طريقة إجراء التحليل الإحصائي مع الخطوات والأمثلة

يُعرف التحليل الإحصائي بالتحقيق في الاتجاهات والأنماط والارتباطات باستخدام البيانات الكمية. إنه أداة بحث مهمة يستخدمها الأكاديميون والباحثون والسلطات والشركات والمنظمات الأخرى. يتطلب التحليل الإحصائي التخطيط بعناية منذ بداية عملية البحث، من أجل الحصول على نتائج موثوقة. يجب أن تقرر تصميم دراستك وحجم العينة وطريقة أخذ العينات، بالإضافة إلى تحديد فرضيتك في البحث.

بعد جمع البيانات من عينتك، يمكنك استخدام الإحصائيات الوصفية لتنظيم البيانات وتلخيصها. يمكنك بعد ذلك اختبار الفرضيات رسميًا وإنشاء تقديرات حول مجتمع البحث، باستخدام الإحصائيات الاستدلالية. أخيرًا، يمكنك تحليل نتائجك وتفسيرها وتعميمها.

بالنسبة للباحثين وطلبة الدراسات العليا، تعتبر هذه المقالة بمثابة مقدمة مفيدة للتحليل الإحصائي. سنطلعك على خطوات عملية التحليل الإحصائي بمساعدة مثالين بحثيين؛ ينظر الأول في علاقة السبب والنتيجة المحتملة، بينما يفحص الثاني الارتباط المحتمل بين المتغيرات.

مثال: سؤال البحث السببي: هل يمكن أن يساعد التأمل المراهقين على أداء أفضل في الامتحانات؟

مثال: سؤال البحث الارتباطي: هل متوسط الدرجات الكلية (GPA) مرتبط بدخل الوالدين؟

خطوات التحليل الإحصائي

الخطوة 1: اكتب فرضياتك وخطط لتصميم بحثك

يجب عليك أولًا تحديد فرضياتك بوضوح، وتحديد تخطيط تصميم البحث الخاص بك، من أجل جمع بيانات موثوقة للتحليل الإحصائي.

تكوين فرضيات إحصائية

غالبًا ما يكون الهدف من البحث هو التحقيق في وجود صلة بين المتغيرات داخل مجموعة سكانية. بدءًا من وضع الفرضية، يمكنك اختبارها باستخدام التحليل الإحصائي.

يتم إضفاء الطابع الرسمي على التنبؤ حول مجموعة سكانية كفرضية إحصائية. يتم إعادة صياغة كل فرضية بحثية إلى فرضية لاغية وبديلة يمكن اختبارها باستخدام بيانات العينة. تنص الفرضية البديلة على توقع بحثك في وجود تأثير أو علاقة، في حين أن الفرضية الصفرية لا تتوقع دائمًا وجود أي تأثير أو علاقة بين المتغيرات.

مثال: فرضيات إحصائية لاختبار التأثير

فرضية لاغية: لن تتأثر درجات اختبار الرياضيات لدى المراهقين بممارسة التأمل لمدة 5 دقائق.

فرضية بديلة: ستزداد نتائج اختبارات الرياضيات لدى للمراهقين بعد ممارسة التأمل لمدة 5 دقائق.

مثال: فرضيات إحصائية لاختبار الارتباط

فرضية لاغية: ليست هناك علاقة بين دخل الوالدين والمعدل التراكمي لدى طلبة الجامعات.

فرضية بديلة: يرتبط دخل الوالدين والمعدل التراكمي لطلبة الجامعات بشكل إيجابي.

التخطيط لتصميم البحث

تصميم البحث هو خطتك الشاملة واستراتيجيتك العامة لجمع البيانات وتحليلها، ويعمل على تحديد الاختبارات الإحصائية، التي يمكنك استخدامها لاختبار فرضيتك لاحقًا. يجب أن تقرر ما إذا كان بحثك سيستخدم تصميمًا وصفيًا أو ارتباطيًا أو تجريبيًا. على عكس الدراسات الوصفية والارتباطية، التي تقوم فقط بقياس المتغيرات، فإن التجارب لها تأثير مباشر على المتغيرات التي تدرسها.

