Кількісне дослідження в психології: дизайн, дані та статистичний аналіз
Автор: Український психологічний ХАБ · Опубліковано: 7 жовтня 2026 · Редакційна політика
Кількісне дослідження в психології — це дослідницький підхід, у якому наукове питання перетворюють на визначені змінні та правила спостереження, збирають структуровані дані й аналізують їх за допомогою числових оцінок і статистичних моделей. Його мета полягає не в тому, щоб «додати статистику» до вже зібраних чисел, а в тому, щоб побудувати послідовний шлях від питання до висновку: кого і що вивчають, як отримують дані, який дизайн дозволяє відповісти на питання, що саме оцінює модель і якою є невизначеність результату.
Саме тому кількісне дослідження ширше за статистичний аналіз. Погано сформульоване питання, невідповідний дизайн, систематично зміщена вибірка або слабке вимірювання не виправляються складнішою формулою. І навпаки, простий аналіз може бути цілком достатнім, якщо він точно відповідає дизайну й науковому питанню.
Коротка відповідь
Кількісне дослідження відповідає на питання, які можна подати через вимірювані величини: наскільки поширене явище, як розподіляється показник, чи відрізняються групи, як змінні пов’язані між собою, наскільки точно можна оцінити різницю або зв’язок, чи передбачає одна сукупність показників інший результат і — за належного причинного дизайну — який ефект має певне втручання або вплив.
Типовий маршрут виглядає так:
1. сформулювати дослідницьке питання;
2. визначити, які змінні або події представлятимуть поняття, що вивчаються;
3. обрати дизайн, який відповідає потрібному типу висновку;
4. визначити популяцію, спосіб формування вибірки та потрібний обсяг даних;
5. заздалегідь продумати збір, очищення й аналіз даних;
6. оцінити величини, що безпосередньо відповідають на питання;
7. показати статистичну невизначеність і перевірити припущення аналізу;
8. сформулювати висновок не сильніше, ніж дозволяють дизайн і дані.
Цю логіку добре доповнює ширша стаття про психологічне дослідження, де кількісний підхід розглядається поряд з іншими способами отримання психологічного знання.
Що саме робить дослідження кількісним
Числа самі по собі ще не створюють кількісного дослідження. Ключовою є структурована дослідницька логіка, у якій спостереження подані у формі, придатній для кількісного опису, порівняння, моделювання та оцінювання невизначеності.
Наприклад, дослідник може вивчати час реакції в мілісекундах, кількість правильних відповідей, частоту певної поведінки, категорію відповіді, бал за шкалою, наявність або відсутність події, число повторних вимірювань чи зміну показника в часі. Усі ці дані можуть бути кількісно проаналізовані, хоча їхня статистична природа різна.
Кількісний підхід зазвичай передбачає три пов’язані речі.
По-перше, дослідник визначає, які спостережувані показники представлятимуть теоретичне поняття. Психологічні конструкти на кшталт тривоги, робочої пам’яті, довіри або самоконтролю не перетворюються на числа автоматично. Потрібна операціоналізація: чітке правило, за яким явище буде представлене в даних. Психометрична надійність і валідність такого вимірювання належать до окремої сфери психологічного вимірювання; статистична обробка не компенсує невдалу операціоналізацію.
По-друге, дані збирають у межах певного дизайну. Один і той самий показник може бути отриманий у рандомізованому експерименті, поперечному опитуванні, лонгітюдному спостереженні або квазіексперименті, і можливі висновки будуть різними.
По-третє, аналіз пов’язує дані з питанням через статистичну модель або іншу формалізовану процедуру. Модель не є нейтральним калькулятором: вона спирається на припущення щодо структури даних, залежностей між спостереженнями, форми зв’язків, механізму відбору та інших характеристик дослідження. Greenland та співавтори наголошують, що статистичні висновки залежать від цілого набору модельних і процедурних припущень, а не лише від однієї нульової гіпотези.
