Кореляційне дослідження в психології: що показує зв’язок між змінними і чого він не доводить
Український психологічний ХАБ · Опубліковано: 7 жовтня 2026 · Редакційна політика
Кореляційне дослідження — це неекспериментальний дизайн, у якому дослідник вимірює дві або більше змінних і оцінює, чи пов’язані їхні значення. Воно відповідає на питання «чи змінюються ці показники разом, у якому напрямі та наскільки виражено?», але саме по собі не встановлює, що одна змінна спричиняє іншу. Для психології цей дизайн особливо важливий там, де експериментальна маніпуляція неможлива, неетична або просто не відповідає дослідницькому питанню.
Головне розрізнення цієї сторінки: кореляційне дослідження — це дизайн дослідження; кореляційний аналіз — це статистичний спосіб оцінювання зв’язку; причинний висновок — окремий рівень аргументації, який залежить від дизайну, припущень і контролю альтернативних пояснень. Загальну карту дослідницького процесу дивіться у статті «Психологічне дослідження: що це, методи, дизайн і як читати результати».
Що таке кореляційне дослідження
У кореляційному дослідженні змінні спостерігають або вимірюють такими, якими вони існують у вибірці. Дослідник не створює експериментальну умову лише для того, щоб змінити значення ключової змінної, і не розподіляє учасників між умовами з метою ізолювати причинний ефект. Саме тому кореляційний дизайн зазвичай належить до неекспериментальних або ширше — спостережувальних підходів.
Наприклад, дослідник може виміряти у студентів навчальний стрес і якість сну, у працівників — автономію в роботі й задоволеність роботою, у підлітків — тривалість користування певною цифровою платформою та самооцінене благополуччя. У кожному випадку головний об’єкт аналізу — структура зв’язку між уже наявними відмінностями, а не ефект спеціально призначеного втручання.
Термін «кореляційне» не означає, що дослідження обов’язково зводиться до одного коефіцієнта Пірсона. У складніших роботах можуть застосовуватися рангові кореляції, регресійні моделі, багаторівневі моделі, структурне моделювання та інші методи. Дизайн визначається логікою отримання даних і дослідницьким питанням, а не назвою однієї статистичної процедури.
Кореляційне дослідження і кореляційний аналіз — різні рівні
Коли дослідницьке питання стосується конкретно лінійної асоціації двох кількісних змінних, статистичний показник розглянуто окремо: «Коефіцієнт кореляції Пірсона: що показує r, коли застосовувати і як інтерпретувати».
Кореляційне дослідження описує, як організовано отримання даних: кого вивчали, що вимірювали, коли вимірювали, як формували вибірку, які змінні були спостережуваними та які порівняння були заплановані. Кореляційний аналіз описує те, що роблять із даними після збору: якою мірою статистично оцінюють зв’язок, якою моделлю його узагальнюють і яку невизначеність при цьому враховують.
Один і той самий кореляційний дизайн може породжувати багато аналізів, а коефіцієнт кореляції може з’являтися і в дослідженні, яке загалом має інший дизайн. Тому фраза «ми порахували кореляцію» ще не описує дослідження. Для оцінювання наукового висновку потрібно знати, як саме виникли дані.
Це розрізнення захищає від типової помилки: переносити властивості статистики на властивості дизайну. Значення коефіцієнта може точно описувати певний зв’язок у вибірці, але воно не додає рандомізації, не встановлює часової послідовності й не усуває конфаундинг.
Які питання добре вирішує кореляційний дизайн
Кореляційне дослідження сильне тоді, коли наукове питання справді стосується зв’язку, структури відмінностей або передбачення. Воно дозволяє встановити, чи мають вищі значення однієї змінної тенденцію поєднуватися з вищими або нижчими значеннями іншої; оцінити, наскільки стабільний цей патерн; порівняти зв’язки між підгрупами або моментами часу; перевірити, чи відповідають дані теоретично очікуваній структурі.
