Słownik metodologiczny · Ludzie statystyki

Paul E. Meehl (1920–2003) – psycholog, który policzył, że wszystko koreluje ze wszystkim

Paul E. Meehl porównał przewidywania klinicystów z regułami statystycznymi, z Lee Cronbachem opisał trafność teoretyczną i krytykował testy istotności w psychologii. Przedstawiamy jego drogę, ciekawostkę o liczonych lekturach i czynnik „crud” policzony w R na danych o osobowości.

Strona główna / Słownik / Paul E. Meehl
W skrócie: Paul E. Meehl (1920–2003) – amerykański psycholog kliniczny i filozof nauki z Uniwersytetu Minnesoty. Wykazał przewagę predykcji statystycznej nad kliniczną, z Cronbachem opisał trafność teoretyczną, a pojęciem „crud factor” zwrócił uwagę, że przy dużej próbie prawie każda korelacja jest istotna.

Kim był Paul E. Meehl?

Paul Everett Meehl (1920–2003) był amerykańskim psychologiem klinicznym, przez całe życie zawodowe związanym z Uniwersytetem Minnesoty (Faust i Waller, 2004; Waller i Lilienfeld, 2005). Na uczelnię wstąpił w wieku 18 lat z zamiarem studiowania medycyny, ale przeszedł do psychologii. Pod kierunkiem Starke’a Hathawaya opracował w rozprawie doktorskiej skalę K do inwentarza MMPI; doktorat z psychologii klinicznej uzyskał w 1945 r., mając 25 lat (Waller i Lilienfeld, 2005).

W Minnesocie był profesorem psychologii, wykładał też w szkołach prawa i medycyny i należał do założycieli Minnesota Center for Philosophy of Science. W latach 1962–1963 przewodniczył Amerykańskiemu Towarzystwu Psychologicznemu (APA), w 1987 r. wszedł do National Academy of Sciences. Zmarł 14 lutego 2003 r. (Waller i Lilienfeld, 2005).

Najważniejsze pomysły

  • Predykcja kliniczna a statystyczna. W książce „Clinical versus statistical prediction” (1954) Meehl zestawił przewidywania klinicystów z przewidywaniami z prostych reguł statystycznych, czyli aktuarialnych. Po trzydziestu latach uznał, że z książki trzeba by wycofać najwyżej 5% treści, a przewaga predykcji aktuarialnej jest mocno potwierdzona (Meehl, 1986). Dziś to pytanie o trafność prognostyczną.
  • Trafność teoretyczna. Z Lee Cronbachem opisał w 1955 r. cztery rodzaje trafności testu: prognostyczną, diagnostyczną (równoczesną), treściową i teoretyczną (Cronbach i Meehl, 1955). Ta ostatnia jest potrzebna wtedy, gdy nie ma jednego kryterium, z którym można porównać wynik testu – trafność wykazuje się wtedy siecią przewidywań teorii, nazwaną przez autorów siecią nomologiczną.
  • Ryzykowne testy zamiast gwiazdek. W 1978 r. dowodził, że teorie „miękkiej” psychologii nie są obalane ani potwierdzane, tylko zanikają, m.in. przez poleganie na testach istotności. Proponował zmodyfikowane podejście Poppera: teorie powinny przewidywać wartości liczbowe i narażać się na falsyfikację (Meehl, 1978).
  • Czynnik „crud”. W 1990 r. nazwał tak prosty fakt: w naukach społecznych wszystko w jakimś stopniu koreluje ze wszystkim, więc przy dużej próbie prawie każda hipoteza zerowa o braku związku zostanie odrzucona (Meehl, 1990).

Ciekawostka

Meehl prowadził statystykę własnej lektury. Według list w arkuszach kalkulacyjnych, które prowadziła jego żona Leslie Yonce, w latach 1973–2003 przeczytał co najmniej 1227 powieści i innych książek beletrystycznych oraz 4078 książek niebeletrystycznych, czyli mniej więcej jedną książkę co dwa dni. Stosował regułę 25 stron: książkę, która do tego miejsca go nie wciągnęła, odkładał (Waller i Lilienfeld, 2005).