Головний принцип: спочатку питання, потім дизайн, потім аналіз
У сильному кількісному дослідженні статистичний метод обирають не за принципом «який тест я знаю», а за тим, яку величину треба оцінити і який дизайн породив дані.
Питання «Яка частка студентів повідомляє про певний досвід?» веде до оцінювання частоти або частки та її невизначеності.
Питання «Чи відрізняються дві групи за середнім показником?» веде до оцінювання міжгрупової різниці, але інтерпретація залежить від того, як утворилися групи.
Питання «Чи пов’язані два показники?» веде до аналізу асоціації — наприклад, кореляції або регресійного коефіцієнта, залежно від структури даних і моделі.
Питання «Чи спричиняє втручання зміну результату?» потребує причинного дизайну та причинної аргументації. Сам факт наявності числових даних, складної регресії або статистично значущого коефіцієнта причинність не встановлює.
Це базова межа між кількісним аналізом і причинним висновком: статистична модель оцінює те, що їй дозволяють дані й припущення, а дизайн визначає, які наукові твердження можуть мати підставу.
Які питання добре розв’язує кількісний підхід
Кількісні дослідження особливо корисні, коли питання стосується величини, частоти, розподілу, відмінності, асоціації, прогнозування, зміни або причинного ефекту.
Опис явища
Описове питання може стосуватися середнього значення, медіани, частки, частоти, розкиду або форми розподілу. Такий аналіз відповідає на «скільки?», «як часто?», «наскільки різняться спостереження?».
Опис не є другорядним етапом. Якщо дослідник не розуміє, як реально поводяться дані, складніша модель може лише приховати проблеми.
Порівняння
Дослідник може оцінювати різницю між групами, умовами або моментами часу. Тут важливо відокремлювати саме величину різниці від питання про статистичну значущість. Різниця може бути дуже точно оціненою і водночас малою; може бути потенційно великою, але оціненою неточно.
Асоціація
Кількісний аналіз дозволяє оцінювати, як змінні пов’язані між собою. Проте асоціація не є причинним ефектом. Докладно цю межу розбирає стаття «Кореляція і причинність».
Прогнозування
Прогностична модель оцінює, наскільки добре певні дані допомагають передбачати нові спостереження. Добра прогностична точність не обов’язково означає правильне причинне пояснення. Змінна може бути корисним прогностичним показником без того, щоб її зміна спричиняла зміну результату.
Причинний ефект
Причинне питання має іншу структуру: що сталося б з результатом, якби за інших релевантних умов змінився певний вплив або втручання? Тут потрібні дизайн і припущення, здатні підтримати таке порівняння. Рандомізований експеримент часто дає найсильнішу основу для причинного висновку, але й він потребує коректної реалізації, належного вимірювання, дотримання протоколу та обережного узагальнення.
Основні кількісні дизайни в психології
Кількісний підхід не є одним методом. Він охоплює різні дизайни, які відповідають на різні питання.
Рандомізований експеримент
У рандомізованому експерименті дослідник маніпулює умовою та випадково розподіляє учасників між умовами. За належного проведення випадковий розподіл допомагає зробити групи порівнюваними щодо як відомих, так і невідомих характеристик у межах імовірнісної логіки дизайну.
Важливо не змішувати два різні процеси. Випадковий розподіл між умовами допомагає внутрішній причинній інтерпретації експерименту. Випадкове формування вибірки з популяції стосується того, як учасники потрапляють у дослідження, і пов’язане з репрезентативністю та узагальненням. Це різні операції з різними цілями. Окремо про експеримент дивіться «Експериментальний метод у психології», а про випадковий розподіл — «Рандомізація в психологічному дослідженні».
Квазіекспериментальний дизайн
Квазіексперимент намагається оцінити причинний ефект без повного випадкового розподілу, використовуючи особливості природного або інституційного процесу, часові зміни, пороги призначення, групи порівняння чи інші джерела квазіекспериментальної варіації. Сила причинного висновку тут залежить від конкретного дизайну та його припущень, а не від самого ярлика «квазіексперимент».
