المتغيرات ومستويات القياس وتصاميم البحث

دليل

في هذه الصفحة

بعد أن يوجد تنبؤ (انظروا سؤال البحث وفرضياته) يبقى قراران يحددان كل ما سيأتي بعدهما: ماذا يُقاس – أي متغيرات، وبأي مستوى قياس، لأن المستوى يحدد أي حساب مسموح وأي حاسبة مناسبة؛ وكيف تُجمع البيانات – بملاحظة ما يحدث، أو بالتدخل والمقارنة، مع الأشخاص أنفسهم أو مع أشخاص مختلفين، لأن التصميم يحدد ما يجوز استنتاجه. تتبع الصفحة Field (2024، القسمان 1.5-1.6) وتربط كل قرار بقالب الإكسل القياسي للموقع وبالحاسبة التي تتوقعه.

1. المتغيرات – المتنبِّئ والنتيجة

المتغير شيء يتغيّر: بين الأشخاص (معامل الذكاء، السلوك)، أو بين الأماكن (البطالة)، أو عبر الزمن (المزاج، الربح). معظم الفرضيات تُصاغ بمتغيرين – سبب مقترح ونتيجة مقترحة – ومفتاح اختبار أي قول علمي هو قياس كليهما (Field, 2024, Section 1.5.1). والمصطلحان "المتغير المستقل" (السبب) و"المتغير التابع" (النتيجة) مرتبطان ارتباطًا وثيقًا بالتجربة، التي يتلاعب فيها الباحث بالسبب؛ أما في البحث الارتباطي، حيث لا يُتلاعَب بأي متغير، فلا معنى للحديث عن تابع ومستقل – فكلها تابعة في الواقع. ولذلك يفضّل Field "المتنبِّئ" (predictor) و"النتيجة" (outcome): في التجربة السبب متنبِّئ والنتيجة نتيجة، وفي البحث الارتباطي يتنبأ متغير أو أكثر – إحصائيًا على الأقل – بمتغير آخر. والموقع يسير على نهجه: في كل حاسبة ستجدون "المتنبِّئ" و"النتيجة"، والاستدلال السببي – إن وُجد – يأتي من التصميم (القسم 4)، لا من الاسم.

2. مستويات القياس – ماذا يقول العدد، وماذا يجوز أن يُفعل به

مستوى القياس هو العلاقة بين ما يُقاس والأعداد التي تمثّله (Field, 2024, Section 1.5.2). والتمييز الإجمالي: المتغير التصنيفي يفرز الكيانات في فئات متمايزة – إنسان، قطة، خفاش؛ لا يمكن أن يكون المرء قطةً بعض الشيء. والمتغير المتصل يعطي كل كيان درجة على مقياس. وداخل كل منهما – مستويات:

الثنائي (binary) – فئتان فقط: نعم/لا، شارك/لم يشارك. الاسمي – أكثر من اثنتين، بلا ترتيب: نوع البلدة، القطاع، سبب التوجّه. وحتى حين تُرمَّز الفئات بأعداد (1 = اقتصادي، 2 = أمني)، فالأعداد أسماء: مثال Field هو أرقام القمصان في الرغبي، التي تقول أي مركز يلعب فيه اللاعب لا مدى جودته – ولن يسمح أحد للرقم 4 بأن يحمل الرقم 6 ليركل بدلًا من الرقم 10 المصاب. ومع الاسمي يُفعل شيء واحد: تُعَدّ التكرارات. الترتيبي (ordinal) – فئات ذات ترتيب منطقي: المركز الأول، الثاني، الثالث؛ راسب، ناجح، متفوق. يُعرف مَن قبل مَن، لا بكم – فالفائزة ربما فازت بفارق هائل أو بصوت واحد. الفتري (interval) – الفترات المتساوية على المقياس تمثّل فروقًا متساوية في السمة: الفرق بين 1 و2 هو الفرق بين 4 و5. ومعظم الاختبارات الإحصائية تتطلب هذا المستوى فما فوق. النسبي (ratio) – إضافةً إلى ذلك، يوجد صفر حقيقي ونسب ذات معنى: زمن استجابة من 200 ملّي ثانية ضعف 100، وصفر ملّي ثانية هو انعدام الزمن. العمر، الدخل، عدد الأولاد – نسبي؛ أما درجة على مقياس قلق لا تكون فيه 16 "ضعف القلق" مقارنةً بـ8 – ففتري على الأكثر.