Такий дизайн також корисний для побудови прогнозних моделей. Якщо показник X систематично пов’язаний із Y, X може містити інформацію для передбачення Y навіть тоді, коли природа зв’язку ще не встановлена. Передбачувальна корисність і причинне пояснення — різні наукові задачі.
Кореляційні результати часто працюють як початок сильнішої програми досліджень: вони допомагають сформулювати точніші гіпотези, вибрати змінні для подальших експериментів або квазіекспериментів, знайти потенційні модератори, виявити неочевидні патерни й перевірити, чи відтворюється асоціація в інших вибірках.
Як влаштоване кореляційне дослідження
1. Дослідницьке питання
Якісне дослідження починається з питання, яке можна співвіднести з вимірюваними змінними. «Чи пов’язаний навчальний стрес із якістю сну у студентів?» — кореляційне питання. «Чи зменшить конкретне втручання навчальний стрес?» — уже причинне питання про ефект втручання й потребує іншої логіки дизайну.
2. Операціоналізація змінних
Дослідник визначає, як саме представлені поняття у даних. «Стрес» може бути самооцінкою за шкалою, частотою певних переживань, фізіологічним показником або комбінацією індикаторів. «Якість сну» може вимірюватися опитувальником, щоденником або пристроєм. Результат стосується саме тих операціоналізацій, які реально використано, тому висновок не повинен бути ширшим за вимірювання.
Питання надійності та психометричної валідності тестів належать окремому напряму психологічного вимірювання. Для кореляційного дизайну важливо зафіксувати практичний наслідок: похибка вимірювання може послабити або спотворити спостережувані зв’язки, а неточне вимірювання потенційного конфаундера залишає залишковий конфаундинг. Це добре показують Westfall і Yarkoni на прикладах психологічних конструктів.
3. Вибірка
Потрібно знати, з якої популяції походять учасники, як їх залучали, хто не потрапив до дослідження і хто вибув. Зручна вибірка студентів, випадкова вибірка мешканців міста та дані користувачів цифрового сервісу можуть показувати різні структури зв’язків. Якість вибірки визначає межі узагальнення.
Випадкове формування вибірки і рандомізований розподіл між експериментальними умовами — різні процедури. Перша стосується того, кого ми включаємо з популяції, друга — того, кому призначаємо яку умову. Кореляційне дослідження може мати ймовірнісну вибірку, але від цього не стає рандомізованим експериментом.
4. Часова структура
Змінні можуть вимірюватися одночасно, у кількох хвилях або багаторазово впродовж тривалого періоду. Поперечне дослідження добре показує структуру асоціацій у певний момент, але майже не допомагає встановити, що передувало чому. Повторні вимірювання можуть прояснити часовий порядок, однак сам факт, що X виміряли раніше за Y, ще не усуває спільні причини, відбір або похибки вимірювання.
5. План аналізу
Ще до перегляду результатів корисно визначити головні змінні, основні та додаткові аналізи, правила обробки пропусків і викидів, спосіб роботи з множинними перевірками та критерії оцінювання невизначеності. APA Journal Article Reporting Standards вимагають прозоро повідомляти ключові компоненти кількісного дослідження, щоб читач міг оцінити його логіку й строгість.
Що означає «зв’язок між змінними»
Зв’язок означає, що розподіл однієї змінної статистично залежить від значень іншої у певній вибірці або моделі. У найпростішому випадку високі значення X частіше поєднуються з високими значеннями Y — це позитивна асоціація; високі X частіше поєднуються з низькими Y — негативна асоціація.
Для двох кількісних змінних часто використовують коефіцієнт кореляції Пірсона r, який описує силу й напрям лінійного зв’язку та лежить від −1 до +1. Значення близьке до +1 означає дуже сильну позитивну лінійну узгодженість, близьке до −1 — дуже сильну негативну, близьке до 0 — слабкий або відсутній лінійний зв’язок. Огляд Schober, Boer і Schwarte підкреслює, що вибір та інтерпретація коефіцієнта мають відповідати типу даних і формі зв’язку.
