متغیرها، مقیاس‌های اندازه‌گیری و طرح‌های پژوهش
چه چیزی را و در چه سطحی اندازه می‌گیریم، در هر سطح چه محاسبه‌ای مجاز است، و داده‌ها را چگونه گردآوری می‌کنیم – همبستگی‌ای یا آزمایشی، بین‌آزمودنی یا با اندازه‌گیری‌های مکرر – و هر انتخاب استنباط چه چیزی را ممکن می‌کند و چه چیزی را نه. بخش الف – طراحی پژوهش.
در این صفحه
پس از آنکه پیش‌بینی‌ای در دست است (ببینید پرسش پژوهش و فرضیه‌ها) دو تصمیم باقی می‌ماند که هر آنچه پس از آن‌ها می‌آید را تعیین می‌کنند: چه چیزی را اندازه بگیریم – کدام متغیرها، و در چه سطح اندازه‌گیری‌ای، زیرا سطح تعیین می‌کند چه محاسبه‌ای مجاز است و کدام ماشین‌حساب مناسب است؛ و چگونه گردآوری کنیم – آنچه را رخ می‌دهد مشاهده کنیم، یا مداخله و مقایسه کنیم، با همان افراد یا با افراد مختلف، زیرا طرح تعیین می‌کند استنباط چه چیزی مجاز است. این صفحه از Field (2024، بخش‌های 1.5-1.6) پیروی می‌کند و هر تصمیم را به الگوی استاندارد اکسل سایت و به ماشین‌حسابی که انتظارش را دارد پیوند می‌دهد.
پیش‌بین و پیامد
علت پیشنهادی و پیامد پیشنهادی. در سایت، مانند Field، به جای "مستقل" و "وابسته" – زیرا در پژوهش همبستگی‌ای متغیری نیست که پژوهشگر بر آن کنترل داشته باشد.
سطح اندازه‌گیری
رابطه میان چیز اندازه‌گیری‌شده و اعدادی که آن را نمایش می‌دهند: طبقه‌ای (دووجهی، اسمی، ترتیبی) یا پیوسته (فاصله‌ای، نسبی). تعیین می‌کند چه چیزی را می‌توان محاسبه کرد.
طرح همبستگی‌ای
آنچه رخ می‌دهد بدون مداخله مشاهده می‌شود – مقطعی یا طولی. طبیعی و دارای روایی بوم‌شناختی؛ درباره علیت چیزی نمی‌گوید.
طرح آزمایشی
مداخله می‌کنیم: علت پیشنهادی در یک وضعیت حاضر و در دیگری غایب است، و آزمودنی‌ها به‌طور تصادفی به آن‌ها تخصیص می‌یابند. تنها راه استنباط علت.
1. متغیرها – پیش‌بین و پیامد
متغیر چیزی است که تغییر می‌کند: میان افراد (بهره هوشی، رفتار)، میان مکان‌ها (بیکاری) یا در طول زمان (حال‌وهوا، سود). بیشتر فرضیه‌ها با دو متغیر صورت‌بندی می‌شوند – یک علت پیشنهادی و یک پیامد پیشنهادی – و کلید آزمودن یک گزاره علمی اندازه‌گیری هر دوی آن‌هاست (Field, 2024, Section 1.5.1). اصطلاح‌های "متغیر مستقل" (علت) و "متغیر وابسته" (پیامد) پیوند تنگاتنگی با آزمایش دارند، که در آن پژوهشگر علت را دستکاری می‌کند؛ در پژوهش همبستگی‌ای، که در آن هیچ متغیری دستکاری نمی‌شود، سخن گفتن از وابسته و مستقل بی‌معناست – در واقع همه وابسته‌اند. بنابراین Field "پیش‌بین" (predictor) و "پیامد" (outcome) را ترجیح می‌دهد: در آزمایش علت پیش‌بین است و پیامد پیامد، و در پژوهش همبستگی‌ای یک یا چند متغیر – دست‌کم از نظر آماری – متغیر دیگری را پیش‌بینی می‌کنند. سایت نیز چنین می‌کند: در هر ماشین‌حساب با "پیش‌بین" و "پیامد" روبه‌رو می‌شوید، و استنباط علّی – اگر در کار باشد – از طرح می‌آید (بخش 4)، نه از نام.
