مبادئ التصاميم التجريبية
البحث التجريبي هو البحث الذي يتم إجراؤه من خلال منهج علمي قائم على مجموعتين من المتغيرات. حيث تعمل المجموعة الأولى كمتغير ضابط أو ثابت لقياس الاختلافات في المجموعة الثانية التي تمثل المتغير التجريبي.
ويعتبر المنهج التجريبي ناجحاً فقط في حالة التأكيد على أن التغيير في ظروف المجموعة التجريبية سببه الأول هو الاختلاف عن المجموعة الضابطة، وهذا يعني ضرورة وجود علاقة ارتباطية (سبب ونتيجة) متبادلة بين المجموعتين التجريبية والضابطة كضمان لصلاحية الأبحاث التجريبية.
المصدر: البحث التجريبي – التعريف وأنواع التصاميم والمميزات والعيوب
عادة ما يتم تقسيم مبادئ التصاميم التجريبية إلى ثلاثة مبادئ:
- (1) مبدأ النسخ المتماثل، (2) مبدأ التوزيع العشوائي؛ و (3) مبدأ التحكم المحلي .
أولاً: مبدأ النسخ المتماثل (المبدأ الأول من مبادئ التصاميم التجريبية)
وفقًا لمبدأ النسخ المتماثل ، يجب تكرار التجربة أكثر من مرة . وبالتالي ، يتم تطبيق كل علاج في العديد من الوحدات التجريبية بدلاً من واحدة . من خلال القيام بذلك ، يتم زيادة الدقة الإحصائية للتجارب . على سبيل المثال ، لنفترض أنه يتعين علينا فحص تأثير نوعين من الأرز . لهذا الغرض ، قد نقسم الحقل إلى قسمين وننمي نوعًا واحدًا في جزء وآخر في الجزء الآخر. يمكننا بعد ذلك مقارنة ناتج الجزأين والتوصل إلى استنتاج على هذا الأساس.
لكن إذا أردنا تطبيق مبدأ النسخ المتماثل على هذه التجربة ، فسنقسم الحقل أولاً إلى عدة أجزاء ، وننمي نوعًا واحدًا في نصف هذه الأجزاء والتنوع الآخر في الأجزاء المتبقية . يمكننا بعد ذلك جمع بيانات إنتاجية الصنفين واستخلاص النتائج من خلال المقارنة بينهما. ستكون النتيجة التي تم الحصول عليها أكثر موثوقية مقارنة بالاستنتاج الذي توصلنا إليه دون تطبيق مبدأ النسخ المتماثل . يمكن تكرار التجربة بأكملها عدة مرات للحصول على نتائج أفضل.
ولا يمثل التكرار المفاهيمي أي صعوبة ، ولكنه يمثل صعوبة من الناحية الحسابية. على سبيل المثال ، إذا تم تكرار تجربة تتطلب تحليلًا ثنائي الاتجاه للتباين ، فستتطلب بعد ذلك تحليلًا ثلاثي الاتجاهات للتباين نظرًا لأن النسخ المتماثل نفسه قد يكون مصدرًا للتباين في البيانات. ومع ذلك ، يجب أن نتذكر أنه يتم تقديم النسخ المتماثل من أجل زيادة دقة الدراسة ؛ أي لزيادة الدقة التي يمكن بها تقدير التأثيرات والتفاعلات الرئيسية.
ثانياً: مبدأ التوزيع العشوائي (المبدأ الثاني من مبادئ التصاميم التجريبية)
يوفر مبدأ التوزيع العشوائي الحماية ، عندما نجري تجربة ، من تأثير العوامل الخارجية عن طريق التوزيع العشوائي. بعبارة أخرى ، يشير هذا المبدأ إلى أنه يجب علينا تصميم التجربة أو التخطيط لها بحيث يمكن دمج جميع الاختلافات التي تسببها العوامل الخارجية تحت العنوان العام “فرصة”. على سبيل المثال ، إذا قمنا بزراعة نوع واحد من الأرز ، على سبيل المثال ، في النصف الأول من أجزاء الحقل وزُرع النوع الآخر في النصف الآخر ، فمن الممكن أن تكون خصوبة التربة مختلفة في النصف الأول مقارنة بالنصف الآخر.
