المتغيرات الفئوية مقابل المتغيرات الكمية: التعريف + أمثلة

تُعد عملية قياس الظواهر وتحديد خصائصها بدقة حجر الزاوية الذي تقوم عليه المنهجية العلمية في مختلف الحقول المعرفية، بدءاً من العلوم الطبيعية والبيولوجية وصولاً إلى العلوم الإنسانية، السلوكية والاجتماعية. فالعالم المحيط بنا يزخر بفيض لا نهائي من الخصائص والسمات المتباينة؛ فبعض هذه الخصائص يظهر في صورة صفات ونعوت كيفية لا تقبل التجزئة العددية المباشرة، كأنماط الشخصية والتشخيصات الإكلينيكية والانتماءات الجغرافية، بينما يتجلى البعض الآخر في صورة مقادير وأوزان وأبعاد رقمية خاضعة للمعايرة الدقيقة والعمليات الحسابية المتطورة كأزمنة الرجع ومعدلات النبض ومستويات الدخل الاقتصادي. ومن هنا، يُمثل التمييز المنهجي الدقيق بين المتغيرات الفئوية (Categorical Variables) والمتغيرات الكمية (Quantitative Variables) نقطة الانطلاق الأساسية التي تُبنى عليها كافة قرارات التصميم التجريبي، واختيار أساليب جمع البيانات، وبناء النماذج الرياضية، وتطبيق الاختبارات الإحصائية الاستدلالية المناسبة.

إن الخطأ في تصنيف طبيعة المتغير المراد دراسته لا يتوقف أثره عند مجرد التسمية النظرية، بل يمتد بصورة جذرية ليقوض بنيان البحث العلمي بأكمله؛ إذ يترتب على الخلط بين ما هو نوعي تصنيفي وما هو عددي كمي الوقوع في منزلقات منهجية خطيرة، مثل تطبيق عمليات جبرية غير مسموحة رياضياً، أو استخدام اختبارات إحصائية بارامترية تفترض شروطاً لا تتوافق مع طبيعة المقياس، مما يؤدي بالضرورة إلى استخراج مؤشرات مضللة واستنتاجات علمية باطلة تؤثر سلباً على اتخاذ القرارات الإكلينيكية والتربوية والتطبيقية. وبالمقابل، فإن الفهم المعمق للفروق البنيوية والإبستمولوجية بين هذين النوعين من المتغيرات يمنح الباحثين والمحللين رؤية ثاقبة وقدرة فائقة على ترجمة الفرضيات النظرية المجردة إلى متغيرات إجرائية قابلة للقياس والتحليل والنمذجة الدقيقة.

يهدف هذا الدليل الموسوعي الشامل إلى تقديم معالجة أكاديمية وتطبيقية متعمقة لكافة جوانب المتغيرات الفئوية والكمية، مستعرضاً الأسس النظرية لنظرية القياس الإحصائي، والخصائص الرياضية والمنهجية لكل تصنيف، والأنواع الفرعية المنبثقة عنها كالمقاييس الاسمية، الترتيبية، الثنائية، المنفصلة، والمتصلة. كما يسلط المقال الضوء على الأساليب الإحصائية والتحليلية والتمثيلية البيانية المتوافقة مع كل نمط، مع استعراض شامل للتطبيقات المعاصرة في علم النفس والطب والعلوم الاجتماعية، ومناقشة التحديات المرتبطة بالتحويل بين المتغيرات، مدعمة بالأمثلة العملية ونماذج دراسات الحالة وقوائم التحقق المنهجية التي تضمن للباحثين والمحللين أعلى درجات الدقة والصدق الإحصائي.

1. المقدمة والمفاهيم التأسيسية للمتغيرات في البحث العلمي والإحصائي

1.1 مفهوم المتغير الإحصائي وأهميته في التصميم التجريبي

يُعرف المتغير الإحصائي (Statistical Variable) في المنهجية العلمية بأنه أي خاصية، أو سمة، أو ظاهرة، أو كيان كمي أو نوعي يتميز بالقابلية للتغير واتخاذ قيم أو مستويات متباينة بين الأفراد، أو الأشياء، أو المواقف، أو عبر فترات زمنية مختلفة داخل مجتمع الدراسة. وتُشكل المتغيرات المادة الخام الأساسية التي يتعامل معها الباحث، حيث تنبع أهميتها من قدرتها على تجسيد التنوع الطبيعي والسلوكي والفيزيائي الموجود في الكون. ويقابل مفهوم المتغير مفهوم “الثابت” (Constant)، وهو الخاصية التي تحتفظ بقيمة وحيدة وثابتة لا تتغير عبر جميع وحدات المعاينة في سياق تجريبي محدد، كأن نقوم بإجراء دراسة على عينة تتكون حصرياً من الإناث في سن العشرين، حيث يصبح “الجنس” و”العمر” في هذا التصميم ثوابت تجريبية لا متغيرات، مما يستبعدهما من دائرة التحليل الإحصائي المقارن للتباين الداخلي.

تكمن الأهمية المركزية للمتغيرات في التصميم التجريبي في دورها الحاسم في صياغة الفرضيات الإحصائية واختبار العلاقات الارتباطية والسببية بين الظواهر. فالبحث العلمي في جوهره يسعى إلى فهم كيف ولماذا يؤدي التغير في متغير معين (المتغير المستقل – Independent Variable) إلى إحداث تغيرات موجهة ومنتظمة في متغير آخر (المتغير التابع – Dependent Variable)، مع عزل وضبط تأثيرات المتغيرات الدخيلة والمربكة (Confounding Variables). ومن هنا، فإن التصنيف الإحصائي السليم للمتغيرات يُعد الشرط الحاكم لضمان الصدق الداخلي (Internal Validity) والصدق الخارجي (External Validity) للدراسة؛ إذ إن عجز الباحث عن التحديد الإجرائي الدقيق لنوع المتغير ومداه يؤدي إلى تشويه مصفوفة العلاقات البينية، وفقدان القدرة على تعميم النتائج، وانهيار مصداقية النموذج التجريبي المعتمد.

1.2 مدخل إلى مستويات القياس الإحصائي ونظرية القياس (Measurement Theory)

تعود الجذور المعرفية لتصنيف المتغيرات إلى الورقة التأسيسية الشهيرة التي نشرها عالم النفس الرياضي ستانلي سميث ستيفنز (Stanley Smith Stevens) عام 1946 في مجلة Science بعنوان “On the Theory of Scales of Measurement”. وقد أسس ستيفنز في هذه النظرية مفهوماً إجرائياً دقيقاً للقياس بوصفه: “عملية تعيين الأرقام للأشياء أو الأحداث أو الخصائص وفقاً لقواعد وقوانين محددة ومنتظمة”. وأوضح ستيفنز أن الأرقام المعينة لا تحمل دائماً نفس الدلالة الرياضية، بل تتحدد طبيعتها ومعناها الإحصائي استناداً إلى مستوى القياس المستخدم والقواعد المتبعة في إعطاء هذه الأرقام، مما قاده إلى ابتكار تصنيفه الرباعي الشهير لمستويات القياس: الاسمي (Nominal)، الترتيبي (Ordinal)، الفئوي أو المسافة (Interval)، والنسبي (Ratio).

يقوم هذا التصنيف الرباعي على تسلسل هرمي تصاعدي للمعلومات الرياضية والإحصائية المضمنة في البيانات؛ فالمستوى الاسمي لا يقدم سوى وظيفة التصنيف والتمييز المجرد، في حين يضيف المستوى الترتيبي بعد المفاضلة والترتيب الهرمي، بينما يمنح مقياس المسافة ميزة إضافية تتمثل في ثبات وتساوي المسافات الفاصلة بين القيم مع غياب الصفر المطلق، ليتوج مقياس النسبة هذا الهرم بامتلاكه لخاصية الصفر الحقيقي المطلق الذي يدل على الانعدام التام للخاصية. وتتضح الأهمية الإبستمولوجية لهذا التدرج الهرمي في أن مستوى القياس هو الذي يحدد بشكل قاطع نطاق العمليات الحسابية الجبرية المسموح بتطبيقها على البيانات؛ فالانتقال من المقاييس النوعية المنخفضة (الاسمية والترتيبية) إلى المقاييس الكمية المتقدمة (المسافة والنسبة) ينقل التحليل الإحصائي من مجرد التكرارات وحساب النسب والترتيب إلى فضاء العمليات الرياضية المعقدة كالمتوسطات، الانحرافات المعيارية، وحساب النسب المضاعفة.

1.3 أهمية التمييز بين المتغيرات الفئوية والكمية في معالجة البيانات

يمثل التمييز الجذري بين المتغيرات الفئوية (التي تنضوي تحتها المقاييس الاسمية والترتيبية) والمتغيرات الكمية (التي تشمل مقاييس الفترة والنسبة) الضمانة الأساسية لحماية التحليل الإحصائي من الوقوع في الأخطاء المنهجية الفادحة. فعند التعامل مع قواعد البيانات الضخمة (Big Data) أو الحزم الإحصائية البرمجية الحديثة، قد يتم تمثيل الفئات النوعية بأرقام برمجية، كإعطاء الرقم (1) للذكور والرقم (2) للإناث؛ فإذا لم يعِ المحلل الطبيعة الفئوية لهذا المتغير وقام بحساب المتوسط الحسابي له مستخرجاً قيمة مثل (1.5)، فإن هذا الناتج يمثل خطأً معرفياً وهراءً إحصائياً لا معنى له على الإطلاق في الواقع التجريبي.