2. سطوح اندازه‌گیری – عدد چه می‌گوید، و با آن چه می‌توان کرد
سطح اندازه‌گیری رابطه میان آنچه اندازه‌گیری شده و اعدادی است که آن را نمایش می‌دهند (Field, 2024, Section 1.5.2). تمایز کلی: متغیر طبقه‌ای هستارها را در طبقه‌های متمایز دسته‌بندی می‌کند – انسان، گربه، خفاش؛ نمی‌توان کمی گربه بود. متغیر پیوسته به هر هستار نمره‌ای روی یک مقیاس می‌دهد. و درون هر یک – سطوحی هست:
دووجهی (binary) – فقط دو طبقه: بله/نه، شرکت کرد/شرکت نکرد. اسمی – بیش از دو طبقه، بدون ترتیب: نوع سکونتگاه، بخش جمعیتی، دلیل مراجعه. حتی وقتی طبقه‌ها را با عدد مشخص می‌کنند (1 = اقتصادی، 2 = امنیتی)، عددها نام‌اند: مثال Field شماره پیراهن‌ها در راگبی است، که می‌گویند بازیکن در کدام جایگاه بازی می‌کند و نه اینکه چقدر خوب است – و هیچ‌کس نمی‌گذارد شماره 4 شماره 6 را روی دوشش سوار کند تا به جای شماره 10 مصدوم ضربه بزند. با متغیر اسمی یک کار می‌کنند: فراوانی‌ها را می‌شمارند. ترتیبی (ordinal) – طبقه‌هایی با ترتیب منطقی: مقام اول، دوم، سوم؛ مردود، قبول، ممتاز. می‌دانیم چه کسی پیش از چه کسی است، نه به چه اندازه – برنده می‌توانست با اختلافی عظیم یا با یک رأی برنده شود. فاصله‌ای (interval) – فاصله‌های برابر روی مقیاس نماینده تفاوت‌های برابر در ویژگی‌اند: تفاوت میان 1 و 2 همان تفاوت میان 4 و 5 است. بیشتر آزمون‌های آماری این سطح یا بالاتر را لازم دارند. نسبی (ratio) – افزون بر این، صفر واقعی و نسبت‌های معنادار وجود دارد: زمان واکنش 200 میلی‌ثانیه دو برابر 100 است، و صفر میلی‌ثانیه نبود زمان است. سن، درآمد، تعداد فرزندان – نسبی؛ نمره در مقیاس اضطرابی که در آن 16 "دو برابر مضطرب‌تر" از 8 نیست – حداکثر فاصله‌ای.
تمایز دیگری متغیرهای پیوسته را قطع می‌کند: متغیر واقعاً پیوسته با هر درجه‌ای از دقت اندازه‌گیری می‌شود (سن به سال، ماه، روز...)؛ متغیر گسسته فقط مقادیر معینی، معمولاً اعداد صحیح، می‌گیرد – درجه‌بندی 1 تا 5 گسسته است، هرچند زیر آن پیوستاری معقول وجود دارد (3.24 منطقی است، اما نمی‌توان آن را وارد کرد). مرز در هر دو جهت مبهم است: سن به سال‌های کامل ثبت می‌شود، و تعداد فرزندان – گسسته – به‌صورت میانگین 2.4 گزارش می‌شود که هیچ خانواده‌ای آن را ندارد (Field, 2024, Box 1.3). ماشین‌حساب‌های سایت با اعداد مانند متغیر پیوسته رفتار می‌کنند؛ پژوهشگر تصمیم می‌گیرد که آیا میانگین معنادار است.
