تُعدّ المقاييس الوصفية أساس الإحصاء الوصفي، ورغم أنها قد تبدو تقنية للغاية، إلا أننا نستخدمها يوميًا دون أن ندرك ذلك. ففي كل مرة تتحدث فيها عن "متوسط الدرجات في الامتحان"، أو "يفضل معظم الناس..."، أو "هناك فرق كبير بين الرواتب"، فأنت تستخدم دون وعي أفكارًا مرتبطة بهذه المقاييس.
في أي تحليل للبيانات ، سواء في العلوم الاجتماعية أو الاقتصاد أو الصحة أو العمليات اليومية للشركات، نحتاج إلى أدوات تساعدنا على تلخيص وتنظيم وفهم كميات هائلة من المعلومات . وهذا تحديدًا ما تفعله المقاييس الوصفية: فهي تُكثّف كميات هائلة من الأرقام إلى عدد قليل من القيم سهلة التفسير، مما يسمح لنا برؤية ما يحدث للمتغيرات التي ندرسها بنظرة سريعة.
ما هي المقاييس الوصفية وما هي استخداماتها؟
عندما نتحدث عن المقاييس الوصفية في الإحصاء، فإننا نشير إلى مجموعة من القيم العددية المحسوبة من البيانات والتي تلخص جوانب مختلفة من سلوكها. تُمكّننا هذه المقاييس من الإجابة على أسئلة مثل: ما هي القيمة "النموذجية"؟ كيف تُصنّف البيانات؟ هل هناك تباين كبير؟ ما مدى تشابه الملاحظات مع بعضها البعض؟
ولتنظيم هذه المهمة، عادة ما يتم تجميع المقاييس الوصفية في عدة فئات: مقاييس الموقع أو النزعة المركزية ، والتي تشير إلى مكان "وجود" البيانات؛ ومقاييس التشتت ، والتي تخبرنا بمدى تباعدها عن بعضها البعض؛ ومقاييس تكميلية أخرى، مثل المعاملات النسبية أو بعض مقاييس الشكل، والتي يمكن أن تساعد في تحسين التحليل.
في العديد من الملاحظات والكتب الجامعية، تُرفق المقاييس الوصفية بأمثلة عددية بسيطة ، مثل مجموعات صغيرة من الدرجات أو الرواتب أو أرقام المبيعات. والسبب في ذلك هو أن أفضل طريقة لفهم مساهمة كل مقياس من هذه المقاييس هي معرفة كيفية حسابه وما هي المعلومات المحددة التي يقدمها حول مجموعة كبيرة من البيانات.
مقاييس الموقع أو النزعة المركزية
تُبيّن لنا مقاييس الموقع أو النزعة المركزية أي قيمة تُعتبر الأكثر تمثيلاً لمجموعة البيانات. فهي تُعطينا فكرة عن موضع تركز المشاهدات، أو ما هي القيمة النموذجية أو المركزية، إن صح التعبير. ومن أكثرها شيوعاً المتوسط الحسابي ، والوسيط ، والمنوال ، ولكل منها خصائصه واستخداماته المُوصى بها.
تنطبق هذه المقاييس على البيانات غير المصنفة (قوائم القيم الفردية) والبيانات المصنفة في جداول التكرار. تبدأ العديد من مواد الإحصاء الجامعية بشرح أبسط نسخة، باستخدام مجموعة من القيم X1، X2، ...، Xn، ثم تعممها لتشمل حالات أكثر تعقيدًا. المهم هو فهم دلالة كل مقياس ومتى يكون استخدامه مناسبًا.
متوسط العينة أو المعدل
يُعدّ المتوسط الحسابي للعينة أشهر مقاييس النزعة المركزية. فإذا كان لدينا n نقطة بيانات X1، X2، ...، Xn، فإن المتوسط الحسابي للعينة هو متوسطها الحسابي، أي مجموع جميع القيم مقسومًا على العدد الإجمالي للمشاهدات. وهو ما يُعرف بـ"المتوسط العام" الذي يُناقش عند الحديث عن الدرجات، والرواتب، وأوقات الانتظار، أو أي كمية أخرى.
بصورة رسمية، إذا سمينا متوسط العينة X̄ ، فإنه يُحسب كالتالي: X̄ = (X1 + X2 + … + Xn) / n. تُقدم العديد من المراجع هذا التعريف بصيغة مختصرة، ولكن النقطة الأساسية هي فهم أن المتوسط يُوزع "الكمية الإجمالية" بالتساوي بين جميع الأفراد. على سبيل المثال، إذا جمعنا درجات مجموعة من الطلاب وقسمناها على عدد الطلاب، نحصل على متوسط الدرجات الذي يُشير إلى الأداء العام للمجموعة.