Спостережне дослідження
У спостережних даних дослідник не призначає учасникам вплив або умову. Сюди можуть належати поперечні, когортні, лонгітюдні та інші дизайни.
Спостережні дані надзвичайно важливі для психології, бо багато явищ неможливо або неетично створювати експериментально. Водночас причинні твердження з таких даних потребують особливої роботи зі змішуванням, часовим порядком, відбором, вимірюванням і припущеннями. D’Onofrio та співавтори показують, як у поведінкових і клініко-психологічних дослідженнях причинна інтерпретація спостережних асоціацій залежить від способів контролю виміряних і невиміряних змішувальних чинників.
Поперечний і лонгітюдний дизайн
Поперечний дизайн збирає дані про змінні в один період або близькі моменти часу. Він зручний для опису та вивчення асоціацій, але слабкий для встановлення часової послідовності.
Лонгітюдний дизайн повторно вимірює людей, групи або інші одиниці спостереження в часі. Він дозволяє вивчати траєкторії та часовий порядок краще, ніж поперечний зріз, але сам факт повторних вимірювань ще не усуває змішування й відбір.
Опитування як спосіб збору даних
Опитування часто використовується в кількісних роботах, але «опитування» і «кількісний дизайн» не є синонімами. Закриті відповіді можуть утворювати структуровані кількісні дані, а відкриті відповіді — матеріал для якісного аналізу. Один проєкт може поєднувати обидва типи.
Дані: що саме стає числом
Кількісний аналіз починається з розуміння типу даних. Вибір статистичного методу залежить не тільки від теми, а й від того, якою є змінна.
Категоріальна змінна розподіляє спостереження між категоріями, наприклад типом умови або варіантом відповіді. Бінарна змінна має два стани. Порядкова змінна містить впорядковані категорії. Лічильна змінна відображає кількість подій. Безперервна змінна може набувати багатьох числових значень у певному діапазоні. Дані часу до події мають ще іншу структуру.
Це важливо, тому що середнє значення, відсоток, кореляція, відношення шансів або коефіцієнт регресії відповідають на різні питання. Неможливо обрати метод лише за словом «психологія» або «експеримент».
Психологічні дані часто мають додаткову структуру: повторні вимірювання вкладені в одну людину, учні вкладені в класи, пари утворюють взаємозалежні спостереження, дані збираються хвилями, а відповіді можуть пропускатися. Якщо аналіз ігнорує таку залежність, стандартні похибки та висновки можуть бути неправильними.
Вибірка: від кого отримані дані визначає межі висновку
Кількісне дослідження майже завжди працює з вибіркою, але висновок часто стосується ширшої популяції. Саме тут виникає питання узагальнюваності.
Велика вибірка зменшує частину випадкової статистичної невизначеності, проте не усуває систематичне зміщення. Якщо спосіб залучення учасників систематично виключає важливі групи, збільшення кількості подібно відібраних людей може зробити зміщену оцінку точнішою, а не правильнішою.
Розмір вибірки теж не має універсального «правильного числа». Він залежить від дослідницької мети, очікуваної точності, моделі, величини ефекту або мінімальної величини, яку важливо виявити, частоти подій, структури дизайну, можливих втрат даних та інших чинників. Lakens пропонує розглядати обґрунтування вибірки як частину відповіді на питання «що саме ми хочемо дізнатися з цього дослідження», а не як формальне проходження порогу. Детальніше цю тему розкриває стаття «Розмір вибірки».
Описова статистика і статистичний висновок виконують різні завдання
Описова статистика стискає спостережені дані до зрозумілих характеристик: частот, часток, середніх, медіан, показників розсіювання, розподілів і графіків. Вона відповідає на питання про те, що фактично є в наборі даних.
Статистичний висновок іде далі. Він використовує модель, щоб оцінювати параметри, зв’язки, відмінності або інші цільові величини разом з їхньою невизначеністю, а за належних умов — переносити висновки за межі конкретних спостережень.