جدول 1. سطوح اندازه‌گیری – چه می‌دانیم، چه می‌توان محاسبه کرد، و کجای سایت
| سطح | نمونه | عدد چه می‌گوید | چه می‌توان محاسبه کرد | ماشین‌حساب در سایت |
|---|---|---|---|---|
| دووجهی | شرکت کرد / نکرد؛ زنان / مردان | نام یکی از دو طبقه | فراوانی‌ها و درصدها | فراوانی‌ها؛ خی‌دو؛ t میان دو گروه (به‌عنوان پیش‌بین) |
| اسمی | نوع سکونتگاه؛ بخش جمعیتی؛ طبقه محتوایی | نام؛ عدد دلبخواهی است | فراوانی‌ها، نما | فراوانی‌ها؛ خی‌دو؛ ANOVA (به‌عنوان پیش‌بین)؛ پایایی بین کدگذاران (اسمی) |
| ترتیبی | تحصیلات در رده‌ها؛ درجه‌بندی 1-5 یک گویه منفرد؛ جایگاه در رتبه‌بندی | چه کسی پیش از چه کسی؛ نه به چه اندازه | میانه، صدک‌ها؛ همبستگی اسپیرمن | همبستگی‌ها – اسپیرمن؛ پایایی بین کدگذاران (متریک ترتیبی) |
| فاصله‌ای | نمره مقیاس چندگویه‌ای؛ دما بر حسب سلسیوس | تفاوت‌های برابر = فاصله‌های برابر؛ صفر واقعی ندارد | میانگین، انحراف معیار، پیرسون، t، ANOVA، رگرسیون | همبستگی‌ها، نمودار پراکنش، t، ANOVA، رگرسیون، آلفای کرونباخ |
| نسبت | سن؛ درآمد؛ ساعت‌های مشارکت؛ زمان واکنش | نسبت‌ها نیز: 20 دو برابر 10 است | هر آنچه در فاصله‌ای هست، و نیز نسبت‌ها و درصد تغییر | مانند فاصله‌ای |
یادداشت. سطوح بر اساس Field (2024، بخش 1.5.2، و جمع‌بندی Cramming Sam 1.2). در الگوی استاندارد اکسل سایت (سطر = آزمودنی، ستون = متغیر) کاربرگ راهنمای کدها (legend / מקרא) نوع هر متغیر را مشخص می‌کند – و ماشین‌حساب‌ها از آن برای پیش‌فرض استفاده می‌کنند (برای نمونه متریک α در صفحه پایایی). در SPSS این ستون Measure (Nominal / Ordinal / Scale) است؛ صفحه از SPSS به اکسل آن را همان‌طور که هست منتقل می‌کند، و وقتی همه متغیرها Nominal تعریف شده باشند هشدار می‌دهد – پیش‌فرض مؤسسه‌های پیمایش، نه اطلاعاتی درباره متغیرها.
3. مقیاس‌های درجه‌بندی – ترتیبی یا فاصله‌ای؟
پرسشی که در هر پژوهش پرسشنامه‌ای تکرار می‌شود: درجه‌بندی "به میزان بسیار زیاد ... اصلاً" در پنج درجه – آیا مقیاسی فاصله‌ای است، که می‌توان برایش میانگین و همبستگی پیرسون محاسبه کرد، یا مقیاسی ترتیبی؟ Field (2024، کادر 1.2) قاطع است: داوری که 10 داده است بی‌تردید بیشتر از داوری که 2 داده تحت تأثیر قرار گرفته است، اما آیا پنج برابر؟ و اگر هر دو 8 داده باشند – آیا به یک اندازه تحت تأثیر قرار گرفته‌اند؟ احتمالاً نه، زیرا درجه‌بندی به برداشت ذهنی هر کس از اینکه "استعداد" چیست بستگی دارد. بنابراین، به نوشته او، در هر وضعیتی که از افراد خواسته می‌شود چیزی ذهنی را درجه‌بندی کنند – ترجیح، اطمینان به پاسخ، فهم دستورالعمل‌ها – بهتر است داده‌ها را مقیاسی ترتیبی در نظر گرفت، "هرچند بسیاری از پژوهشگران چنین نمی‌کنند". و در بخش 1.5.2 می‌افزاید: متغیرهایی که فاصله‌ای به نظر می‌رسند و با آن‌ها مانند فاصله‌ای رفتار می‌شود اغلب ترتیبی‌اند.
