Störende Variablen sind in der Forschung häufig und können das Ergebnis Ihrer Studie beeinflussen. Das liegt daran, dass der externe Einfluss der Störvariable oder des dritten Faktors Ihr Forschungsergebnis ruinieren und unbrauchbare Ergebnisse produzieren kann, indem er einen nicht existierenden Zusammenhang zwischen den Variablen suggeriert.
Um Störvariablen in der Forschung zu kontrollieren, ist es wichtig zu wissen, wie man diese dritten Faktoren eindeutig identifiziert und wie sie Ihr Forschungsergebnis beeinflussen. Das Verständnis und die Kontrolle von Confounding-Variablen wird Ihnen helfen, genauere Ergebnisse in Ihrer Forschung zu erzielen.
Was ist die Confounding-Variable?
Eine Confounding-Variable ist, einfach ausgedrückt, eine Variable, die in einem Experiment nicht berücksichtigt wird. Sie fungiert als äußerer Einfluss, der die Wirkung von abhängigen und unabhängigen Forschungsvariablen schnell verändern kann und oft zu extrem abweichenden Ergebnissen führt.
In der Korrelationsforschung können Störvariablen die wahrgenommene Beziehung zwischen den beiden betrachteten Variablen beeinflussen; ob positiv, negativ oder null. Eine Confounding-Variable kann auch als ein Faktor definiert werden, den der Forscher nicht kontrollieren oder entfernen konnte, und der die Validität der Forschungsarbeit verzerren kann.
Wie identifiziert man Confounding-Variablen
Es gibt verschiedene Forschungsmethoden, um Confounding-Variablen zu identifizieren. Die gebräuchlichste Methode ist es, zu beobachten, inwieweit das Entfernen eines Faktors in der Forschung dazu führt, dass sich der Koeffizient anderer unabhängiger Variablen in der Forschung verändert.
In diesem Sinne beobachtet und misst der Forscher das geschätzte Ausmaß der Assoziation zwischen unabhängigen und abhängigen Variablen, sowohl vor als auch nach der Durchführung von Anpassungen. Wenn der Unterschied zwischen den beiden Messparametern mehr als 10 % beträgt, dann liegt eine Störvariable vor.
Eine weitere Methode zur Identifizierung einer Confounding-Variable besteht darin, festzustellen, ob die Variable sowohl mit der interessierenden Exposition als auch mit dem interessierenden Forschungsergebnis in Verbindung gebracht werden kann. Wenn es eine sinnvolle und messbare Verbindung zwischen der Variable und dem Risikofaktor und zwischen der Variable und dem Ergebnis gibt, dann ist diese Variable ein Confounding.
Es gibt mehrere hypothetische und formale Testmethoden zur Identifizierung von Confounding-Variablen. Das Baseline-Modell, das biologische Modell und binäre logistische und multivariate logistische Regressionsmodelle sind einige der üblichen hypothetischen Forschungsmethoden, die zur Identifizierung von Confounding-Variablen verwendet werden.
Verstreuende Variablen können auch durch verschiedene Tests der Ko-Linearität identifiziert werden, wie z. B. durch die Messung von Varianz-Inflationsfaktoren. Sie können den Varianzinflationsfaktor für alle Variablen in Ihrer Untersuchung berechnen, um zu sehen, ob dieser Indikator für eine der Variablen hoch ist und somit auf einen Verursacher hinweist.
Verstreuungsvariablen sind oft sowohl mit dem interessierenden Risikofaktor als auch mit dessen Ergebnis assoziiert. Sie sind in der Regel ungleich zwischen den unabhängigen und abhängigen Variablen in der Forschung verteilt, und die Störvariablen liegen nicht zwischen dem Interesse und dem Ergebnis in der Forschung.
