Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Variable concomitante : Définition & Exemples



Une variable concomitante (parfois appelée « covariable ») est une variable qui n’est pas d’un intérêt primordial dans une étude, mais qui peut néanmoins avoir une certaine interaction avec la ou les variables d’intérêt étudiées.

Ne pas tenir compte de ces types de variables peut conduire à des résultats biaisés ou trompeurs dans une analyse. Il est donc important de les traiter lorsque cela est possible.

Dans les études observationnelles, il est important d’être conscient du fait que des variables concomitantes peuvent entraîner des interprétations inhabituelles des données et des relations entre les variables. Dans les études expérimentales, il est important de concevoir l’expérience de manière à éliminer ou à réduire le risque de variables concomitantes.

Les exemples suivants illustrent plusieurs cas dans lesquels des variables concomitantes pourraient être présentes dans une étude :

Exemple 1

Les chercheurs veulent comprendre la relation entre la densité de population et les ventes de glaces. Cependant, la météo est une variable concomitante qui affecte probablement les ventes de crème glacée.

Ainsi, si les chercheurs souhaitent effectuer une régression linéaire pour quantifier la relation entre la densité de population et les ventes de glaces, ils doivent également tenter de collecter des données sur la météo afin de pouvoir contrôler cette variable dans la régression et pouvoir obtenir une estimation précise. de l’effet de la densité de population sur les ventes de glaces.

Exemple 2

Les chercheurs veulent comprendre la relation entre les heures passées à s’entraîner et la moyenne des points marqués par match par les basketteurs. Cependant, une variable concomitante qui affecte probablement la moyenne des points marqués est le nombre de minutes jouées par match.

Ainsi, les chercheurs devraient également suivre le nombre de minutes qu’un joueur joue par match afin de pouvoir l’inclure comme variable dans l’analyse de régression et isoler l’effet des heures passées à s’entraîner sur la moyenne des points marqués par match.

Connexes : Comment interpréter les coefficients de régression

Exemple 3

Les chercheurs veulent savoir si un certain engrais entraîne ou non une croissance accrue des plantes. Cependant, l’exposition au soleil et la fréquence d’arrosage sont deux variables concomitantes potentielles susceptibles d’affecter la croissance des plantes.

Ainsi, les chercheurs devraient également collecter des données sur l’exposition au soleil et la fréquence d’arrosage afin de pouvoir les inclure comme variables dans l’analyse de régression et être en mesure de comprendre l’effet de l’engrais sur la croissance des plantes, après avoir pris en compte l’exposition au soleil et la fréquence d’arrosage.

Comment identifier et éliminer les variables concomitantes

Pour découvrir les variables concomitantes, il est utile d’avoir une expertise du domaine dans le domaine étudié. En connaissant quelles variables potentielles pourraient affecter la relation entre les variables de l’étude qui ne sont pas explicitement incluses dans l’étude, vous pourrez peut-être découvrir des variables concomitantes potentielles.

Dans les études observationnelles, il peut être très difficile d’éliminer le risque de variables concomitantes. Dans la plupart des cas, le mieux que vous puissiez faire est simplement d’identifier, plutôt que de prévenir, les variables concomitantes potentielles susceptibles d’avoir un impact sur l’étude.

Cependant, dans les études expérimentales, l’impact des variables concomitantes peut être en grande partie éliminé grâce à une bonne conception expérimentale.

Par exemple, supposons que nous voulions savoir si deux pilules ont un impact différent sur la tension artérielle. Nous savons que des variables concomitantes telles que l’alimentation et les habitudes tabagiques ont également un impact sur la tension artérielle. Nous pouvons donc tenter de contrôler ces variables concomitantes en utilisant un plan randomisé. Cela signifie que nous assignons au hasard les patients à prendre soit la première, soit la deuxième pilule.

Puisque nous répartissons les patients dans des groupes de manière aléatoire, nous pouvons supposer que les variables concomitantes affecteront les deux groupes à peu près de la même manière. Cela signifie que toute différence de tension artérielle peut être attribuée à la pilule plutôt qu’à l’effet d’une variable concomitante.

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *