/ در پایان نامه / توسط
آخرین زمان ویرایش:

درک متغیرهای مخدوش کننده

زمان مطالعه: ۷ دقیقه

درک متغیرهای مخدوش کننده ، در تحقیقاتی که رابطه بالقوه علت و معلولی را بررسی می کند، یک متغیر مخدوش کننده یک متغیر سوم بدون اندازه گیری است که هم بر علت مفروض و هم بر اثر مفروض تأثیر می گذارد.

برای اطمینان از معتبر بودن نتایج، مهم است که متغیرهای مخدوش کننده بالقوه را در نظر بگیرید و آن ها را در طراحی تحقیق خود حساب کنید.

متغیر مخدوش کننده چیست؟

درک متغیرهای مخدوش کننده ، متغیرهای مخدوش کننده (به عنوان مثال عوامل مخدوش کننده یا عوامل مخدوش کننده) نوعی متغیر خارجی هستند که مربوط به متغیرهای مستقل و وابسته یک مطالعه هستند یک متغیر باید دو شرط را داشته باشد تا مخلوط کننده باشد:

. باید با متغیر مستقل در ارتباط باشد. این ممکن است یک رابطه علی باشد، اما لازم نیست که باشد.
. باید از نظر علی با متغیر وابسته مرتبط باشد.

نمونه ای از یک متغیر مخدوش کننده
شما اطلاعات مربوط به آفتاب سوختگی و مصرف بستنی را جمع آوری می کنید. متوجه می شوید که مصرف بیشتر بستنی با احتمال آفتاب سوختگی بیشتر همراه است. آیا این بدان معناست که مصرف بستنی باعث آفتاب سوختگی می شود؟
در اینجا، متغیر سردرگم کننده دما است: دمای گرم باعث می شود که مردم هم بستنی بیشتری بخورند و هم زمان بیشتری را در فضای بیرون و زیر آفتاب بگذرانند و در نتیجه آفتاب سوختگی بیشتری داشته باشند.

چرا متغیرهای مخدوش مهم هستند؟

برای اطمینان از اعتبار داخلی تحقیقات خود، باید متغیرهای مخدوش را حساب کنید. اگر موفق به انجام این کار نشوید، نتایج شما ممکن است نشان دهنده رابطه واقعی بین متغیرهای مورد علاقه شما نباشد.

به عنوان مثال، شما ممکن است یک رابطه علت و معلولی پیدا کنید که در واقع وجود ندارد، زیرا تأثیری که اندازه گیری می کنید ناشی از متغیر مخدوش کننده است (و نه متغیر مستقل شما).

مثال
در می یابید که کارگران بیشتری در ایالت هایی با حداقل دستمزد بالاتر استخدام می شوند. آیا این بدان معنی است که حداقل حداقل دستمزد منجر به افزایش نرخ اشتغال می شود؟
لازم نیست. شاید کشورهایی که بازار کار بهتری دارند به جای برعکس، حداقل دستمزد خود را افزایش دهند. شما باید در تجزیه و تحلیل خود از تأثیر حداقل دستمزد بر اشتغال روندهای قبلی اشتغال را در نظر بگیرید، در غیر این صورت ممکن است رابطه علیتی پیدا کنید که هیچ یک وجود ندارد.

حتی اگر رابطه علت و معلولی را به درستی شناسایی کنید، متغیرهای سردرگم کننده می توانند تأثیر متغیر مستقل خود را بر متغیر وابسته خود بیش از حد یا کم ارزش جلوه دهند.

مثال
شما متوجه می شوید که وزن نوزادانی که از مادرانی که در دوران بارداری خود سیگار می کشیدند به مراتب کمتر از مادران غیر سیگاری است. با این حال، اگر این واقعیت را در نظر نگیرید که افراد سیگاری احتمالاً رفتارهای ناسالم دیگری مانند نوشیدن یا خوردن غذاهای کم مصرف سالم دارند، در این صورت ممکن است رابطه بین سیگار کشیدن و وزن کم هنگام تولد را بیش از حد ارزیابی کنید.

