Zmienne towarzyszące są powszechne w badaniach i mogą mieć wpływ na wynik badania. Dzieje się tak dlatego, że zewnętrzny wpływ zmiennej konfundującej lub trzeciego czynnika może zrujnować wynik badania i dać bezużyteczne wyniki, sugerując nieistniejący związek między zmiennymi.
Aby kontrolować zmienne towarzyszące w badaniach, ważne jest, aby wiedzieć, jak jasno zidentyfikować te trzecie czynniki i wiedzieć, jak wpływają one na wynik badania. Zrozumienie i kontrola zmiennych towarzyszących pomoże Ci osiągnąć dokładniejsze wyniki badań.
Co to jest zmienna konfundująca?
Zmienna konfundująca, najprościej mówiąc, odnosi się do zmiennej, która nie jest uwzględniana w eksperymencie. Działa ona jak zewnętrzny wpływ, który może szybko zmienić efekt zarówno zależnych jak i niezależnych zmiennych badawczych; często dając wyniki, które skrajnie różnią się od tego, co jest w rzeczywistości.
W badaniach korelacyjnych, zmienne towarzyszące mogą wpływać na postrzegany związek między 2 zmiennymi, niezależnie od tego, czy jest on pozytywny, negatywny czy zerowy. Zmienna konfundująca może być również zdefiniowana jako czynnik, którego badacz nie był w stanie kontrolować lub usunąć, i może ona zniekształcić ważność pracy badawczej.
Jak zidentyfikować zmienne towarzyszące
Istnieje kilka metod badawczych wykorzystywanych do identyfikacji zmiennych towarzyszących. Najpopularniejszą z nich jest obserwacja, w jakim stopniu usunięcie danego czynnika w badaniu powoduje zmianę współczynnika innych zmiennych niezależnych w badaniu.
W tym sensie badacz obserwuje i mierzy szacowany poziom związku między zmiennymi niezależnymi i zależnymi, zarówno przed, jak i po wprowadzeniu korekt. Jeśli różnica między tymi dwoma parametrami pomiarowymi jest większa niż 10%, wówczas mamy do czynienia ze zmienną konfundującą.
Inną metodą identyfikacji zmiennej konfundującej jest określenie, czy zmienna ta może być powiązana zarówno z ekspozycją, jak i wynikiem badania. Jeśli istnieje znaczący i wymierny związek między zmienną a czynnikiem ryzyka oraz między zmienną a wynikiem, wówczas taka zmienna jest konfundująca.
Istnieje kilka hipotetycznych i formalnych metod badawczych służących do identyfikacji zmiennych konfundujących. Model bazowy, model biologiczny oraz modele logistyki binarnej i wieloczynnikowej regresji logistycznej to niektóre z powszechnie stosowanych hipotetycznych metod badawczych służących do identyfikacji zmiennych konfundujących.
Zmienne zakłócające mogą być również zidentyfikowane przy użyciu różnych testów współliniowości, takich jak pomiar współczynników inflacji wariancji. Można obliczyć współczynnik inflacji wariancji dla wszystkich zmiennych w badaniu, aby sprawdzić, czy wskaźnik ten jest wysoki dla którejkolwiek ze zmiennych; stąd wskazanie na konfundator.
Zmienne konfundujące są często związane zarówno z interesującym nas czynnikiem ryzyka, jak i z jego wynikiem. Są one zazwyczaj nierównomiernie rozłożone pomiędzy zmienne niezależne i zależne w badaniach, a zmienne konfundujące nie leżą pomiędzy interesem a wynikiem w badaniach.
Zmienna konfundująca może funkcjonować w badaniu na 3 możliwe sposoby: jako czynnik ryzyka, jako czynnik prewencyjny lub jako zmienna zastępcza lub markerowa. Powszechnie stosowane wzory do obliczania stopnia konfundacji w badaniach to:
- Stopień konfundacji = (RRcrude – RRadjusted)/RRcrude
- Stopień konfundacji = (RRcrude – RRadjusted)/RRadjusted
Przykłady zmiennych konfundujących
Zmienne konfundujące przecinają kilka dziedzin nauki, szczególnie Statystykę, Metodologię Badań i Psychologię. We wszystkich tych dziedzinach, te trzecie czynniki zachowują swoje podstawowe cechy ekstremalnego wpływu na wyniki badań zmiennych zależnych i niezależnych spoza kontrolowanego środowiska.
Przykład zmiennych zakłócających w badaniach
- Kariera matki
Badania są prowadzone w celu określenia stopnia korelacji pomiędzy karmieniem niemowląt formułą a inteligencją u niemowląt. Wydawałoby się logiczne, że dzieci karmione mieszanką mogą być mniej inteligentne, ponieważ nie otrzymują składników odżywczych, witamin i minerałów zawartych w mleku matki.