إذا كان الأمر كذلك ، فلن تكون نتائجنا واقعية. في مثل هذه الحالة ، قد نقوم بتعيين مجموعة متنوعة من الأرز ليتم زراعتها في أجزاء مختلفة من الحقل على أساس بعض تقنيات أخذ العينات العشوائية ، أي أننا قد نطبق مبدأ العشوائية ونحمي أنفسنا من تأثيرات العوامل الخارجية (اختلافات خصوبة التربة في هذه الحالة). على هذا النحو ، من خلال تطبيق مبدأ التوزيع العشوائي ، يمكننا الحصول على تقدير أفضل للخطأ التجريبي.
ثالثاً: مبدأ التحكم المحلي (المبدأ الثالث من مبادئ التصاميم التجريبية)
مبدأ التحكم المحلي هو مبدأ آخر مهم من مبادئ التصاميم التجريبية. يندرج تحتها العامل الخارجي ،وهو المصدر المعروف للتغير ، حيث يتم إجراؤه بشكل متعمد على نطاق واسع حسب الضرورة وهذا يحتاج إلى القيام به بطريقة يمكن قياس التباين الذي يسببه وبالتالي استبعاده من الخطأ التجريبي.
هذا يعني أنه يجب علينا التخطيط للتجربة بطريقة يمكننا من خلالها إجراء تحليل ثنائي الاتجاه للتباين ، حيث يتم تقسيم التباين الكلي للبيانات إلى ثلاثة مكونات تُعزى إلى المعالجات (أنواع مختلفة من الأرز في حالتنا) ، العوامل الخارجية (خصوبة التربة في حالتنا) والخطأ التجريبي.
بمعنى آخر ، وفقًا لمبدأ التحكم المحلي ، نقسم الحقل أولاً إلى عدة أجزاء متجانسة ، تُعرف باسم الكتل ، ثم يتم تقسيم كل كتلة إلى أجزاء مساوية لعدد المعالجات. ثم يتم تعيين العلاجات بشكل عشوائي لهذه الأجزاء من الكتلة. يُعرف تقسيم الحقل إلى عدة أجزاء متجانسة باسم “الحجب”. بشكل عام ، الكتل هي المستويات التي نحمل عندها عاملًا خارجيًا ثابتًا ، وحتى نتمكن من قياس مساهمته في التباين الكلي للبيانات عن طريق تحليل التباين ثنائي الاتجاه. باختصار ، من خلال مبدأ التحكم المحلي يمكننا التخلص من التباين بسبب العوامل الخارجية من الخطأ التجريبي.
أهمية التصاميم التجريبية
يشير التصميم التجريبي إلى إطار أو هيكل التجربة وعلى هذا النحو هناك العديد من التصميمات التجريبية. فيمكننا تصنيف التصاميم التجريبية إلى فئتين عريضتين ، أي ، التصاميم التجريبية غير الرسمية والتصاميم التجريبية الرسمية. فالتصاميم التجريبية غير الرسمية هي تلك التصميمات التي تستخدم عادةً شكلاً أقل تعقيدًا من التحليل بناءً على الاختلافات في الأحجام ، بينما تقدم التصميمات التجريبية الرسمية تحكمًا أكبر نسبيًا وتستخدم إجراءات إحصائية دقيقة للتحليل. التصاميم التجريبية المهمة هي كما يلي :
أولاً: التصاميم التجريبية غير الرسمية.
- قبل وبعد بدون تصميم التحكم .
- فقط بعد تصميم التحكم .
- قبل وبعد مع تصميم التحكم .
ثانياً: التصاميم التجريبية الرسمية.
- تصميم عشوائي بالكامل (CR Design).
- تصميم القطاعات العشوائية (تصميم B.).
- تصميم المربع اللاتيني (تصميم LS).
- تصاميم عاملية .
قد نتعامل بإيجاز مع كل من التصاميم التجريبية غير الرسمية والرسمية المذكورة أعلاه .
التصاميم التجريبية غير العشوائية والعشوائية
أ. التصاميم التجريبية غير العشوائية.
أولاً: التصاميم التجريبية – قبل وبعد بدون تصميم التحكم.
