Nel contesto di un’indagine di ricerca, i concetti sono generalmente indicati come variabili. Una variabile è, come si applica il nome, qualcosa che varia. Età, sesso, esportazione, entrate e spese, dimensione della famiglia, paese di nascita, spese in conto capitale, classi di classe, letture della pressione sanguigna, livelli di ansia preoperatoria, colore degli occhi e tipo di veicolo sono tutti esempi di variabili perché ciascuna di queste proprietà varia o differisce da un individuo all’altro.
Definizione di variabile nella ricerca
Una variabile è qualsiasi proprietà, una caratteristica, un numero o una quantità che aumenta o diminuisce nel tempo o può assumere valori diversi (al contrario delle costanti, come n, che non variano) in diverse situazioni.
Quando si conducono ricerche, gli esperimenti spesso manipolano le variabili. Ad esempio, uno sperimentatore potrebbe confrontare l’efficacia di quattro tipi di fertilizzanti.
In questo caso, la variabile è il ‘tipo di fertilizzanti’. Uno scienziato sociale può esaminare il possibile effetto del matrimonio precoce sul divorzio.
Qui il matrimonio precoce è la variabile. Un ricercatore aziendale può trovare utile includere il dividendo nel determinare i prezzi delle azioni. Qui dividendo è la variabile.
L’efficacia, il divorzio e i prezzi delle azioni sono anche variabili perché variano anche a causa della manipolazione di fertilizzanti, matrimoni precoci e dividendi.
Tipi di variabili
- Variabili qualitative.
- Variabili quantitative.
- Variabile discreta.
- Variabile continua.
- Variabili dipendenti.
- Variabili indipendenti.
- Variabile di sfondo.
- Variabile moderatrice.
- Variabile estranea.
- Variabile di intervento.
- Variabile soppressore.
Variabili qualitative
Un’importante distinzione tra variabili è tra la variabile qualitativa e la variabile quantitativa.
Le variabili qualitative sono quelle che esprimono un attributo qualitativo come il colore dei capelli, la religione, la razza, il genere, lo stato sociale, il metodo di pagamento e così via. I valori di una variabile qualitativa non implicano un ordinamento numerico significativo.
Il valore della variabile ‘ religione ‘(musulmano, indù,.., ecc.) differisce qualitativamente; nessun ordine di religione è implicito. Le variabili qualitative sono a volte indicate come variabili categoriali.
Ad esempio, il sesso variabile ha due categorie distinte: ‘maschio’ e ‘femmina.”Poiché i valori di questa variabile sono espressi in categorie, ci riferiamo a questa come variabile categoriale.
Allo stesso modo, il luogo di residenza può essere classificato come urbano e rurale e quindi è una variabile categoriale.
Le variabili categoriali possono essere nuovamente descritte come nominali e ordinali.
Le variabili ordinali sono quelle che possono essere ordinate logicamente o classificate più in alto o più in basso di un’altra ma non necessariamente stabiliscono una differenza numerica tra ciascuna categoria, come i gradi di esame (A+, A, B+, ecc., formato dei vestiti (Extra large, grande, medio, piccolo).
Le variabili nominali sono quelle che non possono essere né classificate né ordinate logicamente, come religione, sesso, ecc.
Una variabile qualitativa è una caratteristica che non è in grado di essere misurata ma può essere categorizzata per possedere o non possedere alcune caratteristiche.
Variabili quantitative
Le variabili quantitative, chiamate anche variabili numeriche, sono quelle variabili che vengono misurate in termini di numeri. Un semplice esempio di una variabile quantitativa è l’età di una persona.
L’età può assumere valori diversi perché una persona può avere 20 anni, 35 anni e così via. Allo stesso modo, la dimensione della famiglia è una variabile quantitativa, perché una famiglia potrebbe essere composta da uno, due, tre membri e così via.
Cioè, ciascuna di queste proprietà o caratteristiche di cui sopra varia o differisce da un individuo all’altro. Si noti che queste variabili sono espresse in numeri, per i quali le chiamiamo variabili quantitative o talvolta numeriche.
Una variabile quantitativa è quella per la quale le osservazioni risultanti sono numeriche e quindi possiede un ordinamento o una classifica naturale.
