Beste Antwort
Es ist leider keine standardisierte Terminologie. Aber die allgemeine Idee ist, dass es „ist verwendet in „Quasi-Experimenten“: solche, bei denen der Forscher keine echte Randomisierung in Bedingungen durchführen kann. Vergleichen Sie zwei Situationen:
(1) Wenn Sie für ein Experiment durch die Tür gehen, werfen wir eine Münze (oder werfen einen Würfel usw.), und dies bestimmt, welcher Bedingung Sie zugewiesen sind ist eine „unabhängige“ Variable in dem Sinne, dass sie an sich nicht mit experimentellen Ergebnissen korreliert sein sollte. [Die Anführungszeichen zeigen, dass der Sinn von „unabhängig“ unterschiedlich ist aus der Regression.]
(2) Wenn Sie für ein Experiment durch die Tür gehen, verwenden wir etwas über Sie (Ihre Augenfarbe, wie viele Geschwister Sie haben, Ihr Geschlecht, Ihr Hauptfach, ob Sie „in einem ungeraden oder geraden Jahr wiedergeboren werden usw.), um zu bestimmen, welcher Bedingung Sie“ zugeordnet „sind. Diese sind“ quasi unabhängig „: Die Ebenen oder Kategorien existieren vor dem Experiment und vor allem kann in gewisser Weise von selbst mit experimentellen Ergebnissen korreliert werden .
Es sollte offensichtlich sein, dass das Geschlecht eine schreckliche „unabhängige“ Variable ist, da es damit verbunden ist viele andere tra seine und experimentelle Ergebnisse. Die Augenfarbe scheint besser zu sein, aber sie hängt mit der ethnischen Zugehörigkeit zusammen. Ob Sie in einem ungeraden oder geraden Jahr geboren werden, scheint fast so, als würde man eine Münze werfen. In einer College-Bevölkerung kann es jedoch wahrscheinlicher sein, dass Sie beispielsweise ein Neuling und daher jünger sind. Ein besseres Quasi-Randomisierungsgerät ist daher, ob Sie an einem ungeraden oder einem geraden Datum geboren werden.
In medizinischen Studien ist eine tatsächliche Randomisierung nahezu unmöglich, da selbst die Entscheidung, an der Studie teilzunehmen, die Ergebnisse beeinflussen kann. Genauer gesagt, Menschen, die eine Behandlung einer anderen vorziehen, tun dies nicht zufällig, so dass ein Vergleich ihrer Ergebnisse bedeutungslos sein kann. Das klassische Beispiel ist, dass Menschen in großen städtischen Krankenhäusern häufiger sterben als in örtlichen Kliniken, weil erstere Nehmen Sie die schwerwiegendsten Fälle.
In sozialwissenschaftlichen Studien können die Probleme größer sein, da mit der „Behandlung“ so viele Auswirkungen verbunden sind. Zum Beispiel, wenn wir feststellen möchten, ob nur Kinder mehr sind Selbstbewusster als diejenigen mit Geschwistern könnten wir versucht sein, diese Gruppen einfach zu vergleichen. Aber Familien mit nur Kindern können sich systematisch von denen mit mehr unterscheiden – vielleicht heirateten die Eltern später, hatten nicht die Mittel, um mehr Kinder großzuziehen, waren in einer Stadt Umwelt – Daher kann es mit der quasi-unabhängigen Variablen „nur Kind“ äußerst schwierig sein, kausale Aussagen zu treffen.
Antwort
Eine Steuervariable ist eine unabhängige Variable, nur eine, die es nicht ist der Schwerpunkt der Studie. Der Unterschied ist Im Kopf des Ermittlers, nicht in der Statistik.
Angenommen, Sie möchten die Wirkung eines Arzneimittels auf eine bestimmte Erkrankung untersuchen. Sie wissen jedoch, dass die Erkrankung auch vom Alter des Patienten abhängt. Sie sind nicht daran interessiert, den Effekt des Alters zu untersuchen, aber wenn Sie ihn ignorieren, haben Sie viel Rauschen in Ihren Ergebnissen.
Eine einfache Strategie mit einer Steuervariablen besteht darin, sie konstant zu halten Ihr Studium – vorausgesetzt, Sie haben diese Fähigkeit. Sie können Ihr Medikament beispielsweise nur an 40-Jährigen testen. Dadurch werden altersbedingte Effektunterschiede ohne Modellierung eliminiert.
Eine verwandte Strategie besteht darin, Ihre Daten nach Patientenalter zu trennen und sie für jedes Alter separat zu analysieren. Das könnte sinnvoll sein, wenn der Effekt altersabhängig völlig unterschiedlich wäre, wäre aber in den meisten Fällen ineffizient. Obwohl das Alter die Ergebnisse beeinflusst, können Sie wahrscheinlich Informationen über die Auswirkungen auf 40-Jährige verwenden, um sich ein Bild von den Auswirkungen auf 50-Jährige zu machen.
Dies führt zur dritten Hauptstrategie, das Alter einzubeziehen als unabhängige Variable und modellieren ihre Wirkung zusammen mit der Arzneimittelwirkung. Dies ist das gleiche wie in einer Studie, wenn das Hauptinteresse auf der Auswirkung des Patientenalters liegt. oder wenn Interesse sowohl an der Wirkung des Arzneimittels als auch an der Wirkung des Patientenalters bestand. Der einzige Unterschied besteht darin, dass Sie, da Sie nur an dem Medikament interessiert sind, die Modellparameter für das Alter ignorieren.
Schließlich besteht der vierte gängige Ansatz darin, den Effekt des Alters zu extrahieren, bevor Sie sich die Arzneimittelergebnisse ansehen . Dies wird oft gewählt, wenn es bereits ein gutes Modell für die Auswirkung des Alters gibt. In diesem Fall untersuchen Sie nicht die Wirkung des Arzneimittels auf das rohe Patientenergebnis, sondern auf das altersangepasste Patientenergebnis.