يتمتع متوسط العينة بخصائص مفيدة للغاية، ولكنه يعاني أيضًا من عيب جوهري: حساسيته الشديدة للقيم المتطرفة . فإذا وُجدت قيمة ضمن مجموعة البيانات أكبر بكثير أو أصغر بكثير من بقية القيم، فإن هذه القيمة ستؤثر على المتوسط بالزيادة أو النقصان. لذا، في الحالات التي تكثر فيها القيم المتطرفة بشكل ملحوظ، قد لا يكون المتوسط المقياس الأنسب لتلخيص الوضع.
وضع العينة
المنوال هو القيمة الأكثر تكرارًا في مجموعة البيانات. ويُعرَّف بأنه نقطة البيانات ذات أعلى تكرار مطلق، أي القيمة التي تظهر أكثر من غيرها. وعلى عكس المتوسط، لا يُحسب المنوال من خلال العمليات الحسابية، بل عن طريق عدّ عدد مرات ظهور كل قيمة ممكنة.
من التفاصيل المهمة أن النمط قد لا يكون موجودًا أو قد لا يكون فريدًا . قد يحدث أن تكون جميع القيم مختلفة ولا تتكرر أي منها أكثر من مرة؛ في هذه الحالة، يُقال إن التوزيع غير نمطي. وقد يحدث أيضًا أن تكون هناك قيمتان أو أكثر لهما نفس التكرار الأقصى؛ عندها نتحدث عن توزيعات ثنائية النمط أو متعددة الأنماط، ويتم النظر في عدة أنماط في آن واحد.
يُعدّ المنوال مفيدًا بشكل خاص عند التعامل مع المتغيرات النوعية أو الفئوية ، حيث يكون حساب المتوسط العددي غير عملي. على سبيل المثال، إذا أردنا معرفة الخيار الأكثر شيوعًا من بين عدة خيارات إجابة، فإن المنوال يُخبرنا بالفئة التي يختارها المستجيبون بشكل متكرر.
الوسيط العيني
الوسيط العيني هو القيمة التي تحتل المركز الأوسط عند ترتيب البيانات تصاعديًا. وللحصول عليه، يُعاد ترتيب المشاهدات أولًا، ثم تُحدد القيمة الوسطى. إذا كان عدد المشاهدات فرديًا، فإن الوسيط هو تلك القيمة الوسطى تحديدًا؛ أما إذا كان زوجيًا، فيُعرَّف بأنه متوسط القيمتين الوسطيتين.
في العديد من الأمثلة البسيطة، تُشرح هذه الخطوات بصريًا بشكلٍ واضح: تُدرج البيانات، وتُرتب، ثم تُشطب من الخارج إلى الداخل حتى تبقى القيمة الوسطى فقط. يُظهر هذا بوضوح أن الوسيط هو النقطة التي تقسم العينة إلى نصفين : 50% من البيانات تقع أسفله، والـ 50% الأخرى تقع فوقه.
من التفاصيل المهمة أن الوسيط، على عكس المتوسط، لا يتأثر بالقيم المتطرفة بنفس القدر . فإذا أضفنا قيمة كبيرة جدًا أو صغيرة جدًا إلى مجموعة مرتبة، قد لا يتغير الوسيط إلا قليلًا، بينما يتغير المتوسط بشكل ملحوظ. لذلك، عندما توجد قيم متطرفة أو يكون التوزيع شديد الانحراف، يُعتبر الوسيط غالبًا مقياسًا أكثر دقة للنزعة المركزية.
مثال على المتوسط والوسيط والمنوال
غالبًا ما تتضمن المواد التعليمية مثالًا مشابهًا لهذا: تُعطى البيانات 3، 5، 7، 7، 8، 9، ويُطلب حساب مقاييس النزعة المركزية الرئيسية. يُحسب المتوسط بجمع جميع القيم وقسمتها على العدد الإجمالي للبيانات: (3 + 5 + 7 + 7 + 8 + 9) / 6 = 39 / 6 = 6,5. وبالتالي، فإن متوسط العينة هو 6,5 ، وهو القيمة المتوسطة للمجموعة.
بالنظر إلى القائمة المرتبة، نلاحظ أن القيمتين المركزيتين هما الثالثة والرابعة، وهما في هذه الحالة 7 و7. يتم الحصول على الوسيط بأخذ متوسط هاتين القيمتين، مما ينتج عنه وسيط عينة يساوي 7. ولأنهما متكررتان، فإن الوسيط يتطابق تمامًا مع هذه القيمة، التي تعمل كنقطة توازن للنصف الأدنى والنصف الأعلى.
بالنسبة للمنوال، انظر ببساطة إلى القيمة الأكثر تكرارًا. في هذا المثال، يتكرر الرقم 7 مرتين، بينما تظهر الأرقام الأخرى مرة واحدة فقط. لذلك، فإن منوال العينة هو 7 أيضًا. في هذه المجموعة من البيانات، يتطابق الوسيط والمنوال، ولكن هذا ليس هو الحال دائمًا.
