自变量的水平是什么？

在实验中，有两种类型的变量：

自变量：实验者修改或控制的变量，以便能够观察对因变量的影响。

因变量：实验中测量的“依赖于”自变量的变量。

在实验中，研究人员想要了解自变量的变化如何影响因变量。

当自变量有多个实验条件时，称为自变量的水平。

例如，假设老师想知道三种不同的学习技巧如何影响考试成绩。她随机分配 30 名学生，每人使用三种学习技巧中的一种，为期一周，然后每个学生参加完全相同的考试。

在此示例中，自变量是学习技术，它具有三个级别：

• 技巧1
• 技巧2
• 技巧3

也就是说，学生可能会接触到三种实验条件。

本例中的因变量是考试成绩，它取决于学生使用的学习技巧。

以下示例说明了在多个级别上使用自变量的一些附加实验。

例1：广告费

假设营销人员进行了一项实验，他在电视广告上花费了三种不同的金额（低、中、高），以了解其如何影响某种产品的销售。

在这个实验中我们有以下变量：

自变量：广告支出

• 3个级别：
  • 虚弱的
  • 平均的
  • 高的

因变量：产品总销售额

示例 2：安慰剂与药物

假设一位医生想知道某种药物是否可以降低患者的血压。他招募了 100 名患者的简单随机样本，并随机分配 50 名患者使用含有真正药物的药丸，另 50 名患者使用实际上只是安慰剂的药丸。

在这个实验中我们有以下变量：

自变量：药物类型

• 2个级别：
  • 真药丸
  • 安慰剂丸

因变量：血压总体变化

实施例3：植物生长

假设植物学家在田间使用五种不同的肥料（我们将它们称为 A、B、C、D、E），以确定它们是否对植物生长有不同的影响。

在这个实验中我们有以下变量：

自变量：肥料类型

• 5个级别：
  • 肥料A
  • 肥料B
  • 肥料C
  • 肥料
  • 肥料

因变量：植物生长

如何分析自变量的水平

通常，我们使用单向方差分析来确定自变量的水平是否会导致因变量产生不同的结果。

单向方差分析使用以下原假设和备择假设：

• H ₀ （空）：所有组均值相等
• H ₁ （替代）：至少有一组平均值不同 休息

例如，我们可以使用单向方差分析来确定上一示例中的五种不同肥料类型是否会导致植物的平均生长速度不同。

如果方差分析的 p 值低于一定的显着性水平（例如 α = 0.05），那么我们可以拒绝原假设。这意味着我们有足够的证据表明，在所有五种肥料水平下，植物的平均生长情况并不相同。

然后，我们可以进行事后测试，以确定哪些肥料会导致不同的平均增长率。