Ці два рівні не можна підміняти один одним. Якщо у вибірці середній показник однієї групи вищий за іншу, це описовий факт про цю вибірку. Щоб оцінити, що така різниця означає щодо ширшої популяції або причинного ефекту, потрібні додаткові статистичні та дизайнерські підстави.
Як обирають статистичний аналіз
Немає одного «головного» тесту для кількісного дослідження. Вибір аналізу визначається поєднанням питання, типу результату, дизайну та структури даних.
Для середніх і різниць можуть використовуватися моделі, що оцінюють середні значення або контрасти між ними. Для бінарного результату — моделі ймовірності або шансів. Для лічильних даних — моделі частот. Для повторних вимірювань — підходи, які враховують залежність спостережень. Для асоціацій — кореляційні або регресійні моделі. Для прогнозування — моделі, які обов’язково оцінюють на даних, що не були використані для їхнього налаштування, якщо мета полягає саме в прогнозі.
Перед інтерпретацією потрібно перевірити припущення конкретного методу. Вони можуть стосуватися незалежності спостережень, форми функціонального зв’язку, розподілу залишків, однорідності дисперсій, відсутності критичної мультиколінеарності, механізму пропусків або способу формування вибірки. Перелік залежить від моделі. Формула «перевірили нормальність — отже аналіз коректний» не працює як універсальний методологічний сертифікат.
Що має бути в центрі статистичного результату
Сильний кількісний звіт показує не лише те, чи «спрацював тест». Читачеві потрібні щонайменше три рівні інформації: оцінка величини, її невизначеність і контекст дослідницького дизайну.
Оцінка величини
Це може бути різниця середніх, коефіцієнт кореляції, регресійний коефіцієнт, відношення ризиків, відношення шансів, частка або інша величина. Саме вона найчастіше відповідає на змістове питання «наскільки?».
Розмір ефекту допомагає описувати величину відмінності або зв’язку у придатній для інтерпретації метриці. Він не є синонімом статистичної значущості.
Невизначеність
Будь-яка вибіркова оцінка має невизначеність. Один зі звичних способів її показати — довірчий інтервал.
Для класичного 95% довірчого інтервалу частотна інтерпретація стосується процедури: якби той самий процес вибірки й побудови інтервалу багаторазово повторювали за виконання припущень, приблизно 95% таких інтервалів охоплювали б фіксований істинний параметр. Після того як конкретний інтервал уже обчислено, частотна модель не означає, що параметр «має 95% імовірність лежати саме в цьому інтервалі». Це одна з поширених помилок, детально розібраних Greenland та співавторами.
p-значення
p-значення оцінює сумісність спостережених даних із певною статистичною моделлю та перевірюваною гіпотезою. У звичній перевірці нульової гіпотези це ймовірність отримати статистику перевірки щонайменше настільки екстремальну, як спостережена, якщо припущена модель, включно з нульовою гіпотезою, правильна.
p-значення не є ймовірністю того, що нульова гіпотеза істинна. Воно не є ймовірністю того, що результат виник «випадково». Воно не показує розмір ефекту і не визначає практичну важливість результату. Заява Американської статистичної асоціації прямо застерігає від таких інтерпретацій.
Статистична значущість
Статистична значущість виникає, коли результат порівнюють із наперед обраним порогом, часто α = .05. Позначка p < .05 не означає, що ефект великий, важливий, клінічно значущий, причинний або відтворюваний.
Невеликий ефект у дуже великій вибірці може мати дуже мале p-значення. Великий, але неточно оцінений ефект у малій вибірці може не перетнути умовний поріг. Тому дихотомія «значущий / незначущий» не повинна замінювати аналіз величини та невизначеності результату.
Статистична потужність
Статистична потужність — це характеристика процедури в заданій моделі: імовірність отримати визначений результат перевірки, наприклад відхилити нульову гіпотезу, коли існує певний заданий ефект і виконуються припущення.
Низька потужність може призводити до великої невизначеності й нестабільних результатів. Проте «дослідження мало низьку потужність» не є доказом відсутності ефекту, так само як незначущий результат не доводить, що ефект дорівнює нулю.
