مستويات القياس

مستويات القياس Measurement Levels

مستويات القياس Measurement Levels

 

تشير مستويات القياس إلى أنواع مختلفة من المتغيرات التي تشير إلى كيفية تحليلها، وبشكل اساسي فإن الكتب التي تتحدث عن مستويات القياس تقسم هذه المستويات إلى 4 أنواع اساسية من الأقل الى الأعلى وهي:

  • المتغيرات الاسمية Nominal variables
  • المتغيرات الترتيبية Ordinal variables
  • متغيرات الفاصل الزمني او الفترة الزمنية Interval variables
  • متغيرات النسبة Ratio variables

كلما ارتفعت مستويات القياس، زادت المعلومات التي يحتفظ بها المتغير، و يضح المخطط الانسيابي البسيط أدناه كيفية تصنيف المتغيرات.

 

مستويات القياس – الأسلوب الكلاسيكي

 

مستويات القياس
مستويات القياس

 

وسنتحدث عن مستويات القياس هذه بالتفصيل فيما يلي:

 

أولاً: المتغيرات الاسمية Nominal Variables

المتغير الاسمي هو المتغير الذي يحتوي قيم لا يوجد عليها خلاف او نزاع أي انها حتمية مثل الاسماء والمعالم المعروفة .

ومن ابسط الامثلة على ذالك , اذا سالنا بعض الاشخاص حول العالم عن بلدهم او موطنهم ستكون اجاباتهم كالتالي :

هولندا – بلجيكا – فرنسا – ألمانيا – لوكسمبورغ.

بالتالي فان كل هذه الاسماء هي دول وهذه الدول ليس لها ترتيب عددي او ترتيب معين الا اذا قمنا بترتيب هذه الدول حسب عدد سكانها او حسب مساحتها او الترتيب الابجدي .

النتيجة هي ان الدول و البلدان هي متغيرات اسمية .

قد يتم تمثيل البلدان بالأرقام (1 = هولندا ، 2 = بلجيكا وما إلى ذلك) في SPSS أو بعض تنسيق البيانات الأخرى. هذه الأرقام لها ترتيب معروف وغير قابل للجدل. لكن الدولة لا تزال متغيرًا اسميًا لأن ما تمثله هذه الأرقام – البلدان – ليس له ترتيب غير قابل للجدل.

 

 

وعلى نفس المنوال ، فإن الرموز البريدية – التي تمثل مناطق جغرافية ليس لها ترتيب واضح – هي رمزية أيضًا. ولكن من الواضح أن الأسعار بالدولار – المبالغ التي تمثل الأموال – لها أمر لا جدال فيه ، وبالتالي فهي ليست اسمية.

 

ثانياً: المتغيرات الترتيبية Ordinal Variables

المتغيرات الترتيبية هي المتغيرات التي تحتفظ بقيم لها ترتيب ولكن لا توجد وحدة قياس ثابتة لها.

بعض وحدات القياس الثابتة هي المتر أو الأشخاص أو الدولارات أو الثواني لكن لا توجد وحدة قياس ثابتة لسؤال مثل “كيف أعجبك طعامك؟”

مع فئات الإجابات التالية:

  • سيئ
  • متوسط ( طبيعي )
  • جيد.

قد يجادل البعض بأن السيئ = 1 نقطة ، المحايد = 2 نقطة والجيد = 3 نقاط. لكن هذا مجرد تخمين جامح. ربما يشعر المجيبون بأن الحياد يمثل 1.5 أو 2.5 نقطة. هذا موضح في الشكل أدناه.

 

 

ليس لدينا طريقة لإثبات أي سيناريو صحيح لأن “النقاط” فقط ليست وحدة قياس ثابتة. وبما أننا لا نعرف ما إذا كان المحايد يمثل 1.5 أو 2 أو 2.5 نقطة ، الحسابات على المتغيرات الترتيبية ليس لها معنى.

ان الحسابات على المتغيرات الترتيبية شائعة جدًا في ظل افتراض الفترات المتساوية.

لاحظ أيضًا أن الدخل الشهري يقاس على أنه ترتيبي :

  • أقل من 1000 يورو – ؛
  • من 1000 يورو إلى 2000 يورو – ؛
  • 2000 يورو أو أكثر.

اليورو هو وحدة قياس ثابتة ولكن الإجابات هي فئات الدخل وليست أرقام اليورو.

 

ثالثاً: متغيرات الفاصل الزمني او الفترات Interval Variables

متغيرات الفترات لها وحدة قياس ثابتة ولكن الصفر لا يعني “عدم وجود شيئ “.

أحد الأمثلة النادرة هو “في أي عام حدث ذلك؟” بتجاهل الأيام الكبيسة ، فإن السنوات هي وحدة قياس ثابتة للوقت. ومع ذلك ، فإن السنة صفر لا تعني “لا شيء” فيما يتعلق بالوقت.

لذالك استخدام الضرب لا ياثر على القيم في المتغيرات الزمنية , وبالتالي فانه ليس له فائدة في المتغيرات الزمنية او متغيرات الفترات .

ينطبق الشيء نفسه على درجة الحرارة بالدرجات المئوية: الصفر درجة ليست “لا شيء” بالنسبة لدرجة الحرارة. لذلك ، 100 درجة ليست ضعف درجة حرارة 50 درجة. ومع ذلك ، يمكن تقديم هذه الحجة لدرجة الحرارة في كلفن.

يتم دائمًا تحليل متغيرات الفترات ( الفاصل الزمني ) بشكل مشابه للمتغيرات النسبة – والتي سننتقل إليها بعد ذلك. لكن التمييز بين هذه المستويات باعتبارها مستويات قياس منفصلة .