في التصميم التجريبي، يمكنك تقييم علاقة السبب والنتيجة (على سبيل المثال، تأثير التأمل على درجات الاختبار) باستخدام الاختبارات الإحصائية للمقارنة أو الانحدار.

في التصميم الترابطي، يُسمح لك بفحص الارتباط بين المتغيرات (على سبيل المثال، دخل الوالدين والمعدل التراكمي) باستخدام معاملات الارتباط واختبارات الأهمية، دون وضع أي افتراضات حول السببية.

في التصميم الوصفي، يمكنك دراسة خصائص السكان أو الظاهرة (على سبيل المثال، انتشار القلق لدى طلبة الجامعات الأمريكية) باستخدام الاختبارات الإحصائية لاستخلاص استنتاجات من بيانات العينة.

يهتم تصميم البحث الخاص بك أيضًا بما إذا كنت ستقارن المشاركين على المستوى الفردي أو المجموعة أو كلا المستويين.

في التصميم بين المواضيع، تقوم بمقارنة النتائج على مستوى المجموعة بين المشاركين، الذين تلقوا علاجات مختلفة (على سبيل المثال، أولئك الذين شاركوا في ممارسة التأمل مقابل أولئك الذين لم يفعلوا ذلك).

في التصميم الداخلي للموضوعات، تقارن المقاييس المتكررة من المشاركين في جميع علاجات الدراسة (على سبيل المثال، الدرجات من قبل وبعد ممارسة التأمل).

في التصميم المختلط "العاملي"، يتم تغيير أحد المتغيرات داخل وبين الموضوعات (على سبيل المثال، نتائج الاختبار القبلي والبعدي من المشاركين، الذين أجروا أو لم يمارسوا التأمل).

مثال على تصميم الدراسة التجريبية

يمكنك تصميم تجربة داخل الموضوعات، لتحديد ما إذا كان ممارسة التأمل لمدة 5 دقائق قد يحسن من نتائج اختبار الرياضيات. يتم جمع القياسات المتكررة من مجموعة مشاركة واحدة لدراستك.

ستقوم أولًا بجمع درجات الاختبار الأساسية من المشاركين. سيخضع بعد ذلك المشاركون لممارسة التأمل لمدة 5 دقائق. ستسجل أخيرًا درجات اختبار الرياضيات الثاني للمشاركين.

في هذه التجربة، فإن المتغير المستقل هو ممارسة التأمل لمدة 5 دقائق، بينما المتغير التابع هو درجة اختبار الرياضيات من قبل التدخل وبعده.

مثال على تصميم الدراسة الارتباطية

من خلال إجراء تحليل الارتباط، يمكنك تحديد ما إذا كانت هناك علاقة بين دخل الوالدين والمعدل التراكمي لطلبة الجامعات. سيُطلب من المشاركين ملء الاستبيان، والإبلاغ الذاتي عن معدلهم التراكمي ودخل آبائهم، من أجل الحصول على البيانات التي تحتاجها.

لا توجد متغيرات تابعة أو مستقلة في هذه الدراسة، نظرًا لأنك ترغب فقط في قياس المتغيرات، دون التأثير عليها بأي شكل من الأشكال.

قياس المتغيرات

يجب عليك تفعيل المتغيرات الخاصة بك وتحديد كيفية قياسها بدقة، أثناء التخطيط لتصميم البحث. يعد مستوى قياس المتغيرات الخاصة بك، والذي يكشف عن نوع البيانات التي تحتوي عليها، أمرًا بالغ الأهمية للتحليل الإحصائي.

يتم تمثيل التجمعات باستخدام البيانات الفئوية. يمكن أن تكون هذه ترتيبية (مثل مستوى مهارة اللغة) أو اسمية (مثل الجنس).

البيانات الكمية توضح الكميات. يمكن أن تستند هذه إلى مقياس نسبة (مثل العمر) أو مقياس فاصل (مثل درجات الاختبار).

