مهم است که متغیرهای مخدوش کننده بالقوه را در نظر بگیرید و آنها را در طرح تحقیق خود لحاظ کنید تا مطمئن شوید نتایج شما معتبر هستند. کنترل نشدن متغیرهای گیج کننده می تواند سوگیری های تحقیقاتی زیادی را به کار شما وارد کند و باعث شود که نتایج خود را اشتباه تفسیر کنید.

متغیر مخدوش کننده چیست؟

متغیرهای مخدوش کننده (معروف به عوامل مخدوش کننده یا مخدوش کننده) نوعی از متغیرهای خارجی هستند که به متغیرهای مستقل و وابسته یک مطالعه مرتبط هستند . یک متغیر باید دو شرط را داشته باشد تا مخدوش کننده باشد:

  • باید با متغیر مستقل همبستگی داشته باشد. این ممکن است یک رابطه علت و معلولی باشد، اما لزومی ندارد.
  • باید رابطه علّی با متغیر وابسته داشته باشد.
مثالی از یک متغیر مخدوش کننده
شما اطلاعات مربوط به آفتاب سوختگی و مصرف بستنی را جمع آوری می کنید. متوجه شدید که مصرف بیشتر بستنی با احتمال آفتاب سوختگی بیشتر مرتبط است. یعنی مصرف بستنی باعث آفتاب سوختگی میشه؟ 

در اینجا، متغیر مخدوش کننده دما است: دمای گرم باعث می شود مردم هم بستنی بیشتری بخورند و هم‌زمان بیشتری را در خارج از منزل زیر نور خورشید بگذرانند و در نتیجه بیشتر دچار آفتاب سوختگی می شوند.

 

چرا متغیرهای مخدوش کننده اهمیت دارند؟

برای اطمینان از اعتبار داخلی تحقیق خود، باید متغیرهای مخدوش کننده را در نظر بگیرید. اگر موفق به انجام این کار نشوید، نتایج شما ممکن است منعکس کننده رابطه واقعی بین متغیرهای مورد علاقه شما نباشد و نتایج شما را مغرضانه کند.

به عنوان مثال، ممکن است یک رابطه علت و معلولی پیدا کنید که در واقع وجود نداشته باشد، زیرا اثری که اندازه گیری می کنید توسط متغیر مخدوش کننده (و نه متغیر مستقل شما) ایجاد می شود. این می تواند منجر به حذف سوگیری متغیر یا اثرات دارونما ، در میان سایر سوگیری ها شود.

مثال
شما متوجه می شوید که کارگران بیشتری در ایالت هایی با حداقل دستمزد بالاتر استخدام می شوند. آیا این بدان معناست که حداقل دستمزد بالاتر منجر به افزایش نرخ اشتغال می شود؟ 

لازم نیست. شاید ایالت هایی که بازار کار بهتری دارند، به جای برعکس، احتمال بیشتری برای افزایش حداقل دستمزد خود داشته باشند. شما باید در تحلیل خود از تأثیر حداقل دستمزد بر اشتغال، روندهای شغلی قبلی را در نظر بگیرید، یا ممکن است در جایی که وجود ندارد، رابطه علّی پیدا کنید.

حتی اگر یک رابطه علت و معلولی را به درستی شناسایی کنید، متغیرهای مخدوش کننده می توانند منجر به بیش از حد یا دست کم گرفتن تأثیر متغیر مستقل شما بر متغیر وابسته شما شوند.

مثال
شما متوجه می شوید که وزن نوزادان مادرانی که در دوران بارداری خود سیگار می کشیدند به طور قابل توجهی کمتر از نوزادان مادران غیر سیگاری هستند. با این حال، اگر این واقعیت را در نظر نگیرید که سیگاری‌ها بیشتر درگیر سایر رفتارهای ناسالم هستند، مانند نوشیدن یا خوردن غذاهای سالم کمتر، ممکن است رابطه بین سیگار کشیدن و وزن کم هنگام تولد را بیش از حد برآورد کنید.

 

چگونه می توان تأثیر متغیرهای مخدوش کننده را کاهش داد

روش های مختلفی برای حسابداری برای متغیرهای مخدوش کننده وجود دارد. برای 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، گروه درمانی خود را فقط با گنجاندن افراد با مقادیر یکسان عوامل مخدوش کننده بالقوه محدود می کنید.

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

مثال محدودیت
شما می خواهید مطالعه کنید که آیا رژیم کم کربوهیدرات می تواند باعث کاهش وزن شود یا خیر. از آنجایی که می‌دانید سن، جنس، سطح تحصیلات و شدت ورزش همگی عواملی هستند که ممکن است با کاهش وزن و همچنین رژیم غذایی که آزمودنی‌های شما انتخاب می‌کنند در ارتباط باشند، شما انتخاب می‌کنید که مجموعه سوژه‌های خود را به افراد 45 ساله محدود کنید. زنان با مدرک لیسانس که با شدت متوسط ​​بین 100 تا 150 دقیقه در هفته ورزش می کنند.
  • اجرای نسبتا آسان
  • نمونه شما را بسیار محدود می کند
  • ممکن است دیگر عوامل مخدوش کننده بالقوه را در نظر نگیرید

تطابق

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 یک همتا در گروه درمان با مقادیر یکسان عوامل مخدوش کننده بالقوه، اما مقادیر متغیر مستقل متفاوت داشته باشد.

این به شما امکان می دهد این احتمال را که تفاوت در متغیرهای مخدوش کننده باعث ایجاد تغییرات در نتایج بین گروه درمان و مقایسه می شود را از بین ببرید. اگر عوامل مخدوش کننده بالقوه را در نظر گرفته باشید، می توانید نتیجه بگیرید که تفاوت در متغیر مستقل باید علت تغییر در متغیر وابسته باشد.

