موضوع تحليل البيانات موضوع مهم بلا شك، فمن خلاله يمكن النظر إلى و إستخلاص مختلف النتائج و التوقعات من خلال الأرقام و غيرها، إلا أن هذا الموضوع، و هو تحليل البيانات أو الأرقام و إجراء الإختبارات الإحصائية و غيرها يبدو صعبا جدا للعديد من الباحثين، خصوصا غير المتخصصين في الإحصاء منهم أو الذين ليس لديهم إلمام كافي بالإختبارات الإحصائية و المعادلات و غيرها (أمثالي شخصيا!).

قبل البدء في اختيار أي إختبارات إحصائية أو التطرق لها و طرق القيام بها، من المهم جدا معرفة مستويات القياس الخاصة بالبيانات (Data Scales)، خصوصا و أنه هنالك العديد من الأرقام و البيانات التي يمكن الحصول عليها سواء من خلال مصادر جمع البيانات الأساسية (Primary/Empirical) أو الثانوية (Secondary).

تكمن أهمية معرفة مستويات قياس البيانات بشكل أساسي و حيوي في أن ذلك يؤثر على نوعية الإختبارات الإحصائية التي يمكن تطبيقها لاحقا على البيانات

و لتوضيح ذلك بشكل آخر، يمكننا القول بأنه إذا كنت تعمل على دراسة أو بحث ما، من المهم بعد تحديدك لسؤال البحث أو الغرض من البحث أن يكون لديك إلمام بنوع الإختبارات الإحصائية التي تحتاج لتطبيقها لتحقيق هذا الغرض، و بناء على معرفتك بنوع الإختبارات الإحصائية، تقوم بالبحث أكثر عن هذه الإختبارات الإحصائية لمعرفة أي نوع أو مستوى قياس للبيانات تقبله هذه الإختبارات الإحصائية.
إلمامك بذلك منذ البداية يساعدك في التخطيط جيدا و اختيار طرق جمع البيانات المناسبة بحيث توفر لك بيانات متوافقة مع نوعية الإختبارات الإحصائية التي تحتاج لتطبيقها.

الآن و قد اتضحت حيوية و مدى أهمية معرفة مستويات قياس البيانات، دعونا نستعرض هذه الأنواع، علما بأن كل نوع يتبعه ما هو أشمل منه:

إضغط على الصورة لاستعراض مصدرها

المقياس الإسمي (Nominal Scale)

بشكل مبسط، يدل هذا النوع من المقاييس على التصنيفات أو الأقسام، بحيث أنه ١) معناته كذا، ٢) معناته كذا، الخ…

التصنيفات في هذه الحالة مختلفة و غير متكررة و ليس لها أي دلالة رقمية، فالأرقام في هذه الحالة لم توضع إلا لسهولة التعامل مع الأقسام. فالبيانات (الأرقام) في هذه الحالة فقط تصنّف البيانات و لا تعطي لها أي ترتيب.
على سبيل المثال، الأرقام الموجودة على قمصان فريق كرة القدم، هي فقط لتصنيف اللاعبين، و لا يمكن بأي حال من الأحوال أن نقول أن اللاعب رقم ١٠ أقوى مرتين من اللاعب رقم ٥. من الأمثلة الأخرى على هذا النوع من البيانات: الجنس، الفئة العمرية، نوع المدرسة، الموضوع الذي تم تدريسه، و غيرها.

المقياس الرتبي أو الترتيبي (Ordinal Scale)

هذا المقياس يصنّف البيانات كما هو حال المقياس السابق لكن يضيف إليها خاصية الترتيب، بحيث أنه يمكن وضع التصنيفات في ترتيب واضح متسلسل. من الأمثلة الواضحة على هذا النوع من المقاييس هي المقاييس الخاصة بالتقييم (Rating Scale) أو مقاييس لايكرت (Liker Scale).

ترتيب هذه التصنيفات قد يكون من الأصغر للأكبر أو من الأضعف للأقوى أو الأفضل للأسوء لكن المهم في هذا المقياس أن التصنيفات لها ترتيب واضح.
على سبيل المثال، في أحد الدراسات قد يستخدم الباحث سؤالا و يوفر الاختيارات التالية للإجابة: ١) أوافق بشدة، ٢) أوافق، ٣) محايد، ٤) لا أوافق، ٥) لا أوافق بشدة.

في المثال السابق يبدو واضحا أن التصنيفات في السؤال المطروح لها ترتيب واضح، إلا أنه مع أن هنالك ترتيب واضح للتصنيفات، يفتقر هذا الترتيب لمقياس أو تبرير واضح لطريقة توزيع هذه التصنيفات و مدى الفروقات بينها أو المسافات بين كل تصنيف و الذي يليه في الترتيب. ففي هذه الحالة لا يمكن معرفة ما إذا كانت المسافة بين التصنيف الأول و الثاني مساوية للمسافة بين التصنيف الرابع و الخامس في السؤال أعلاه. و لا يمكننا القول بأن الإجابة أوافق جدا تساوي الإجابة أوافق مرتين.

