شاخص‌های سنجش رابطه در آزمون‌های ناپارامتری چیست و چه زمانی استفاده می‌شوند؟
در پژوهش‌هایی که داده‌ها شرایط لازم برای استفاده از آزمون‌های پارامتری را ندارند، آزمون‌های ناپارامتری می‌توانند ابزار مناسبی برای بررسی رابطه، وابستگی یا میزان ارتباط بین متغیرها باشند. با این حال، انتخاب آزمون ناپارامتری به‌تنهایی کافی نیست؛ پژوهشگر باید بداند شدت و جهت رابطه را با چه شاخصی اندازه‌گیری و چگونه تفسیر کند.
شاخص‌هایی مانند ضریب همبستگی اسپیرمن، تاو کندال، گاما، ضریب فی، V کرامر و ضریب کاپا هرکدام برای نوع خاصی از متغیرها و ساختار داده‌ها طراحی شده‌اند. در این راهنمای آکادمی ساپتز، مهم‌ترین شاخص‌های سنجش رابطه در آزمون‌های ناپارامتری، کاربردها، تفاوت‌ها، نحوه انتخاب و شیوه گزارش آن‌ها را بررسی می‌کنیم.
آزمون‌های ناپارامتری چیستند؟
آزمون‌های ناپارامتری مجموعه‌ای از روش‌های آماری هستند که در بسیاری از موارد به فروض توزیعی سخت‌گیرانه آزمون‌های پارامتری وابستگی کمتری دارند.
این روش‌ها در موقعیت‌هایی کاربرد دارند که داده‌ها:
- رتبه‌ای یا ترتیبی هستند؛
- توزیع نرمال مناسبی ندارند؛
- دارای نمونه‌های کوچک هستند؛
- شامل داده‌های پرت هستند؛
- یا مقیاس اندازه‌گیری و ساختار داده‌ها با برخی روش‌های پارامتری سازگار نیست.
البته «ناپارامتری» به معنای «بدون هیچ پیش‌فرضی» نیست. هر آزمون ناپارامتری نیز شرایط و مفروضات خاص خود را دارد و باید متناسب با سؤال پژوهش و نوع داده انتخاب شود.
شاخص سنجش رابطه در آزمون ناپارامتری چه مفهومی دارد؟
آزمون آماری معمولاً به این پرسش پاسخ می‌دهد که آیا شواهد کافی برای وجود یک رابطه یا وابستگی آماری وجود دارد یا خیر. اما برای تفسیر بهتر نتیجه، پژوهشگر به یک شاخص اندازه رابطه یا اندازه اثر نیز نیاز دارد.
برای مثال ممکن است آزمونی نشان دهد رابطه بین دو متغیر از نظر آماری معنادار است. در این حالت، سؤال مهم بعدی این است:
رابطه چقدر قوی است و چه جهتی دارد؟
شاخص مناسب می‌تواند به این سؤال پاسخ دهد. بنابراین باید بین این مفاهیم تفاوت گذاشت:
معناداری آماری ← آیا شواهد کافی برای رد فرض صفر وجود دارد؟
ضریب رابطه ← جهت و شدت ارتباط چگونه است؟
اندازه اثر ← اندازه واقعی تفاوت یا ارتباط در داده‌ها چقدر است؟
مهم‌ترین شاخص‌های سنجش رابطه در آزمون‌های ناپارامتری
ضریب همبستگی اسپیرمن
ضریب همبستگی رتبه‌ای اسپیرمن (Spearman’s rho) یکی از شناخته‌شده‌ترین شاخص‌های سنجش رابطه در داده‌های رتبه‌ای یا داده‌هایی است که استفاده از همبستگی پیرسون برای آن‌ها مناسب نیست.
این ضریب معمولاً با نماد ρ یا rs نمایش داده می‌شود و در بازه 1- تا 1+ قرار دارد.
مقدار مثبت نشان‌دهنده رابطه مستقیم و مقدار منفی بیانگر رابطه معکوس است.
