Sekoittava muuttuja tai tekijä: Definitive Guide in Research

sekoittavat muuttujat ovat yleisiä tutkimuksessa ja voivat vaikuttaa tutkimuksen tulokseen. Tämä johtuu siitä, että sekoittavan muuttujan tai kolmannen tekijän ulkoinen vaikutus voi pilata tutkimustuloksesi ja tuottaa hyödyttömiä tuloksia ehdottamalla muuttujien välistä olematonta yhteyttä.

sekoittavien muuttujien hallitsemiseksi tutkimuksessa on tärkeää osata tunnistaa selkeästi nämä kolmannet tekijät ja tietää, miten ne vaikuttavat tutkimustulokseesi. Hämmentävien muuttujien ymmärtäminen ja hallinta auttaa sinua saavuttamaan tarkempia tuloksia tutkimuksessasi.

mikä on hämmentävä muuttuja?

sekoittavalla muuttujalla tarkoitetaan yksinkertaisesti muuttujaa, jota ei oteta huomioon kokeessa. Se toimii ulkoisena vaikuttajana, joka voi nopeasti muuttaa sekä riippuvaisten että riippumattomien tutkimusmuuttujien vaikutusta; tuottaa usein tuloksia, jotka poikkeavat erittäin paljon siitä, mitä on tapahtunut.

korrelaatiotutkimuksessa sekoittavat muuttujat voivat vaikuttaa tarkasteltavien kahden muuttujan koettuun suhteeseen; olivatpa ne positiivisia, negatiivisia tai nollia. Sekoittava muuttuja voidaan määritellä myös tekijäksi, jota tutkija ei ole kyennyt hallitsemaan tai poistamaan, ja se voi vääristää tutkimustyön pätevyyttä.

sekoittavien muuttujien tunnistamiseen

sekoittavien muuttujien tunnistamiseen on useita tutkimusmenetelmiä. Yleisin menetelmä on havainnoida, missä määrin tekijän poistaminen tutkimuksesta saa muiden tutkimuksessa olevien riippumattomien muuttujien kertoimen muuttumaan.

tässä mielessä tutkija havainnoi ja mittaa riippumattomien ja riippuvaisten muuttujien arvioitua assosiaatiotasoa sekä ennen että jälkeen säätöjen tekemisen. Jos 2 mittaparametrin ero on yli 10%, esiintyy sekoittava muuttuja.

toinen menetelmä sekoittavan muuttujan tunnistamiseksi on määrittää, voidaanko muuttuja yhdistää sekä kiinnostavaan altistukseen että tutkimuksen kiinnostavuuden tulokseen. Jos muuttujan ja riskitekijän sekä muuttujan ja tuloksen välillä on mielekäs ja mitattavissa oleva yhteys, tällainen muuttuja on hämmentävä.

sekoittavien muuttujien tunnistamiseen on useita hypoteettisia ja formaaleja testausmenetelmiä. Perusmalli, biologinen malli ja binäärilogistiikka ja monimuuttujalogistiset regressiomallit ovat joitakin yleisiä hypoteettisia tutkimusmenetelmiä, joita käytetään sekoittavien muuttujien tunnistamiseen.

sekoittavia muuttujia voidaan tunnistaa myös erilaisilla rinnakkaislineaarisuustesteillä, kuten mittaamalla varianssi-inflaatiokertoimia. Voit laskea varianssi inflaatiokertoimen kaikille muuttujille tutkimuksessasi nähdäksesi, onko tämä indikaattori korkea mille tahansa muuttujalle.

sekoittavat muuttujat liitetään usein sekä kiinnostuksen riskitekijään että sen lopputulokseen. Ne jakautuvat yleensä epätasa-arvoisesti tutkimuksen itsenäisten ja riippuvaisten muuttujien kesken, eivätkä sekoittavat muuttujat sijaitse tutkimuksen kiinnostuksen ja lopputuloksen välillä.

sekoittava muuttuja voi toimia tutkimuksessa kolmella mahdollisella tavalla: riskitekijänä, ennaltaehkäisevänä tekijänä tai sijamuuttujana tai merkkimuuttujana. Yleiset kaavat sekoittumisen laajuuden laskemiseksi tutkimuksessa ovat:

• Degree of Confounding = (Rrcrude – RRadjusted)/Rrcrude
• Degree of Confounding = (RRcrude – RRadjusted)/RRadjusted

Examples of Confounding Variabilities

Confounding variabilities cut across several fields of studies especially Statistics, Research Methodology, and Psychology. Kaikilla näillä aloilla nämä kolmannet tekijät säilyttävät ensisijaiset ominaispiirteensä, jotka vaikuttavat äärimmäisen paljon kontrolloidun ympäristön ulkopuolelta tulevien riippuvaisten ja riippumattomien muuttujien tutkimustuloksiin.

Example of Confounding Variables in Research

• a Mother ‘ s Career

Research is carried to determine the degree of correlation between formula feeding for babies and intelligence in infants. Olisi johdonmukaista, että äidinmaidonkorviketta saavat lapset saattavat olla vähemmän älykkäitä, koska he eivät saa äidinmaidon sisältämiä ravintoaineita, vitamiineja ja kivennäisaineita.

faktat voivat kuitenkin olla, että formularuokitut lapset voivat olla jopa älykkäämpiä kuin imettävät lapset. Imeväisten ruokinta kaava todella sisältää ravintoaineita, vitamiineja ja kivennäisaineita, jotka voivat auttaa lisäämään lapsen älykkyyttä ja auttaa suojaamaan lasta infektioilta.

hämmentävä muuttuja tässä tapauksessa voi olla äidin ura, eli jos äiti on kotiäiti tai työväenluokkainen Äiti. Kun tätä kolmatta tekijää tarkastellaan, huomaisit, että työväenluokan äidit valitsevat todennäköisemmin formularuokinnan, koska heidän työnsä eivät välttämättä salli heidän aina imettää lapsiaan.

• sää

tutkimuksessa selvitetään rahan ja jäätelön myynnin välisen korrelaation laajuutta. Logiikka voi viitata siihen, että näiden 2 muuttujan välillä on positiivinen korrelaatio, eli ihmiset ostavat enemmän jäätelöä, kun heillä on enemmän rahaa.

sekoittava muuttuja tässä tutkimuksessa voi olla sää niin, että on selvästi mahdollista, että sää on korreloiva aiheuttava tekijä. Niinpä kun sää on kylmä, ihmiset tekevät vähemmän töitä ja heillä on vähemmän rahaa ostaa jäätelöä, ja kun sää on kuuma, ihmiset tekevät enemmän töitä ja heillä on enemmän rahaa jäätelöön.

tässä esimerkissä rahan ja jäätelön suhteen aiheuttava muuttuja on sää.

esimerkkejä sekavista muuttujista tilastoissa

• vinossa oleva lankku

tilastollisesti sekoittava muuttuja voi tulla kuvaan, jos pallon heittämiseen kohdistuvan voiman ja pallon kulkeman etäisyyden suhde on sama. Loogisesti oletetaan, että mitä enemmän palloon kohdistuu voimaa, sitä kauemmas se kulkisi.

hämmentävä muuttuja olisi kuitenkin se, mihin suuntaan pallo kulkee vinolla lankulla. Jos pallo kulkee ylöspäin, se saattaa liikkua hitaammin voimasta riippumatta, ja jos se kulkee alaspäin, se kulkisi nopeammin pienellä voimalla.

• ruokailutottumukset

sekoittava muuttuja voi myös olla vastuussa liikunnan ja laihtumisen välisestä korrelaatiosta. Luonnollinen logiikka voi olla, että mitä enemmän liikut, sitä todennäköisemmin laihdut, mutta hämmentävä muuttuja tässä tutkimuksessa voi olla ruokailutottumukset.

tämä tarkoittaa sitä, että mitä enemmän ihmiset syövät, sitä enemmän he lihovat ja päinvastoin.

esimerkki sekoittavista muuttujista psykologiassa

• Uni

psykologisesti sekoittava muuttuja voi vaikuttaa kofeiinin ja pitoisuuden väliseen yhteyteen tai suhteeseen. Huomaat, että mitä enemmän kofeiinia otat, sitä paremmin keskittynyt olet luokassa; täällä, pitoisuus riippuu kofeiini, joka on riippumaton muuttuja.