 

رابعاً: متغيرات النسبة Ratio Variables

متغيرات النسبة لها وحدة قياس ثابتة والصفر يعني حقًا “لا شيء” أي ان ا لصفر يعني صفر .

مثال على ذلك الوزن بالكيلوجرام. الكيلوغرام هو وحدة قياس ثابتة لأنه يمثل دائمًا نفس الوزن بالضبط. أيضا ، صفر كيلوغرام يقابل “لا شيء” فيما يتعلق بالوزن. نتيجة لذلك ، يكون الضرب مفيدًا لمتغيرات النسبة.

في الواقع ، لا نحتاج إلى أكثر من ميزان مطبخ لإثبات أن 2 في 1 كيلو في الحقيقة هو نفس الوزن مثل 1 مرة 2 كيلو.

 

 

تذكر بعض الكتب “نقطة الصفر المطلقة” , نحن نتجنب هذه الصياغة لأن متغيرات النسبة قد تحمل قيمًا سالبة ؛ قد يكون رصيد حسابي المصرفي سالبًا ولكنه يحتوي على وحدة قياس ثابتة – اليورو في حالتي – والصفر يعني “لا شيء”.

 

مستويات القياس الكلاسيكية – النقائض والعيوب واوجه القصور

لقد ناقشنا أن مستويات القياس مهمة لأنها تسهل تحليل البيانات. ومع ذلك ، عندما ننظر إلى الأساليب الإحصائية الشائعة ، نرى ما يلي:

يتم التعامل مع المتغيرات ثنائية التفرع بشكل مختلف عن جميع المتغيرات الأخرى ولكن مستويات القياس الكلاسيكية تفشل في التمييز بينها ؛ يتم دائمًا التعامل مع المتغيرات المترية (الفاصل الزمني والنسبة) بشكل متماثل ؛ المتغيرات الفئوية (الاسمية والترتيبية) تعامل أحيانًا بالمثل وأحيانًا لا يتم التعامل معها. لهذه الأسباب ، نعتقد أن التصنيف أدناه مفيد أكثر.

 

مستويات القياس – المنهج الحديث

 

مستويات القياس
مستويات القياس

 

يميز هذا التصنيف ثلاث فئات رئيسية سنناقشها بإيجاز.

 

المتغيرات ثنائية التفرع

المتغيرات ثنائية التفرع لها قيمتان مميزتان على وجه التحديد.

الأمثلة النموذجية على هذا النوع من المتغيرات هي الجنس أو امتلاك سيارة أو حمل فيروس نقص المناعة البشرية. من المفيد التمييز بين المتغيرات ثنائية التفرع كمستوى قياس منفصل لأنها تتطلب تحليلات مختلفة عن المتغيرات الأخرى:

  • يقوم اختبار t للعينات المستقلة باختبار ما إذا كان متغير ثنائي التفرع مرتبطًا بمتغير متري
  • يتم استخدام اختبار z ل 2 من النسب المستقلة ومعامل Phi لاختبار ما إذا كان متغيرين ثنائي التفرع مرتبطين
  • يتنبأ الانحدار اللوجستي بمتغير نتيجة ثنائي التفرع.

 

المتغيرات المترية Metric Variables

المتغيرات المترية هي المتغيرات التي تكون الحسابات ذات معنى ولها قيمة .

متغيرات الفاصل والنسبة هي متغيرات مترية. نظرًا لأن الحسابات مسموح بها ، فإننا نحللها عادةً بإحصاءات وصفية مثل:

  • المتوسط .
  • الانحراف المعياري .
  • الالتواء او التجانف أو معامل التجانف أو معامل اللاتماثل .

 

تحليل البيانات – الخطوات التالية

لقد عرفنا ان :

  • المتغيرات الفئوية تحدد مجموعات الحالات
  • نستخدم الإحصاء الوصفي لتحليل المتغيرات المترية.

الآن ، لنفترض أننا نود معرفة ما إذا كان هناك متغيرين فئويين مرتبطين. ثم المتغير الأول يحدد المجموعات والمتغير الثاني يحدد المجموعات داخل تلك المجموعات. جدول يوضح هذا فقط جدول للطوارئ كما هو موضح أدناه.

 

 

بعد ذلك ، يمكننا تصور الارتباط بمخطط شريطي . أو قد نختبر ما إذا كان الارتباط ذا دلالة إحصائية عن طريق إجراء اختبار استقلالية مربع كاي على جدول الطوارئ لدينا.

أو ربما نرغب في معرفة ما إذا كان متغير فئوي ومتغير متري مرتبطين. المتغير الفئوي يحدد المجموعات. ضمن هذه المجموعات ، سنقوم بفحص الإحصائيات الوصفية على متغير القياس لدينا. وهكذا نصل إلى الجدول كما هو موضح أدناه.

 

يمكننا تصور الوسائل كمخطط عامودي ( شريطي ) للوسائل حسب الفئة، أو يمكننا اختبار ما إذا كانت الوسائل السكانية تختلف باختلاف الفئة باستخدام ANOVA.

 

[button link=”https://ajsrp.com/%d8%af%d8%b1%d9%88%d8%b3-%d8%aa%d8%b9%d9%84%d9%8a%d9%85-spss.html” type=”big” newwindow=”yes”] عودة إلى فهرس دليل استخدام SPSS[/button]

 

برنامج spss

برنامج spssبرنامج spss

 

شارك:

Share on facebook
Facebook
Share on twitter
Twitter
Share on pinterest
Pinterest
Share on linkedin
LinkedIn
On Key

مواضيع من المدونة

Open chat