علاوة على ذلك، يحدد هذا التمييز خريطة الطريق المنهجية لاختيار الاختبارات الإحصائية المناسبة؛ فالبيانات الكمية التي تستوفي شروط التوزيع الطبيعي وتجانس التباين تتطلب تطبيق الاختبارات البارامترية (Parametric Tests) فائقة القوة مثل اختبار “ت” (t-test) وتحليل التباين (ANOVA) ومعامل ارتباط بيرسون، في حين تتطلب البيانات الفئوية أو الترتيبية التي تفتقر لتلك الخصائص الرياضية اللجوء الحتمي إلى الاختبارات اللابارامترية (Non-parametric Tests) واختبارات التوافق كاختبار مربع كاي (Chi-Square) ومعاملات ارتباط الرتب. كما ينعكس هذا التمييز بصورة مباشرة على أساليب التصور والتمثيل البياني؛ حيث تتطلب البيانات الفئوية مخططات منفصلة كالأعمدة البيانية والمخططات الدائرية، بينما تتطلب البيانات الكمية أدوات تعرض الاتصال والتوزيع الاحتمالي كالمدرجات التكرارية ومخططات التشتت ومخططات الصندوق، مما يضمن في النهاية تفسير النتائج وصياغة الاستنتاجات العلمية بموثوقية ودقة تتطابق تماماً مع الواقع التجريبي.

2. المتغيرات الفئوية (Categorical Variables): المفهوم والخصائص الجوهرية

2.1 التعريف النظري والمنهجي للمتغيرات الفئوية

تُعرف المتغيرات الفئوية (Categorical Variables)، والتي يُطلق عليها أيضاً في أدبيات البحث الإحصائي مصطلح المتغيرات النوعية (Qualitative Variables)، بأنها تلك المتغيرات التي تأخذ قيماً تنتمي إلى مجموعة محددة مسبقاً من الفئات أو المجموعات أو السمات النوعية التي لا تعبر بذاتها عن كميات عددية قابلة للقياس الفيزيائي المباشر. وتتميز هذه البيانات بكونها تصف “ماهية” الشيء أو كينونته أو تصنيفه النوعي بدلاً من قياس “مقداره” أو كميته؛ حيث تسعى إلى تقسيم مجتمع الدراسة أو عينة البحث إلى فئات متمايزة يشترك الأفراد الواقعون داخل كل فئة منها في خاصية معينة تميزهم جوهرياً عن الأفراد المصنفين في الفئات الأخرى.

يخضع البناء المنهجي للمتغيرات الفئوية لشرطين رياضيين ومنطقيين صارمين لا غنى عنهما لضمان سلامة القياس؛ الشرط الأول هو خاصية الحصرية المتبادلة (Mutually Exclusive)، والتي تعني بالضرورة استحالة انتماء المفردة الواحدة أو المشاهدة الإحصائية إلى أكثر من فئة واحدة في الوقت ذاته، بحيث يكون تصنيف كل عنصر حاسماً وغير مزدوج. أما الشرط الثاني فهو خاصية الشمول المشترك أو الاستيعاب التام (Exhaustive)، والتي تفرض أن تتضمن قائمة الفئات المحددة كافة الاحتمالات الممكنة التي يمكن أن يقع فيها أي فرد من أفراد المجتمع الإحصائي، حتى وإن تطلب ذلك إضافة فئة عامة تحت مسمى “أخرى”. ونتيجة لهذه الطبيعة الكيفية والتصنيفية، تستحيل منهجياً ورياضياً محاولات تطبيق العمليات الحسابية الجبرية التقليدية كعمليات الجمع، الطرح، الضرب، والقسمة على القيم الأصلية للمتغيرات الفئوية.

2.2 الترميز الرقمي للمتغيرات الفئوية والفرق بين الرقم والقيمة

في بيئات التحليل الإحصائي الحديثة والحوسبة المتقدمة، يُعد الترميز الرقمي (Coding) للمتغيرات الفئوية إجراءً تقنياً حتمياً لتسهيل عمليات إدخال البيانات، تخزينها، وتنظيمها برمجياً. وتتمثل هذه العملية في استبدال المسميات النصية للفئات بأكواد رقمية مجردة؛ كأن يُرمز للمدن السكنية بالأرقام: (1 = القاهرة، 2 = الرياض، 3 = دبي، 4 = عمّان). غير أن القضية المنهجية الجوهرية تكمن في الوعي الإبستمولوجي بالفرق الدقيق بين “الرقم كرمز تعريفي” و”الرقم كقيمة رياضية ومقدار كمي”؛ فالأرقام المعطاة للفئات في هذا السياق ليست سوى تسميات وأقنعة رقمية (Labels) خالية تماماً من أي دلالة كمية أو حسابية، ولا تعكس أي علاقة تفاضلية في المقدار، فالرقم (4) هنا لا يعني مطلقاً أنه أكبر من الرقم (1) أو أنه يمثل أربعة أضعافه.

تنشأ المخاطر المنهجية الفادحة عندما يغفل الباحث عن ضبط بنية هذه المتغيرات داخل البرمجيات الإحصائية مثل SPSS أو بيئات البرمجة مثل R وPython؛ حيث يؤدي ترك المتغير معرفاً كمتغير عددي مقياسي (Scale / Numeric) بدلاً من تعريفه كمتغير فئوي اسمي أو ترتيبي مع إدخال ملصقات القيم (Value Labels) المخصصة إلى قيام البرمجيات بحساب مقاييس كمية مضللة كالمتوسطات والانحرافات المعيارية للأكواد الرمزية. ولتفادي ذلك، تفرض المعايير الإحصائية ضبط خصائص المتغيرات بدقة برمجياً، وتحويل المتغيرات الفئوية إلى عوامل (Factors) في لغة R، أو تحديد مستوى القياس كـ Nominal أو Ordinal في SPSS، لضمان استجابة المحركات الحسابية للقيود الإحصائية المفروضة على طبيعة هذه البيانات.

2.3 أبرز الخصائص الإحصائية للبيانات الفئوية

تتميز البيانات الفئوية بمجموعة من الخصائص الإحصائية الفريدة التي تجعل بنيتها الرياضية مختلفة تماماً عن البيانات العددية؛ فالركيزة الأساسية لتحليل هذه البيانات تكمن في أسلوب الحصر والعد، حيث يتم التعامل مع التكرارات المطلقة (Absolute Frequencies)، والنسب المئوية (Percentages)، ومعدلات الحدوث أو الاحتمالات النسبية لكل فئة من الفئات المشكلة للمتغير. ومن الناحية الإحصائية المركزية، يُعد المنوال (Mode) -وهو الفئة الأكثر تكراراً أو شيوعاً داخل العينة- مقياس النزعة المركزية الوحيد المسموح بتطبيقه رياضياً على المتغيرات الاسمية، في حين يمكن إضافة الوسيط (Median) في حالة المتغيرات الفئوية الترتيبية فقط، مع استحالة حساب المتوسط الحسابي (Mean) لغياب المعنى العددي للفئات.

أما من زاوية دراسة التباين والتشتت، فإن المقاييس التقليدية المعتمدة على الفروق المربعة عن المتوسط (كالتباين والانحراف المعياري) تفقد صلاحيتها التامة عند دراسة المتغيرات الفئوية؛ ولذلك يلجأ الإحصائيون إلى مقاييس التشتت النوعي، وأبرزها مؤشر التباين النوعي (Index of Qualitative Variation – IQV)، ومقاييس الإنتروبيا والتنوع الإحصائي (Information Entropy / Diversity Indices). وتقيس هذه المؤشرات مدى توزع المشاهدات بالتساوي بين الفئات المتعددة؛ حيث يصل التباين إلى أقصى درجاته عندما تتوزع التكرارات بالتساوي التام بين كافة الفئات، وينعدم التباين عندما تتركز كافة المشاهدات داخل فئة واحدة فقط. وتخضع المتغيرات الفئوية في نظريات الاحتمال إلى التوزيعات الاحتمالية المنفصلة المخصصة للتجارب التصنيفية كالتوزيع ذي الحدين (Binomial Distribution) والتوزيع متعدد الحدود (Multinomial Distribution).

3. أنواع المتغيرات الفئوية: الاسمية والترتيبية والثنائية

3.1 المتغيرات الاسمية (Nominal Variables)

تُمثل المتغيرات الاسمية (Nominal Variables) القاعدة الأساسية وأدنى مستويات القياس في هرم ستيفنز الإحصائي، وتُعرف بأنها المتغيرات التي تُقسم البيانات إلى فئات كيفية متمايزة ومتباينة بالمسمى فقط، دون وجود أي علاقة ترتيبية، تفاضلية، هرمية، أو كمية بين هذه الفئات. وفي هذا المستوى من القياس، تقتصر وظيفة الرقم أو الاسم على التمييز النوعي والتصنيف الحصري؛ حيث لا يمكن القول منطقياً بأن إحدى الفئات تفوق الأخرى، أو تسبقها، أو تتفوق عليها بأي معيار كمي أو قيمي موضوعي، مما يجعل ترتيب الفئات أثناء العرض الإحصائي خاضعاً لاعتبارات التنسيق الأبجدي أو العشوائي دون أن يؤثر ذلك على المعنى الإحصائي للبيانات.

تشمل الأمثلة الشائعة للمتغيرات الاسمية في البحوث التطبيقية: فصائل الدم البشرية (A, B, AB, O)، والجنسيات (سعودي، مصري، أردني، مغربي)، والحالة الاجتماعية (أعزب، متزوج، مطلق، أرمل)، والانتماء الجغرافي ونوع القطاع الوظيفي، فضلاً عن التشخيصات المرضية غير المتدرجة. وتقتصر المعالجة الإحصائية الرياضية الصالحة لهذه المتغيرات على حساب التكرارات والنسب المئوية ومعدلات الشيوع والمنوال. وتُستخدم للاستدلال الإحصائي واختبار الفرضيات المتعلقة بها اختبارات التوافق والاستقلال مثل اختبار مربع كاي لحسن المطابقة (Chi-Square Goodness of Fit) واختبار مربع كاي للاستقلالية والجداول المتقاطعة، إضافة إلى معاملات الاقتران والتوافق الاسمية مثل معامل فاي (Phi) ومعامل فاي كرامر (Cramer’s V) ومؤشر كوهين كابا للتوافق التشخيصي.