يمكن قياس العديد من المتغيرات بدرجات متفاوتة من الدقة. على سبيل المثال، يمكن تحديد بيانات العمر كميًا (8 سنوات) أو فئوية (صغار السن). المتغير ليس دائمًا كميًا بدلًا من فئويًا، لمجرد أنه تم ترميز المتغير عدديًا (على سبيل المثال، مستوى الاتفاق من 1 إلى 5).

لغرض اختيار الإحصائيات واختبارات الفرضيات ذات الصلة، يجب تحديد مستوى القياس. على سبيل المثال، على الرغم من أنه لا يمكن استخدام البيانات الفئوية لحساب متوسط الدرجة، يمكن للبيانات الكمية حساب ذلك.

في دراسة بحثية إلى جانب مقاييس المتغيرات التي تهمك، ستجمع بشكل متكرر بيانات عن خصائص المشارك ذات الصلة.

مثال: المتغيرات (التجربة)

بينما يمكن استخدام المتغيرات الفئوية لتحديد المجموعات لاختبارات المقارنة، فيمكن استخدام بيانات العمر الكمي أو نتائج الاختبار لإجراء العديد من العمليات الحسابية.

مثال: المتغيرات (دراسة ارتباطية)

تحدد أنواع المتغيرات في الدراسة الارتباطية الاختبار، الذي ستستخدمه لمعامل الارتباط. يمكن استخدام اختبار الارتباط البارامتري للبيانات الكمية، بينما يجب استخدام الارتباط غير البارامتري إذا كان أحد المتغيرات ترتيبيًا.

الخطوة 2: جمع البيانات من العينة

في معظم الأحيان، قد يكون جمع البيانات من كل فرد من السكان الذين تهتم بدراستهم أمرًا معقدًا للغاية أو مكلفًا. بدلًا من ذلك، سوف تجمع البيانات من عينة محددة. طالما أنك تتبع إجراءات أخذ العينات المناسبة، فإن التحليل الإحصائي يمكّنك من استقراء استنتاجاتك من عينتك الخاصة. إن العينة التمثيلية للسكان هي ما يجب أن تهدف إليه.

اختيار العينات للتحليل الإحصائي

يمكن اختيار العينة بطريقتين:

أخذ العينات الاحتمالية: كل شخص في المجتمع لديه احتمال أن يتم اختياره عشوائيًا للدراسة.

أخذ العينات غير الاحتمالية: من المرجح أن يتم اختيار بعض أفراد المجتمع للدراسة أكثر من غيرهم، بسبب معايير مثل الراحة أو الاختيار الذاتي الطوعي.

من الناحية النظرية، يجب استخدام طريقة أخذ العينات الاحتمالية؛ للحصول على نتائج قابلة للتعميم بشكل كبير. يضمن استخدام الاختيار العشوائي أن البيانات المأخوذة من عينتك تمثل السكان، وتقلل من أنواع التحيز البحثي العديدة، مثل تحيز أخذ العينات. عندما يتم جمع البيانات عن طريق أخذ العينات الاحتمالية، يمكن استخدام الاختبارات البارامترية لاستخلاص استنتاجات إحصائية قوية.

ولكن من الناحية العملية، نادرًا ما يكون الحصول على عينة مثالية أمرًا ممكنًا. تعد العينات غير الاحتمالية أسهل في التجميع والحصول على البيانات منها، ولكنها أكثر عرضة للتحيزات مثل تحيز الاختيار الذاتي. على الرغم من أن الاختبارات غير المعلمية تنتج استنتاجات أضعف حول السكان، إلا أنها أكثر ملاءمة للعينات غير الاحتمالية.

قم بإثبات الحالة التالية، إذا كنت تريد استخدام الاختبارات البارامترية على عينات غير احتمالية:

• عينتك تمثل مجتمع البحث الذي تعمم عليه نتائجك.  

• عينتك خالية من التحيز المنهجي.

