دليل عملي: متى وكيف تستخدم البحث الارتباطي؟

يبحث تصميم البحث الارتباطي في العلاقات بين المتغيرات، التي لا يتحكم فيها الباحث في أي منها بشكل مباشر أو يعمد إلى تغييرها. يعكس الارتباط درجة / أو اتجاه العلاقة بين متغيرين (أو أكثر) كما هو موضح في الجدول أدناه. قد يسير الارتباط في اتجاه إيجابي أو سلبي.

البحث الارتباطي مقابل البحث التجريبي

تُستخدم الأساليب الكمية في كل من البحث الارتباطي والتجريبي لفحص العلاقات بين المتغيرات. ومع ذلك، هناك اختلافات مهمة في طرق جمع البيانات وأنواع الاستنتاجات التي يمكن التوصل إليها.

متى يُستخدم البحث الارتباطي

يعد البحث الارتباطي النهج الأمثل لجمع البيانات بسرعة من سياقات العالم الحقيقي. يمكّنك هذا من إجراء تعميمات صحيحة خارجيًا حول نتائجك في مواقف الحياة اليومية. هناك بعض الظروف التي يكون فيها البحث الارتباطي خيارًا جيدًا.

للنظر في العلاقات غير السببية

على الرغم من أنك لا تتوقع اكتشاف علاقة سببية بين متغيرين، فأنت تريد تحديد ما إذا كان هناك ارتباط بينهما. يمكن أن يسلط البحث الارتباطي الضوء على العلاقات المعقدة في العالم الحقيقي، مما يساعد الباحثين على إنشاء الفرضيات والتنبؤات.

مثال توضيحي للعلاقات غير السببية

أنت مهتم بمعرفة ما إذا كانت هناك صلة بين حجم عائلة الأشخاص والحزب السياسي الذي يدعمونه. لا تعتقد أن إنجاب المزيد من الأطفال يؤثر على كيفية تصويت الناس بشكل مختلف؛ بدلًا من ذلك، تعتقد على الأرجح أن المتغيرات الأخرى مثل العمر والدين والأيديولوجيا والحالة الاجتماعية والاقتصادية لها تأثير أكبر على كليهما. ومع ذلك، يمكن أن يكون الارتباط الكبير مفيدًا في التنبؤ باتجاهات التصويت.

لاستكشاف العلاقات السببية بين المتغيرات

أنت تعتقد أن هناك علاقة سببية بين متغيرين، لكن إجراء دراسة تجريبية يتم فيها تغيير أحد المتغيرات غير ممكن أو غير أخلاقي أو باهظ التكلفة. قد تقدم الأبحاث الارتباطية مؤشرات أولية أو المزيد من الأدلة لدعم النظريات حول العلاقات السببية.

مثال توضيحي للعلاقات السببية  

تريد أن تنظر فيما إذا كانت انبعاثات الغازات تساهم في الاحتباس الحراري. على الرغم من أنه ليس من الممكن إجراء تجربة ترصد باستمرار الانبعاثات العالمية بمرور الوقت، إلا أن المراقبة والتحليل يمكن أن يظهرا ارتباطًا جوهريًا يعطي وزنًا للنظرية ويدعمها.

لاختبار أدوات القياس الجديدة

لقد طورت أداة جديدة لقياس المتغيرات الخاص بك، وتحتاج إلى اختبار صحتها أو موثوقيتها. يمكن استخدام البحث الترابطي لتقييم ما إذا كانت الأداة تلتقط بشكل ثابت أو دقيق المفهوم الذي تهدف إلى قياسه.

مثال على اختبار أدوات القياس الجديدة

أنت تطور مقياسًا جديدًا لقياس الشعور بالوحدة لدى الأطفال الصغار؛ بناءً على الأدلة القصصية أثناء عمليات الإغلاق. للتحقق من صحة هذا المقياس، تحتاج إلى اختبار ما إذا كان يقيس الوحدة بالفعل. تقوم بجمع بيانات عن الشعور بالوحدة باستخدام ثلاثة مقاييس مختلفة، بما في ذلك المقياس الجديد، واختبار درجات الارتباط بين القياسات المختلفة. إن العثور على ارتباطات عالية يعني أن مقياسك يعد صالحًا للاستخدام.

كيفية جمع البيانات الارتباطية

يمكن إجراء البحث الارتباطي بعدة طرق مختلفة. تشمل طرق جمع البيانات الأكثر شيوعًا لهذا النوع من الأبحاث في العلوم الاجتماعية والسلوكية، على سبيل المثال الاستطلاعات والملاحظات والبيانات الثانوية.

