मैं कल्पना करता हूं कि आपके अध्ययन डिजाइन में एक चर के लिए नियंत्रित करना आपके प्रतिगमन मॉडल में पोस्ट-हॉक के लिए नियंत्रण करने की तुलना में त्रुटि को कम करने में अधिक प्रभावी है।
क्या कोई व्यक्ति औपचारिक रूप से यह बताएगा कि "नियंत्रण" के ये दो उदाहरण कैसे भिन्न हैं? वे तुलनात्मक रूप से कितने प्रभावी हैं, त्रुटि को कम करने और अधिक सटीक भविष्यवाणियां करने में?
जवाबों:
"अपने अध्ययन के डिजाइन में एक चर के लिए नियंत्रण" करके, मुझे लगता है कि आप का मतलब है कि एक चर सभी अध्ययन इकाइयों के पार स्थिर हो सकता है या एक चर में हेरफेर कर रहा है ताकि उस चर का स्तर स्वतंत्र रूप से प्रत्येक अध्ययन इकाई के लिए निर्धारित हो। यही है, अपने अध्ययन के डिजाइन में एक चर के लिए नियंत्रित करने का मतलब है कि आप एक सच्चे प्रयोग कर रहे हैं । इसका लाभ यह है कि यह कार्य-कारण का अनुमान लगाने में मदद कर सकता है ।
सिद्धांत रूप में, अपने प्रतिगमन मॉडल में एक चर को नियंत्रित करने के भी साथ मदद कर सकते हैं का निष्कर्ष निकालते करणीय। हालाँकि, यह केवल मामला है यदि आप प्रत्येक चर के लिए नियंत्रित करते हैं जिसका प्रतिक्रिया के लिए सीधा कारण संबंध है। यदि आप इस तरह के एक चर को छोड़ देते हैं (शायद आप इसे शामिल करना नहीं जानते थे), और यह किसी भी अन्य चर के साथ सहसंबद्ध है , तो आपके कारण निष्कर्ष पक्षपाती और गलत होंगे। व्यवहार में, हम सभी प्रासंगिक चर नहीं जानते हैं, इसलिए सांख्यिकीय नियंत्रण एक काफी महत्वपूर्ण प्रयास है जो बड़ी मान्यताओं पर निर्भर करता है जिसे आप जांच नहीं सकते हैं।
हालाँकि, आपका प्रश्न "त्रुटि को कम करने और अधिक सटीक भविष्यवाणियां करने के बारे में पूछता है", कार्य-कारण के संदर्भ में नहीं। यह एक अलग मुद्दा है। यदि आप किसी दिए गए चर को अपने अध्ययन डिजाइन के माध्यम से निरंतर बनाते हैं, तो उस चर के कारण प्रतिक्रिया में परिवर्तनशीलता के सभी समाप्त हो जाएंगे। दूसरी ओर, यदि आप केवल एक चर के लिए नियंत्रण करते हैं, तो आप इसके प्रभाव का अनुमान लगा रहे हैं जो न्यूनतम पर नमूना त्रुटि के अधीन है । दूसरे शब्दों में, सांख्यिकीय नियंत्रण आपके नमूने में अवशिष्ट विचरण को कम करने में, लंबे समय में काफी अच्छा नहीं होगा।
लेकिन अगर आप त्रुटि को कम करने और अधिक सटीक भविष्यवाणियां करने में रुचि रखते हैं, तो संभवतः आप मुख्य रूप से नमूना गुणों से बाहर की परवाह करते हैं, न कि आपके नमूने के भीतर सटीक। और उसमें कठिनाई निहित है। जब आप किसी चर को किसी रूप में जोड़कर (इसे स्थिर रखकर, आदि) नियंत्रित करते हैं, तो आप एक स्थिति बनाते हैं जो मूल, प्राकृतिक अवलोकन से अधिक कृत्रिम होती है। अर्थात्, अवलोकन अध्ययनों की तुलना में प्रयोगों में बाहरी वैधता / सामान्यता कम होती है ।
यदि यह स्पष्ट नहीं है, तो एक सच्चे प्रयोग का एक उदाहरण जो कुछ स्थिर रखता है वह एक माउस मॉडल में एक उपचार का आकलन कर सकता है जो कि इनब्रेड चूहों का उपयोग कर रहा है जो सभी आनुवंशिक रूप से समान हैं। दूसरी ओर, एक चर के लिए नियंत्रित करने का एक उदाहरण एक डमी कोड द्वारा बीमारी के पारिवारिक इतिहास का प्रतिनिधित्व कर सकता है और एक बहु प्रतिगमन मॉडल में उस चर सहित (cf., वास्तव में एक "अन्य चर के लिए नियंत्रण" और कैसे करता है ? 2 IV जोड़ने से 1 IV को महत्वपूर्ण बनाया जा सकता है? )।