في مثل هذا التصميم ، يتم تحديد مجموعة أو منطقة اختبار واحدة ويتم قياس المتغير التابع قبل إدخال العلاج ثم يتم تقديم العلاج ويتم قياس المتغير التابع مرة أخرى بعد إدخال العلاج ، وسيكون تأثير العلاج مساوياً لمستوى الظاهرة بعد العلاج مطروحاً منه مستوى الظاهرة قبل العلاج . يمكن تمثيل التصميم على النحو التالي:
| منطقة الاختبار | مستوى الظاهرة | العلاج | مستوى الظاهرة |
| قبل العلاج (X) | تم وضعه | بعد العلاج (Y) | |
| تأثير العلاج = (X) – (Y) | |||
مبادئ التصاميم التجريبية
تكمن الصعوبة الرئيسية لمثل هذا التصميم في أنه مع مرور الوقت قد تكون هناك اختلافات كبيرة في تأثير المعالجة.
ثانياً: التصاميم التجريبية – بعد تصميم التحكم فقط.
في هذا التصميم ، يتم تحديد مجموعتين أو منطقتين (منطقة الاختبار ومنطقة التحكم) ويتم إدخال العلاج في منطقة الاختبار فقط. ثم يتم قياس المتغير التابع في كلا المجالين في نفس الوقت. يتم تقييم تأثير العلاج بطرح قيمة المتغير التابع في منطقة التحكم من قيمته في منطقة الاختبار. يمكن عرض ذلك بالشكل التالي :
| منطقة الاختبار : | العلاج المقدم : | مستوى الظاهرة بعد العلاج (Y) |
| منطقة التحكم : | مستوى الظاهرة بدون العلاج (Z) | |
| تأثير العلاج = (Z) – (Y) | ||
مبادئ التصاميم التجريبية
الافتراض الأساسي في مثل هذا التصميم هو أن المجالين متطابقان فيما يتعلق بسلوكهما تجاه الظاهرة التي تم النظر فيها . فاذا لم يكن هذا الافتراض صحيحًا ، فهناك احتمال أن يدخل اختلاف غريب في تأثير العلاج.
ومع ذلك ، يمكن جمع البيانات في مثل هذا التصميم دون إدخال مشاكل مع مرور الوقت. في هذا الصدد ، يتفوق التصميم على التصميم قبل وبعد بدون تحكم .
ثالثاً: التصاميم التجريبية – قبل وبعد مع تصميم التحكم.
في هذا التصميم يتم تحديد منطقتين ويتم قياس المتغير التابع في كلا المنطقتين لفترة زمنية متطابقة قبل العلاج. يتم بعد ذلك إدخال العلاج في منطقة الاختبار فقط ، ويتم قياس المتغير التابع في كليهما لفترة زمنية متطابقة بعد إدخال العلاج. يتم تحديد تأثير المعالجة بطرح التغيير في المتغير التابع في منطقة التحكم من التغيير في المتغير التابع في منطقة الاختبار. ويمكن عرض هذا التصميم بهذه الطريقة :
| الفترة الزمنية 1 | الفترة الزمنية 2 | ||
| منطقة الاختبار | مستوى الظاهرة قبل العلاج (X) | العلاج المقدم : | مستوى الظاهرة بعد العلاج (Y) |
| منطقة التحكم | مستوى الظاهر بدون العلاج (A) | مستوى الظاهرة بدون العلاج (Z) | |
| تأثير العلاج = (A – Z ) – (X – Y) | |||
مبادئ التصاميم التجريبية
يتفوق هذا التصميم على التصميمين المذكورين أعلاه لسبب بسيط هو أنه يتجنب الاختلاف الدخيل الناتج عن مرور الوقت وعدم قابلية المقارنة بين مناطق الاختبار والتحكم. ولكن في بعض الأحيان ، بسبب نقص البيانات التاريخية أو الوقت أو منطقة تحكم قابلة للمقارنة ، يجب أن نفضل اختيار أحد التصميمين الأولين غير الرسميين المذكورين أعلاه.
رابعاً: تصميم عشوائي بالكامل (تصميم CR).
لا يتضمن سوى مبدأين فقط ، مبدأ التكرار ومبدأ التوزيع العشوائي للتصاميم التجريبية. حيث إنه أبسط تصميم ممكن وإجراء تحليله أسهل أيضًا. السمة الأساسية للتصميم هي أنه يتم تعيين المواضيع بشكل عشوائي للعلاجات التجريبية (أو العكس).
على سبيل المثال ، إذا كان لدينا 10 أشخاص ، وإذا كنا نرغب في اختبار 5 تحت العلاج A و 5 تحت العلاج B ، فإن عملية التوزيع العشوائي تمنح كل مجموعة محتملة من 5 موضوعات مختارة من مجموعة من 10 أشخاص فرصة متساوية للتخصيص للعلاج أ و المعالجة B. تحليل التباين أحادي الاتجاه (أو ANOVA أحادي الاتجاه).