لضمان صحة وموثوقية نتائجك، فمن الأهمية بمكان اختيار الأدوات المنهجية والتخطيط لها بعناية. للتأكد من أن بياناتك تمثل السكان الذين تهتم بهم بدقة دون تحيز بحثي، فأنت بحاجة إلى اختيار عينة تمثيلية باعتناء.

الدراسات الاستقصائية

إن الاستبيانات هي أداة مفيدة لقياس المتغيرات الرئيسية التي تهمك في البحث الاستقصائي. يمكنك إجراء الاستطلاعات الرأي شخصيًا أو عبر الهاتف أو عبر البريد الإلكتروني أو عبر الإنترنت.

تعد الاستطلاعات طريقة سريعة ومرنة لجمع البيانات الموحدة من عدد كبير من الأشخاص، ولكن من الضروري التأكد من صياغة أسئلتك بشكل موضوعي، والتقاط الأفكار الصحيحة ذات الصلة.

مثال على إجراء دراسة استقصائية

تقوم بإرسال استبيان حول النظام الغذائي إلى عينة من الأشخاص من فئات الدخل المختلفة؛ لمعرفة ما إذا كان هناك ارتباط بين الأشخاص النباتيين والدخل. لتحديد ما إذا كان النباتيون يتمتعون بدخل أعلى في المتوسط، تقوم بتقييم الاستجابات إحصائيًا.

الملاحظة الطبيعية

إن الملاحظة الطبيعية هي نوع من البحث الميداني، حيث يقوم الباحث من خلاله بجمع البيانات حول سلوك أو ظواهر في بيئتها الطبيعية.

يستلزم هذا النهج في كثير من الأحيان تدوين وجدولة الإجراءات والأحداث ووصفها وتصنيفها. بينما يمكن أن تشمل الملاحظة الطبيعية كلًا من الطرق الكمية والنوعية، فمن الأفضل جمع البيانات التي يمكن تقييمها عدديًا (مثل التكرارات والمدد والمقاييس والكميات) من أجل تحديد الارتباط.

تمكّنك الملاحظة الطبيعية من فحص الأحداث ودراسة التجارب غير القابلة للتكرار في إعدادات المختبر، وتجعل من السهل عليك تعميم نتائجك على سياقات العالم الحقيقي. ومع ذلك، يمكن أن تكون معالجة البيانات غير متوقعة وتستغرق وقتًا طويلًا، وقد يؤدي تحيز الباحث إلى تحريف النتائج والتفسيرات.

مثال على الملاحظة الطبيعية

أنت تراقب الحلقات الدراسية الجامعية، مع ملاحظة تكرار ومدة مساهمات الطلبة، وتصنيفها على أساس الجنس؛ لتحديد ما إذا كان هناك ارتباط بين الجنس والمشاركة الصفية. تقوم بتحليل إحصائي للبيانات، للتأكد مما إذا كان الرجال أو النساء أكثر ميلًا للتحدث في الفصل.

البيانات الثانوية

بدلًا من جمع البيانات الأصلية، يمكنك أيضًا استخدام البيانات التي تم الحصول عليها بالفعل لغرض مختلف، مثل السجلات الرسمية أو استطلاعات الرأي أو الدراسات السابقة.

إن استخدام البيانات الثانوية يعتبر غير مكلفًا وسريعًا لشمول جمع البيانات. ولكن، لا يمكنك التحكم في صحة أو موثوقية طرق جمع البيانات، وبالتالي قد تكون البيانات خاطئة أو غير كاملة أو غير ذات صلة تمامًا.

مثال على استخدام البيانات الثانوية

يتم الجمع بين البيانات المتعلقة بمتوسط ساعات العمل النموذجية ومعدلات الأمراض العقلية والإحصاءات الوطنية الرسمية والدراسات العلمية من مختلف الدول؛ لتحديد ما إذا كانت ساعات العمل مرتبطة بالصحة العقلية. تقوم بعد ذلك بتحليل البيانات إحصائيًا؛ لمعرفة ما إذا كانت الدول التي تعمل لساعات أقل لديها معدلات منخفضة من اعتلال الصحة العقلية.

كيفية تحليل البيانات الارتباطية

بعد جمع البيانات، يمكنك فحص العلاقة بين المتغيرات إحصائيًا، باستخدام تحليل الارتباط أو الانحدار أو ربما كليهما. إن مخطط التشتت هو أداة أخرى لتوضيح الارتباطات بين المتغيرات.

بناءً على درجات القياس وتوزيع البيانات الخاصة بك، فإن العديد من أشكال معاملات الارتباط وتحليلات الانحدار تبدو مناسبة للبيانات.

