Como yo lo veo, hay dos problemas básicos con los estudios de observación que el "control" de un número de variables independientes. 1) Usted tiene el problema de la desaparición de las variables explicativas y por lo tanto el modelo de misspecification. 2) tiene el problema de las múltiples correlación de las variables independientes, un problema que no existe en (bien) los experimentos diseñados--y el hecho de que los coeficientes de regresión y ANCOVA pruebas de las covariables se basan en los parciales, haciendo que sea difícil de interpretar. La primera es intrínseca a la naturaleza de la investigación observacional y se aborda en el contexto científico y el proceso de la competencia de elaboración. El último es un tema de educación y se basa en un entendimiento claro de regresión y modelos ANCOVA y es exactamente lo que los coeficientes representan.
Con respecto a la primera cuestión, es bastante fácil demostrar que si a todas las influencias en algunos variable dependiente se conocen y se incluye en un modelo, los métodos estadísticos de control son eficaces y producen buenas predicciones y estimaciones de los efectos de las variables individuales. El problema en el "soft ciencias" es que todas las influencias rara vez se incluyen o incluso conocidas y por lo tanto los modelos están mal especificados y difícil de interpretar. Sin embargo, muchos de los que vale la pena problemas que existen en estos dominios. El answeres simplemente carecen de certeza. La belleza del proceso científico es que es auto correctivo y modelos son cuestionados, elaborada y refinada. La alternativa es sugerir que no podemos investigar estas cuestiones científicamente cuando no podemos diseñar experimentos.
El segundo problema es un problema técnico en la naturaleza de ANCOVA y modelos de regresión. Los analistas tienen que ser claro acerca de lo que estos coeficientes y pruebas de representar. Las correlaciones entre las variables independientes influyen en los coeficientes de regresión y ANCOVA pruebas. Que son las pruebas parciales. Estos modelos se llevará a cabo la varianza en una variable independiente y la variable dependiente que están asociados con todas las otras variables en el modelo y, a continuación, examinar la relación de los residuos. Como resultado, el individuo y los coeficientes de las pruebas son muy difíciles de interpretar fuera del contexto de una clara comprensión conceptual de todo el conjunto de variables y sus interrelaciones. Esto, sin embargo, NO produce problemas para la predicción-acaba de ser cautelosos acerca de la interpretación de pruebas específicas y de los coeficientes.
Una nota al margen: El segundo problema está relacionado con un problema discutido anteriormente en este foro sobre el cambio de la regresión de los signos-por ejemplo, de lo negativo a lo positivo ... cuando el resto de los predictores son introducidas en un modelo. En la presencia de correlación predictores y sin un claro entendimiento de las múltiples y complejas relaciones entre todo el conjunto de predictores, no hay ninguna razón para ESPERAR una (por la naturaleza parcial) de la regresión coeficiente de tener un signo en particular. Cuando hay una fuerte teoría y una clara comprensión de las interrelaciones, de dicho signo "reversiones" puede ser esclarecedor y teóricamente útil. A pesar de que, dada la complejidad de muchas de las ciencias sociales problemas de comprensión suficiente no sería común, yo esperaría.
Descargo de responsabilidad: yo soy un sociólogo y analista de políticas públicas por la formación.
