Correlazioni

A volte, i ricercatori possono scegliere di interagire in modo più passivo con un fenomeno, piuttosto che intervenire e manipolare i comportamenti di interesse.

Ad esempio, forse uno scienziato vuole sapere se esiste un'associazione tra una dieta a base vegetale e il sonno. In questo caso, misura quantitativamente due variabili chiedendo ai partecipanti di riferire quante verdure hanno consumato quel giorno e, successivamente, quante ore hanno dormito.

Questo disegno è noto come ricerca correlazionale, che esamina se esistono relazioni tra due variabili.

Dopo aver raccolto entrambe le serie di misurazioni, il ricercatore può visualizzare i dati per ogni unità, in questo caso ogni persona, su un grafico – un grafico a dispersione – con le variabili – consumo giornaliero di verdure e quantità di sonno – poste su entrambi gli assi.

Statisticamente, le correlazioni sono determinate calcolando il coefficiente di correlazione, comunemente indicato come r, un numero compreso tra -1 e 1 che indica la direzione, il segno dell'associazione e la sua forza complessiva, quanto strettamente si allineano i punti.

In questo caso, la correlazione potrebbe essere positiva, il che significa che le due variabili si muovono nella stessa direzione. Cioè, le persone che hanno consumato pochissime verdure hanno dormito di meno, mentre altre che hanno mangiato di più, hanno dormito di più.

Inoltre, la correlazione potrebbe essere forte, con un valore vicino a 1, che indica che i punti dati si raggruppano in modo lineare, con pochissime eccezioni tra gli individui.

Quando l'associazione ha più eccezioni, il modello lineare può scomparire man mano che i punti dati vengono distribuiti: il valore assoluto si avvicina a zero e la correlazione è considerata debole o inesistente.

Ora, se le due variabili si muovono nella direzione opposta l'una all'altra, la correlazione sarebbe considerata negativa. Cioè, più verdure le persone consumavano, meno dormivano e viceversa. La forza è relativamente forte, dato che la dispersione è piuttosto lineare.

È importante sottolineare che correlazione non significa causalità! I ricercatori avrebbero bisogno di seguire le osservazioni per determinare in che modo i cambiamenti in una variabile causano cambiamenti in un'altra.