Primero de todo, la independencia no tiene nada que ver con el hecho de quitar o agregar una variable; recuerde que no existe una prueba para demostrar la independencia de la asunción, dado que está relacionada con el diseño experimental. Imaginar este tonto (pero ilustrativo) ejemplo: "Un científico de la política está interesado en la opinión de la gente acerca de los candidatos para las próximas elecciones de su condado. Para este estudio de 100 participantes fueron elegidos al azar y fueron entrevistados y grabados durante un máximo de 5 minutos de forma individual en una sala de reuniones. Durante el estudio, se pidió a los participantes llegan en diferentes momentos, porque la sala de espera, sólo tiene una capacidad para 15 personas. También, fue posible para los participantes en la sala de espera a escuchar la opinión de la persona que se está grabando en ese momento en la sala de reuniones." En este caso, la independencia de la asunción fue totalmente violado desde un participante de la opinión de que podría ser claramente influenciada por la anterior. Como se puede ver el análisis de datos no ha comenzado aún y la independencia de la suposición de que ya violado. Así, recuerde que la independencia tiene que ver con su diseño experimental y no con las variables.
Por otro lado, si desea eliminar la variable de Valencia se puede hacer y no violar la independencia de la asunción, sin embargo es posible que usted va a perder información valiosa. Supongamos que usted encuentre un modelo "a", que utiliza todas las variables: valencia, un grupo, un punto temporal, la previsibilidad y algunos de sus interacciones (significativo). Supongamos también que usted obtenga otro modelo "B", que sólo gotas de valencia, también se observó que los coeficientes de los efectos y las interacciones son significativas. En teoría ambos modelos sería una forma válida para explicar la variabilidad en la variable de respuesta. Cuál sería la mejor? Habría que analizar cuánto de la variabilidad se explica por su independencia de las variables "a" y, a continuación, repita el mismo procedimiento para "B", si la diferencia es notable, a continuación, valencia explicaría una gran proporción de la variabilidad total.
Personalmente, me gustaría probar más el uso de modelos de regresión paso a paso. Al final si tienes varios modelos también puede comprobar la bondad de ajuste de métricas como el AIC o R2 con el fin de decidir cuál es el mejor para usted.
Espero que esto podría ser útil para usted.
La buena suerte.