مثال منطبق
در مطالعه خود در مورد رژیم غذایی کم کربوهیدرات و کاهش وزن، آزمودنی‌های خود را از نظر سن، جنس، سطح تحصیلات و شدت ورزش مطابقت می‌دهید. این به شما امکان می دهد طیف وسیع تری از موضوعات را در بر گیرد: گروه درمانی شما شامل مردان و زنان در سنین مختلف با سطوح تحصیلات مختلف است. 

هر آزمودنی در رژیم غذایی کم کربوهیدرات با سوژه دیگری با همان ویژگی‌ها که در رژیم غذایی نیستند، مطابقت دارد. بنابراین برای هر مرد 40 ساله با تحصیلات عالی که از رژیم غذایی کم کربوهیدرات پیروی می کند، مرد 40 ساله دیگری با تحصیلات عالی که این رژیم را دنبال نمی کند، می یابید تا کاهش وزن بین این دو مورد را مقایسه کنید. شما همین کار را برای تمام افراد دیگر در نمونه درمانی خود انجام می دهید.

  • به شما امکان می دهد موضوعات بیشتری را نسبت به محدودیت در نظر بگیرید
  • اجرای آن می تواند دشوار باشد زیرا شما به جفت سوژه هایی نیاز دارید که با هر متغیر مخدوش کننده احتمالی مطابقت داشته باشند
  • متغیرهای دیگری که نمی توانید با آنها مطابقت دهید نیز ممکن است متغیرهای مخدوش کننده باشند

کنترل آماری

اگر قبلاً داده ها را جمع‌آوری کرده اید، می توانید عوامل مخدوش کننده احتمالی را به عنوان متغیرهای کنترلی در مدل های رگرسیونی خود بگنجانید . به این ترتیب، تأثیر متغیر مخدوش کننده را کنترل خواهید کرد.

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

نمونه کنترل آماری
پس از جمع‌آوری داده‌های مربوط به کاهش وزن و رژیم‌های کم کربوهیدرات از طیف وسیعی از شرکت‌کنندگان، در مدل رگرسیونی خود، سطوح ورزش، تحصیلات، سن و جنس را به‌عنوان متغیرهای کنترل، همراه با نوع رژیم غذایی که هر آزمودنی دنبال می‌کند، به‌عنوان متغیر مستقل در نظر می‌گیرید. . 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.
  • پیاده‌سازی آسان
  • پس از جمع‌آوری داده ها قابل انجام است
  • شما فقط می‌توانید متغیرهایی را که مستقیماً مشاهده می‌کنید کنترل کنید، اما متغیرهای مخدوش‌کننده دیگری که آنها را در نظر نگرفته‌اید ممکن است باقی بمانند.

تصادفی سازی

راه دیگر برای به حداقل رساندن تأثیر متغیرهای مخدوش کننده، تصادفی کردن مقادیر متغیر مستقل است. به عنوان مثال، اگر برخی از شرکت کنندگان شما به یک گروه درمانی اختصاص داده شوند در حالی که دیگران در یک گروه کنترل هستند ، می توانید به طور تصادفی شرکت کنندگان را به هر گروه اختصاص دهید.

تصادفی‌سازی تضمین می‌کند که با یک نمونه به اندازه کافی بزرگ، همه متغیرهای مخدوش‌کننده بالقوه – حتی آن‌هایی که نمی‌توانید مستقیماً در مطالعه خود مشاهده کنید – مقدار متوسط ​​یکسانی را بین گروه‌های مختلف داشته باشند. از آنجایی که این متغیرها با انتساب گروهی تفاوتی ندارند، نمی توانند با متغیر مستقل شما ارتباط داشته باشند و بنابراین نمی توانند مطالعه شما را مخدوش کنند.

از آنجایی که این روش به شما امکان می دهد تمام متغیرهای مخدوش کننده بالقوه را محاسبه کنید، که انجام آن در غیر این صورت تقریبا غیرممکن است، اغلب به عنوان بهترین راه برای کاهش تاثیر متغیرهای مخدوش کننده در نظر گرفته می شود.

مثال تصادفی سازی
شما گروه بزرگی از افراد را جمع‌آوری می کنید تا در مطالعه خود در مورد کاهش وزن شرکت کنند. نیمی از آنها را به طور تصادفی برای پیروی از یک رژیم غذایی کم کربوهیدرات و نیمی دیگر را برای ادامه عادات غذایی عادی خود انتخاب می کنید. 

تصادفی‌سازی تضمین می‌کند که هم درمان شما (گروه با رژیم کم کربوهیدرات) و هم گروه کنترل، نه تنها میانگین سن، سطح تحصیلات و تمرینات ورزشی یکسانی داشته باشند، بلکه میانگین‌های یکسانی در سایر ویژگی‌هایی که اندازه‌گیری نکرده‌اید نیز دارند. همچنین.

  • به شما امکان می دهد تمام متغیرهای مخدوش کننده احتمالی را در نظر بگیرید، از جمله آنهایی که ممکن است مستقیماً مشاهده نکنید
  • بهترین روش برای به حداقل رساندن تاثیر متغیرهای مخدوش کننده در نظر گرفته شده است
  • سخت‌ترین اجرا
  • باید قبل از شروع جمع‌آوری داده ها اجرا شود
  • شما باید اطمینان حاصل کنید که فقط کسانی که در گروه درمان (و نه گروه کنترل) هستند، درمان را دریافت می کنند

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *