Сопутствующая переменная (иногда называемая «ковариантной») — это переменная, которая не представляет основного интереса в исследовании, но, тем не менее, может иметь некоторое взаимодействие с изучаемой переменной (переменными).
Неучет этих типов переменных может привести к предвзятым или вводящим в заблуждение результатам анализа, поэтому важно иметь дело с ними, когда это возможно.
В обсервационных исследованиях важно осознавать тот факт, что сопутствующие переменные могут вызвать необычную интерпретацию данных и взаимосвязей между переменными. В экспериментальных исследованиях важно спланировать эксперимент таким образом, чтобы исключить или снизить риск сопутствующих переменных.
Следующие примеры иллюстрируют несколько случаев, когда сопутствующие переменные могут присутствовать в исследовании:
Пример 1
Исследователи хотят понять взаимосвязь между плотностью населения и продажами мороженого. Однако сопутствующей переменной, которая, вероятно, влияет на продажи мороженого, является погода.
Таким образом, если исследователи хотят выполнить линейную регрессию для количественной оценки взаимосвязи между плотностью населения и продажами мороженого, они также должны попытаться собрать данные о погоде, чтобы они могли контролировать эту переменную в регрессии и иметь возможность получить точную оценку. влияние плотности населения на продажи мороженого.
Пример 2
Исследователи хотят понять взаимосвязь между часами, потраченными на тренировки, и средним количеством очков, набранных баскетболистами за игру. Однако сопутствующей переменной, которая, вероятно, влияет на среднее количество набранных очков, являются минуты, сыгранные за игру.
Таким образом, исследователи должны также отслеживать, сколько минут игрок играет за игру, чтобы они могли включить его в качестве переменной в регрессионный анализ и выделить влияние часов, потраченных на тренировки, на среднее количество очков, набранных за игру.
Связанный: Как интерпретировать коэффициенты регрессии
Пример 3
Исследователи хотят знать, приводит ли определенное удобрение к увеличению роста растений. Однако воздействие солнечного света и частота полива являются потенциальными сопутствующими переменными, которые, вероятно, влияют на рост растений.
Таким образом, исследователи должны также собирать данные о воздействии солнечного света и частоте полива, чтобы они могли включить их в качестве переменных в регрессионный анализ и иметь возможность понять влияние удобрения на рост растений после учета воздействия солнечного света и частоты полива.
Как определить и устранить сопутствующие переменные
Чтобы обнаружить сопутствующие переменные, полезно иметь опыт предметной области в изучаемой области. Зная, какие потенциальные переменные могут влиять на взаимосвязь между переменными в исследовании, которые явно не включены в исследование, вы сможете обнаружить потенциальные сопутствующие переменные.
В обсервационных исследованиях может быть очень трудно исключить риск сопутствующих переменных. В большинстве случаев лучшее, что вы можете сделать, — это просто определить, а не предотвратить возможные сопутствующие переменные, которые могут повлиять на исследование.
Однако в экспериментальных исследованиях влияние сопутствующих переменных в основном может быть устранено с помощью хорошего плана эксперимента.
Например, предположим, что мы хотим узнать, по-разному ли влияют две таблетки на артериальное давление. Мы знаем, что сопутствующие переменные, такие как диета и курение , также влияют на кровяное давление, поэтому мы можем попытаться контролировать эти сопутствующие переменные, используя рандомизированный план. Это означает, что мы случайным образом назначаем пациентов для приема первой или второй таблетки.
Поскольку мы распределяем пациентов по группам случайным образом, мы можем предположить, что сопутствующие переменные повлияют на обе группы примерно одинаково. Это означает, что любые различия в кровяном давлении могут быть связаны с таблеткой, а не с влиянием сопутствующей переменной.