Najlepsza odpowiedź
Niestety nie jest to ustandaryzowana terminologia. Ale ogólna idea jest taka, że używane w „quasi-eksperymentach”: takich, w których badacz nie może wprowadzić prawdziwej randomizacji do warunków. Porównaj dwie sytuacje:
(1) Kiedy wchodzisz przez drzwi do eksperymentu, rzucamy monetą (lub kostką itp.), A to określa, do jakiego stanu jesteś przypisany. jest zmienną „niezależną” w tym sensie, że sama w sobie nie powinna być skorelowana z wynikami eksperymentu. [Cudzysłowy wskazują, że znaczenie słowa „niezależne” jest inne z regresji.]
(2) Kiedy wchodzisz przez drzwi do eksperymentu, używamy czegoś o tobie (kolor oczu, ile masz rodzeństwa, twoja płeć, kierunek studiów, czy ty „odrodził się w nieparzystym lub parzystym roku itp.), aby określić, do jakiego stanu zostaniesz przypisany. Są to„ quasi-niezależne ”: poziomy lub kategorie istnieją przed eksperymentem i, co ważne, mogą być w jakiś sposób skorelowane z wynikami eksperymentu same w sobie .
Powinno być oczywiste, że płeć jest straszną „niezależną” zmienną, ponieważ jest z nią powiązana wiele innych tra jego i wyników eksperymentalnych. Kolor oczu wydaje się lepszy, ale jest skorelowany z pochodzeniem etnicznym. Niezależnie od tego, czy urodziłeś się w nieparzystym, czy parzystym roku, wydaje się prawie jak rzucanie monetą; ale w populacji uniwersyteckiej może to zwiększyć prawdopodobieństwo, że jesteś, powiedzmy, studentem pierwszego roku, a zatem młodszym. Lepszym urządzeniem quasi-randomizującym jest zatem to, czy urodziłeś się w nieparzystym, czy parzystym dniu.
W badaniach medycznych faktyczna randomizacja jest prawie niemożliwa, ponieważ nawet decyzja o wzięciu udziału w badaniu może wpłynąć na wyniki. Co więcej, ludzie, którzy wybierają jeden rodzaj leczenia zamiast drugiego, nie robią tego przypadkowo, więc porównywanie ich wyników może być bez znaczenia; klasycznym przykładem jest to, że ludzie częściej umierają w dużych, miejskich szpitalach niż w lokalnych klinikach, ponieważ weźmy najpoważniejsze przypadki.
W naukach społecznych problemy mogą być większe, ponieważ jest tak wiele skutków związanych z „leczeniem”. Na przykład, jeśli chcemy ustalić, czy tylko dzieci są bardziej pewni siebie niż ci z rodzeństwem, moglibyśmy pokusić się o porównanie tych grup, ale rodziny z małymi dziećmi mogą się systematycznie różnić od tych, które mają więcej – być może rodzice pobrali się później, nie mieli środków na wychowanie większej liczby dzieci, znajdowały się w środowisko – więc tworzenie instrukcji przyczynowych może być niezwykle trudne przy użyciu quasi-niezależnej zmiennej „jedyne dziecko”.
Odpowiedź
Zmienna kontrolna jest zmienną niezależną, tylko taką, która nie jest przedmiotem badania. Różnica jest w umyśle badacza, a nie w statystykach.
Załóżmy na przykład, że chcesz zbadać wpływ jakiegoś leku na pewien stan. Jednak wiesz, że na stan wpływa również wiek pacjenta. Nie jesteś zainteresowany badaniem wpływu wieku, ale jeśli go zignorujesz, będziesz miał dużo szumu w wynikach.
Jedną prostą strategią ze zmienną kontrolną jest utrzymanie jej na stałym poziomie twoje studium – zakładając, że masz taką zdolność. Możesz na przykład przetestować swój lek tylko na 40-latkach. Eliminuje to różnice w efektach spowodowane wiekiem, bez żadnego modelowania.
Powiązana strategia polega na segregowaniu danych według wieku pacjenta i analizowaniu ich oddzielnie dla każdego wieku. Byłoby to rozsądne, gdyby efekt był zupełnie inny w zależności od wieku, ale w większości przypadków byłby nieskuteczny. Chociaż wiek wpływa na wyniki, prawdopodobnie możesz wykorzystać informacje o wpływie na 40-latki, aby uzyskać pewne wyobrażenie o wpływie na 50-latki.
Prowadzi to do trzeciej głównej strategii, obejmującej wiek jako zmienną niezależną i modeluj jej efekt wraz z efektem leku. To jest to samo, co zrobiłbyś w badaniu, gdyby głównym zainteresowaniem był wpływ wieku pacjenta; lub jeśli istniało zainteresowanie zarówno działaniem leku, jak i wpływem wieku pacjenta. Jedyna różnica polega na tym, że ponieważ interesuje Cię tylko lek, ignorujesz parametry modelu dotyczące wieku.
Wreszcie czwarte powszechne podejście polega na wyodrębnieniu wpływu wieku, zanim spojrzysz na wyniki leku. . Jest to często wybierane, jeśli istnieje już dobry model wpływu wieku. W takim przypadku nie będziesz badać wpływu leku na surowy wynik pacjenta, ale na wynik pacjenta dostosowany do wieku.