Posted on 1 października 2018 by Eveliina Ilola

Confounding oznacza zniekształcenie związku między zmiennymi niezależnymi i zależnymi, ponieważ trzecia zmienna jest niezależnie związana z obiema.

Związek przyczynowy między dwiema zmiennymi jest często opisywany jako sposób, w jaki zmienna niezależna wpływa na zmienną zależną. Zmienna niezależna może niezależnie przyjmować różne wartości, a zmienna zależna zmienia się w zależności od wartości zmiennej niezależnej.

Więc, powiedzmy, że chcesz się dowiedzieć, jak spożycie alkoholu wpływa na śmiertelność…

Postanawiasz porównać śmiertelność pomiędzy dwiema grupami – jedną składającą się z osób nadużywających alkoholu i drugą składającą się z osób niepijących. W tym przypadku spożycie alkoholu byłoby zmienną niezależną, a śmiertelność zmienną zależną.

Jeśli stwierdzisz, że ludzie, którzy spożywają więcej alkoholu, częściej umierają, intuicyjny może się wydawać wniosek, że spożywanie alkoholu zwiększa ryzyko śmierci. W rzeczywistości jednak sytuacja może być bardziej złożona. Możliwe, że spożywanie alkoholu nie jest jedynym czynnikiem wpływającym na śmiertelność, który różni te dwie grupy.

Ludzie, którzy spożywają mniej alkoholu, mogą na przykład częściej stosować zdrowszą dietę lub rzadziej palić papierosy. Spożywanie zdrowej diety lub palenie papierosów może z kolei wpływać na śmiertelność. Te inne czynniki wpływu nazywamy zmiennymi zakłócającymi (confounding variables). Jeśli je zignorujemy i założymy, że wszelkie różnice w śmiertelności muszą być spowodowane różnicą w spożyciu alkoholu, możemy otrzymać wyniki, które nie odzwierciedlają rzeczywistości. Można znaleźć powiązania, których w rzeczywistości nie ma, lub nie znaleźć powiązań, które w rzeczywistości istnieją.

Jak zminimalizować wpływ czynników zakłócających podczas projektowania badania

Jeśli badasz efekty interwencji, możesz losowo przypisać ludzi do grupy interwencyjnej i kontrolnej. Celem randomizacji jest równomierne rozłożenie znanych i nieznanych czynników zakłócających pomiędzy dwie grupy. Grupy mogą nadal różnić się potencjalnymi czynnikami zakłócającymi, ale randomizacja minimalizuje te różnice.

W innych typach badań można rozwiązać problem czynników zakłócających poprzez ograniczenie lub dopasowanie. Ograniczenie oznacza badanie tylko tych osób, które są podobne pod względem zmiennej zakłócającej – na przykład, jeśli uważasz, że wiek jest zmienną zakłócającą, możesz wybrać do badania tylko osoby w wieku powyżej 65 lat. (To oczywiście ograniczyłoby możliwość zastosowania wyników do innych grup). Dopasowanie oznacza łączenie osób w pary w dwóch grupach na podstawie potencjalnych czynników zakłócających.

Jak zminimalizować efekty czynników zakłócających podczas analizy statystycznej

Po zakończeniu badania możesz zminimalizować efekty czynników zakłócających za pomocą metod statystycznych.

Jeśli istnieje tylko niewielka liczba potencjalnych czynników zakłócających, możesz zastosować stratyfikację. W stratyfikacji tworzy się mniejsze grupy, w których zmienne zakłócające nie różnią się, a następnie bada się związek między zmienną niezależną i zależną w każdej grupie. W przykładzie, którego użyliśmy wcześniej, można na przykład podzielić próbę na grupy palaczy i niepalących i zbadać związek między używaniem alkoholu a śmiertelnością w każdej z nich.

Jeśli istnieje większa liczba potencjalnych czynników zakłócających, można zastosować analizę wieloczynnikową, na przykład regresję logistyczną lub liniową.

Wnioski

Związek między dwiema zmiennymi może być modyfikowany przez trzecią zmienną, a to może prowadzić do zniekształconych wyników. Nawet po uwzględnieniu tego w projekcie badania i analizie danych dane mogą być zniekształcone przez konfundację – mogą np. istnieć inne czynniki konfundujące, o których nie wiesz – ale pierwszym krokiem do zmniejszenia jej skutków jest świadomość możliwości zniekształcenia wyników i odpowiednie planowanie.

Źródła:

Pourhoseingholi, M. A., Baghestani, A. R., & Vahedi, M. (2012). How to control confounding effects by statistical analysis. Gastroenterology and Hepatology From Bed to Bench, 5(2), 79-83.

Catalogue of bias collaboration, Aronson JK, Bankhead C, Nunan D. Confounding. In Catalogue Of Biases. 2018. https://catalogofbias.org/biases/confounding/

http://www.ucl.ac.uk/ich/short-courses-events/about-stats-courses/stats-rm/chapter_1_content/Confounding_Factors

http://www.ucl.ac.uk/ich/short-courses-events/about-stats-courses/stats-rm/chapter_1_content/Confounding_Factors