Dobrej beletrystyki szukał metodą losową: szedł do działu literatury w bibliotece, brał książkę z półki na chybił trafił i zaczynał czytać, a do domu zabierał ją tylko wtedy, gdy zaciekawiła go pierwsza strona. Biografowie, by sprawdzić, z jakich dziedzin czytał, też losowali – po 300 tytułów z każdej listy (Waller i Lilienfeld, 2005).

Przykład: czynnik „crud” na danych o osobowości

Meehl (1990) streścił niepublikowane badanie, które przeprowadził z Davidem Lykkenem. W 1966 r. ankietę o rodzinie, szkole i czasie wolnym wypełniło 57 000 maturzystów z Minnesoty. Wszystkie 105 tabel krzyżowych dla 15 zmiennych dało wynik istotny statystycznie, a przy 45 zmiennych i 990 tabelach istotnych było 92%. Meehl podkreślał, że to nie błędy I rodzaju, lecz prawdziwe powiązania.

Podobny rachunek zrobiliśmy w R na zbiorze bfi z pakietu psych (2800 osób, pozycje Wielkiej Piątki z projektu SAPA, płeć, wykształcenie i wiek). Wzięliśmy 20 pozycji ugodowości, sumienności, ekstrawersji i otwartości oraz trzy zmienne demograficzne i liczyliśmy tylko pary zmiennych z różnych grup, np. pozycję sumienności z wiekiem. Par jest 210, kompletne dane ma 2308 osób.

Wynik: 166 z 210 korelacji Pearsona (79.0%) jest istotnych na poziomie .05, a 64.3% nawet na poziomie .001. Mediana |r| wynosi tylko .093, ale przy tej liczebności istotne jest już |r| ≥ .041. W losowych podpróbach (po 500 dla każdej liczebności, ziarno 1954) istotnych było 12.3% par przy n = 25, 18.0% przy n = 50 i 49.9% przy n = 400.

Na koniec eksperyment myślowy Meehla o „garnku z teoriami”. Teoria bez żadnego związku z danymi przewiduje dla każdej pary losowo wybrany kierunek korelacji. „Potwierdzeniem” nazywamy wynik istotny o przewidzianym znaku. W pełnej próbie losowa teoria zostaje „potwierdzona” w 41.4% par, przy n = 50 – w 9.3%. Gdyby wszystkie hipotezy zerowe były prawdziwe, oczekiwalibyśmy 2.5%. Sama istotność nie mówi więc, czy teoria jest dobra.

Na rysunku

Pozioma oś czasu od 1920 do 2003 z dziesięcioma zdarzeniami: 1920 urodził się; 1945 doktorat w Minnesocie i skala K w MMPI; 1954 książka Clinical versus statistical prediction; 1955 trafność teoretyczna z Cronbachem; 1962 prezes APA (1962–1963); 1978 artykuł Theoretical risks and tabular asterisks; 1986 artykuł Causes and effects of my disturbing little book; 1987 National Academy of Sciences; 1990 crud factor w artykule Why summaries…; 2003 zmarł. Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja
Rysunek 1. Oś czasu: Paul E. Meehl, 1920–2003. Lata według Fausta i Wallera (2004), Wallera i Lilienfelda (2005) oraz cytowanych prac Meehla. Rysunek: R, pakiet ggplot2.

Co widać. Najważniejsze prace metodologiczne Meehla dzieli ponad trzydzieści lat: od książki o predykcji (1954) po artykuł o czynniku „crud” (1990).

Na co uważać. Oś pokazuje tylko wybrane daty z cytowanych źródeł; pomija np. prace o schizofrenii.

