自变量是一种可能影响实验结果的效应。它可以是独立的感兴趣的变量,研究人员专门操纵它来测试一个预定义的假设，或一个讨厌的变量，这本身并没有什么特别的意义，但在统计分析中需要加以控制或解释，这样它就不会掩盖一个感兴趣的变量的影响。
内容:
在EDA图中，使用不同的节点表示感兴趣的自变量和讨厌的变量。变量可以是范畴的，也可以是连续的;这可以在变量节点的属性中表示。如果变量是分类的，则定义因子级别的类别节点应链接到变量节点。
对于感兴趣的变量，变量类别节点被用作图上的“标签”。变量类别可以标记到三种不同类型的节点:
- 干预节点——例如，当自变量是治疗时，如感兴趣的变量“药物A”示例1，它有两个类别:“载体”和“药物”，这些变量类别被用来标记两个干预节点，以表明每组小鼠接受的治疗。
- 组节点-例如，当自变量是动物特征时，如“性别”示例3．“男性”和“女性”两个类别被标记到组中，以表明每个实验组的组成。
- 测量节点—例如，当自变量与时间相关时，如测量时间在示例3．然后将每个时间点表示为一个类别节点，并标记到相关的度量节点。
为了清晰起见，可以在图中包含几个相同变量类别的实例。在示例1，两个类别节点已被复制，以防止箭头穿过图。系统将考虑具有相同标签的节点，即同一类别的多个实例
类似地，同一变量的多个实例可以包含在图中示例2，“测试期间”和“动物”这两个讨厌的变量在图表上各出现两次。已经复制并粘贴了节点，以防止箭头穿过图。每个变量只需要定义一个实例;如果同一个变量存在多个节点，则应该用连接到分析的节点来定义变量，应该将类别连接到该节点，并在其属性中提供相关信息。这是为了使系统能够提供关于统计分析方法的建议。
兴趣自变量
这也被称为预测变量或兴趣因素。它是一个“输入”变量，是研究人员在受控环境中操纵的一个因素，目的是测试改变自变量的水平对被测结果的影响。在测试药物干预效果的实验中，变量可以是一种具有“载体对照”、“低剂量”和“高剂量”等类别的药物。在测试手术干预(如卵巢切除术)效果的实验中，变量是手术，有“假卵巢切除术”和“卵巢切除术”等类别。
通常，一个实验有几个感兴趣的变量，例如在示例4观察运动对神经元密度的影响有两个有趣的变量:
- 运动分为两类:“跑步”和“不跑步”，研究人员将动物随机分为这两类中的一种，以测试运动对神经元密度的影响
- 性别分为两类:男性或女性，以检查运动的效果是否在男性和女性之间不同
在分析中，兴趣的自变量可以作为兴趣的因素。一个因素(不管是有趣的还是讨厌的)是一个由实验者创造的数学结构，让他们可以量化一个影响。因此，因素可以有连续的数值水平或分类水平，这取决于潜在效应的性质、将其纳入实验设计的原因和实验旨在回答的任何问题。18luck新利体育官网登录
在EDA图中，为了表示感兴趣的自变量是分析中感兴趣的因素，节点用链接“is_factor_of_interest_for”连接，如下图所示。
讨厌的变量
有害变量是可能影响结果测量的可变性或条件的其他来源。任何特定的实验都可能有几个已知或怀疑会影响结果的有害变量，但与研究者没有直接关系。
妨害变量有两个单独的问题。最严重的问题是，它们碰巧与兴趣变量混淆了。这种风险可通过随机化和适当的样本量来减轻。第二个问题是，如果不考虑干扰变量，可能会增加响应的可变性，从而扩大研究人员试图检测感兴趣信号的噪声。识别这些讨厌的变量并解释它们可以增加实验的灵敏度，以检测由感兴趣的变量引起的变化，并有助于减少动物的使用。
决定一个自变量是有益的还是有害的变量取决于实验的目标，同一个变量在一个实验中可能是有害的，但在另一个实验中可能是有益的。例如，年龄可以影响行为，所以在观察多巴胺激动剂对行为的影响的实验中，如果使用的大鼠年龄范围很广，年龄将是一个令人讨厌的变量，应该加以考虑。如果没有考虑到这一点，那么由多巴胺激动剂引起的变化可能会被年龄差异引起的额外变化所掩盖。