تُعد هذه الأنواع من الأمثلة العددية البسيطة شائعة جدًا في عروض الإحصاء الوصفي، وتعمل على تعزيز فكرة أن كل مقياس للموقع يوفر فارقًا مختلفًا : فالمتوسط يصف التوازن العام، والوسيط هو الموقع المركزي المقاوم للقيم المتطرفة، والمنوال هو الفئة أو القيمة الأكثر تكرارًا.
مقاييس التشتت
إضافةً إلى معرفة القيمة النموذجية أو المركزية، من المهم معرفة مدى تشتت البيانات حول تلك القيمة. فليس من المنطقي أن تكون جميع المشاهدات متقاربة جدًا، كما هو الحال عند وجود اختلافات كبيرة بينها. تُحدد مقاييس التشتت هذا التباين بدقة؛ أي درجة انتشار البيانات بالنسبة إلى قيمتها المركزية.
تُقدّم ملاحظات الإحصاء الأساسية عدة مقاييس للتشتت: المدى ، والتباين ، والانحراف المعياري ، ومعامل التباين . يوفر كل منها طريقة مختلفة لمعرفة مدى الاختلاف بين قيم المتغير، وتُستخدم هذه المقاييس بشكل تكاملي للحصول على رؤية شاملة لسلوك البيانات.
مرتبة
يُعدّ المدى على الأرجح أبسط مقياس للتشتت. ويُعرَّف بأنه الفرق بين القيمتين العظمى والصغرى في البيانات. إذا رتبنا المشاهدات من الأصغر إلى الأكبر كالتالي: X1 ≤ X2 ≤ … ≤ Xn، يُحسب المدى كالتالي: R = Xn − X1. تظهر هذه الصيغة بكثرة في المواد التعليمية كمدخل أولي لمفهوم التشتت.
يُقدّم لنا المدى معلومات فورية حول الانتشار الكلي للبيانات ، إذ يُشير إلى عدد الوحدات التي تفصل أصغر قيمة عن أكبرها. مع ذلك، يُعاني هذا المدى من قصورٍ هام، فهو يعتمد فقط على هاتين القيمتين المتطرفتين، ولا يأخذ في الحسبان كيفية توزيع البيانات الوسيطة. لذا، ورغم فائدته كمؤشر سريع، فإنه يُستكمل عادةً بمقاييس أخرى أكثر تعقيدًا.
فرق
التباين هو مقياس للتشتت يأخذ في الاعتبار جميع المشاهدات ويعتمد على مربعات الفروق عن المتوسط. وبشكل بديهي، يقيس التباين مدى انحراف البيانات، في المتوسط، عن متوسط العينة. فكلما زاد التباين، زاد تشتت القيم حول المتوسط؛ وكلما قل التباين، زاد تركيزها.
في الملاحظات الإحصائية، يُعرض التباين بتعريفه الرسمي، ولكن عند حسابه، تُستخدم عادةً صيغة مكافئة أكثر ملاءمة ، مما يُغني عن التعامل المباشر مع جميع مربعات الفروق. بالنسبة لبيانات العينة، يُرمز للتباين عادةً بالرمز s²، وعلى الرغم من أن جميع التفاصيل النظرية لا تُغطى دائمًا في المستويات الأولية، إلا أنه يُشدد على أنه متوسط مربعات الانحرافات عن المتوسط.
من الأمور التي يجب مراعاتها أن التباين يُعبَّر عنه بوحدات مربعة . على سبيل المثال، إذا قُيِّم المتغير باليورو، فإن التباين يُقاس باليورو المربع، وهو ما لا يُفسَّر بسهولة وبديهية. وهذا أحد أسباب تفضيل الانحراف المعياري في كثير من الأحيان، لأنه يُعيد القياس إلى وحداته الأصلية.
الانحراف المعياري
الانحراف المعياري ، أو الخطأ المعياري، هو الجذر التربيعي للتباين. فإذا كان تباين العينة s²، فإن الانحراف المعياري هو s. وبأخذ الجذر التربيعي، نعود إلى الوحدات الأصلية للمتغير، مما يجعل تفسير هذا المقياس أسهل بكثير في التطبيق العملي.
في مقررات الإحصاء الجامعية، يُشدد على ضرورة عدم الخلط بين الانحراف المعياري والخطأ المعياري . فرغم تشابه الاسمين، يُعد الخطأ المعياري مفهومًا في الإحصاء الاستدلالي يتعلق بتباين المُقدِّر، بينما يُعد الانحراف المعياري مقياسًا لتشتت البيانات داخل العينة. وغالبًا ما يُؤكد على هذا التمييز بعبارات مثل "احذر من الخلط بينهما" لتجنب سوء الفهم.