3.2 المتغيرات الترتيبية (Ordinal Variables)

تحتل المتغيرات الترتيبية (Ordinal Variables) المستوى الثاني في سلم القياس الإحصائي، وهي متغيرات فئوية تمتلك كافة خصائص المتغيرات الاسمية ولكنها تتفوق عليها بوجود خاصية الترتيب المنطقي والتسلسل التدرجي المتأصل بين فئاتها. ففي هذا النوع من المتغيرات، يمكن ترتيب الفئات ترتيباً تصاعدياً أو تنازلياً يعكس تدرجاً في الصفة المقاسة؛ بحيث تكون الفئة (أ) أكبر أو أعلى أو أكثر تفضيلاً من الفئة (ب)، وتكون الفئة (ب) أعلى من الفئة (ج)، مما يتيح للباحث تطبيق علاقات المقارنة المنطقية الرياضية مثل (أكبر من >، أصغر من <، ويساوي =).

على الرغم من إمكانية ترتيب الفئات، فإن السمة المنهجية الحرجة التي تميز المتغيرات الترتيبية وتمنعها من الارتقاء إلى المقاييس الكمية المتقدمة هي عدم تساوي المسافات أو الفروق الحقيقية الفاصلة بين الرتب المتعاقبة؛ فالفرق الجوهري بين المرتبة الأولى والثانية في سباق رياضي قد يكون أجزاء من الثانية، بينما الفرق بين المرتبة الثانية والثالثة قد يكون عدة دقائق، ونفس الأمر ينطبق على مقاييس ليكرت (Likert Scales) الخماسية (موافق بشدة، موافق، محايد، غير موافق، غير موافق بشدة) أو المستويات التعليمية (ابتدائي، ثانوي، بكالوريوس، دراسات عليا) والطبقات الاجتماعية (منخفضة، متوسطة، مرتفعة). ولذلك، فإن مقاييس النزعة المركزية المناسبة للمتغيرات الترتيبية هي المنوال والوسيط (Median)، وتعتمد مقاييس التشتت على المدى الربيعي (IQR) والمئينيات، في حين تتم معالجة الفرضيات الاستدلالية باستخدام اختبارات الرتب اللابارامترية مثل اختبار مان وتني (Mann-Whitney U)، واختبار كروسكال واليس (Kruskal-Wallis)، ومعاملات ارتباط الرتب كمعامل سبيرمان (Spearman’s Rho) وتاو كيندال (Kendall’s Tau).

3.3 المتغيرات الفئوية الثنائية (Binary / Dichotomous Variables)

تُعد المتغيرات الفئوية الثنائية (Binary or Dichotomous Variables) حالة خاصة بالغة الأهمية من المتغيرات الفئوية، حيث يقتصر فضاء العينة للمتغير على فئتين متناقضتين وشاملتين فقط. وتنقسم هذه المتغيرات منهجياً إلى نوعين رئيسيين: المتغيرات الثنائية المتماثلة (Symmetric Binary Variables)، وهي تلك التي لا تحمل أي من فئتيها أهمية تفضيلية أو وزناً معرفياً يفوق الأخرى ويتمتع كلا الحدثين بفرص حدوث متكافئة نظرياً (مثل: الجنس البيولوجي ذكر/أنثى)، والمتغيرات الثنائية غير المتماثلة (Asymmetric Binary Variables)، وهي التي يكون فيها أحد الخيارين ممثلاً لوجود خاصية نادرة أو مستهدفة بالدراسة بينما يمثل الآخر غيابها التام (مثل: الإصابة بفيروس كورونا: نعم/لا، وجود العرض النفسي: حاضر/غائب، والنجاح/الرسوب).

تكتسب المتغيرات الثنائية مكانة محورية وفريدة في الإحصاء التطبيقي وخوارزميات تعلم الآلة والذكاء الاصطناعي الحديث؛ إذ يُعد ترميزها الثنائي (0 و1) الجسر الرياضي الأساسي الذي يسمح بإدراج المتغيرات النوعية داخل النماذج الخطية المتقدمة. فعند إعطاء القيمة (1) لوجود الخاصية والقيمة (0) لغيابها، يتحول المتغير إلى توزيع برنولي (Bernoulli Distribution) الرياضي، حيث يمثل المتوسط الحسابي للبيانات المشفرة كـ (0 و1) نسبة الحدوث أو الاحتمال الرياضي الدقيق (p) للظاهرة. وتُشكل هذه المتغيرات حجر الأساس في بناء نماذج الانحدار اللوجستي (Logistic Regression)، وحساب نسب الأرجحية (Odds Ratios)، والمخاطر النسبية (Relative Risks) في الأبحاث الطبية والوبائية والتنبؤية.

4. أمثلة تفصيلية وتطبيقية على المتغيرات الفئوية

4.1 أمثلة من القياس النفسي والعلوم السلوكية

يزخر حقل القياس النفسي والعلوم السلوكية بالاعتماد الواسع على المتغيرات الفئوية لتصنيف السلوكيات المعقدة والبنى النفسية غير الملموسة التي لا يمكن قياسها بأجهزة ميكانيكية مباشرة. ومن أبرز الأمثلة المنهجية على المتغيرات الاسمية في هذا المجال نجد التصنيفات والتشخيصات النفسية الصادرة عن الأدلة الإكلينيكية المعيارية مثل الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5)؛ حيث يُصنف المفحوصون إلى فئات نوعية غير متدرجة كمياً مثل: (اضطراب الاكتئاب الجسيم، اضطراب الهلع، اضطراب الوسواس القهري، الفصام، أو غير مصاب). كما تبرز أنماط الشخصية ونظريات التعلق العاطفي لنظرية جون بولبي (أنماط: التعلق الآمن، التعلق القلق، التعلق التجنبي، والتعلق الفوضوي) كمتغير فئوي اسمي متعدد الفئات يعكس تبايناً في البنية العلائقية وليس تدرجاً رقمياً.

أما على صعيد المتغيرات الترتيبية في القياس النفسي، فتظهر بوضوح في تصنيفات شدة الأعراض؛ كأن يتم تصنيف حدة القلق أو الاكتئاب بناءً على مقاييس معيارية إلى مستويات رتبية: (قلق خفيف، قلق متوسط، قلق شديد). وعلى الرغم من أن هذا التصنيف يعكس تدرجاً تصاعدياً في المعاناة النفسية، إلا أنه يظل ترتيبياً لعدم قدرتنا على الجزم بأن الفرق في المعاناة بين القلق الخفيف والمتوسط يتطابق رياضياً مع الفرق بين المتوسط والشديد. ومن جانب آخر، تُستخدم المتغيرات الفئوية الثنائية بشكل واسع كمتغيرات إجرائية لتحديد مسار التدخل العلاجي، مثل حالة الخضوع لبروتوكول العلاج المعرفي السلوكي (تلقى العلاج / لم يتلقَ العلاج)، أو حدوث الانتكاسة الإكلينيكية بعد التعافي (حدثت انتكاسة / لم تحدث انتكاسة).

4.2 أمثلة من الدراسات الديموغرافية والاجتماعية

تُشكل المتغيرات الفئوية العمود الفقري للدراسات السكانية، الديموغرافية، وعلم الاجتماع التحليلي؛ حيث تستخدم لتوصيف التركيبة السكانية وتحديد ملامح الطبقات الاجتماعية. ويأتي متغير “الحالة الاجتماعية” كنموذج كلاسيكي للمتغير الاسمي؛ إذ يندرج الأفراد تحت تصنيفات حصرية مثل: (أعزب، متزوج، مطلق، أرمل)، وهي فئات لا تحتمل أي مفاضلة ترتيبية أو عمليات تفاضلية. وبالمثل، يمثل متغير “المنطقة الجغرافية ونوع البيئة السكنية” (بيئة حضرية، بيئة ريفية، بيئة بدوية، بيئة شبه حضرية) متغيراً اسمياً أساسياً لدراسة التفاوت في الوصول إلى الخدمات والموارد العامة.

وفي المقابل، يبرز متغير “المستوى التعليمي” كواحد من أهم المتغيرات الترتيبية المستخدمة في المسوح الاجتماعية؛ حيث يتم تدرج الأفراد عبر مستويات متصاعدة هرمياً: (أمّي، تعليم أساسي، تعليم ثانوي، دبلوم متوسط، درجة جامعية، دراسات عليا). كما يُعد “المستوى الاجتماعي الاقتصادي” (Socioeconomic Status – SES) المصنف رتبياً إلى: (طبقة دنيا، طبقة متوسطة دنيا، طبقة متوسطة عليا، طبقة نخبوية) متغيراً ترتيبياً محورياً لتفسير السلوك الاستهلاكي والأنماط الثقافية. أما على مستوى المتغيرات الفئوية المتعددة ذات البعد الوظيفي، فنجد تصنيف “الوضع المهني” (موظف دوام كامل، موظف دوام جزئي، يعمل لحسابه الخاص، باحث عن عمل، متقاعد، غير قادر على العمل)، والذي يُستخدم لتحليل ديناميكيات سوق العمل ومعدلات البطالة والإنتاجية الاقتصادية.

4.3 أمثلة من البحوث الطبية والبيولوجية العامة

تعتمد العلوم الطبية والبيولوجية، والبحوث السريرية والوبائية على المتغيرات الفئوية لصياغة البروتوكولات العلاجية وتقييم المؤشرات الحيوية المرضية. وتُعد “فصائل الدم وفق نظام ABO” (الفصائل: A, B, AB, O) ونظام العامل الريزوسي (Rh+ / Rh-) من أدق الأمثلة البيولوجية على المتغيرات الاسمية؛ حيث لا مجال للترتيب أو المفاضلة العددية، ويترتب على التصنيف الدقيق قرارات حيوية تنقذ حياة المرضى في عمليات نقل الدم وزراعة الأعضاء. كما يمثل “موقع الورم التشريحي” أو “نوع الطفرة الجينية المكتشفة” في أبحاث السرطان متغيراً فئوياً اسمياً يوجه استراتيجيات العلاج الموجه (Targeted Therapy).

