Variáveis Confundantes são comuns na investigação e podem afectar o resultado do seu estudo. Isto porque a influência externa da variável de confusão ou terceiro factor pode arruinar o resultado da sua investigação e produzir resultados inúteis ao sugerir uma ligação inexistente entre as variáveis.
A fim de controlar as variáveis de confusão na investigação, é importante saber como identificar claramente estes terceiros factores, e saber como estes influenciam o resultado da sua investigação. A compreensão e o controlo das variáveis de confusão ajudá-lo-ão a alcançar resultados mais precisos na sua investigação.
O que é a variável de confusão?
Uma variável de confusão, em termos simples, refere-se a uma variável que não é contabilizada numa experiência. Actua como uma influência externa que pode alterar rapidamente o efeito tanto de variáveis de investigação dependentes como independentes; muitas vezes produzindo resultados que diferem extremamente do que é o caso.
Na investigação correlacional, variáveis confusas podem afectar a percepção da relação entre as 2 variáveis em consideração; quer sejam positivas, negativas ou nulas. Uma variável confusa pode também ser definida como um factor que um investigador foi incapaz de controlar ou remover, e pode distorcer a validade do trabalho de investigação.
Como identificar variáveis confusas
Existem vários métodos de investigação utilizados para identificar variáveis confusas. O método mais comum é observar até que ponto a remoção de um factor na investigação provoca a alteração do coeficiente de outras variáveis independentes na investigação.
Neste sentido, o investigador observa e mede o nível estimado de associação entre variáveis independentes e dependentes, tanto antes como depois de fazer ajustamentos. Se a diferença entre os 2 parâmetros de medição for superior a 10%, então uma variável confusa está presente.
Outro método de identificação de uma variável de confusão é determinar se a variável pode ser ligada tanto à exposição de interesse como ao resultado de interesse na investigação. Se houver uma ligação significativa e mensurável entre a variável e o factor de risco e, entre a variável e o resultado, então tal variável é confusa.
Existem vários métodos de teste hipotéticos e formais para identificar variáveis confusas. O modelo de base, modelo biológico, logística binária e modelos de regressão logística multivariada são alguns dos métodos hipotéticos comuns de investigação utilizados para identificar variáveis confusas.
As variáveis de confusão também podem ser identificadas utilizando vários testes de co-linearidade, tais como a medição de factores de inflação de variância. É possível calcular o factor de inflação da variância para todas as variáveis na sua investigação para ver se este indicador é elevado para qualquer uma das variáveis; indicando assim um confundidor.
As variáveis fundadoras estão frequentemente associadas tanto ao factor de risco de interesse como ao seu resultado. São geralmente distribuídas de forma desigual entre as variáveis independentes e dependentes na investigação e, as variáveis de confusão não se situam entre o interesse e o resultado da investigação.
Uma variável de confusão pode funcionar de 3 formas possíveis na investigação: como factor de risco, como factor preventivo ou como variável substituta ou marcador. As fórmulas comuns para calcular o grau de confusão na investigação são:
- grau de Confounding = (RRcrude – RRadjusted)/RRRcrude
- grau de Confounding = (RRcrude – RRadjusted)/RRadjusted
Exemplos de Variáveis de Confounding
Variáveis de Confounding transversais a vários campos de estudo, especialmente Estatística, Metodologia de Investigação, e Psicologia. Em todos estes campos, estes terceiros factores mantêm as suas características primárias de influenciar extremamente os resultados da investigação de variáveis dependentes e independentes de fora do ambiente controlado.
Exemplo de Variáveis Confusas na Investigação
- Uma Carreira de Mãe
P>Pesquisa é realizada para determinar o grau de correlação entre a alimentação de bebés com fórmulas e a inteligência em bebés. Parece lógico que as crianças que são alimentadas com fórmulas podem ser menos inteligentes porque não recebem os nutrientes, vitaminas, e minerais contidos no leite materno.
