Vikten av banala förklaringar

Modeller för psykologiska data, som riskuppfattning, är ofta svaga eller t o m mycket svaga. Det beror troligen till stor del på att forskarna har varit nöjda med "signifikanta" samband, kanske också på att man inte har förstått hur man ska kunna formulera mera kraftfulla modeller, eller att man inte har insett vikten av sådana modeller. Vad det gäller det sistnämnda kan jag hänvisa till Pedhazurs (1982) klargörande diskussion. Om det saknas en eller flera viktiga förklarande faktorer i en modell finns risken att de regressionsvikter som skattas med hjälp av modellen är missvisande (bias).

I exemplet riskperception har jag funnit i ett flertal undersökningar att "riskkänslighet" är en mycket viktig förklarande faktor. Med denna term syftar jag på den nivå i riskbedömningar som en person ligger på; den nivån varierar starkt mellan personer. Se exempel i referenslistan nedan. Tar man med denna faktor i sina modeller hamnar förklaringens styrka på ca 60-70 %, vilket är långt utöver vad man har i vanliga beteendevetenskapliga analyser: 2-3 gånger mera. Faktorn kostar oftast inget att mäta, data finns i det typiska fallet redan insamlade.

"Det är en ointressant och banal faktor" kan man kanske säga. Kanske det. Forskarnas uppmärksamhet ligger naturligtvis på andra faktorer, inte på systematiska olikheter mellan individer i användningen av bedömningsskalorna. Men poängen är att det är en kraftfull och psykologiskt rimlig förklaringsfaktor vars användning gör att övriga faktorers vikter kan uppskattas på ett mera tillförlitligt sätt.

Det finns oerhört omfattande psykologisk forskning som fastnat i mycket svaga förklaringsmodeller, t ex självförtroende som bara är svagt relaterat till beteende. Stora datamängder har garanterat statistisk signifikans, men detta är bara ett "glaspärlespel" för gallerierna. Sökande efter kraftfulla modeller kan leda till stor framgång om man är medveten om vikten av "banala" faktorer och tar med dem i modellerna. På så sätt når man bättre förståelse av beteendet och en mera giltig bild av betydelsen också av de "icke-banala" faktorernas inverkan på det man vill förklara.

Referenser

Pedhazur, E. J. (1982). Multiple regression in behavioral research. Explanation and prediction. New York: Holt, Rinehart and Winston.

Sjöberg, L. (2004). Explaining individual risk perception: the case of nuclear waste. Risk Management: An International Journal, 6(1), 51-64. Klicka här.

Ny blogg om tester och psykometrik

Jag har startat en ny blogg med specialinriktning på tester och psykometrik, se här.Den kommer att behandla både enskilda test, mina egna och andras, och allmänna teoretiska och empiriska frågor. Även annan psykometrik kommer att tas upp, som attitydmätning.