أما المتغيرات الترتيبية الطبية، فتتجلى بأوضح صورها في “مراحل تطور الأورام السرطانية” (TNM Staging: المرحلة 0، المرحلة الأولى، المرحلة الثانية، المرحلة الثالثة، المرحلة الرابعة)، حيث تعكس كل مرحلة زيادة متصاعدة في حجم الورم ومدى انتشاره الجسدي، مع بقاء المسافات البيولوجية بين المراحل غير متساوية رياضياً. كما تبرز مقاييس “درجة الاستجابة للعلاج الدوائي” (استجابة سريرية تامة Complete Response، استجابة جزئية Partial Response، استقرار المرض Stable Disease، وتفاقم المرض Progressive Disease) كمتغير ترتيبي حاسم لتقييم فعالية الأدوية الجديدة في التجارب السريرية للطور الثالث (Phase III Clinical Trials). وتُستخدم المتغيرات الثنائية كمعايير حاسمة لتقييم النتائج الصحية النهائية، مثل: متغير البقاء على قيد الحياة (حي / متوفى)، أو حدوث مضاعفات ما بعد العمليات الجراحية (حدثت مضاعفات / لم تحدث).

5. المتغيرات الكمية (Quantitative Variables): المفهوم والخصائص الجوهرية

5.1 التعريف النظري والمنهجي للمتغيرات الكمية

تُعرف المتغيرات الكمية (Quantitative Variables)، والمعروفة أيضاً بالمتغيرات العددية (Numerical Data)، بأنها تلك المتغيرات التي تعبر عن كميات، أو أوزان، أو مقادير، أو أبعاد عددية قابلة للقياس الفيزيائي أو الحساب الرياضي المباشر. وتتميز هذه المتغيرات بأن الأرقام المنسوبة إليها لا تمثل مجرد تسميات أو رموز اصطلاحية، بل تعكس قيماً ومقادير عددية واقعية في العالم الحقيقي؛ بحيث يحمل كل رقم وزناً رياضياً محدداً يتيح المقارنة الكمية المباشرة وحساب المسافات والفروق الرياضية الدقيقة بين مختلف المشاهدات داخل فضاء العينة.

تستمد المتغيرات الكمية قوتها الإبستمولوجية والمنهجية من قابليتها المطلقة لتطبيق كافة قواعد المنطق الرياضي والعمليات الجبرية والحسابية الكلاسيكية؛ حيث يمكن جمع هذه القيم، طرحها لحساب الفروق الدقيقة، وضربها وقسمتها لإيجاد النسب الرياضية الدقيقة ومعدلات التغير والتسارع. ويتيح هذا الأساس الرياضي المتين للباحثين صياغة نماذج رياضية بالغة التعقيد، وتقدير معلمات المجتمع بدقة متناهية، وبناء مصفوفات التغاير والانحدار التي تصف العلاقات الديناميكية بين الظواهر الفيزيائية، الحيوية، والسلوكية بدقة لا يمكن بلوغها باستخدام المقاييس النوعية التصنيفية وحدها.

5.2 الخصائص الإحصائية المركزية للبيانات الكمية

تتميز البيانات الكمية بثرائها الرياضي والمعلوماتي الهائل؛ مما يتيح للباحث تطبيق حزمة شاملة ومتكاملة من المؤشرات الإحصائية الوصفية والاستدلالية. فعلى مستوى مقاييس النزعة المركزية، تسمح البيانات الكمية بحساب المتوسط الحسابي (Mean) بدقة كمركز ثقل رياضي للبيانات، جنباً إلى جنب مع الوسيط والمنوال والمتوسط الهندسي والمتوافق. وعلى مستوى مقاييس التشتت والتغير الداخلي، تتيح هذه البيانات حساب التباين (Variance) والانحراف المعياري (Standard Deviation)، والمدى الكلي، ومعامل الاختلاف النسبي (Coefficient of Variation) الذي يسمح بمقارنة تشتت متغيرات ذات وحدات قياس مختلفة تماماً.

إضافة إلى ذلك، تنفرد البيانات الكمية بإمكانية فحص وتحليل الشكل الهندسي للتوزيع التكراري والاحتمالي للبيانات بدقة متقدمة عبر حساب معاملي الالتواء (Skewness) والتفرطح (Kurtosis). ويسمح هذا الفحص بالتحقق من استيفاء شرط “التوزيع الطبيعي” (Normal / Gaussian Distribution) الذي يمثل حجر الزاوية في الإحصاء البارامتري، وتطبيق نظريات الاحتمال الكبرى مثل نظرية النهاية المركزية (Central Limit Theorem) وقانون الأعداد الكبيرة. وتُمكّن هذه البنية الباحثين من الانتقال بسلاسة من الوصف الإحصائي للعينات إلى الاستدلال وتعميم النتائج وتقدير فترات الثقة (Confidence Intervals) بدقة رياضية متناهية.

5.3 أهمية الوحدات والمعايرة في المتغيرات الكمية

تتطلب المتغيرات الكمية اقتران القيمة العددية بوحدة قياس معيارية محددة ومتفق عليها دولياً (Standard Measurement Units) لكي تكتسب القيمة معناها الفيزيائي والتطبيقي الدقيق؛ فالرقم (70) يظل مبهماً وبلا معنى منهجي ما لم يتم تحديد وحدته بدقة: هل هو 70 كيلوغراماً (كتلة)، أم 70 سنتيمتراً (طول)، أم 70 مللي ثانية (زمن رجع)، أم 70 درجة مئوية (حرارة). ويسمح التحديد الدقيق للوحدات بالتحويل المعياري بين أنظمة القياس المختلفة (مثل التحويل من النظام المتري إلى النظام الإمبراطوري) مع الحفاظ الرياضي التام على النسب والمصفوفات الرياضية الأصلية بين المشاهدات.

كما ترتبط موثوقية المتغيرات الكمية ارتباطاً وثيقاً بمسألة المعايرة (Calibration) ودقة الأجهزة والأدوات المستخدمة في القياس؛ حيث يؤثر هامش الخطأ الآلي أو البشري على موثوقية الدرجة الخام المقاسة. ولتجاوز إشكالية اختلاف وحدات القياس ومستويات التباين عند المقارنة بين متغيرات كمية مختلفة (مثل مقارنة الذكاء المقاس بدرجات الآيكيو بالدخل المقاس بالدولار)، يلجأ الباحثون إلى عملية المعايرة الإحصائية وتحويل الدرجات الخام إلى “درجات معيارية” مثل الدرجة التائية (T-Score) أو الدرجة الزائية (Z-Score):

Z = (X – μ) / σ

حيث تُعبر الدرجة الزائية عن المسافة التي تبعدها أي قيمة خام (X) عن المتوسط الحسابي (μ) مقاسة بوحدات الانحراف المعياري (σ)، مما يخلق مقياساً كمياً موحداً وخالياً من الوحدات يتيح المقارنة المباشرة والعادلة بين كافة المتغيرات والسمات المدروسة.

6. أنواع المتغيرات الكمية: المنفصلة والمتصلة (Discrete vs. Continuous)

6.1 المتغيرات الكمية المنفصلة (Discrete Quantitative Variables)

تُعرف المتغيرات الكمية المنفصلة (Discrete Variables)، وتُسمى أيضاً بالمتغيرات المتقطعة أو الوثابة، بأنها متغيرات عددية تنتج أساساً عن عمليات العد الفعلي والحصر الإحصائي (Counting). وتتميز هذه المتغيرات بأن فضاء قيمها يتكون من أرقام صحيحة ومنفصلة ومحددة، تفصل بينها قفزات وفجوات رقمية قاطعة، مع استحالة وجود قيم وسيطة أو كسور عشرية لا نهائية بين القيم المتتالية في سياقها الواقعي والطبيعي؛ فالقيمة تقفز مباشرة من (1) إلى (2) دون المرور بـ (1.5) أو (1.75).

تتضمن الأمثلة الكلاسيكية للمتغيرات المنفصلة: عدد أفراد الأسرة، عدد نوبات الهلع التي تصيب المريض أسبوعياً، عدد الأخطاء المرتكبة في اختبار الانتباه، وعدد الأسرة المشغولة في المستشفى؛ إذ لا يمكن عقلياً أو واقعياً وجود “2.4 طفل” أو “1.7 نوبة هلع” لدى فرد في لحظة معينة. وتخضع المتغيرات المنفصلة إلى التوزيعات الاحتمالية المتقطعة، وأشهرها توزيع بواسون (Poisson Distribution) لنمذجة معدلات حدوث الأحداث النادرة عبر الزمن أو المكان، وتوزيع ذي الحدين وتوزيع باسكال (السالب ذو الحدين)، وتعتمد دالة الاحتمال الخاصة بها على دالة الكتلة الاحتمالية (Probability Mass Function – PMF).

6.2 المتغيرات الكمية المتصلة (Continuous Quantitative Variables)

تمثل المتغيرات الكمية المتصلة (Continuous Variables)، وتُسمى بالمتغيرات المستمرة، ذلك الصنف من المتغيرات العددية الناتجة بالأساس عن عمليات القياس الميكانيكي أو الفيزيائي المستمر (Measurement) عبر متصل لا نهائي. وتتميز المتغيرات المتصلة بقدرتها الرياضية على أخذ أي قيمة عددية ممكنة ضمن مجال أو فترة محددة؛ بحيث يوجد دائماً عدد لا نهائي من القيم والكسور العشرية الممكنة بين أي نقطتين أو قراءتين، مهما بلغت درجة تقاربهما الصغير.

تشمل الأمثلة الشائعة للمتغيرات المتصلة: الطول بالسنتيمترات، الوزن بالكيلوغرامات، زمن الرجع واستجابة الأعصاب بالمللي ثانية، تركيز الهرمونات في الدم، ودرجة حرارة الجسم؛ فبين الوزن 70.0 كجم والوزن 71.0 كجم توجد قيم لا حصر لها (مثل 70.25 كجم، 70.256 كجم، إلخ)، حيث تتوقف دقة القيمة المسجلة حصرياً على دقة وحساسية أداة القياس المستخدمة. وتخضع المتغيرات المتصلة لنظريات الاحتمال المستمرة ودوال الكثافة الاحتمالية (Probability Density Function – PDF)، حيث يمثل احتمال وقوع المتغير عند نقطة رياضية محددة ومجردة بالتمام صفراً رياضياً [P(X = c) = 0]، ويُقاس الاحتمال دائماً بالمساحة المحصورة تحت منحنى التوزيع التكراري التراكمي ضمن فترة معينة [P(a ≤ X ≤ b)].

