فرض کنید شما مدیر یک شرکت تولیدکننده محصولات کشاورزی هستید و می‌خواهید بهره‌وری تولید خود را افزایش دهید. دو ماده مغذی در بازار وجود دارد که ادعا می‌کنند می‌توانند رشد گیاهان را تسریع کنند. شما در مورد کارایی این دو محصول شک دارید؛ بنابراین تصمیم می‌گیرید یک آزمایش کنترل‌شده تصادفی طراحی کنید تا ادعای آن‌ها را بسنجید. تعدادی گیاه یکسان انتخاب می‌کنید و آن‌ها را در سه گروه تقسیم می‌کنید. در طول مدت‌زمان آزمایش، گیاهان گروه A از ماده مغذی اول و گیاهان گروه B از ماده مغذی دوم تغذیه می‌شوند. هر یک از این دو گروه، گروه آزمایشی (Experimental Group) نامیده می‌شوند. گیاهان در گروه C به‌مانند گیاهان عادی تنها با آب تغذیه می‌شوند. این گروه، گروه کنترل (Control Group) نامیده می‌شود.
هر سه گروه در همه‌چیز یکسان هستند به‌جز ماده مغذی که دریافت می‌کنند. متغیرهایی مانند سایز گلدان، نوع خاک، میزان نور دریافتی و یا دمای نگهداری که ممکن است روی رشد گیاه تاثیر بگذارند، در هر سه گروه یکسان نگه می‌دارید. این متغیرها، متغیرهای کنترل نامیده می‌شوند. در اینجا شما مایل هستید اثر ماده مغذی (متغیر مستقل) را بر روی رشد گیاه و سلامتی عمومی آن (متغیر وابسته) اندازه‌گیری کنید. در پایان دوره آزمایش، در صورت تائید آزمون‌های آماری می‌توان گفت گروهی که در آن میانگین رشد گیاهان بالاتر بوده، ماده مغذی کارآمدتری دریافت کرده است.
علت اینکه به این آزمایش‌ها کنترل‌شده گفته می‌شود به دو مورد برمی‌گردد. یکی اینکه با محدودیت‌هایی که در انجام آزمایش اعمال می‌شود، نمی‌گذاریم هم‌زمان با متغیر مستقل، متغیر دیگری بر روی نمونه‌ها اثر بگذارد. درواقع با ایزوله کردن سایر متغیرها ما قادر هستیم اثر خالص متغیر مستقل را اندازه‌گیری کنیم. برای مثال اگر هم‌زمان بااینکه گیاهان در هر گروه ماده مغذی متفاوتی دریافت می‌کنند، میزان نور خورشید متفاوتی هم دریافت کنند دیگر نمی‌توان مشخص کرد رشد گیاهان تحت تأثیر کدام عامل بوده است.
مورد دوم به وجود گروه کنترل برمی‌گردد. ما در این نوع آزمایش‌ها همواره مقایسه می‌کنیم. سؤال اینجاست که مقایسه نسبت به چه چیزی صورت می‌گیرد؟ مقایسه معمولاً نسبت به وضع موجود انجام می‌شود. شما در حالت فعلی گیاهان را با آب تغذیه می‌کنید. این، گروه کنترل را مشخص می‌کند. نتیجه آزمایش به شما نشان خواهد داد که آیا استفاده از مواد مغذی جدید نسبت به وضع موجود کارایی بیشتری دارد یا خیر.
اما در عمل نمی‌توان همه متغیرها را کنترل کرد. برخی از متغیرهای اثرگذار در مسئله ممکن است قابل‌شناسایی و کنترل باشند؛ اما ممکن است آزمایشگر همه متغیرهای اثرگذار بر مسئله را نتواند تشخیص دهد. اینجاست که مفهوم تصادفی بودن اهمیت پیدا می‌کند. ایده فیشر این بود که آزمایشگر باید متغیرهایی را که نسبت به آن شناخت دارد و می‌داند بر روی متغیر وابسته اثر می‌گذارند، کنترل کند. او پیشنهاد داد آزمایشگر برای از بین بردن اثر سایر متغیرهایی که ممکن است به آن آشنا نباشد از تخصیص تصادفی نمونه‌ها به گروه‌های آزمایش بهره ببرد. برای مثال ممکن است برخی از گیاهان به لحاظ ژنتیکی از بقیه بهتر باشند و این روی سرعت رشد آن‌ها اثر بگذارد. شما نمی‌توانید این عامل را کنترل کنید؛ بنابراین با توزیع کردن گیاهان به شکل تصادفی در سه گروه آزمایش سعی می‌کنید تا حد امکان اثر ژنتیک را خنثی کنید.
مهم‌ترین نکته‌ای که مدیران باید بدانند این است که در دنیای واقعی تنها با یک آزمایش نمی‌توان به نتیجه رسید. در عمل باید آزمایش‌های مختلفی انجام داد. پیش‌فرض‌های ذهنی مختلف را سنجید. حتی مدیرانی که با این روش آشنا هستند و علاقه دارند از آن استفاده کنند، ممکن است پاسخ بعضی از سؤالات را دانسته تصور کنند.
اشتباه دیگر این است که مدیران بخواهند آزمایش را سریع‌تر انجام دهند و مراحل ذکرشده در بالا را به‌درستی اجرا نکنند. برای مثال بر اساس تجربه شخصی می‌دانم بسیاری روی مرحله انتخاب نمونه تصادفی مناسب وقت کافی نمی‌گذارند و ترجیح می‌دهند روی نمونه‌هایی که به‌راحتی در دسترس هستند آزمایش کنند. فرض کنید جامعه آماری مورد مطالعه مشتریان سازمان هستند. در این حالت ممکن است به علت سهولت کار، تنها به نمونه‌گیری از مشتریان جوان‌تر که ممکن است وقت کافی برای شرکت در آزمایش دارند و به حضور در این‌گونه تجربه‌ها علاقه‌مندتر هستند، اکتفا کنیم. در این صورت نمونه ما نسبت به افراد با سن پایین‌تر سوگیری پیدا می‌کند و نتایج قابل‌اتکا نیست.
نکته دیگر در همین راستا عدم تلاش کافی در کنترل کردن متغیرهایی است که ممکن است بر روی نتایج اثر بگذارند. انجام درست این نوع آزمایش‌ها نیازمند آن است که افرادی که به طراحی آزمایش‌های تجربی مسلط هستند در تیم شما حضور داشته باشند. اگر شما نتوانید متغیرهای اثرگذار دیگر را ایزوله کنید ممکن است نتایج را به دلایلی ربط دهید که نادرست باشند. همچنین تحلیل‌گر داده نیز باید در هنگام طراحی آزمایش در تیم حضور داشته باشد و همفکری کند. تحلیل داده فرآیندی نیست که بعد از انجام آزمایش شروع شود. از همان ابتدا باید در مورد آن فکر کنید و برنامه داشته باشید.
منبع: http://analica.ir/randomized-controlled-experiments/