يُشير الانحراف المعياري، تقريبًا، إلى مدى انحراف نقاط البيانات عن المتوسط. في العديد من التوزيعات، تقع نسبة كبيرة من المشاهدات ضمن الفترة بين المتوسط ناقص انحراف معياري واحد والمتوسط زائد انحراف معياري واحد. لذا، يُعد هذا المقياس أساسيًا عند تقييم استقرار البيانات أو تباينها في سياقات متعددة.
معامل التباين
معامل التباين هو مقياس للتشتت النسبي يربط الانحراف المعياري بالمتوسط. ورغم اختلاف الصيغة الدقيقة باختلاف الاصطلاحات، إلا أنه يُعرَّف عادةً بأنه نسبة الانحراف المعياري إلى المتوسط، وغالبًا ما يُضرب في 100 للتعبير عنه كنسبة مئوية. وهو أداة مفيدة عند مقارنة تباين متغيرات مختلفة ذات متوسطات أو وحدات قياس متباينة.
على سبيل المثال، إذا قارنا الرواتب في قطاعين مختلفين في الحجم، فقد يكون لأحدهما انحراف معياري أعلى بالقيمة المطلقة، لكن معامل تباين أقل، مما يشير إلى أن الرواتب، نسبيًا، أكثر تركيزًا حول متوسطها. وبهذا المعنى، يُعد معامل التباين مفيدًا بشكل خاص لتحليل التشتت النسبي ، بما يتجاوز وحدات القياس المحددة.
العلاقة بين مقاييس الموقع والتشتت
في أي تحليل بيانات جاد، لا يُجدي الاعتماد فقط على المتوسط أو الانحراف المعياري. من الممارسات الشائعة الجمع بين مقاييس النزعة المركزية والتشتت للحصول على فهم أعمق. على سبيل المثال، قد يكون لدينا مجموعتان لهما نفس المتوسط ولكن تباينات مختلفة تمامًا؛ في هذه الحالة، على الرغم من أن القيمة المركزية واحدة، إلا أن واقع كل مجموعة يختلف اختلافًا كبيرًا.
تُبيّن مقاييس النزعة المركزية النطاق العام للبيانات، بينما تُوضّح مقاييس التشتت كيفية توزيع البيانات حول هذا النطاق . يشير المتوسط المرتفع مع التشتت المنخفض إلى مجموعة متجانسة ذات قيم عالية؛ بينما يعكس المتوسط المماثل مع التشتت العالي اختلافات كبيرة بين المشاهدات الفردية. لذلك، عمليًا، تتضمن الجداول والملخصات الإحصائية عادةً مقياسًا واحدًا على الأقل للنزعة المركزية ومقياسًا واحدًا على الأقل للتشتت.
يظهر الهيكل التالي بشكل متكرر في مواد الإحصاء الوصفي الصادرة عن جامعات مختلفة: تعريف المتغير، جدول التكرارات، التمثيل البياني ، حساب المتوسط، الوسيط، المنوال، ثم المدى، التباين، الانحراف المعياري، ومعامل التباين. يعكس هذا التسلسل فكرة أن المقاييس الوصفية تشكل وحدة متكاملة تسمح بفهم البيانات من عدة منظورات متكاملة.
علاوة على ذلك، مع التعمق في الموضوع، يمكن إدخال مقاييس أخرى ذات صلة، مثل النسب المئوية، والربيعيات، أو مقاييس الالتواء والتفرطح، مما يوسع نطاق التحليل الوصفي. ومع ذلك، فإن المفاهيم الأساسية التي تم شرحها في المواضيع الأولية للإحصاء تتكون عادةً من مقاييس الموقع والتشتت التي ناقشناها.
لهذه المجموعة الكاملة من الأدوات فائدة عملية واضحة للغاية: تسهيل اتخاذ القرارات بناءً على البيانات . سواء في الأوساط الأكاديمية أو الإدارة العامة أو الشركات الخاصة، فإن فهم موقع وتغير متغير رئيسي يساعد على تفسير المعلومات المتاحة بشكل صحيح وتجنب الاستنتاجات المتسرعة.
تُمكّننا الإحصاءات الوصفية، بما فيها المقاييس الوصفية، من تحويل قوائم لا حصر لها من الأرقام إلى مؤشرات قليلة سهلة الفهم وبديهية. فبفضل المتوسط، والوسيط، والمنوال، والمدى، والتباين، والانحراف المعياري، والمعاملات النسبية، نستطيع فهم سلوك البيانات بدقة متناهية، واكتشاف الأنماط، وتحديد الحالات الشاذة، ووضع الأساس لتحليلات أكثر تقدماً عند الحاجة.