6.3 المقارنة الرياضية والعملية بين المتغيرات المنفصلة والمتصلة

تتجاوز الفروق بين المتغيرات المنفصلة والمتصلة الجانب النظري لتمتد إلى صلب التطبيقات الرياضية والبرمجية؛ فمن حيث الفضاء العيني، يتميز الفضاء العيني للمتغيرات المنفصلة بكونه قابلاً للعد (Countable Set) سواء كان محدوداً أو لا نهائياً، بينما يكون الفضاء العيني للمتغيرات المتصلة غير قابل للعد وممثلاً بفترات متصلة من الأعداد الحقيقية (Uncountable Continuum of Real Numbers). وينعكس هذا التباين مباشرة على حسابات التكامل والتفاضل الإحصائي؛ حيث تُستخدم عمليات الجمع التكراري للكتل الاحتمالية للمنفصلة، بينما تُستخدم عمليات التكامل الرياضي (Integration) للمتصلة.

أما من الناحية العملية في التحليل والتمثيل البياني، فيُعامل المتغير المنفصل بيانياً عبر المخططات الشريطية (Bar Charts) أو العصوية التي تفصل بينها فجوات بصرية للدلالة على انفصال القيم، بينما تُعرض المتغيرات المتصلة باستخدام المدرجات التكرارية (Histograms) المتلاصقة ومنحنيات الكثافة الملساء. وفي الممارسة البحثية المتقدمة، عندما يمتلك المتغير المنفصل مدى واسعاً جداً من القيم الصحيحة المتتالية (كعدد كريات الدم الحمراء، أو الدرجات الكلية على مقياس نفسي طويل يتراوح من 0 إلى 100)، يُجيز علماء الإحصاء التعامل معه رياضياً وبرمجياً كمتغير متصل تقريباً (Continuous Approximation)، نظراً لتقلص الفجوة المنهجية وتحقق الافتراضات الرياضية للنماذج المستمرة بكفاءة عالية.

7. مستويات القياس الكمي: مقاييس الفترة والنسبة (Interval vs. Ratio)

7.1 مقاييس الفترة أو المسافة (Interval Scale)

يمثل مقياس الفترة أو المسافة (Interval Scale) المستوى الثالث في تصنيف ستيفنز، وهو أول المستويات الحقيقية للقياس الكمي والعددي المتقدم. ويمتلك هذا المقياس خاصية جوهرية تتمثل في تساوي المسافات والفواصل بين القيم المتتالية على المقياس بدقة مطلقة وثابتة؛ فالفرق الكمي بين 10 درجات و20 درجة يعادل تماماً ورياضياً الفرق بين 30 درجة و40 درجة، مما يمنح الفروق والمسافات معنى رياضياً موحداً يسمح بتطبيق عمليات الجمع والطرح بصدق تام.

غير أن الخاصية المحددة والحرجة لمقياس الفترة هي اعتماده على “الصفر النسبي أو الاعتباطي” (Arbitrary / Relative Zero) وغياب الصفر الحقيقي المطلق. ويعني الصفر النسبي أن نقطة الصفر على المقياس لا تدل أبداً على الانعدام التام والفعلي للخاصية المقاسة، بل هي مجرد نقطة مرجعية اصطلاحية تم الاتفاق عليها لتسهيل المعايرة؛ وأبرز مثال على ذلك مقياس درجة الحرارة المئوي (سلسيوس)، فالدرجة (صفر مئوي) لا تعني انعدام الحرارة أو الطاقة الحركية للجزيئات في المادة، بل تمثل درجة تجمد الماء النقي. ويترتب على غياب الصفر المطلق عدم جواز حساب النسب والمضاعفات الرياضية؛ فلا يمكننا القول بأن درجة الحرارة 40° مئوية هي “ضعف” سخونة الدرجة 20° مئوية، أو أن درجة الذكاء (IQ = 140) تعني أن الفرد أذكى “مرتين” من شخص حاصل على (IQ = 70).

7.2 مقاييس النسبة (Ratio Scale)

يحتل مقياس النسبة (Ratio Scale) قمة الهرم في نظرية القياس الإحصائي، ويُعد أرقى وأكمل مستويات القياس على الإطلاق. يجمع هذا المقياس كافة الخصائص الإحصائية للمستويات السابقة (التصنيف، الترتيب التدرجي، وتساوي المسافات والفترات) وينفرد بامتلاكه لخاصية “الصفر الحقيقي المطلق” (Absolute / True Zero). ويدل الصفر المطلق على الانعدام التام والغياب الكامل والفعلي للخاصية المقاسة في العالم الفيزيائي المادي.

تتضمن الأمثلة الكلاسيكية لمقاييس النسبة: الطول، الوزن، الزمن والسرعة، الدخل المالي، والمسافة الجغرافية، بالإضافة إلى مقاييس درجة الحرارة المطلقة بمقياس كلفن (Kelvin). فعندما نقول إن وزن الشيء يساوي (صفر كجم) أو دخله المالي (صفر دولار)، فإن هذا يعني الغياب التام للكتلة أو المال. وتتيح خاصية الصفر المطلق التطبيق الشامل والمشروع لكافة العمليات الحسابية الجبرية بما فيها الضرب والقسمة وحساب النسب الرياضية المضاعفة؛ حيث يصح رياضياً وتجريبياً القول بأن شخصاً يزن 100 كجم يمثل ضعف وزن شخص يزن 50 كجم، أو أن سيارة قطعت مسافة 200 كم قطعت ضعف مسافة سيارة قطعت 100 كم، مع بقاء هذه النسب ثابتة بغض النظر عن تغيير وحدة القياس المستخدمة.

7.3 الجدل الإبستمولوجي حول درجات الاختبارات النفسية

يثور في الأوساط الأكاديمية والقياس النفسي (Psychometrics) جدل إبستمولوجي ومنهجي مستمر منذ عقود حول تحديد المستوى الحقيقي للقياس في درجات الاختبارات النفسية واستبيانات الشخصية والاتجاهات. فمن الناحية النظرية الصارمة، تفتقر مقاييس الذكاء (IQ) ودرجات الاكتئاب ومقاييس ليكرت للقدرة على إثبات تساوي المسافات بين الوحدات بدقة فيزيائية متطابقة، كما أنها تفتقر حتماً للصفر المطلق (إذ لا يوجد إنسان معدوم الذكاء تماماً أو عديم القلق بدرجة صفر فيزيائي)، مما يصنفها نظرياً ضمن المقاييس الترتيبية المتطورة.

ومع ذلك، يتبنى الاتجاه البراغماتي والتطبيقي في علم النفس القياسي والعلوم الاجتماعية -مدعوماً بأعمال باحثين كبار وتطبيقات نماذج الاستجابة للمفردة (Item Response Theory – IRT) ونموذج راش (Rasch Model)- افتراض تساوي المسافات عند تجميع فقرات المقاييس المقننة التي تتمتع بخصائص سيكومترية عالية وثبات مرتفع، والتعامل مع الدرجة الكلية المركبة كمتغير فئوي مقياسي (Interval-like Variable). ويُبرر هذا التوجه بقدرته على تمكين الباحثين من تطبيق الاختبارات البارامترية القوية ونماذج الانحدار والنمذجة البنائية (SEM)، شريطة أن يلتزم الباحث بالحذر المنهجي وتجنب تفسير الدرجات كنسب مضاعفة، والتركيز بدقة على الفروق في الدرجات بدلاً من التعامل معها ككميات فيزيائية مطلقة.

8. أمثلة تفصيلية وتطبيقية على المتغيرات الكمية

8.1 أمثلة على المتغيرات الكمية المنفصلة في العلوم النفسية والصحية

تُعد المتغيرات الكمية المنفصلة ركناً أساسياً في التقييم الإكلينيكي والسلوكي، حيث توفر معطيات حصرية قائمة على التكرار الفعلي للأحداث. ومن أبرز الأمثلة في الطب النفسي: متغير “عدد نوبات الاكتئاب الكبرى” (Major Depressive Episodes) التي عاشها المريض خلال فترة زمنية محددة؛ حيث يأخذ قيماً صحيحة (1، 2، 3 نوبات…) ويُعد مؤشراً تنبؤياً رئيسياً لخطر الانتكاس المستقبلي ومقاوَمة التدخلات العلاجية.

وفي مجال القياس العصبي السلوكي، يُستخدم متغير “عدد الأخطاء المرتكبة في اختبار الأداء المستمر” (Continuous Performance Test – CPT) لتقييم قصور الانتباه والاندفاعية لدى الأطفال والبالغين. وفي الدراسات الطبية الوبائية لدراسة الإدمان، يمثل “عدد السجائر المستهلكة يومياً” (Cigarettes per Day – CPD) متغيراً منفصلاً محورياً لحساب معدل “سنة-حزمة” لحساب مخاطر الإصابة بالأمراض القلبية والرئوية. كما يُقاس متغير “عدد الجلسات العلاجية النفسية المكتملة” من قبل المرضى كمتغير منفصل لتقييم الجرعة العلاجية (Treatment Dosage) اللازمة لتحقيق التعافي السريري.

8.2 أمثلة على المتغيرات الكمية المتصلة في البحوث الفسيولوجية والسلوكية

تُمثل المتغيرات الكمية المتصلة المعيار الذهبي في الأبحاث الفسيولوجية والتجريبية التي تتطلب حساسية زمنية أو بيولوجية فائقة. ويأتي في مقدمتها متغير “زمن الرجع السلوكي” (Reaction Time) المقاس بأجزاء من الثانية والمللي ثانية، والمستخدم في دراسات علم النفس المعرفي لقياس سرعة المعالجة العقلية وزمن اتخاذ القرار في بيئات المحاكاة والقيادة والتجارب العصبية.

