Làm thế nào có vấn đề để kiểm soát các hiệp phương sai không độc lập trong một nghiên cứu quan sát (tức là không ngẫu nhiên)?


11

Miller và Chapman (2001) cho rằng việc kiểm soát các đồng biến không độc lập có liên quan đến cả hai biến độc lập và phụ thuộc trong một nghiên cứu quan sát (không ngẫu nhiên) là hoàn toàn không phù hợp - mặc dù điều này được thực hiện thường xuyên trong khoa học xã hội. Làm thế nào có vấn đề là làm như vậy? Làm thế nào là cách tốt nhất để đối phó với vấn đề này? Nếu bạn thường xuyên kiểm soát các đồng biến không độc lập trong một nghiên cứu quan sát trong nghiên cứu của riêng bạn, làm thế nào để bạn biện minh cho nó? Cuối cùng, đây có phải là một cuộc chiến đáng để chọn khi tranh luận về phương pháp luận với các đồng nghiệp (nghĩa là nó có thực sự quan trọng không)?

Cảm ơn

Miller, GA, & Chapman, JP (2001). Phân tích hiểu lầm về hiệp phương sai. Tạp chí Tâm lý học bất thường, 110, 40-48. - http://mres.gmu.edu/pmwiki/uploads/Main/ancova.pdf


Câu hỏi sau đây về "giải thích trực quan về đa cộng đồng" có thể là một số trợ giúp trong bối cảnh trên.

Câu trả lời:


4

Nó có vấn đề như mức độ tương quan.

Điều trớ trêu là bạn sẽ không kiểm soát nếu không có mối tương quan dự kiến ​​với một trong các biến. Và, nếu bạn mong đợi biến độc lập của mình ảnh hưởng đến sự phụ thuộc của bạn thì nó nhất thiết phải tương quan với cả hai. Tuy nhiên, nếu nó có tương quan cao với họ thì có lẽ bạn không nên kiểm soát nó vì nó tương đương với việc kiểm soát biến độc lập hoặc phụ thuộc thực tế.


Tôi biết đây là một câu trả lời cũ, nhưng bạn có một số tài liệu tham khảo đi sâu vào chi tiết hơn không. dòng đầu tiên của bạn, đặc biệt là những dòng thảo luận về điều này với tham chiếu rõ ràng đến Miller & Chapman?
jona

4

Trong khoa học xã hội, chúng ta thường gọi vấn đề này là "thiên kiến ​​điều trị". Nếu bạn đang xem xét hiệu quả của một số điều trị (biến độc lập của bạn), bao gồm các biến phát sinh sau điều trị (theo nghĩa nguyên nhân), thì ước tính của bạn về hiệu quả điều trị có thể bị sai lệch. Nếu bạn bao gồm các biến này, thì theo một cách nào đó, bạn đang kiểm soát tác động của điều trị. Nếu điều trị T gây ra kết quả Y và biến A và A khác gây ra Y, thì việc kiểm soát A sẽ bỏ qua tác động mà T gây ra cho Y thông qua A. Sai lệch này có thể dương hoặc âm.

Trong khoa học xã hội, điều này có thể đặc biệt khó khăn vì A có thể gây ra T, vốn phản ứng lại với A và A và T đều gây ra Y. Ví dụ, GDP cao có thể dẫn đến mức độ dân chủ hóa cao (điều trị của chúng ta), dẫn đến GDP cao hơn, GDP cao hơn và dân chủ hóa cao hơn đều dẫn đến tham nhũng của chính phủ ít hơn, nói. Vì GDP gây ra dân chủ hóa, nếu chúng ta không kiểm soát nó, thì chúng ta có vấn đề nội sinh hoặc "sai lệch biến thiên." Nhưng nếu chúng ta kiểm soát GDP, chúng ta có sự thiên vị sau điều trị. Khác với việc sử dụng các thử nghiệm ngẫu nhiên khi chúng tôi có thể, chúng tôi có thể làm rất ít việc khác để điều khiển con tàu của chúng tôi giữa Scylla và Charybdis. Gary King nói về những vấn đề này khi ông được đề cử cho sáng kiến ​​"Những vấn đề khó giải quyết nhất trong khoa học xã hội" của Harvard tại đây .


3

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.


2

Tôi đã đọc trang đầu tiên của bài báo của họ và vì vậy tôi có thể đã hiểu sai quan điểm của họ nhưng dường như tôi đang thảo luận về vấn đề bao gồm các biến độc lập đa cộng tuyến trong phân tích. Ví dụ họ lấy tuổi và lớp minh họa ý tưởng này khi họ nói rằng:

Tuổi tác gắn bó mật thiết với lớp ở trường đến nỗi loại bỏ phương sai trong khả năng bóng rổ liên quan đến tuổi sẽ loại bỏ sự khác biệt đáng kể (có lẽ là gần như tất cả) trong khả năng bóng rổ liên quan đến lớp

ANCOVA là hồi quy tuyến tính với các mức được biểu diễn dưới dạng các biến giả và các biến số cũng xuất hiện dưới dạng các biến độc lập trong phương trình hồi quy. Do đó, trừ khi tôi đã hiểu sai quan điểm của họ (điều này hoàn toàn có thể xảy ra vì tôi chưa đọc hết bài viết của họ), có vẻ như họ đang nói 'không bao gồm các đồng biến phụ thuộc', tương đương với việc tránh các biến đa cộng tuyến.


Đối số của họ liên quan đến các biến không tương quan trên mỗi se, nhưng các biến gần như không thể tách rời với nhau. Các biến mà người ta gần như có thể nói "điều này là vô nghĩa nếu không có điều đó." Thay vì mức độ tương quan, có thể được đánh giá theo thống kê, vấn đề là một vấn đề cần được giải quyết theo khái niệm. Có thể tăng lớp mà không tăng tuổi? Khó khăn. Có thể trầm cảm tăng lên mà không tăng sự lo lắng? Đó là một khó khăn hơn.
rolando2

1

Vấn đề (lớn nhất) là bởi vì (các) biến nhóm và biến số đồng biến với nhau ở phía bên dự đoán của phương trình, biến nhóm là (không) không còn là biến nhóm, chúng là các biến có đồng biến một phần, do đó không còn có thể nhận ra hoặc giải thích được như các biến nhóm mà bạn nghĩ rằng bạn đang nghiên cứu. Rắc rối lớn.

Dòng quan trọng nằm ở trang 45 "ANCOVA loại bỏ phương sai có ý nghĩa khỏi" Nhóm ", để lại một biến nhóm còn lại không bị biến đổi, không có dấu vết với mối quan hệ không chắc chắn với cấu trúc mà Nhóm đại diện".

Giải pháp hiện tại của tôi là tách một phần đồng biến ra khỏi DV, và sau đó gửi phần dư DV cho ANOVA thông thường, như là một cách thay thế cho việc sử dụng ANCOVA.


2
Nhưng nó giống như ancova?!

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.