Variabili nascoste: definizione ed esempi

Una variabile nascosta è una variabile che non è inclusa in un’analisi statistica, ma influisce sulla relazione tra due variabili all’interno dell’analisi.

Una variabile nascosta può nascondere la vera relazione tra le variabili o può dare falsamente l’impressione che sia presente una relazione tra le variabili. In sostanza, le variabili nascoste possono rendere fuorvianti i risultati di uno studio.

Negli studi osservazionali è importante essere consapevoli che le variabili nascoste 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 (per quanto possibile) il rischio di variabili nascoste.

Esempi di variabili nascoste

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

Esempio 1

Un ricercatore rileva che le vendite di gelati e gli attacchi di squali sono fortemente correlati positivamente. Ciò significa che l’aumento delle vendite di gelati sta causando più attacchi di squali?

E ‘improbabile. La causa più probabile è il tempo variabile in agguato. Quando fuori fa più caldo, più persone acquistano il gelato e più persone vanno al mare.

Esempio 2

Un ricercatore scopre che il consumo di popcorn e il numero di incidenti stradali nel corso degli anni sono fortemente correlati. Ciò significa che un maggiore consumo di popcorn causa più incidenti stradali?

E ‘improbabile. La causa più probabile è la variabile popolazione in agguato. Con l’aumento della popolazione, aumentano la quantità di popcorn consumati e il numero di incidenti stradali.

Esempio 3

Uno studio rileva che quanti più volontari si fanno avanti dopo un disastro naturale, tanto maggiore è il danno. Questo significa che i volontari stanno causando più danni?

E ‘improbabile. La causa più probabile è la diversa portata del disastro naturale . Un disastro naturale più grande si traduce in un numero maggiore di volontari e in un aumento della quantità di danni causati dal disastro naturale.

Esempio 4

Lo studio rileva che le vendite di guanti e gli incidenti con lo snowboard sono fortemente correlati. Questo significa che i guanti causano più incidenti con lo snowboard?

E ‘improbabile. La causa più probabile è la temperatura variabile in agguato. Quando la temperatura scende, sempre più persone acquistano guanti e sempre più persone vanno a fare snowboard.

Come identificare le variabili nascoste

Per scoprire le variabili nascoste, è utile avere esperienza 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 nascoste.

Un altro modo per identificare potenziali variabili nascoste è esaminare i grafici residui. Se c’è una tendenza (lineare o non lineare) nei residui, ciò potrebbe significare che una variabile nascosta non inclusa nello studio sta influenzando in qualche modo le variabili di studio.

Come eliminare il rischio di variabili nascoste

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

Tuttavia, negli studi sperimentali, l’impatto delle variabili nascoste 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 nascoste come la dieta e l’abitudine al fumo influiscono sulla pressione sanguigna. Possiamo quindi tentare di controllare queste variabili nascoste utilizzando un disegno randomizzato . Ciò significa che assegniamo in modo casuale i pazienti a prendere la prima o la seconda pillola.

Dato che stiamo assegnando i pazienti a gruppi in modo casuale, possiamo supporre che le variabili nascoste influenzeranno entrambi i gruppi più o meno allo stesso modo. Ciò significa che qualsiasi differenza nella pressione sanguigna può essere attribuita alla pillola piuttosto che all’effetto di una variabile nascosta.