Unterschied zwischen Faktor und Kovariate am Beispiel erklärt
In der Wissenschaft versucht man häufig, bestimmte Phänomene zu erklären. Bei der Erklärung benötigt man dabei Faktoren, welche sich auf das zu erklärende Phänomen auswirken. Wenn zum Beispiel das Verhalten eines Tieres mit seiner Umwelt erklärt werden kann, spricht man vom sogenannten Umweltfaktor.
In der Statistik nutzt man dafür quantifizierbare Größen. So soll häufig erklärt werden, welche Faktoren eine bestimmte Variable y steuern. Im klassischen Fall kommen dafür mehrere Variablen als Faktoren infrage. Diese bezeichnet man häufig als x1, x2, x3,…
Hierbei kann es vorkommen, dass der Statistiker erstmal nur die Auswirkung von x1 auf y untersuchen will. Dann muss er x2 und x3 trotzdem als Faktoren in sein Modell einbauen, damit dieses nicht zu realitätsfern wird. Dennoch interessieren ihn nicht diese Faktoren für sich. In diesem Falle werden x2 und x3 als Kovariaten bezeichnet.
Inhalt
Die Kovariaten sind bei der statistischen Untersuchung inhaltlich nicht interessant
Ein Wissenschaftler möchte häufig den Zusammenhang zwischen den Variablen x1 und y untersuchen. Hierbei kann er Daten sammeln und schließlich mittels diverser statistischer Verfahren den Zusammenhang untersuchen. Eine andere geeignetere Möglichkeit wäre es jedoch, ein Modell zu entwickeln, das genau erklärt, wovon y abhängt. In diesem Modell werden dann andere Variablen wie x2 und x3 berücksichtigt, die ebenso einen Einfluss auf y haben können. Anschließend werden Daten bezüglich x1, x2, x3 und y gesammelt und statistisch ausgewertet.
Nun kann der Wissenschaftler den Zusammenhang zwischen x1 und y genauer abschätzen. Dabei werden x2 und x3 als Kovariaten bezeichnet. Eigentlich hat der Wissenschaftler kein Interesse an ihnen, aber er nutzt sie, um das Modell genauer zu gestalten. Einen Faktor stellen jedoch x1, x2 und x3 allesamt dar. Sie alle wirken sich nämlich auf y aus, falls die Datenerhebung nicht ein anderes Ergebnis ergab.
Die statistischen Ergebnisse zu Kovariaten werden in der Regel nicht interpretiert
Wenn ein Forscher den Faktor x1 untersuchen möchte, dann will er wissen, wie stark x1 auf y wirkt. Am Ende seiner Untersuchung steht also eine Interpretation dieser statistischen Werte an. Es soll schließlich zu einer Aussage kommen, ob x1 in hohem Maße oder nur in geringem Maße auf y wirkt.
Die Kovariaten x2 und x3 hatte der Forscher nur in das Modell eingebaut, um dieses genauer zu gestalten. Aus diesem Grunde ist es nicht relevant, die statistischen Ergebnisse bezüglich dieser Variablen zu interpretieren.
Unterschied zwischen Kovariate und Faktoren am Beispiel erklärt
Ein Biologe möchte untersuchen, wie stark sich der Faktor Niederschlagsmenge auf die Wuchshöhe von Pflanzen auswirkt. Vor der Datenerhebung macht es dabei Sinn, ein Modell zu entwerfen, welches die Wuchshöhe von Pflanzen erklärt. Hier lässt sich als weiterer Faktor dann die Umgebungstemperatur verwenden. Weil diese jedoch nicht mit der eigentlich zu untersuchenden Forschungsfrage zusammenhängt, ist dieser Faktor eine Kovariate.
Die Niederschlagsmenge ist zwar ebenso ein Faktor, aber in diesem Beispiel ist er keine Kovariate sondern wird ausschließlich als Faktor behandelt. Denn nach der Erhebung und Auswertung der Daten wird nämlich eine Aussage darüber getroffen, inwiefern sich die Niederschlagsmenge auf die Wuchshöhe von Pflanzen auswirkt.
Über den Autor