تحليل الارتباط

يمكن تلخيص العلاقة بين المتغيرات في معامل الارتباط من خلال استخدام تحليل الارتباط، وهو رقم واحد يشير إلى اتجاه وشدة العلاقة بين المتغيرات. يمكنك قياس مدى الارتباط بين المتغيرات باستخدام هذا الرقم.

غالبًا ما يتم استخدام معامل الارتباط اللحظي للمنتج، والذي يُشار إليه أيضًا باسم Pearson r بشكل شائع، لتحديد ما إذا كان هناك متغيران كميان لهما بينهما علاقة خطية. على الرغم من إمكانية استخدام معامل الارتباط المتعدد لثلاثة متغيرات أو أكثر، عادةً ما يتم تحديد معاملات الارتباط عادةً لمتغيرين في وقت واحد.

تحليل الانحدار

يمكنك تقدير مدى تأثير تغيير في متغير واحد على تغيير في متغير آخر باستخدام تحليل الانحدار. إن النتيجة النهائية هي أن معادلة الانحدار تصور الخط على الرسم البياني للمتغيرات الخاصة بك.

بناءً على القيمة "القيم" المحددة للمتغير "المتغيرات" الأخرى، يمكنك استخدام هذه المعادلة للتنبؤ بقيمة متغير واحد. إن أفضل مسار للعمل هو إجراء تحليل الانحدار بعد اختبار الارتباط بين المتغيرات الخاصة بك.

الارتباط والسببية

من المهم أن تضع في اعتبارك أن الارتباط لا يعني السبب والنتيجة. ليس صحيحًا بالضرورة أن عنصرًا ما يتسبب في عنصر آخر وذلك لعدة أسباب؛ فقط لأنك اكتشفت ارتباطًا بينهما.

مشكلة الاتجاه

إذا كان هناك ارتباط بين متغيرين، فقد يكون أحدهما سببًا والآخر نتيجة. لكن لا يمكن تحديد أيهما بسبب منهجية البحث الارتباطي. لا يستخلص الباحثون استنتاجات سببية من الدراسات الارتباطية، من أجل تجنب الوقوع في الأخطاء بحذر.

مثال على علاقة السبب والنتيجة

تكتشف ارتباطًا مباشرًا بين انخفاض مستويات فيتامين (د) والاكتئاب: من المرجح أن يعاني الأشخاص المصابون بالاكتئاب من انخفاض مستويات فيتامين (د). ومع ذلك، لا توجد طريقة لمعرفة ما إذا كان الاكتئاب يتسبب في انخفاض مستويات فيتامين (د) أو ما إذا كان الاكتئاب يتسبب في انخفاض تناول فيتامين (د) من خلال التغييرات في النظام الغذائي أو نمط الحياة. نتيجةً لذلك، يمكنك فقط استخلاص استنتاج مفاده أن هذين المتغيرين مرتبطان.

مشكلة المتغير الثالث

إن المتغير الثالث المعروف باسم عامل الخلط، يؤثر على المتغيرات الأخرى بطريقة تجعلها تبدو مرتبطة سببيًا حتى لو لم تكن كذلك. بدلًا من ذلك، هناك روابط سببية منفصلة بين المؤثر وكل متغير.

هناك القليل من سيطرة الباحث على المتغيرات الدخيلة في البحث الارتباطي، إن لم تكن معدومة في حالات مختلفة. لا يزال من الممكن أن يكون هناك المزيد من المتغيرات المحتملة، التي تحجب الارتباط بين متغيرات الدراسة الخاصة بك؛ حتى بعد أن تضع في الحسبان إحصائيًا بعض العوامل المحتملة.

مثال على المتغير الثالث

تكتشف ارتباطًا إيجابيًا عاليًا بين ساعات العمل والضغوط المرتبطة بالعمل، حيث يبلغ الأشخاص عن مستويات أقل من الإجهاد أثناء العمل لساعات أقل. ومع ذلك، فإن هذا لا يوضح أن ساعات العمل الأقل تؤدي إلى إجهاد أقل.

قد يكون للعديد من العوامل الإضافية، التي قد تؤثر على كلا المتغيرين، بما في ذلك متوسط ​​الدخل وظروف العمل وانعدام الأمن الوظيفي. حتى إذا قمت بحساب هذه العوامل والتحكم بها إحصائيًا، فلا يمكنك أن تكون متأكدًا من أن ساعات العمل الأقل تؤدي إلى ضغط أقل؛ نظرًا لوجود العديد من العوامل الأخرى التي قد تحجب هذه العلاقة وتعقدها.

يمكن أن يساعد البحث الارتباطي في تطوير فرضية سببية تم اختبارها في تجارب مضبوطة، على الرغم من أنه لا يستطيع إثبات السببية من تلقاء نفسه.