Variabili discrete e continue
Le variabili quantitative sono di nuovo di due tipi: discrete e continue.
Le variabili come alcuni bambini in una famiglia o il numero di articoli difettosi in una scatola sono variabili discrete poiché i punteggi possibili sono discreti sulla scala.
Ad esempio, una famiglia potrebbe avere tre o cinque figli, ma non 4,52 bambini.
Altre variabili, come “tempo necessario per completare un test MCQ” e “tempo di attesa in una coda davanti a uno sportello bancario”, sono esempi di variabile continua.
Il tempo richiesto negli esempi precedenti è una variabile continua, che potrebbe essere, ad esempio, 1,65 minuti o potrebbe essere 1,6584795214 minuti.
Naturalmente, gli aspetti pratici della misurazione impediscono che la maggior parte delle variabili misurate siano continue.
Variabile discreta
Definizione 2.6: Una variabile discreta, limitata a determinati valori, di solito (ma non necessariamente) è costituita da numeri interi, come la dimensione della famiglia, il numero di articoli difettosi in una scatola. Sono spesso i risultati dell’enumerazione o del conteggio.
Alcuni altri esempi sono;
- Il numero di incidenti nei dodici mesi.
- Il numero di carte mobili vendute in un negozio entro sette giorni.
- Il numero di pazienti ricoverati in un ospedale per un periodo specificato.
- Il numero di nuove filiali di una banca aperte ogni anno nel periodo 2001-2007.
- Il numero di visite settimanali effettuate dal personale sanitario negli ultimi 12 mesi.
Variabile continua
Una variabile continua è quella che può assumere un numero infinito di valori intermedi lungo un intervallo specificato. Esempi sono:
- Il livello di zucchero nel corpo umano;
- lettura della pressione Sanguigna;
- Temperatura
- Altezza o il peso del corpo umano;
- Tasso di interesse bancari;
- tasso Interno di rendimento (IRR),
- Earning ratio (ER);
- Rapporto corrente (CR)
Non importa quanto vicino due osservazioni potrebbero essere, se lo strumento di misura è abbastanza preciso, una terza osservazione può essere trovato, che cadrà tra i primi due.
Una variabile continua risulta generalmente dalla misurazione e può assumere innumerevoli valori nell’intervallo specificato.
Variabili dipendenti e indipendenti
In molte impostazioni di ricerca, ci sono due classi specifiche di variabili che devono essere distinte l’una dall’altra, variabile indipendente e variabile dipendente.
Molti studi di ricerca mirano a non rivelare e comprendere le cause dei fenomeni o dei problemi sottostanti con l’obiettivo finale di stabilire una relazione causale tra di loro.
Guarda le seguenti affermazioni:
- La bassa assunzione di cibo causa sottopeso.
- Il fumo aumenta il rischio di cancro ai polmoni.
- Il livello di istruzione influenza la soddisfazione sul lavoro.
- Pubblicità aiuta nella promozione delle vendite.
- Il farmaco provoca il miglioramento di un problema di salute.
- L’intervento infermieristico causa un recupero più rapido.
- Precedenti esperienze lavorative determinano lo stipendio iniziale.
- I mirtilli rallentano l’invecchiamento.
- Il dividendo per azione determina i prezzi delle azioni.
In ciascuna delle query di cui sopra, abbiamo due variabili: una indipendente e una dipendente. Nel primo esempio, si ritiene che la ‘bassa assunzione di cibo ‘abbia causato il ‘ problema del sottopeso.’
È quindi la cosiddetta variabile indipendente. Il sottopeso è la variabile dipendente perché crediamo che questo “problema” (il problema del sottopeso) sia stato causato dalla “bassa assunzione di cibo” (il fattore).
Allo stesso modo, il fumo, il dividendo e la pubblicità sono tutte variabili indipendenti, e il cancro ai polmoni, la soddisfazione sul lavoro e le vendite sono variabili dipendenti.
In generale, una variabile indipendente viene manipolata dallo sperimentatore o dal ricercatore e vengono misurati i suoi effetti sulla variabile dipendente.
Variabile indipendente
La variabile utilizzata per descrivere o misurare il fattore che si presume causi o almeno influenzi il problema o il risultato è chiamata variabile indipendente.