hämmentävä muuttuja tässä tapauksessa voi olla uni; toisin sanoen Olet saattanut saada parempaa unta, mikä on johtanut parempaan keskittymiskykyyn riippumatta kofeiinin kulutuksesta. Sekoittavalla muuttujalla ei tässä tapauksessa ole mitään tekemistä tutkimuksesta riippumattoman muuttujan kanssa; toisin sanoen kofeiinin kulutuksella.

miten sekoittavat muuttujat vaikuttavat riippuvaisiin ja riippumattomiin muuttujiin?

jotta tutkimuksen sekoittavien muuttujien vaikutus riippuviin ja riippumattomiin muuttujiin ymmärrettäisiin oikein, on ymmärrettävä, mitä riippuvat ja riippumattomat muuttujat ovat. Tämä auttaa Sinua selvästi kontekstualisoida molemmat näistä tutkimustekijöistä.

itsenäinen muuttuja on johtotekijä, joka laukaisee muutoksen muissa tutkimusympäristön tekijöissä. Vastaavasti riippuva muuttuja on se tekijä, johon tutkimuksessa vaikutetaan, ja se on seurausta riippumattoman muuttujan vaikutuksesta.

sekoittava muuttuja voi vaikuttaa riippumattomien ja riippuvaisten muuttujien korrelaatiosuhteeseen; usein tuloksena on vääriä korrelaatiosuhteita, koska se voi viitata positiiviseen korrelaatioon, jos niitä ei ole. Se voi myös laukaista äärimmäisen muutoksen riippuvaisessa muuttujassa ja sitä kautta tutkimustuloksessa.

riippumattoman muuttujan kannalta sekoittava muuttuja tai sekoittaja voi vaikuttaa tähän tekijään poistamalla sen korrelaatiosuhteesta ja tutkimusprosessista kokonaan. Tämä tapahtuu, kun tutkimustulos on seurausta sekoittajan eikä riippumattoman tutkimusmuuttujan

sekoittavan harhan & muuttujan

sekoittavan harhan välisestä suhteesta, joka on yksi sekoittavien muuttujien tai kolmansien tekijöiden vaikutuksesta tutkimuksessasi. Se on seurausta altistuksen ja altistuksen tuloksen välisen yhteyden vääristymisestä tutkimuksessa.

sekoittava harha voi olla luonteeltaan negatiivinen tai positiivinen. Tässä mielessä negatiivinen vinouma aliarvioi tutkimuksen tuloksia, kun taas positiivinen sekoittava vinouma yliarvioi tutkimuksen lopputuloksen ja aiheuttaa tuloksen kiihtyvän vääristymisen.

sekoittava harha syntyy, kun tutkimusaineisto korruptoituu huonojen keräystekniikoiden vuoksi niin, että koko tutkimusprosessi itsessään on perustettu ilman riittävää kontrollia. Näin syntyy sekoittavia muuttujia, jotka vaikuttavat tutkimustulokseen.

miten välttää sekoittavat muuttujat tilastoissa & tutkimus

on tärkeää rajoittaa tai kontrolloida sekoittavien muuttujien tai sekoittajien vaikutusta tutkimusprosessissa. Yleensä tutkija voi kontrolloida tai lopulta välttää sekoittavia muuttujia tutkimuksessa vain silloin, kun hän pystyy tunnistamaan ja mittaamaan tutkimusympäristön mahdollisia kolmansia tekijöitä.

on olemassa 5 yhteistä strategiaa sekoittavien muuttujien vähentämiseksi tai välttämiseksi. Nämä ovat:

• Satunnaistaminen

satunnaistamismenetelmässä jaetaan sekoittajia tutkimusaineistoon satunnaisesti. Sitä käytetään koneoppimisessa satunnaistamaan muuttujia kontrolliryhmään tutkimuksessa ja se auttaa estämään mahdolliset valintaharhat tutkimustyössä.

