什么是中间变量？

介入变量是影响自变量和因变量之间关系的变量。

通常，当研究人员研究两个变量之间的关系并且没有意识到该关系实际上涉及另一个变量时，就会出现这种类型的变量。

中间变量出现在许多不同的研究情况中。这里有些例子。

示例 1：教育和费用

研究人员可能对教育（自变量）和年度支出（因变量）之间的关系感兴趣。

在收集了 1000 人的教育水平和年支出数据后，他们发现这两个变量之间存在很强的正相关性。特别是，他们发现受教育程度越高的人往往会花更多的钱。

然而，研究人员没有意识到，并没有考虑到收入这一干预变量。事实证明，受教育程度较高的人往往从事薪水较高的工作，这意味着他们自然有更多的钱可以花。

示例 2：贫困和预期寿命

研究人员可能对贫困（自变量）和预期寿命（因变量）之间的关系感兴趣。

在收集了 10,000 个人的贫困和预期寿命数据后，他们发现这两个变量之间存在很强的相关性。特别是，他们发现较贫穷的人的预期寿命往往较低。

然而，研究人员没有意识到，并没有考虑到中间变量“医疗保健” 。事实证明，较贫穷的人获得医疗保健的可靠性较低，这自然意味着他们的预期寿命较低。

示例 3：训练时间和每场比赛得分

体育研究人员可能对运动员练习时间（自变量）与其每场比赛的平均得分（因变量）之间的关系感兴趣。

在收集了 100 名球员的训练时间和每场比赛得分的数据后，他们发现这两个变量之间存在很强的相关性。特别是，他们发现练习越多的球员平均每场比赛得分越高。

然而，研究人员没有意识到，并没有注意到之间的比赛时间的变化。事实证明，训练时间越长的人与教练的关系就越密切，教练就会更好地了解球员，并倾向于让他更多地投入到比赛中，从而获得更多得分的机会。

识别干预变量的重要性

了解干预变量通常可以帮助研究人员阐明自变量和因变量之间的关系，因为干预变量通常是解释因变量变化的真实变量。

在许多情况下，自变量会导致中介变量发生变化，进而导致所研究的因变量发生变化。

通过识别介入变量，可以更容易地理解自变量和因变量之间的真实关系。

技术说明：介入变量有时也称为中介变量或介入变量。

其他资源

什么是无关变量？
什么是伴随变量？
什么是逆向因果关系？
什么是令人困惑的变量？