Jak już powiedziano, kontrolowanie zwykle oznacza włączenie zmiennej do regresji (jak wskazał @EMS, nie gwarantuje to żadnego sukcesu w osiągnięciu tego, łączy się z tym ). Istnieje już kilka wysoko głosowanych pytań i odpowiedzi na ten temat, takich jak:
Przyjęte odpowiedzi na te pytania są bardzo dobrym traktowaniem pytania, które zadajesz w ramach obserwacyjnych (powiedziałbym, że korelacyjne), więcej takich pytań można znaleźć tutaj .
Jednak zadajesz swoje pytanie konkretnie w ramach eksperymentalnej lub ANOVA, możesz podać więcej przemyśleń na ten temat.
W ramach eksperymentu kontrolujesz zmienną, losowo pojedynczo (lub inne jednostki obserwacji) w różnych warunkach eksperymentalnych. Podstawowym założeniem jest, że w konsekwencji jedyną różnicą między warunkami jest leczenie eksperymentalne. Przy prawidłowym losowaniu (tj. Każda osoba ma taką samą szansę na spełnienie każdego warunku) jest to rozsądne założenie. Co więcej, tylko randomizacja pozwala wyciągnąć wnioski przyczynowe z obserwacji, ponieważ jest to jedyny sposób, aby upewnić się, że za wyniki nie odpowiadają inne czynniki.
Może być jednak konieczne kontrolowanie zmiennych w ramach eksperymentu, a mianowicie, gdy istnieje inny znany czynnik, który wpływa również na tę zmienną zależną. Aby zwiększyć moc statystyczną, dobrym pomysłem może być kontrolowanie tej zmiennej. Zwykle stosowaną w tym celu procedurą statystyczną jest analiza kowariancji (ANCOVA), która w zasadzie dodaje również zmienną do modelu.
Teraz pojawia się sedno: aby ANCOVA była rozsądna, absolutnie kluczowe jest, aby przypisanie do grup było losowe i aby zmienna towarzysząca, dla której jest kontrolowana, nie była skorelowana ze zmienną grupującą.
Jest to niestety często ignorowane, co prowadzi do niemożliwych do interpretacji wyników. Naprawdę czytelne wprowadzenie do tego dokładnego problemu (tj. Kiedy używać ANCOVA, czy nie) podaje Miller i Chapman (2001) :
Pomimo licznych technicznych zabiegów w wielu miejscach, analiza kowariancji (ANCOVA) pozostaje powszechnie niewłaściwie stosowanym podejściem do radzenia sobie z istotnymi różnicami grupowymi dotyczącymi potencjalnych zmiennych towarzyszących, szczególnie w badaniach psychopatologicznych. Opublikowane artykuły prowadzą do nieuzasadnionych wniosków, a niektóre teksty statystyczne zaniedbują ten problem. Problem z ANCOVA w takich przypadkach jest weryfikowany. W wielu przypadkach nie ma możliwości osiągnięcia powierzchownie atrakcyjnego celu „korekty” lub „kontrolowania” rzeczywistych różnic grupowych na potencjalnej zmiennej towarzyszącej. W nadziei na ograniczenie niewłaściwego użycia ANCOVA i promowanie właściwego stosowania, zapewniona jest nietechniczna dyskusja, podkreślająca merytoryczny zamęt rzadko wyrażany w podręcznikach i innych ogólnych prezentacjach, w celu uzupełnienia już dostępnych krytyków matematycznych.
Miller, GA i Chapman, JP (2001). Niezrozumienie analizy kowariancji. Journal of Abnormal Psychology , 110 (1), 40–48. doi: 10.1037 / 0021-843X.110.1.40