ضع في اعتبارك أن الصلاحية الخارجية تحد من قدرتك على استقراء نتائجك بما يتجاوز خصائص أعضاء عينتك. على سبيل المثال، النتائج المستخرجة من العينات الغربية والمتعلمة والصناعية والغنية والديمقراطية (مثل طلاب الجامعات الأمريكية) لا تنطبق تلقائيًا على جميع السكان في البحث.

إذا كنت تستخدم الاختبارات البارامترية على بيانات مأخوذة من عينات غير احتمالية، فتأكد من أن تشرح في قسم المناقشة القيود المفروضة على مدى اتساع نطاق تطبيق نتائجك.

إنشاء إجراء أخذ العينات المناسب

اتخذ قرارًا بشأن استراتيجية اختيار المشاركين بالبحث، بناءً على الموارد المتاحة لبحثك.

• هل ستكون لديك الوسائل والموارد لنشر بحثك على نطاق واسع، بما في ذلك خارج محيط الجامعة؟

• هل ستتمكن من العثور على عينة متنوعة تمثل بدقة جميع السكان؟

• هل لديك الوقت للتواصل والمتابعة مع أعضاء المجموعات التي يصعب الوصول إليها؟

مثال لأخذ العينات بدراسة تجريبية

أطفال المدارس الثانوية في مدينتك هم مجتمع البحث، الذين تريد أخذ عينات منهم لتجربتك. يمكنك الاتصال بسبع مدارس عامة وثلاث مدارس خاصة في مناطق مختلفة من المدينة، لترى ما إذا كان بإمكانك إجراء تجربتك على طلاب الصف الحادي عشر.

يتم اختيار المشاركين لديك طواعية من قبل مدارسهم. على الرغم من حقيقة أنك تستخدم عينة غير احتمالية، إلا أنك لا تزال تسعى جاهدًا للحصول على عينة تمثيلية ومتنوعة.

مثال لأخذ العينات في دراسة ارتباطية

طلاب الجامعات الذكور في الولايات المتحدة هم مجتمع البحث المستهدف الرئيس. يمكنك اختيار طلاب جامعيين ذكور في السنة الأولى من مجموعة سكانية فرعية أصغر: سبع جامعات في منطقة بوسطن، من خلال إعلانات وسائل التواصل الاجتماعي. هذه عينة غير احتمالية، لأن لتطوع الأشخاص الذين أجروا الاستطلاع.

تحديد حجم العينة المناسب

ضع في اعتبارك البحث الحالي في مجالك أو استخدم الإحصائيات، لتحديد حجم عينتك قبل اختيار المشاركين في الدراسة. ستكون العينة الكبيرة جدًا أكثر تكلفة من اللازم، في حين أن العينة الصغيرة جدًا قد لا تمثل مجتمع البحث.

تتوفر الآلات الحاسبة على الإنترنت على نطاق واسع لتحديد حجم العينة. يتم استخدام العديد من الصيغ المختلفة، اعتمادًا على ما إذا كانت المجموعات الفرعية موجودة أو مدى صرامة دراستك (على سبيل المثال، في البحث السريري). كقاعدة عامة، تتطلب كل مجموعة فرعية ما لا يقل عن 30 وحدة أو أكثر.

من أجل استخدام هذه الآلات الحاسبة، يجب أن تفهم المكونات الأساسية التالية:

• مستوى الأهمية "ألفا": ويُعرف باحتمال رغبتك في رفض فرضية صفرية حقيقية، والذي يتم تحديدها غالبًا بنسبة 5٪.

• القوة الإحصائية: هي احتمال أن تجد دراستك تأثيرًا بحجم معين، إذا كان هناك تأثير، عادةً بنسبة 80٪ أو أكثر.

• حجم التأثير المتوقع: هو مقياس كمي لمدى حجم النتيجة المتوقعة لدراستك، ويعتمد عادةً على نتائج دراسات أخرى ذات تصميم مشابه.

• الانحراف المعياري للسكان: ويُعرف بتقدير معلمة السكان بناءً على دراسة سابقة أو دراستك التجريبية.