وفي أبحاث الضغط العصبي والاستجابة الفسيولوجية، يُقاس “مستوى هرمون الكورتيزول في اللعاب أو الدم” بوحدة نانوغرام/ملليلتر، و”الموصلية الكهربائية للجلد” (Galvanic Skin Response – GSR) بوحدة الميكروسيمنز، كمتغيرات كمية متصلة ترصد بدقة متناهية مستويات الاستثارة الانفعالية للجهاز العصبي الودّي (Sympathetic Nervous System). كما يُعد “الوزن الدقيق بالكيلوغرام” و”مؤشر كتلة الجسم” (Body Mass Index – BMI = kg/m²) متغيرين متصلين بالغي الأهمية في الدراسات الأيضية، وأبحاث التغذية، واضطرابات الأكل كفقدان الشهية العصبي (Anorexia) والشره المرضي.

8.3 أمثلة كمية من العلوم الطبيعية والحياتية العامة

تمتد المتغيرات الكمية لتشمل كافة فروع العلوم الفيزيائية والتطبيقية والاقتصادية؛ ففي العلوم البيولوجية والزراعية، يُقاس “معدل نمو النبات اليومي بالسنتيمترات” والكتلة الحيوية الجافة بالجرامات تحت ظروف تجريبية مختلفة لدرجات الحرارة ونسب التسميد. وفي علوم البيئة، تُقاس “نسبة تركيز غاز ثاني أكسيد الكربون في الهواء” بوحدة جزء في المليون (PPM) لرصد التغير المناخي والاحتباس الحراري العالمي.

أما في العلوم المالية والاقتصادية، فتبرز “الإيرادات الصافية والأرباح السنوية” المقاسة بالعملات النقدية الدقيقة كمتغير نسبي متصل، كما تُمثل “المسافات الجغرافية المقطوعة بالكيلومترات” متغيراً حاسماً في أبحاث التخطيط الحضري وتدفقات النقل واللوجستيات. وتستخدم أبحاث الطاقة والهندسة متغير “معدل استهلاك الطاقة الكهربائية” بوحدة الكيلوواط/ساعة (kWh) كمتغير كمي مستمر لدراسة كفاءة الأجهزة وتطوير شبكات الطاقة الذكية والمستدامة.

9. المقارنة المنهجية والجدول الشامل بين المتغيرات الفئوية والكمية

9.1 المقارنة المعيارية من حيث الطبيعة والخصائص الرياضية

ترتكز المقارنة المنهجية الجوهرية بين المتغيرات الفئوية والمتغيرات الكمية على طبيعة ونوعية المعلومات المخزنة داخل البيانات؛ فبينما تتعامل المتغيرات الفئوية مع الكينونة والنوع والتصنيف اللفظي المجرد، تتعامل المتغيرات الكمية مع الأوزان والأبعاد والأعداد الصريحة القابلة للحساب. هذا التمايز النوعي يفرض قيوداً رياضية صارمة على فضاء العمليات الجبرية؛ فالمتغيرات الفئوية لا تقبل سوى عمليات المطابقة المنطقية والفرز والعد والحصر التكراري، في حين تتمتع المتغيرات الكمية بمرونة رياضية كاملة تسمح بجميع العمليات التفاضلية واللوغاريتمية والإحصائية المعقدة.

ينعكس هذا الاختلاف البنيوي على حساسية المقاييس الإحصائية المعتمدة؛ فالمتغيرات الفئوية تعتمد على مقاييس نزعة مركزية موضعية مثل المنوال (والوسيط للترتيبية فقط)، وهي مقاييس قد تهمل جانباً كبيراً من تفاصيل التوزيع الإحصائي. وفي المقابل، تستخدم المتغيرات الكمية المتوسط الحسابي الذي يدخل في حسابه كل رقم وقيمة مفردة في العينة، مما يجعله فائق الحساسية للقيم الشاذة والمتطرفة (Outliers). ويمنح هذا الثراء العددي المتغيرات الكمية تفوقاً كبيراً في دقة التنبؤ، وقوة اختبار الفرضيات، والقدرة على اكتشاف العلاقات الطفيفة بين المتغيرات التي تعجز المتغيرات الفئوية عن رصدها نظراً لطبيعتها التصنيفية المجتزأة.

9.2 المقارنة من حيث التمثيل البياني والعرض البصري للبيانات

يخضع التمثيل البياني للبيانات (Data Visualization) لقواعد منهجية صارمة تتحدد بناءً على نوع المتغير، حيث يهدف الشكل البياني إلى عكس الخصائص الرياضية للمقياس دون تضليل بصري. وتتطلب المتغيرات الفئوية استخدام أشكال بصرية تعكس الانفصال النوعي بين الفئات، وأهمها:

• الأعمدة البيانية (Bar Charts): وتتميز بوجود مسافات وفجوات فارغة واضحة بين الأعمدة لتأكيد استقلالية وانفصال الفئات عن بعضها البعض.
• المخططات الدائرية ومخططات الدونات (Pie & Donut Charts): وتُستخدم لتوضيح النسب المئوية وحصة كل فئة من الكل الإجمالي، وهي مثالية عند محدودية عدد الفئات (أقل من 5-6 فئات).

أما المتغيرات الكمية، فتتطلب أدوات بيانية متقدمة تبرز الاتصال العددي وشكل التوزيع الاحتمالي والتشتت الإحصائي، ومن أبرزها:

• المدرجات التكرارية (Histograms): حيث تتلاصق الأعمدة الرأسية تماماً دون أي فواصل بصرية لتعكس اتصال المتغير وتدرجه المستمر عبر الفترات العددية.
• مخططات الصندوق والشاربين (Box-and-Whisker Plots): وتُعد الأداة المثالية لعرض الوسيط، الربيعيات، المدى الربيعي، واكتشاف القيم الشاذة والمتطرفة بوضوح.
• مخططات التشتت (Scatter Plots): وتُستخدم حصرياً لدراسة ونمذجة العلاقة الارتباطية والاتجاه بين متغيرين كميين مستمرين وتحديد خط الانحدار الأفضل.
• منحنيات الكثافة (Kernel Density Plots): وتوفر تصويراً ملساء وشاملاً للشكل الاحتمالي وتفرطح والتواء التوزيع الكمي.

9.3 جدول ملخص تفصيلي وشامل لكافة الفروق الأساسية

يوضح الجدول المنهجي التالي مقارنة معيارية شاملة تلخص كافة الفروق الجوهرية والخصائص الإحصائية والرياضية بين أنماط المتغيرات الفئوية والكمية ومستويات القياس المنبثقة عنها:

وجه المقارنة	المتغيرات الاسمية (Nominal)	المتغيرات الترتيبية (Ordinal)	متغيرات المسافة (Interval)	متغيرات النسبة (Ratio)
التصنيف العام	فئوي / نوعي	فئوي / نوعي	كمي / عددي	كمي / عددي
الخاصية الجوهرية	التسمية والتصنيف فقط	التصنيف + الترتيب التدرجي	التصنيف + الترتيب + تساوي المسافات	التصنيف + الترتيب + تساوي المسافات + الصفر المطلق
طبيعة الصفر	غير موجود	غير موجود	صفر نسبي واعتباطي (لا يلغي الخاصية)	صفر حقيقي ومطلق (انعدام تام للخاصية)
العمليات الحسابية	الحصر والتساوي (=، ≠)	الترتيب والمقارنة (>، <)	الجمع والطرح (+، -)	كافة العمليات الجبرية (+، -، ×، ÷)
النزعة المركزية	المنوال فقط	المنوال، الوسيط	المتوسط الحسابي، الوسيط، المنوال	المتوسط الحسابي، الهندسي، الوسيط، المنوال
مقاييس التشتت	مؤشر التباين النوعي (IQV)	المدى الربيعي (IQR)، المئينيات	الانحراف المعياري، التباين، المدى	الانحراف المعياري، التباين، معامل الاختلاف
أمثلة نموذجية	فصائل الدم، الجنس، الجنسية	مقياس ليكرت، الرتب العسكرية	درجة الحرارة مئوي/فهرنهايت، IQ	الطول، الوزن، الزمن، الدخل المالي
التمثيل البياني	الأعمدة، الدوائر البيانية	الأعمدة المرتبة، الدوائر	المدرج التكراري، الصندوق، الكثافة	المدرج التكراري، مخطط التشتت، الصندوق
نوع الاختبارات	لابارامترية (مربع كاي)	لابارامترية (مان وتني، سبيرمان)	بارامترية (t-test, ANOVA, Pearson)	بارامترية متقدمة ونماذج خطية شاملة

10. الأساليب الإحصائية والتحليلية المناسبة لكل نوع من المتغيرات

10.1 التحليلات الإحصائية المخصصة للمتغيرات الفئوية

ترتكز التحليلات الإحصائية المخصصة للمتغيرات الفئوية على دراسة جداول التوافق المتقاطعة (Cross-tabulation / Contingency Tables) التي توضح التوزيع التكراري المشترك بين متغيرين فئويين أو أكثر. وتُعد اختبارات مربع كاي (Chi-Square Tests) الأداة الاستدلالية الأكثر شيوعاً في هذا الإطار، وتنقسم إلى نوعين أساسيين: اختبار مربع كاي لحسن المطابقة (Goodness of Fit) لمقارنة التكرارات المشاهدة بالتكرارات المتوقعة نظرياً لمتغير واحد، واختبار مربع كاي للاستقلالية (Test of Independence) لفحص وجود علاقة ارتباطية ذات دلالة إحصائية بين متغيرين اسميين مستقلين.