Eine Confounding-Variable kann auf 3 mögliche Arten in der Forschung fungieren: als Risikofaktor, als präventiver Faktor oder als Surrogat- oder Marker-Variable. Die üblichen Formeln zur Berechnung des Ausmaßes von Confounding in der Forschung sind:
- Grad des Confounding = (RRcrude – RRadjusted)/RRcrude
- Grad des Confounding = (RRcrude – RRadjusted)/RRadjusted
Beispiele für Confounding-Variablen
Confounding-Variablen kommen in verschiedenen Studienbereichen vor, insbesondere in der Statistik, Forschungsmethodologie und Psychologie. In all diesen Bereichen behalten diese dritten Faktoren ihre primäre Eigenschaft, die Forschungsergebnisse von abhängigen und unabhängigen Variablen von außerhalb der kontrollierten Umgebung extrem zu beeinflussen.
Beispiel für verwirrende Variablen in der Forschung
- Die Karriere der Mutter
Es wird geforscht, um den Grad der Korrelation zwischen der Fütterung mit Säuglingsnahrung und der Intelligenz von Kleinkindern zu bestimmen. Es scheint logisch, dass Kinder, die mit Milchnahrung gefüttert werden, weniger intelligent sein könnten, weil sie nicht die Nährstoffe, Vitamine und Mineralien bekommen, die in der Muttermilch enthalten sind.
Es kann jedoch sein, dass mit Milchnahrung ernährte Kinder sogar intelligenter sein können als Kinder, die gestillt werden. Säuglingsnahrung enthält tatsächlich Nährstoffe, Vitamine und Mineralien, die die Intelligenz eines Kindes fördern und es vor Infektionen schützen können.
Eine verwirrende Variable kann in diesem Fall der Beruf der Mutter sein, d.h. ob die Mutter eine Hausfrau oder eine Arbeiterin ist. Wenn man diesen 3. Faktor berücksichtigt, würde man herausfinden, dass Mütter aus der Arbeiterklasse sich eher für die Beikost entscheiden, weil ihr Job es ihnen vielleicht nicht erlaubt, ihr Kind immer zu stillen.
- Wetter
Es wird untersucht, inwieweit eine Korrelation zwischen Geld und dem Verkauf von Eis besteht. Die Logik legt nahe, dass es eine positive Korrelation zwischen diesen beiden Variablen gibt, d.h. die Menschen kaufen mehr Eis, wenn sie mehr Geld haben.
Eine Störvariable in dieser Untersuchung kann das Wetter sein, so dass es durchaus möglich ist, dass das Wetter der korrelierende, kausale Faktor ist. Wenn also das Wetter kalt ist, arbeiten die Menschen weniger und haben weniger Geld für ein Eis und wenn das Wetter heiß ist, arbeiten die Menschen mehr und haben mehr Geld für ein Eis.
In diesem Beispiel ist die Variable, die die Beziehung zwischen Geld und Eiscreme verursacht, das Wetter.
Beispiele für Störvariablen in der Statistik
- Schräges Brett
Statistisch gesehen kann eine Störvariable im Fall der Beziehung zwischen der Kraft, die zum Werfen eines Balls aufgebracht wird, und der Entfernung, die der Ball zurücklegt, ins Spiel kommen. Logischerweise geht man davon aus, dass der Ball umso weiter fliegt, je mehr Kraft auf ihn ausgeübt wird.
Die verwirrende Variable wäre jedoch, in welche Richtung der Ball auf einem schrägen Brett fliegt. Wenn der Ball nach oben fliegt, würde er unabhängig von der Kraft langsamer fliegen, und wenn er nach unten fliegt, würde er mit wenig Kraftaufwand schneller fliegen.
- Essgewohnheiten
Eine verwirrende Variable könnte auch für die Korrelation zwischen Bewegung und Gewichtsverlust verantwortlich sein. Die natürliche Logik mag sein, dass je mehr man sich bewegt, desto wahrscheinlicher ist es, dass man Gewicht verliert, aber eine Störvariable in dieser Untersuchung könnten die Essgewohnheiten sein.
Das bedeutet, dass je mehr Menschen essen, desto mehr Gewicht nehmen sie zu und umgekehrt.
Beispiel für Störvariablen in der Psychologie
- Schlaf
Psychologisch kann eine Störvariable den Zusammenhang oder die Beziehung zwischen Koffein und Konzentration beeinflussen. Sie stellen fest, dass Sie im Unterricht umso konzentrierter sind, je mehr Koffein Sie zu sich nehmen; hier ist die Konzentration abhängig vom Koffeinspiegel, der die unabhängige Variable darstellt.
