تصميم القياسات المتكررة
المحتويات
تعريفًا بالموضوع، تصميم القياسات المتكررة هو من التصاميم غير المعلمية لداخل الأفراد أو المجموعات، ويهتم هذا التصميم بتعريض كل فرد من أفراد المجموعة لكل مستوى من مستويات المتغير المستقل على الأقل مرة واحدة، ويسمى هذا التصميم بتصميم داخل المجموعات أو الأفراد. وتعرض الأقسام التالية جوانب أخرى من الموضوع.
مناهج تحليل التباين الأحادية
مناهج تحليل التباين الأحادية والمتعددة.
إضافةً إلى ذلك، مناهج قائمة على أساليب النماذج المركبة القابلة على تغيير مصفوفة التباين المشترك.
أسباب الاستخدام
ومن جهة أخرى، أنواع أنماط البيانات المتكررة شايع في أرض الواقع، فيكون التعامل معها باستخدام هذا التصميم أفضل.
لماذا نستعمل تصميم القياسات المتكررة؟
إضافةً إلى ذلك، يتكرر اختبار الأفراد بمقياس واحد أكثر من مرة أو بمقاييس مختلفة تستعمل نفس وحدة المقياس في أوقات مختلفة، وبدلا من استخدام اختبار (ت) الذي يتطلب حجم عينة أكبر، فيمكن استخدام تصميم القياسات المتكررة.
ومن جهة أخرى، يهدف كثير من الباحثين في دراساتهم إلى استخدام وحدة التحليل أو وحدة البحث(مثلا: الأفراد) كضابط تجريبي للمعالجات أثناء إجراء تجاربهم العلمية، وذلك بدلا من الجهد الذي يتطلبه ضبط المتغيرات الديمغرافية أو النفسية وما يستدعيه ذلك من زيادة حجم العينة.
عيوب الاستخدام
طرق التحليل الإحصائي لتصميم القياسات المتكررة
إضافةً إلى ذلك، قد يكون لدى الفرد القدرة على تقرير ما الغرض من البحث نتيجة لمشاركته في جميع مستويات المعالجة، مما قد يقوده إلى تغيير أدائه، وهذا قد يؤثر على النتائج ويجعل من غير الممكن تفسيرها بشكل صحيح.
ومن ناحية أخرى، تأثير عامل الممارسة وعامل التعب، وذلك أنه إذا طلب من الأفراد إنجاز المهمة نفسها عدة مرا فقد يتحسن أداء المفحوص مما يشير إلى تأثير عامل الممارسة، أو أن ينحدر أداء الفرد مع التكرار فيعود ذلك إلى عامل التعب. وفي الحالتين يؤدي ذلك إلى التأثير على نتائج الدراسة ما لم يعالج هذان الأمران من خلال توزيع الممارسة بين الظروف التجريبية عن طريق تغيير ترتيب المعالجات في كل مرة. وفي حالة عدم إمكانية تغيير ترتيب المهمات فإذا أثرت إحدى المعالجات التجريبية في الأداء على المعالجات التجريبية الأخرى فإن مثل هذا التأثير يسمى بالتأثير اللاحق Carry Over Effect.
وعلى صعيد آخر، تأثير التاريخ History Effcet: ويقصد به تأثير أية أحداث خلال فترة التجربة أو البحث قد تؤثر على أداء المفحوصين على المتغير التابع، خاصة إذا كانت التجربة تتطلب مدة زمنية (أيام، أسابيع، شهور، سنوات).
وفي السياق ذاته، الانحدار الإحصائي أو الانحدار نحو المتوسط Regression toward the Mean: ويقصد بهذه الظاهرة أن يحصل الأفراد حينما يعاد اختبارهم على درجات أقل تطرفا مما حصلوا عليه في الاختبار الأول دون أن يكون هناك أي تأثير لأي نوع من أنواع المعالجات، وهذا له علاقة بما يسمى بتباين الخطأ. وذلك أن درجة المفحوص تعكس درجته الحقيقية إلى جانب تباين الخطأ الذي يعود أمور أخرى مثل شعور الفرد بالنشاط، وعدم التشتت، والقدرة على التركيز، وهي أمور قد تخلتف عند إعادة الاختبار، مما قد يؤدي إلى انحدار درجته نحو المتوسط.