برای نمونه:
rs = 0.72
می‌تواند نشان‌دهنده یک رابطه مثبت نسبتاً قوی بین دو متغیر باشد؛ البته شدت رابطه باید با توجه به زمینه پژوهش و ویژگی داده‌ها تفسیر شود.
اسپیرمن به‌ویژه زمانی مفید است که رابطه میان دو متغیر یکنواخت (monotonic) باشد؛ یعنی با افزایش یک متغیر، متغیر دیگر عموماً در یک جهت حرکت کند، حتی اگر رابطه کاملاً خطی نباشد.
ضریب تاو کندال
Kendall’s tau یکی دیگر از شاخص‌های مهم برای اندازه‌گیری رابطه رتبه‌ای است.
این شاخص بر مبنای مقایسه زوج‌های مشاهده‌ها شکل می‌گیرد و برای داده‌های رتبه‌ای کاربرد ویژه‌ای دارد.
تاو کندال در مقایسه با اسپیرمن در برخی شرایط، به‌خصوص برای داده‌های رتبه‌ای با تعداد زیادی رتبه مساوی یا نمونه‌های کوچک، ویژگی‌های مطلوبی دارد.
انواعی از آن مانند Kendall’s tau-b و tau-c وجود دارند و انتخاب نوع مناسب به ساختار جدول و داده‌ها بستگی دارد.
تفاوت اسپیرمن و کندال چیست؟
هر دو شاخص برای سنجش رابطه رتبه‌ای مورد استفاده قرار می‌گیرند، اما روش محاسبه و ویژگی‌های آماری آن‌ها یکسان نیست.
به طور کلی:
| شاخص | کاربرد اصلی | دامنه |
|---|---|---|
| اسپیرمن | رابطه رتبه‌ای و یکنواخت | 1- تا 1+ |
| کندال | ارتباط و توافق رتبه‌ای | 1- تا 1+ |
| گاما | رابطه بین متغیرهای ترتیبی | 1- تا 1+ |
در بسیاری از پژوهش‌ها هر دو روش اسپیرمن و کندال می‌توانند مطرح باشند؛ اما انتخاب بین آن‌ها باید بر اساس نوع داده، تعداد رتبه‌های مساوی، اندازه نمونه و هدف تحلیل انجام شود.
ضریب گاما؛ شاخص رابطه برای متغیرهای ترتیبی
Goodman and Kruskal’s Gamma یکی از شاخص‌های مناسب برای بررسی ارتباط میان دو متغیر ترتیبی است.
این شاخص نیز در بازه 1- تا 1+ قرار دارد و جهت رابطه را مشخص می‌کند.
مزیت مهم گاما آن است که در محاسبه خود، زوج‌های مساوی از نظر رتبه را در بخش خاصی از محاسبات وارد نمی‌کند. به همین دلیل، در شرایطی که تعداد زیادی رتبه مساوی وجود داشته باشد، تفسیر آن می‌تواند با سایر شاخص‌ها متفاوت باشد.
بنابراین اگر متغیرهایی مانند سطح رضایت، میزان موافقت، شدت نگرش یا رتبه‌بندی داشته باشیم، گاما می‌تواند یکی از شاخص‌های قابل بررسی باشد.
ضریب فی؛ سنجش رابطه بین دو متغیر دوحالتی
Phi coefficient برای سنجش ارتباط بین دو متغیر دوحالتی، یعنی متغیرهایی با دو طبقه، استفاده می‌شود.
برای مثال:
- اشتغال: شاغل / غیرشاغل
- خرید: خرید کرده / خرید نکرده
- موفقیت: موفق / ناموفق
ضریب فی معمولاً در ارتباط با جدول توافقی 2×2 کاربرد دارد.
مقدار آن می‌تواند جهت رابطه و شدت ارتباط را نشان دهد؛ البته تفسیر آن باید با توجه به نحوه کدگذاری متغیرها انجام شود.