وثمة تمييز آخر يقطع المتغيرات المتصلة: المتغير المتصل حقًا يُقاس بأي درجة من الدقة (العمر بالسنوات، والأشهر، والأيام...)؛ والمتغير المنفصل لا يأخذ إلا قيمًا معيّنة، عادةً أعدادًا صحيحة – التقدير من 1 إلى 5 منفصل مع أن تحته متصلًا معقولًا (3.24 منطقي، لكن لا يمكن إدخاله). والحدّ ضبابي في الاتجاهين: العمر يُسجَّل بسنوات كاملة، وعدد الأولاد – منفصل – يُبلَّغ عنه بمتوسط 2.4 لم تعرفه أي أسرة (Field, 2024, Box 1.3). وحاسبات الموقع تتعامل مع الأعداد بوصفها متصلة؛ والباحثة هي التي تقرر ما إذا كان المتوسط ذا معنى.

3. مقاييس التقدير – ترتيبية أم فترية؟

السؤال الذي يتكرر في كل بحث يعتمد الاستبانات: تقدير "بدرجة كبيرة جدًا ... إطلاقًا" بخمس درجات – هل هو مقياس فتري، يجوز أن يُحسب له متوسط وارتباط بيرسون، أم مقياس ترتيبي؟ Field (2024، الإطار 1.2) حاسم: الحَكَم الذي أعطى 10 تأثّر بالتأكيد أكثر من حَكَم أعطى 2، لكن هل خمسة أضعاف؟ وإن أعطى كلاهما 8 – هل تأثّرا بالقدر نفسه؟ على الأرجح لا، لأن التقدير يتوقف على تصوّر كل منهما الذاتي لما هي "الموهبة". ولذلك، كما يكتب، في كل حالة يُطلب فيها من الناس تقدير شيء ذاتي – تفضيل، ثقة في الإجابة، فهم تعليمات – ينبغي التعامل مع البيانات بوصفها مقياسًا ترتيبيًا، "مع أن كثيرًا من الباحثين لا يفعلون ذلك". ويضيف في القسم 1.5.2: المتغيرات التي تبدو فترية وتُعامَل بوصفها فترية كثيرًا ما تكون ترتيبية.

اصطلاح الموقع، النابع من ذلك ومن الممارسة المتّبعة: الفقرة الواحدة في مقياس تقدير – ترتيبية؛ يُبلَّغ عن الوسيط والتكرارات، وارتباط سبيرمان. ودرجة المقياس متعدد الفقرات – مجموع أو متوسط عدة فقرات فُحص اتساقها الداخلي (انظروا الثبات والصدق) – تُعامَل بوصفها فترية، كما هو متّبع في العلوم الاجتماعية، ويُذكر ذلك صراحةً في فصل المنهجية. هذا حسم من الباحثة، لا من البرنامج: سيحسب SPSS متوسطًا لكل عمود رقمي، حتى لأرقام القمصان.

4. ارتباطي أم تجريبي – ما يجوز استنتاجه

بالتجريد، توجد طريقتان لاختبار فرضية: ملاحظة ما يحدث طبيعيًا، أو التلاعب بجانب من البيئة وملاحظة أثره. في البحث الارتباطي (أو المقطعي) يُلاحَظ العالم دون تدخل – في لقطة واحدة لمتغيرات كثيرة، أو بقياسات متكررة عبر الزمن (البحث الطولي)؛ وفي البحث التجريبي يُتلاعَب بمتغير واحد لرؤية أثره في آخر (Field, 2024, Section 1.6). وللبحث الارتباطي ميزة: يعطي نظرة طبيعية، لأن الباحث لا يؤثر في ما يحدث والقياسات غير متحيّزة بحضوره – جانب مهم من الصدق البيئي؛ وأحيانًا يكون الطريق الوحيد، لأنه لا يمكن التلاعب أو لا يجوز (لن يعيّن أحد الناس عشوائيًا للتدخين 30 سنة). وثمنه: لا يقول شيئًا عن الأثر السببي.

لماذا؟ يعود Field (2024، القسم 1.6.2) إلى Hume: تعريف Hume للسبب يتطلب أن يسبق السببُ النتيجةَ وأن يظهرا معًا باتساق. وفي البحث الارتباطي تُقاس المتغيرات عادةً في الوقت نفسه، ولذلك لا توجد معلومات عمّا سبق ماذا – والبحث الطولي يحلّ ذلك جزئيًا. لكن المشكلة الأعمق أن حتى الظهور المشترك المتسق لا يميّز بين المصادفة والسببية: ربما يسبّب متغير ثالث كليهما. هذا هو "الشيء الثالث" – tertium quid – المتغير المُربِك (confound). وفي المثال الجاري في الموقع: المشاركة في نشاط مجتمعي والشعور بالانتماء مترابطان – لكن الأقدمية في البلدة قد تسبّب كليهما (الشكل 1). وأضاف Mill إلى Hume الشرط الناقص: يجب استبعاد كل التفسيرات الأخرى – يجب أن تظهر النتيجة حين يكون السبب حاضرًا وأن تغيب حين يغيب السبب. وهذا بالضبط ما تفعله التجربة: تقارن حالات ("ظروفًا") يكون فيها السبب المقترح حاضرًا أو غائبًا. وفي مثال Field – ثلاث مجموعات من الطلاب تتلقى تغذية راجعة داعمة، أو قاسية، أو لا تغذية راجعة، واختبار إحصاء في النهاية: مجموعة "لا تغذية راجعة" هي الحالة التي يغيب فيها السبب، والمقارنة بها وحدها تتيح القول إن أسلوب التغذية الراجعة سبّب الفرق.