相反，如果实验的目的是调查多巴胺激动剂对年轻和年老动物的影响，那么药物和年龄都是感兴趣的独立变量，实验应该设计成允许评估两者。
设计实验时，关键的一步是确定哪些讨厌的变量可能会影响实验的结果。需要考虑的事情可能包括笼子或房间(如果动物不是都被安置在一起)，干预或测量的日期或时间，或进行干预的人(如果动物不是在同一天被处理)，或由具有不同技能水平的实验者进行。这个列表可能无穷无尽，但重要的是，根据常识和过去的实验结果，确定什么与特定的实验相关，并始终努力确定变化的新来源。
这些应该在EDA图上使用有害变量节点来表示;然后，用户应该决定如何最好地解释所识别的每个讨厌变量。根据讨厌变量的类型和实验的目标，有不同的选项来解释可变性;变量可以标准化、随机化、阻塞、嵌套在另一个变量内或用作协变量。如果这些事情都没有做，那么这个变量就被认为是不可控的。该信息应该在有害变量节点的属性中提供。
标准化讨厌的变量
标准化包括在所有实验单元中保持妨害变量不变。
妨害变量的一个例子可以是用于测量的设备。在一项测试药物干预后血压的实验中，如果所有控制测量都记录在一台设备上，而所有治疗测量都记录在另一台设备上，那么组间测量的差异可能是由于治疗或所使用设备的校准造成的。据说这两个变量是完全混淆的，没有办法分离它们的影响。
一个可能的解决方法是标准化变量并为两组人使用相同的设备，但这可能并不总是实用的。如果测量需要很长时间，那么将实验限制在一件测量仪器上将增加实验的长度。此外，这可能会引入一种不同类型的可变性，因为测量可能需要在两天而不是一天的时间内完成。
标准化变量也会降低实验的外部效度。例如，动物的性别可能是一个讨厌的变量，但在实验中选择只使用雄性会减少反应的可变性，结果可能不适用于雌性。
在EDA图中，标准化的麻烦变量仅用一个类别表示。它们与图表的其余部分没有联系，因为一旦标准化，它们就不会给实验增加可变性。标准化讨厌变量将限制实验结论的泛化程度。
随机处理一个讨厌的变量
如果使用适当的随机化方法(见分配部分)将动物(或实验单位)随机分组，那么研究人员可以假设所观察到的感兴趣变量的效果没有受到有害变量的不适当影响。
随机化的目的是防止有意或无意的偏见被研究者引入实验。将实验单位随机分配到组中，确保实验单位之间固有的和不可避免的差异以相等的概率分布在所有治疗组中。
例如，房间中动物笼子的位置可能是一个讨厌的变量;房间里不同地方的温度可能会发生变化，被安置在靠近门的地方可能会增加实验动物的压力水平。然而，这是不可能标准化这个变量，并保持所有笼子在完全相同的位置。因此，另一种方法是将讨厌变量随机化，随机分配每个笼子的动物到房间内的架子中的一个位置。然而，在完全随机化的情况下，特别是在样本量较小的情况下，有一种风险是，大多数的治疗笼可能会偶然地放在一起。
在EDA图中，为了表明一个讨厌的变量以这种方式被解释，它应该通过链接“is_randomised_by”连接到分配节点。
阻塞讨厌的变量
在实验中使用讨厌变量作为阻塞因子涉及将实验分解为一组小实验或块，其中每个块包含彼此相似的实验单元的子集。阻塞因子是用来指示实验单元如何分组成块的变量。
再考虑一下动物在住房设施内的位置这个讨厌的变量。为了避免所有治疗笼随机放置在门附近的可能性，而对照组笼则放置在远离门的安静区域，可以使用分组随机法将每个笼分配到房间内的某个位置。这将涉及到将可能的笼子位置划分为块，例如，基于接近门和住房架的水平。然后在这些区域内随机分配对照笼和治疗笼。这确保了由于笼子在房间内的位置而产生的任何影响在所有实验组之间平均分配。
由于研究设计的实用性，阻断可能是必要的，例如需要进行为期3天的干预，或需要使用多个记录设备。动物特征，如年龄或体重也可以作为阻断因素，以减少潜在的动物之间的变异。根据定义，只有类别变量可以用作阻塞因子，因为类别标识了阻塞。然而，如果将体重等连续变量转换为具有一定数量的体重范围类别的分类变量，例如“低体重”、“中等体重”和“高体重”动物，则可以将其用作阻断因子。