La definizione implica che lo sperimentatore usa la variabile indipendente per descrivere o spiegare l’influenza o l’effetto di essa sulla variabile dipendente.
Si presume che la variabilità della variabile dipendente dipenda dalla variabilità della variabile indipendente.
A seconda del contesto, una variabile indipendente è talvolta chiamata variabile predittiva, regressore, variabile controllata, variabile manipolata, variabile esplicativa, variabile di esposizione (usata nella teoria dell’affidabilità), fattore di rischio (usato nelle statistiche mediche), caratteristica (usata nell’apprendimento automatico e nel riconoscimento di pattern) o variabile di input.
La variabile esplicativa è preferita da alcuni autori rispetto alla variabile indipendente quando le quantità trattate come variabili indipendenti potrebbero non essere statisticamente indipendenti o manipolabili indipendentemente dal ricercatore.
Se la variabile indipendente viene indicata come variabile esplicativa, il termine variabile di risposta viene preferito da alcuni autori per la variabile dipendente.
Variabile dipendente
La variabile utilizzata per descrivere o misurare il problema o il risultato in studio è chiamata variabile dipendente.
In una relazione causale, la causa è la variabile indipendente e l’effetto è la variabile dipendente. Se ipotizziamo che il fumo causi il cancro ai polmoni, il ‘fumo’ è la variabile indipendente e il cancro la variabile dipendente.
Un ricercatore aziendale può trovare utile includere il dividendo nel determinare i prezzi delle azioni. Qui il dividendo è la variabile indipendente, mentre il prezzo delle azioni è la variabile dipendente.
La variabile dipendente di solito è la variabile che il ricercatore è interessato a comprendere, spiegare o prevedere.
Nella ricerca sul cancro del polmone, è il carcinoma che è di reale interesse per il ricercatore, non il comportamento del fumo di per sé. La variabile indipendente è la presunta causa, antecedente o influenza sulla variabile dipendente.
A seconda del contesto, una variabile dipendente viene talvolta chiamata variabile di risposta, regressand, variabile prevista, variabile misurata, variabile spiegata, variabile sperimentale, variabile di risposta, variabile di risultato, variabile di output o etichetta.
Una variabile spiegata è preferita da alcuni autori rispetto alla variabile dipendente quando le quantità trattate come variabili dipendenti potrebbero non essere statisticamente dipendenti.
Se la variabile dipendente viene indicata come variabile spiegata, alcuni autori preferiscono la variabile predittiva termine per la variabile indipendente.
Livelli di una variabile indipendente
Se uno sperimentatore confronta un trattamento sperimentale con un trattamento di controllo, la variabile indipendente (un tipo di trattamento) ha due livelli: sperimentale e di controllo.
Se un esperimento dovesse confrontare cinque tipi di diete, allora le variabili indipendenti (tipi di dieta) avrebbero cinque livelli.
In generale, il numero di livelli di una variabile indipendente è il numero di condizioni sperimentali.
Variabile di sfondo
In quasi tutti gli studi, raccogliamo informazioni come età, sesso, livello di istruzione, stato socioeconomico, stato civile, religione, luogo di nascita e simili. Queste variabili sono indicate come variabili di fondo.
Queste variabili sono spesso correlate a molte variabili indipendenti in modo che influenzino indirettamente il problema. Quindi sono chiamate variabili di sfondo.
Se le variabili di fondo sono importanti per lo studio, dovrebbero essere misurate. Tuttavia, dovremmo cercare di mantenere il numero di variabili di fondo il meno possibile nell’interesse dell’economia.
Variabile moderatrice
In qualsiasi dichiarazione di relazioni di variabili, si ipotizza normalmente che in qualche modo la variabile indipendente “causi” il verificarsi della variabile dipendente. Nelle relazioni semplici, tutte le altre variabili sono estranee e vengono ignorate. Nelle situazioni di studio reali, una relazione così semplice uno-a-uno deve essere rivista per tenere conto di altre variabili per spiegare meglio la relazione.
Ciò sottolinea la necessità di considerare una seconda variabile indipendente che dovrebbe avere un significativo effetto contributivo o contingente sulla relazione dipendente-indipendente originariamente dichiarata. Tale variabile è definita una variabile moderatrice.