Ключове слово тут — «лінійний». Значення r, близьке до нуля, не гарантує, що між змінними немає жодної залежності. Сильний U-подібний або інший нелінійний патерн може мати малу лінійну кореляцію. Тому графічний перегляд даних і перевірка форми зв’язку часто важливіші за механічне читання одного числа.
Коли дані порядкові, містять виражені викиди або зв’язок радше монотонний, ніж лінійний, доречним може бути ранговий коефіцієнт. Окремо про нього — у матеріалі «Коефіцієнт кореляції Спірмена».
Сила зв’язку не має універсальної шкали «слабкий — середній — сильний»
Фіксовані пороги для «малого», «середнього» і «великого» зв’язку зручні для навчання, але вони не є природними законами. Значення r = 0,20 може бути практично важливим у ситуації з кумулятивним або масовим наслідком і майже неінформативним в іншому контексті. Інтерпретація залежить від предметної області, точності вимірювань, дизайну, базової варіативності та того, з яким рішенням пов’язаний результат.
Тому кореляцію варто читати разом із розміром ефекту, довірчим інтервалом, графіком даних і предметним змістом, а не лише за словесною етикеткою.
Статистична значущість не визначає важливість зв’язку
Мале p-значення відповідає на питання про сумісність даних із конкретною нульовою моделлю за заданих припущень. Воно не показує величину зв’язку і не перетворює асоціацію на причинний ефект. У великій вибірці дуже мала кореляція може бути статистично значущою, а у малій — помірний зв’язок може оцінюватися з великою невизначеністю.
Саме тому сторінка про статистичну значущість розглядає p-значення окремо, а кореляційне дослідження треба оцінювати на рівні дизайну, ефекту, невизначеності й альтернативних пояснень.
Чого кореляційне дослідження не доводить
Звичайне кореляційне дослідження саме по собі не ідентифікує причинний ефект. Якщо X і Y пов’язані, дані сумісні з кількома різними причинними структурами. X може впливати на Y; Y може впливати на X; на обидві змінні може впливати третя змінна; відбір у вибірку може створити або змінити асоціацію; частина патерну може залежати від похибок вимірювання або аналітичних рішень.
У психології це особливо важливо, бо багато змінних взаємопов’язані, не можуть бути рандомізовані й вимірюються непрямими індикаторами. Огляд D’Onofrio та співавторів показує, що конфаундинг є центральною проблемою причинних висновків зі спостережувальних даних, а різні способи його врахування мають власні припущення й обмеження.
Повну причинну логіку — зворотну причинність, конфаундинг, відбір, колайдери, часовий порядок і роль експерименту — розібрано в окремій канонічній статті «Кореляція і причинність: чому зв’язок між змінними не доводить, що одна спричиняє іншу». Тут важлива межа власника: кореляційний дизайн описує отримання й аналіз даних про зв’язки; причинна інференція вимагає додаткової структури.
Зворотний напрям
Якщо тривожність пов’язана з порушенням сну, сама кореляція не визначає напрям. Погіршення сну може підсилювати тривожні симптоми, тривожність може погіршувати сон, а обидва процеси можуть підтримувати один одного. Одночасне вимірювання не розв’язує цю неоднозначність.
Спільна причина або конфаундинг
Третя змінна може впливати на обидва показники й створювати асоціацію, яка не дорівнює ефекту X на Y. Просте додавання багатьох коверіат до регресії не гарантує, що конфаундинг усунено: частина чинників може бути невиміряною, виміряною з похибкою або невдало обраною. Rohrer демонструє, чому причинні графи корисні саме для явного формулювання таких припущень.