如果已知或怀疑有害变量会给结果带来可变性，则可被视为阻碍因素的例子包括:
- 实验的时间或一天-在一天的不同时间或不同的日子进行干预或测量
- 研究人员或外科医生——管理治疗、实施手术或评估结果的人员的经验水平不同，可能会导致动物的压力水平或麻醉时间的不同
- 设备(如PCR仪、分光光度计)-校准可能有所不同
- 动物特征:年龄或体重有显著差异
- 笼子位置——笼子位于不同的高度或不同的架子上，对光线、通风和干扰的暴露可能不同，这可能会影响重要的生理过程
在随机化中包含一个阻塞因子，确保由讨厌变量引起的变异性在组之间被分割，这有时被称为分层随机化。重要的是，在适当的情况下，在随机化中包括阻塞因素，否则:
- 仍然存在一个风险，即阻塞因素造成的额外可变性将包括在响应的可变性中
- 如果治疗分配在各个区块之间不平衡，就有可能使治疗比较产生偏差。
除非在统计分析中包含阻塞因素，否则这样做会增加数据的可变性(假设阻塞因素有影响)。例如，考虑一种情况，在四种治疗的随机分组中，动物体重被作为阻断因素，以确保药物的效果不会被动物体重所混淆，因为动物体重可能会影响药代动力学。动物根据它们的体重被分成四块，四种治疗被随机分配到每个块，这样每一种治疗被分配到四个最大的动物中的一个，其次是四个最大的动物中的一个(等等)，最后是四个最小的动物中的一个。实际上，这是人为地将动物(在每个治疗组内)分散在体重范围内。如果小动物对大动物的反应确实不同，那么这就人为地增加了数据的可变性，确保每个治疗组的体重范围尽可能地分散开来——这将由于体重的可变性引入到反应的可变性中。
一旦阻塞因素被包含在随机化中，重要的是将妨害变量作为一个变量包含在分析中阻碍因素或作为一个协变量考虑到上面讨论的额外的可变性。将其纳入分析中，可以减少因阻断因子引起的治疗组内的变异性，提高治疗效果的准确性，从而提高用较少的实验单元检测真实效果的能力。麻烦变量可以作为协变量或阻塞因子包括在分析中。选择一种而不是另一种的原因有以下几点:
- 如果这个因素显然是一个分类因素，那么它应该是一个阻塞因素(例如设备的部件，一周的天数)。
- 如果因子可以是绝对的或连续的(即体重)，那么协变量只需要1个自由度，而阻塞因子需要b-1个自由度(其中有b个块)。在较小的设计中，这可能是一个重要的考虑因素。
- 协变量需要响应和协变量之间的线性关系，而阻塞因子不需要。
在EDA图中，为了表示一个讨厌的变量是阻塞因子，它应该连接到分配节点和分析节点，使用链接“is_blocking_factor_for”。要了解更多关于随机与阻塞因子的信息，请访问配置节．
嵌套的变量
当嵌套变量的每个类别在它所嵌套的变量的一个且仅一个类别中找到时，一个变量就嵌套在另一个变量中。例如在示例4，变量“组织学切片”嵌套在实验单元“老鼠”中，因为每个组织学切片只与一只老鼠相关。来自同一只老鼠的所有部分只接受一次干预，因为老鼠是实验单位——整个老鼠独立于其他老鼠接受干预(“跑”或“不跑”)。
重要的是要识别嵌套在实验单元之下的变量，并在分析实验数据时考虑到它们，以防止伪复制。当观察结果在统计上不是独立的，但被视为独立的时，就会出现这种情况，并可能导致假阳性结论。
当从一个动物身上提取多个样本时，由于筑巢引起的假复制也会发生。例如，在一个研究药物对单个神经元反应影响的实验中，实验单位是动物，尽管每个动物都记录了多个神经元。在这种情况下，单个神经元嵌套在单个动物内部。分析应该对每只动物进行一次测量，而不是使用每个测量神经元的数据。为了达到这个目的，在进行统计分析之前，应该对每只动物的数据取平均值。这种方法减少了动物之间的变异性，因为每只动物测量的多个重复被用于产生更精确的单个测量。一般来说，建议总是平均到实验单元水平，除非进行了专家分析，以调查与多个嵌套变量相关的可变性，或响应随着时间的推移进行测量，并使用重复测量方法进行分析。
