搜索
自变量也称实验变量，指实验中由实验者所操纵的因素或条件。因变量亦称反应变量，指实验中由于自变量而引起的变化和结果。通常自变量是原因，因变量是结果，二者具有因果关系。实验的目的在于获得和解释这种前因后果。例如：在“唾液淀粉酶在水解淀粉”的实验中，所给定的低温（冰块）、适温（37摄氏度）、高温（沸水浴）就是自变量，而由于低温、适温、高温条件变化，唾液淀粉酶水解淀粉的反应结果也随之变化，这就是因变量。而无关变量也称控制变量，是指实验中除实验变量以外的影响实验现象或结果的因素或条件，和额外变量（指实验中无关变量引起的变化或结果）对应。他们对实验的因变量会产生影响或干扰。如：“唾液淀粉酶在水解淀粉”的实验中，除自变量（低温、适温、高温）以外，试管洁净程度、唾液新鲜程度、可溶性淀粉浓度和纯度、试剂溶液的剂量、浓度和纯度、实验操作程序、温度处理的时间长短等等，都属于无关变量。如果无关变量中的任何一个或几个因素或，对3个实验组的给定不等同、不均衡、不稳定，则会对实验结果造成干扰，产生误差。在实验设计和操作中，要尽量减少无关变量，而且不同的实验组中的无关变量应完全相同，这样就会避免实验结果的差异是由无关变量引起的可能性，便于清晰地研究实验变量（自变量）与反应变量（因变量）的关系。而对照变量很少见这种说法，其实他就是自变量，指各组实验中人为操作的使各组不同的起相互对照作用的因素或条件。节变量(moderator)和中介变量(mediator)是两个重要的统计概念,它们都与回归分析有关。相对于人们关注的自变量和因变量而言,调节变量和中介变量都是第三者,经常被人混淆。从文献上看,存在的问题主要有如下几种:(1)术语混用或换用,两个概念不加区分。例如,在描述同一个过程时,既使用调节过程的术语又使用中介过程的术语(2)术语和概念不一致。如研究的是调节过程,却使用中介的术语。(3)术语和统计分析不一致。如使用了中介变量的术语,却没有做相应的统计分析。出现前面的任何一个问题都会使统计结果解释含糊不清,往往导致错误结论。仅在儿童临床心理和少儿心理方面的研究文献中,Holmbeck就指出了不少误用的例子[。国内涉及中介变量的文章不多,涉及调节变量的就更少。从国外的情况看,一旦这方面的定量分析多起来,误用和混用的情况也就可能多起来,所以让应用工作者正确理解和区分中介变量和调节变量,会用适当的方法进行统计分析,对提高心理科学的研究水平具有积极意义。调节变量的定义如果变量Y与变量X的关系是变量M的函数,称M为调节变量。就是说,Y与X的关系受到第三个变量M的影响。调节变量可以是定性的(如性别、种族、学校类型等),也可以是定量的(如年龄、受教育年限、刺激次数等),它影响因变量和自变量之间关系的方向(正或负)和强弱.例如,学生的学习效果和指导方案的关系,往往受到学生个性的影响:一种指导方案对某类学生很有效,对另一类学生却没有效,从而学生个性是调节变量。又如,学生一般自我概念与某项自我概念(如外貌、体能等)的关系,受到学生对该项自我概念重视程度的影响:很重视外貌的人,长相不好会大大降低其一般自我概念;不重视外貌的人,长相不好对其一般自我概念影响不大,从而对该项自我概念的重视程度是调节变量。中介变量的定义考虑自变量X对因变量Y的影响,如果X通过影响变量M来影响Y,则称M为中介变量。例如,上司的归因研究:下属的表现———上司对下属表现的归因———上司对下属表现的反应,其中的“上司对下属表现的归因”为中介变量。如果一个变量与自变量或因变量相关不大,它不可能成为中介变量,但有可能成为调节变量。理想的调节变量是与自变量和因变量的相关都不大。有的变量,如性别、年龄等,由于不受自变量的影响,自然不能成为中介变量,但许多时候都可以考虑为调节变量。对于给定的自变量和因变量,有的变量做调节变量和中介变量都是合适的,从理论上都可以做出合理的解释。控制变量定义物理学控制变量实验控制变量在工具书中的解释：除自变量之外，一切能使因变量发生变化的变量。这类变量是应该加以控制的，如果不加控制，它也会造成因变量的变化，即自变量和一些未加控制的因素共同造成了因变量的变化,这叫自变量的混淆。因此，只有将自变量以外一切能引起因变量变化的变量控制好，才能弄清实验中的因果关系。控制变量——在实验中，不仅仅只有自变量才是和因变量有关的，于自变量之外往往存在额外相关变量，此类变量简称额外变量，因其必须被想办法控制，在实验中保持恒定不变，又称其为控制变量。统计学应用统计学诞生之初，作用之一就是提供各种数据以供参考，但同时弊端也显现，比如控制某些条件，就会得到某些人意愿的结果。将因果和相关混淆事物之间的关系多种多样，统计上关心的两种关系是因果和相关。前者不难理解，比如说缺水导致歉收；后者对大众却有点生疏，它指的是两者有着相同和相异的变化趋势。相同的趋势叫做正相关，比如一组孩子的身高和体重往往是正相关的，身高越高体重相应越重；相异的则是负相关，比如吃高脂肪的食物越多，患血管疾病的几率越大。这些关系并不是因果关系，不能确定其中一个变量的变化导致了另一个变量的变化。很有可能存在另一个变量影响了它们两个。然而，将相关当作因果确实屡见不鲜。某调查显示，常去网吧和学习成绩低下呈高度正相关，就是说学生去网吧越频繁，学习成绩越差。这不免让人推论，去网吧使成绩变差，但事实情况可能并不存在这种因果关系，而是厌学情绪或者学习障碍导致了学生成绩差和喜欢去网吧。在这个例子中，去网吧的频率和学习成绩可能都受厌学情绪的影响。学生厌学情绪越强烈，去网吧越频繁，同时学习成绩越差。仅仅把相关的两者看作因果，从而将学习不好完全归因于网吧。而禁止学生去网吧，起到的作用很可能十分有限。一个收费昂贵的训练班宣称，他们的学员在毕业后三年都获得了极高的收入。只要仔细检查一下他们统计的数据，会发现这么事实：这些学员在入学前已有一定的经济基础，正因为如此他们才担负得起高昂的学费，则他们增长的收入很大程度上来自于已有的基础。统计数据的真实性统计时需要样本足够大，尽可能减少随机误差带来的干扰。这个“大”在不同的情况下是很不一样的。如果研究的是一所学校，可能选取一到两个班就可以了。可如果涉及的问题是全国性质的，可能人数就要达到数千、数万甚至更大。样本容量有保证是一方面，另一方面是样本选取不能有偏，就是样本能很好的代表总体。如果人们现在做一个调查，看一看最初恢复高考的三年中几所名牌大学入学学生如今的年收入，会得到很高高数字。其实是调查的缺陷，能够准确联系调查的却只有一部分较为成功的人。其中有一些人却不一定愿意接受调查。最后，还不能排除一些人受赞许倾向的影响，有意无意地提高报告自己的收入水平。最终，调查员只回收了那些成功人士的数据，而沉默的大多数却被“统计式”地忽视了。