Supponiamo che tu stia studiando l’impatto della formazione sul campo e in classe sulle prestazioni lavorative dei lavoratori della salute e della pianificazione familiare, consideri il tipo di formazione come la variabile indipendente.
Se ti stai concentrando sulla relazione tra l’età dei tirocinanti e le prestazioni lavorative, potresti usare il “tipo di formazione” come variabile moderatrice.
Variabile estranea
La maggior parte degli studi riguarda l’identificazione di una singola variabile indipendente e la misurazione del suo effetto sulla variabile dipendente.
Ma ancora, diverse variabili potrebbero in teoria influenzare la nostra ipotizzata relazione variabile indipendente-dipendente, distorcendo così lo studio. Queste variabili sono indicate come variabili estranee.
Le variabili estranee non fanno necessariamente parte dello studio. Esercitano un effetto confondente sulla relazione dipendente-indipendente e quindi devono essere eliminati o controllati per.
Un esempio può illustrare il concetto di variabili estranee. Supponiamo che siamo interessati ad esaminare la relazione tra lo stato di lavoro delle madri e la durata dell’allattamento al seno.
Non è irragionevole in questo caso presumere che il livello di istruzione delle madri in quanto influenza lo stato di lavoro potrebbe avere un impatto anche sulla durata dell’allattamento al seno.
L’istruzione è trattata qui come una variabile estranea. In qualsiasi tentativo di eliminare o controllare l’effetto di questa variabile, possiamo considerare questa variabile come una variabile confondente.
Un modo appropriato di trattare le variabili confondenti è seguire la procedura di stratificazione, che comporta un’analisi separata per i diversi livelli di variabili confondenti di lies.
A questo scopo, si possono costruire due tabelle incrociate: una per le madri analfabete e l’altra per le madri alfabetizzate. Se troviamo un’associazione simile tra lo stato del lavoro e la durata dell’allattamento al seno in entrambi i gruppi di madri, concludiamo che il livello di istruzione delle madri non è una variabile confondente.
Variabile intermedia
Spesso una relazione apparente tra due variabili è causata da una terza variabile.
Ad esempio, le variabili X e Y possono essere altamente correlate, ma solo perché X causa la terza variabile, Z, che a sua volta causa Y. In questo caso, Z è la variabile intermedia.
Una variabile interventista influisce teoricamente sui fenomeni osservati ma non può essere vista, misurata o manipolata direttamente; i suoi effetti possono essere dedotti solo dagli effetti delle variabili indipendenti e moderatrici sui fenomeni osservati.
Nella relazione lavoro-stato e allattamento al seno, potremmo vedere la motivazione o la consulenza come la variabile intermedia.
Quindi, motivo, soddisfazione sul lavoro, responsabilità, comportamento, giustizia sono alcuni degli esempi di variabili intervenienti.
Variabile soppressore
In molti casi, abbiamo buone ragioni per credere che le variabili di interesse abbiano una relazione al loro interno, ma i nostri dati non riescono a stabilire tale relazione. Alcuni fattori nascosti possono sopprimere la vera relazione tra le due variabili originali.
Tale fattore viene definito variabile soppressore perché sopprime la relazione effettiva tra le altre due variabili.
La variabile soppressore sopprime la relazione essendo correlata positivamente con una delle variabili nella relazione e correlata negativamente con l’altra. La vera relazione tra le due variabili riapparirà quando la variabile soppressore è controllata per.
Così, per esempio, bassa età può tirare l’istruzione, ma il reddito verso il basso. Al contrario, un’età elevata può aumentare il reddito ma abbassare l’istruzione, annullando efficacemente il rapporto tra istruzione e reddito a meno che l’età non sia controllata.
Concetto
Il concetto è un nome dato a una categoria che organizza osservazioni e idee dal loro possesso di caratteristiche comuni. Come dice brevemente Bulmer, i concetti sono categorie per l’organizzazione di idee e osservazioni (Bulmer, 1984:43).
Se un concetto deve essere impiegato nella ricerca quantitativa, dovrà essere misurato. Una volta misurati, i concetti possono essere sotto forma di variabili indipendenti o dipendenti.
