الارتباطات الجزئية
يحسب إجراء الارتباطات الجزئية Partial Correlations معاملات الارتباط الجزئي التي تصف العلاقة الخطية بين متغيرين بينما تتحكم في تأثيرات متغير إضافي واحد أو أكثر. يجب أن تكون جميع المتغيرات من نوع متغيرات المقياس scale variables.
استخدام الارتباطات الجزئية لكشف العلاقات
تلقى مضيف برنامج حواري إذاعي شهير آخر دراسة حكومية حول تمويل الرعاية الصحية العامة وكشف النقاب عن حقيقة مذهلة مفادها: أنه مع زيادة تمويل الرعاية الصحية، تزداد معدلات الأمراض أيضًا! تبدو المدن التي تنفق أكثر، في الواقع، أسوأ حالًا من المدن التي تنفق أقل.
هل تمويل الرعاية الصحية سيء لصحتك؟ يمتلك مضيف البرنامج الحواري الإذاعي الدليل الذي يبدو أنه يثبت هذا الادعاء: البيانات الواردة في تقرير الحكومة تبين وجود ارتباط إيجابي مرتفع بين تمويل الرعاية الصحية ومعدلات الأمراض، والذي يبدو أنه يشير إلى أن الناس سيكونون أكثر صحة إذا كانت الحكومة ببساطة تتوقف عن ضخ الأموال في برامج الرعاية الصحية.
ولكن هل هذا صحيح حقا؟ بالتأكيد ليس من المحتمل وجود علاقة سببية بين تمويل الرعاية الصحية ومعدلات الأمراض. بافتراض صحة الأرقام، هل هناك عوامل أخرى قد تخلق مظهرًا لوجود علاقة غير موجودة بالفعل؟
يستخدم هذا المثال ملف البيانات health_funding.sav. راجع موضوع “ملفات الأمثلة” للحصول على مزيد من المعلومات.
تشغيل التحليل
للحصول على الارتباطات الجزئية:
1. اختر من القوائم: تحليل> ارتباط> جزئي
Analyze > Correlate > Partial
يظهر مربع حوار الارتباطات الجزئية Partial Correlations كما يلي:
2. حدد تمويل الرعاية الصحية Health care funding … ومعدل المرض المبلغ عنه Reported disease rate … كمتغيرات variables.
3. حدد زيارات لمقدمي الرعاية الصحية Visits to health care providers … كمتغير تحكم control variable.
4. انقر فوق خيارات Options.
يظهر مربع حوار خيارات الارتباطات الجزئية كما يلي:
5. انقر فوق (أو تحقق من اختيار) الارتباطات ذات الترتيب الصفري Zero-order correlations ثم انقر فوق متابعة Continue.
6. في مربع الحوار الرئيسي “الارتباطات الجزئية” Partial Correlations، انقر فوق “موافق” OK لتشغيل الإجراء.
جدول نتائج تحليل الارتباطات الجزئية
الشكل التالي يبين جدول نتائج تحليل الارتباطات الجزئية:
في هذا المثال، يوضح جدول نتائج تحليل الارتباطات كلاً من الارتباطات الصفرية zero-order correlations (الارتباطات التي بدون أي متغيرات تحكم) لجميع المتغيرات الثلاثة والارتباط الجزئي partial correlation للمتغيرين الأولين اللذين يتحكمان في تأثيرات المتغير الثالث.
إن الارتباط الصفري بين تمويل الرعاية الصحية health care funding ومعدلات المرض هو disease rates، في الواقع، مرتفع إلى حد ما (0.737) وذو دلالة إحصائية (P <0.001). ومع ذلك، فإن الارتباط الجزئي المتحكم في معدل الزيارات لمقدمي الرعاية الصحية visits to health care providers مهمل (0.013) وليس ذا دلالة إحصائية (p = 0.928).
أحد التفسيرات لهذه النتيجة هو أن “العلاقة” الإيجابية الملحوظة بين تمويل الرعاية الصحية ومعدلات المرض ترجع إلى العلاقات الأساسية بين كل من هذه المتغيرات ومعدل الزيارات لمقدمي الرعاية الصحية: يبدو أن معدلات المرض تزداد فقط مع تمويل الرعاية الصحية يزداد لأن المزيد من الأشخاص يمكنهم الوصول إلى مقدمي الرعاية الصحية عند زيادة التمويل، وبالتالي يبلغ الأطباء والمستشفيات عن حدوث المزيد من الأمراض نظرًا لأن المزيد من المرضى يأتون لرؤيتها.
بالعودة إلى الارتباطات الصفرية، يمكنك أن ترى أن معدلات تمويل الرعاية الصحية ومعدلات الأمراض المبلغ عنها مرتبطة بشكل إيجابي للغاية بمتغير التحكم، ومعدل الزيارات لمقدمي الرعاية الصحية. تؤدي إزالة تأثيرات هذا المتغير إلى تقليل الارتباط بين المتغيرين الآخرين إلى الصفر تقريبًا. حتى أنه من الممكن أن التحكم في تأثيرات بعض المتغيرات الأخرى ذات الصلة قد يكشف في الواقع عن علاقة سلبية أساسية بين تمويل الرعاية الصحية ومعدلات المرض.
الإجراءات ذات الصلة
إجراء الارتباطات الجزئية مناسب فقط لمتغيرات المقياس scale variables.
- إذا كانت لديك بيانات فئوية categorical (اسمية أو ترتيبية) nominal or ordinal، فاستخدم إجراء تحليل تقاطعات البيانات Crosstabs. تشبه متغيرات الطبقة في تحليل تقاطعات البيانات متغيرات التحكم في الارتباطات الجزئية.
- إذا كنت تريد تصميم قيمة متغير مقياس بناءً على علاقته الخطية بالمتغيرات الأخرى، فجرّب إجراء الانحدار الخطي.
المصدر
- التحليل الإحصائي باستخدام برنامج SPSS، ترجمة وإعداد: د. م. مصطفى عبيد، مركز البحوث والدراسات متعدد التخصصات
- الموقع الرسمي لشركة IBM ® برنامج SPSS