Що таке незрозуміла змінна? (визначення & #038; приклад)

У будь-якому експерименті є дві основні змінні:

Незалежна змінна: змінна, яку експериментатор змінює або контролює, щоб мати можливість спостерігати вплив на залежну змінну.

Залежна змінна: змінна, виміряна в експерименті, яка «залежна» від незалежної змінної.

Дослідників часто цікавить розуміння того, як зміни незалежної змінної впливають на залежну змінну.

Однак іноді буває так, що третя змінна не враховується і може вплинути на зв’язок між двома досліджуваними змінними.

Цей тип змінної відомий як змінна, що змішує , і може ввести в оману результати дослідження та створити враження, що між двома змінними існує якийсь тип причинно-наслідкового зв’язку, якого насправді не існує.

Змішуюча змінна: змінна, яка не включена в експеримент, але впливає на співвідношення між двома змінними в експерименті.

Цей тип змінної може ввести в оману результати експерименту та призвести до ненадійних результатів.

Наприклад, припустимо, що дослідник збирає дані про продаж морозива та напади акул і виявляє, що ці дві змінні сильно корелюють. Чи означає це, що збільшення продажів морозива спричиняє більше нападів акул?

Це малоймовірно. Найімовірнішою причиною є незрозуміла змінна температура . Коли на вулиці тепліше, більше людей купують морозиво і більше людей їдуть до океану.

Вимоги до плутанини змінних

Щоб змінна була незрозумілою, вона має відповідати таким вимогам:

1. Він повинен корелюватися з незалежною змінною.

У попередньому прикладі температура корелювалася з незалежною змінною продажів морозива. Зокрема, високі температури пов’язані з більшими продажами морозива, а нижчі – з меншими продажами.

2. Має бути причинно-наслідковий зв’язок із залежною змінною.

У попередньому прикладі температура мала прямий причинно-наслідковий вплив на кількість нападів акул. Зокрема, високі температури змушують більше людей потрапляти в океан, що безпосередньо збільшує ймовірність нападу акул.

Чому сплутати змінні проблематично?

Сплутані змінні проблематичні з двох причин:

1. Змішування змінних може створювати враження, що причинно-наслідкові зв’язки існують, хоча їх немає.

У нашому попередньому прикладі заплутана змінна температури створила враження, ніби існує причинно-наслідковий зв’язок між продажем морозива та нападами акул.

Однак ми знаємо, що продаж морозива не викликає нападів акул. Це здається таким через заплутану змінну температури.

2. Змішування змінних може приховати справжній причинно-наслідковий зв’язок між змінними.

Припустимо, ми вивчаємо здатність фізичних вправ знижувати артеріальний тиск. Потенційно спотворюючою змінною є початкова вага, яка корелює з фізичними вправами та має прямий причинно-наслідковий вплив на артеріальний тиск.

Хоча збільшення фізичної активності може призвести до зниження артеріального тиску, початкова вага людини також має великий вплив на співвідношення між цими двома змінними.

Сплутані змінні та внутрішня валідність

З технічної точки зору, змішуючі змінні впливають на внутрішню валідність дослідження, яка стосується валідності віднесення будь-яких змін у залежній змінній до змін у незалежній змінній.

Коли змішуючі змінні присутні, ми не завжди можемо з упевненістю сказати, що зміни, які ми спостерігаємо в залежній змінній, є прямим результатом змін у незалежній змінній.

Як зменшити ефект плутанини змінних

Є кілька способів зменшити ефект плутанини змінних, включаючи такі методи:

1. Випадковий розподіл

Випадковий розподіл відноситься до процесу випадкового розподілу осіб у дослідженні до групи лікування або контрольної групи.

Наприклад, скажімо, ми хочемо вивчити вплив нової таблетки на артеріальний тиск. Якщо ми залучимо 100 осіб для участі в дослідженні, ми зможемо використати генератор випадкових чисел, щоб випадковим чином розподілити 50 осіб до контрольної групи (без таблеток) і 50 осіб до групи лікування (нові таблетки).

Використовуючи випадковий розподіл, ми збільшуємо ймовірність того, що дві групи матимуть приблизно однакові характеристики, тобто будь-які відмінності, які спостерігаються між двома групами, можна віднести до лікування.

Це означає, що дослідження має мати внутрішню валідність : будь-які відмінності в артеріальному тиску між групами можна приписувати самій таблетці, на відміну від відмінностей між окремими особами в групах.

2. Блокування

Блокування відноситься до практики поділу осіб у дослідженні на «блоки» на основі певного значення змінної, що змішує, з метою усунення впливу змінної, що змішує.

Наприклад, припустімо, що дослідники хочуть зрозуміти вплив нової дієти на втрату ваги. Незалежною змінною є нова дієта, а залежною змінною є кількість втрати ваги.

Проте однією змінною, яка може вплинути на втрату ваги, є стать . Ймовірно, що стать людини вплине на кількість втраченої ваги, незалежно від того, діє нова дієта чи ні.

Один із способів вирішення цієї проблеми – розмістити людей в одному з двох блоків:

• Чоловік
• Жінка

Потім у кожному блоці ми випадковим чином призначаємо осіб для одного з двох методів лікування:

• Нова дієта
• Стандартна дієта

Зробивши це, варіація в кожному блоці буде набагато нижчою, ніж варіація між усіма індивідами, і ми зможемо краще зрозуміти, як нова дієта впливає на втрату ваги з урахуванням статі.

3. Листування

Зібраний парний план — це тип експериментального плану, у якому ми «підбираємо» індивідів на основі значень потенційних змінних, що змішують.

Наприклад, припустімо, що дослідники хочуть знати, як нова дієта впливає на втрату ваги порівняно зі стандартною дієтою. Дві потенційно заплутані змінні в цій ситуації – це вік і стать .

Щоб врахувати це, наберіть дослідникам 100 суб’єктів, а потім згрупуйте їх у 50 пар за віком і статтю. Наприклад:

• 25-річному чоловікові підберуть іншого 25-річного чоловіка, оскільки вони «збігаються» за віком і статтю.
• 30-річна жінка буде зіставлена з іншою 30-річною жінкою, оскільки вони також збігаються за віком, статтю тощо.

Потім у кожній парі один суб’єкт буде випадковим чином призначений дотримуватися нової дієти протягом 30 днів, а інший суб’єкт буде дотримуватися стандартної дієти протягом 30 днів.

Після закінчення 30 днів дослідники вимірюватимуть загальну втрату ваги для кожного суб’єкта.

Використовуючи цей тип дизайну, дослідники можуть бути впевнені, що будь-які відмінності у втраті ваги можна віднести до типу використовуваної дієти, а не до змішуваних змінних віку та статі .

Цей тип конструкції має ряд недоліків, серед яких:

1. Втратити два предмети, якщо один з них випав. Якщо суб’єкт вирішує вийти з дослідження, ви фактично втрачаєте двох суб’єктів, оскільки у вас більше немає повної пари.

2. Щоб знайти збіги, потрібен час . Пошук тем, які відповідають певним змінним, таким як стать і вік, може зайняти багато часу.

3. Не можу ідеально підібрати теми . Як би ви не старалися, у кожній парі завжди будуть варіації.

Однак, якщо дослідження має ресурси, доступні для впровадження цього плану, воно може бути дуже ефективним для усунення ефектів змішуючих змінних.