Satunnaistaminen otetaan yleensä käyttöön kokeellisessa tutkimuksessa, jotta tutkija voi kontrolloida näitä muuttujia. Se ohjaa kokeen yksittäisen tapauksen tarkastelusta havaintokokoelmaan, jossa löydöksiä tulkitaan tilastollisilla välineillä.

satunnaisotos on otostyyppi, jossa jokaisella otosryhmän jäsenellä on yhtäläinen mahdollisuus tulla otetuksi. On tärkeää huomata, että täysin satunnaista otosta havainnoista on vaikea kerätä, joten tutkijan on työskenneltävä satunnaistamisen saavuttamiseksi mahdollisimman tarkasti.

• rajoitus

tämä menetelmä rajoittaa tutkimuksen tutkimusmuuttujien tutkimukseen, jossa kontrolloidaan sekoittavia muuttujia, ja jos sitä ei tehdä huolellisesti, se voi johtaa sekoittavaan harhaan. Siihen kuuluu tutkimustiedon rajoittaminen ottamalla käyttöön kontrollimuuttujia sekoittavien muuttujien rajoittamiseksi.

• Matching

matching-menetelmä jakaa sekoittavat muuttujat tutkimusaineistoon tasaisesti käyttäen kontrolloitua tutkimusprosessia kuten ennen kokeita ja niiden jälkeen. Siihen kuuluu tehdä havaintoja pareittain; yksi kutakin arvoa riippumattoman muuttujan, joka on samanlainen kuin mahdollinen sekoittava muuttuja.

yleinen täsmäytysmenetelmä on tapauskontrollitutkimus, jossa samantyyppisiä muuttujia verrataan samaan kontrollijoukkoon. Tapauskontrollitutkimuksessa voi olla 2 tai useampia kontrolleja kussakin tapauksessa, koska tämä antaa enemmän tilastollista tarkkuutta tutkimusprosessissasi.

• ositus

ositus on menetelmä, jolla tarkistetaan sekoittajien toimintaa jakamalla nämä tekijät tasapuolisesti tutkimustietoanalyysin jokaisella tasolla. Siinä data-otos jaetaan pienempiin ryhmiin ja tarkastellaan kunkin ryhmän riippuvien ja riippumattomien muuttujien suhdetta.

• monimuuttuja-analyysi

tämä menetelmä riippuu täysin tutkijan kyvystä tunnistaa ja mitata kaikki tutkimuksen kolmannet tekijät.

muut vihjeet sisältävät vastapainoa ottamalla käyttöön erilaisia tutkimusanalyysiparametreja, joissa puolet ryhmästä tutkitaan ehdolla 1 ja toinen puoli ehdolla 2. Voit käyttää” subjektin sisäistä menetelmää ” testataksesi subjektia joka kerta, koska välissä olevat ajanjaksot voivat laukaista sekoittavia muuttujia.

onko Vieraiden & sekoittavien muuttujien välillä eroja?

vaikka se on jokseenkin samanlainen, sekoittavan muuttujan ja vieraan muuttujan välillä on perustavanlaatuinen ero. On tärkeää, että jokainen tutkija voi selvästi tunnistaa tämän eron, jotta voidaan tarkasti tunnistaa muuttuja, joka vaikuttaa tutkimuksen tulokseen.

vieras muuttuja on muuttujan tyyppi, joka voi laukaista assosiaation tai korrelaation kahden tutkimusmuuttujan välille, joilla ei ole syy-seuraussuhdetta. Jos kahden muuttujan, A: n ja B: n, välinen suhde johtuu yksinomaan 3: sta muuttujasta; C, niin tällainen suhde on epäolennainen ja muuttuja C on vieras muuttuja.

sekoittava muuttuja taas vaikuttaa kahteen muuttujaan, jotka eivät ole spuriously-sukuisia, eli eivät liity pelkästään kolmanteen tekijään. Tällöin muuttujan A ja B suhde on jo Kausaalinen eli A aiheuttaa B: n.

kun muuttujan A ja muuttujan B syy-seuraussuhteeseen vaikuttaa myös kolmas muuttuja C, muuttuja C on sekoittava muuttuja. Näin ollen A: n ja B: n assosiaatio saattaa liioitella A: n kausaalista vaikutusta B: hen, koska assosiaatiota paisuttaa C: n vaikutus sekä A: han että B: hen.

sekoittavien muuttujien vaikutus

sekoittavien muuttujien vaikutus voi aiheuttaa 2 äärimmäistä tutkimusongelmaa, jotka ovat lisääntynyt varianssi ja tutkimuksen harha. Jokainen näistä vaikutuksista otetaan täysin huomioon alla, ja ne voivat suurelta osin kallistaa tutkimustuloksesi yliarvioitavaksi tai aliarvioitavaksi lopulta.

