{"id":1464,"date":"2023-07-26T07:03:01","date_gmt":"2023-07-26T07:03:01","guid":{"rendered":"https:\/\/statorials.org\/de\/storvariable\/"},"modified":"2023-07-26T07:03:01","modified_gmt":"2023-07-26T07:03:01","slug":"storvariable","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/storvariable\/","title":{"rendered":"Was ist eine verwirrende variable? (definition & #038; beispiel)"},"content":{"rendered":"

<\/p>\n

\n

In jedem Experiment gibt es zwei Hauptvariablen:<\/span><\/p>\n

Die unabh\u00e4ngige Variable:<\/strong> die Variable, die ein Experimentator modifiziert oder kontrolliert, um die Auswirkungen auf die abh\u00e4ngige Variable beobachten zu k\u00f6nnen.<\/span><\/p>\n

Die abh\u00e4ngige Variable:<\/strong> die in einem Experiment gemessene Variable, die von der unabh\u00e4ngigen Variablen \u201eabh\u00e4ngig\u201c ist.<\/span> <\/p>\n

\"\"<\/p>\n

Forscher sind h\u00e4ufig daran interessiert zu verstehen, wie sich \u00c4nderungen der unabh\u00e4ngigen Variablen auf die abh\u00e4ngige Variable auswirken.<\/span><\/p>\n

Es kommt jedoch manchmal vor, dass eine dritte Variable nicht ber\u00fccksichtigt wird und die Beziehung zwischen den beiden untersuchten Variablen beeinflussen kann.<\/span> <\/p>\n

\"St\u00f6rvariable\"<\/p>\n

Diese Art von Variable wird als St\u00f6rvariable<\/strong> bezeichnet und kann die Ergebnisse einer Studie verf\u00e4lschen<\/em> und den Anschein erwecken, als g\u00e4be es eine Ursache-Wirkungs-Beziehung zwischen zwei Variablen, die in Wirklichkeit nicht existiert.<\/span><\/p>\n

\n

St\u00f6rvariable:<\/strong> Eine Variable, die nicht in einem Experiment enthalten ist, aber die Beziehung zwischen den beiden Variablen in einem Experiment beeinflusst.<\/span><\/p>\n

Diese Art von Variable kann die Ergebnisse eines Experiments verf\u00e4lschen<\/em> und zu unzuverl\u00e4ssigen Ergebnissen f\u00fchren.<\/span><\/p>\n<\/blockquote>\n

Angenommen, ein Forscher sammelt Daten \u00fcber Eisverk\u00e4ufe und Hai-Angriffe und stellt fest, dass die beiden Variablen stark korrelieren. Bedeutet das, dass gestiegene Eisverk\u00e4ufe zu mehr Hai-Angriffen f\u00fchren?<\/span><\/p>\n

Es ist unwahrscheinlich. Die wahrscheinlichste Ursache ist die verwirrende Variable Temperatur<\/strong> . Wenn es drau\u00dfen w\u00e4rmer ist, kaufen mehr Menschen Eis und mehr Menschen gehen ans Meer.<\/span> <\/p>\n

\"Beispiel<\/p>\n

Anforderungen an verwirrende Variablen<\/strong><\/span><\/h3>\n

Damit eine Variable eine verwirrende Variable ist, muss sie die folgenden Anforderungen erf\u00fcllen:<\/span><\/p>\n

1. Es muss mit der unabh\u00e4ngigen Variablen korreliert sein.<\/strong><\/span><\/p>\n

Im vorherigen Beispiel wurde die Temperatur mit der unabh\u00e4ngigen Variablen Eisverk\u00e4ufe korreliert. Insbesondere sind w\u00e4rmere Temperaturen mit h\u00f6heren Eisverk\u00e4ufen und k\u00e4ltere Temperaturen mit geringeren Verk\u00e4ufen verbunden.<\/span><\/p>\n

2. Es muss ein kausaler Zusammenhang mit der abh\u00e4ngigen Variablen bestehen.<\/strong><\/span><\/p>\n

Im vorherigen Beispiel hatte die Temperatur einen direkten kausalen Einfluss auf die Anzahl der Hai-Angriffe. Insbesondere w\u00e4rmere Temperaturen treiben mehr Menschen ins Meer, was die Wahrscheinlichkeit von Hai-Angriffen direkt erh\u00f6ht.<\/span><\/p>\n

Warum sind verwirrende Variablen problematisch?<\/strong><\/span><\/h3>\n

St\u00f6rende Variablen sind aus zwei Gr\u00fcnden problematisch:<\/span><\/p>\n

1. St\u00f6rende Variablen k\u00f6nnen den Anschein erwecken, dass Ursache-Wirkungs-Beziehungen bestehen, obwohl dies nicht der Fall ist.<\/strong><\/span><\/p>\n

In unserem vorherigen Beispiel erweckte die verwirrende Temperaturvariable den Anschein, als g\u00e4be es einen kausalen Zusammenhang zwischen Eisverk\u00e4ufen und Haiangriffen.<\/span><\/p>\n

