افحص بيانات الآخرين: المتغير الخفي (درجة الحرارة) في مثال مبيعات الآيس كريم - حالات الغرق؛ شاهد كيف يفسد الارتباط عن طريق سحب قيمة متطرفة؛ خطر التنبؤ خارج نطاق البيانات (الاستقراء)؛ انتقد الادعاءات
العودة إلى المحاكاة
من خلال محاكاة دراسة البيانات ذات المتغيرين الكميين، ستتعلم تقييم البيانات الإحصائية نظرة نقدية وتكتشف أخطاء التفسير الشائعة. أثناء تعلم مفاهيم المتغير الخفي، الاستقراء، والقيم الشاذة عبر أمثلة مثل مبيعات الآيس كريم وحوادث الغرق وتغير طول الأطفال، ستتساءل عن السببية الحقيقية الكامنة وراء البيانات. تعد هذه الأداة التفاعلية دليلاً ممتازاً لتحليل الادعاءات الإحصائية التي تقابلها في وسائل الإعلام والحياة اليومية تحليلاً صحيحاً.
ماذا يمكنك أن تفعل في هذه المحاكاة؟
يمكنك خفض أو رفع قيمة معامل الارتباط r عن طريق سحب نقطة القيم الشاذة الحمراء، وملاحظة التأثير المدمر للقيم الشاذة على العلاقة الخطية.
يمكنك فحص كيف يمكن للمتغيرات الخفية والمشتركة مثل درجة الحرارة أن تضلل البيانات في مثال مبيعات الآيس كريم وحوادث الغرق.
يمكنك اختبار النتائج غير المنطقية التي ستنتج عن التنبؤات (الاستقراء) التي تُجرى خارج نطاق البيانات اعتماداً على بيانات نمو أطوال الأطفال.
يمكنك تقييم الادعاءات والسيناريوهات المختلفة المطروحة ومطابقتها مع الخيارات الصحيحة، وتعزيز معلوماتك من خلال التغذية الراجعة الفورية.
يمكنك إعادة ضبط المحاكاة باستخدام زر البداية من جديد وتجربة سيناريوهات مختلفة مرة أخرى.
المفاهيم والصيغ الأساسية
في البحوث الإحصائية، تُقاس العلاقة بين متغيرين كميين بمعامل الارتباط (r). ومع ذلك، فإن الارتباط لا يعني دائماً وجود سببية (علاقة سبب ونتيجة). يمكن للمتغيرات الخفية كعامل ثالث أن تؤثر على كلا المتغيرين في آنٍ واحد. بالإضافة إلى ذلك، قد تؤدي تنبؤات الاستقراء المُجراة بالخروج عن نطاق البيانات الحالية (القيمتين الدنيا والعليا) إلى أخطاء فادحة. تعطي صيغة r = Σ((x - x_ortalama)(y - y_ortalama)) / √(Σ(x - x_ortalama)^2 Σ(y - y_ortalama)^2) قوة واتجاه العلاقة الخطية بين المتغيرين.
كيفية الاستخدام
انتقل إلى لوحة التجربة واقرأ بعناية السيناريوهات والادعاءات المعروضة على الشاشة.
قم بوضعها في الصناديق ذات الصلة عن طريق النقر على البطاقات أو الخيارات، أو سحبها وإفلاتها.
راقب تغير الارتباط عن طريق سحب نقطة القيم الشاذة الحمراء على الرسم البياني.
شاهد مدى صحة توقعاتك فوراً بالضغط على زر تحقق.
أعد التجربة برفقة الدليل من خلال مراجعة الخطوات التي أخفقت فيها أو أخطأت.
أسئلة متكررة
لماذا لا يعني الارتباط بالضرورة وجود علاقة سببية؟
حتى وإن بدا أن المتغيرين يرتفعان أو ينخفاضان معاً، فإن هذا لا يدل على أن أحدهما يسبب الآخر. فقد يوجد في الخلفية متغير خفي مشترَك يؤثر على كليهما (مثل درجة الحرارة).
كيف تؤثر القيمة الشاذة على معامل الارتباط؟
إن نقطة متطرفة واحدة (قيمة شاذة) تُضاف لاحقاً إلى مجموعة البيانات أو تقع قياساتها بطريقة خاطئة، يمكنها تضليل قيمة r تماماً التي تدل على قوة العلاقة الخطية، بل والقضاء على علاقة قوية.
ما هو الاستقراء ولماذا يعد خطيراً؟
هو عملية التنبؤ بقيم تقع خارج حدود مجموعة البيانات التي بين يديك. إن افتراض أن الاتجاه الحالي سيستمر إلى ما لا نهاية وبالطريقة نفسِها قد ينتج عنه نتائج غير منطقية ومخالفة للواقع.