يمكننا تقديم وصف موجز لشكلي هذا التصميم على النحو الوارد في الشكل 3.4.
مبادئ التصاميم التجريبية
خامساً: تصميم عشوائي بسيط من مجموعتين.
في التصميم العشوائي البسيط المكون من مجموعتين ، يتم أولاً تحديد أفراد مجتمع الدراسة ثم من المجتمع يتم اختيار عينة عشوائيًا. علاوة على ذلك ، فإن مطلب هذا التصميم هو أن يتم تعيين العناصر بشكل عشوائي ، بعد اختيارها عشوائيًا من أفراد مجتمع الدراسة ، للمجموعات التجريبية ومجموعات المراقبة (يوصف هذا التخصيص العشوائي للعناصر إلى مجموعتين تقنيًا كمبدأ التوزيع العشوائي). وبالتالي ، ينتج عن هذا التصميم مجموعتين كممثلين للسكان. في الرسم البياني.
ونظرًا لأنه في التصميم العشوائي للعينة ، يتم سحب العناصر المكونة للعينة بشكل عشوائي من نفس أفراد مجتمع الدراسة وتعيينها عشوائيًا للمجموعات التجريبية والضابطة ، يصبح من الممكن استخلاص النتائج على أساس العينات المطبقة على مجتمع الدراسة.
تعطى المجموعتان (المجموعتان التجريبية والضابطة) لهذا التصميم معالجات مختلفة للمتغير المستقل. هذا التصميم للتجربة شائع جدًا في الدراسات البحثية المتعلقة بالعلوم السلوكية.
تتمثل ميزة هذا التصميم في أنه بسيط وعشوائي الاختلافات بين عناصر العينة. ولكن محدودية ذلك هو أن الفروق الفردية بين أولئك الذين يجرون العلاجات لا يتم القضاء عليها ، أي أنها لا تتحكم في المتغير الخارجي وبالتالي قد لا تصور نتيجة التجربة الصورة الصحيحة. ويمكن توضيح ذلك من خلال أخذ مثال. لنفترض أن الباحث يريد مقارنة مجموعتين من الطلاب الذين تم اختيارهم عشوائيًا وتعيينهم بشكل عشوائي.
يتم تقديم علاجين مختلفين ، التدريب المعتاد والتدريب المتخصص للمجموعتين. يفترض الباحث مكاسب أكبر للمجموعة التي تتلقى تدريبًا متخصصًا. ولتحديد ذلك ، يقوم باختبار كل مجموعة قبل التدريب وبعده ، ثم يقارن مقدار الربح للمجموعتين لقبول أو رفض فرضيته.
هذا توضيح للتصميم العشوائي المكون من مجموعتين ، حيث يتم اختيار الفروق الفردية بين الطلاب بشكل عشوائي. لكن هذا لا يتحكم في التأثيرات التفاضلية للمتغيرات المستقلة الخارجية (في هذه الحالة ، الفروق الفردية بين أولئك الذين يديرون البرنامج التدريبي).
مبادئ التصاميم التجريبية
ب. التصاميم التجريبية العشوائية.
عادة ما يتم التخلص من قيود التصميم العشوائي ذي المجموعتين ضمن تصميم التكرارات العشوائية. في الرسم التوضيحي المذكور أعلاه ، تم تجاهل اختلافات المدرس في المتغير التابع ، أي أنه لم يتم التحكم في المتغير الخارجي. ولكن في تصميم التكرارات العشوائية ، يتم تقليل (أو تقليل) تأثير هذه الاختلافات من خلال توفير عدد من التكرارات لكل علاج.