قرارداد سایت، که از این و از رویه رایج ناشی می‌شود: گویه منفرد در مقیاس درجه‌بندی – ترتیبی؛ میانه و فراوانی‌ها، و همبستگی اسپیرمن گزارش می‌شود. نمره مقیاس چندگویه‌ای – مجموع یا میانگین چند گویه که همسانی درونی‌شان بررسی شده است (ببینید پایایی و روایی) – طبق رسم علوم اجتماعی فاصله‌ای در نظر گرفته می‌شود، و این صریحاً در فصل روش گزارش می‌شود. این تصمیم پژوهشگر است، نه نرم‌افزار: SPSS برای هر ستون عددی میانگین محاسبه می‌کند، حتی برای شماره پیراهن‌ها.
4. همبستگی‌ای یا آزمایشی – استنباط چه چیزی مجاز است
به‌طور انتزاعی، دو راه برای آزمودن یک فرضیه هست: مشاهده آنچه به‌طور طبیعی رخ می‌دهد، یا دستکاری جنبه‌ای از محیط و مشاهده اثر آن. در پژوهش همبستگی‌ای (یا مقطعی) جهان بدون مداخله مشاهده می‌شود – در یک برش از متغیرهای بسیار، یا در اندازه‌گیری‌های مکرر در طول زمان (پژوهش طولی)؛ در پژوهش آزمایشی یک متغیر دستکاری می‌شود تا اثرش بر دیگری دیده شود (Field, 2024, Section 1.6). پژوهش همبستگی‌ای یک مزیت دارد: نگاهی طبیعی به دست می‌دهد، زیرا پژوهشگر بر آنچه رخ می‌دهد اثر نمی‌گذارد و اندازه‌گیری‌ها از حضور او سوگیری نمی‌پذیرند – جنبه‌ای مهم از روایی بوم‌شناختی؛ و گاه تنها راه است، زیرا دستکاری ممکن یا مجاز نیست (هیچ‌کس افراد را به‌طور تصادفی به 30 سال سیگار کشیدن تخصیص نمی‌دهد). بهای آن: درباره اثر علّی چیزی نمی‌گوید.
چرا؟ Field (2024، بخش 1.6.2) به هیوم بازمی‌گردد: تعریف هیوم از علت لازم می‌داند که علت بر پیامد مقدم باشد و این دو پیوسته با هم پدیدار شوند. در پژوهش همبستگی‌ای متغیرها معمولاً هم‌زمان اندازه‌گیری می‌شوند، و بنابراین اطلاعاتی درباره اینکه کدام مقدم بوده نیست – پژوهش طولی این را تا حدی حل می‌کند. اما مشکل عمیق‌تر این است که حتی هم‌آیی پیوسته نیز میان تصادف و علیت تمایز نمی‌گذارد: ممکن است متغیر سومی موجب هر دو باشد. این همان "چیز سوم" است – tertium quid – متغیر مخدوش‌کننده (confound). در مثال جاری سایت: مشارکت در فعالیت اجتماعی محلی و احساس تعلق همبسته‌اند – اما سابقه سکونت در محل می‌تواند موجب هر دو باشد (نمودار 1). میل شرط غایب را به تعریف هیوم افزود: همه تبیین‌های دیگر باید رد شوند – پیامد باید وقتی علت حاضر است پدیدار شود و وقتی علت غایب است پدیدار نشود. و این دقیقاً همان کاری است که آزمایش می‌کند: وضعیت‌هایی ("شرایطی") را مقایسه می‌کند که در آن‌ها علت پیشنهادی حاضر یا غایب است. در مثال Field – سه گروه دانشجو که بازخورد حمایتگر، بازخورد سخت یا هیچ بازخوردی دریافت می‌کنند، و در پایان یک آزمون آمار: گروه "بدون بازخورد" همان وضعیتی است که علت در آن غایب است، و تنها مقایسه با آن امکان می‌دهد بگوییم شیوه بازخورد موجب تفاوت شده است.
