Beste svaret
Det er dessverre ikke standardisert terminologi. Men den generelle ideen er at den er brukt i «kvasi-eksperimenter»: de der forskeren ikke kan vedta ekte randomisering i forhold. Sammenlign to situasjoner:
(1) Når du går inn døra for et eksperiment, vender vi en mynt (eller ruller en dyse osv.), Og det avgjør hvilken tilstand du er tilordnet. Dette er en «uavhengig» variabel, i den forstand at den i seg selv skal være ukorrelert med eksperimentelle utfall. [Sitatene indikerer at følelsen av «uavhengig» er forskjellig fra i regresjon.]
(2) Når du går inn døra for et eksperiment, bruker vi noe om deg (øyenfargen din, hvor mange søsken du har, ditt kjønn, din undergrad major, enten du «er født i et merkelig eller jevnt år osv.) for å bestemme hvilken tilstand du er tilordnet. Disse er» kvasiuavhengige «: nivåene eller kategoriene eksisterer før eksperimentet, og viktigere, kan på en eller annen måte korreleres med eksperimentelle resultater alene .
Det bør være åpenbart at kjønn er en forferdelig «uavhengig» variabel, siden den er knyttet til så mange andre tra dets og eksperimentelle utfall. Øyenfarge virker bedre, men den er korrelert med etnisitet. Enten du er født i et merkelig eller til og med et år, virker det nesten som å vende en mynt; men i en høyskolepopulasjon kan det gjøre det mer sannsynlig at du er en førsteårsstudent og derfor yngre. En bedre kvasi-randomiserende enhet er derfor om du er født på en merkelig eller jevn dato.
I medisinske studier er faktisk randomisering nesten umulig, ettersom selv å bestemme seg for å delta i studien kan påvirke resultatene. Mer til poenget, folk som velger en behandling fremfor en annen, gjør det ikke tilfeldig, så det kan være meningsløst å sammenligne resultatene. Det klassiske eksemplet er at det er mer sannsynlig at folk dør på store urbane sykehus enn lokale klinikker, fordi de tidligere ta de mest alvorlige tilfellene.
I samfunnsvitenskapelige studier kan problemene være større, siden det er så mange effekter forbundet med «behandlingen». For eksempel hvis vi ønsker å avgjøre om bare barn er mer selvsikker enn de med søsken, kan vi bli fristet til å bare sammenligne disse gruppene. Men familier med bare barn kan skille seg systematisk fra de med flere – kanskje foreldrene giftet seg senere, manglet ressurser til å oppdra flere barn, var i en by miljø – det kan derfor være ekstremt vanskelig å lage årsaksuttrykk ved å bruke den kvasiuavhengige variabelen «eneste barn».
Svar
En kontrollvariabel er en uavhengig variabel, bare en som ikke er fokuset på studien. Forskjellen er i etterforskerens sinn, ikke i statistikk.
Anta for eksempel at du vil studere effekten av noe medikament på en eller annen tilstand. Du vet imidlertid at tilstanden også påvirkes av pasientens alder. Du er ikke interessert i å studere effekten av alder, men hvis du ignorerer den, vil du ha mye støy i resultatene.
En enkel strategi med en kontrollvariabel er å holde den konstant i studiet ditt – forutsatt at du har den evnen. Du kan for eksempel teste stoffet bare på 40-åringer. Det eliminerer effektforskjeller forårsaket av alder, uten modellering.
En relatert strategi er å adskille dataene dine etter pasientens alder, og analysere dem separat for hver alder. Det kan være rimelig hvis effekten var helt forskjellig basert på alder, men i de fleste tilfeller ville være ineffektiv. Selv om alder påvirker resultatene, kan du sannsynligvis bruke informasjon om effekten på 40-åringer for å få en ide om effekten på 50-åringer.
Det fører til den tredje store strategien, å inkludere alder som en uavhengig variabel og modellere effekten sammen med legemiddeleffekten. Dette er det samme som du ville gjort i en studie hvis hovedinteressen var på effekten av pasientens alder; eller hvis det var interesse for både effekten av legemidlet og effekten av pasientens alder. Den eneste forskjellen er at siden du bare er interessert i stoffet, ignorerer du modellparametrene for alder.
Endelig er den fjerde vanlige tilnærmingen å trekke ut effekten av alder før du ser på medikamentresultatene . Dette velges ofte hvis det allerede finnes en god modell for alderseffekten. I så fall studerer du ikke effekten av stoffet på rå pasientutfall, men på aldersjustert pasientresultat.