Như tôi thấy, có hai vấn đề cơ bản với các nghiên cứu quan sát là "kiểm soát" một số biến độc lập. 1) Bạn có vấn đề thiếu các biến giải thích và do đó mô hình sai chính tả. 2) Bạn có vấn đề về nhiều biến độc lập tương quan - một vấn đề không tồn tại trong các thí nghiệm được thiết kế (cũng) - và thực tế là các hệ số hồi quy và phép thử ANCOVA của các hiệp phương sai dựa trên các phần, khiến chúng khó diễn giải. Đầu tiên là bản chất của nghiên cứu quan sát và được giải quyết trong bối cảnh khoa học và quá trình xây dựng cạnh tranh. Vấn đề thứ hai là vấn đề giáo dục và dựa trên sự hiểu biết rõ ràng về mô hình hồi quy và mô hình ANCOVA và chính xác những gì các hệ số đó thể hiện.
Đối với vấn đề đầu tiên, thật dễ dàng để chứng minh rằng nếu tất cả các ảnh hưởng đến một số biến phụ thuộc được biết và đưa vào một mô hình, các phương pháp kiểm soát thống kê có hiệu quả và đưa ra dự đoán và ước tính hiệu ứng tốt cho các biến riêng lẻ. Vấn đề trong "khoa học mềm" là tất cả các ảnh hưởng có liên quan hiếm khi được đưa vào hoặc thậm chí được biết đến và do đó các mô hình được chỉ định kém và khó diễn giải. Tuy nhiên, nhiều vấn đề đáng giá tồn tại trong các lĩnh vực này. Các câu trả lời đơn giản là thiếu chắc chắn. Vẻ đẹp của quá trình khoa học là nó tự sửa lỗi và các mô hình được đặt câu hỏi, xây dựng và tinh chế. Cách khác là đề xuất rằng chúng ta không thể điều tra các vấn đề này một cách khoa học khi chúng ta không thể thiết kế các thí nghiệm.
Vấn đề thứ hai là một vấn đề kỹ thuật về bản chất của ANCOVA và mô hình hồi quy. Các nhà phân tích cần phải rõ ràng về những gì các hệ số và kiểm tra đại diện. Mối tương quan giữa các biến độc lập ảnh hưởng đến hệ số hồi quy và xét nghiệm ANCOVA. Họ là những bài kiểm tra của partials. Các mô hình này đưa ra phương sai trong một biến độc lập nhất định và biến phụ thuộc được liên kết với tất cả các biến khác trong mô hình và sau đó kiểm tra mối quan hệ trong các phần dư đó. Do đó, các hệ số và kiểm tra riêng lẻ rất khó diễn giải bên ngoài bối cảnh của sự hiểu biết khái niệm rõ ràng về toàn bộ tập hợp các biến được bao gồm và mối liên hệ của chúng. Tuy nhiên, điều này tạo ra KHÔNG có vấn đề cho dự đoán - chỉ cần thận trọng trong việc diễn giải các bài kiểm tra và hệ số cụ thể.
Lưu ý bên lề: Vấn đề thứ hai liên quan đến một vấn đề được thảo luận trước đây trong diễn đàn này về việc đảo ngược các dấu hiệu hồi quy - ví dụ: từ tiêu cực sang tích cực - khi các yếu tố dự đoán khác được đưa vào mô hình. Với sự có mặt của các yếu tố dự đoán tương quan và không có sự hiểu biết rõ ràng về mối quan hệ đa dạng và phức tạp giữa toàn bộ các yếu tố dự đoán, không có lý do gì để BẮT ĐẦU một hệ số hồi quy (một phần tự nhiên) để có một dấu hiệu cụ thể. Khi có lý thuyết mạnh mẽ và sự hiểu biết rõ ràng về các mối tương quan đó, dấu hiệu "đảo ngược" như vậy có thể được khai sáng và hữu ích về mặt lý thuyết. Mặc dù, với sự phức tạp của nhiều vấn đề khoa học xã hội, sự hiểu biết đầy đủ sẽ không phổ biến, tôi mong đợi.
Tuyên bố miễn trừ trách nhiệm: Tôi là một nhà xã hội học và phân tích chính sách công bằng cách đào tạo.