Jednakże fakty mogą być takie, że dzieci karmione mieszanką mogą być nawet bardziej inteligentne niż dzieci karmione piersią. Formuła żywienia niemowląt zawiera składniki odżywcze, witaminy i minerały, które mogą pomóc zwiększyć inteligencję dziecka i pomóc chronić je przed infekcjami.
Zamieszanie zmiennych w tym przypadku może być kariera matki, to jest, jeśli matka jest gospodynią domową lub matki klasy robotniczej. Kiedy ten 3 czynnik jest brany pod uwagę, okaże się, że matki z klasy robotniczej są bardziej skłonne do wyboru karmienia formułą, ponieważ ich praca może nie pozwolić im na karmienie piersią swoich dzieci.
- Pogoda
Badania są przeprowadzane w celu określenia stopnia korelacji między pieniędzmi a sprzedażą lodów. Logika może sugerować, że istnieje dodatnia korelacja między tymi dwiema zmiennymi; to znaczy, że ludzie kupują więcej lodów, gdy mają więcej pieniędzy.
Zmienną zakłócającą w tych badaniach może być pogoda, tak że jest wyraźnie możliwe, że pogoda jest korelującym czynnikiem sprawczym. Tak więc, kiedy pogoda jest zimna, ludzie pracują mniej i mają mniej pieniędzy na zakup lodów, a kiedy pogoda jest gorąca, ludzie pracują więcej i mają więcej pieniędzy na lody.
W tym przykładzie, zmienną powodującą zależność między pieniędzmi a lodami jest pogoda.
Przykłady zmiennych konfundujących w statystyce
- Slanted Plank
Statystycznie, zmienna konfundująca może wchodzić w grę w przypadku związku między siłą przyłożoną do rzucenia piłki a odległością, jaką pokonuje piłka. Logicznie rzecz biorąc, zakłada się, że im większa siła wywierana na piłkę, tym dalej będzie ona podróżować.
Zamieszanie zmiennej, jednak, byłoby co kierunek piłka podróżuje na pochyłej desce. Jeśli piłka podróżuje w górę, może podróżować wolniej niezależnie od siły, a jeśli podróżuje w dół, będzie podróżować szybciej z niewielkim wysiłkiem siły.
- Nawyki żywieniowe
Zmienna zakłócająca może być również odpowiedzialna za korelację pomiędzy ćwiczeniami a utratą wagi. Naturalną logiką może być to, że im więcej ćwiczysz, tym bardziej prawdopodobne jest, że stracisz na wadze, ale zmienną zakłócającą w tych badaniach mogą być nawyki żywieniowe.
To oznacza, że im więcej ludzie jedzą, tym więcej przybierają na wadze i odwrotnie.
Przykład zmiennych zakłócających w psychologii
- Sen
Psychologicznie, zmienna zakłócająca może wpływać na związek lub zależność między kofeiną a koncentracją. Zauważyłeś, że im więcej kofeiny zażywasz, tym lepiej koncentrujesz się w klasie; tutaj koncentracja zależy od poziomu kofeiny, która jest zmienną niezależną.
Zmienną zakłócającą, w tym przypadku, może być sen; to znaczy, że mogłeś uzyskać lepszy sen prowadzący do lepszych poziomów koncentracji, niezależnie od poziomu spożycia kofeiny. Zmienna zakłócająca, w tym przypadku, nie ma nic wspólnego z niezależną zmienną badania, czyli spożyciem kofeiny.
Jak zmienne zakłócające wpływają na zmienne zależne i niezależne?
Aby właściwie zrozumieć wpływ zmiennych towarzyszących na zmienne zależne i niezależne w badaniach, konieczne jest zrozumienie, czym są zmienne zależne i niezależne. Pomoże Ci to w jasnej kontekstualizacji obu tych czynników badawczych.
Zmienna niezależna jest czynnikiem wiodącym, który wywołuje zmianę w innych czynnikach w środowisku badawczym. W tym samym duchu, zmienna zależna jest czynnikiem, na który oddziałuje się w badaniach, a wynika on z wpływu zmiennej niezależnej.
Zmienna konfundująca może wpływać na związek korelacyjny między zmiennymi niezależnymi i zależnymi; często skutkuje fałszywymi związkami korelacyjnymi, ponieważ może sugerować korelację dodatnią, gdy jej nie ma. Może ona również wywołać skrajną zmianę w zmiennej zależnej, a w konsekwencji w wyniku badań.