نمودار 1. سه تبیین برای یک همبستگی
همبستگی مشاهده‌شده میان مشارکت و تعلق (خط‌چین) با هر سه پیکان سازگار است – و داده‌های همبستگی‌ای میان آن‌ها تمایز نمی‌گذارند
یادداشت. "چیز سوم" (tertium quid) نزد Field (2024، بخش 1.6.2): متغیری بیرونی که هم موجب پیش‌بین و هم موجب پیامد می‌شود، میان آن‌ها همبستگی ایجاد می‌کند بی‌آنکه هیچ رابطه علّی‌ای میانشان باشد. تنها طرحی که در آن علت پیشنهادی در یک وضعیت حاضر و در دیگری غایب است، همراه با تخصیص تصادفی، سه تبیین را از هم جدا می‌کند.
یادداشتی که از یک سردرگمی رایج جلوگیری می‌کند (Field, 2024, Box 1.4): آزمون آماری نیست که استنباط علّی را ممکن می‌کند، بلکه طرح. مردم فکر می‌کنند ANOVA و t "آزمایشی" و رگرسیون و همبستگی "همبستگی‌ای"اند چون از نظر تاریخی چنین به کار رفته‌اند – اما این روش‌ها از نظر ریاضی یکسان‌اند. همبستگی‌ای که روی داده‌های یک آزمایش کنترل‌شده محاسبه شده از استنباط علّی پشتیبانی می‌کند؛ ANOVA روی یک پیمایش – نه.
5. بین‌آزمودنی یا اندازه‌گیری‌های مکرر – دو منبع واریانس
در آزمایش دو راه برای دستکاری پیش‌بین هست (Field, 2024, Section 1.6.3): گروه‌های متفاوتی از آزمودنی‌ها در هر شرط – طرح بین‌آزمودنی (مستقل)؛ یا همان آزمودنی‌ها در همه شرایط، یکی پس از دیگری – طرح درون‌آزمودنی (اندازه‌گیری‌های مکرر). این انتخاب آزمون را تعیین می‌کند: t نمونه‌های مستقل در برابر t نمونه‌های زوجی، تحلیل واریانس یک‌راهه در برابر ANOVA اندازه‌گیری‌های مکرر. و منطق پشت آن در واریانس است (بخش 1.6.4). در هر آزمایش دو منبع واریانس هست: نظام‌مند – آنچه پژوهشگر در یک شرط انجام داده و در دیگری نه؛ و غیرنظام‌مند – عوامل تصادفی‌ای که میان شرایط وجود دارند: تفاوت‌های توانایی، ساعت روز، حال‌وهوا. آزمون‌های آماری برآورد می‌کنند چه مقدار از واریانس نظام‌مند است و چه مقدار نه، و آن‌ها را مقایسه می‌کنند. در اندازه‌گیری‌های مکرر ویژگی‌های پایدار آزمودنی – سن، جنس، هوش، انگیزه – در هر دو شرط یکسان‌اند، و بنابراین "نوفه" کوچک است؛ در طرح بین‌آزمودنی این عوامل آزادند میان گروه‌ها تغییر کنند، و نوفه بزرگ است. از این رو، در شرایط برابر، طرح اندازه‌گیری‌های مکرر در آشکار کردن اثر حساس‌تر است.
