在定量研究中,我们感兴趣的往往不仅是自变量能不能预测因变量,而且我们还想知道这种关系具体是怎样的,这就是所谓关系的“方向性”(directionality)。
如果你的变量是定比型变量、定距型变量或者有序变量中的一种,那么你就可以判断两个变量之间的关系到底是正相关、负相关,还是非线性相关。
(1)正向相关关系(positive relationship):也就是随着自变量的变量值的升高,因变量的变量值也会升高;反过来,当自变量的变量值降低,因变量的变量值也会降低,两个变量之间是“同进同退”的关系。正相关的变量在生活中随处可见,比如“身高”和“体重”——一个人的身高越高,体重通常就越重,反之亦然;再比如“学历”和“工资收入”——人的学历越高,通常收入也会越高,反之亦然。因此,这两对变量都是正向相关的关系。
图2-9 正向相关关系的可视化图示
(2)负向相关关系(negative relationship):随着自变量的变量值的升高,因变量的变量值会降低;反过来,当自变量的值降低,因变量的变量值会升高,两个变量之间是“此消彼长”的关系。这种关系在生活中也很常见,比如一个商品的“价格”和“销售量”之间的关系——商品价格越高,销售量通常就会越低,反之亦然;再比如“海拔”和“含氧量”之间的关系——随着海拔增高,空气中的含氧量通常会降低。
图2-10 负向相关关系的可视化图示(www.xing528.com)
(3)非线性相关关系(non-linear relationship):自变量和因变量之间不成线性关系,而可能是曲线或者抛物线的关系。比如,“运动量”跟“人的健康情况”多半就是非线性相关——一个人的运动量适当增加是能够有助于提升健康水平的,但是当运动量过了一定的临界点,过度的运动量可能就会导致健康情况的下降。
我们要注意的是,并不是所有变量之间的关系都可以找出方向性的。比如在我们刚才所举的“是什么影响了一个人的收入”的例子中,我们一共有四个自变量,其中以下两个自变量跟因变量的关系是有方向性的:
(1)自变量“年龄”:与因变量“个人收入”是正相关——通常随着年龄的增加,人的收入会增加(比如,通常50岁的人比30岁的人赚得多)。
(2)自变量“学历”:与因变量“个人收入”是正相关——通常学历越高,人的收入越高(比如,通常研究生文凭比高中文凭收入高)。
而另外两个自变量,“性别”和“职业”,就没办法画出正相关或负相关的关系——因为这两个变量是名义变量,而不是定比型变量、定距型变量或有序变量中的一种。(换句话说,我们没办法说,“人的性别越高,收入越高”,或者“人的职业越高,收入越高”。)
虽然关系“方向性”只能用于梳理一部分变量关系,但我们依然可以通过它来大大提升阅读或设计研究的思路。比如,针对“年龄”和“学历”这两个自变量跟因变量的关系图,就可以具体加入“方向性”的信息,用“加号”代表“正相关”,用“减号”代表“负相关”,可以让自变量与因变量之间的关系图更加清晰、具体,如图2-11所示。
图2-11 加入“方向性”信息后的变量梳理图示例
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。