• lisääntynyt varianssi

lisääntynyt varianssi viittaa mahdollisten aiheuttavien ja riippumattomien muuttujien määrän lisääntymiseen tutkimuksessa. Tämä on yhteistä tutkimukselle, jossa ei ole kontrollimuuttujia niin, että riippuvan muuttujan muutokset voivat käynnistyä muiden muuttujien vaikutuksesta.

tutkimuksenne esimerkiksi paljastaa, että lisääntynyt painonnousu johtuu liikunnan puutteesta. Koska kontrollimuuttujia ei kuitenkaan ole, tutkimustulokseen ei voi luottaa, koska riippuvaan muuttujaan voi vaikuttaa useita tekijöitä.

esimerkiksi yksi sekoittavista muuttujista voi tässä tapauksessa olla geenit tai perintötekijät. Toinen hämmentävä muuttuja voi olla yksilön ruokailutottumukset, joten on liian monia mahdollisia aiheuttavia tekijöitä, jotka lopulta vääristävät tuloksia .

• sekoittava harha

sekoittava harha viittaa tilastollisen parametrin mahdollisuuteen yliarvioida tai aliarvioida tutkimusparametri. Tutkimusrakenne, jossa on selviä sekoittavia harhoja, voi johtaa korkeisiin tutkimuksen keskeyttämisprosentteihin ja kyselyn vastausharjaukseen, joka vaikuttaa tutkimustulokseen.

sekoittava harha voi olla luonteeltaan positiivinen tai negatiivinen ja se voi pilata kokeen sisäisen pätevyyden. Positiivinen sekoittava bias tapahtuu, kun havaittu assosiaatio on puolueellinen pois nollista siten, että se yliarvioi vaikutuksen.

toisaalta negatiivinen sekoittava harha syntyy, kun havaittu assosiaatio on puolueellinen Nollaa kohtaan siten, että se aliarvioi vaikutuksen. Negatiivinen sekoittava vinous voi johtaa nollahypoteesin väärään hylkäämiseen.

• väärät tutkimustulokset

sekoittava muuttuja voi muuttaa tutkimustuloksia. Kolmas tekijä voi ulkoisena muuttujana muuttaa sekä riippuvien että riippumattomien muuttujien vaikutusta tutkimuksessa ja vaikuttaa siten korrelatiivisen tai kokeellisen tutkimuksen lopputulokseen.

koska sekoittava muuttuja on kolmas tekijä, jota ei oteta huomioon tutkimusprosessissa, se voi vaikuttaa kokeeseen tuottamalla epätarkkoja tutkimustuloksia. Se voi esimerkiksi ehdottaa virheellistä korrelaatiosuhdetta riippuvaisten ja riippumattomien muuttujien välille.

johtopäätös

vaikka kolmansia tekijöitä pidetään yleensä virheellisinä muuttujina tutkimusprosessissa, ne voivat muuttaa tutkimuksen kulkua heijastamalla virheellistä korrelaatiosuhdetta muuttujien välillä. Siksi on välttämätöntä aina hallita tutkimusympäristöä, jotta voidaan vähentää sekoittavien muuttujien vaikutuksia.

tässä artikkelissa olemme korostaneet 5 yksinkertaista ja yleistä kontrollimenetelmää muuttujien sekoittamiseksi, mukaan lukien satunnaistaminen, matching, ositus ja rajoitus. Nämä strategiat auttaisivat sinua paremmin hallitsemaan tutkimustuloksia paremmin rajoittamalla kolmansien tekijöiden vaikutuksia.