在EDA图中，通过将嵌套的麻烦变量连接到它所嵌套的变量来指示它。嵌套变量可以链接到任何其他变量，也可以链接到实验单元节点。
协变量
通过在统计分析中将其作为协变量包括在内，可以解释与连续讨厌变量相关的可变性。如果实验单元因不容易控制的连续数值变量的影响而不同，就可以这样做。可以用作协变量的自变量的例子包括对感兴趣的反应的治疗前测量，动物的基线体重或年龄。理想情况下，这些数值应该在动物进行任何与感兴趣的变量相对应的干预之前进行测量。
使用变量作为协变量的目的是获取可能影响和解释个体实验单元之间实验后差异的背景信息。例如，可能有一个基线测量值与动物对治疗的反应有很强的关系，干预后测量的反应的一些可变性可以通过解释基线测量值的可变性来解释。
这方面的一个例子可能是在检查一种新化合物对运动能力的影响时。治疗前越活跃的动物在研究结束时也可能越活跃，无论它们接受的是哪种治疗。使用基线运动能力活动作为协变量将考虑到这一点，从而减少在此背景下干预后动物之间的总体变异性，从而增加测试的统计力量，以提高自变量的影响。
在EDA图中，作为协变量使用的讨厌变量通过将其连接到分析节点来表示。
不受控制的变量
在某些情况下，不可能对有害变量进行控制。
例如，在一项比较野生型和突变型凋落物的测量结果的实验中，当在任何时间只能获得有限数量的动物时，那么测量的天数将是一个令人讨厌的变量，理想情况下用作阻碍因素，以确保每天从突变型和野生型动物中测量的数量相等。然而，如果窝仔出生在不同的时间，来自两种基因型的动物不能在同一天被记录下来，那么实验当天就不能作为阻断因子。在这种情况下，不可能避免混淆讨厌的变量“日”和感兴趣的变量“基因型”，而日变量仍然不受控制。
对这种有害变量的唯一保护是充分的复制，从而使随机化策略不可能使有害变量与感兴趣的自变量混淆(在上面的例子中是基因型)。如果不可能进行充分的复制，以致混淆仍然存在，那么这个实验可能就不值得进行。
在EDA图中，这样一个讨厌的变量应该被标记为未控制的，并且应该用一个链接连接到测量和分析节点，表明它导致了变化。
连续和分类变量
变量可以是范畴的，也可以是连续的;这需要在变量节点的属性中加以说明，以便系统能够提出充分的分析建议。
连续变量包括真正连续的变量，但也包括离散变量。级别由数值组成，例如体重、年龄、参加活动的时间。
分类变量设置非数字级别，例如性别(类别:“男性”和“女性”)。分类变量可以是序数的、名义的或二进制的。
一些变量可以被认为是两者之一，例如药物剂量(水平:“载药”、“低”和“高”剂量，如果是分类剂量，或水平:0、1和10，如果是连续剂量)或时间可以被认为是连续或不同的时间点(水平:“干预前”和“干预后”)。
决定把一个变量看作是连续的还是范畴的取决于实验的目的。例如，将药物剂量作为一个连续变量，可以用曲线或回归线对剂量-效应关系进行建模，从而可以估计剂量和效应之间的基本关系。该分析提供了对这种关系的估计——它不会检验假设，但会确定导致生物学相关效应的剂量(这可能不是评估的剂量之一)。
将药物剂量作为一个分类因素，可以比较单个治疗组的均值，并检验零假设(H0)，即在用载体、低剂量和高剂量治疗的组之间没有差异。
这个选择影响了实验设计。18luck新利体育官网登录如果将药物剂量作为分类处理，则实验设计应包括数量有限的剂量组，但每一组应包含足够的动物18luck新利体育官网登录来为成对试验提供动力。如果药物剂量被视为连续的，那么最好在设计中包括更多的剂量，每个剂量的动物数量更少。
对于讨厌的变量，对待一个变量是连续的还是分类的取决于如何解释可变性。分类变量可用作阻塞因子，连续变量可用作协变量。如果一个讨厌的变量可以被认为是其中之一，它可以在分配和分析中被不同地使用，例如体重可以被认为是分类的，并被用作一个阻碍因素在分配(类别:“低权重”和“高权重”)中，并在分析中作为连续的协变量。
在自变量节点的属性中，“分类的或连续的”字段与分析中如何处理变量有关。
将实验单元分配到变量的类别中