الخطوة 3: استخدم الإحصائيات الوصفية لتلخيص بياناتك

بمجرد جمع كل بياناتك في البحث، يمكنك فحصها وإنشاء إحصائيات تصفها وتلخصها.

تحقق من بياناتك

هناك طرق أخرى لفحص بياناتك، بما في ذلك تلك المدرجة أدناه:

• إنشاء جداول التوزيع التكراري لتنظيم البيانات لكل متغير.

• سيسمح لك استخدام مخطط شريطي لعرض البيانات من متغير رئيسي بمعرفة كيفية توزيع الردود.

• باستخدام مخطط مبعثر لتوضيح العلاقة بين متغيرين.

يمكنك تحديد ما إذا كانت بياناتك لها توزيع منحرف أو عادي، وما إذا كان هناك أي قيم متطرفة أو بيانات مفقودة، من خلال عرض بياناتك في جداول ورسوم بيانية. يشير التوزيع الطبيعي إلى أن البيانات موزعة شكل متماثل حول المركز، مع تتناقص القيم باتجاه أطراف المؤشر، حيث توجد غالبية القيم.

من ناحية أخرى، فإن التوزيع المنحرف غير متماثل وله قيم في أحد طرفيه أكثر من الآخر. وبالتالي، فمن الضروري مراعاة شكل التوزيع، لأنه يجب استخدام بعض الإحصائيات الوصفية فقط مع توزيعات منحرفة. قد تحتاج إلى طريقة منهجية منظمة للتعامل مع هذه القيم؛ لأن القيم المتطرفة يمكن أن تنتج أيضًا إحصاءات مضللة.

حساب مقاييس الاتجاه المركزي

تصف مقاييس الاتجاه المركزي المكان، الذي تكمن فيه غالبية القيم في مجموعة البيانات. هناك عادة ثلاثة مقاييس أساسية للاتجاه المركزي:

• المنوال: تسمى الإجابة أو القيمة الأكثر شيوعًا في مجموعة البيانات.

• الوسيط: هو القيمة التي تقع بالضبط في منتصف مجموعة البيانات، عندما يتم ترتيبها من الأقل إلى الأعلى.

• المتوسط: هو ناتج مجموع كل القيم مقسومًا على عدد القيم.

ومع ذلك، قد يكون واحدًا أو اثنين فقط من هذه المقاييس مناسبًا، اعتمادًا على شكل التوزيع ومستوى القياس. على سبيل المثال، في حين أن متغيرًا مثل سرعة التفاعل قد لا يكون له وضع على الإطلاق، لا يمكن وصف العديد من الخصائص الديمغرافية إلا باستخدام المنوال أو النسب.

احسب مقاييس التباين

تكشف درجة التباين في جمع البيانات عن مدى تشتت القيم وانتشارها. غالبًا ما يتم الإبلاغ عن أربع قياسات رئيسية للتباين:

• النطاق: مجموع القيم الأعلى مطروحًا منها القيم الأدنى لمجموعة البيانات.

• النطاق الربيعي: ويُعرَّف بأنه النصف المركزي لمجموعة البيانات.

• الانحراف المعياري: هو متوسط المسافة بين كل قيمة في مجموعة البيانات والمتوسط الحسابي.

• التباين: مربع الانحراف المعياري.

مرة أخرى، يجب أن توجه درجة القياس وشكل التوزيع اختيارك لإحصائيات التباين. بالنسبة للتوزيعات المنحرفة، يكون المقياس الأمثل هو النطاق الربيعي، بينما بالنسبة للتوزيعات العادية، فإن المقاييس المثلى هي الانحراف والتباين المعياري.

الخطوة 4: استخدم الإحصاءات الاستدلالية لاختبار الفرضيات أو عمل التقديرات

إن المعلمة هي رقم يصف المجتمع، في حين أن الإحصاء هو رقم يصف العينة. يمكنك استخلاص استنتاجات حول معلمات السكان بناءً على إحصائيات العينة، باستخدام الإحصائيات الاستدلالية. يستخدم الباحثون في كثير من الأحيان طريقتين رئيسيتين في وقت واحد، لاستخلاص النتائج من الإحصاء.