وفي الحالات التي تكون فيها العينات الإحصائية صغيرة الحجم، أو عند احتواء جداول التوافق على خلايا يقل فيها التكرار المتوقع عن (5)، تفقد تقريبات مربع كاي دقتها الرياضية، مما يستوجب اللجوء الحتمي إلى اختبار فيشر الدقيق (Fisher’s Exact Test) لحساب الاحتمال الدقيق لجدول الاقتران. ولدراسة قوة واتجاه الاقتران بين المتغيرات الفئوية، تُستخدم معاملات التوافق اللابارامترية المتخصصة مثل معامل فاي (Phi Coefficient) للجداول الثنائية (2×2)، ومعامل فاي كرامر (Cramer’s V) للجداول الأكبر حجماً، ومعامل التوافق لبيرسون (Contingency Coefficient)، بالإضافة إلى معامل كوهين كابا (Cohen’s Kappa) لحساب ثبات المقيمين والتوافق بين المشخصين.

10.2 التحليلات الإحصائية المخصصة للمتغيرات الكمية

تستفيد المتغيرات الكمية من الترسانة الكاملة للاختبارات الإحصائية البارامترية القوية التي تتمتع بقدرة فائقة (High Statistical Power) على رفض الفرضية الصفرية واكتشاف الفروق الحقيقية عند تحقق شروط التوزيع الطبيعي واستقلالية المشاهدات وتجانس التباين. وتتضمن هذه الحزمة التحليلية:

• اختبارات “ت” (Student’s t-tests): وتشمل اختبار ت لعينة واحدة لمقارنة متوسط العينة بمعيار مرجعي، واختبار ت للعينات المستقلة (Independent Samples t-test) لمقارنة متوسطي مجموعتين منفصلتين، واختبار ت للعينات المترابطة (Paired Samples t-test) لمقارنة القياسات القبلية والبعدية لنفس المجموعة.
• تحليل التباين (ANOVA): ويُستخدم لمقارنة المتوسطات بين ثلاث مجموعات أو أكثر، سواء كان أحادياً (One-Way ANOVA) لمتغير مستقل واحد، أو ثنائياً (Two-Way ANOVA) لدراسة التأثيرات الرئيسية والتفاعلية بين متغيرين مستقلين، أو تحليلاً متعدد المتغيرات التابعة (MANOVA).
• معامل ارتباط بيرسون (Pearson Correlation): لقياس قوة واتجاه العلاقة الخطية المستمرة بين متغيرين كميين.
• نماذج الانحدار الخطي (Linear Regression): البسيط والمتعدد، لنمذجة والتنبؤ بقيم متغير تابع كمي بناءً على متغير مستقل كمي واحد أو حزمة من المتغيرات التنبؤية.

10.3 التحليلات الإحصائية المختلطة (الدمج بين الفئوي والكمي)

في الواقع التطبيقي لمعظم التصاميم التجريبية والمسحية، يندر أن يتعامل الباحث مع متغيرات من نمط واحد فقط، بل تتداخل المتغيرات الفئوية والكمية داخل نفس النموذج الإحصائي. ويبرز هذا التداخل المختلط في صور منهجية متعددة، منها استخدام المتغيرات الفئوية كمتغيرات مستقلة أو تصنيفية (كالمجموعات التجريبية والضابطة، أو الجنس) والمتغيرات الكمية كمتغيرات تابعة لقياس الاستجابة والنتيجة، وهو التصميم النموذجي لاختبارات ت وتحليل التباين.

أما عندما يكون المتغير التابع متغيراً فئوياً ثنائياً (مثل: الإصابة بالمرض/عدم الإصابة، النجاح/الرسوب) والمتنبئات متغيرات كمية متصلة، يُطبق الانحدار اللوجستي (Logistic Regression) الذي يعتمد على تحويل لوجيت (Logit Transformation) لحساب احتمالية وقوع الحدث. كما يبرز تحليل التغاير (ANCOVA) كأداة مختلطة فائقة التطور؛ حيث يسمح بمقارنة المتوسطات الكمية للمجموعات الفئوية مع ضبط وعزل التأثير المشوش لمتغيرات كمية دخيلة تسمى المتغيرات المشتركة (Covariates)، إضافة إلى تحليل التمايز (Discriminant Analysis) الذي يستخدم حزمة من المتغيرات الكمية للتنبؤ بانتماء الحالات إلى مجموعات وتصنيفات فئوية محددة.

11. التحويل بين المتغيرات الكمية والفئوية: الدوافع والمنهجيات والمخاطر

11.1 تحويل المتغيرات الكمية إلى فئوية (Categorization / Binning)

يُعد تحويل المتغيرات الكمية المتصلة إلى متغيرات فئوية، والمعروف في الإحصاء وعلم البيانات بعمليات الفئوية أو التقطيع (Categorization / Binning / Discretization)، ممارسة بحثية شائعة يلجأ إليها الباحثون والمحللون لأسباب متعددة. وتتم هذه العملية من خلال تجميع القيم العددية المتصلة داخل فترات أو فئات نوعية محددة؛ ومن أشهر طرق التحويل المتبعة:

• التقسيم النصفي عند الوسيط (Median Split): حيث تُقسم العينة إلى مجموعتين (منخفض / مرتفع) استناداً إلى قيمة الوسيط الإحصائي.
• التقسيم الربيعي أو المئيني (Quantile Binning): تقسيم الدرجات إلى أربع رتب (ربيعيات) أو ثلاث فئات متساوية الحجم.
• استخدام النقاط الفاصلة الإكلينيكية المعيارية (Clinical Cut-offs): كتحويل درجات مقياس بيك للاكتئاب (BDI) من أرقام خام (0-63) إلى فئات سريرية معيارية: (اكتئاب طفيف، متوسط، شديد).

وتتمثل الدوافع الرئيسية وراء هذا الإجراء في الرغبة في تبسيط عرض وتفسير النتائج لصناع القرار والممارسين الإكلينيكيين، وتسهيل تقديم التوصيات السلوكية، والتغلب على مشكلات الانحراف الشديد عن التوزيع الطبيعي والتعامل مع القيم الشاذة، أو تلبية متطلبات بعض نماذج الاحتمالات الفئوية وجداول التوافق المعقدة.

11.2 المخاطر المنهجية والإحصائية لتحويل الكمي إلى فئوي

على الرغم من جاذبية التحويل الفئوي لتسهيل التفسير، يجمع كبار الإحصائيين والمنهجيين على أن هذه الممارسة تنطوي على مخاطر منهجية جسيمة تقوض جودة البحث العلمي وموثوقيته. ويأتي في مقدمة هذه المخاطر “فقدان كم هائل من التباين الحقيقي والمعلومات الإحصائية الدقيقة” (Severe Loss of Information)؛ حيث يُعامل الأفراد الواقعون داخل نفس الفئة وكأنهم متطابقون تماماً، فيتم إهدار الفروق الفردية الحقيقية بينهم.

ويترتب على هذا الفقد المعلوماتي عواقب إحصائية بالغة الخطورة، أبرزها:

• انخفاض القوة الإحصائية (Reduction of Statistical Power): حيث يقلل تحويل المتغير المتصل إلى فئتين (Dichotomization) القوة الإحصائية للاختبار بما يعادل خسارة ثلث إلى نصف حجم عينة الدراسة الأصلية تقريباً.
• إخفاء العلاقات غير الخطية: تشويه بنية الارتباطات البينية وجعل العلاقات المنحنية تبدو خطية أو العكس.
• مشكلة التعيين التعسفي عند النقاط الفاصلة (Arbitrary Boundary Problem): فالشخص الحاصل على درجة (19) قد يُصنف كـ “طبيعي”، بينما من حصل على (20) يُصنف كـ “مكتئب”، رغم أن الفرق بينهما نقطة واحدة لا معنى لها إكلينيكياً، في حين يتم تصنيف الحاصل على (20) مع الحاصل على (50) في نفس فئة “المكتئبين”.
• زيادة احتمالية الوقوع في الأخطاء المنهجية: كالخطأ من النوع الأول (Type I Error) عبر إنتاج ارتباطات زائفة، أو الخطأ من النوع الثاني (Type II Error) بالعجز عن اكتشاف التأثيرات الحقيقية الموجودة بالفعل.

11.3 تحويل المتغيرات الفئوية للتحليل الكمي (Dummy Variables & Scoring)

في الاتجاه المقابل، تفرض متطلبات النمذجة الإحصائية المتقدمة كنماذج الانحدار الخطي المتعدد ونماذج المعادلات البنائية تحويل المتغيرات الفئوية إلى صيغ رقمية قابلة للمعالجة الرياضية، ويتم ذلك بصورة علمية منضبطة عبر أسلوب “المتغيرات الوهمية أو الصورية” (Dummy Coding). ويقوم هذا التكنيك الرياضي على تحويل المتغير الفئي الذي يحتوي على (k) من الفئات إلى عدد (k – 1) من المتغيرات الثنائية التي تأخذ القيمة (0 أو 1). ويتم اختيار إحدى الفئات لتكون “فئة مرجعية” (Reference / Baseline Group) تُقارن بها سائر الفئات الأخرى داخل معادلة الانحدار؛ فلو كان لدينا متغير نوع العلاج (دواء أ، دواء ب، علاج وهمي Placebo)، يتم إنشاء متغيرين وهميين فقط مع جعل العلاج الوهمي هو الفئة المرجعية المشفرة بـ (0, 0).

كما يُستخدم “الترميز بالتأثير” (Effect Coding) لمقارنة كل فئة بمتوسط المجموع الكلي لكافة الفئات بدلاً من فئة مرجعية مفردة. ومن زاوية القياس النفسي، يتم تحويل الاستجابات الترتيبية المتعددة لمقاييس ليكرت إلى مقاييس كمية متصلة مقننة باستخدام نماذج القياس المتقدمة مثل نماذج الاستجابة للمفردة (Item Response Theory – IRT) وتحديداً نموذج راش (Rasch Measurement)، الذي يقوم بتحويل الرتب الوصفية والنسب التكرارية اللوغاريتمية إلى وحدات كمية خطية متصلة ذات فترات متساوية تُعرف بـ “اللوجيت” (Logits)، مما يوفر أساساً رياضياً مشروعاً للتحليل الكمي الصارم دون الإخلال بنظرية القياس.