Статистичний результат не є автоматичним науковим висновком
Уявімо, що в поперечному опитуванні виявлено зв’язок між коротшим сном і вищим рівнем стресу. Статистично можна оцінити напрям і величину асоціації, її невизначеність і чутливість до певних модельних рішень. Але з такого дизайну не випливає автоматично, що коротший сон спричиняє стрес.
Можливі альтернативи. Стрес може погіршувати сон. Обидва показники можуть залежати від третього чинника. Вибірка може бути сформована так, що зв’язок посилюється або слабшає. Вимірювання може містити систематичну помилку. Часовий порядок у поперечному зрізі може бути невідомим.
Саме тут проходить межа між статистичним коефіцієнтом і причинним твердженням.
Кількісне дослідження і причинність
Причинний висновок потребує більшого, ніж асоціація. У мінімальній причинній аргументації треба з’ясувати щонайменше п’ять речей.
Часовий порядок
Передбачувана причина має передувати наслідку в релевантному причинному процесі. Поперечне вимірювання часто не дозволяє встановити цей порядок.
Змішування
Змішувальний чинник пов’язаний і з передбачуваним впливом, і з результатом та може створювати або спотворювати спостережену асоціацію. Статистичне «контролювання всіх доступних змінних» не є універсальним рішенням: вибір змінних для корекції має ґрунтуватися на причинній моделі, а контроль невідповідних змінних іноді сам створює зміщення.
Вибіркове зміщення
Люди, які потрапили до дослідження, залишилися в ньому або мають повні дані, можуть систематично відрізнятися від тих, хто не потрапив або вибув. Якщо механізм відбору пов’язаний з ключовими змінними, асоціація у вибірці може відрізнятися від тієї, що цікавить дослідника.
Вимірювання
Помилка вимірювання може послаблювати, посилювати або змінювати зв’язки. У психології це особливо важливо, тому що багато конструктів оцінюють непрямо через завдання, шкали, поведінкові показники або інформантів.
Припущення конкретного дизайну
Рандомізовані, квазіекспериментальні та спостережні підходи мають різні умови, за яких їхні оцінки можна трактувати причинно. Причинний висновок завжди має бути сформульований у межах цих умов.
Тому коректний текст розрізняє «X асоційований з Y» і «зміна X спричиняє зміну Y». Перше може бути добре підтримане спостережними даними. Друге потребує окремої причинної аргументації.
Внутрішня валідність дизайну і валідність психологічного вимірювання — різні речі
У кількісній психології слово «валідність» використовується в різних контекстах, і це легко створює плутанину.
Внутрішня валідність дизайну стосується того, наскільки обґрунтовано приписувати спостережену зміну саме досліджуваному впливу, а не альтернативним поясненням.
Психометрична валідність стосується обґрунтованості інтерпретації та використання результатів психологічного вимірювання. Це окрема галузь із власною теорією доказів, моделями та процедурами. Висока внутрішня валідність експерименту не виправляє невалідне вимірювання, а якісний тест сам по собі не створює причинного дизайну.
Що може зіпсувати кількісне дослідження ще до статистики
Найсерйозніші проблеми часто виникають раніше, ніж дослідник відкриває статистичну програму.
Невизначене питання робить незрозумілою цільову величину.
Невідповідна операціоналізація означає, що число може точно вимірювати не те, про що автор робить висновок.
Систематичний відбір учасників обмежує узагальнення.
Невдалий дизайн залишає правдоподібні альтернативні пояснення.
Велика частка пропусків може змінити склад аналізованої вибірки.
Вибір лише «вдалих» аналізів після перегляду результатів збільшує ризик перебільшених висновків.
Множинні перевірки без належного врахування збільшують шанс отримати екстремальні результати лише через кількість спроб.
Непрозорі правила виключення спостережень або зупинки збору даних ускладнюють оцінювання результату.
Ці проблеми не означають, що кількісні методи ненадійні як клас. Вони показують, чому якість залежить від усього дослідницького ланцюга, а не від назви статистичного тесту.