جدول 2. دو طرح آزمایشی – چه چیزی هر یک را تهدید می‌کند و چه باید کرد
| بین‌آزمودنی (مستقل) | درون‌آزمودنی (اندازه‌گیری‌های مکرر) | |
|---|---|---|
| چه کسی در هر شرط | گروه‌های متفاوت | همان آزمودنی‌ها، در همه شرایط |
| منبع نوفه | تفاوت‌های میان افرادی که به گروه‌ها تخصیص یافته‌اند – بزرگ | تغییر در همان فرد از اندازه‌گیری به اندازه‌گیری – کوچک |
| تهدید نظام‌مند | گروه‌ها در چیزی غیر از دستکاری تفاوت دارند (متغیر مخدوش‌کننده) | اثرهای تمرین و ملال: عملکرد در شرط دوم از شرط اول اثر می‌پذیرد |
| راه چاره | تخصیص تصادفی به شرایط | موازنه ترتیب، با قرعه‌کشی |
| آزمون در سایت | t نمونه‌های مستقل؛ تحلیل واریانس یک‌راهه؛ آزمایش چندعاملی یا بلوکی – طراحی آزمایش‌ها | t نمونه‌های زوجی؛ ANOVA اندازه‌گیری‌های مکرر |
| حساسیت | پایین‌تر – برای همان توان آماری آزمودنی‌های بیشتری لازم است | بالاتر |
یادداشت. بر اساس Field (2024، بخش‌های 1.6.3-1.6.5). تهدیدها و راه چاره‌ها منابع واریانس نظام‌مندی‌اند که دستکاری نیستند – و تصادفی‌سازی آن‌ها را به واریانس غیرنظام‌مند منتقل می‌کند، که آزمون می‌داند چگونه آن را در نظر بگیرد.
6. تصادفی‌سازی – چرا بدون آن آزمایشی در کار نیست
در هر دو طرح باید واریانس غیرنظام‌مند را کاهش داد، اما مهم‌تر از آن – اطمینان یافت که هر واریانس نظام‌مند میان شرایط فقط از دستکاری ناشی می‌شود. ابزار، قرعه‌کشی است (Field, 2024, Section 1.6.5)، به دو شکل. در اندازه‌گیری‌های مکرر دو منبع اصلی واریانس نظام‌مند اثر تمرین است – در شرط دوم آزمودنی دیگر با موقعیت و با سنجه آشناست – و اثر ملال یا خستگی. نمی‌توان آن‌ها را حذف کرد، اما می‌توان با موازنه ترتیب مطمئن شد که نظام‌مند نیستند: برای هر آزمودنی قرعه کشیده می‌شود که شرط 1 را پیش از 2 بگذراند یا برعکس. در مثال Field: اگر همه دانشجویان "بدون بازخورد" و سپس "بازخورد سخت" را گذرانده باشند، بهبود پس از بازخورد سخت ممکن است صرفاً از جلسه‌های بیشتر آمار ناشی شود. در طرح بین‌آزمودنی قرعه‌کشی همان تخصیص تصادفی آزمودنی‌ها به شرایط است: آزمودنی‌ها در گروه‌های مختلف در هوش، در توجه و در هزار چیز دیگر تفاوت دارند، و تخصیص تصادفی تضمین می‌کند که این تفاوت‌ها به واریانس غیرنظام‌مند کمک کنند و نه به نظام‌مند. مثال Field: کارگاهی برای تفکر تحلیلی در برابر باور به اخبار جعلی، که گروه آزمایش آن در گردهمایی دوستداران نظریه‌های توطئه و گروه گواه آن – در یک باشگاه ورزشی جذب شدند. کارگاه "کار نکرد" – و راهی نیست که بدانیم آیا به این دلیل که تفکر تحلیلی کمکی نمی‌کند، یا به این دلیل که جذب‌شدگان کارگاه بیشتر به باورهای غیرعادی گرایش دارند و در چنین تفکری دشواری دارند. گروه‌ها فقط در کارگاه تفاوت نداشتند.