No entanto, os factos podem ser que as crianças alimentadas com fórmulas podem ser ainda mais inteligentes do que as crianças que são amamentadas. As fórmulas de alimentação infantil contêm realmente nutrientes, vitaminas e minerais que podem ajudar a aumentar a inteligência de uma criança e ajudar a protegê-la de infecções.
Uma variável de confusão neste caso pode ser a carreira da mãe, isto é, se a mãe for uma dona de casa ou uma mãe trabalhadora. Quando se considera este terceiro factor, verifica-se que as mães da classe trabalhadora são mais propensas a escolher fórmulas de amamentação porque o seu trabalho pode não lhes permitir amamentar sempre os seus bebés.
- li>clima
P>Pesquisa é realizada para determinar a extensão da correlação entre dinheiro e a venda de gelados. A lógica pode sugerir que existe uma correlação positiva entre estas 2 variáveis; ou seja, as pessoas compram mais gelados quando têm mais dinheiro.
Uma variável de confusão nesta pesquisa pode ser o clima, de modo que é claramente possível que o clima seja o factor causal correlativo. Assim, quando o tempo está frio, as pessoas trabalham menos e têm menos dinheiro para comprar gelados e, quando o tempo está quente, as pessoas trabalham mais e têm mais dinheiro para comprar gelados.
Neste exemplo, a variável que causa a relação entre dinheiro e gelado é o tempo.
Exemplos de Variáveis Confundantes em Estatística
- li>Prancha Deslantada
Estatisticamente, uma variável confusa pode entrar em jogo no caso da relação entre a força aplicada para lançar uma bola e a distância que a bola percorre. Logicamente, assume-se que quanto mais força for exercida sobre uma bola; mais longe ela viajaria.
A variável confusa, contudo, seria a direcção que a bola percorre numa tábua inclinada. Se a bola viaja para cima, pode viajar mais devagar independentemente da força e, se viaja para baixo, viajaria mais depressa com pouco esforço de força.
- li>Hábitos alimentares
Uma variável de confusão pode também ser responsável pela correlação entre o exercício e a perda de peso. A lógica natural pode ser que quanto mais exercício se pratica, maior a probabilidade de perder peso, mas uma variável de confusão nesta pesquisa pode ser os hábitos alimentares.
Isto significa que quanto mais pessoas comem, mais peso ganham e vice-versa.
Exemplo de Variáveis Confundantes em Psicologia
- Sleep
Psicologicamente, uma variável confusa pode influenciar a ligação ou relação entre cafeína e concentração. Repara que quanto mais cafeína tomar, melhor se concentra na aula; aqui, a concentração depende do nível de cafeína, que é a variável independente.
A variável de confusão, neste caso, pode ser o sono; ou seja, pode ter estado a dormir melhor, levando a melhores níveis de concentração, independentemente do nível de consumo de cafeína. A variável de confusão, neste caso, nada tem a ver com a variável independente da investigação; ou seja, o consumo de cafeína.
Como é que as variáveis confusas afectam as variáveis dependentes e independentes?
Para compreender correctamente o efeito das variáveis de confusão sobre variáveis dependentes e independentes na investigação, é necessário compreender o que são variáveis dependentes e independentes. Isto irá ajudá-lo a contextualizar claramente ambos os factores de investigação.
Uma variável independente é um factor principal que desencadeia uma mudança nos outros factores do ambiente de investigação. Na mesma linha, a variável dependente é o factor sobre o qual se actua na investigação, e resulta da influência de uma variável independente.
Uma variável confusa pode afectar a relação correlacional entre variáveis independentes e dependentes; resultando frequentemente em falsas relações correlacionais, uma vez que pode sugerir uma correlação positiva quando não há nenhuma. Pode também desencadear uma mudança extrema numa variável dependente e, consequentemente, o resultado da investigação.
