Bästa svaret
Det är tyvärr inte standardiserad terminologi. Men den allmänna idén är att den är används i ”kvasi-experiment”: de där forskaren inte kan anta sann randomisering i förhållanden. Jämför två situationer:
(1) När du går in genom dörren för ett experiment vänder vi ett mynt (eller rullar en form, etc.), och det avgör vilket tillstånd du tilldelats. Detta är en ”oberoende” variabel, i den meningen att den i sig ska vara okorrelerad med experimentella resultat. [Citaten indikerar att känslan av ”oberoende” är annorlunda från i regression.]
(2) När du går in dörren för ett experiment använder vi något om dig (din ögonfärg, hur många syskon du har, ditt kön, din undergrad major, oavsett om du ”återföds i ett udda eller jämnt år, etc.) för att avgöra vilket tillstånd du har tilldelats. Dessa är” kvasi-oberoende ”: nivåerna eller kategorierna finns före experimentet och, viktigare, kan på något sätt korreleras med experimentella resultat ensamma .
Det borde vara uppenbart att kön är en fruktansvärd ”oberoende” variabel, eftersom den är kopplad till så många andra tra dess och experimentella resultat. Ögonfärg verkar bättre, men det är korrelerat med etnicitet. Oavsett om du är född i ett udda eller till och med ett år verkar det nästan som att vända ett mynt; men i en högskolepopulation kan det göra det mer troligt att du är, säg en nybörjare och därmed yngre. En bättre kvasi-randomiserande enhet är därför om du är född på ett udda eller jämnt datum.
I medicinska studier är faktisk randomisering nästan omöjlig, eftersom även beslut om att delta i studien kan påverka resultaten. Mer till punkten, människor som väljer en behandling framför en annan gör det inte slumpmässigt, så att jämföra deras resultat kan vara meningslöst. Det klassiska exemplet är att människor är mer benägna att dö på stora stadssjukhus än lokala kliniker, eftersom de tidigare ta de allvarligaste fallen.
I samhällsvetenskapliga studier kan problemen vara större, eftersom det finns så många effekter förknippade med ”behandlingen”. Till exempel om vi vill avgöra om bara barn är mer självsäker än de med syskon, kan vi frestas att helt enkelt jämföra dessa grupper. Men familjer med bara barn kan skilja sig systematiskt från dem med mer – kanske föräldrarna gift senare, saknade resurser för att uppfostra fler barn, var i en urban miljö – så det kan vara extremt svårt att göra kausala uttalanden med den kvasioberoende variabeln ”enda barn”.
Svar
En kontrollvariabel är en oberoende variabel, bara en som inte är fokus för studien. Skillnaden är i utredarens sinne, inte i statistik.
Antag till exempel att du vill studera effekten av något läkemedel på något tillstånd. Du vet dock att tillståndet också påverkas av patientens ålder. Du är inte intresserad av att studera effekten av ålder, men om du ignorerar den kommer du att ha mycket brus i dina resultat.
En enkel strategi med en kontrollvariabel är att hålla den konstant i din studie – förutsatt att du har den förmågan. Du kan till exempel testa ditt läkemedel endast på 40-åringar. Det eliminerar effektskillnader orsakade av ålder utan någon modellering.
En relaterad strategi är att separera dina data efter patientens ålder och analysera den separat för varje ålder. Det kan vara rimligt om effekten var helt annorlunda beroende på ålder, men i de flesta fall skulle vara ineffektiv. Även om ålder påverkar resultaten kan du förmodligen använda information om effekten på 40-åringar för att få en uppfattning om effekten på 50-åringar.
Det leder till den tredje stora strategin, att inkludera ålder som en oberoende variabel och modellera dess effekt tillsammans med läkemedelseffekten. Detta är detsamma som du skulle göra i en studie om det främsta intresset var för patientens ålder; eller om det fanns intresse för både läkemedlets effekt och effekten av patientens ålder. Den enda skillnaden är att eftersom du bara är intresserad av läkemedlet ignorerar du modellparametrarna för ålder.
Slutligen är det fjärde vanliga tillvägagångssättet att extrahera effekten av ålder innan du tittar på läkemedelsresultaten . Detta väljs ofta om det redan finns en bra modell för ålderseffekten. I så fall studerar du inte läkemedlets effekt på rå patientresultat utan på åldersjusterat patientresultat.