ملاحظة توفّر التباسًا شائعًا (Field, 2024, Box 1.4): ليس الاختبار الإحصائي هو الذي يتيح الاستدلال السببي، بل التصميم. يظن الناس أن ANOVA وt "تجريبيان" وأن الانحدار والارتباط "ارتباطيان" لأنهما استُخدما هكذا تاريخيًا – لكن هذه الإجراءات متطابقة رياضيًا. فالارتباط المحسوب على بيانات تجربة مضبوطة يدعم الاستدلال السببي؛ وANOVA على مسح – لا.

5. بين الأفراد أم القياسات المتكررة – مصدران للتباين

في التجربة طريقتان للتلاعب بالمتنبِّئ (Field, 2024, Section 1.6.3): مجموعات مختلفة من المشاركين في كل ظرف – تصميم بين الأفراد (مستقل)؛ أو المشاركون أنفسهم في كل الظروف، واحدًا بعد آخر – تصميم داخل الأفراد (القياسات المتكررة). والاختيار يحدد الاختبار: t للمستقلتين مقابل t للمترابطتين، وANOVA الأحادي مقابل ANOVA للقياسات المتكررة. والمنطق وراءه في التباين (القسم 1.6.4). ففي كل تجربة مصدران للتباين: منتظم – ما فعله الباحث في ظرف دون آخر؛ وغير منتظم – عوامل عشوائية قائمة بين الظروف: فروق القدرة، ساعة اليوم، المزاج. والاختبارات الإحصائية تقدّر كم من التباين منتظم وكم غير منتظم، وتقارن. وفي القياسات المتكررة تكون الخصائص الثابتة للمشارك – العمر، الجنس، الذكاء، الدافعية – متطابقة في الظرفين، ولذلك يكون "الضجيج" صغيرًا؛ أما بين الأفراد فهذه العوامل حرة في التغيّر بين المجموعات، والضجيج كبير. ولذلك، مع تساوي الظروف، يكون تصميم القياسات المتكررة أكثر حساسية لكشف الأثر.

6. التعيين العشوائي – لماذا لا تجربة بدونه

في التصميمين يجب تقليص التباين غير المنتظم، لكن الأهم من ذلك – التأكد من أن كل تباين منتظم بين الظروف ينبع من التلاعب وحده. والأداة هي السحب العشوائي (Field, 2024, Section 1.6.5)، بصورتين. في القياسات المتكررة المصدران الرئيسيان للتباين المنتظم هما أثر التمرّن – في الظرف الثاني يكون المشارك قد عرف الموقف والمقياس – وأثر الملل أو التعب. لا يمكن إلغاؤهما، لكن يمكن التأكد من أنهما غير منتظمين عبر الموازنة المضادة: يُسحب عشوائيًا لكل مشارك ما إذا كان سيمرّ بالظرف 1 قبل 2 أو العكس. وفي مثال Field: إذا مرّ كل الطلاب بـ"لا تغذية راجعة" ثم بـ"تغذية راجعة قاسية"، فقد ينبع التحسن بعد التغذية الراجعة القاسية ببساطة من مزيد من حلقات الإحصاء. أما بين الأفراد فالسحب العشوائي هو التعيين العشوائي للمشاركين في الظروف: المشاركون في المجموعات المختلفة يختلفون في الذكاء والانتباه وفي ألف أمر، والتعيين العشوائي يضمن أن تُسهم هذه الفروق في التباين غير المنتظم لا في المنتظم. ومثال Field: ورشة للتفكير التحليلي ضد تصديق الأخبار الزائفة، جُنِّدت مجموعتها التجريبية في لقاء لهواة نظريات المؤامرة والمجموعة الضابطة – في نادٍ رياضي. "لم تنجح" الورشة – ولا سبيل إلى معرفة ما إذا كان ذلك لأن التفكير التحليلي لا يساعد، أم لأن المجنَّدين للورشة أميل إلى المعتقدات الشاذة ويجدون صعوبة في مثل هذا التفكير. فالمجموعتان اختلفتا في ما هو أكثر من الورشة.