درک متغیرهای مخدوش کننده

درک متغیرهای مخدوش کننده – کالج مدیریت

چگونه می توان تأثیر متغیرهای مخدوش را کاهش داد؟

روش های مختلفی برای حسابداری متغیرهای مخدوش کننده وجود دارد. هنگام مطالعه هر نوع موضوعی می توانید از روش های زیر استفاده کنید – انسان، حیوان، گیاه، مواد شیمیایی و غیره. هر روش مزایا و معایب خاص خود را دارد.

محدودیت
در این روش، شما گروه درمانی خود را فقط با وارد کردن افراد با همان مقادیر عوامل مخدوش کننده بالقوه محدود می کنید.

از آنجا که این مقادیر در بین موضوعات مورد مطالعه شما تفاوتی ندارند، نمی توانند با متغیر مستقل شما ارتباط برقرار کنند و بنابراین نمی توانند رابطه علت و معلولی را که مطالعه می کنید مخدوش کنند.

مثال محدودیت
شما می خواهید بررسی کنید که آیا رژیم کم کربوهیدرات می تواند باعث کاهش وزن شود. از آنجا که می دانید سن، جنس، سطح تحصیلات و شدت ورزش از عواملی است که ممکن است با کاهش وزن همراه باشد و همچنین با رژیم غذایی که افراد شما برای دنبال کردن انتخاب می کنند، استخر موضوع خود را به ۴۵ ساله محدود کنید. زنانی که دارای مدرک لیسانس هستند و با شدت متوسطی بین ۱۰۰-۱۵۰ دقیقه در هفته ورزش می کنند.

< اجرای آن نسبتاً آسان است
> نمونه شما را بسیار محدود می کند
> ممکن است دیگر درگیرکنندگان احتمالی دیگر را در نظر نگیرید

تطابق- درک متغیرهای مخدوش کننده
در این روش، شما یک گروه مقایسه ای را انتخاب می کنید که با گروه درمانی مطابقت داشته باشد. هر یک از اعضای گروه مقایسه باید در گروه درمانی دارای همتایانی با مقادیر یکسان مخلوط کننده های بالقوه، اما مقادیر متغیر مستقل متفاوت باشد.

این به شما امکان می دهد این احتمال را که اختلاف در متغیرهای مخدوش کننده باعث تغییر نتایج بین گروه درمان و مقایسه می شود، از بین ببرید. اگر هرگونه مخدوش کننده احتمالی را حساب کرده اید، بنابراین می توانید نتیجه بگیرید که تفاوت در متغیر مستقل باید علت تغییر در متغیر وابسته باشد.

مثال تطبیق
در مطالعه خود درباره رژیم کم کربوهیدرات و کاهش وزن، افراد را از نظر سن، جنس، سطح تحصیلات و شدت ورزش مطابقت می دهید. این به شما امکان می دهد طیف وسیع تری از موضوعات را در خود بگنجانید: گروه درمانی شما شامل مردان و زنان در سنین مختلف با سطح تحصیلات مختلف است.
هر موضوع رژیم کم کربوهیدرات با موضوع دیگری با همان مشخصات که در رژیم نیست همخوانی دارد. بنابراین برای هر مرد ۴۰ ساله با تحصیلات بالا که از رژیم کم کربوهیدرات پیروی می کند، شما یک مرد ۴۰ ساله با تحصیلات عالی دیگر پیدا می کنید که این کار را انجام نمی دهد، تا بتواند کاهش وزن بین دو فرد را مقایسه کند. شما برای همه افراد دیگر در نمونه درمان خود همین کار را انجام می دهید.

< به شما امکان می دهد موضوعات بیشتری از محدودیت را وارد کنید.
> پیاده سازی می تواند دشوار باشد زیرا شما به جفت موضوعی نیاز دارید که با هر متغیر مخلوط احتمالی مطابقت داشته باشد.
> متغیرهای دیگری که نمی توانید آن ها را مطابقت دهید ممکن است متغیرهای مخدوش باشند.

کنترل آماری
اگر قبلاً داده ها را جمع آوری کرده اید، می توانید عوامل مخدوش کننده احتمالی را به عنوان متغیرهای کنترل در مدل های رگرسیون خود قرار دهید. به این ترتیب، تأثیر متغیر مخدوش کننده را کنترل خواهید کرد.

