В любом эксперименте есть две основные переменные:
Независимая переменная: переменная, которую экспериментатор изменяет или контролирует, чтобы наблюдать влияние на зависимую переменную.
Зависимая переменная: измеряемая в эксперименте переменная, которая «зависит» от независимой переменной.
Исследователей часто интересует, как изменения независимой переменной влияют на зависимую переменную.
Однако иногда не учитывается третья переменная, которая может повлиять на взаимосвязь между двумя изучаемыми переменными.
Этот тип переменной известен как смешанная переменная , и он может исказить результаты исследования и создать впечатление, что между двумя переменными существует какая-то причинно-следственная связь, которой на самом деле не существует.
Вмешивающаяся переменная: переменная, которая не включена в эксперимент, но влияет на взаимосвязь между двумя переменными в эксперименте.
Этот тип переменной может исказить результаты эксперимента и привести к ненадежным выводам.
Например, предположим, что исследователь собирает данные о продажах мороженого и нападениях акул и обнаруживает, что эти две переменные сильно коррелированы. Означает ли это, что увеличение продаж мороженого вызывает больше нападений акул?
Это маловероятно. Более вероятной причиной является смешанная переменная температура.Когда на улице теплее, больше людей покупают мороженое и ходят в океан.
Требования к смешанным переменным
Для того, чтобы переменная была смешанной переменной, она должна удовлетворять следующим требованиям:
1. Должна быть коррелирована с независимой переменной.
В предыдущем примере температура была связана с независимой переменной продаж мороженого. В частности, более высокие температуры связаны с более высокими продажами мороженого, а более низкие температуры связаны с более низкими продажами.
2. Она должна иметь причинно-следственную связь с зависимой переменной.
В предыдущем примере температура имела прямое причинно-следственное влияние на количество нападений акул. В частности, более высокие температуры заставляют больше людей уходить в океан, что напрямую увеличивает вероятность нападения акул.
Почему смешанные переменные проблематичны?
Вмешивающиеся переменные проблематичны по двум причинам:
1. Вмешивающиеся переменные могут создать впечатление, что причинно-следственные связи существуют, хотя на самом деле это не так.
В нашем предыдущем примере смешанная переменная температуры создавала впечатление, что существует причинно-следственная связь между продажами мороженого и нападениями акул.
Однако мы знаем, что продажа мороженого не вызывает нападения акул. Вмешивающаяся переменная температуры только заставила это казаться таким.
2. Вмешивающиеся переменные могут маскировать истинную причинно-следственную связь между переменными.
Предположим, мы изучаем способность физических упражнений снижать кровяное давление. Одной потенциальной смешанной переменной является начальный вес, который коррелирует с физическими упражнениями и имеет прямое причинно-следственное влияние на артериальное давление.
В то время как увеличение количества упражнений может привести к снижению артериального давления, начальный вес человека также оказывает большое влияние на взаимосвязь между этими двумя переменными.
Вмешивающиеся переменные и внутренняя валидность
С технической точки зрения смешанные переменные влияют на внутреннюю валидность исследования, которая относится к тому, насколько обоснованно приписывать любые изменения в зависимой переменной изменениям в независимой переменной.
Когда присутствуют смешанные переменные, мы не всегда можем с полной уверенностью сказать, что изменения, которые мы наблюдаем в зависимой переменной, являются прямым результатом изменений в независимой переменной.
Как уменьшить влияние смешанных переменных
Существует несколько способов уменьшить влияние смешанных переменных, в том числе следующие:
1. Случайное назначение
Случайное распределение относится к процессу случайного распределения участников исследования либо в группу лечения, либо в контрольную группу.
Например, предположим, что мы хотим изучить влияние новой таблетки на артериальное давление. Если мы наберем 100 человек для участия в исследовании, то мы можем использовать генератор случайных чисел, чтобы случайным образом распределить 50 человек в контрольную группу (без таблетки) и 50 человек в группу лечения (новая таблетка).
Используя случайное распределение, мы увеличиваем вероятность того, что две группы будут иметь примерно одинаковые характеристики, а это означает, что любое различие, которое мы наблюдаем между двумя группами, может быть связано с лечением.
Это означает, что исследование должно иметь внутреннюю валидность — допустимо приписывать любые различия в кровяном давлении между группами самой таблетке, а не различия между людьми в группах.
2. Блокировка
Блокирование относится к практике разделения участников исследования на «блоки» на основе некоторого значения смешанной переменной для устранения эффекта смешанной переменной.
Например, предположим, что исследователи хотят понять, как новая диета влияет на снижение веса. Независимая переменная — это новая диета, а зависимая переменная — величина потери веса.
Однако смешанной переменной, которая, вероятно, вызовет вариации в потере веса, является пол.Вполне вероятно, что пол человека повлияет на количество веса, которое он потеряет, независимо от того, работает ли новая диета или нет.
Один из способов решения этой проблемы — поместить людей в один из двух блоков:
- Мужской
- женский
Затем в каждом блоке мы будем случайным образом назначать людей одному из двух видов лечения:
- Новая диета
- Стандартная диета
Сделав это, вариации внутри каждого блока будут намного ниже по сравнению с вариациями среди всех людей, и мы сможем лучше понять, как новая диета влияет на потерю веса с учетом пола.
3. Соответствие
План подбора пар — это тип плана эксперимента, в котором мы «сопоставляем» людей на основе значений потенциально смешанных переменных.
Например, предположим, исследователи хотят знать, как новая диета влияет на потерю веса по сравнению со стандартной диетой. Двумя потенциальными вмешивающимися переменными в этой ситуации являются возраст и пол .
Чтобы учесть это, исследователи набирают 100 испытуемых, а затем группируют их в 50 пар в зависимости от их возраста и пола. Например:
- 25-летний мужчина будет в паре с другим 25-летним мужчиной, так как они «совпадают» по возрасту и полу.
- 30-летняя женщина будет в паре с другой 30-летней женщиной, поскольку они также совпадают по возрасту, полу и так далее.
Затем в каждой паре один субъект будет случайным образом назначен для соблюдения новой диеты в течение 30 дней, а другой субъект будет назначен для соблюдения стандартной диеты в течение 30 дней.
По истечении 30 дней исследователи измерят общую потерю веса у каждого субъекта.
Используя этот тип дизайна, исследователи могут быть уверены, что любые различия в потере веса могут быть связаны с типом используемой диеты, а не с сопутствующими переменными возрастом и полом .
У этого типа дизайна есть несколько недостатков, в том числе:
1. Потеря двух предметов, если один выбывает. Если один испытуемый решает выйти из исследования, вы фактически теряете двух испытуемых, поскольку у вас больше нет полной пары.
2. Поиск совпадений занимает много времени.Поиск субъектов, совпадающих по определенным параметрам, таким как пол и возраст, может занять довольно много времени.
3. Невозможно идеально подобрать предметы.Как бы вы ни старались, всегда будут какие-то различия в предметах в каждой паре.
Однако, если у исследования есть ресурсы для реализации этой схемы, оно может быть очень эффективным для устранения эффектов смешения переменных.