In altre parole, i concetti possono spiegare (variabile esplicativa) di un certo aspetto del mondo sociale, o possono rappresentare cose che vogliamo spiegare (variabile dipendente).
Esempi di concetti sono la mobilità sociale, l’ortodossia religiosa, la classe sociale, la cultura, lo stile di vita, i risultati accademici e simili.
Indicatore
Un indicatore è una misura che viene utilizzata per riferirsi a un concetto quando non è disponibile alcuna misura diretta. Usiamo indicatori per toccare concetti che sono meno direttamente quantificabili.
Per capire cos’è un indicatore, vale la pena fare una distinzione tra una misura e un indicatore. Un indicatore può essere preso per riferirsi a cose contate in modo relativamente inequivocabile, come reddito, età, numero di figli, ecc.
Le misure, in altre parole, sono quantità. Se siamo interessati ad alcune delle cause della variazione del reddito, queste ultime possono essere quantificate in modo ragionevolmente diretto.
Usiamo indicatori per toccare concetti che sono meno direttamente quantificabili. Se siamo interessati alle cause della variazione della soddisfazione sul lavoro, avremo bisogno di indicatori che rappresentino il concetto.
Questi indicatori consentono di misurare la soddisfazione sul lavoro e possiamo trattare le informazioni quantitative risultanti come se si trattasse di una misura.
Un indicatore, quindi, è qualcosa che è ideato o già esiste, e che viene impiegato come se fosse una misura di un concetto.
È visto come una misura indiretta di un concetto, come la soddisfazione sul lavoro. Un QI è un ulteriore esempio, in quanto è una batteria di indicatori del concetto di intelligenza.
Construct
Un costrutto è un’astrazione o un concetto deliberatamente inventato o costruito da un ricercatore per uno scopo scientifico.
In una teoria scientifica, in particolare all’interno della psicologia, un costrutto ipotetico è una variabile esplicativa che non è direttamente osservabile.
Ad esempio, i concetti di intelligenza e motivazione sono usati per spiegare i fenomeni in psicologia, ma nessuno dei due è direttamente osservabile.
Un costrutto ipotetico differisce da una variabile intermedia in quanto il costrutto ha proprietà e implicazioni che non sono state dimostrate nella ricerca empirica. Questi servono come guida per ulteriori ricerche. Una variabile intermedia, d’altra parte, è una sintesi dei risultati empirici osservati.
Cronbach e Meehl (1955) definiscono un costrutto ipotetico come un concetto per il quale non esiste un singolo referente osservabile, che non può essere osservato direttamente, e per il quale esistono più referenti, ma nessuno onnicomprensivo.
Ad esempio, secondo Cronbach e Meehl, un pesce non è un costrutto ipotetico perché, nonostante la variazione di specie e varietà di pesci, esiste una definizione concordata per un pesce con caratteristiche specifiche che distinguono un pesce da un uccello.
Inoltre, i pesci possono essere osservati direttamente.
D’altra parte, un costrutto ipotetico non ha un singolo referente; piuttosto, i costrutti ipotetici consistono in gruppi di comportamenti, atteggiamenti, processi ed esperienze funzionalmente correlati.
Invece di vedere l’intelligenza, l’amore o la paura, vediamo indicatori o manifestazioni di ciò che abbiamo accettato di chiamare intelligenza, amore o paura.
Altri esempi di costrutti:
- In Biologia: Geni, evoluzione, malattia, tassonomia, immunità
- In Fisica/Astrofisica: Buchi neri, Big Bang, Materia oscura, Teoria delle stringhe, fisica molecolare o atomi, gravità, centro di massa
- In Psicologia: Intelligenza o conoscenza, emozioni, personalità, stati d’animo.
Proprietà delle relazioni tra variabili
Nel trattare le relazioni tra variabili nella ricerca, osserviamo una varietà di dimensioni in queste relazioni. Ne discutiamo alcuni di seguito.
Relazione positiva e negativa
Due o più variabili possono avere una relazione positiva, negativa o nulla. Nel caso di due variabili, una relazione positiva è quella in cui entrambe le variabili variano nella stessa direzione.