实验单元被分配到特定变量的不同类别(或水平)，以测试感兴趣的变量的效果或控制讨厌的变量的效果。这种分配应该是随机的随机部分)，在大多数情况下，可以将实验单位随机分配到变量的类别中。例如在示例5，动物可以被随机分为三类感兴趣的变量“THC”。或在示例2，实验单位(试验期间的大鼠)被随机分配到阻塞因子“试验期间”(“第1期”或“第2期”)的类别。
对于一些变量，例如动物特征，如性别或基因型，即使不是由实验者进行随机分配，也可以假设动物已经通过孟德尔遗传随机分配到雄性或雌性类别，或特定的基因型。
然而，对于其他变量，不可能随机分配实验单位。例如，在一个用体重作为阻碍因素的实验中，动物不能被随机分配到体重范围;根据他们的体重，他们被分配到妨害变量的不同类别。重要的是要认识到，对于这些变量，因为分配不是随机的，所以不可能得出任何因果关系(例如，导致反应差异的是体重，而不是与体重相关的东西)，但它可能是反应的一个有用的预测器。
在EDA图中，对于所有感兴趣的变量和讨厌的变量，实验单元如何分配到类别中，可以在变量节点的属性中表示出来。
重复的因素
在动物(或实验单位)随着时间被反复测量的情况下，时间是一个有趣的变量，那么“时间”就是一个重复的因素。注意，重复因子的水平不能随机，“第1天”必须出现在“第2天”之前。
重复因子是实验中所有动物都感兴趣的变量，它不是随机的(也称为主体因子内)。有两种情况下，包含重复的兴趣因素将是合适的:在重复测量设计而且剂量升级设计．
在重复测量设计中，对每个动物或实验单位的测量以非随机的顺序获得，例如，动物在特定的时间点或在特定的大脑区域进行测量，这些区域不能随机化(t0总是在t之前1从前到后扫描大脑)。重复的因素将是“测量的时间”或“大脑区域”，所有的动物都将通过这些变量的所有类别进行测量。
在剂量递增设计中，动物在一段时间内以非随机的顺序接受多种治疗(和测量)，例如增加药物的剂量以避免毒理效应。变量“药物”和“测量时间”是结合在一起的，因为所有的动物在同一时间得到相同的剂量。重复的因素将是“药物”，所有动物都在所有类别(药物剂量)中进行测量。
关键的区别是重复测量而且剂量升级设计这是重复测量设计吗实验装置通常是动物(然后重复测量)，而在剂量递增设计中，是某一时间段内的动物作为实验单位，因此每个实验单位只测量一次。
如果重复测量的顺序可以随机化，那么将与测量时间或测试周期相关的变量作为分析中的重复因素是不合适的。在一个交叉设计例如(见示例2)，其中每只动物以随机顺序接受多次治疗，每只动物被用作自己的对照，“测量时间”将成为分析的阻碍因素。
在EDA图中，感兴趣的变量是否是重复因子可以在变量节点的属性中表示出来。正确识别重复因素很重要，因为这对分析有影响。
参考资料和进一步阅读
贝特，s. t . &克拉克，r. a . 2014。动物实验的设计与统计分析，剑桥大学出版社。
代顿，2005年。讨厌的变量。在:埃弗里特，B.和豪厄尔，D.(编)行为科学统计百科全书。约翰威利父子有限公司
Dean, a.m.和voss, 1999年。实验设计与分析。
费斯丁，m . f. w .， overend, p . gaines das, r .， cortina borja, m . & berdoy, m . 2002。动物实验的设计:通过更好的实验设计减少在研究中使用动物，英国伦敦，皇家医学会。18luck新利体育官网登录
盖恩斯·达斯先生，2002年。辅助变量在动物实验设计、分析和解释中的作用。中国科学(d辑)。doi:10.1093 / ilar.43.4.214
柯克，2009年出版。18luck新利体育官网登录实验设计。作者:罗杰·e·米尔萨普，a.m.o.。(编)SAGE心理学定性方法手册。圣人出版有限公司
Lazic, s.e。2010。神经科学研究中的伪复制问题:它会影响你的分析吗?神经科学杂志，11,5。doi:10.1186 / 1471-2202-11-5