Podpis do pracy:

Rysunek 1. Wybrane daty z życia i pracy Paula E. Meehla, 1920–2003. Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja).
Dwa panele. A: histogram 210 korelacji Pearsona między zmiennymi z różnych grup zbioru bfi (pozycje ugodowości, sumienności, ekstrawersji, otwartości i zmienne demograficzne), od około −0.35 do 0.48; niebieskie słupki – korelacje istotne przy n = 2308, szare – nieistotne, skupione wokół zera między przerywanymi liniami progu ±0.041; szare tło od około −0.28 do 0.28 oznacza korelacje, które byłyby nieistotne przy n = 50. B: odsetek istotnych korelacji w zależności od liczebności próby na osi logarytmicznej – niebieska linia z kołami rośnie od 12.3% przy n = 25 do 79.0% przy n = 2308; pomarańczowa przerywana linia z trójkątami pokazuje odsetek potwierdzeń losowej teorii, od 6.4% do 41.4%; kropkowane linie na poziomie 5% i 2.5% to wartości oczekiwane przy prawdziwych hipotezach zerowych
Rysunek 2. Czynnik „crud” na danych psych::bfi: rozkład korelacji między zmiennymi z różnych grup (A) i odsetek wyników istotnych oraz „potwierdzeń” teorii z losowym kierunkiem przewidywania w zależności od liczebności próby (B). Obliczenia i rysunek: R, pakiety psych, ggplot2 i patchwork (panel B: losowe podpróby, set.seed(1954)).

Co widać. Na panelu A większość korelacji jest mała, ale prawie wszystkie wychodzą poza wąski pas nieistotności wyznaczony przy n = 2308. Panel B pokazuje, że odsetek „efektów” zależy przede wszystkim od liczebności próby.

Na co uważać. Cechy Wielkiej Piątki są względnie odrębne, a nie zupełnie niezwiązane, a odpowiedzi łączy też styl odpowiadania; próba SAPA nie jest losowa. Podpróby pochodzą z jednego zbioru, więc przy dużych n się pokrywają. Liczby Meehla i Lykkena dotyczą tabel krzyżowych, nasze – korelacji.

Podpis do pracy:

Rysunek 2. Rozkład korelacji Pearsona dla 210 par zmiennych z różnych grup (pozycje ugodowości, sumienności, ekstrawersji i otwartości oraz płeć, wykształcenie i wiek; n = 2308) (A) oraz odsetek korelacji istotnych na poziomie .05 i odsetek „potwierdzeń” hipotezy o losowo przypisanym kierunku w 500 losowych podpróbach dla każdej liczebności (B). Uwaga. Dane: psych::bfi. Linie kropkowane – odsetki oczekiwane, gdyby wszystkie hipotezy zerowe były prawdziwe (5% i 2.5%).

Gdzie spotkasz Meehla w swojej pracy

  • W rozdziale o narzędziu badawczym, gdy uzasadniasz trafność skali – pojęcia trafności teoretycznej i sieci nomologicznej pochodzą z pracy Cronbacha i Meehla; rodzaje dowodów porządkuje wpis Rodzaje trafności – mapa dowodów.
  • Gdy masz dużą próbę i „wszystko wychodzi istotne” – to właśnie czynnik „crud”. Podawaj wielkość efektu i przedział ufności, a nie same gwiazdki; jak czytać wartość p, wyjaśnia wpis Wartość p – interpretacja.
  • Gdy planujesz liczebność próby – moc testu rośnie z n, ale przy dużej mocy hipoteza „jest jakiś związek” niewiele ryzykuje. Lepiej zapisać z góry, jak duży efekt przewidujesz, np. w prerejestracji, i nie szukać istotności po fakcie (p-hacking).