Tuttavia, quando variano in direzioni opposte, si dice che abbiano una relazione negativa. Quando un cambiamento nell’altra variabile non accompagna il cambiamento o il movimento di una variabile, diciamo che le variabili in questione non sono correlate.
Ad esempio, se un aumento del suo tasso salariale accompagna la propria esperienza lavorativa, il rapporto tra esperienza lavorativa e tasso salariale è positivo.
Se un aumento del livello di istruzione di un individuo diminuisce il suo desiderio di ulteriori figli, la relazione è negativa o inversa. Se il livello di istruzione non ha alcuna influenza sul desiderio, diciamo che le variabili “desiderio di ulteriori figli” e “educazione” non sono correlate.
Forza della relazione
Una volta stabilito che due variabili sono effettivamente correlate, vogliamo accertare quanto siano fortemente correlate.
Una statistica comune per misurare la forza di una relazione è il cosiddetto coefficiente di correlazione simboleggiato da r. r è una misura senza unità, compresa tra -1 e +1, con zero che significa nessuna relazione lineare.
Per quanto riguarda la previsione di una variabile dalla conoscenza dell’altra variabile, un valore di r= +1 significa una precisione del 100% nella previsione di una relazione positiva tra le due variabili e un valore di r = -1 significa una precisione del 100% nella previsione di una relazione negativa tra le due variabili.
Relazione simmetrica
Finora, abbiamo discusso solo relazioni simmetriche in cui un cambiamento nell’altra variabile accompagna un cambiamento in entrambe le variabili. Questa relazione non indica quale variabile è la variabile indipendente e quale variabile è la variabile dipendente.
In altre parole, è possibile etichettare una delle variabili come variabile indipendente.
Tale relazione è una relazione simmetrica. In una relazione asimmetrica, il cambiamento nella variabile X (diciamo) è accompagnato da un cambiamento nella variabile Y, ma non viceversa.
La quantità di precipitazioni, ad esempio, aumenterà la produttività, ma la produttività non influirà sulle precipitazioni. Questa è una relazione asimmetrica.
Allo stesso modo, la relazione tra fumo e cancro ai polmoni sarebbe asimmetrica perché il fumo potrebbe causare il cancro, ma il cancro ai polmoni non potrebbe causare il fumo.
Relazione causale
L’indicazione di una relazione tra due variabili non garantisce automaticamente che i cambiamenti in una variabile causino cambiamenti in un’altra variabile.
È, tuttavia, molto difficile stabilire l’esistenza di causalità tra le variabili. Mentre nessuno può mai essere certo che la variabile A causi la variabile B, tuttavia, si possono raccogliere alcune prove che aumentano la nostra convinzione che A porti a B.
Nel tentativo di farlo, cerchiamo le seguenti prove:
- Esiste una relazione tra A e B? Quando tale prova esiste, è un’indicazione di un possibile nesso causale tra le variabili.
- La relazione è asimmetrica in modo che un cambiamento in A si traduca in un cambiamento in B ma non viceversa? In altre parole, A si verifica prima di B? Se scopriamo che B si verifica prima di A, possiamo avere poca fiducia che A causa
- Un cambiamento in Un risultato in un cambiamento in B indipendentemente dalle azioni di altri fattori? O in altre parole, è possibile eliminare altre possibili cause di B? Si può determinare che C, D ed E (diciamo) non co-variano con B in un modo che suggerisce possibili connessioni causali?
Relazione lineare e non lineare
Una relazione lineare è una relazione retta tra due variabili, in cui le variabili variano alla stessa velocità indipendentemente dal fatto che i valori siano bassi, alti o intermedi.
Questo è in contrasto con le relazioni non lineari (o curvilinee) in cui la velocità con cui una variabile cambia valore, può essere diversa per diversi valori della seconda variabile.
Se una variabile è linearmente correlata all’altra variabile o meno può essere semplicemente accertata tracciando i valori K contro i valori X. Se i valori, quando tracciati, sembrano trovarsi su una linea retta, viene suggerita l’esistenza di una relazione lineare tra X e Y.
Altezza e peso hanno quasi sempre una relazione approssimativamente lineare, mentre i tassi di età e fertilità hanno una relazione non lineare.