كل تكرار يسمى تقنيًا “تكرار”. يخدم تصميم النسخ العشوائي غرضين ، أي أنه يوفر ضوابط للتأثيرات التفاضلية للمتغيرات المستقلة الخارجية وثانيًا ، يقوم بترتيب أي اختلافات فردية بشكل عشوائي بين أولئك الذين يقومون بإجراء المعالجات. يمكننا توضيح تصميم التكرارات العشوائية بشكل تخطيطي على النحو التالي: (الشكل 3.5)
أولاً: تصميم الكتلة العشوائية (تصميم R.B.) (التصاميم التجريبية)
هو تحسين على تصميم C.R. في تصميم R.B. ، يمكن تطبيق مبدأ التحكم المحلي جنبًا إلى جنب مع المبدأين الآخرين للتصميمات التجريبية. في تصميم R.B. ، يتم تقسيم الموضوعات أولاً إلى مجموعات ، تُعرف باسم الكتل ، بحيث تكون الموضوعات داخل كل مجموعة متجانسة نسبيًا فيما يتعلق ببعض المتغيرات المختارة. المتغير المختار لتجميع الموضوعات هو المتغير الذي يعتقد أنه مرتبط بالتدابير التي سيتم الحصول عليها فيما يتعلق بالمتغير التابع.
سيكون عدد الموضوعات في كتلة معينة مساويًا لعدد العلاجات وسيتم تخصيص موضوع واحد في كل كتلة بشكل عشوائي لكل علاج.
بشكل عام ، الكتل هي المستويات التي نحمل فيها العامل الخارجي ثابتًا ، بحيث يمكن قياس مساهمته في التباين الكلي للبيانات. السمة الرئيسية لتصميم R.B. هي أنه في هذا كل علاج يظهر نفس عدد المرات في كل كتلة. يتم تحليل تصميم R.B. من خلال أسلوب التحليل الثنائي للتباين (ثنائي الاتجاه ANOVA).
دعونا نوضح تصميم R.B. بمساعدة مثال. لنفترض أن أربعة أشكال مختلفة من الاختبار الموحد في الإحصاء قد تم تقديمها لكل من خمسة طلاب (تم اختيار واحد من كل من مجموعات الذكاء الخمسة) وفيما يلي الدرجات التي حصلوا عليها.
مبادئ التصاميم التجريبية
ثانياً: تصميم المربع اللاتيني (تصميم L.S.) (التصاميم التجريبية)
هو تصميم تجريبي يستخدم بكثرة في البحوث الزراعية.
تختلف الظروف التي يتم في ظلها إجراء التحقيقات الزراعية عن تلك الموجودة في الدراسات الأخرى عن الطبيعة التي تلعب دورًا مهمًا في الزراعة.
على سبيل المثال ، يجب إجراء تجربة يتم من خلالها الحكم على تأثيرات خمسة أنواع مختلفة من الأسمدة على محصول معين ، مثل القمح. في مثل هذه الحالة ، يجب أن تؤخذ في الاعتبار الخصوبة المتغيرة للتربة في الكتل المختلفة التي يجب إجراء التجربة فيها ؛ وبخلاف ذلك ، قد لا تكون النتائج التي تم الحصول عليها موثوقة للغاية لأن الناتج ليس فقط تأثير الأسمدة ، ولكن قد يكون أيضًا تأثيرًا على خصوبة التربة.
وبالمثل ، قد يكون هناك تأثير لتنوع البذور على المحصول. للتغلب على هذه الصعوبات ، قام إل. يستخدم التصميم عندما يكون هناك عاملان خارجيان رئيسيان مثل اختلاف خصوبة التربة وتنوع البذور.
تصميم المربع اللاتيني هو واحد حيث يظهر كل سماد ، في مثالنا ، خمس مرات ولكن يتم استخدامه مرة واحدة فقط في كل صف وفي كل عمود من التصميم. وبعبارة أخرى ، فإن العلاجات في L.S. يتم تخصيص التصميم بين قطع الأراضي بحيث لا تحدث أي معالجة أكثر من مرة في أي صف واحد أو في أي عمود واحد.
يمكن تمثيل عاملي الحجب من خلال الصفوف والأعمدة
تتمثل ميزة هذا التصميم التجريبي في أنه يمكن القضاء على الفروق في تدرجات الخصوبة في الحقل مقارنةً بتأثيرات أنواع مختلفة من الأسمدة على محصول المحصول. لكن هذا التصميم يعاني من قيود واحدة ، وهو أنه على الرغم من أن كل صف وكل عمود يمثل جميع أنواع الأسمدة بشكل متساوٍ ، فقد يكون هناك اختلاف كبير في الصف والعمود يعني كلاهما أعلى وعبر المجال.
هذا ، بعبارة أخرى ، يعني ذلك في L. التصميم يجب أن نفترض أنه لا يوجد تفاعل بين العلاجات وعوامل الحجب. ومع ذلك ، يمكن إزالة هذا العيب عن طريق أخذ وسائل الصفوف والأعمدة المساوية للحقل المتوسط عن طريق ضبط النتائج.