Spory, mity i trudne strony

  • Czy Meehl był przeciwnikiem statystyki? Nie. Krytykował sposób, w jaki psychologia używa testów istotności do sprawdzania słabych teorii (Meehl, 1978, 1990), a jednocześnie ubolewał nad słabym wykształceniem matematycznym psychologów; sam przez lata po doktoracie chodził na kursy matematyki (Waller i Lilienfeld, 2005).
  • Opór praktyków. Meehl (1986) wymienił siedem przyczyn, dla których praktycy nie stosują dobrze udokumentowanej przewagi predykcji aktuarialnej.
  • Nietypowe tematy. Pisał też o parapsychologii (m.in. w „Science”) i statystycznie analizował dowody na rzecz teorii ewolucji, uznając je za niewystarczająco kompletne; biografowie zaznaczają, że nie wynikało to z kreacjonizmu, który odrzucał (Waller i Lilienfeld, 2005).
  • Testy istotności dziś. Krytyka Meehla wraca w sporach o NHST; o złudzeniach co do małych prób – hasło o Kahnemanie i Tverskym.
Przykład reprodukowalny

Czynnik „crud” w R

Pierwszy przepis wczytuje zbiór bfi z pakietu psych, liczy korelacje dla wszystkich par zmiennych z różnych grup i ich istotność, a potem – w 500 losowych podpróbach dla każdej liczebności (set.seed(1954); liczbę podprób, liczebności i ziarno ustaliliśmy z góry) – odsetek wyników istotnych i „potwierdzeń” teorii z losowo przypisanym kierunkiem. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne.

1. Czynnik „crud” na danych o osobowości: rysunek 2

Dane wejściowe: data(bfi, package = "psych") – 2800 osób, 25 pozycji Wielkiej Piątki z projektu SAPA oraz płeć, wykształcenie i wiek (opis z pliku pomocy); używamy 20 pozycji A, C, E, O i 3 zmiennych demograficznych, osoby z kompletnymi danymi.

Co odczytać: liczbę par i odsetek korelacji istotnych na poziomie .05 i .001, medianę |r| i krytyczne r przy pełnej próbie; w tabeli – odsetek par istotnych i „potwierdzonych” w losowym kierunku dla każdej liczebności.

Kod R rysunku 2
# Paul E. Meehl: „crud factor” – czy w dużej próbie „wszystko koreluje ze wszystkim”? (psych::bfi)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(wszystkie = "#0072B2", kierunek = "#D55E00", h0 = "grey45")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
# 20 pozycji Wielkiej Piątki (ugodowość A, sumienność C, ekstrawersja E, otwartość O; bez neurotyczności N)
# oraz płeć, wykształcenie i wiek; analizujemy tylko pary zmiennych z RÓŻNYCH grup
data(bfi, package = "psych")
zmienne <- c(paste0("A", 1:5), paste0("C", 1:5), paste0("E", 1:5), paste0("O", 1:5), "gender", "education", "age")
grupa <- c(rep(c("A", "C", "E", "O"), each = 5), rep("demografia", 3))
d <- na.omit(bfi[, zmienne])
n <- nrow(d)
pary <- which(upper.tri(diag(length(zmienne))), arr.ind = TRUE)
pary <- pary[grupa[pary[, 1]] != grupa[pary[, 2]], ]          # tylko pary z różnych grup
r_par <- function(dane) cor(dane)[pary]
p_r <- function(r, n) 2 * pt(-abs(r * sqrt((n - 2) / (1 - r^2))), df = n - 2)   # test istotności r (H0: rho = 0)
r_pelne <- r_par(d)
p_pelne <- p_r(r_pelne, n)
c(n = n, liczba_par = length(r_pelne), istotne_05 = sum(p_pelne < .05), odsetek_05 = round(mean(p_pelne < .05), 3),
  odsetek_001 = round(mean(p_pelne < .001), 3), mediana_abs_r = round(median(abs(r_pelne)), 3),
  r_krytyczne = round(qt(.975, n - 2) / sqrt(n - 2 + qt(.975, n - 2)^2), 3))