التقدير: هو حساب معلمات السكان بناءً على إحصائيات العينة.

اختبار الفرضيات: هي عملية رسمية لاختبار تنبؤات البحث المستندة إلى السكان باستخدام العينات.

التقدير

باستخدام إحصائيات العينة، يمكنك تقدير نوعين مختلفين من المعلمات السكانية:

• تقدير النقطة: هي قيمة تلخص أفضل تخميناتك بشأن المعلمة الدقيقة.

• تقدير الفاصل الزمني: هو نطاق من القيم التي تعتقد أن المعلمة ستقع بداخلها.

استخدم كلًا من تقديرات النقطة والفاصل الزمني في عملك البحثي، إذا كان هدفك هو استنتاج خصائص المجتمع والإبلاغ عنها من عينة البيانات.

عندما يكون لديك عينة تمثيلية، يمكنك التعامل مع عينة إحصائية كتقدير نقطي لمعامل السكان (على سبيل المثال، في استطلاع رأي عام واسع، تعتبر النسبة المئوية للعينة التي تدعم الحكومة الحالية على أنها النسبة المئوية للسكان من أنصار الحكومة).

نظرًا لوجود عنصر ما لتقدير الخطأ دائمًا، فيجب عليك أيضًا تقديم فاصل ثقة كتقدير للفاصل الزمني لتوضيح التباين حول تقدير النقطة. يعبر فاصل الثقة عن المكان الذي تتوقع عادةً العثور فيه على معلمة السكان في معظم الأوقات، باستخدام الخطأ القياسي ودرجة z من التوزيع العادي القياسي.

اختبار الفرضيات

يمكنك اختبار الفرضيات المتعلقة بالارتباطات بين المتغيرات في المجتمع، باستخدام بيانات من عينة. تُستخدم الاختبارات الإحصائية في تقييم الفرضيات لتحديد ما إذا كان يمكن رفض الفرضية الصفرية أم لا، بدءًا من الافتراض بأنها صحيحة في المجتمع. مع افتراض أن الفرضية الصفرية صحيحة، تُظهر الاختبارات الإحصائية المكان الذي ستقع فيه بيانات العينة على التوزيع المتوقع لبيانات العينة. هذه الاختبارات لها نتيجتان أساسيتان:

• تكشف إحصائية الاختبار عن مدى اختلاف بياناتك عن الفرضية الصفرية للاختبار.

• فستخبرك القيمة p بمدى احتمالية حصولك على نتائجك، إذا كانت الفرضية الصفرية صحيحة بالفعل في المجتمع.

يمكن تقسيم التحليلات الإحصائية إلى ثلاث فئات:

• اختبارات المقارنة: تقيس الاختلافات في النتائج بين المجموعات.

• تحليل الانحدار: يقوم بتقييم الروابط السببية بين المتغيرات.\

• اختبارات الارتباط: تفحص العلاقات بين المتغيرات، بدون افتراض وجود علاقة سببية.

ستؤثر كل من أسئلة البحث وتصميم البحث واستراتيجية أخذ العينات وخصائص البيانات على الاختبار الإحصائي الذي تستخدمه.

الاختبارات البارامترية

استنادًا إلى بيانات العينة، تقدم الاختبارات البارامترية استنتاجات مهمة حول مجتمع البحث. ومع ذلك، يمكن استخدام أنواع محددة فقط من المتغيرات، ويجب استيفاء افتراضات معينة من أجل استخدامها. يمكنك إجراء التعديلات الضرورية على البيانات، أو استخدام الاختبارات غير المعلمية البديلة، إذا كانت بياناتك تتعارض مع هذه الافتراضات.

تحلل نماذج الانحدار الدرجة التي تتأثر بها التغييرات في متغير متوقع إلى التغييرات في واحد أو أكثر من متغيرات النتائج. يشكل متغير توقع واحد ومتغير نتيجة واحد انحدارًا خطيًا بسيطًا. في حين يشكل متغير نتيجة واحد ومتغيران أو أكثر من متغيرات التوقع انحدارًا خطيًا متعددًا.