قيد آخر لهذا التصميم هو أنه يتطلب عدد الصفوف والأعمدة والمعالجات لتكون متساوية. هذا يقلل من فائدة هذا التصميم. في حالة (2 × 2) L. التصميم ، لا توجد درجات حرية متاحة لخطأ المربع المتوسط ، وبالتالي لا يمكن استخدام التصميم.
ثالثاً: تصميمات العوامل. (التصاميم التجريبية)
تستخدم التصميمات العوامل في التجارب حيث يتم تحديد تأثيرات تباين أكثر من عامل واحد. إنها مهمة بشكل خاص في العديد من الظواهر الاقتصادية والاجتماعية حيث عادة ما يؤثر عدد كبير من العوامل على مشكلة معينة.
يمكن أن تكون التصاميم العواملية من نوعين: (1) تصميمات عاملية بسيطة و (2) تصاميم عاملية معقدة.
نحن نأخذها بشكل منفصل (1) تصميمات عاملية بسيطة: في حالة تصميمات العوامل البسيطة ، فإننا نأخذ في الاعتبار تأثيرات عاملين متفاوتين على المتغير التابع ، ولكن عند إجراء تجربة بأكثر من عاملين ، فإننا نستخدم تصميمات عاملة معقدة.
يُطلق على التصميم العاملي البسيط أيضًا اسم “تصميم عاملي ثنائي” ، في حين يُعرف تصميم العوامل المعقد باسم “التصميم متعدد العوامل”. قد يكون التصميم البسيط للعوامل إما تصميمًا عامليًا بسيطًا 2 × 2 ، أو قد يكون على سبيل المثال ، 3 × 4 أو 5 × 3 أو نوع مشابه لتصميم عاملي بسيط. نوضح بعض تصميمات العوامل البسيطة على النحو التالي:
المثال التوضيحي 1: (2 × 2 تصميم عاملي بسيط). يمكن رسم تصميم عاملي بسيط 2 × 2 بيانياً على النحو التالي:
التصاميم التجريبية
في هذا التصميم ، يُطلق على المتغير الدخيل الذي يتم التحكم فيه عن طريق التجانس متغير التحكم ويسمى المتغير المستقل ، الذي يتم التلاعب به ، بالمتغير التجريبي. ثم هناك نوعان من معاملات المتغير التجريبي ومستويين من المتغير الضابط.
يتم تعيين الموضوعات بشكل عشوائي لكل علاج بنفس الطريقة كما في تصميم مجموعة عشوائية. يمكن الحصول على الوسائل الخاصة بالخلايا المختلفة جنبًا إلى جنب مع الوسائل الخاصة بالصفوف والأعمدة المختلفة.
وبالمثل ، فإن الصف يعني في التصميم المذكور يسمى التأثيرات الرئيسية للمستويات دون النظر إلى العلاج. وبالتالي ، من خلال هذا التصميم يمكننا دراسة التأثيرات الرئيسية للعلاجات بالإضافة إلى التأثيرات الرئيسية للمستويات. ميزة إضافية لهذا التصميم هي أنه يمكن للمرء أن يفحص التفاعل بين العلاجات والمستويات ، والتي يمكن من خلالها تحديد ما إذا كان العلاج والمستويات مستقلة عن بعضها البعض أم أنها ليست كذلك.
يوضح الرسم البياني المتعلق بالدراسة الثانية أنه لا يوجد تأثير تفاعل مما يعني أن العلاج والمستوى في هذه الدراسة مستقلان نسبيًا عن بعضهما البعض. لهذا الغرض ، عند إجراء دراسة باستخدام تصميم مضروب بسيط 2 × 2. سيكون تصميمه في شكل رسومي على النحو التالي:
التصاميم التجريبية
ولكن إذا استخدم المعلم تصميمًا لمقارنة الذكور والإناث والطلاب الكبار والصغار في الكلية من حيث صلتهما بمعرفة منهجية البحث ، في هذه الحالة سيكون لدينا تصميم عاملي بسيط 2 × 2 حيث يكون كلا المتغيرين متحكمين المتغيرات حيث لا يتم التلاعب فيما يتعلق بكل من المتغيرات.