Die Störvariable könnte in diesem Fall der Schlaf sein, d. h., Sie haben vielleicht besser geschlafen, was zu besseren Konzentrationswerten führt, unabhängig von der Höhe des Koffeinkonsums. Die Störvariable hat in diesem Fall nichts mit der unabhängigen Forschungsvariable, also dem Koffeinkonsum, zu tun.
Wie wirken sich Störvariablen auf die abhängigen und unabhängigen Variablen aus?
Um die Wirkung von Confounding-Variablen auf abhängige und unabhängige Variablen in der Forschung richtig zu verstehen, ist es notwendig zu verstehen, was abhängige und unabhängige Variablen sind. Dies wird Ihnen helfen, diese beiden Forschungsfaktoren klar zu kontextualisieren.
Eine unabhängige Variable ist ein Leitfaktor, der eine Veränderung in den anderen Faktoren der Forschungsumgebung auslöst. In gleicher Weise ist die abhängige Variable der Faktor, auf den in der Forschung eingewirkt wird und der aus dem Einfluss einer unabhängigen Variable resultiert.
Eine Störvariable kann die Korrelationsbeziehung zwischen unabhängiger und abhängiger Variable beeinflussen, was oft zu falschen Korrelationsbeziehungen führt, da sie eine positive Korrelation suggerieren kann, obwohl es keine gibt. Sie kann auch eine extreme Veränderung einer abhängigen Variable und damit des Forschungsergebnisses auslösen.
In Bezug auf die unabhängige Variable kann eine Störvariable oder Confounder diesen Faktor beeinflussen, indem sie ihn vollständig aus der korrelativen Beziehung und dem Forschungsprozess entfernt. Dies geschieht, wenn das Forschungsergebnis aus einer Veränderung resultiert, die durch den Confounder und nicht durch die unabhängige Forschungsvariable ausgelöst wurde
Zusammenhang zwischen Confounding Bias & Variable
Confounding Bias ist einer der Effekte, die entstehen, wenn Sie Confounding-Variablen oder dritte Faktoren in Ihrer Forschung haben. Er ist das Ergebnis einer Verzerrung im Grad der Assoziation zwischen einer Exposition und dem Ergebnis, wenn eine Exposition in der Forschung vorliegt.
Ein Confounding Bias kann negativer oder positiver Natur sein. In diesem Sinne unterschätzt ein negativer Confounding Bias das Forschungsergebnis, während ein positiver Confounding Bias das Forschungsergebnis überschätzt, was zu einer beschleunigten Verzerrung des Ergebnisses führt.
Ein Confounding Bias tritt auf, wenn ein Forschungsdatensatz durch schlechte Erhebungsmethoden so verfälscht wird, dass der gesamte Forschungsprozess an sich ohne ausreichende Kontrollen aufgebaut ist. Dadurch können verwechselbare Variablen entstehen und das Forschungsergebnis beeinflussen.
Vermeidung von Störvariablen in der Statistik & Forschung
Es ist wichtig, die Wirkung von Störvariablen oder Confoundern im Forschungsprozess zu begrenzen oder zu kontrollieren. In der Regel kann ein Forscher Störvariablen in der Forschung nur dann kontrollieren oder letztlich vermeiden, wenn er die möglichen dritten Faktoren in der Forschungsumgebung identifizieren und messen kann.
Es gibt 5 gängige Strategien zur Reduzierung oder Vermeidung von Confounding-Variablen. Diese sind:
- Randomisierung
Die Methode der Randomisierung beinhaltet die sporadische Verteilung von Confoundern über Ihre Forschungsdaten. Sie wird beim maschinellen Lernen verwendet, um Variablen zufällig einer Kontrollgruppe in der Forschung zuzuordnen und hilft, Fälle von Selektionsverzerrungen in der Forschungsarbeit zu vermeiden.
