Kafa karıştırıcı değişken nedir? (tanım & #038; örnek)

Herhangi bir deneyde iki ana değişken vardır:

Bağımsız değişken: Deneycinin bağımlı değişken üzerindeki etkilerini gözlemleyebilmek için değiştirdiği veya kontrol ettiği değişken.

Bağımlı değişken: Bir deneyde ölçülen ve bağımsız değişkene “bağımlı” olan değişken.

Araştırmacılar genellikle bağımsız değişkendeki değişikliklerin bağımlı değişkeni nasıl etkilediğini anlamakla ilgilenirler.

Ancak bazen üçüncü bir değişkenin hesaba katılmadığı ve incelenen iki değişken arasındaki ilişkiyi etkileyebildiği durumlar da olabilmektedir.

Bu tür değişken, kafa karıştırıcı değişken olarak bilinir ve bir çalışmanın sonuçlarını karıştırabilir ve iki değişken arasında gerçekte var olmayan bir tür neden-sonuç ilişkisi varmış gibi görünmesine neden olabilir.

Karıştırıcı değişken: Bir deneyde yer almayan ancak deneyde iki değişken arasındaki ilişkiyi etkileyen değişken.

Bu tür değişkenler deneyin sonuçlarını karıştırabilir ve güvenilmez sonuçlara yol açabilir.

Örneğin, bir araştırmacının dondurma satışları ve köpekbalığı saldırıları hakkında veri topladığını ve iki değişkenin yüksek oranda ilişkili olduğunu keşfettiğini varsayalım. Bu, artan dondurma satışlarının daha fazla köpekbalığı saldırısına neden olduğu anlamına mı geliyor?

Olası değil. Bunun en olası nedeni kafa karıştırıcı sıcaklık değişkenidir. Dışarısı sıcak olduğunda daha çok insan dondurma alır ve daha çok insan okyanusa gider.

Kafa karıştırıcı değişkenler için gereksinimler

Bir değişkenin kafa karıştırıcı bir değişken olabilmesi için aşağıdaki gereksinimleri karşılaması gerekir:

1. Bağımsız değişkenle ilişkilendirilmelidir.

Önceki örnekte sıcaklık, dondurma satışlarının bağımsız değişkeniyle ilişkilendirilmişti. Özellikle, daha yüksek sıcaklıklar daha yüksek dondurma satışlarıyla, daha soğuk sıcaklıklar ise daha düşük satışlarla ilişkilidir.

2. Bağımlı değişken ile nedensel bir ilişki bulunmalıdır.

Önceki örnekte sıcaklığın köpekbalığı saldırılarının sayısı üzerinde doğrudan nedensel etkisi vardı. Özellikle artan sıcaklıklar daha fazla insanı okyanusa sürüklemekte, bu da köpekbalığı saldırılarının olasılığını doğrudan artırmaktadır.

Kafa karıştırıcı değişkenler neden problemlidir?

Karıştırıcı değişkenler iki nedenden dolayı sorunludur:

1. Değişkenleri karıştırmak, neden-sonuç ilişkilerinin var olmadığı halde var gibi görünmesine neden olabilir.

Önceki örneğimizde, kafa karıştırıcı sıcaklık değişkeni, dondurma satışları ile köpekbalığı saldırıları arasında nedensel bir ilişki varmış gibi görünmesine neden oluyordu.

Ancak dondurma satışının köpekbalığı saldırılarına neden olmadığını biliyoruz. Kafa karıştırıcı sıcaklık değişkeni bunun böyle görünmesini sağlıyor.

2. Değişkenleri karıştırmak, değişkenler arasındaki gerçek neden-sonuç ilişkisini gizleyebilir.

Egzersizin kan basıncını düşürme yeteneğini incelediğimizi varsayalım. Potansiyel bir kafa karıştırıcı değişken, egzersizle ilişkili olan ve kan basıncı üzerinde doğrudan nedensel etkiye sahip olan başlangıç ağırlığıdır.

Artan fiziksel aktivite kan basıncında azalmaya yol açsa da bireyin başlangıç ağırlığının da bu iki değişken arasındaki ilişki üzerinde büyük etkisi vardır.

Karıştırıcı değişkenler ve iç geçerlilik

Teknik açıdan, karıştırıcı değişkenler bir çalışmanın iç geçerliliğini etkiler; bu, bağımlı değişkendeki herhangi bir değişikliğin bağımsız değişkendeki değişikliklere atfedilmesinin geçerliliğini ifade eder.

Karıştırıcı değişkenler mevcut olduğunda, bağımlı değişkende gözlemlediğimiz değişikliklerin bağımsız değişkendeki değişikliklerin doğrudan sonucu olduğunu her zaman kesin olarak söyleyemeyiz.