سيشمل التصميم العاملي البسيط 4 × 3 عادةً أربعة معالجات للمتغير التجريبي وثلاثة مستويات لمتغير التحكم. بيانيا قد يأخذ الشكل التالي:
التصاميم التجريبية
يشتمل هذا النموذج لتصميم عاملي بسيط على أربعة معالجات ، أي ، A ، B ، C ، D للمتغير التجريبي وثلاثة مستويات ، I ، II ، و III لمتغير التحكم ويحتوي على 12 خلية مختلفة كما هو موضح أعلاه. يوضح هذا أنه يمكن تعميم تصميم عاملي بسيط 2 × 2 على أي عدد من العلاجات والمستويات. ويتيح هذا التصميم أيضًا للباحث تحديد التفاعل بين العلاجات والمستويات.
رابعاً: تصميمات العوامل المعقدة. (التصاميم التجريبية)
تتضمن التجارب التي تحتوي على أكثر من عاملين في وقت واحد استخدام تصميمات عوامل معقدة. يسمى التصميم الذي يأخذ في الاعتبار ثلاثة متغيرات مستقلة أو أكثر في وقت واحد بتصميم عاملي معقد. في حالة وجود ثلاثة عوامل ذات متغير تجريبي واحد له معاملتان ومتغيرين تحكم ، كل واحد منهما له مستويان ، سيطلق على التصميم المستخدم 2 × 2 × 2 تصميم عاملي معقد والذي سيحتوي على إجمالي ثماني خلايا.
يمكن للباحث أيضًا تحديد التفاعلات بين كل زوج محتمل من المتغيرات (تسمى هذه التفاعلات “تفاعلات الترتيب الأول”) والتفاعل بين المتغير المأخوذ في ثلاثة توائم (تسمى هذه التفاعلات تفاعلات الترتيب الثاني).
في حالة تصميم 2 × 2 × 2 ، يمكن إجراء تفاعلات إضافية من الدرجة الأولى
متغير تجريبي مع متغير تحكم 1 (أو EV × CV 1) ؛
متغير تجريبي مع متغير تحكم 2 (أو EV × CV 2) ؛
متغير التحكم 1 مع متغير التحكم 2 (أو CV1 × CV2) ؛
سيكون ثلاثة تفاعل من الدرجة الثانية أيضًا في التصميم المحدد (يكون بين جميع المتغيرات الثلاثة ، أي EV × CV1 × CV2).
تحديد تفاعلات أخرى من الدرجة الأولى
تحليل تفاعل الدرجة الأولى ، بالطريقة الموضحة أعلاه ، هو في الأساس تحليل عاملي للعينة حيث يتم النظر في متغيرين فقط في كل مرة ويتم تجاهل المتغير المتبقي. لكن تحليل تفاعل الدرجة الثانية لن يتجاهل أحد المتغيرات المستقلة الثلاثة في حالة تصميم 2 × 2 × 2.
يمكن تسمية التحليل بأنه تحليل عاملي معقد.
ومع ذلك ، يمكن أن نتذكر أن التصميم العاملي المعقد لا يحتاج بالضرورة إلى تصميم من النوع 2 × 2 × 2 ، ولكن يمكن تعميمه على أي عدد ومجموعة من المتغيرات المستقلة التجريبية والضابطة. بالطبع، كلما زاد عدد المتغيرات المستقلة المضمنة في تصميم عاملي معقد، ارتفع ترتيب تحليل التفاعل الممكن.
لكن المهمة الإجمالية تستمر في أن تصبح أكثر تعقيدًا مع تضمين المزيد والمزيد من المتغيرات المستقلة في تصميمنا.
تُستخدم التصميمات العاملية بشكل أساسي بسبب ميزتين
(1) أنها توفر دقة مكافئة (كما يحدث في حالة التجارب مع عامل واحد فقط) مع عدد أقل من العمالة وبالتالي فهي مصدر للاقتصاد. باستخدام تصميمات العوامل ، يمكننا تحديد التأثيرات الرئيسية لعوامل (أو متغيرات) (في تصميم عاملي بسيط) أو أكثر (في حالة تصميم عاملي معقد) في تجربة واحدة.
(2) أنها تسمح بمقارنات مختلفة أخرى ذات أهمية. على سبيل المثال، يقدمون معلومات حول هذه الآثار التي لا يمكن الحصول عليها من خلال معالجة عامل واحد في كل مرة. يمكن تحديد تأثيرات التفاعل في حالة التصميمات العوامل.
عودة إلى فهرس مقالات مناهج البحث العلمي
