Lecture5:Confounds
古典的なConfounds:すべての効果の内部妥当性！
History Confound history confoundは、従属変数に影響を与えるいくつかの
余分な実験イベントがあるときに発生します。 それ
は、通常、長い期間を持つ実験のために発生します。 たとえば、うつ病のための新しい
電気痙攣療法の臨床試験を実行しているとします。 私は人々に15週間の治療の前と15週間の治療の後に
うつ病の在庫を取ってもらいます。
が結果を変える可能性がある多くの介入要因がある可能性があります。 名前を付け、それらのいくつかを分析することができます。
一人の参加者が離婚し、別の参加者が新しい仕事を取得し、
ガス価格の劇的な引き上げ、
夏の暑さが終わります。
は、歴史が混乱してタイプIエラーになる例を構成しています。 タイプIIエラーが発生する場合は、
を1つ上にします。
この交絡は歴史交絡と非常によく似ています。 それは長い期間を持つ
実験で発生します。 外部イベントがなくても
人は体系的に変化します。 子供は成長し、大人は年を取る。
まだ話していない
2歳児のための一年間の言語療法プログラムの評価をしようとしましょう。 明らかに、今年のうちに、
のほとんどすべての子供たちは、
が成長するにつれて、発話能力の大幅な向上を見るでしょう。
計装：
時には、DV（およびIV）を測定するための私たちの機器は、
微妙なファッションに変化します。 私たちは
の実験を実行することにもっと熟練しています。 たとえば、IQテストの提供者は、
命令でより良い仕事をすることができます。 あなたは
計装効果があるかもしれない他の例を考えることができますか？
選択：
これは、ランダムな割り当てのない実験では大きな問題です。 治療割り当てのための差分選択
基準がある場合、
選択交絡が発生する可能性があります。 たとえば、子供の行動に対する平手打ちの有効性をテストするために、
実験を行います。
親は、
になりたいかどうかを選択することができますno-spanking groupまたはspanking group。 平手打ちのない
グループの人は、悪い行動のために彼らの六歳をたたくしないことを約束します。
平手打ちグループの人は、悪い
行動のために彼らの六歳をたたくことを約束します。 これはどのようにタイプIエラーになりますか？ タイプII
エラーはどうですか？
より微妙な例:
1. 大学教授の人生の期待。
2. シンプソンのパラドックス:
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
大学入試データ
しかし、結果は大学レベルでより公平に見えました
| 大学 | 男性 | 女性 | ||||
| アプリ | Acc | % | アプリ | Acc | % | |
| に | 825 | 512 | 62% | 108 | 89 | 82% |
| B | 560 | 353 | 63% | 25 | 17 | 68% |
| C | 325 | 120 | 37% | 593 | 202 | 34% |
| D | 417 | 138 | 33% | 375 | 131 | 35% |
| 191 | 53 | 28% | 393 | 94 | 24% | |
| F | 272 | 16 | 6% | 341 | 24 | 7% |
| 全体的に | 2590 | 1192 | 46% | 1835 | 557 | 30% |
何があったの?
| 大学 | 受け入れ率 | 比率M/F |
| A | 64% | 7.6 |
| B | 63% | 22.4 |
| C | 35% | .54 |
| D | 34% | 1.11 |
| E | 25% | .49 |
| F | 6.5% | .80 |
平均
への回帰これは選択バイアスの一形態です。 非話す2
歳児の改善と話す2歳児の改善を比較することによって、私たちの
幼児の言語療法を評価したいとします。 しかし、話をしていない2歳児の
の割合は、介入なしに
仲間に追いつくだろうことに注意する必要があります。 この現象は、平均への回帰
と呼ばれます。
彼らはいくつかの尺度で非常に良いか悪いかであり、それらを
異なる治療に割り当てるので、グループをシングルアウトするのは問題です。
これは通常無関係です。 しかし、
時には介入することがあります-ドロップアウト率が特定の理由で
条件間で変化する場合。
参加者効果（需要特性）
実験者を喜ばせたい人。 ピリオド。 彼らは時々
にあまりにもよく準拠しています。 確率学習の例を考えてみましょう。
実験者の効果I.
実験者は微妙に彼らの調査結果に影響を与えることができます。 彼らは
の条件を知っていて、結果に賭けをしているかもしれません。 彼らは微妙に、そして
は無意識のうちに微分的な指示、情報などを伝えることができました。
フィールド全体のバイアス
例えば、フィールドは行動のための生物学的基盤を示す上で熱いです
違いなどの性差。 タスクに性差がないことを発見する
を公開するのはかなり難しいです。 この
は、`フィールド全体の”実験者効果を表します。 実験者の効果の劇的な
インスタンスは、おそらくあいまいまたは矛盾した所見の共同の
解釈にあります。 グールドが19世紀の
頭蓋骨の測定を再集計して、これの
良い例を見るでしょう。
