Resumen de Towards Full (er) Integration in Mixed Methods Research: The Role of Canonical Correlation Analysis for Integrating Quantitative and Qualitative Data

Anthony J. Onwuegbuzie

• español

  Uno de los mayores avances en la investigación con métodos mixtos ha sido la conceptualización de uno o más tipos de análisis asociados con una tradición (por ejemplo, el análisis cualitativo) que se utilizan para analizar datos asociados con una tradición diferente (por ejemplo, datos cuantitativos), lo que Onwuegbuzie y Combs (2010) denominaron análisis mixtos cruzados o, más sencillamente, análisis cruzados. Una característica distintiva de los análisis cruzados es la noción de cuantificación, que, en su forma más simple, implica la conversión de datos cualitativos en formas numéricas que puedan analizarse estadísticamente. La cuantificación se ha centrado en enfoques descriptivos, como el recuento de temas emergentes. Lamentablemente, apenas existen orientaciones sobre la cuantificación inferencial, que se refiere a la cuantificación de datos cualitativos con fines de predicción o estimación. Aunque ha aparecido literatura reciente sobre unos pocos enfoques de cuantificación basados en la inferencia (es decir, análisis de regresión lineal múltiple, modelización de ecuaciones estructurales, modelización lineal jerárquica), todavía quedan algunos análisis de modelos lineales generales para los que los investigadores de métodos mixtos, en la búsqueda de la realización de análisis cruzados, pueden beneficiarse de las directrices. Uno de estos análisis es el análisis de correlación canónica. Su importancia radica en el hecho de que el análisis de datos cualitativos suele arrojar múltiples patrones de significado (ej., códigos, temas), que luego pueden correlacionarse con otras variables disponibles (ej., variables demográficas, variables de personalidad, variables afectivas) mediante el uso del análisis de correlación canónica. Por lo tanto, el propósito de este artículo es (a) describir el análisis de correlación canónica e (b) ilustrar cómo los análisis de correlación canónica pueden servir como cuantificación basada en la inferencia utilizando un ejemplo heurístico.

• 中文

  混合方法研究的最大发展之一是将与一种传统（例如，定性分析）相关的一种或多种分析类型概念化，用于分析与不同传统（例如，定量数据）相关的数据——Onwuegbuzie 和 Combs (2010) 称为交叉混合分析，或者更简单地说，交叉分析。交叉分析的一个标志是量化的概念，其最简单的形式涉及将定性数据转换为可以进行统计分析的数字形式。量化的重点是基于描述的量化方法，例如计算出现的主题。不幸的是，基于推理的量化缺乏指导，推理量化是指为了预测或估计的目的对定性数据进行量化（Onwuegbuzie，出版中）。尽管最近出现了一些基于推理的量化方法（即多元线性回归分析、结构方程建模、层次线性建模）的文献，但仍然存在一些通用线性模型分析，混合方法研究人员在进行交叉分析时进行分析, 可以从指南中受益。一种这样的分析是典型相关分析。它的重要性源于这样一个事实，即定性数据的分析通常会产生多种意义模式（例如，代码、主题），然后可以通过使用将其与其他可用变量（例如，人口变量、性格变量、情感变量）相关联典型相关分析。因此，本文的目的是 (a) 描述典型相关分析和 (b) 使用启发式示例说明典型相关分析如何用作基于推理的量化。

• русский

  Одним из самых значительных достижений в области исследований смешанных методов стала концептуализация одного или нескольких видов анализа, связанных с одной традицией (например, качественный анализ), которые используются для анализа данных, связанных с другой традицией (например, количественных данных) - то, что Onwuegbuzie и Combs (2010) назвали перекрестным смешанным анализом, или, проще говоря, перекрестным анализом. Отличительной чертой перекрестного анализа является понятие квантификации, которое в своей простейшей форме предполагает преобразование качественных данных в числовые формы, которые могут быть проанализированы статистически. Основное внимание при количественном анализе уделялось количественным подходам, основанным на описательном подходе, таким как подсчет встречаемости возникающих тем. К сожалению, существует мало рекомендаций по количественному анализу на основе инференции, который относится к количественному анализу качественных данных с целью прогнозирования или оценки. Хотя в последнее время в литературе появилось несколько подходов к количественной оценке на основе инференции (например, множественный линейный регрессионный анализ, моделирование структурных уравнений, иерархическое линейное моделирование), все еще остаются некоторые общие линейные модельные анализы, для которых исследователи смешанных методов, стремящиеся провести перекрестный анализ, могут воспользоваться рекомендациями. Одним из таких анализов является канонический корреляционный анализ. Его важность обусловлена тем, что анализ качественных данных, как правило, дает множество моделей смысла (например, коды, темы), которые затем могут быть соотнесены с другими доступными переменными (например, демографическими переменными, переменными личности, аффективными переменными) с помощью канонического корреляционного анализа. Поэтому целью данной статьи является (а) описание канонического корреляционного анализа и (б) иллюстрация того, как канонический корреляционный анализ может служить в качестве квантификации на основе инференции на эвристическом примере.

• English

  One of the biggest developments in mixed methods research has been the conceptualization of one or more analysis types associated with one tradition (e.g., qualitative analysis) being used to analyze data associated with a different tradition (e.g., quantitative data)—what Onwuegbuzie and Combs (2010) called crossover mixed analyses, or, more simply, crossover analyses. A hallmark of crossover analyses is the notion of quantitizing, which, in its simplest form, involves converting qualitative data into numerical forms that can be analyzed statistically. The focus on quantitizing has been on descriptive-based quantitizing approaches such as counting the occurrence of emergent themes. Unfortunately, scant guidance exists on inferential-based quantitizing, which refers to the quantitizing of qualitative data for the purpose of prediction or estimation (Onwuegbuzie, in press). Although recent literature has emerged on a few inferential-based quantitizing approaches (i.e., multiple linear regression analysis, structural equation modeling, hierarchical linear modeling), there still remains some general linear model analyses for which mixed methods researchers, in pursuit of conducting crossover analyses, can benefit from guidelines. One such analysis is canonical correlation analysis. Its importance stems from the fact that the analysis of qualitative data typically yields multiple patterns of meaning (e.g., codes, themes), which then can be correlated with other available variables (e.g., demographic variables, personality variables, affective variables) via the use of canonical correlation analysis. Therefore, the purpose of this article is (a) to describe canonical correlation analysis and (b) to illustrate how canonical correlation analyses can serve as an inferential-based quantitizing using a heuristic example.