خود قرعه‌کشی را صفحه طراحی آزمایش‌ها تولید می‌کند: تخصیص تصادفی یا ترتیب اجرای تصادفی، بلوک‌ها، مربع لاتین یا مربع Williams برای موازنه ترتیب، و نیز حجم نمونه لازم – با بذر تصادفی ثابت، به‌گونه‌ای که بتوان قرعه‌کشی را در R بازتولید کرد.
دو قرعه‌کشی متفاوت که بهتر است با هم اشتباه نشوند: نمونه‌گیری تصادفی – چه کسی از جامعه آماری وارد پژوهش می‌شود – به تعمیم از نمونه به جامعه آماری مربوط است (صفحه "نمونه و نمونه‌گیری")؛ تخصیص تصادفی – کدام آزمودنی به کدام شرط می‌رسد – به استنباط علّی مربوط است. آزمایش روی نمونه در دسترس استنباط علّی درباره همین نمونه را بدون تعمیم ممکن می‌کند؛ پیمایش روی نمونه احتمالی تعمیم را بدون علیت ممکن می‌کند.
7. و در پژوهش میدانی، که تقریباً همه چیز در آن همبستگی‌ای است، چه می‌کنیم
پیمایش، مصاحبه، تحلیل محتوا، داده‌های اداری – بیشتر پژوهش‌های اجتماعی کاربردی نمی‌توانند افراد را به‌طور تصادفی به شرایط تخصیص دهند، و بنابراین بیشترشان همبستگی‌ای‌اند، و استنباط علّی در آن‌ها محدود است. این ایراد نیست؛ محدودیتی است که گزارش می‌شود. آنچه می‌توان انجام داد: اندازه‌گیری متغیرهای مخدوش‌کننده‌ای که می‌توان از پیش حدس زد (سابقه سکونت، سن، تحصیلات) و وارد کردن آن‌ها در رگرسیون – "کنترل آماری". این کار سهم متغیرهایی را که اندازه‌گیری شده‌اند و فقط آن‌ها را حذف می‌کند؛ تخصیص تصادفی به آنچه به آن فکر نکرده‌ایم نیز می‌پردازد. اندازه‌گیری مکرر در طول زمان – دست‌کم دو موج – ترتیب زمانی‌ای را که تعریف هیوم لازم دارد فراهم می‌کند، اما نه رد تبیین‌های دیگر را. مقایسه پیش-پس با گروه مقایسه‌ای که برنامه را دریافت نکرده است – هرچه گروه‌ها شبیه‌تر باشند به آزمایش نزدیک‌تر است، و هرچه کسانی که انتخاب کردند شرکت کنند با کسانی که نکردند متفاوت‌تر باشند، از آن دورتر. و در همه حالت‌ها: نتیجه را به زبانی که طرح اجازه می‌دهد صورت‌بندی کنید – "مرتبط است با"، "پیش‌بینی می‌کند"، "در میان … افزایش یافت" – و "موجب شد" را برای جایی نگه دارید که قرعه‌کشی در کار بوده است.
اشتباهات رایج
میانگین کدهای اسمی. "میانگین نوع سکونتگاه 2.3" – محاسبه روی نام‌ها. برای متغیر اسمی فراوانی‌ها شمرده می‌شوند؛ SPSS برای هر عددی میانگین محاسبه می‌کند، و مسئولیت با پژوهشگر است.
همبستگی پیرسون میان دو گویه درجه‌بندی منفرد. گویه منفرد مقیاسی ترتیبی است؛ اسپیرمن. پیرسون و میانگین برای نمره‌های مقیاس‌های چندگویه‌ای است – و گزارش می‌کنید که چنین کرده‌اید.
"پیش‌بینی" که "اثرگذار" نامیده می‌شود. در رگرسیون روی داده‌های پیمایش، پیش‌بین پیش‌بینی می‌کند؛ تا طرح چنین نگوید، اثرگذار نیست. زبان فصل بحث از طرح ناشی می‌شود.