فالخلاصة فيما يتعلق بهذا النوع، أن البيانات فيه يمكن ترتيبها إلا أن المسافة بين مختلف التصنيفات المتاحة غير واضحة أوتم إختبارها بمقياس رقمي واضح.

مقياس الفترة (Interval Scale)

في هذا النوع، هنالك مسافات موزونة، متساوية و واضحة بين التصنيفات، بالإضافة إلى إحتفاظه بمزايا النوعين الماضية و هي التنصيف و الترتيب. في هذا النوع من المقاييس، يمكن معرفة المسافة بين التصنيفات، الأفراد أو العناصر الجاري دراستها بدقة. بسبب وجود مسافات متساوية بين العناصر في هذا النوع من المقاييس، يطلق على هذا المقياس أيضا (Equal-interval scale). فعلى سبيل، الفرق أو المسافة بين ٣ و ٤ درجات مئوية هو نفسه الفرق أو المساقة بين ٩٨ و ٩٩ درجة مئوية.

الفارق الوحيد الواضح في هذا النوع من المقاييس هو أنه ليس هنالك قيمة حقيقية للصفر (No True Zero) في البيانات. فمثلا في حالة قلنا درجة الحرارة هي ٠ مئوية فإن هذا لا يعني إنعدام الحرارة من الوجود إنما نقصد أن الجو بارد.

على سبيل المثال أيضا، إذا ما أخذنا مقياس الفهرنهايت، نجد أن درجة تجمد الماء هي ٣٢ درجة و ليس الصفر، و بالتالي، لا يمكننا القول بأن ١٠٠ درجة فهرنهايت تساوي ٥٠ درجة فهرنهايت مرتين، لأن المقياس نفسه لا يبدأ من الصفر.

هذا النوع من المقاييس إستخدامه نادر، و جميع الإختبارات الإحصائية التي تنطبق على هذا النوع من البيانات هي نفسها للمقياس التالي.

المقياس النسبي أو مقياس النسبة (Ratio Scale)

يحتفظ هذا النوع من المقاييس بمزايا الثلاثة أنواع السابقة، فهو يصنّف، يرتّب و يوضح المسافات بشكل متساوي و موزون، و بالإضافة لذلك، يضيف قيمة حقيقة للصفر، بشكل يمكّن الباحث من معرفة النسب و اختلافاتها بين مختلف العناصر بسهولة. فالباحث يمكنه الإشارة إلى عنصر بأنه أقوى مرتين من العنصر الآخر أو أنه أطول بعشر مرات من العنصر الآخر، و هكذا. أيضا، إذا ما قلنا أن شخص ما لديه حسابه صفر في البنك فالمقصود هو إنعدام أي شئ من حسابه. لذلك يعتبر هذا النوع من البيانات هو الأقوى، نظرا لأنه يمكن إستخدام و معرفة و مقارنة النسب من خلاله.

من الأمثلة على هذا النوع، مقدار الأموال التي لديك أو في حسابك في البنك، عدد أفراد مجتمع أو مجموعة ما، الوقت الذي تم إستخدامه لإنهاء مهمة أو مشروع ما، الدخل، سنوات التدريس، الدرجات في الإختبار.

غالبا، الإختبارات الإحصائية التي يمكن تطبيقها على النوعين الأخيرة من مقاييس البيانات غالبا ما تكون أقوى من تلك التي يمكن تطبيقها على النوعين الأولى.

تجدر الإشارة إلى أنه من المفترض على الباحث أن يحدد نوع المقياس الخاص بالمتغيرات الذي يتعامل معها و لا يفترض أن نوع المقياس هذا معروف بالضرورة للمتغيرات المختلفة التي يتعامل معها. فنوعية المقياس الخاص بالمتغيرات هو شئ يقوم الباحث بتحديده، مع تبرير الإختيار الخاص بالمقياس الذي ربطه بأي من المتغيرات في دراسته.

أيضا، فيما يتعلق بالمقاييس أعلاه، يلاحظ بأن المقياس النسبي هو الأكثر قوة فيما يتعلق بنوع البيانات التي يمكن التعامل معه و الإختبارات الإحصائية، إلا أنه في بعض الأحيان، يتم إستخدام مقاييس أقل قوة لخدمة أهداف البحث، فعلى سبيل المثال، قد لا يكون هنالك حاجة للبيانات ذات المقياس النسبي في الدراسة، بكل يمكن الإكتفاء بالبيانات ذات المقياس الرتبي.

– COHEN, L., MANION, L., & MORRISON, K. (2011). Research methods in education. London, Routledge.