Bedste svar
Det er desværre ikke standardiseret terminologi. Men den generelle idé er, at den er brugt i “kvasi-eksperimenter”: dem, hvor forskeren ikke kan vedtage ægte randomisering i forhold. Sammenlign to situationer:
(1) Når du går ind døren til et eksperiment, vender vi en mønt (eller ruller en matrice osv.), Og det bestemmer, hvilken tilstand du er tildelt. Dette er en “uafhængig” variabel i den forstand, at den i sig selv ikke skal være korreleret med eksperimentelle resultater. [Citaterne indikerer, at følelsen af ”uafhængig” er forskellig fra i regression.]
(2) Når du går ind døren for et eksperiment, bruger vi noget om dig (din øjenfarve, hvor mange søskende du har, dit køn, din undergrad major, uanset om du “er født i et ulige eller lige år osv.) for at bestemme, hvilken tilstand du er tildelt. Disse er” kvasiuafhængige “: niveauerne eller kategorierne findes før eksperimentet og vigtigst af alt kan på en eller anden måde korreleres med eksperimentelle resultater alene .
Det bør være indlysende, at køn er en frygtelig “uafhængig” variabel, da det er knyttet til så mange andre tra dets og eksperimentelle resultater. Øjenfarve virker bedre, men det er korreleret med etnicitet. Uanset om du er født i et ulige eller lige år, virker det næsten som at vende en mønt; men i en universitetspopulation kan det gøre det mere sandsynligt, at du er f.eks. en nybegynder og derfor yngre. En bedre kvasi-randomiserende enhed er derfor, om du er født på en ulige eller lige dato.
I medicinske studier er faktisk randomisering næsten umulig, da selv beslutningen om at deltage i undersøgelsen kan påvirke resultaterne. Mere til det punkt, folk, der vælger en behandling frem for en anden, gør det ikke tilfældigt, så det kan være meningsløst at sammenligne deres resultater; det klassiske eksempel er, at mennesker er mere tilbøjelige til at dø på store byhospitaler end lokale klinikker, fordi den tidligere tage de mest alvorlige tilfælde.
I samfundsvidenskabelige studier kan problemerne være større, da der er så mange effekter forbundet med “behandlingen”. Hvis vi f.eks. ønsker at afgøre, om kun børn er mere selvsikker end dem med søskende, kan vi blive fristet til blot at sammenligne disse grupper. Men familier med kun børn kan afvige systematisk fra dem med mere – måske forældrene gift senere, manglede ressourcer til at opdrage flere børn, var i en by miljø – så det kan være yderst vanskeligt at komme med kausale udsagn ved at bruge den kvasiuafhængige variabel “eneste barn”.
Svar
En kontrolvariabel er en uafhængig variabel, bare en, der ikke er fokus for undersøgelsen. Forskellen er i efterforskerens sind, ikke i statistikker.
Antag for eksempel, at du vil undersøge effekten af et eller andet lægemiddel på en eller anden tilstand. Du ved dog, at tilstanden også påvirkes af patientens alder. Du er ikke interesseret i at studere effekten af alder, men hvis du ignorerer den, vil du have meget støj i dine resultater.
En simpel strategi med en kontrolvariabel er at holde den konstant i dit studie – forudsat at du har denne evne. Du kan f.eks. Kun teste dit stof på 40-årige. Det eliminerer effektforskelle forårsaget af alder uden nogen modellering.
En relateret strategi er at adskille dine data efter patientens alder og analysere dem separat for hver alder. Det kunne være rimeligt, hvis effekten var helt forskellig baseret på alder, men i de fleste tilfælde ville være ineffektiv. Selvom alder påvirker resultaterne, kan du sandsynligvis bruge oplysninger om effekten på 40-årige for at få en idé om effekten på 50-årige.
Det fører til den tredje store strategi, der inkluderer alder som en uafhængig variabel og modeller dens virkning sammen med lægemiddeleffekten. Dette er det samme som du ville gjort i en undersøgelse, hvis den primære interesse var på effekten af patientens alder; eller hvis der var interesse for både effekten af lægemidlet og effekten af patientens alder. Den eneste forskel er, da du kun er interesseret i lægemidlet, ignorerer du modelparametrene for alder.
Endelig er den fjerde almindelige tilgang at udtrække effekten af alder, før du ser på lægemiddelresultaterne . Dette vælges ofte, hvis der allerede findes en god model for effekten af alderen. I så fald studerer du ikke stoffets virkning på det rå patientresultat, men på aldersjusteret patientresultat.