V کرامر؛ سنجش رابطه بین متغیرهای اسمی
زمانی که دو متغیر طبقه‌ای داشته باشیم و تعداد طبقات آن‌ها بیش از دو باشد، V کرامر (Cramér’s V) می‌تواند شاخص مناسبی برای سنجش شدت ارتباط باشد.
برای مثال، فرض کنید پژوهشگر رابطه بین:
نوع رشته تحصیلی × ترجیح نوع شغل
را بررسی کند.
آزمون کای‌دو می‌تواند وجود یا نبود ارتباط آماری را بررسی کند، اما Cramér’s V اطلاعات بیشتری درباره اندازه این ارتباط ارائه می‌دهد.
مقدار V معمولاً بین 0 و 1 قرار دارد؛ مقدار نزدیک‌تر به صفر بیانگر ارتباط ضعیف‌تر و مقدار نزدیک‌تر به یک نشان‌دهنده ارتباط قوی‌تر است.
ضریب کاپا؛ سنجش توافق بین ارزیاب‌ها
گاهی هدف پژوهشگر بررسی «رابطه» بین دو متغیر نیست، بلکه می‌خواهد بداند دو ارزیاب تا چه اندازه در طبقه‌بندی یکسان عمل کرده‌اند.
در این شرایط، Cohen’s Kappa می‌تواند بسیار کاربردی باشد.
برای مثال، دو متخصص ممکن است نتایج چند پرونده را در دو طبقه «نیازمند مداخله» و «بدون نیاز به مداخله» دسته‌بندی کنند.
در اینجا توافق مشاهده‌شده باید از توافقی که ممکن است صرفاً به دلیل شانس رخ دهد، تفکیک شود. کاپا برای همین منظور طراحی شده است.
نکته مهم این است که کاپا شاخص توافق است، نه صرفاً یک ضریب همبستگی؛ بنابراین نباید آن را با اسپیرمن یا پیرسون یکسان دانست.
انتخاب شاخص مناسب بر اساس نوع متغیر
یکی از مهم‌ترین مراحل تحلیل آماری، انتخاب شاخص متناسب با نوع داده است.
دو متغیر کمی یا رتبه‌ای با رابطه یکنواخت
استفاده از اسپیرمن یا در شرایط مناسب کندال می‌تواند منطقی باشد.
دو متغیر ترتیبی
کندال یا گاما می‌تواند مطرح باشد و انتخاب نهایی به ویژگی داده‌ها و هدف پژوهش وابسته است.
دو متغیر دوحالتی
ضریب فی برای جدول‌های 2×2 یکی از گزینه‌های رایج است.
دو متغیر طبقه‌ای چندسطحی
پس از بررسی کای‌دو، V کرامر می‌تواند برای سنجش شدت ارتباط استفاده شود.
دو ارزیاب یا دو روش طبقه‌بندی
در صورت هدف‌گذاری برای سنجش توافق، باید شاخص‌هایی مانند کاپا بررسی شوند.
آیا آزمون ناپارامتری به تنهایی شدت رابطه را نشان می‌دهد؟
خیر.
این یکی از نکات مهم در تحلیل داده‌هاست. برخی آزمون‌های ناپارامتری مانند من‌ویتنی، ویلکاکسون یا کروسکال–والیس ممکن است برای مقایسه گروه‌ها استفاده شوند. اگرچه نتیجه آن‌ها می‌تواند درباره تفاوت یا توزیع گروه‌ها اطلاعات بدهد، اما برای گزارش یک نتیجه کامل معمولاً باید اندازه اثر مناسب نیز بررسی شود.
برای مثال در یک آزمون من‌ویتنی، صرف گزارش مقدار p برای نشان دادن اهمیت یافته کافی نیست. پژوهشگر باید در صورت امکان شاخص اندازه اثر مناسب را نیز ارائه کند.
بنابراین «آزمون ناپارامتری» و «شاخص رابطه یا اندازه اثر» دو مفهوم کاملاً یکسان نیستند.
شاخص رابطه و اندازه اثر چه تفاوتی دارند؟
گاهی این دو مفهوم در پژوهش‌ها به جای یکدیگر استفاده می‌شوند، اما از نظر مفهومی باید میان آن‌ها تمایز قائل شد.