Відбір
Зв’язок може змінюватися через те, хто потрапив до дослідження або залишився в ньому. Наприклад, добровольці онлайн-опитування можуть відрізнятися від людей, які не відповіли; учасники довгого лонгітюдного проєкту, що залишилися до останньої хвилі, можуть систематично відрізнятися від тих, хто вибув. Відбір впливає і на узагальнення, і за певних структур — на саму оцінку асоціації.
Лонгітюдне кореляційне дослідження: більше інформації про час, але не автоматична причинність
Повторні вимірювання дозволяють встановити, що одна змінна була зафіксована раніше за іншу, оцінювати зміни всередині людей і відділяти частину міжособистісних відмінностей від внутрішньоособистісної динаміки. Це реальна перевага над одноразовим зрізом.
Проте часовий порядок є лише однією умовою причинної інтерпретації. Навіть якщо X виміряли в січні, а Y у червні, невиміряний чинник Z міг впливати на X ще до січня і продовжувати впливати на Y. Крім того, попередні рівні Y можуть впливати на X. Тому лонгітюдний кореляційний дизайн звужує частину альтернатив, але не ліквідує їх усі.
Чи можна робити причинні висновки зі спостережувальних даних
Можна, але це вже не логіка «ми знайшли кореляцію, отже знаємо причину». Сучасна причинна інференція формулює чітке причинне питання, визначає цільовий ефект, будує причинну модель, робить припущення про конфаундинг і відбір, використовує відповідний дизайн та аналіз, а потім перевіряє чутливість висновку до порушення припущень.
Hernán і Robins систематизують цю логіку через явне визначення причинних ефектів і умов їх ідентифікації. У психології Grosz, Rohrer і Thoemmes прямо закликають формулювати причинні питання та припущення у неекспериментальних дослідженнях замість того, щоб маскувати причинний інтерес суто асоціативною мовою.
Отже, правило точне: кореляційний коефіцієнт сам по собі не доводить причинності; спостережувальні дані можуть підтримувати причинний висновок лише в межах конкретної причинної моделі, дизайну та припущень. Сила формулювання має відповідати силі ідентифікаційної стратегії.
Коли кореляційне дослідження є правильним вибором
Кореляційний дизайн доречний, коли дослідника цікавить природна варіативність між людьми, групами або моментами часу. Вік, життєві події, багато особистісних характеристик, соціально-економічні умови й численні контекстні фактори не можна довільно призначити учасникам. Їх можна вимірювати та вивчати структуру зв’язків.
Він також доречний, коли маніпуляція суперечила б етиці. Дослідник не створює травматичний досвід, депривацію чи небезпечну поведінку заради експерименту. Натомість можна аналізувати природно наявні відмінності, чітко обмежуючи причинну мову.
Ще одна сфера — передбачення. Якщо мета полягає в тому, щоб оцінити ймовірне значення показника за набором інших показників, асоціативна модель може бути корисною без претензії на причинний механізм. Вимога «довести причину» тут може взагалі не відповідати задачі.
Коли потрібен експеримент або сильніший квазіекспериментальний дизайн
Якщо питання звучить як «що станеться з Y, якщо ми змінимо X?», дослідник ставить причинне питання про втручання. Класичний спосіб посилити ідентифікацію такого ефекту — експериментальний метод із маніпуляцією змінної та, коли це можливо, рандомізованим розподілом учасників між умовами.
Експеримент не є універсально можливим і не є автоматично бездоганним. Але його логіка безпосередньо створена для порівняння умов, які відрізняються призначеним втручанням. Кореляційний дизайн створений насамперед для вивчення зв’язків у спостережуваній варіативності. Вибір між ними починається з питання, а не з улюбленої статистичної процедури.
Гіпотетичний приклад: навчальний стрес і якість сну
Уявімо дослідження 500 студентів. В один тиждень вони заповнюють шкалу навчального стресу й щоденник якості сну. Дослідник отримує r = −0,34: вищий стрес у цій вибірці в середньому поєднується з гіршою оцінкою сну. Числа тут суто ілюстративні й не є емпіричним результатом конкретної роботи.
