [从“有效”到“实用”](http://www.jyb.cn/rmtzgjyb/202409/t20240927_2111251036.html),中国教育报,2024年9月27日。
  3. [从“证据”迷思到“问题”自觉——教育研究中循证方法论的审辨与重构](https://epc.swu.edu.cn/info/1482/6494.htm),西南大学西南民族教育与心理研究中心。
  4. [中国教育追踪调查项目概况](http://ceps.ruc.edu.cn/xmjs/xmgk.htm),中国人民大学中国调查与数据中心。