Covariabelen

Ter illustratie een beroemd voorbeeld. Een statisticus in Zweden vond een statistisch significant verband tussen het aantal ooievaars en het aantal geboorten van kinderen het jaar daarop. Dit legendarisch voorbeeld wordt in vele boeken over methodologie vermeld om uit te leggen dat het berekenen van een pm-correlatie rekenkundig op zich best wel kan, maar dat men er zonder goede theorie niets aan heeft. Immers, hoe zou een vogel de geboorte van mensenkinderen kunnen beïnvloeden? Toch bleek de relatie verklaarbaar, toen iemand de voorjaarstemperatuur meenam als covariabele. Het gevolg daarvan was dat er geen statistisch significante relatie meer was tussen het aantal ooievaars en het aantal geboorten. Theoretisch is het nu ook te verklaren. Bij een hogere voorjaarstemperatuur trekken de ooievaars hoger naar het noorden. Door de hogere voorjaarstemperatuur haalden de boeren rijkere oogsten binnen, en in tijden van welvaart worden meer kinderen geboren.

Het moge duidelijk zijn dat het opnemen van een covariabele erg belangrijk is als er (potentieel) relevante maar niet experimentele variabelen een rol spelen. Als er tussen twee experimentele variabelen een bepaalde relatie wordt verondersteld, dan kan het zicht op die relatie vertroebeld worden door een niet experimentele variabele. Door in de analyses de relevante storende variabelen als een covariabele in de analyse op te nemen, kan het zicht op de experimentele variabelen verbeteren. De nadruk moet liggen op kan, want het moet niet. Indien uit de analyses blijkt dat de covariabele geen invloed heeft, dan verandert zijn status van potentieel relevant naar irrelevant.

Uit deze voorbeelden moge het ook duidelijk zijn geworden dat men niet zomaar een aantal analyses uit mag voeren. Er moet een bepaald denkbeeld, een theorie, een visie achter zitten die aangeeft welke analyses zinvol zijn om uit te voeren en welke niet.