Bagaimana Anda "mengendalikan" faktor / variabel?

Menurut pemahaman saya, "Kontrol" dapat memiliki dua arti dalam statistik.

1. Kelompok kontrol: Dalam percobaan, tidak ada perawatan yang diberikan kepada anggota kelompok kontrol. Contoh: Placebo vs Obat: Anda memberikan obat ke satu kelompok dan bukan ke kelompok lain (kontrol), yang juga disebut sebagai "percobaan terkontrol".

2. Kontrol untuk variabel: Teknik memisahkan pengaruh variabel independen tertentu. Beberapa nama lain yang diberikan untuk teknik ini adalah, "akuntansi untuk", "memegang konstan", "mengendalikan", beberapa variabel. Misalnya: Dalam studi menonton Sepak Bola (suka atau tidak suka), Anda mungkin ingin menghilangkan efek gender karena kami pikir gender menyebabkan bias, yaitu, pria mungkin lebih menyukainya daripada wanita.

Jadi, pertanyaan saya untuk poin (2). Dua pertanyaan:

Bagaimana Anda "mengontrol" / "memperhitungkan" variabel, secara umum. Teknik apa yang digunakan? (Dalam hal regresi, kerangka ANOVA).

Dalam contoh di atas, apakah memilih pria dan wanita secara acak merupakan kontrol? Yaitu, apakah "keacakan" salah satu teknik untuk mengendalikan efek lain?

Seperti yang sudah dikatakan, mengendalikan biasanya berarti memasukkan variabel dalam regresi (seperti yang ditunjukkan oleh @EMS, ini tidak menjamin keberhasilan dalam mencapai ini, ia terhubung ke ini ). Sudah ada beberapa pertanyaan dan jawaban yang sangat penting tentang topik ini, seperti:

• Bagaimana tepatnya satu "kontrol untuk variabel lain"?
• Apakah ada perbedaan antara 'mengendalikan untuk' dan 'mengabaikan' variabel lain dalam regresi berganda?
• Jelaskan penyesuaian model, dalam bahasa Inggris yang sederhana

Jawaban yang diterima pada pertanyaan-pertanyaan ini adalah semua perawatan yang sangat baik dari pertanyaan yang Anda ajukan dalam kerangka pengamatan (saya akan mengatakan korelasional), lebih banyak pertanyaan seperti itu dapat ditemukan di sini .

Namun, Anda mengajukan pertanyaan Anda secara khusus dalam kerangka kerja eksperimental atau ANOVA, beberapa pemikiran tentang topik ini dapat diberikan.

Dalam kerangka kerja eksperimental Anda mengontrol variabel dengan mengacak individu (atau unit pengamatan lainnya) pada kondisi eksperimental yang berbeda. Asumsi yang mendasarinya adalah bahwa sebagai akibatnya satu-satunya perbedaan antara kondisi adalah perlakuan eksperimental. Ketika mengacak dengan benar (yaitu, setiap individu memiliki peluang yang sama untuk berada di setiap kondisi) ini adalah asumsi yang masuk akal. Selain itu, hanya pengacakan yang memungkinkan Anda untuk menarik kesimpulan kausal dari pengamatan Anda karena ini adalah satu-satunya cara untuk memastikan bahwa tidak ada faktor lain yang bertanggung jawab atas hasil Anda.

Namun, dapat juga diperlukan untuk mengontrol variabel dalam kerangka kerja eksperimental, yaitu ketika ada faktor lain yang diketahui yang juga mempengaruhi variabel dependen itu. Untuk meningkatkan kekuatan statistik dan kemudian bisa menjadi ide yang baik untuk mengendalikan variabel ini. Prosedur statistik yang biasa digunakan untuk ini adalah analisis kovarians (ANCOVA), yang pada dasarnya juga hanya menambahkan variabel ke model.

Sekarang tiba pada intinya: Agar ANCOVA masuk akal, sangat penting bahwa penugasan kepada kelompok adalah acak dan bahwa kovariat yang dikontrolnya tidak berkorelasi dengan variabel pengelompokan.
Sayangnya hal ini sering diabaikan sehingga menyebabkan hasil yang tidak dapat diinterpretasikan. Pengantar yang sangat mudah dibaca untuk masalah persis ini (yaitu, kapan harus menggunakan ANCOVA atau tidak) diberikan oleh Miller & Chapman (2001) :

Meskipun banyak perawatan teknis di banyak tempat, analisis kovarians (ANCOVA) tetap menjadi pendekatan yang disalahgunakan secara luas untuk menangani perbedaan kelompok substantif pada kovariat potensial, terutama dalam penelitian psikopatologi. Artikel yang dipublikasikan mencapai kesimpulan yang tidak berdasar, dan beberapa teks statistik mengabaikan masalah tersebut. Masalah dengan ANCOVA dalam kasus tersebut ditinjau. Dalam banyak kasus, tidak ada cara untuk mencapai tujuan yang menarik secara dangkal dari "mengoreksi" atau "mengendalikan" perbedaan kelompok nyata pada kovariat potensial. Dengan harapan mengurangi penyalahgunaan ANCOVA dan mempromosikan penggunaan yang tepat, sebuah diskusi nonteknis disediakan, dengan menekankan suatu gangguan substantif yang jarang diartikulasikan dalam buku teks dan presentasi umum lainnya, untuk melengkapi kritik matematika yang sudah tersedia.

Miller, GA, & Chapman, JP (2001). Analisis kesalahpahaman kovarian. Jurnal Abnormal Psychology , 110 (1), 40-48. doi: 10.1037 / 0021-843X.110.1.40

Untuk mengontrol suatu variabel, seseorang dapat menyamakan dua kelompok pada sifat yang relevan dan kemudian membandingkan perbedaan pada masalah yang Anda teliti. Saya hanya bisa menjelaskan ini dengan sebuah contoh, tidak secara formal, B-school sudah bertahun-tahun lalu, jadi ada.

Jika Anda mengatakan:

Brasil lebih kaya daripada Swiss karena Brasil memiliki pendapatan nasional $ 3524 miliar dan Swiss hanya 551 miliar

Anda akan benar secara absolut, tetapi siapa pun yang berusia di atas 12 dengan pengetahuan yang lewat tentang dunia akan curiga bahwa ada yang salah dengan pernyataan itu juga.

Akan lebih baik untuk meningkatkan populasi Switzerlands ke Brasil dan kemudian membandingkan pendapatan lagi. Jadi, jika populasi Switzerlands adalah sebesar Brasil, pendapatan mereka adalah:

(210 juta / 8,5 juta) * 551 miliar dolar = 13612 miliar dolar

Ini membuat mereka sekitar 4 kali lebih kaya dari Brasil dengan 3524 miliar dolar.

Dan ya, Anda juga dapat mengambil pendekatan per kapita, di mana Anda membandingkan pendapatan rata-rata. Namun pendekatan di atas, Anda bisa menerapkannya beberapa kali.