انواع متغیر
همه آزمایشها نوعی از متغیرها را بررسی میکنند. یک متغیر (variable) نه تنها چیزی است که ما اندازه گیری می کنیم، بلکه چیزی است که می توانیم آن را دستکاری کنیم و چیزی است که می توانیم برای آن کنترل را انجام دهیم. برای درک ویژگی های متغیرها و نحوه استفاده از آنها در تحقیق، این آموزش به سه بخش اصلی تقسیم شده است. ابتدا نقش متغیرهای وابسته و مستقل را نشان می دهیم. دوم، تفاوت بین تحقیقات تجربی و غیر تجربی را مورد بحث قرار می دهیم. در نهایت، توضیح میدهیم که چگونه متغیرها را میتوان به صورت طبقهای یا پیوسته مشخص کرد.
متغیرهای وابسته و مستقل
متغیر مستقل (Independent) که گاهی اوقات متغیر آزمایشی (experimental) یا پیش بینی (predictor) نامیده می شود، متغیری است که در یک آزمایش به منظور مشاهده تأثیر روی یک متغیر وابسته که گاهی اوقات متغیر نتیجه (outcome) نامیده می شود، دستکاری می شود.
تصور کنید که یک معلم خصوصی از 100 دانش آموز می خواهد که یک آزمون ریاضی را تکمیل کنند. معلم می خواهد بداند چرا برخی از دانش آموزان بهتر از دیگران عمل می کنند. در حالی که استاد راهنما پاسخ این را نمی داند، او فکر می کند که ممکن است به دو دلیل باشد: (1) برخی از دانش آموزان زمان بیشتری را صرف مرور درس برای آزمون خود می کنند. و (2) برخی از دانش آموزان به طور طبیعی باهوش تر از دیگران هستند. به این ترتیب، معلم تصمیم می گیرد تا تأثیر زمان مرور درس و هوش را بر عملکرد آزمون 100 دانش آموز بررسی کند. متغیرهای وابسته و مستقل برای تحقیقات عبارتند از:
متغیر وابسته: نمره آزمون (اندازه گیری از 0 تا 100)
متغیرهای مستقل: زمان مرور درس (بر حسب ساعت اندازه گیری می شود) و هوش (اندازه گیری با استفاده از امتیاز IQ)
متغیر وابسته (Dependent) متغیری است که به یک متغیر(های) مستقل وابسته است. به عنوان مثال، در مورد مثال با نمره آزمونی که دانش آموز کسب می کند به زمان مرور درس و هوش بستگی دارد. در حالی که زمان مرور درس و هوش (متغیرهای مستقل) ممکن است باعث تغییر در نمره آزمون (متغیر وابسته) شود، عکس آن غیرممکن است. به عبارت دیگر، در حالی که تعداد ساعتهایی که دانشآموز صرف مرور درس میکند و نمره هوشی بالاتر دانشآموز ممکن است نمره امتحانی را که دانشآموز کسب میکند تغییر دهد، تغییر در نمره امتحان دانشآموز تاثیری بر مرور درس دانشآموز ندارد. بیشتر یا باهوش تر است (این به سادگی معنا ندارد).
بنابراین، هدف استاد راهنما این است که بررسی کند که آیا این متغیرهای مستقل – زمان مرور درس و بهره هوشی – منجر به تغییر در متغیر وابسته، نمرات آزمون دانشآموزان میشود یا خیر. با این حال که این هدف اصلی آزمایش است، ممکن است استاد راهنما نیز علاقه مند باشد که بداند آیا متغیرهای مستقل (زمان مرور درس و IQ) نیز به نوعی به هم مرتبط هستند یا خیر.
در بخش تحقیقات تجربی و غیرتجربی که در ادامه می آید، کمی بیشتر به ماهیت متغیرهای مستقل و وابسته پی می بریم.
تحقیقات تجربی و غیر تجربی
تحقیقات تجربی (Experimental Research): در تحقیقات تجربی، هدف دستکاری متغیر(های) مستقل و سپس بررسی تاثیری است که این تغییر بر متغیر(های) وابسته می گذارد. از آنجایی که امکان دستکاری متغیر(های مستقل) وجود دارد، تحقیقات تجربی این مزیت را دارد که محقق را قادر می سازد تا علت و معلولی را بین متغیرها شناسایی کند. به عنوان مثال، در مثال بالا می توان از یک طرح آزمایشی استفاده کرد و زمان مرور درس دانش آموزان را دستکاری کرد. معلم می تواند دانش آموزان را به دو گروه که هر کدام از 50 دانش آموز تشکیل شده است، تقسیم کند. در «گروه یک»، معلم میتواند از دانشآموزان بخواهد که هیچ مرور درسی انجام ندهند. متناوباً، میتوان از «گروه دو» درخواست کرد که در دو هفته قبل از آزمایش، 20 ساعت مرور درس انجام دهند. سپس معلم می تواند نمرات دانش آموزان را با هم مقایسه کند.
