在社會學、管理學和心理學領域做研究，會大量運用到各種不同變數，每個變數有其不同定義與功能，有時更牽涉到研究工具的選擇與使用，為了讓讀者更清楚這些變數，以下透過圖形的方式，對各種變數加以解釋。
自變數（Independent Variable）：又稱獨立變數，通常表示想要推測的原因。
應變數（Dependent Variable）：又稱解釋變數，通常表示所要推測的結果。
干擾變數（Moderating Variables）：介於自變數與應變數之間具調節作用，亦稱或者調節、情境變數。
中介變數（Intervening Variable）：影響應變數的隱性因素。
控制變數（Control Variable）：是自變數的特殊類型，它會潛在地影響應變數。控制變數通常是人口統計或個人的變數，必須要被「控制」，才能確定自變數對應變數真正的影響。
舉例來說，我們以探索「社群媒體疲勞」的一篇論文為例。當越來越多的人聚集在社群媒體（例如Facebook）並創建內容時，隨著時間演進，社群用戶會開始出現所謂的「社群媒體疲勞」的現象。研究者把這種「社群媒體疲勞」定義成當用戶對資訊變得不知所措時，用戶會傾向背離社群媒體的參與。
以下為這個研究的架構。圖1左邊的「社群媒體自信心（confidence）」、「社群媒體自我效能（efficacy）」、「隱私顧慮（privacy concern）」和「社群媒體助益（helpfulness）」等四個因素均為研究自變數（通常用X來表示），右側的「社群媒體疲勞（media fatigue）」是應變數（通常用Y來表示）。
研究者在分別定義這五個不同的變數後，提出以下假設。
H1：具有較大社群媒體自信心的受訪者，比較不會經歷社群媒體疲勞
H 2：具有較高社群媒體自我效能的受訪者，比較不會經歷社群媒體疲勞
H3：隱私顧慮程度較高的受訪者，更容易遭遇社群媒體疲勞
H4：對社群媒體有較大幫助的受訪者，比較不會經歷社群媒體疲勞
資料來源：Bright, Laura F., Susan Bardi Kleiser, and Stacy Landreth Grau （2015）, “Too much Facebook? An exploratory examination of social media fatigue,” Computers in Human Behavior, 44, 148–55.
以上的研究經由750位受測者填答線上問卷，共計回收742份有效問卷，進行驗證性回歸分析後，四項假設裡，H1成立，H2不成立，H3成立，H4不成立。
本篇研究發現，社群媒體自信心越強的人，較不會產生社群媒體疲勞；自我效能越高的人，可能會增加社群媒體的使用，從而導致社群媒體疲勞；有較高隱私顧慮的用戶，較易產生社群媒體疲勞；而有較高社群媒體助益的用戶，反而會有較高的社群媒體疲勞，可能的原因是因為增加使用量而造成社群媒體疲勞。
接著，我們繼續以另一篇探討「免費與付費產品的口碑行銷」研究為例，來說明中介變數與控制變數的內容，以圖2所示。
資料來源：Bond, Samuel D., Stephen X. He, and Wen Wen （2018）, “Speaking for “Free”: Word of Mouth in Free- and Paid-Product Settings,” Journal of Marketing Research, 56（2）, 276–290.
圖2中顯示「產品種類（Product type）」為自變數；「對生產者互惠（Reciprocity toward producer）」和「知覺採用風險（Perceived adoption risk）」為中介變數，進而導致應變數「分享口碑意圖（Willingness to share WOM）」。其中，「現存口碑的數量與離散度（Volume and dispersion of existing WOM）」為干擾變數。
研究結果顯示，與付費產品相比較，消費者較傾向分享他們對於免費產品的看法，因為這些消費者會感覺到對應用程式開發者，應該要保持某種互惠 （reciprocity）關係（中介變數）。同時，當現存的口碑數量較少且評分的離散度（即評分的高低差異程度）較高時（干擾變數），採用產品風險的影響比較大。
最後，我們再以一篇探討「影響轉換率」的研究為例，來說明控制變數的內容，以圖3所示。
資料來源：Evert de Haan, P.K. Kannan, Peter C. Verhoef, & Thorsten Wiesel （2018）, “Device Switching in Online Purchasing: Examining the Strategic Contingencies,” Journal of Marketing, 82 （3）, 1–19.
圖3中，最左邊的自變數為「裝置轉換（Device switching）」，最右邊應變數為「轉換率（Conversion）」，中間的「產品類別風險（Product category risk components）」、「產品價格（Product price）」、「對產品類別的經驗（Customer experience with product category）」、「對零售商的經驗（Customer experience with online retailer）」等四個為干擾變數，並加上個人的入會年資、性別、年齡…等「控制變數（Control variables）」。
研究發現，當消費者從高行動（more mobile）裝置（如手機）轉換至低行動（less mobile）裝置時（如桌機），其轉換率變高。尤其是當產品具有高風險、高單價的特性時，或是當消費者對產品或零售商的經驗較少時，高行動轉裝置轉換至低行動裝置時的轉換率會變得更高。這份研究並指出，過去企業並未考慮行動裝置轉換問題，恐怕已低估了行動裝置對轉換率的貢獻，進而導致管理者誤置廣告投放的預算。
作者：蘇宇暉（台科大管研所博士候選人）、羅凱揚（台科大企管系博士）
繪圖者：鄭雅馨（臺灣行銷研究特約設計師）、王舒憶（臺灣行銷研究特約設計師）
歡迎加入我們的Line@獲取即時訊息！https://line.me/R/ti/p/%40cde8265r
