基于群体的研究是变态心理学中最常用的研究类型，研究者根据所有被试的平均水平得出结论。例如，研究人员为研究新的抑郁症治疗方法而招募大量患者，分别在治疗前后测量患者的抑郁症状。若实验后抑郁减少了50%，表明参与研究的患者的病情平均被改善了50%。然而，这一结果并不表示每一个患者都提高了50%。而是一些患者在治疗中收益较少，另一些较多。因为研究结果是群体的平均分数，所以我们并不能据此预测任何个体行为。然而，这类研究能使我们对重要疗效得出结论，比如不同治疗方法对不同患者的影响以及不同群体中各种疾病的患病率。
2.3.1 相关法
群体研究本质上可以是相关研究或控制研究。许多变态心理学的重要问题通过不同变量或条件之间的相关（correlations）关系来研究行为的各个侧面。假定研究者想知道抑郁症的严重性会不会随着年龄增长。为了检测这一相关关系，可用图表示被试年龄和被试在抑郁症状量表上的得分间的关系，年龄在其中一轴（比如X轴），抑郁症分数在另一轴（Y轴）。然后进行数学计算，对各散点拟合的线决定了两种因素的关联度（见图2-9）。统计学概念相关系数（correlations coefficient）表示相关关系的方向和强度。相关关系分为正相关和负相关。在正相关中，一个变量会随着另一个变量的增大而增大（例如，患心脏病的概率随吸烟率增加而增加；Neaton＆Wentworth，1992）。相反，在负相关中一个变量随着另一个变量增大而减小（例如，患痴呆症的概率随教育水平提高而降低；Morris，2005）。相关关系的强弱由相关系数决定，其取值范围为-1.0到1.0。取值接近-1.0或1.0表示强相关，0表示没有线性相关（见图2-9）。注意，强相关可能是正相关也可能是负相关。
图 2-9 相关关系举例当用散点图分析数据时，图形分布形状揭示变量间的相关（或不相关）关系。对相关意义的解释取决于不同因素。第一个因素包括研究样本的规模和异质性。如果所研究样本人群不符合科研变量多样性的要求，所得数据可能会导致不正确的结论。例如，对于年龄和记忆两个变量，18～85岁的样本与60～70岁的样本得出的相关关系相差很大。后一样本中从有限的年龄范围得出的相关关系，不能代表总体中两个变量间的关系。另一个影响解释相关数据的重要因素是被试选取方法。如果所选被试是基于他们都患某种精神疾病，或因为他们都来自某一特定民族，那么结果只能在相应团体内推广。研究结果可能与其他患病群体或其他种族无关。
有时两个变量间的相关关系并不能表现为一条直线，有时一些相关关系本质上不是线性的。例如，一个流行理论提出压力和绩效的关系呈倒U形。在测验情境或运动竞技中，中等水平压力下的成绩最好，过高或过低压力水平下的成绩都较差（Muse et al.，2003），这称为曲线相关关系。在制作倒U形数据的直线时会得出接近于0的线性相关系数（见图2-9d），从而会得出两个变量不相关的错误结论。
相关不代表因果关系
通常，用相关解释因果关系是不正确的。相关只表明了一个变量的变化与另一个变量变化的关联程度，而并不代表一个变量的变化是另一个变量变化的原因。例如，变量X和Y之间的强的正相关可能是X影响Y，也可能是Y影响X，或者是第三个因素Z同时影响了X和Y。在这个例子中，Z是调节变量。例如，适量饮酒（一天不超过3次）和降低55岁及以上老人老年痴呆症患病率之间有明显相关（Ruitenberg et al.，2002），通常被媒体错误报道为二者有因果关系（如适度饮酒可预防痴呆），实际上该研究仅仅表明两种现象是相关的。事实是，适度饮酒可能是通过释放海马体（学习和记忆中心）中的一种神经递质（乙酰胆碱，ACTH）而对认知功能产生了直接影响。饮酒也可能通过对心血管病风险因素的影响间接影响认知状态，即降低患高血压或中风的可能性，这些因素会反过来影响认知功能。其他解释还可能涉及同时影响饮酒和痴呆进程的其他变量（如锻炼水平、受教育程度、遗传倾向性、痴呆症类型，等等）。所有这些变量都可能是影响饮酒量和痴呆症之间关系的调节变量（Z）。
相关不代表因果关系。如图中的两姐妹每天都会在一起喝咖啡。为什么我们不能马上就得出喝咖啡能导致长寿和幸福的结论？当两个变量在不同时点都测得显著相关时（如SAT分数与大学成绩），更容易令人得出因果关系的假设。这种情况下，像风险因素或者预测者等术语会被用来描述这种关联的时序性。例如，众所周知吸烟和缺乏运动是胆固醇升高和患心脏病的风险因素。然而，其他干预因素也会影响二者的关系（如营养）。由于设计让人们每天吸一定数量的烟的实验是违背道德的，我们只能通过相关数据来理解变量间关系。
同样地，一种疾病在治疗前的严重性常用来预测治疗效果。多数情况下，较严重的症状与较差的疗效相关联，但症状越重导致疗效越差这一结论是否正确还不清楚。理解这一点很重要，因为尽管在日常语言中“预测”或许意味着有因果关系，但在心理学中这一术语仅仅表示：时点1评估的变量X的某些水平与时点2评估的变量Y的某些水平显著相关。这种意义上的“预测”并不意味着二者有“因果关系”。
在以治疗为重点的研究中，相关分析非常有用。对患者特征（如人口学资料、病情严重程度和社会支持资源等）和治疗效果间的关系进行相关分析具有理论和实践意义。例如，识别对某种疗法无效的患者组可以促进替代疗法的开发。尽管相关设计可以提供重要信息，但这些研究也只能检测预测和结果间的共变关系。而想要得出因果关系的结论，必须设置对照组。