فراموش کردن وضعیتی که علت در آن غایب است. "برنامه را به همه دادیم و تعلق افزایش یافت" – بدون گروهی که آن را دریافت نکرد، نمی‌توان دانست که آیا بدون آن هم افزایش نمی‌یافت. گروه گواه قلب آزمایش است، نه افزوده‌ای بر آن.
گروه گواه از منبعی دیگر. آزمایش در یک اجتماع و گروه گواه در اجتماعی دیگر – گروه‌ها در هر آنچه این اجتماع‌ها را از هم متمایز می‌کند تفاوت دارند. تخصیص تصادفی از همان مخزن، یا دست‌کم همتاسازی مستند.
اندازه‌گیری‌های مکرر با ترتیب ثابت. همه شرط الف و سپس ب را گذراندند – تفاوت میان شرایط با تمرین و خستگی درمی‌آمیزد. ترتیب را با قرعه تعیین کنید.
پنداشتن اینکه طرح "همبستگی‌ای" همان آزمون همبستگی است. طرح این است که چگونه گردآوری کردید؛ آزمون این است که چگونه تحلیل کردید. ANOVA روی پیمایش همبستگی‌ای است؛ همبستگی روی آزمایش – آزمایشی.
اشتباه گرفتن نمونه‌گیری تصادفی با تخصیص تصادفی. اولی به این مربوط است که نتیجه به چه کسانی اشاره دارد؛ دومی – به اینکه آیا علّی است. می‌توان یکی را بدون دیگری به دست آورد.
فهرست وارسی – پیش از ساختن فایل داده‌ها
| سؤال | چرا این مهم است |
|---|---|
| برای هر متغیر – چیست، چگونه اندازه‌گیری شده، و در چه سطحی: دووجهی / اسمی / ترتیبی / فاصله‌ای / نسبی؟ | سطح تعیین می‌کند چه چیزی را می‌توان محاسبه کرد و کدام ماشین‌حساب (جدول 1). |
| مقیاس‌های درجه‌بندی – گویه منفرد (ترتیبی) یا نمره چندگویه‌ای (فاصله‌ای)؟ در فصل روش ثبت شده است؟ | تصمیم پژوهشگر، نه نرم‌افزار (بخش 3). |
| کاربرگ راهنمای کدها (legend / מקרא) در فایل: برای هر متغیر نوع، و برای طبقه‌ها – برچسب؟ | ماشین‌حساب‌ها و سینتکس از آن مشتق می‌شوند؛ برچسب‌ها به جای کدهای مبهم. |
| طرح – همبستگی‌ای (مقطعی / طولی) یا آزمایشی؟ نتیجه به زبانی که طرح اجازه می‌دهد صورت‌بندی شده است؟ | "مرتبط است با" در برابر "موجب شد" (بخش‌های 4، 7). |
| اگر آزمایشی است – وضعیتی هست که علت در آن غایب باشد؟ چه کسی به کدام شرط تخصیص یافت، و چگونه؟ | بدون گروه گواه و تخصیص تصادفی استنباط علّی ممکن نیست (بخش‌های 4، 6). |
| بین‌آزمودنی یا مکرر؟ اگر مکرر است – ترتیب شرایط با قرعه تعیین شده است؟ | آزمون و تهدیدها را تعیین می‌کند (جدول 2). |
| کدام متغیرهای مخدوش‌کننده را می‌توان پیش‌بینی کرد – و آیا اندازه‌گیری می‌شوند؟ | کنترل آماری فقط بر آنچه اندازه‌گیری شده ممکن است (بخش 7). |
| از کدام جامعه آماری نمونه‌گیری شده، و چگونه؟ نتیجه فقط به همان تعمیم داده می‌شود؟ | نمونه‌گیری تصادفی ≠ تخصیص تصادفی (بخش 6). |
منابع
Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). SAGE.