12. تطبيقات ودراسات حالة وأخطاء شائعة في الممارسة البحثية

12.1 دراسة حالة تطبيقية: تصميم بحث نفسي حول الضغط النفسي وجودة النوم

لتوضيح التكامل المنهجي بين المتغيرات الفئوية والكمية في سياق واقعي، نفترض تصميم دراسة علمية إكلينيكية تستهدف فحص أثر مستوى الضغط النفسي ونمط التدخل العلاجي على جودة النوم لدى عينة من الموظفين. يتطلب هذا التصميم فرز وتصنيف دقيق للمتغيرات وفق مصفوفة القياس الموضحة أدناه:

المتغير في الدراسة	التصنيف المنهجي	مستوى القياس	التعريف الإجرائي وطريقة القياس	الدور في التصميم التجريبي
نوع التدخل العلاجي	فئوي (اسمي)	اسمي (Nominal)	3 فئات: (علاج سلوكي معرفي CBT-I، علاج دوائي، قائمة انتظار ضابطة)	متغير مستقل رئيسي (Independent)
الجنس	فئوي (ثنائي)	اسمي ثنائي (Binary)	فئتان: (ذكر = 0، أنثى = 1)	متغير ضابط / وسيط (Moderator)
العمر	كمي (متصل)	نسبي (Ratio)	العمر الزمني بالسنوات والأشهر بدقة	متغير متغاير ضابط (Covariate)
مستوى الضغط النفسي	كمي (شبه فئوي)	مسافة (Interval)	الدرجة الكلية الخام على مقياس الإجهاد المدرك (PSS: 0-40)	متغير متنبئ / وسيط (Mediator)
كفاءة النوم (جودة النوم)	كمي (متصل)	نسبي (Ratio)	النسبة المئوية: (إجمالي دقائق النوم الفعلي / إجمالي وقت البقاء في السرير) × 100	متغير تابع أساسي (Dependent Variable)
تصنيف شدة الأرق	فئوي (ترتيبي)	ترتيبي (Ordinal)	مستويات مؤشر شدة الأرق (ISI): (لا يوجد، طفيف، متوسط، شديد)	متغير تابع إكلينيكي ثانوي

تُبنى الخطة التحليلية لهذه الدراسة استناداً إلى طبيعة المتغيرات؛ حيث يُستخدم تحليل التغاير الأحادي (ANCOVA) لاختبار الفروق في المتغير التابع الكمي المستمر (كفاءة النوم) بين المجموعات العلاجية الفئوية الاسمية مع ضبط تأثير العمر والضغط النفسي الأولي كمتغيرات كمية مشتركة. كما يُطبق الانحدار اللوجستي الترتيبي (Ordinal Logistic Regression) للتنبؤ بتصنيف شدة الأرق الترتيبي، مما يمنح الدراسة تكاملاً منهجياً ودقة إحصائية تستجيب لطبيعة كل مقياس مستخدم.

12.2 الأخطاء المنهجية الشائعة وطرق تجنبها

يقع العديد من الباحثين وطلاب الدراسات العليا في أخطاء إحصائية ومنهجية متكررة ناجمة عن سوء فهم طبيعة المتغيرات ومستويات قياسها؛ ومن أبرز هذه الأخطاء الكارثية وطرق الوقاية منها:

• حساب المتوسط الحسابي والانحراف المعياري للبيانات الاسمية: كحساب متوسط كود الجنس أو الحالة الاجتماعية أو التخصص الأكاديمي، وتفسير الناتج كقيمة ذات دلالة. العلاج: الاقتصار الصارم على التكرارات والنسب والمنوال للمتغيرات الاسمية.
• استخدام اختبارات الفروق البارامترية (t-test / ANOVA) على بنود مقياس ليكرت المفردة: معاملة البند الرتبي المفرد ذي الخيارات المحدودة (1 إلى 5) كمتغير مسافة كمي متصل يتبع التوزيع الطبيعي. العلاج: تطبيق اختبارات مان وتني أو كروسكال واليس للبنود المفردة، أو استخدام نماذج راش التراكمية، ولا يُسمح بالاختبارات البارامترية إلا للمجموع الكلي لمقياس مركب مثبت الصدق والثبات ويحقق شروط التوزيع الطبيعي.
• إساءة تفسير الصفر في المقاييس الفترية: افتراض أن درجة (صفر) في اختبار التحصيل الأكاديمي أو مقياس الاكتئاب تعني الغياب التام للمعرفة أو المشاعر، والتعامل مع النسب المضاعفة استناداً إليها. العلاج: الوعي بأن هذه الأصفار نسبية واعتباطية، والامتناع عن مقارنة النسب (كالقول فلان أذكى مرتين من فلان).
• الفئوية القسرية وغير المبررة للمتغيرات المتصلة: تقسيم العمر أو ضغط الدم أو الدخل إلى مجموعتين (أعلى وأدنى من المتوسط) والتخلص من الطبيعة المتصلة. العلاج: الإبقاء على المتغيرات الكمية في صورتها المتصلة الأصلية وتحليلها باستخدام نماذج الانحدار الخطي أو التعديل الخطي للحفاظ على القوة الإحصائية وتجنب الأخطاء من النوع الأول والثاني.

12.3 دليل إرشادي وقائمة تحقق نهائية للباحث لتصنيف المتغيرات

لمساعدة الباحثين ومحللي البيانات في اتخاذ قرارات تصنيفية دقيقة ومنهجية قبل الشروع في جمع البيانات وتحليلها برمجياً، توفر شجرة القرارات والأسئلة التشخيصية التالية مرشداً علمياً حاسماً لتحديد هوية المتغير الإحصائي:

1. السؤال التشخيصي الأول: هل القيم المسجلة للمتغير تعبر عن صفات ونعوت ومجموعات تصنيفية، أم تعبر عن أرقام ومقادير قابلة للعد والقياس؟
   • إذا كانت صفات ومجموعات ← المتغير فئوي (نوعي) ← انتقل للسؤال (2).
   • إذا كانت أرقاماً حقيقية ومقادير ← المتغير كمي (عددي) ← انتقل للسؤال (3).
2. السؤال التشخيصي الثاني (للفئوي): هل يمكن ترتيب الفئات ترتيباً تصاعدياً أو تنازلياً منطقياً متفقاً عليه؟
   • إذا كان الجواب (لا) ولا يوجد أي ترتيب ← المتغير اسـمي (Nominal) (إذا كان فئتين فقط فهو ثنائي Binary).
   • إذا كان الجواب (نعم) وتوجد رتب تدرجية ولكن المسافات غير متساوية ← المتغير ترتيبي (Ordinal).
3. السؤال التشخيصي الثالث (للكمي): هل القيمة ناتجة عن العد الصحيح، أم القياس المستمر؟ وهل يمتلك المقياس صفراً حقيقياً مطلقاً؟
   • إذا كانت قيم صحيحة ناتجة عن العد وتفصلها فجوات ← المتغير كمي منفصل (Discrete).
   • إذا كانت قيم مستمرة وأجزاء كسرية ناتجة عن القياس ← المتغير كمي متصل (Continuous).
   • إذا كان الصفر اعتباطياً لا يلغي الخاصية ← مستوى القياس مسافة (Interval).
   • إذا كان الصفر مطلقاً وحقيقياً ويدل على العدم التام ← مستوى القياس نسبة (Ratio).

قائمة التحقق المنهجية قبل التحليل الإحصائي:

• [ ] تم فحص المتغير والتأكد من توافق مستواه الإجرائي مع مستوى القياس المحدد في البرنامج الإحصائي (SPSS / R).
• [ ] تم إدخال ملصقات القيم (Value Labels) لكافة الأكواد الرقمية للمتغيرات الفئوية لتجنب الخلط مع المقادير الكمية.
• [ ] تم فحص افتراضات التوزيع الطبيعي وتجانس التباين للمتغيرات الكمية قبل تقرير استخدام الاختبارات البارامترية.
• [ ] تم تجنب تقسيم المتغيرات المتصلة إلى فئات اعتباطية ما لم توجد معايير إكلينيكية قاطعة ومبررة نظرياً.
• [ ] تم اختيار الشكل البياني الذي يتطابق رياضياً وبصرياً مع طبيعة المقياس (أعمدة للمنفصل والفئوي، ومدرجات ومنحنيات للمتصل).

خاتمة

يُمثل الاستيعاب العميق والدقيق للتمايز المنهجي والإبستمولوجي بين المتغيرات الفئوية والكمية العمود الفقري الذي يرتكز عليه المنهج العلمي والتحليل الإحصائي الرصين. إن التمييز بين ما هو تصنيفي كيفية وما هو عددي كمي يتجاوز مجرد الاصطلاحات الأكاديمية النظرية ليحدد بصورة مباشرة وصارمة مسار البحث العلمي برمجياً ورياضياً؛ بدءاً من صياغة الفرضيات، وتصميم أدوات القياس والاستبيانات، مروراً بأساليب الترميز والتمثيل البياني، ووصولاً إلى المفاضلة بين الاختبارات البارامترية واللابارامترية وبناء نماذج النمذجة والتنبؤ المتقدمة. إن التزام الباحثين بقواعد نظرية القياس وتجنب المزالق المنهجية الشائعة كالفئوية القسرية أو الحساب الجبري للأكواد الفئوية هو الضمانة الحتمية لتحقيق أعلى مستويات الصدق والموثوقية، وترجمة البيانات الخام إلى معرفة علمية رصينة تسهم بفاعلية في تطوير الفهم الإنساني وتوجيه القرارات التطبيقية بدقة واقتدار.

المراجع (References)

• Agresti, A. (2018). An Introduction to Categorical Data Analysis (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/An+Introduction+to+Categorical+Data+Analysis%2C+3rd+Edition-p-9781119405269
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications. https://edge.sagepub.com/field5e
• MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19–40. https://doi.org/10.1037/1082-989X.7.1.19
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson. https://www.pearson.com/en-us/subject-catalog/p/using-multivariate-statistics/P200000003395