План аналізу: що варто визначити до перегляду результату
Для підтверджувального дослідження корисно до аналізу визначити основні гіпотези, ключові змінні, головну цільову величину, правила включення та виключення, спосіб роботи з пропущеними даними, основну модель і заплановані перевірки чутливості.
Попередня реєстрація може зафіксувати частину цих рішень до того, як результат стане відомим. Вона не гарантує якість і не перетворює слабкий дизайн на сильний, але допомагає відділити наперед сформульовані підтверджувальні аналізи від пошукових.
Пошуковий аналіз також має наукову цінність. Проблема виникає тоді, коли гіпотезу, сформовану після перегляду даних, подають так, ніби вона була передбачена заздалегідь. Тому прозоре позначення підтверджувального і пошукового аналізу важливіше за ритуальне прагнення зробити кожен аналіз «попередньо запланованим».
APA Journal Article Reporting Standards для кількісних досліджень рекомендують прозоро повідомляти дизайн, характеристики учасників, визначення вибірки, вимірювання, аналітичну стратегію, первинні й вторинні аналізи та інші рішення, потрібні для оцінювання роботи. У звіті робочої групи APA Appelbaum та співавтори окремо описані модулі для різних дизайнів і статистичних підходів.
Звітування не дорівнює методологічній якості
Добре написана стаття може описувати слабке дослідження, а сильне дослідження можна описати неповно. Тому стандарт звітування і оцінювання якості треба розрізняти.
Наприклад, STROBE містить рекомендації щодо звітування когортних, досліджень типу «випадок — контроль» і поперечних спостережних досліджень. Самі автори STROBE прямо зазначають, що контрольний список не є інструментом оцінювання якості та не є приписом того, як проєктувати дослідження. Його функція — зробити проведену роботу достатньо прозорою для читача.
Те саме загальне правило стосується й інших стандартів: відповідність формату звіту не доводить правильність причинної моделі, адекватність вибірки або відсутність систематичного упередження.
Як читати кількісне дослідження: маршрут із десяти запитань
Замість того щоб починати з p-значення, пройдіть дослідження від питання до висновку.
1. Яке точне дослідницьке питання і яка цільова величина має на нього відповісти?
2. Який дизайн використано і який тип висновку він принципово дозволяє?
3. Кого або що досліджували, як сформовано вибірку і до якої популяції автори узагальнюють результат?
4. Як операціоналізовано ключові психологічні поняття?
5. Чи відповідає статистична модель типу результату та структурі даних?
6. Які припущення потрібні для інтерпретації моделі і чи автори перевіряють їхню правдоподібність?
7. Яка величина оціненого зв’язку, різниці або ефекту?
8. Наскільки точна ця оцінка і що показує інтервал невизначеності?
9. Чи не сильніший текстовий висновок за те, що реально підтримує дизайн?
10. Чи узгоджується результат з іншими якісними дослідженнями, реплікаціями або синтезом доказів?
Цей маршрут працює краще за правило «p < .05 — віримо, p ≥ .05 — не віримо», бо зберігає зв’язок між науковим питанням, дизайном і статистикою.
Кількісне, якісне та змішане дослідження
Кількісний і якісний підходи не утворюють шкалу «сильний — слабкий». Вони відповідають на різні типи питань і мають різні критерії методологічної якості.
Кількісний підхід особливо придатний, коли потрібно оцінити величину, розподіл, відмінність, асоціацію, прогноз або причинний ефект у формалізованій моделі.
Якісний підхід може бути кращим, коли потрібно зрозуміти досвід, смисли, способи інтерпретації, процеси взаємодії або контекст, який погано зводиться до наперед заданих числових категорій.
Змішане дослідження інтегрує кількісні та якісні компоненти в одному дослідницькому питанні або програмі. Воно має сенс тоді, коли інтеграція дає відповідь, якої не забезпечує кожний компонент окремо, а не просто тоді, коли автори «додали інтерв’ю до анкети».