شاخص رابطه بیشتر بر میزان ارتباط میان متغیرها تمرکز دارد؛ مانند اسپیرمن یا کندال.
اندازه اثر مفهوم گسترده‌تری است و نشان می‌دهد اختلاف، ارتباط یا اثر مشاهده‌شده چه اندازه‌ای دارد.
برای نمونه، در تحلیل رابطه از اسپیرمن استفاده می‌شود، در حالی که در آزمون مقایسه دو گروه ممکن است اندازه اثر دیگری مناسب باشد.
در گزارش آماری، انتخاب شاخص باید با نوع سؤال پژوهش هماهنگ باشد.
معناداری آماری در برابر شدت رابطه
فرض کنید پژوهشگر به نتیجه زیر رسیده باشد:
Spearman’s rho = 0.18, p = 0.002
ممکن است این رابطه از نظر آماری معنادار باشد، اما مقدار ضریب نشان می‌دهد شدت ارتباط چندان زیاد نیست.
در مقابل، در یک نمونه کوچک ممکن است ضریب نسبتاً بزرگی مشاهده شود ولی آزمون از نظر آماری معنادار نباشد.
بنابراین:
p-value به‌تنهایی شدت رابطه را مشخص نمی‌کند.
برای تفسیر صحیح، باید حداقل ضریب رابطه، جهت آن، مقدار p و در صورت امکان فاصله اطمینان گزارش شود.
نحوه گزارش شاخص‌های رابطه در مقاله و پایان‌نامه
گزارش علمی بهتر است به گونه‌ای باشد که خواننده بتواند نتیجه تحلیل را به‌درستی ارزیابی کند.
برای مثال:
نتایج آزمون همبستگی اسپیرمن نشان داد بین رضایت از خدمات و وفاداری مشتری رابطه‌ای مثبت و از نظر آماری معنادار وجود دارد (rs = 0.61, p < 0.001).
در صورت امکان، گزارش حجم نمونه، فاصله اطمینان و سایر اطلاعات مهم تحلیل نیز می‌تواند شفافیت نتیجه را افزایش دهد.
برای متغیرهای طبقه‌ای نیز می‌توان نتایج کای‌دو و شاخص V کرامر را در کنار یکدیگر گزارش کرد.
اشتباهات رایج در استفاده از شاخص‌های ناپارامتری
انتخاب آزمون بدون توجه به نوع داده
نباید صرفاً به این دلیل که داده‌ها «نرمال نیستند» یک آزمون ناپارامتری را انتخاب کرد.
برابر دانستن همه شاخص‌های رابطه
اسپیرمن، کندال، گاما، فی و V کرامر کاربرد یکسانی ندارند.
تفسیر همبستگی به عنوان علیت
حتی ضریب همبستگی بسیار بالا نیز به خودی خود رابطه علت و معلولی را ثابت نمی‌کند.
گزارش فقط p-value
گزارش معناداری آماری بدون ضریب رابطه یا اندازه اثر، اطلاعات ناقصی درباره یافته ارائه می‌کند.
استفاده از آستانه‌های ثابت و بدون توجه به زمینه
شدت رابطه باید با توجه به حوزه علمی، هدف پژوهش، کیفیت اندازه‌گیری و پیامدهای عملی آن تفسیر شود.
مراحل انتخاب و گزارش شاخص مناسب
برای انتخاب شاخص مناسب، می‌توان این مسیر را دنبال کرد:
مرحله اول: نوع متغیرها را مشخص کنید
اسمی، رتبه‌ای، کمی یا دوحالتی بودن متغیرها را مشخص کنید.
مرحله دوم: هدف تحلیل را تعیین کنید
آیا هدف شما سنجش رابطه است، مقایسه گروه‌ها یا بررسی توافق ارزیاب‌ها؟
مرحله سوم: ساختار داده‌ها را بررسی کنید
تعداد طبقات، رتبه‌های مساوی، حجم نمونه و شکل رابطه را بررسی کنید.
