مقدمه

در بسیاری از حوزه‌های علمی مانند روانشناسی، مدیریت، علوم تربیتی، سلامت، علوم اجتماعی و حتی مهندسی عوامل انسانی، مقیاس لیکرت به عنوان یکی از پرکاربردترین ابزارها برای سنجش نگرش‌ها، ادراکات و باورها مورد استفاده قرار می‌گیرد. این مقیاس، داده‌هایی از نوع ترتیبی (Ordinal) تولید می‌کند؛ به عنوان مثال، از «کاملاً مخالفم» تا «کاملاً موافقم» در یک طیف ۵ یا ۷ گزینه ای. با این حال، خطایی آماری به‌صورت گسترده در تحلیل این داده‌ها رایج است: استفاده نادرست از همبستگی پیرسون (Pearson Correlation)  که مختص داده‌های پیوسته و نرمال است.

در این مقاله، با رویکردی بین‌رشته‌ای به نقد این خطا پرداخته و استفاده از همبستگی پلی‌کوریک (Polychoric Correlation)  را به عنوان روشی صحیح و جایگزین پیشنهاد می‌کنیم.

چرا همبستگی پیرسون برای مقیاس‌های لیکرت مناسب نیست؟

1. فرض نادرست پیوستگی و فواصل برابر:
   همبستگی پیرسون فرض می‌کند داده‌ها فاصله‌ای یا نسبی هستند و فواصل میان مقادیر برابر است. اما در مقیاس لیکرت، این فرض درست نیست؛ زیرا مشخص نیست فاصله روان‌شناختی بین «موافقم» و «کاملاً موافقم» برابر با فاصله میان «بی‌نظرم» و «مخالفم» باشد.
2. کاهش دقت و قدرت آماری:
   تحلیل داده‌های ترتیبی با همبستگی پیرسون منجر به کاهش واریانس و احتمال کشف همبستگی‌های واقعی می‌شود. این موضوع قدرت آزمون را کاهش داده و برآورد همبستگی را کمتر از مقدار واقعی نشان می‌دهد.
3. وابستگی شدید به توزیع نرمال و تعداد سطوح:
   حتی در مقیاس‌های ۷ یا ۹ گزینه ای، داده‌های لیکرت اغلب نرمال نیستند. بنابراین، استفاده از روش‌های مبتنی بر توزیع نرمال می‌تواند منجر به خطای نوع دوم (نادیده گرفتن اثر واقعی) یا نوع اول (یافتن رابطه‌ای که وجود ندارد) شود.
4. تأثیر منفی بر تحلیل‌های پیشرفته:
   روش‌هایی چون تحلیل عاملی اکتشافی (EFA)، تحلیل عاملی تأییدی (CFA)، مدل‌سازی معادلات ساختاری (SEM) و مدل‌سازی مسیر، زمانی که بر مبنای ماتریس‌های همبستگی پیرسون انجام شوند، در تحلیل داده‌های لیکرتی دچار سوگیری می‌شوند.

همبستگی پلی‌کوریک: رویکردی اصولی برای داده‌های ترتیبی

همبستگی پلی‌کوریک برای برآورد همبستگی بین دو متغیر ترتیبی طراحی شده که فرض می‌شود از متغیرهای پنهان پیوسته و نرمال منشأ گرفته‌اند. این روش، مدل‌سازی داده‌ها را براساس واقعیت روان‌سنجی آن‌ها انجام می‌دهد.

مزایای استفاده از همبستگی پلی‌کوریک:

• احترام به ماهیت ترتیبی داده‌ها: بدون تحریف فواصل و سطح سنجش.
• برآورد دقیق‌تر: در سنجش ارتباط بین متغیرها به‌ویژه در مقیاس‌های ۳ تا ۷ گزینه ای.
• افزایش اعتبار تحلیل عاملی: به‌ویژه در مدل‌سازی ساختاری، اندازه‌گیری سازه‌های نهفته، و بررسی روایی سازه.
• کاهش خطر نتایج گمراه‌کننده: در پژوهش‌های علوم انسانی، سلامت، آموزش، مدیریت، منابع انسانی و غیره.