عادةً ما تقارن اختبارات المقارنة بين متوسط المجموعات. يمكن أن تكون هذه المتوسطات لمجموعات مختلفة داخل العينة (مثل مجموعة المعالجة والمراقبة)، أو متوسطات مجموعة عينة واحدة تم جمعها في فترات زمنية مختلفة (مثل درجات الاختبار القبلي والبعدي)، أو متوسط كل من العينة والمجتمع.

عندما يكون حجم العينة محدودًا (30 أو أقل)، يتم إجراء اختبار t لمجموعتين أو مجموعتين على وجه التحديد. عندما تكون العينة كبيرة، يتم إجراء اختبار z لمجموعتين أو مجموعتين بالضبط. اختبار ANOVA مخصص لثلاث مجموعات أو أكثر. تحدد عدد ونوع العينات المستخدمة، بالإضافة إلى الفرضيات، الأنواع الفرعية لاختبارات z و t:

• استخدم اختبارًا من عينة واحدة، إذا كان لديك عينة واحدة فقط تريد مقارنتها بمتوسط عدد السكان.

• استخدم اختبار عينات تابعة (مزدوجة)، إذا كانت دراستك تستخدم قياسات مقترنة (تصميم ضمن الموضوعات).

• استخدم اختبار عينات مستقلة (غير مزدوجة)، إذا كان لديك قياسات منفصلة تمامًا من مجموعتين غير متطابقتين (تصميم بين الموضوعات).

• استخدم الاختبار أحادي الطرف، إذا كنت تتوقع فرقًا بين المجموعات التي تسير في اتجاه معين.

• استخدم اختبارًا ثنائي الطرف، إذا لم تكن لديك توقعات بشأن اتجاه الاختلاف بين المجموعات.

Pearson r هو اختبار الارتباط البارامترى الوحيد المتاح. يشار إلى قوة العلاقة الخطية بين متغيرين كميين بواسطة معامل الارتباط (r).

ومع ذلك، يجب عليك أيضًا إجراء اختبار أهمية على معامل الارتباط، عادةً اختبار t، للحصول على قيمة p، من أجل تحديد ما إذا كان الارتباط في العينة قويًا بما يكفي ليكون مهمًا في المجتمع. يستخدم هذا الاختبار حجم عينتك، لتحديد مدى انحراف معامل الارتباط عن الصفر في المجتمع.

الخطوة 5: قم بتفسير نتائجك

إن تفسير نتائجك هي الخطوة الأخيرة في التحليل الإحصائي.

دلالة إحصائية

في اختبار الفرضيات، فإن المعيار الأساسي لتكوين الاستنتاجات هو الدلالة الإحصائية. لتحديد ما إذا كانت نتائجك ذات دلالة إحصائية أم غير مهمة، يجب عليك مقارنة القيمة الاحتمالية الخاصة بك بمستوى الأهمية المحددة مسبقًا (غالبًا 0.05).

يُعتقد أن النتائج ذات الدلالة الإحصائية من غير المرجح أن تحدث بالصدفة وحدها. إذا كانت الفرضية الصفرية صحيحة في المجتمع، فهناك احتمال ضئيل جدًا بحدوث مثل هذه النتيجة.

حجم التأثير

قد لا تعني النتيجة ذات الدلالة الإحصائية دائمًا أن هناك نتائج سريرية لاكتشاف أمرًا ما أو تطبيقات مهمة في العالم الحقيقي.

من ناحية أخرى، يكشف حجم التأثير عن أهمية النتائج العملية، التي توصلت إليها في سياقات العالم الحقيقي. للحصول على صورة كاملة لنتائجك، فمن الضروري الإبلاغ عن أحجام التأثير جنبًا إلى جنب مع الإحصائيات الاستنتاجية. إذا كنت تكتب بحثًا بتنسيقAPA، فيجب عليك أيضًا تضمين تقديرات الفاصل الزمني لأحجام التأثير.