# „Garnek z teoriami” (Meehl, 1990): teoria bez związku z danymi przewiduje dla każdej pary losowy kierunek korelacji;
# „potwierdzenie” = r istotne (p < .05) i o przewidzianym znaku. Ile potwierdzeń przy różnej liczebności próby?
set.seed(1954)
kierunek <- sample(c(-1, 1), length(r_pelne), replace = TRUE)   # losowo przypisany kierunek „hipotezy”
liczebnosci <- c(25, 50, 100, 200, 400, 800, 1600, n)
B <- 500                                                         # losowych podprób dla każdej liczebności
wyniki <- do.call(rbind, lapply(liczebnosci, function(m) {
  s <- replicate(B, {
    r_m <- if (m == n) r_pelne else r_par(d[sample(n, m), ])
    istotne <- p_r(r_m, m) < .05
    c(istotne = mean(istotne), potwierdzone = mean(istotne & sign(r_m) == kierunek))
  })
  data.frame(n = m, istotne = mean(s["istotne", ]), potwierdzone = mean(s["potwierdzone", ]))
}))
print(transform(wyniki, istotne = round(istotne, 3), potwierdzone = round(potwierdzone, 3)), row.names = FALSE)

# Rysunek 2A: rozkład korelacji między zmiennymi z różnych grup i progi istotności
gr_df <- data.frame(r = r_pelne, istotna = ifelse(p_pelne < .05, "p < .05", "p ≥ .05"))
r_kryt <- function(m) qt(.975, m - 2) / sqrt(m - 2 + qt(.975, m - 2)^2)
pA <- ggplot(gr_df, aes(r, fill = istotna)) +
  annotate("rect", xmin = -r_kryt(50), xmax = r_kryt(50), ymin = -Inf, ymax = Inf, fill = "grey90") +
  geom_histogram(binwidth = 0.025, boundary = 0, colour = "white") +
  geom_vline(xintercept = c(-1, 1) * r_kryt(n), linetype = "dashed", colour = kol[["h0"]]) +
  scale_fill_manual(values = c("p < .05" = kol[["wszystkie"]], "p ≥ .05" = "grey65"), name = sprintf("Przy n = %d:", n)) +
  labs(title = "A. Korelacje między „niezależnymi” zmiennymi",
       subtitle = sprintf("szare pole: nieistotne przy n = 50\nlinie przerywane: próg p = .05 przy n = %d", n),
       x = "Korelacja Pearsona r", y = "Liczba par zmiennych") +
  motyw
# Rysunek 2B: odsetek istotnych korelacji i „potwierdzeń” losowej teorii w funkcji n
dl <- rbind(data.frame(n = wyniki$n, odsetek = wyniki$istotne, co = "istotne (p < .05)"),
            data.frame(n = wyniki$n, odsetek = wyniki$potwierdzone, co = "„potwierdzone” w losowym kierunku"))
pB <- ggplot(dl, aes(n, odsetek, colour = co, shape = co, linetype = co)) +
  geom_hline(yintercept = c(.05, .025), colour = kol[["h0"]], linetype = "dotted") +
  annotate("text", x = 25, y = 0.97, hjust = 0, vjust = 1, size = 3.1, colour = "grey30",
           label = "linie kropkowane: 5% i 2.5% – tyle oczekujemy,\ngdyby wszystkie H0 były prawdziwe") +
  geom_line(linewidth = 0.9) + geom_point(size = 2.6) +
  scale_x_log10(breaks = c(25, 50, 100, 200, 400, 800, n)) +
  scale_y_continuous(labels = function(x) paste0(round(100 * x), "%"), limits = c(0, 1)) +
  scale_colour_manual(values = c("istotne (p < .05)" = kol[["wszystkie"]], "„potwierdzone” w losowym kierunku" = kol[["kierunek"]]), name = NULL) +
  scale_shape_manual(values = c("istotne (p < .05)" = 16, "„potwierdzone” w losowym kierunku" = 17), name = NULL) +
  scale_linetype_manual(values = c("istotne (p < .05)" = "solid", "„potwierdzone” w losowym kierunku" = "longdash"), name = NULL) +
  labs(title = "B. Im większa próba, tym więcej „efektów”", x = "Liczebność próby (skala logarytmiczna)",
       y = "Odsetek par zmiennych") +
  motyw + guides(colour = guide_legend(nrow = 2))
p2 <- pA + pB + plot_layout(widths = c(1, 1.1))
p2
Wynik w R
            n    liczba_par    istotne_05    odsetek_05   odsetek_001 
     2308.000       210.000       166.000         0.790         0.643 
mediana_abs_r   r_krytyczne 
        0.093         0.041 
    n istotne potwierdzone
   25   0.123        0.064
   50   0.180        0.093
  100   0.259        0.137
  200   0.374        0.198
  400   0.499        0.262
  800   0.631        0.325
 1600   0.736        0.381
 2308   0.790        0.414