الفرضيات
ومن ناحية أخرى، الفرضية البديلة: يوجد على الأقل واحدة من المتوسطات تختلف عن البقية.
كذلك، الفرضية الصفرية: لا توجد فروق ذات دلالة إحصائية بين متوسطات مستويات المعالجة.
ميزات الاستخدام
ومن جهة أخرى، أنه يؤدي إلى التقليل من التحيز المنظم، مثل أثر متغير الجنس أو العمر مثلا على المتغير التابع، وفي هذين النقطتين الأخيرتين يلجأ بعض الباحثين إلى استخدام تحليل التباين المرافق لعزل أثر المتغير المرافق المراد ضبطه لمعرفة مقدار التأثير في المتغير التابع الذي يعود إلى المعالجة والخطأ فقط.
في هذا الإطار، أنه يؤدي إلى تقليل تباين الخطأ لأن الأفراد يشاركون في جميع المعالجات التجريبية فتكون المتغيرات الخاصة بالفرد ثابتة فيقل تباين الخطأ، مما يؤدي بالتالي إلى اختبار أقوى لتأثير المتغير المستقل، إذ أن الباحث الذي يستعمل تصميما قويا يكون عنده احتمال أقل للوقوع في الخطأ من النوع الثاني (أي الفشل في إيجاد فرق بينما في الواقع هناك فرق).
وفي هذا الصدد، هناك الكثير من المميزات التي تبرر استخدام هذا النوع من التصاميم، ومنها:
علاوةً على ذلك، أنه يساعد على تصميم أنماط مختلفة ومعقدة من المناهج التجريبية بحجم عينات صغيرة.
إضافةً إلى ذلك، أن الدراسات التي تستعمل هذا النوع من التصاميم تميل لأن تأخذ وقتا أقل من حيث تطبيقها بالمقارنة مع الأنواع الأخرى من التصاميم.
إضافةً إلى ذلك، أنه يظهر تصميمات قوية من الناحية الإحصائية من حيث قوة الاختبار وحجم التأثير، بدلا من زيادة حجم العينة، لأن زيادة حجم العينة وإن زادة من قوة الاختبار إلا أنها تقلل من حجم التأثير والعكس.
وفي السياق ذاته، أنه يتطلب عددا قليلا من الأفراد بالمقارنة مع تصاميم ما بين المجموعات كاختبار (ت) مثلا.
متطلبات تصميم القياسات المتكررة
إضافةً إلى ذلك، القياسات المختلفة التي تطبق على الشخص نفسه تحدث في أوقات مختلفة.
وفي هذا الصدد، جميع التصميمات التجريبية للقياسات المتكررة عاملية (Factorial): فهي تتضمن: أ) عامل المعالجات (Treatment) ويطلق عليها مستويات عامل التباين بين الأفراد ( Between-Subjects Factor Levels) ويتغير بين المعالجات فقط. ب) القياسات التي تطبق على الشخص نفسه تمثل المعالج نفسه.
عامل الوقت: ويطلق عليه عامل التباين داخل الأفراد.
التعريف
علاوةً على ذلك، تصميم إحصائي يتم فيها قياس وحدة التحليل أو البحث كالأفراد أكثر من مرة بالمقاييس نفسها كالاختبار أو الاستبانة أو بمقاييس مختلفة مثل الاختبارات التحصيلية للمواد ولكنها تستعمل وحدة القياس نفسها.
الأسئلة التي يهتم ببحثها تصميم القياسات المتكررة
- كيف يتغير متوسط المعالجات خلال أوقات متعددة؟
- كيف تتغير الفروق بين المعالجات خلال أوقات متعددة؟
- هل يوجد هناك تفاعل بين المعالجات والوقت؟
- انظر كذلك
- تحليل التباين الأحادي للقياسات المتكررة
- مراجع
- وصلات خارجية
📝 هل في هذه المقالة خطأ؟
إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.
ما رأيك في هذه المقالة؟