Wir wissen jedoch, dass der Verkauf von Eis nicht zu Hai-Angriffen f\u00fchrt. Die verwirrende Variable Temperatur l\u00e4sst es so erscheinen.<\/span><\/p>\n

2. St\u00f6rende Variablen k\u00f6nnen die wahre Ursache-Wirkungs-Beziehung zwischen Variablen verschleiern.<\/strong><\/span><\/p>\n

Angenommen, wir untersuchen die F\u00e4higkeit von Bewegung, den Blutdruck zu senken. Eine m\u00f6gliche St\u00f6rvariable ist das Ausgangsgewicht, das mit k\u00f6rperlicher Bet\u00e4tigung korreliert und einen direkten kausalen Einfluss auf den Blutdruck hat.<\/span> <\/p>\n

\"\"<\/p>\n

Obwohl erh\u00f6hte k\u00f6rperliche Aktivit\u00e4t zu einer Senkung des Blutdrucks f\u00fchren kann, hat auch das Ausgangsgewicht einer Person einen gro\u00dfen Einfluss auf die Beziehung zwischen diesen beiden Variablen.<\/span><\/p>\n

St\u00f6rvariablen und interne Validit\u00e4t<\/strong><\/span><\/h3>\n

Technisch gesehen beeinflussen St\u00f6rvariablen die interne Validit\u00e4t<\/strong> einer Studie, die sich auf die Validit\u00e4t der Zuordnung von \u00c4nderungen in der abh\u00e4ngigen Variablen zu \u00c4nderungen in der unabh\u00e4ngigen Variablen bezieht.<\/span><\/p>\n

Wenn St\u00f6rvariablen vorhanden sind, k\u00f6nnen wir nicht immer mit Sicherheit sagen, dass die \u00c4nderungen, die wir in der abh\u00e4ngigen Variablen beobachten, eine direkte Folge von \u00c4nderungen in der unabh\u00e4ngigen Variablen sind.<\/span><\/p>\n

So reduzieren Sie den Effekt verwirrender Variablen<\/strong><\/span><\/h3>\n

Es gibt mehrere M\u00f6glichkeiten, die Auswirkungen verwirrender Variablen zu reduzieren, einschlie\u00dflich der folgenden Methoden:<\/span><\/p>\n

1. Zuf\u00e4llige Zuteilung<\/strong><\/span><\/p>\n

Zuf\u00e4llige Zuordnung<\/a> bezieht sich auf den Prozess der zuf\u00e4lligen Zuweisung von Personen in einer Studie zu einer Behandlungsgruppe oder einer Kontrollgruppe.<\/span><\/p>\n

Nehmen wir zum Beispiel an, wir m\u00f6chten die Wirkung einer neuen Pille auf den Blutdruck untersuchen. Wenn wir 100 Personen f\u00fcr die Teilnahme an der Studie rekrutieren, k\u00f6nnten wir mithilfe eines Zufallszahlengenerators 50 Personen zuf\u00e4llig einer Kontrollgruppe (keine Pille) und 50 Personen einer Behandlungsgruppe (neue Pille) zuordnen.<\/span><\/p>\n

Durch die zuf\u00e4llige Zuordnung erh\u00f6hen wir die Wahrscheinlichkeit, dass die beiden Gruppen ungef\u00e4hr \u00e4hnliche Merkmale aufweisen, was bedeutet, dass alle beobachteten Unterschiede zwischen den beiden Gruppen auf die Behandlung zur\u00fcckgef\u00fchrt werden k\u00f6nnen.<\/span><\/p>\n

Das bedeutet, dass die Studie interne Validit\u00e4t<\/strong> haben muss: Es ist g\u00fcltig, etwaige Blutdruckunterschiede zwischen Gruppen auf die Pille selbst zur\u00fcckzuf\u00fchren, im Gegensatz zu Unterschieden zwischen Einzelpersonen in den Gruppen.<\/span><\/p>\n

2. Blockieren<\/strong><\/span><\/p>\n

Unter Blockieren<\/a> versteht man die Praxis, Personen in einer Studie auf der Grundlage eines bestimmten Werts einer St\u00f6rvariablen in \u201eBl\u00f6cke\u201c zu unterteilen, um den Effekt der St\u00f6rvariablen zu eliminieren.<\/span><\/p>\n

Angenommen, Forscher m\u00f6chten die Wirkung einer neuen Di\u00e4t auf die Gewichtsabnahme verstehen. Die unabh\u00e4ngige Variable ist die neue Di\u00e4t und die abh\u00e4ngige Variable ist das Ausma\u00df des Gewichtsverlusts.<\/span><\/p>\n

Eine St\u00f6rvariable, die zu Schwankungen beim Gewichtsverlust f\u00fchren kann, ist jedoch das Geschlecht<\/strong> . Es ist wahrscheinlich, dass das Geschlecht einer Person Einfluss darauf hat, wie viel Gewicht sie verliert, unabh\u00e4ngig davon, ob die neue Di\u00e4t funktioniert oder nicht.<\/span><\/p>\n

Eine M\u00f6glichkeit, dieses Problem zu l\u00f6sen, besteht darin, Einzelpersonen in einen von zwei Bl\u00f6cken einzuteilen:<\/span><\/p>\n