سنجش و اندازه گیری

امکان دارد که یک متغیر در پیش بینی یک ملاک، حتی اگر متغیر با آن ملاک همبستگی نداشته باشد، مفید واقع شود. چنین متغیری بادارنده نامیده می شود. متغیر بازدارنده با متغیر ملاک ارتباط ندارد، اما چون بین این متغیر با متغیرهای پیش بینی کننده همبستگی وجود دارد، پیش بینی ملاک اصلاح می شود. نقش متغیر بازدارنده حذف بخش هایی از متغیرهای پیش بینی کننده است، که مانع پیش بینی اثر بخشی است. هورست نمونه ای از متغیرهای بازدارنده را در مطالعه ای برای پیش بینی میزان موفقیت در آموزش خلبانی در جنگ جهانی دوم، ارائه کرده است. نمره های سه آزمون توانایی فنی، توانایی عددی و توانایی فضایی با متغیر ملاک دارای همبستگی مثبت بودند، در حالی که نمره های آزمون چهارم (توانایی کلامی) همبستگی پایینی با ملاک داشتند. چهار متغیر پیش بینی کننده همبستگی بالایی با یکدیگر داشتند. هنگامی که نمره ی کلامی با ضریب رگرسیون منفی برای پیش بینی به کار برده شود، قرار دادن آن در معادله پیش بینی موجب اصلاح همبستگی با چند متغیر با ملاک می شود. ظاهرا توانایی کلامی عاملی است که بر سایر پیش بینی کننده ها و  نه بر میزان موفقیت در خلبانی ، تاثیر دارد. وجود نمره کلامی با ضریب منفی در معادله ی رگرسیون موجب کنترل تاثیرات توانایی کلامی در عملکرد بر پیش بینی کننده های دیگر می شود و در واقع موجب کاهش نمره های آزمودنی هایی است که در آزمون ها فقط به علت توانایی کلامی خیلی خوب عمل کرده اند. متغیر های بازدارنده جالبند اما شناسایی آنها در عمل دشوار است و برای اصلاح اثر آنها بهتر است از نمونه های وارسی اعتبار استفاده شود. این متغیرهای محدودیت ریاضی دارند و ضریب منفی آنها سبب می شود، آزمودنی هایی که آزمون متغیرهای بازدارنده را به خوبی گذرانده اند، مغبون شوند و به سختی می توان مقدار مغبون شدن این افراد به واسطه ی خوب عملکرد کردن در متغیر بازدارنده را دریافت. 

گرچه شناسایی متغیرهای بازدارنده مشکل است، اما متغیرهای تعدیل کننده رایجترند و بیشتر استفاده می شوند. این متغیرها همانند متغیرهای بازدارنده برای افزایش دقت پیش بینی استفاده می شوند. زدوک سه نوع استفاده برای متغیرهای تعدیل کننده مشخص کرده است: متغیرهای تعدیل کننده می تواننند زیر گروههایی از آزمودنی ها را با ضرایب اعتبار مختلف شناسایی کنند.