Como ya se ha dicho, controlar suele significar incluir una variable en una regresión (como señala @EMS, esto no garantiza ningún éxito para conseguirlo, él enlaces a esto ). Ya existen algunas preguntas y respuestas muy votadas sobre este tema, como:
Las respuestas aceptadas a estas preguntas son todas muy buenas para tratar la cuestión que usted plantea dentro de un marco observacional (yo diría correlacional), se pueden encontrar más preguntas de este tipo aquí .
Sin embargo, usted está planteando su pregunta específicamente dentro de un marco experimental o ANOVA, se pueden dar algunas ideas más sobre este tema.
En un marco experimental se controla una variable mediante la aleatorización de los individuos (u otras unidades de observación) en las diferentes condiciones experimentales. El supuesto subyacente es que, en consecuencia, la única diferencia entre las condiciones es el tratamiento experimental. Cuando se realiza una aleatorización correcta (es decir, cada individuo tiene la misma oportunidad de estar en cada condición), esta es una suposición razonable. Además, sólo la aleatorización permite extraer inferencias causales de la observación, ya que es la única forma de asegurarse de que no hay otros factores responsables de los resultados.
Sin embargo, también puede ser necesario controlar las variables dentro de un marco experimental, concretamente cuando hay otro factor conocido que también afecta a esa variable dependiente. Para aumentar la potencia estadística y entonces puede ser una buena idea controlar esta variable. El procedimiento estadístico habitual que se utiliza para ello es el análisis de covarianza (ANCOVA), que básicamente sólo añade la variable al modelo.
Ahora viene el quid de la cuestión: Para que el ANCOVA sea razonable, es absolutamente crucial que la asignación a los grupos sea aleatoria y que la covariable por la que se controla no esté correlacionada con la variable de agrupación.
Desgraciadamente, esto se ignora a menudo, lo que da lugar a resultados no interpretables. Una introducción realmente legible a esta cuestión exacta (es decir, cuándo usar ANCOVA o no) es dada por Miller y Chapman (2001) :
A pesar de los numerosos tratamientos técnicos en muchos lugares, el análisis de covarianza (ANCOVA) sigue siendo un enfoque ampliamente utilizado para tratar diferencias sustanciales de grupo en las covariables potenciales, en particular en investigación en psicopatología. Los artículos publicados llegan a conclusiones infundadas conclusiones infundadas, y algunos textos de estadística descuidan la cuestión. El problema con el ANCOVA en estos casos se revisa. En muchos casos, no hay de lograr el objetivo superficialmente atractivo de "corregir" o "controlar" las "controlar" las diferencias reales de los grupos en una covariable potencial. En de reducir el uso incorrecto del ANCOVA y promover su uso adecuado, se ofrece una se proporciona una discusión no técnica, haciendo hincapié en una de los libros de texto y otras presentaciones generales, para complementar de los libros de texto y otras presentaciones generales, para complementar las críticas matemáticas ya disponibles. Se discuten algunas alternativas para contextos en los que ANCOVA es inapropiado o cuestionable.
Miller, G. A., y Chapman, J. P. (2001). Malentendiendo el análisis de covarianza. Revista de Psicología Anormal 110(1), 40-48. doi:10.1037/0021-843X.110.1.40
4 votos
En términos de regresión y ANOVA, controlar una variable suele significar que esa variable se incluyó en el modelo.
1 votos
Como dice Glen, incluirlo en el modelo es el camino a seguir. Sin embargo, la aleatorización se utiliza para evitar el sesgo de los efectos no incluidos en el modelo. Una vez que se genera un diseño, a menudo se hace un contrapeso para asegurarse de que haya aproximadamente el mismo número de personas de cada sexo en cada tratamiento. El problema de confiar exclusivamente en la aleatorización y el contrapeso es que convierten ese sesgo en varianza y, por tanto, es más difícil observar cuáles son los factores activos.