W odniesieniu do zmiennej niezależnej, zmienna konfundująca lub konfundator może wpływać na ten czynnik, usuwając go całkowicie z relacji korelacyjnej i procesu badawczego. Dzieje się tak, gdy wynik badania wynika ze zmiany wywołanej przez konfundator, a nie niezależną zmienną badawczą
Relationship Between Confounding Bias & Variable
Confounding bias jest jednym z efektów posiadania zmiennych konfundacyjnych lub czynników trzecich w badaniach. Jest to wynik zniekształcenia stopnia powiązania między ekspozycją a wynikiem, jeśli ekspozycja w badaniach.
Confounding bias może być negatywny lub pozytywny w naturze. W tym sensie, negatywny bias niedoszacowuje wyniki badań, podczas gdy pozytywny confounding bias przeszacowuje wyniki badań; powodując przyspieszone zniekształcenie wyniku.
Confounding bias występuje, gdy zestaw danych badawczych jest uszkodzony przez złe techniki gromadzenia, takie, że cały proces badawczy w sobie jest ustawiony bez wystarczającej kontroli. Pozwala to na powstawanie zmiennych towarzyszących i wpływa na wynik badań.
Jak uniknąć zmiennych zakłócających w statystyce & Badania
Ważne jest, aby ograniczyć lub kontrolować wpływ zmiennych zakłócających lub czynników zakłócających w procesie badawczym. Zazwyczaj badacz może jedynie kontrolować lub ostatecznie uniknąć zmiennych konfundujących w badaniach, gdy może zidentyfikować i zmierzyć możliwe czynniki trzecie w środowisku badawczym.
Istnieje 5 powszechnych strategii redukcji lub unikania zmiennych konfundujących. Są to:
- Randomizacja
Metoda randomizacji polega na sporadycznym rozmieszczeniu konfundatorów w danych badawczych. Jest ona wykorzystywana w uczeniu maszynowym do losowego przypisywania zmiennych do grupy kontrolnej w badaniach i pomaga zapobiegać przypadkom selekcji w pracy badawczej.
Randomizacja jest zazwyczaj przyjmowana w badaniach eksperymentalnych, aby umożliwić badaczowi kontrolę tych zmiennych. Przekierowuje ona eksperyment z patrzenia na indywidualny przypadek do zbioru obserwacji, gdzie narzędzia statystyczne są używane do interpretacji wyników.
Próba losowa jest rodzajem próby, w której każdy członek grupy próbkującej ma równe szanse na bycie próbkowanym. Należy pamiętać, że idealnie losowa próba obserwacji jest trudna do zebrania, dlatego badacz musi dążyć do osiągnięcia jak największej losowości.
- Restrykcja
Metoda ta ogranicza badania do badania zmiennych badawczych z kontrolą zmiennych konfundujących, a jeśli nie jest przeprowadzona starannie, może prowadzić do błędu konfundującego (confounding bias). Polega ona na ograniczeniu danych badawczych poprzez wprowadzenie zmiennych kontrolnych w celu ograniczenia zmiennych konfundujących.
- Dopasowanie
Metoda dopasowania rozkłada zmienne zakłócające na wszystkie dane badawcze, równomiernie; poprzez zastosowanie kontrolowanego procesu badawczego, takiego jak eksperymenty przed i po. Polega ona na prowadzeniu obserwacji w parach; po jednej dla każdej wartości zmiennej niezależnej, która jest podobna do możliwej zmiennej zakłócającej.
Powszechną metodą dopasowania jest badanie case-control, które polega na dopasowaniu zmiennych o podobnej charakterystyce do tego samego zestawu kontroli. Badanie case-control może mieć 2 lub więcej kontroli dla każdego przypadku, ponieważ daje to większą dokładność statystyczną w procesie badawczym.
- Stratyfikacja
Stratyfikacja jest metodą sprawdzania aktywności czynników zakłócających poprzez równomierne rozłożenie tych czynników na każdym poziomie analizy danych badawczych. Polega ona na podzieleniu próby danych na mniejsze grupy i zbadaniu zależności między zmiennymi zależnymi i niezależnymi w każdej z nich.
- Analiza wielowariantowa
Ta metoda jest całkowicie zależna od zdolności badacza do zidentyfikowania i zmierzenia wszystkich czynników trzecich w badaniu.
Inne wskazówki obejmują równoważenie poprzez wprowadzenie różnych parametrów analizy badawczej, gdzie połowa grupy jest badana pod warunkiem 1, a druga połowa pod warunkiem 2. Możesz użyć metody „within-subject”, aby badać podmiot za każdym razem, ponieważ okresy pomiędzy badaniami mogą wywoływać zmienne konfundujące.
Czy są jakieś różnice w Extraneous & Confounding Variables?
