Un obiettivo centrale della maggior parte delle ricerche è l’identificazione di relazioni causali, o dimostrare che una particolare variabile indipendente (la causa) ha un effetto sulla variabile dipendente di interesse (l’effetto). I tre criteri per stabilire causa ed effetto – associazione, ordine temporale (o precedenza temporale), e non spuriabilità – sono familiari alla maggior parte dei ricercatori dai corsi di metodi di ricerca o di statistica. Mentre gli esempi classici usati per illustrare questi criteri possono far pensare che stabilire la causa e l’effetto sia semplice, è spesso uno degli aspetti più impegnativi della progettazione di studi di ricerca da implementare in condizioni reali.
Il primo passo per stabilire la causalità è dimostrare l’associazione; in parole povere, esiste una relazione tra la variabile indipendente e la variabile dipendente? Se entrambe le variabili sono numeriche, questo può essere stabilito guardando la correlazione tra le due per determinare se sembrano trasmettere. Un esempio comune è la relazione tra istruzione e reddito: in generale, gli individui con più anni di istruzione hanno anche la probabilità di guadagnare redditi più alti. Anche la tabulazione incrociata, che incrocia le distribuzioni di due variabili categoriche, può essere usata per esaminare l’associazione. Per esempio, possiamo osservare che il 60% dei protestanti sostiene la pena di morte mentre solo il 35% dei cattolici lo fa, stabilendo un’associazione tra la confessione e gli atteggiamenti verso la pena capitale. C’è un dibattito in corso su quanto strettamente associate debbano essere le variabili per fare un’affermazione causale, ma in generale i ricercatori sono più interessati alla significatività statistica di un’associazione (se è probabile che esista nella popolazione) che alla forza effettiva dell’associazione.
Una volta stabilita un’associazione, la nostra attenzione si rivolge a determinare l’ordine temporale delle variabili di interesse. Affinché la variabile indipendente causi la variabile dipendente, la logica impone che la variabile indipendente si verifichi per prima nel tempo; in breve, la causa deve venire prima dell’effetto. Questo ordine temporale è facile da garantire in un disegno sperimentale dove il ricercatore controlla attentamente l’esposizione al trattamento (che sarebbe la variabile indipendente) e poi misura il risultato di interesse (la variabile dipendente). Nei disegni cross-sectional l’ordine temporale può essere molto più difficile da determinare, specialmente quando la relazione tra le variabili potrebbe ragionevolmente andare nella direzione opposta. Per esempio, anche se l’istruzione di solito precede il reddito, è possibile che gli individui che stanno facendo una buona vita possano finalmente avere il denaro necessario per tornare a scuola. Determinare l’ordine temporale può quindi comportare l’uso della logica, della ricerca esistente e del buon senso quando un disegno sperimentale controllato non è possibile. In ogni caso, i ricercatori devono essere molto attenti a specificare la direzione ipotizzata della relazione tra le variabili e fornire prove (sia teoriche che empiriche) per sostenere la loro affermazione.
Il terzo criterio di causalità è anche il più problematico, poiché richiede che siano escluse spiegazioni alternative per la relazione osservata tra due variabili. Questo è chiamato non-spuriosità, che significa semplicemente “non falso”. Una relazione spuria o falsa esiste quando ciò che sembra essere un’associazione tra le due variabili è in realtà causata da una terza variabile estranea. Esempi classici di spuriabilità includono la relazione tra la misura delle scarpe dei bambini e le loro conoscenze accademiche: all’aumentare della misura delle scarpe aumenta anche la conoscenza, ma ovviamente entrambe sono anche fortemente legate all’età. Un altro esempio ben noto è la relazione tra il numero di vigili del fuoco che rispondono a un incendio e la quantità di danni che ne risultano – chiaramente, la dimensione dell’incendio determina entrambi, quindi è impreciso dire che più vigili del fuoco causano maggiori danni. Anche se questi esempi sembrano semplici, i ricercatori nel campo della psicologia, dell’educazione e delle scienze sociali spesso affrontano sfide molto più grandi nell’escludere relazioni spurie semplicemente perché ci sono così tanti altri fattori che potrebbero influenzare la relazione tra due variabili. Un disegno di studio appropriato (usando procedure sperimentali quando possibile), un’attenta raccolta di dati e l’uso di controlli statistici, e la triangolazione di molte fonti di dati sono tutti essenziali quando si cerca di stabilire relazioni non spurie tra le variabili.
0 commenti