Що можна сказати коректно: у цій вибірці між двома виміряними показниками є помірна негативна лінійна асоціація; її точність треба оцінювати за інтервалом невизначеності; потрібно перевірити форму зв’язку, викиди, пропуски й те, чи результат стійкий до обґрунтованих аналітичних рішень.
Що не можна сказати лише з цього результату: «стрес погіршує сон на 34%», «сон спричиняє стрес» або «якщо зменшити стрес, сон обов’язково покращиться». Коефіцієнт −0,34 не є відсотком причинного ефекту. Напрям може бути зворотним або двостороннім; на обидва показники можуть впливати дедлайни, здоров’я, робоче навантаження, умови проживання чи інші чинники.
Якщо наступна хвиля даних покаже, що стрес у вересні передбачає сон у грудні після врахування початкового сну, аргументація стане змістовнішою щодо часу, але причинний висновок усе одно залежатиме від моделі та припущень. Якщо ж рандомізоване втручання зменшення стресу змінить сон порівняно з контрольною умовою, це вже інша, експериментальна лінія доказів.
Типові помилки інтерпретації
«Кореляція 0,60 означає 60% впливу»
Ні. Коефіцієнт кореляції не є відсотком причинного впливу. Навіть r², яке в окремому простому лінійному контексті можна інтерпретувати як частку спільної варіативності, не є автоматично часткою причинно поясненої варіації.
«Зв’язок статистично значущий, отже він важливий»
Ні. Статистична значущість залежить від величини ефекту, вибірки, варіативності та моделі. Практичне значення оцінюють окремо, у змістовному контексті.
«Після контролю третьої змінної причинність доведена»
Ні. Статистичне коригування працює лише щодо конкретно виміряних змінних і за припущень моделі. Невиміряний або неточно виміряний конфаундинг може залишатися. Більше того, контроль медіатора або колайдера за певної причинної структури може створити нове упередження.
«Якщо кореляції немає, зв’язку немає»
Ні. Нульова лінійна кореляція може приховувати нелінійну залежність, різні зв’язки у підгрупах, обмежений діапазон значень, низьку точність вимірювання або недостатню точність оцінки. Спочатку треба подивитися на дані й модель.
«Лонгітюдне дослідження автоматично доводить напрям причинності»
Ні. Воно додає часову інформацію і може істотно посилити дизайн, але не усуває конфаундинг, відбір, взаємний вплив і модельну залежність висновку.
Як читати кореляційне дослідження: практичний алгоритм
1. Сформулюйте фактичне питання. Автори описують асоціацію, будують прогноз чи намагаються відповісти на причинне питання? Якщо мета причинна, шукайте не слово «вплив», а ідентифікаційну стратегію.
2. Визначте дизайн. Дані одноразові чи повторні? Змінні лише вимірювали чи чимось маніпулювали? Чи був рандомізований розподіл між умовами? Не називайте дослідження експериментом лише тому, що воно містить статистичні тести.
3. Подивіться, кого досліджували. Яка популяція, спосіб набору, критерії включення, частка відмов і вибуття? Чи має вибірка достатню варіативність за ключовими змінними?
4. Перевірте, що саме вимірювали. Чи відповідає інструмент заявленому конструкту? Чи однаковий спосіб вимірювання для всіх учасників? Чи могли похибки бути пов’язаними між змінними?
5. Подивіться на графік. Чи справді зв’язок приблизно лінійний або монотонний? Чи немає кількох кластерів, стельового ефекту, обмеженого діапазону або одного-двох викидів, які визначають коефіцієнт?
6. Читайте оцінку разом із невизначеністю. Один коефіцієнт без довірчого інтервалу або іншої міри точності дає неповну картину.