2. Oś czasu: rysunek 1

Dane wejściowe: dziesięć zdarzeń z latami według cytowanych źródeł, wpisanych ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Paul E. Meehl, 1920–2003 – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1920, 1945, 1954, 1955, 1962, 1978, 1986, 1987, 1990, 2003),
  opis = c("urodził się", "doktorat w Minnesocie,\nskala K w MMPI", "„Clinical versus\nstatistical prediction”",
           "trafność teoretyczna\n(z Cronbachem)", "prezes APA\n(1962–1963)", "„Theoretical risks\nand tabular asterisks”",
           "„Causes and effects of my\ndisturbing little book”", "National Academy\nof Sciences", "„crud factor”\n(„Why summaries…”)",
           "zmarł"),
  rodzaj = c("życie", "praca", "publikacja", "publikacja", "praca", "publikacja", "publikacja", "praca", "publikacja", "życie"))
zdarzenia$wysokosc <- c(0.5, -0.5, 0.85, -0.95, 0.4, -0.45, 0.95, -0.95, 0.45, -0.5)   # nad (+) i pod (−) osią
zdarzenia$wyrownanie <- c(0.5, 0.5, 0.7, 0.3, 0.5, 0.5, 0.6, 0.6, 0.3, 0.5)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = wysokosc), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
  geom_text(aes(y = wysokosc + 0.05 * sign(wysokosc), label = paste0(rok, "\n", opis), vjust = ifelse(wysokosc > 0, 0, 1),
                hjust = wyrownanie),
            size = 3.3, lineheight = 0.9) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1912, 2011), breaks = seq(1920, 2000, by = 10)) +
  scale_y_continuous(limits = c(-1.5, 1.5)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (dane – pakiet psych; korelacje i testy – funkcje bazowe cor() i pt(); rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research [R package]. Northwestern University. https://CRAN.R-project.org/package=psych
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim był Paul E. Meehl?

Amerykańskim psychologiem klinicznym (1920–2003) z Uniwersytetu Minnesoty. Opracował skalę K do inwentarza MMPI, napisał książkę o predykcji klinicznej i statystycznej (1954), z Lee Cronbachem opisał trafność teoretyczną (1955), a w latach 1962–1963 był prezesem Amerykańskiego Towarzystwa Psychologicznego.

Co to jest crud factor według Meehla?

To jego nazwa na fakt, że w naukach społecznych wszystko w pewnym stopniu koreluje ze wszystkim. Przy dużej próbie prawie każda korelacja wychodzi więc istotna, a hipoteza „jest związek” prawie zawsze się „potwierdza”. W badaniu 57 000 maturzystów, które Meehl opisał w 1990 r., istotne były wszystkie 105 tabel krzyżowych dla 15 zmiennych.