Die Randomisierung wird in der Regel in der experimentellen Forschung eingesetzt, damit der Forscher diese Variablen kontrollieren kann. Sie lenkt das Experiment von der Betrachtung eines Einzelfalls zu einer Sammlung von Beobachtungen, bei der statistische Werkzeuge zur Interpretation der Ergebnisse eingesetzt werden.
Eine Zufallsstichprobe ist eine Art von Stichprobe, bei der jedes Mitglied der Stichprobengruppe die gleiche Chance hat, in die Stichprobe aufgenommen zu werden. Es ist wichtig zu beachten, dass eine perfekt zufällige Stichprobe von Beobachtungen schwer zu erheben ist und der Forscher daher darauf hinarbeiten muss, eine möglichst hohe Randomisierung zu erreichen.
- Restriction
Diese Methode beschränkt die Forschung auf die Untersuchung von Forschungsvariablen mit Kontrolle für Störvariablen und kann, wenn sie nicht sorgfältig durchgeführt wird, zu Störvariablen führen. Sie beinhaltet die Einschränkung der Forschungsdaten durch die Einführung von Kontrollvariablen, um Störvariablen zu begrenzen.
- Matching
Die Matching-Methode verteilt die Störvariablen gleichmäßig über die Forschungsdaten, indem sie einen kontrollierten Forschungsprozess wie Vorher-Nachher-Experimente verwendet. Dabei werden paarweise Beobachtungen gemacht; eine für jeden Wert der unabhängigen Variable, die einer möglichen Störvariablen ähnlich ist.
Eine gängige Methode des Matchings ist die Fall-Kontroll-Studie, bei der Variablen mit ähnlichen Merkmalen mit dem gleichen Satz von Kontrollen verglichen werden. Eine Fall-Kontroll-Studie kann 2 oder mehr Kontrollen für jeden Fall haben, da dies eine höhere statistische Genauigkeit im Forschungsprozess ermöglicht.
- Stratifikation
Stratifikation ist eine Methode zur Überprüfung der Aktivitäten von Confoundern, indem diese Faktoren auf jeder Ebene der Forschungsdatenanalyse gleichmäßig verteilt werden. Sie beinhaltet die Aufteilung der Datenstichprobe in kleinere Gruppen und die Untersuchung der Beziehung zwischen den abhängigen und unabhängigen Variablen in jeder Gruppe.
- Multivariate Analyse
Diese Methode hängt vollständig von der Fähigkeit des Forschers ab, alle dritten Faktoren in der Untersuchung zu identifizieren und zu messen.
Andere Tipps sind das „Counterbalancing“ durch Einführung verschiedener Forschungsanalyseparameter, wobei die Hälfte der Gruppe unter Bedingung 1 und die andere Hälfte unter Bedingung 2 untersucht wird. Sie können die „Within-Subject-Methode“ verwenden, um die Versuchspersonen jedes Mal zu testen, da zwischenzeitliche Zeiträume verwirrende Variablen auslösen können.
Gibt es Unterschiede bei fremden & Confounding-Variablen?
Obwohl in gewisser Weise ähnlich, gibt es einen grundlegenden Unterschied zwischen einer Confounding-Variable und einer fremden Variable. Es ist für jeden Forscher wichtig, diesen Unterschied klar erkennen zu können, um die Variable, die auf ein Forschungsergebnis einwirkt, genau identifizieren zu können.
Eine Fremdvariable ist eine Art von Variable, die eine Assoziation oder Korrelation zwischen 2 Forschungsvariablen auslösen kann, die keine kausale Beziehung haben. Wenn die Beziehung zwischen den 2 Variablen; A und B, nur durch eine 3. Variable; C, verursacht wird, dann ist eine solche Beziehung unecht und die Variable C ist eine Fremdvariable.
Eine Störvariable hingegen beeinflusst 2 Variablen, die nicht spuriös miteinander verbunden sind, d.h. nicht ausschließlich durch den 3. Faktor. In diesem Fall ist die Beziehung zwischen Variable A und B bereits kausal, d. h. A verursacht B.