7. Перевірте, скільки аналізів було можливим. Якщо десятки змінних попарно корелювали без чіткого плану, ймовірність випадкових знахідок зростає. Розрізняйте заздалегідь заявлені та дослідницькі аналізи.
8. Знайдіть альтернативні пояснення. Які спільні причини можливі? Чи може Y впливати на X? Чи міг відбір створити асоціацію? Чи є причини очікувати систематичну похибку вимірювання?
9. Перевірте мову висновку. «Пов’язано», «асоціюється», «передбачає у статистичній моделі» — асоціативні формулювання. «Спричиняє», «зменшує», «підвищує внаслідок» — причинні й потребують значно сильнішого обґрунтування.
10. Подивіться, чи відтворюється результат. Один зв’язок у одній вибірці — початкова оцінка. Стійкість у незалежних вибірках, різних способах вимірювання й обґрунтованих аналітичних специфікаціях підсилює довіру до самого патерну, хоча не перетворює асоціацію на причинність автоматично.
Що підвищує якість кореляційного дослідження
Сильне кореляційне дослідження має чітке питання, заздалегідь визначені основні змінні, адекватну вибірку, прозорий опис набору учасників, обґрунтовані вимірювання, аналіз форми зв’язку, оцінку невизначеності, роботу з пропусками й викидами, розмежування підтверджувальних і дослідницьких аналізів та мову висновків, що відповідає дизайну.
Попередня реєстрація плану може зменшити свободу непомітно змінювати гіпотези й аналізи після перегляду даних, але сама по собі не виправляє слабку вибірку, погане вимірювання або невдалу причинну модель. Так само великий розмір вибірки збільшує статистичну точність, але не лікує систематичне упередження.
Корисною практикою є аналіз чутливості: перевірка того, чи зберігається висновок за кількох обґрунтованих специфікацій моделі, правил обробки даних або припущень. Якщо результат існує лише за однієї вузької аналітичної комбінації, це важлива частина його наукового статусу.
Стандарти звітування: JARS і STROBE
APA Style JARS задають стандарти прозорого звітування кількісних, якісних і змішаних досліджень у психології та містять модулі для різних дизайнів, зокрема спостережувальних і лонгітюдних. Їхня роль — допомогти автору повідомити достатньо інформації про питання, вибірку, методи, аналізи та інтерпретацію.
STROBE — міжнародна настанова для звітування спостережувальних когортних, випадок-контроль і поперечних досліджень. Важливе методологічне уточнення: сама STROBE прямо зазначає, що її чекліст є керівництвом із повноти звітування, а не приписом щодо проведення дослідження і не інструментом оцінювання його якості.
Отже, відповідність стандарту звітування робить дослідження прозорішим для перевірки, але не гарантує правильності висновку. Якість визначається поєднанням дизайну, даних, вимірювання, аналізу, припущень і відповідності між ними.
FAQ
Чи є кореляційне дослідження експериментом?
Зазвичай ні. У кореляційному дизайні ключові змінні вимірюють без експериментальної маніпуляції та рандомізованого призначення умов. Експериментальний дизайн навмисно змінює незалежну змінну, щоб оцінити наслідки за визначених умов.
Скільки змінних може бути в кореляційному дослідженні?
Не лише дві. Дослідження може містити багато змінних і складні моделі зв’язків. Проте зі зростанням кількості показників збільшується кількість можливих аналітичних рішень, тому планування, корекція множинності за потреби й прозоре розмежування основних та дослідницьких аналізів стають ще важливішими.
Чи можна використовувати кореляцію для прогнозування?
Так. Стабільна асоціація може мати прогнозну цінність. Для прогнозу важливі якість перевірки моделі на нових даних, помилка прогнозу й переносимість на цільову популяцію. Причинність для самого факту прогнозної корисності не є обов’язковою.
Чи доводить дуже висока кореляція причинність?