تحقیقات غیرتجربی (Non-Experimental Research): در تحقیقات غیرتجربی، محقق متغیر(های مستقل) را دستکاری نمی کند. این بدان معنا نیست که انجام این کار غیرممکن است، اما انجام این کار یا غیرعملی یا غیراخلاقی خواهد بود. برای مثال، یک محقق ممکن است به تأثیر مصرف غیرقانونی و تفریحی مواد مخدر (متغیر(های) مستقل) بر انواع خاصی از رفتار (متغیر(های) وابسته) علاقه مند باشد. با این حال، این که از افراد بخواهیم داروهای غیرقانونی مصرف کنند تا بررسی کنیم که این امر چه تأثیری بر برخی رفتارها دارد، یک کار غیراخلاقی است. به این ترتیب، یک محقق میتواند از مصرفکنندگان مواد مخدر و غیرمخدر بخواهد که پرسشنامهای را تکمیل کنند که برای نشان دادن میزان رفتارهای خاص آنها ساخته شده بود. در حالی که تشخیص علت و معلول بین متغیرها ممکن نیست، هنوز هم می توانیم ارتباط یا رابطه بین آنها را بررسی کنیم.
علاوه بر درک تفاوت بین متغیرهای وابسته و مستقل و تحقیقات تجربی و غیر تجربی، درک ویژگیهای مختلف در بین متغیرها نیز مهم است. در ادامه به این موضوع پرداخته می شود.
متغیرهای طبقه ای
متغیرهای طبقهای (Categorical) نیز به عنوان متغیرهای گسسته (discrete) یا کیفی (qualitative) شناخته می شوند. متغیرهای طبقهای را می توان بیشتر به عنوان اسمی ، ترتیبی یا دوگانه طبقه بندی کرد.
نمونه ای از متغیرهای طبقهای
- متغیرهای اسمی (nominal) متغیرهایی هستند که دارای دو یا چند دسته هستند، اما ترتیب ذاتی ندارند. به عنوان مثال، یک مشاور املاک می تواند انواع املاک خود را به دسته های متمایز مانند خانه ها، آپارتمان ها، تعاونی ها یا خانه های ییلاقی طبقه بندی کند. بنابراین “نوع ملک” یک متغیر اسمی با 4 دسته به نام های خانه، آپارتمانی، تعاونی و خانه های ییلاقی است. قابل ذکر است که دسته های مختلف یک متغیر اسمی را می توان به عنوان گروه ها یا سطوح متغیر اسمی نیز نام برد. مثال دیگری از یک متغیر اسمی طبقه بندی محل زندگی مردم در ایالات متحده بر اساس ایالت است. در این حالت سطوح بسیار بیشتری از متغیر اسمی وجود خواهد داشت (در واقع 50 تا).
- متغیرهای دوگانه (dichotomous) متغیرهای اسمی هستند که فقط دو دسته یا سطح دارند. به عنوان مثال، جنسیت که به عنوان «مذکر» یا «مونث» دستهبندی میشود. این نمونه ای از یک متغیر دوگانه (و همچنین یک متغیر اسمی) است. مثال دیگر ممکن است این باشد که از شخصی بپرسیم که آیا تلفن همراه دارد یا خیر. در اینجا، ممکن است داشتن تلفن همراه را به دو دسته «بله» یا «خیر» دسته بندی کنیم. در مثال مشاور املاک، اگر نوع ملک به عنوان مسکونی یا تجاری طبقه بندی شده بود، «نوع ملک» یک متغیر دوگانه خواهد بود.
- متغیرهای ترتیبی (ordinal) متغیرهایی هستند که دارای دو یا چند دسته هستند، درست مانند متغیرهای اسمی، فقط دسته ها را می توان مرتب یا رتبه بندی کرد. بنابراین، اگر از کسی بپرسید که آیا از سیاستهای حزب دمکرات خوشش میآید و میتواند «خیلی زیاد»، «خوب هستند» و یا « نه خیلی زیاد » پاسخ دهد در این صورت شما یک متغیر ترتیبی دارید. چرا؟ زیرا شما 3 دسته دارید، یعنی “خیلی زیاد”، “آنها خوب هستند” و “بله، زیاد” و می توانید آنها را از مثبت ترین (بله، زیاد) تا پاسخ متوسط (آنها خوب هستند) و به حداقل مثبت (نه خیلی زیاد)رتبه بندی کنید. با این حال، در حالی که می توانیم سطوح را رتبه بندی کنیم، نمی توانیم برای آنها “ارزش” قائل شویم. نمیتوانیم بگوییم که «آنها خوب هستند» دو برابر مثبتتر از «نه خیلی زیاد» است.