Ale choć nieco podobne, istnieje zasadnicza różnica między zmienną konfundującą a zmienną zewnętrzną. Ważne jest, aby każdy badacz potrafił jasno rozpoznać tę różnicę, aby dokładnie zidentyfikować zmienną wpływającą na wynik badania.
Zmienna obca to rodzaj zmiennej, która może wywołać asocjację lub korelację między 2 zmiennymi badawczymi, które nie mają związku przyczynowego. Jeśli związek między 2 zmiennymi A i B jest spowodowany wyłącznie przez trzecią zmienną C, to taki związek jest pozorny, a zmienna C jest zmienną zewnętrzną.
Zmienna konfundująca, z drugiej strony, wpływa na 2 zmienne, które nie są ze sobą powiązane, to znaczy nie są powiązane wyłącznie przez trzeci czynnik. W tym przypadku związek między zmienną A i B jest już przyczynowy, czyli A powoduje B.
Gdy na związek przyczynowy między zmienną A i zmienną B wpływa również trzecia zmienna C, zmienna C jest zmienną konfundującą. Tak więc, asocjacja pomiędzy A i B może wyolbrzymiać efekt przyczynowy A na B, ponieważ asocjacja jest zawyżona przez wpływ C zarówno na A jak i B.
Efekt zmiennych konfundujących
Zmiany konfundujące mogą skutkować dwoma skrajnymi problemami badawczymi, którymi są zwiększona wariancja i stronniczość badań. Każdy z tych efektów będzie w pełni rozważony poniżej, i mogą one w dużym stopniu przechylić wynik badania, aby był przeszacowany lub niedoszacowany w końcu.
- Zwiększona wariancja
Zwiększona wariancja odnosi się do eskalacji w liczbie możliwych zmiennych przyczynowych i niezależnych w badaniach. Jest to powszechne w przypadku badań, które nie mają żadnych zmiennych kontrolnych, takich, że zmiany w zmiennej zależnej mogą być wywołane przez inne zmienne.
Na przykład, twoje badania ujawniają, że zwiększony przyrost masy ciała wynika z braku ćwiczeń. Jednakże, ponieważ nie ma zmiennych kontrolnych, nie można ufać wynikom badań, ponieważ istnieje wiele czynników, które mogą wpływać na zmienną zależną.
Na przykład, jedną ze zmiennych zakłócających, w tym przypadku, mogą być geny lub czynniki genetyczne. Inną zmienną konfundującą mogą być nawyki żywieniowe jednostki, więc istnieje zbyt wiele możliwych czynników sprawczych, które w końcu zniekształcają wyniki.
- Confounding Bias
Confounding bias odnosi się do szans parametru statystycznego na przeszacowanie lub niedoszacowanie parametru badawczego.
Projekt badania, który ma wyraźne przypadki konfundującego błędu może prowadzić do wysokiego wskaźnika rezygnacji z badania i błędu odpowiedzi, co wpływa na wynik badania.
Błąd konfundujący może być pozytywny lub negatywny i może zniszczyć wewnętrzną ważność eksperymentu. Pozytywny confounding bias występuje wtedy, gdy obserwowane stowarzyszenie jest odchylone od zera w taki sposób, że przeszacowuje efekt.
Z drugiej strony, negatywny confounding bias występuje wtedy, gdy obserwowane stowarzyszenie jest odchylone w kierunku zera w taki sposób, że niedoszacowuje efekt. Negative confounding bias może prowadzić do fałszywego odrzucenia hipotezy zerowej.
- Błędne wyniki badań
Zmienna konfundująca może zmienić wyniki badań. Jako zmienna zewnętrzna, trzeci czynnik może zmienić efekt zarówno zmiennych zależnych, jak i niezależnych w badaniach, wpływając tym samym na wynik badań korelacyjnych lub eksperymentalnych.
Ponieważ zmienna konfundująca jest trzecim czynnikiem, który nie jest uwzględniony w procesie badawczym, może ona wpłynąć na eksperyment, dając niedokładne wyniki badań. Na przykład, może sugerować fałszywy związek korelacyjny pomiędzy zmiennymi zależnymi i niezależnymi.
Wniosek
Mimo że czynniki trzecie są zwykle traktowane jako zmienne nieważne w procesie badawczym, mogą one zmienić przebieg badania, odzwierciedlając fałszywe zależności korelacyjne między zmiennymi. Dlatego należy zawsze kontrolować środowisko badawcze, aby ograniczyć wpływ zmiennych konfundujących.
W tym artykule podkreśliliśmy 5 prostych i powszechnych metod kontroli zmiennych konfundujących, w tym randomizację, dopasowanie, stratyfikację i ograniczenie. Strategie te pomogą Ci lepiej zarządzać wynikami badań poprzez ograniczenie wpływu czynników trzecich.