Ні. Навіть r, близьке до 1 або −1, описує дуже сильну лінійну асоціацію, але не визначає причинний напрям і не виключає спільну причину або інші джерела упередження.
Чи стає висновок причинним після статистичного контролю?
Не автоматично. Контроль конкретних коверіат змінює умовну асоціацію за моделлю. Причинний статус залежить від того, чи правильно визначено причинну структуру, чи виміряні необхідні конфаундери, чи не контролюються небажані змінні та чи виконуються інші припущення.
Чим кореляційне дослідження відрізняється від поперечного?
«Кореляційне» описує логіку вивчення зв’язків без експериментальної маніпуляції, а «поперечне» — часову структуру, коли дані збирають у певний момент або короткий період. Поперечне дослідження може бути кореляційним, але ці терміни описують різні властивості дизайну.
Чим кореляційне дослідження відрізняється від лонгітюдного?
«Лонгітюдне» означає повторне спостереження в часі. Лонгітюдне дослідження може мати кореляційну логіку, якщо змінні вимірюють без експериментального втручання й аналізують їхні асоціації та зміни.
Який коефіцієнт кореляції кращий: Пірсона чи Спірмена?
Універсально кращого немає. Вибір залежить від шкали даних, форми зв’язку, викидів і дослідницького питання. Пірсон описує лінійну асоціацію кількісних змінних; Спірмен — монотонний ранговий зв’язок і може бути доречнішим для порядкових даних або певних нелінійних ситуацій.
Чи може кореляційне дослідження бути якісним і науково сильним, якщо воно не доводить причинності?
Так. Якість визначається відповідністю дизайну питанню. Якщо питання стосується структури асоціацій, прогнозу, природної варіативності або змінних, якими неможливо маніпулювати, добре спроєктоване кореляційне дослідження може дати дуже цінне знання. Помилка виникає тоді, коли асоціативний результат інтерпретують як причинний без достатнього обґрунтування.
Висновок
Кореляційне дослідження — базовий дизайн психологічної науки для вивчення зв’язків між змінними без експериментальної маніпуляції. Воно показує напрям, величину й невизначеність асоціації, допомагає описувати закономірності, будувати прогнози та формувати наступні дослідницькі питання.
Його межа так само принципова, як і його користь: спостережуваний зв’язок не є самодостатнім доказом причинного ефекту. Коректна інтерпретація починається з дизайну, перевіряє часову структуру, відбір, вимірювання й альтернативні пояснення, а силу висновку узгоджує з тим, що дані справді можуть ідентифікувати.
Пов’язані статті
Квазіексперимент у психології: що це, дизайни та межі причинного висновку — чим причинний квазіекспериментальний дизайн відрізняється від дослідження статистичних зв’язків.
Джерела
American Psychological Association. (2024). APA Style JARS: What are they?.
D’Onofrio, B. M., Sjölander, A., Lahey, B. B., Lichtenstein, P., & Öberg, A. S. (2020). Accounting for Confounding in Observational Studies. Annual Review of Clinical Psychology, 16, 25–48.
Grosz, M. P., Rohrer, J. M., & Thoemmes, F. (2020). The Taboo Against Explicit Causal Inference in Nonexperimental Psychology. Perspectives on Psychological Science, 15(5), 1243–1255.
Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC.
Rohrer, J. M. (2018). Thinking Clearly About Correlations and Causation: Graphical Causal Models for Observational Data. Advances in Methods and Practices in Psychological Science, 1(1), 27–42.
Schober, P., Boer, C., & Schwarte, L. A. (2018). Correlation Coefficients: Appropriate Use and Interpretation. Anesthesia & Analgesia, 126(5), 1763–1768.
STROBE Initiative. Strengthening the Reporting of Observational Studies in Epidemiology.
Westfall, J., & Yarkoni, T. (2016). Statistically Controlling for Confounding Constructs Is Harder than You Think. PLOS ONE, 11(3), e0152719.