竞争对手变量：定义和示例

伴随变量（有时称为“协变量”）是研究中不主要感兴趣的变量，但它可能与正在研究的感兴趣的变量有一些相互作用。

不考虑这些类型的变量可能会导致分析结果出现偏差或误导。因此，尽可能治疗它们很重要。

在观察性研究中，重要的是要意识到同时出现的变量可能会导致对数据和变量之间关系的异常解释。在实验研究中，以消除或降低伴随变量风险的方式设计实验非常重要。

以下示例说明了研究中可能存在伴随变量的几种情况：

实施例1

研究人员希望了解人口密度与冰淇淋销量之间的关系。然而，天气是一个可能影响冰淇淋销售的伴随变量。

因此，如果研究人员想要进行线性回归来量化人口密度和冰淇淋销量之间的关系，他们还应该尝试收集天气数据，以便他们可以在回归中控制该变量并能够获得估计值精确的。人口密度对冰淇淋销量的影响。

实施例2

研究人员希望了解篮球运动员训练时间与场均得分之间的关系。然而，可能影响平均得分的一个伴随变量是每场比赛的上场时间。

因此，研究人员还应该跟踪球员每场比赛的上场时间，以便将其作为回归分析中的变量，并隔离练习时间对每场比赛平均得分的影响。

相关： 如何解释回归系数

实施例3

研究人员想知道某种肥料是否会促进植物生长。然而，阳光照射和浇水频率是两个可能影响植物生长的潜在伴随变量。

因此，研究人员还应该收集有关阳光照射和浇水频率的数据，以便将它们作为回归分析中的变量，并能够在考虑阳光照射和浇水频率后了解肥料对植物生长的影响。

如何识别和消除伴随变量

为了发现同时发生的变量，拥有所研究领域的领域专业知识会很有帮助。通过了解哪些潜在变量可能影响研究中未明确包含的研究变量之间的关系，您也许能够发现潜在的同时发生的变量。

在观察性研究中，消除伴随变量的风险可能非常困难。在大多数情况下，您能做的最好的事情就是简单地识别而不是预防可能影响研究的潜在同时发生的变量。

然而，在实验研究中，通过良好的实验设计可以很大程度上消除伴随变量的影响。

例如，假设我们想知道两种药对血压是否有不同的影响。我们知道饮食和吸烟习惯等伴随变量也会影响血压。因此，我们可以尝试使用随机设计来控制这些伴随变量。这意味着我们随机分配患者服用第一种或第二种药物。

由于我们将患者随机分组，因此我们可以假设伴随变量对两组的影响大致相同。这意味着血压的任何差异都可能归因于药物，而不是伴随变量的影响。