هر تأثیری که متغیر مخدوش کننده بالقوه بر متغیر وابسته داشته باشد، در نتایج رگرسیون نشان داده می شود و به شما امکان می دهد تأثیر متغیر مستقل را جدا کنید.

مثال کنترل آماری
پس از جمع آوری داده ها در مورد کاهش وزن و رژیم های کم کربوهیدرات از طیف وسیعی از شرکت کنندگان، در مدل رگرسیون خود، سطح ورزش، تحصیلات، سن و جنس را به عنوان متغیرهای کنترل، همراه با نوع رژیم غذایی که هر یک از افراد دنبال می کنند به عنوان متغیر مستقل در نظر می گیرید. این به شما امکان می دهد تأثیر رژیم غذایی انتخاب شده را از تأثیر این چهار متغیر دیگر بر کاهش وزن در رگرسیون خود جدا کنید.

< اجرای آسان
< بعد از جمع آوری اطلاعات قابل انجام است
> فقط می توانید متغیرهایی را که مستقیماً مشاهده می کنید کنترل کنید، اما سایر متغیرهای سردرگمی که حساب نکرده اید ممکن است باقی بمانند

تصادفی سازی
روش دیگر برای به حداقل رساندن تأثیر متغیرهای مخدوش کننده تصادفی سازی مقادیر متغیر مستقل شماست. به عنوان مثال، اگر بعضی از شرکت کنندگان شما به یک گروه درمانی اختصاص یافته باشند در حالی که دیگران در یک گروه کنترل هستند، می توانید به طور تصادفی شرکت کنندگان را به هر گروه اختصاص دهید.

تصادفی سازی تضمین می کند که با داشتن یک نمونه کاملاً بزرگ، همه متغیرهای مخدوش کننده بالقوه – حتی آن هایی که نمی توانید به طور مستقیم در مطالعه خود مشاهده کنید – از نظر میانگین دارای میانگین یکسان بین گروه های مختلف خواهند بود. از آنجا که این متغیرها با انتساب گروهی تفاوتی ندارند، نمی توانند با متغیر مستقل شما ارتباط برقرار کنند و بنابراین نمی توانند مطالعه شما را سردرگم کنند.

از آنجا که این روش به شما امکان می دهد تمام متغیرهای مخدوش کننده بالقوه را حساب کنید، که انجام آن در غیر این صورت تقریباً غیرممکن است، معمولاً بهترین روش برای کاهش تأثیر متغیرهای مخدوش کننده در نظر گرفته می شود.

مثال تصادفی سازی- درک متغیرهای مخدوش کننده
شما گروه بزرگی از افراد را برای شرکت در مطالعه خود درباره کاهش وزن جمع می کنید. شما به طور تصادفی نیمی از آن ها را برای رعایت رژیم کم کربوهیدرات و نیمی دیگر را برای ادامه عادات غذایی خود انتخاب می کنید.
تصادفی سازی تضمین می کند که هم درمان شما (گروه رژیم کم کربوهیدرات) و هم گروه کنترل شما نه تنها از نظر میانگین سنی، تحصیلات و سطح ورزش یکسان خواهند بود، بلکه در سایر خصوصیاتی که اندازه گیری نکرده اید مقادیر متوسط یکسانی دارند. همچنین.

< به شما امکان می دهد تمام متغیرهای مخدوش کننده احتمالی، از جمله متغیرهایی را که ممکن است مستقیماً مشاهده نکنید، حساب کنید.
< بهترین روش برای به حداقل رساندن تأثیر متغیرهای مخدوش در نظر گرفته شده است.
> انجام آن دشوارتر است.
> قبل از شروع جمع آوری داده ها باید اجرا شود.
> شما باید اطمینان حاصل کنید که فقط کسانی که در گروه درمان هستند (و گروه کنترل نیستند) این درمان را دریافت می کنند.

نوشته های مشابه

مقدمه ای بر طراحی های نیمه آزمایشی

مقدمه ای بر طراحی های نیمه آزمایشی ، مانند یک آزمایش واقعی، یک طرح نیمه آزمایشی هدف ایجاد رابطه علت…

همبستگی در مقابل علیت

همبستگی در مقابل علیت ، همبستگی به این معنی است که بین متغیرها ارتباط آماری وجود دارد. علیت به این…