Wenn die kausale Beziehung zwischen Variable A und Variable B auch durch eine dritte Variable C beeinflusst wird, ist Variable C eine konfoundierende Variable. So kann die Assoziation zwischen A und B den kausalen Effekt von A auf B übertreiben, weil die Assoziation durch den Effekt von C sowohl auf A als auch auf B aufgebläht wird.
Wirkung von Confounding-Variablen
Confounding-Variablen können zu 2 extremen Forschungsproblemen führen, nämlich zu erhöhter Varianz und Forschungsbias. Jeder dieser Effekte wird im Folgenden ausführlich betrachtet und kann dazu führen, dass Ihr Forschungsergebnis am Ende über- oder unterschätzt wird.
- Erhöhte Varianz
Erhöhte Varianz bezieht sich auf eine Vergrößerung der Anzahl möglicher ursächlicher und unabhängiger Variablen in der Forschung. Dies ist häufig bei Untersuchungen der Fall, die keine Kontrollvariablen haben, so dass die Veränderungen der abhängigen Variable durch andere Variablen ausgelöst werden können.
Zum Beispiel: Ihre Forschung zeigt, dass eine erhöhte Gewichtszunahme aus einem Mangel an Bewegung resultiert. Da es jedoch keine Kontrollvariablen gibt, können Sie Ihrem Forschungsergebnis nicht trauen, da es eine Reihe von Faktoren gibt, die die abhängige Variable beeinflussen können.
Eine der Störvariablen können in diesem Fall zum Beispiel Gene oder genetische Faktoren sein. Eine andere Störvariable können die Essgewohnheiten eines Individuums sein, so dass es zu viele mögliche ursächliche Faktoren gibt, die am Ende die Ergebnisse verzerren .
- Confounding Bias
Ein Confounding Bias bezieht sich auf die Chancen eines statistischen Parameters, einen Forschungsparameter zu überschätzen oder zu unterschätzen. Ein Umfragedesign, das deutliche Anzeichen von Confounding Bias aufweist, könnte zu hohen Dropout-Raten und Antwortverzerrungen bei Umfragen führen, die das Forschungsergebnis beeinflussen.
Ein Confounding Bias kann positiver oder negativer Natur sein und kann die interne Validität eines Experiments ruinieren. Ein positiver Confounding Bias tritt auf, wenn die beobachtete Assoziation von der Null weg verzerrt ist, so dass sie den Effekt überschätzt.
Auf der anderen Seite tritt ein negativer Confounding Bias auf, wenn die beobachtete Assoziation in Richtung der Null verzerrt ist, so dass sie den Effekt unterschätzt. Ein negativer Confounding Bias kann zu einer falschen Ablehnung der Nullhypothese führen.
- Falsche Forschungsergebnisse
Eine Confounding-Variable kann die Ergebnisse einer Forschung verändern. Als externe Variable kann der dritte Faktor die Wirkung sowohl der abhängigen als auch der unabhängigen Variablen in der Forschung verändern; dadurch wird das Ergebnis der korrelationalen oder experimentellen Forschung beeinflusst.
Da eine konfundierende Variable ein dritter Faktor ist, der in einem Forschungsprozess nicht berücksichtigt wird, kann sie ein Experiment beeinflussen, indem sie ungenaue Forschungsergebnisse produziert. Zum Beispiel kann sie eine falsche korrelative Beziehung zwischen abhängigen und unabhängigen Variablen suggerieren.
Schlussfolgerung
Obwohl dritte Faktoren normalerweise als ungültige Variablen in einem Forschungsprozess betrachtet werden, können sie den Verlauf einer Forschung verändern, indem sie eine falsche korrelative Beziehung zwischen Variablen widerspiegeln. Daher ist es notwendig, die Forschungsumgebung immer zu kontrollieren, um die Auswirkungen von Störvariablen zu reduzieren.
In diesem Artikel haben wir 5 einfache und gängige Kontrollmethoden für Confounding-Variablen hervorgehoben, darunter Randomisierung, Matching, Stratifizierung und Restriktion. Diese Strategien würden Ihnen helfen, Ihre Forschungsergebnisse besser zu steuern, indem Sie die Auswirkungen von Drittfaktoren begrenzen.