محاسبه همبستگی پلی‌کوریک: ابزارهای در دسترس

با وجود پیچیدگی محاسباتی این روش، استفاده از آن در بسیاری از نرم‌افزارهای آماری به‌سادگی امکان‌پذیر شده است:

• R: بسته‌های psych, polycor  و lavaan
• Mplus : به‌طور پیش‌فرض در تحلیل داده‌های ترتیبی
• SPSS : با افزونه‌ها یا سینتکس‌های خاص
• Jamovi  و JASP: نرم‌افزارهای رایگان و کاربرپسند

کاربردهای بین‌رشته‌ای

• در روانشناسی برای سنجش ویژگی‌های شخصیتی یا رضایت.
• در علوم تربیتی برای تحلیل پرسش‌نامه‌های نگرشی دانش‌آموزان و معلمان.
• در مدیریت برای بررسی رضایت شغلی، تعهد سازمانی یا رفتار مشتری.
• در سلامت عمومی برای تحلیل پرسش‌نامه‌های کیفیت زندگی یا نگرش به واکسن.
• در مهندسی انسانی برای تحلیل نظرات کاربران در طراحی کاربر-محور.

مواردی که باید حتماً از همبستگی پلی‌کوریک استفاده شود:

1)  تحقیقات با تحلیل عاملی اکتشافی (EFA) یا تأییدی (CFA) بر پایه مقیاس‌های لیکرت

• مثلاً هنگام ساخت یا اعتبارسنجی پرسشنامه‌هایی که آیتم‌ها به صورت "کاملاً مخالفم تا کاملاً موافقم" هستند.
• در این حالت، استفاده از همبستگی پیرسون ممکن است ساختار عاملی واقعی را مخدوش کند.

2)  تحقیقات با مدل‌سازی معادلات ساختاری (SEM)

• اگر متغیرهای مشاهده‌شده از نوع ترتیبی باشند (نه پیوسته)، ماتریس همبستگی ورودی باید پلی‌کوریک باشد.
• مثلاً در تحقیقاتی که قصد بررسی اثرات متغیرهای پنهان روانشناختی (مثلاً رضایت، انگیزش) با آیتم‌های لیکرتی دارند.

3)  تحقیقات روان‌سنجی یا ساخت آزمون (Test Construction)

• ساخت و تحلیل مقیاس‌های اندازه‌گیری صفات روانی مانند اضطراب، خودکارآمدی، یا افسردگی.
• این ابزارها معمولاً شامل آیتم‌های ترتیبی هستند که نیازمند تحلیل دقیق همبستگی‌های بین آیتم‌ها با پلی‌کوریک‌اند.

4) تحلیل خوشه‌ای یا تحلیل تمایز (Discriminant Analysis) با متغیرهای ترتیبی

• اگر از داده‌های لیکرتی در طبقه‌بندی یا خوشه‌بندی استفاده می‌شود، همبستگی‌های پایه باید پلی‌کوریک باشد.

❌  مواردی که لزومی ندارد از همبستگی پلی‌کوریک استفاده شود:

• اگر داده‌ها پیوسته واقعی باشند (مثلاً نمرات آزمون، درآمد، قد).
• اگر از روش‌هایی استفاده می‌کنید که فرض ترتیبی بودن داده‌ها را نادیده می‌گیرند و هدف توصیفی است (مثلاً آمار توصیفی ساده).
• اگر مقیاس لیکرت فقط به صورت ترکیب‌شده (مثلاً امتیاز کل یا میانگین مقیاس‌ها) استفاده شده و نه تحلیل ساختاری.

نکته: با توجه به این که داده های حاصل از مقیاس لیکرت در طیف 5 گزینه و بیشتر، به رفتار مقیاس فاصله ای نزدیک می شوند، استفاده از ضریب همبستگی پیرسون در بسیاری از مطالعات کاربردی با اغماض پذیرفته شده است. با این حال در مطالعاتی که دقت اندازه گیری اهمیت دارد، استفاده از همبستگی پلی کوریک توصیه می شود و در کل این یک تقریب است نه یک اصل قطعی و دقیق. 

نتیجه‌گیری

استفاده از همبستگی پیرسون در تحلیل داده‌های مقیاس لیکرتی، اگرچه رایج است، اما با واقعیت آماری و روان‌سنجی این داده‌ها هم‌خوانی ندارد. همبستگی پلی‌کوریک راهکاری علمی و دقیق برای تحلیل صحیح این نوع داده‌هاست که می‌تواند موجب افزایش اعتبار و قدرت تبیینی پژوهش‌های بین‌رشته‌ای شود.

به پژوهشگران توصیه می‌شود تا با آشنایی بیشتر با مفاهیم سطح سنجش و روش‌های مناسب تحلیل، انتخاب‌های آماری خود را به دقت بازنگری کنند. آموزش صحیح در دانشگاه‌ها، بازبینی مقالات توسط داوران آگاه، و به‌روزرسانی دستورالعمل‌های پژوهشی می‌تواند گامی مؤثر در ارتقای کیفیت پژوهش‌های مبتنی بر داده‌های ترتیبی باشد.