والسحب العشوائي نفسه تُنتجه صفحة تصميم التجارب: التعيين العشوائي أو ترتيب التشغيل العشوائي، والكتل، والمربع اللاتيني أو مربع Williams للموازنة المضادة للترتيب، وكذلك حجم العينة المطلوب – مع بذرة عشوائية ثابتة، بحيث يمكن إعادة إنتاج السحب في R.

سحبان عشوائيان مختلفان يجدر عدم الخلط بينهما: المعاينة العشوائية – مَن من المجتمع يدخل البحث – وشأنها التعميم من العينة على المجتمع (صفحة "العينة والمعاينة")؛ والتعيين العشوائي – مَن من المشاركين يذهب إلى أي ظرف – وشأنه الاستدلال السببي. التجربة على عينة متاحة تتيح استدلالًا سببيًا على هذه العينة بلا تعميم؛ والمسح على عينة احتمالية يتيح التعميم بلا سببية.

7. وماذا يُفعل في البحث الميداني، حيث كل شيء تقريبًا ارتباطي

المسح، والمقابلات، وتحليل المحتوى، والبيانات الإدارية – معظم البحث الاجتماعي التطبيقي لا يستطيع تعيين الناس عشوائيًا للظروف، ولذلك فمعظمه ارتباطي، والاستدلال السببي فيه محدود. وهذا ليس مرفوضًا؛ إنه قيد يُبلَّغ عنه. وما يمكن فعله: قياس المتغيرات المُربِكة التي يمكن توقعها مسبقًا (الأقدمية، العمر، التعليم) وإدخالها في الانحدار – "الضبط الإحصائي". وهو يزيل نصيب المتغيرات التي قيست وحدها؛ أما التعيين العشوائي فيعالج أيضًا ما لم نفكّر فيه. والقياس المتكرر عبر الزمن – موجتان على الأقل – يعطي الترتيب الزمني الذي يتطلبه تعريف Hume، لكن لا يعطي استبعاد التفسيرات الأخرى. والمقارنة قبل-بعد مع مجموعة مقارنة لم تتلقَّ البرنامج – قريبة من التجربة بقدر تشابه المجموعات، وبعيدة عنها بقدر اختلاف مَن اختار المشاركة عمّن لم يختر. وفي كل الحالات: تُصاغ الخلاصة باللغة التي يسمح بها التصميم – "مرتبط بـ"، "يتنبأ بـ"، "ارتفع لدى" – وتُحفظ كلمة "سبّب" للموضع الذي كان فيه سحب عشوائي.

أخطاء شائعة

متوسط الرموز الاسمية. "متوسط نوع البلدة 2.3" – حساب على أسماء. للاسمي تُعَدّ التكرارات؛ سيحسب SPSS متوسطًا لكل عدد، والمسؤولية على الباحثة.

ارتباط بيرسون بين فقرتي تقدير منفردتين. الفقرة الواحدة مقياس ترتيبي؛ سبيرمان. بيرسون والمتوسط محجوزان لدرجات المقاييس متعددة الفقرات – ويُذكر أنكم فعلتم ذلك.

"متنبِّئ" يُسمّى "مؤثرًا". في الانحدار على بيانات مسح، المتنبِّئ يتنبأ؛ ولا يؤثر حتى يقول التصميم ذلك. واللغة في فصل المناقشة مشتقة من التصميم.

نسيان الحالة التي يغيب فيها السبب. "أعطينا الجميع البرنامج وارتفع الانتماء" – بلا مجموعة لم تتلقَّه، لا سبيل إلى معرفة ما إذا كان لن يرتفع بدونه أيضًا. المجموعة الضابطة قلب التجربة، لا إضافة.

مجموعة ضابطة من مصدر آخر. تجربة في مجتمع وضابطة في مجتمع آخر – تختلف المجموعتان في كل ما يميّز المجتمعين. التعيين العشوائي من المجمَّع نفسه، أو على الأقل مطابقة موثَّقة.

قياسات متكررة بترتيب ثابت. مرّ الجميع بالظرف أ ثم ب – فيختلط الفرق بين الظرفين بالتمرّن والتعب. يُسحب الترتيب عشوائيًا.

الظن بأن التصميم "الارتباطي" هو اختبار الارتباط. التصميم هو كيف جمعتم البيانات؛ والاختبار هو كيف حلّلتموها. ANOVA على مسح ارتباطي؛ والارتباط على تجربة – تجريبي.

الخلط بين المعاينة العشوائية والتعيين العشوائي. الأولى شأنها على مَن ينطبق الاستنتاج؛ والثاني – هل هو سببي. يمكن الفوز بأحدهما دون الآخر.

قائمة تحقق – قبل بناء ملف البيانات

المراجع

Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). SAGE.