Kafa karıştırıcı değişkenlerin etkisi nasıl azaltılır

Kafa karıştırıcı değişkenlerin etkisini azaltmanın aşağıdaki yöntemler de dahil olmak üzere çeşitli yolları vardır:

1. Rastgele tahsis

Rastgele atama, bir çalışmadaki bireylerin bir tedavi grubuna veya bir kontrol grubuna rastgele atanması sürecini ifade eder.

Örneğin yeni bir hapın kan basıncı üzerindeki etkisini incelemek istediğimizi varsayalım. Çalışmaya 100 kişiyi katarsak, 50 kişiyi kontrol grubuna (hapsız) ve 50 kişiyi de tedavi grubuna (yeni hap) rastgele atamak için rastgele sayı üreteci kullanabiliriz.

Rastgele atama kullanarak, iki grubun kabaca benzer özelliklere sahip olma şansını artırırız; bu, iki grup arasında gözlemlenen farklılıkların tedaviye atfedilebileceği anlamına gelir.

Bu, çalışmanın iç geçerliliğe sahip olması gerektiği anlamına gelir: gruplar arasındaki kan basıncı farklılıklarını, gruplardaki bireyler arasındaki farkların aksine, hapın kendisine atfetmek geçerlidir.

2. Engelleme

Engelleme, karıştırıcı değişkenin etkisini ortadan kaldırmak amacıyla, karıştırıcı değişkenin belirli bir değerine dayalı olarak bir çalışmadaki bireyleri “bloklara” bölme uygulamasını ifade eder.

Örneğin, araştırmacıların yeni bir diyetin kilo kaybı üzerindeki etkisini anlamak istediklerini varsayalım. Bağımsız değişken yeni diyet, bağımlı değişken ise kilo kaybı miktarıdır.

Ancak kilo kaybında değişikliğe neden olabilecek kafa karıştırıcı değişkenlerden biri cinsiyettir . Yeni diyet işe yarasa da yarasa da, bireyin cinsiyetinin, kaybettiği kilo miktarını etkilemesi muhtemeldir.

Bu sorunu çözmenin bir yolu bireyleri iki bloktan birine yerleştirmektir:

• Erkek
• Dişi

Daha sonra, her blokta bireyleri rastgele iki tedaviden birine atayacağız:

• Yeni bir diyet
• Standart bir diyet

Bunu yaparak, her blok içindeki varyasyon, tüm bireyler arasındaki varyasyondan çok daha düşük olacak ve yeni diyetin cinsiyeti kontrol ederken kilo kaybını nasıl etkilediğini daha iyi anlayabileceğiz.

3. Yazışma

Eşleştirilmiş çift tasarımı, bireyleri potansiyel karıştırıcı değişkenlerin değerlerine göre “eşleştirdiğimiz” bir tür deneysel tasarımdır.

Örneğin, araştırmacıların yeni bir diyetin standart bir diyetle karşılaştırıldığında kilo kaybını nasıl etkilediğini bilmek istediklerini varsayalım. Bu durumda iki potansiyel kafa karıştırıcı değişken yaş ve cinsiyettir .

Bunu açıklamak için araştırmacılara 100 denek alın ve bunları yaşlarına ve cinsiyetlerine göre 50 çift halinde gruplandırın. Örneğin:

• Yaş ve cinsiyet açısından “eşleştiği” için 25 yaşındaki bir erkek, 25 yaşındaki başka bir erkekle eşleştirilecek.
• 30 yaşındaki bir kadın, yaş, cinsiyet vb. açılardan da eşleştiği için 30 yaşındaki başka bir kadınla eşleştirilecektir.

Daha sonra, her çiftten bir denek, 30 gün boyunca yeni diyeti takip etmesi için rastgele atanacak ve diğer denek, 30 gün boyunca standart diyeti takip edecek şekilde atanacak.

30 günün sonunda araştırmacılar her denek için toplam kilo kaybını ölçecek.

Bu tür bir tasarımı kullanarak araştırmacılar, kilo kaybındaki herhangi bir farklılığın yaş ve cinsiyet gibi kafa karıştırıcı değişkenlerden ziyade kullanılan diyet türüne atfedilebileceğinden emin olabilirler.

Bu tür tasarımın birkaç dezavantajı vardır:

1. Eğer biri dersten çıkarsa iki kişiyi kaybedin. Eğer bir denek çalışmadan çekilmeye karar verirse, artık tam bir çifte sahip olmadığınız için aslında iki deneği kaybedersiniz.

2. Eşleşmeleri bulmak zaman alır . Cinsiyet ve yaş gibi belirli değişkenlerle eşleşen konuları bulmak zaman alabilir.

3. Konuları mükemmel şekilde eşleştiremiyorum . Ne kadar çabalarsanız çabalayın, her çiftin konuları arasında her zaman farklılıklar olacaktır.

Bununla birlikte, eğer bir çalışma bu tasarımı uygulamak için gerekli kaynaklara sahipse, karıştırıcı değişkenlerin etkilerini ortadan kaldırmada çok etkili olabilir.