متغیرهای پیوسته
متغیرهای پیوسته (Continuous) به عنوان متغیرهای کمی (quantitative) نیز شناخته می شوند. متغیرهای پیوسته را می توان بیشتر به عنوان متغیرهای فاصله ای یا نسبتی طبقه بندی کرد.
نمونه ای از متغیر های پیوسته
- متغیرهای فاصله ای (Interval) متغیرهایی هستند که مشخصه مرکزی آنها این است که می توان آنها را در امتداد یک پیوستگی اندازه گیری کرد و دارای یک مقدار عددی هستند (مثلاً دمای اندازه گیری شده بر حسب درجه سانتیگراد یا فارنهایت). بنابراین تفاوت بین 20 درجه سانتی گراد و 30 درجه سانتی گراد همان تفاوت بین 30 درجه سانتی گراد تا 40 درجه سانتی گراد است. با این حال، دمای اندازه گیری شده در درجه سانتیگراد یا فارنهایت یک متغیر نسبتی نیست.
- متغیرهای نسبتی (ratio) متغیرهای فاصله ای هستند، اما با شرط اضافه شده که 0 (صفر) اندازه گیری نشان می دهد که هیچ یک از آن متغیر وجود ندارد. بنابراین، دمای اندازه گیری شده بر حسب درجه سانتیگراد یا فارنهایت یک متغیر نسبت نیست زیرا 0 درجه سانتیگراد به این معنی نیست که دما وجود ندارد. با این حال، دمای اندازه گیری شده در کلوین یک متغیر نسبتی است زیرا 0 کلوین (اغلب صفر مطلق نامیده می شود) نشان می دهد که هیچ دما وجود ندارد. نمونه های دیگر از متغیرهای نسبتی عبارتند از ارتفاع، جرم، فاصله و بسیاری موارد دیگر. نام “نسبتی” نشان دهنده این واقعیت است که می توانید از نسبت اندازه گیری ها استفاده کنید. مثلاً فاصله ده متری دو برابر فاصله 5 متری است.
ابهامات در طبقه بندی یک نوع متغیر
در برخی موارد، مقیاس اندازه گیری داده ها ترتیبی است، اما متغیر به عنوان پیوسته در نظر گرفته می شود. برای مثال، مقیاس لیکرت (Likert scale) که شامل پنج مقدار است – کاملاً موافقم، موافقم، نه موافقم و نه مخالفم، مخالفم و کاملاً مخالفم – ترتیبی است. با این حال، جایی که مقیاس لیکرت دارای هفت یا بیشتر ارزش است – کاملاً موافقم، نسبتاً موافقم، موافقم، موافقم یا مخالفم، مخالفم، نسبتاً مخالفم، و کاملاً مخالفم – مقیاس زیربنایی گاهی اوقات پیوسته تلقی می شود (اگرچه جایی که باید این کار را انجام دهید علت اختلاف بزرگ).
مقیاس لیکرت (Likert scale) (ترتیبی)
مقیاس لیکرت (Likert scale) (پیوسته)
شایان ذکر است که نحوه دسته بندی متغیرها تا حدودی یک انتخاب است. در حالی که ما جنسیت را به عنوان یک متغیر دوگانه طبقه بندی کردیم (شما یا مرد هستید یا زن)، دانشمندان علوم اجتماعی ممکن است با این موضوع مخالف باشند و استدلال کنند که جنسیت متغیر پیچیده تری است که بیش از دو تمایز را شامل می شود، اما سطوح اندازه گیری مانند جنسیت، اینترسکس و ترنس را نیز در بر می گیرد. در عین حال، برخی از محققان استدلال می کنند که مقیاس لیکرت، حتی با هفت مقدار، هرگز نباید به عنوان یک متغیر پیوسته در نظر گرفته شود.
مطالب زیر را هم از دست ندهید:
ANCOVA یک طرفه در SPSS Statistics
آزمون t نمونه تکی با استفاده از SPSS Statistics
چگونه یک نمودار نقطهای متصل به هم در R ایجاد کنیم؟
چند پروژه برای مبتدیان علم داده
نحوه تعیین خودکار تعداد خوشه ها توسط قانون آرنج
هوش مصنوعی (AI) چیست؟ 3 چیز که باید بدانید
تجزیه و تحلیل آماری: تعریف، مثال
Afshin Safaee (@afshinsafaee.official)