Em termos da variável independente, uma variável confusa ou confundidora pode afectar este factor, removendo-o por completo da relação correlacional e do processo de investigação. Isto acontece quando o resultado da investigação resulta de uma alteração desencadeada pelo confundidor e não pela variável de investigação independente
Relação entre o Viés Confundante & Variável
Biés Confundante é um dos efeitos de ter variáveis confusas ou terceiros factores na sua investigação. É o resultado de uma distorção no grau de associação entre uma exposição e o resultado, se a exposição na investigação.
Um viés de confusão pode ser de natureza negativa ou positiva. Neste sentido, um enviesamento negativo subestima os resultados da investigação, enquanto que um enviesamento positivo de confusão sobrestima o resultado da investigação; causando uma distorção acelerada do resultado.
P>O viés de confusão ocorre quando um conjunto de dados de investigação é corrompido através de técnicas de recolha deficientes, de tal modo que todo o processo de investigação em si é estabelecido sem controlos suficientes. Isto permite o aparecimento de variáveis confusas e afecta o resultado da investigação.
Como evitar variáveis confusas nas estatísticas & Investigação
É importante limitar ou controlar o efeito de variáveis confusas ou confusas no processo de investigação. Normalmente, um investigador só pode controlar ou, em última análise, evitar variáveis confusas na investigação quando pode identificar e medir os possíveis terceiros factores no ambiente de investigação.
Existem 5 estratégias comuns para reduzir ou evitar variáveis confusas. Estas são:
- li>Randomização
O método da randomização envolve a distribuição esporádica de confundidores pelos dados da sua investigação. É utilizado na aprendizagem de máquinas para atribuir aleatoriamente variáveis a um grupo de controlo na investigação e ajuda a prevenir quaisquer casos de enviesamento de selecção no trabalho de investigação.
A aleatorização é geralmente adoptada na investigação experimental para permitir ao investigador controlar estas variáveis. Reorienta a experiência de olhar para um caso individual para uma colecção de observações, onde são utilizadas ferramentas estatísticas para interpretar os resultados.
Uma amostra aleatória é um tipo de amostra em que cada membro do grupo de amostragem tem uma hipótese igual de ser amostrado. É importante notar que uma amostra perfeitamente aleatória de observações é difícil de recolher e, por isso, o investigador tem de trabalhar para conseguir a aleatorização o mais próximo possível.
- li>Restrição
Este método limita a pesquisa ao estudo de variáveis de pesquisa com controlo para variáveis de confusão, e, se não for feito com cuidado, pode levar a um enviesamento confuso. Envolve a restrição dos dados da investigação através da introdução de variáveis de controlo para limitar as variáveis de confusão.
- li>Matching
O método de matching distribui as variáveis de confusão pelos dados da investigação, uniformemente; utilizando um processo de investigação controlado como antes e depois das experiências. Implica fazer observações em pares; uma para cada valor da variável independente que é semelhante a uma possível variável de confusão.
Um método comum de correspondência é o estudo de caso-controlo que envolve a correspondência de variáveis de características semelhantes com o mesmo conjunto de controlos. Um estudo de caso-controlo pode ter 2 ou mais controlos para cada caso, uma vez que isto dá maior precisão estatística no seu processo de investigação.
- li>Estratificação
Estratificação é um método de verificação das actividades dos confundidores, distribuindo estes factores igualmente a cada nível da análise dos dados da investigação. Envolve a divisão da amostra de dados em grupos mais pequenos e a análise da relação entre as variáveis dependentes e independentes em cada grupo.
- li>Análise multivariada
Este método depende inteiramente da capacidade do investigador de identificar e medir todos os terceiros factores na investigação.
Outras dicas incluem o contrapeso através da introdução de diferentes parâmetros de análise da investigação, em que metade do grupo é examinada na condição 1 e a outra metade é examinada na condição 2. Pode-se utilizar o “método dentro do sujeito” para testar o sujeito cada vez, uma vez que entre períodos pode desencadear variáveis confusas.
Extraneous & Confounding Variables?
Algo semelhante, existe uma diferença fundamental entre uma variável confusa e uma variável estranha. É importante que cada investigador seja capaz de reconhecer claramente esta diferença, a fim de identificar com precisão a variável que actua num resultado de investigação.