مرحله چهارم: آزمون و شاخص مناسب را انتخاب کنید
برای مثال، در یک رابطه رتبه‌ای می‌توان اسپیرمن یا کندال را بررسی کرد و برای متغیرهای طبقه‌ای از کای‌دو همراه با شاخص مناسب شدت ارتباط استفاده کرد.
مرحله پنجم: نتیجه را کامل گزارش کنید
ضریب، جهت رابطه، معناداری آماری و در صورت امکان فاصله اطمینان و اندازه اثر را ارائه دهید.
جمع‌بندی
شاخص‌های سنجش رابطه در آزمون‌های ناپارامتری ابزارهایی هستند که به پژوهشگر کمک می‌کنند فراتر از «معنادار یا غیرمعنادار بودن» یک نتیجه آماری، شدت و جهت ارتباط یا میزان توافق را نیز ارزیابی کند.
اسپیرمن و کندال برای روابط رتبه‌ای، گاما برای برخی روابط ترتیبی، فی برای جدول‌های دوحالتی، V کرامر برای ارتباط متغیرهای طبقه‌ای و کاپا برای سنجش توافق از شاخص‌های مهم این حوزه هستند.
مهم‌ترین اصل این است که شاخص مورد استفاده باید از نوع متغیر، هدف پژوهش، ساختار داده‌ها و سؤال تحقیق پیروی کند. همچنین، معناداری آماری با شدت رابطه یکسان نیست و در یک گزارش علمی استاندارد باید این دو مفهوم از یکدیگر تفکیک شوند.
به همین دلیل، انتخاب صحیح آزمون و شاخص آماری تنها یک تصمیم نرم‌افزاری نیست؛ بلکه بخشی از استدلال روش‌شناختی پژوهش است.
سوالات متداول
بهترین شاخص برای سنجش رابطه در داده‌های غیرنرمال چیست؟
در بسیاری از شرایط، اسپیرمن یا کندال می‌توانند گزینه‌های مناسبی باشند؛ اما صرفاً غیرنرمال بودن داده‌ها برای انتخاب آزمون کافی نیست و نوع متغیر و شکل رابطه نیز باید بررسی شود.
تفاوت اسپیرمن و کندال چیست؟
هر دو برای سنجش ارتباط رتبه‌ای کاربرد دارند، اما مبنای محاسبه و ویژگی‌های آماری آن‌ها متفاوت است. کندال در برخی شرایط، به‌خصوص داده‌های رتبه‌ای و نمونه‌های کوچک، می‌تواند گزینه مناسبی باشد.
آیا کای‌دو یک شاخص سنجش شدت رابطه است؟
خیر. کای‌دو عمدتاً برای آزمون استقلال یا وابستگی بین متغیرهای طبقه‌ای استفاده می‌شود. برای توصیف شدت ارتباط می‌توان از شاخص‌هایی مانند V کرامر استفاده کرد.
آیا ضریب فی فقط برای متغیرهای اسمی استفاده می‌شود؟
فی عمدتاً برای بررسی ارتباط بین دو متغیر دوحالتی، به‌ویژه در جدول توافقی 2×2، کاربرد دارد.
آیا کاپا همان همبستگی است؟
خیر. کاپا بیشتر برای سنجش توافق طبقه‌بندی بین ارزیاب‌ها یا روش‌ها استفاده می‌شود و نباید آن را به عنوان جایگزین عمومی ضریب همبستگی تفسیر کرد.
در پایان‌نامه فقط گزارش p-value کافی است؟
خیر. بهتر است در کنار معناداری آماری، شاخص مناسب رابطه یا اندازه اثر، جهت و شدت رابطه و اطلاعات آماری مرتبط نیز گزارش شود تا خواننده بتواند اهمیت یافته را بهتر ارزیابی کند.
دیدگاه‌ها
هنوز دیدگاهی برای این مقاله ثبت نشده است.
پرسش یا تجربه خود را با ما در میان بگذارید.