Variabile del concorrente: definizione ed esempi

Una variabile concomitante (a volte chiamata “covariata”) è una variabile che non è di interesse primario in uno studio, ma che può comunque avere qualche interazione con le variabili di interesse studiate.

La mancata considerazione di questi tipi di variabili può portare a risultati distorti o fuorvianti in un’analisi. È quindi importante trattarli quando possibile.

Negli studi osservazionali, è importante essere consapevoli che le variabili concomitanti possono portare a interpretazioni insolite dei dati e delle relazioni tra le variabili. Negli studi sperimentali è importante progettare l’esperimento in modo da eliminare o ridurre il rischio di variabili concomitanti.

I seguenti esempi illustrano diversi casi in cui variabili concomitanti potrebbero essere presenti in uno studio:

Esempio 1

I ricercatori vogliono comprendere la relazione tra densità di popolazione e vendite di gelati. Tuttavia, il clima è una variabile concomitante che probabilmente influisce sulle vendite di gelato.

Quindi, se i ricercatori vogliono eseguire una regressione lineare per quantificare la relazione tra densità di popolazione e vendite di gelati, dovrebbero anche tentare di raccogliere dati sul tempo in modo da poter controllare questa variabile nella regressione ed essere in grado di ottenere una stima preciso. dell’effetto della densità di popolazione sulle vendite di gelato.

Esempio 2

I ricercatori vogliono capire la relazione tra le ore trascorse ad allenarsi e la media dei punti segnati a partita dai giocatori di basket. Tuttavia, una variabile concomitante che probabilmente influenza la media dei punti segnati è il numero di minuti giocati per partita.

Pertanto, i ricercatori dovrebbero anche tenere traccia del numero di minuti giocati da un giocatore per partita in modo da poterlo includere come variabile nell’analisi di regressione e isolare l’effetto delle ore trascorse ad allenarsi sulla media dei punti segnati per partita.

Correlato: Come interpretare i coefficienti di regressione

Esempio 3

I ricercatori vogliono sapere se un determinato fertilizzante provoca o meno un aumento della crescita delle piante. Tuttavia, l’esposizione al sole e la frequenza dell’irrigazione sono due potenziali variabili concomitanti che possono influenzare la crescita delle piante.

Pertanto, i ricercatori dovrebbero anche raccogliere dati sull’esposizione al sole e sulla frequenza di irrigazione in modo da poterli includere come variabili nell’analisi di regressione ed essere in grado di comprendere l’effetto del fertilizzante sulle piante in crescita, dopo aver preso in considerazione l’esposizione al sole e la frequenza di irrigazione.

Come identificare ed eliminare le variabili concomitanti

Per scoprire variabili concomitanti, è utile avere competenze nel settore nell’area studiata. Conoscendo quali potenziali variabili potrebbero influenzare la relazione tra le variabili dello studio che non sono esplicitamente incluse nello studio, potresti essere in grado di scoprire potenziali variabili concomitanti.

Negli studi osservazionali può essere molto difficile eliminare il rischio di variabili concomitanti. Nella maggior parte dei casi, la cosa migliore che puoi fare è semplicemente identificare, anziché prevenire, potenziali variabili concomitanti che potrebbero avere un impatto sullo studio.

Tuttavia, negli studi sperimentali, l’impatto delle variabili concomitanti può essere in gran parte eliminato attraverso un buon disegno sperimentale.

Ad esempio, supponiamo di voler sapere se due pillole hanno un impatto diverso sulla pressione sanguigna. Sappiamo che anche variabili concomitanti come la dieta e l’abitudine al fumo influiscono sulla pressione sanguigna. Possiamo quindi tentare di controllare queste variabili concomitanti utilizzando un disegno randomizzato. Ciò significa che assegniamo in modo casuale i pazienti a prendere la prima o la seconda pillola.

Poiché stiamo assegnando casualmente i pazienti ai gruppi, possiamo supporre che le variabili concomitanti influenzeranno entrambi i gruppi in modo più o meno uguale. Ciò significa che qualsiasi differenza nella pressione arteriosa può essere attribuita alla pillola piuttosto che all’effetto di una variabile concomitante.