Uma variável estranha é um tipo de variável que pode desencadear uma associação ou correlação entre 2 variáveis de investigação que não têm relação causal. Se a relação entre as 2 variáveis; A e B, for causada unicamente por uma terceira variável; C, então tal relação é espúria e a variável C é uma variável estranha.
A variável de confusão, por outro lado, afecta 2 variáveis que não são espúrias, ou seja, não apenas relacionadas pelo 3º factor. Neste caso, a relação entre a variável A e B já é causal, ou seja, A causa B.
Quando a relação causal entre a variável A e a variável B é também influenciada por uma terceira variável C, a variável C é uma variável confusa. Assim, a associação entre A e B pode exagerar o efeito causal de A sobre B porque a associação é inflada pelo efeito de C sobre A e B.
Efeito de Variáveis Confundantes
Variáveis Confundantes podem resultar em 2 problemas extremos de investigação que são o aumento da variância e o viés de investigação. Cada um destes efeitos será totalmente considerado abaixo, e podem, em grande parte, inclinar o resultado da sua investigação para ser sobrestimado ou subestimado no final.
- li>Variância aumentada
Variância aumentada refere-se a um aumento do número de possíveis variáveis causais e independentes na investigação. Isto é comum na investigação que não tem quaisquer variáveis de controlo, de tal forma que as alterações na variável dependente podem ser desencadeadas por outras variáveis.
Por exemplo, a sua investigação revela que o aumento de peso resulta de uma falta de exercício. No entanto, como não existem variáveis de controlo, não se pode confiar nos resultados da sua investigação porque existem vários factores que podem afectar a variável dependente.
Por exemplo, uma das variáveis de confusão, neste caso, pode ser genes ou factores genéticos. Outra variável de confusão pode ser os hábitos alimentares de um indivíduo, pelo que há demasiados factores causadores possíveis que acabam por distorcer os resultados .
- li>Pi> Viés Confounding Bias
Um viés confuso refere-se às hipóteses de um parâmetro estatístico sobrestimar ou subestimar um parâmetro de investigação. Uma concepção de inquérito que tenha claras ocorrências de enviesamento confuso pode levar a elevadas taxas de abandono do inquérito e enviesamento de resposta ao inquérito, o que afecta o resultado da investigação.
Um enviesamento confuso pode ser positivo ou negativo por natureza e pode arruinar a validade interna de uma experiência. Um enviesamento de confusão positivo ocorre quando a associação observada é enviesada para longe do nulo de tal forma que sobrestima o efeito.
Por outro lado, um enviesamento de confusão negativo ocorre quando a associação observada é enviesada para o nulo de tal forma que subestima o efeito. Um viés de confusão negativo pode levar a uma falsa rejeição de uma hipótese nula.
- li>Resultados errados da investigação
Uma variável confusa pode alterar os resultados da investigação. Como variável externa, o terceiro factor pode alterar o efeito tanto de variáveis dependentes como independentes na investigação; influenciando assim o resultado da investigação correlacional ou experimental.
Desde que uma variável confusa seja um terceiro factor que não é contabilizado num processo de investigação, pode afectar uma experiência ao produzir resultados de investigação incorrectos. Por exemplo, pode sugerir uma falsa relação correlacional entre variáveis dependentes e independentes.
Conclusão
Embora terceiros factores sejam geralmente considerados como variáveis inválidas num processo de investigação, podem alterar o curso de uma investigação, reflectindo uma falsa relação correlacional entre variáveis. Assim, é necessário controlar sempre o seu ambiente de investigação a fim de reduzir os efeitos da confusão de variáveis.
Neste artigo, destacamos 5 métodos de controlo simples e comuns para variáveis confusas, incluindo aleatorização, correspondência, estratificação e restrição. Estas estratégias ajudá-lo-iam a gerir melhor os resultados da sua investigação, limitando os efeitos de terceiros factores.