Czego dowodził Meehl w książce o predykcji klinicznej i statystycznej?

Że prognozy oparte na prostych regułach statystycznych (aktuarialnych) są zwykle co najmniej tak trafne jak oceny klinicystów. Po 30 latach Meehl uznał, że z książki z 1954 r. trzeba by wycofać najwyżej 5% treści, a przewaga predykcji aktuarialnej jest mocno potwierdzona.

Dlaczego Meehl krytykował testy istotności w psychologii?

Bo odrzucenie hipotezy zerowej o braku związku słabo sprawdza teorię: przy dużej próbie zdarza się prawie zawsze. Meehl chciał, by teorie przewidywały konkretne wartości liczbowe i ryzykowały obalenie, jak postulował Karl Popper; sam statystykę cenił i zachęcał psychologów do nauki matematyki.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Cronbach, L. J., & Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52(4), 281–302. https://doi.org/10.1037/h0040957 ● Otwarty dostęp: pełny tekst
  2. Faust, D., & Waller, N. (2004). Paul E. Meehl (1920–2003). American Psychologist, 59(6), 557–558. https://doi.org/10.1037/0003-066x.59.6.557 ● Otwarty dostęp: pełny tekst
  3. Meehl, P. E. (1978). Theoretical risks and tabular asterisks: Sir Karl, Sir Ronald, and the slow progress of soft psychology. Journal of Consulting and Clinical Psychology, 46(4), 806–834. https://doi.org/10.1037/0022-006X.46.4.806
  4. Meehl, P. E. (1986). Causes and effects of my disturbing little book. Journal of Personality Assessment, 50(3), 370–375. https://doi.org/10.1207/s15327752jpa5003_6
  5. Meehl, P. E. (1990). Why summaries of research on psychological theories are often uninterpretable. Psychological Reports, 66(1), 195–244. https://doi.org/10.2466/pr0.1990.66.1.195
  6. Waller, N. G., & Lilienfeld, S. O. (2005). Paul Everett Meehl: The cumulative record. Journal of Clinical Psychology, 61(10), 1209–1229. https://doi.org/10.1002/jclp.20177

Cytowania BibTeX

@article{cronbach1955construct, author={Cronbach, Lee J. and Meehl, Paul E.}, title={{Construct validity in psychological tests}}, journal={Psychological Bulletin}, year={1955}, volume={52}, number={4}, pages={281--302}, doi={10.1037/h0040957}}
@article{faust2004paul, author={Faust, David and Waller, Niels}, title={{Paul E. Meehl (1920–2003)}}, journal={American Psychologist}, year={2004}, volume={59}, number={6}, pages={557--558}, doi={10.1037/0003-066x.59.6.557}}
@article{meehl1978theoretical, author={Meehl, Paul E.}, title={{Theoretical risks and tabular asterisks: Sir Karl, Sir Ronald, and the slow progress of soft psychology}}, journal={Journal of Consulting and Clinical Psychology}, year={1978}, volume={46}, number={4}, pages={806--834}, doi={10.1037/0022-006x.46.4.806}}
@article{meehl1986causes, author={Meehl, Paul E.}, title={{Causes and effects of my disturbing little book}}, journal={Journal of Personality Assessment}, year={1986}, volume={50}, number={3}, pages={370--375}, doi={10.1207/s15327752jpa5003_6}}
@article{meehl1990why, author={Meehl, Paul E.}, title={{Why summaries of research on psychological theories are often uninterpretable}}, journal={Psychological Reports}, year={1990}, volume={66}, number={1}, pages={195--244}, doi={10.2466/pr0.1990.66.1.195}}
@article{waller2005paul, author={Waller, Niels G. and Lilienfeld, Scott O.}, title={{Paul Everett Meehl: The cumulative record}}, journal={Journal of Clinical Psychology}, year={2005}, volume={61}, number={10}, pages={1209--1229}, doi={10.1002/jclp.20177}}
R