اختيار معامل الارتباط المناسب

معامل الارتباط من أوّل الأرقام التي يلجأ إليها الباحث، وهو في الوقت نفسه من أكثرها عرضة لسوء الاستخدام. والمشكلة نادراً ما تكون في المعادلة نفسها، بل في اختيار المعامل الخطأ لطبيعة البيانات. فمعامل Pearson (r) ومعامل Spearman (ρ) ومعامل Kendall (τ) كلها تُعيد قيمة بين −1 و+1، لكنها تقيس أشياء مختلفة وتقوم على افتراضات مختلفة. واختيار المعامل المناسب هو الفرق بين نتيجة يمكن الدفاع عنها وأخرى مضلِّلة.

يشرح هذا الدليل ما يقيسه كل معامل فعلياً، ومتى يكون كلٌّ منها مناسباً، وكيف تُبلِّغ عن النتيجة بشكل سليم. والخلاصة باختصار: ارسم بياناتك أولاً، وطابِق المعامل مع مستوى القياس وشكل العلاقة، واعتبر المعامل نفسه هو مقياس حجم الأثر (effect size).

معامل Pearson: العلاقة الخطّية بين متغيرين كميّين

يقيس معامل Pearson (r) قوة واتجاه العلاقة الخطّية بين متغيرين على مستوى الفترة أو النسبة. وهو التغاير (covariance) بين المتغيرين مقسوماً على حاصل ضرب انحرافيهما المعياريين، ولذلك فهو مستقل عن وحدة القياس. قيمة r = +1 تعني أن النقاط تقع تماماً على خط صاعد، و−1 تعني خطاً نازلاً تاماً، والصفر يعني غياب أي اتجاه خطّي.

هناك ثلاثة افتراضات مهمة. الأول أن تكون العلاقة خطّية فعلاً، لأن Pearson لا «يرى» المنحنيات. والثاني أن يتبع المتغيران تقريباً توزيعاً طبيعياً ثنائياً (bivariate normal) كي يتصرف اختبار الدلالة وفترة الثقة بشكل سليم. والثالث أن Pearson حسّاس للقيم الشاذة: قيمة متطرفة واحدة قد تَجُرّ r صعوداً أو هبوطاً بشكل كبير.

وأشهر تحذير في هذا الباب هو رباعية Anscombe (Anscombe's quartet): أربع مجموعات بيانات لها المتوسطات والتباينات نفسها، وقيمة Pearson متطابقة تساوي 0.816، ومع ذلك فأشكالها مختلفة تماماً. واحدة خط مستقيم نظيف، وأخرى قطع مكافئ تام، وثالثة خط جرّته قيمة شاذة واحدة، ورابعة تجمُّع رأسي مع نقطة ذات تأثير رافعة. المعامل واحد في كل الحالات، ولا يكشف الفرق إلا مخطط الانتشار (scatter plot). ولهذا تحديداً نرسم قبل أن نحسب.

ومن مزايا Pearson أن r² (معامل التحديد) يمثّل نسبة التباين في أحد المتغيرين التي يفسّرها الآخر خطّياً. فقيمة r = 0.50 تعني أن 25% فقط من التباين مشترك، وهو تذكير بأن الارتباطات المتوسطة تفسّر أقل مما توحي به ظاهرياً.

معامل Spearman: العلاقة الرتيبة عبر الرُّتب

معامل Spearman (ρ) هو ببساطة معامل Pearson محسوباً على رُتب البيانات بدلاً من قيمها الخام. وبفضل الترتيب فهو يلتقط أي علاقة رتيبة (monotonic)، أي علاقة تتزايد أو تتناقص باطّراد حتى لو كانت منحنية. فإذا ارتفع y مع x ثم استوى (منحنى لوغاريتمي مثلاً)، سيقلّل Pearson من شأن العلاقة بينما يلتقطها Spearman كاملةً.

ولأنه يعمل على الرُّتب، فإن Spearman هو الخيار الصحيح للبيانات الترتيبية (ordinal) مثل مقاييس Likert والتصنيفات والفئات المرتّبة، وكذلك للبيانات الكمية ذات القيم الشاذة أو الالتواء، لأن الترتيب يضغط القيم المتطرفة. وهو لا يشترط التوزيع الطبيعي الثنائي. والمقابل أنه يجيب عن سؤال مختلف قليلاً: «هل يتحرك المتغيران معاً في الترتيب؟» بدلاً من «هل يقعان على خط مستقيم؟»

معامل Kendall: الأزواج المتوافقة والمتعارضة

يستخدم معامل Kendall (τ) الرُّتب أيضاً، لكنه يقوم على فكرة مختلفة: ينظر إلى كل زوج من المشاهدات ويسأل هل هما متوافقان (يتفق المتغيران في الاتجاه) أم متعارضان (يختلفان). و τ في جوهره هو الفرق بين عدد الأزواج المتوافقة والمتعارضة، مقيساً على المدى من −1 إلى +1.

وهذا يمنح τ تفسيراً احتمالياً أوضح: فهو يرتبط مباشرةً باحتمال أن يكون زوج مختار عشوائياً متوافقاً مطروحاً منه احتمال أن يكون متعارضاً. ويُفضَّل Kendall عموماً مع العينات الصغيرة حيث يكون توزيعه المعايني أفضل سلوكاً، ومع البيانات ذات الرُّتب المتعادلة الكثيرة (ties) حيث تعالج صيغة τ-b التعادلات بأناقة أكبر من Spearman. وتميل قيمه إلى أن تكون أصغر عددياً من Spearman على البيانات نفسها، وهذا متوقَّع لا تناقض فيه، لأن المعاملَين على مقياسين مختلفين.

مثال تطبيقي

لنفترض أنك قِست عدد ساعات المذاكرة ودرجة الاختبار لدى 12 طالباً. يُظهر مخطط الانتشار اتجاهاً صاعداً واضحاً ينحني قليلاً، إذ يتباطأ التحسّن عند ساعات المذاكرة العالية. يُعطي Pearson قيمة r = 0.81 (فترة ثقة 95% [0.44, 0.94]، p = .001)، لكن الانحناء يجعل Pearson يقلّل من العلاقة. أما Spearman فيُعطي ρ = 0.93 و Kendall يُعطي τ = 0.82، وكلاهما أعلى لأن العلاقة رتيبة بقوة وإن لم تكن خطاً مستقيماً.

والتبليغ الأمين يذكر الثلاثة: «ارتبطت ساعات المذاكرة بدرجات الاختبار ارتباطاً رتيباً قوياً، ρ = .93، p < .001، n = 12. ونظراً لكون العلاقة غير خطّية، يُذكَر معامل Spearman تفضيلاً على معامل Pearson (= .81).» فمخطط الانتشار هو ما يبرّر الاختيار، ولولاه لأخفت المعاملات وجود الانحناء.

دليل القرار

التبليغ السليم عن الارتباط

المعامل هو حجم الأثر، فلا حاجة لحساب Cohen's d منفصل. والمعايير التقريبية (Cohen) هي: |.10| صغير، |.30| متوسط، |.50| كبير، لكن فسّرها في ضوء مجالك لا آلياً. ويشمل التبليغ الكامل أربعة عناصر:

• المعامل وإشارته (مثل r = .42).
• فترة الثقة، فهي تنقل الدقة أفضل بكثير من قيمة p وحدها.
• حجم العينة n، لأن ارتباطات العينات الصغيرة غير مستقرة.
• قيمة p، مكتوبةً «< .001» بدلاً من سلسلة أصفار.

وبالنسبة إلى Pearson، اذكر أيضاً r² بوصفه التباين المُفسَّر. ووضِّح أيّ معامل استخدمت ولماذا، فلا ينبغي أن يخمّن المحكّمون. وإن كنت تتحقق من تحقّق بياناتك لافتراض الاعتدالية لدى Pearson، فراجع دليلنا حول فحص الاعتدالية بشكل صحيح. ولتأطير المعامل بوصفه حجم أثر معياري، فإن مقالتنا عن كيف تكتب حجم الأثر بصيغة APA رفيق مفيد. وإن كنت تقارن بين مجموعات بدل ربط متغيرين كميّين، فإن المنطق نفسه (معلَمي مقابل رُتبي) يظهر في متى تستخدم ANOVA مقابل Kruskal-Wallis.

وفي MindStat يمكنك حساب المعاملات الثلاثة مع فترات ثقتها من اللوحة نفسها مع عرض مخطط الانتشار، فيصل الفحص البصري والرقم معاً.

أبرز النقاط

• ارسم أولاً. تُثبت رباعية Anscombe أن معاملاً واحداً قد يُخفي منحنىً أو قيمة شاذة أو تجمّعاً.
• Pearson للبيانات الخطّية الكمية شبه الطبيعية، ويمنحك r² بوصفه التباين المُفسَّر.
• Spearman للبيانات الترتيبية وللعلاقات الرتيبة المنحنية.
• Kendall للعينات الصغيرة وكثرة التعادلات والتفسير الاحتمالي الواضح.
• المعامل هو حجم الأثر، فأبلِغ عنه مع فترة ثقة و n و p، واذكر المعامل الذي اخترته.