Розмір вибірки також не визначає тип дослідження. Можливе кількісне дослідження з малою кількістю учасників і великою кількістю повторних вимірювань, так само як можливий великий якісний корпус текстів. Методологію визначає логіка питання, даних і аналізу.
Поширені помилки в інтерпретації кількісних результатів
«Є статистично значущий результат — отже ефект важливий»
Ні. Статистична значущість залежить від ефекту, розміру вибірки, варіативності, моделі та інших умов. Практична або клінічна важливість потребує змістових критеріїв, а не лише порогу p.
«p = .03 означає 3% імовірності, що нульова гіпотеза правильна»
Ні. p-значення обчислюється за припущення, що модель, включно з перевірюваною гіпотезою, виконується. Воно не є апостеріорною ймовірністю гіпотези.
«95% довірчий інтервал означає 95% імовірності, що істинне значення всередині саме цього інтервалу»
Не в класичній частотній інтерпретації. 95% стосується довготривалої властивості процедури побудови інтервалів за виконання припущень.
«Результат незначущий — отже ефекту немає»
Ні. Такий результат може бути сумісним з нульовим ефектом і водночас із широким діапазоном ненульових ефектів. Треба дивитися на оцінку, довірчий інтервал, дизайн і точність.
«Велика вибірка автоматично робить дослідження хорошим»
Ні. Велика вибірка може дати високу точність для систематично зміщеної оцінки. Якість дизайну, вимірювання і відбору залишаються центральними.
«Якщо модель контролює багато змінних, результат стає причинним»
Ні. Причинна корекція залежить від правильної причинної структури, а безсистемне включення змінних може не усунути змішування або навіть створити нове зміщення.
Поширені запитання
Що таке кількісне дослідження простими словами?
Це дослідження, у якому питання переводять у вимірювані змінні, дані збирають за структурованими правилами, а результат оцінюють чисельно з урахуванням статистичної невизначеності. Головна мета — не «отримати цифри», а відповісти на конкретне питання так, щоб було зрозуміло, що саме оцінено і наскільки надійним є висновок.
Чи кількісне дослідження — це те саме, що статистика?
Ні. Статистика є частиною кількісного дослідження. Дослідницьке питання, операціоналізація, дизайн, формування вибірки, процедура збору даних та правила інтерпретації визначають зміст результату ще до статистичного аналізу.
Чи всі експерименти є кількісними?
Багато психологічних експериментів мають кількісний аналіз, але поняття «експеримент» визначається передусім маніпуляцією умовами та логікою контролю, а не самим фактом використання чисел. У ширшій дослідницькій практиці експериментальні процедури можуть також включати якісні дані.
Чи опитування завжди є кількісним?
Ні. Закриті питання можуть створювати кількісні дані, відкриті відповіді можуть аналізуватися якісно, а один проєкт може поєднувати обидва підходи. Опитування — спосіб отримання даних, а не автоматична назва всього дослідницького дизайну.
Чи можна з кореляції зробити причинний висновок?
Сам коефіцієнт кореляції причинність не встановлює. Причинний висновок потребує додаткових підстав щодо часового порядку, змішування, відбору, вимірювання та припущень дизайну. Деякі спостережні дизайни дозволяють сильнішу причинну аргументацію, але вона виникає з дизайну й припущень, а не з величини кореляції.
Скільки учасників потрібно для кількісного дослідження?
Універсального числа немає. Розмір вибірки має випливати з мети: потрібної точності оцінки, мінімально важливого ефекту, структури моделі, частоти подій, планованого аналізу, допустимих помилок, можливих втрат даних і практичних обмежень. Число «30» або будь-який інший магічний поріг не є загальним правилом.
Чи достатньо p < .05, щоб вважати результат переконливим?
Ні. Потрібно оцінити дизайн, якість даних, величину результату, довірчий інтервал, модельні припущення, множинність аналізів, прозорість дослідницьких рішень і ширший корпус доказів. p-значення є одним елементом статистичного висновку, а не універсальним сертифікатом істини.