📌 ثريد
من اكثر المشاكل شيوعاً في الابحاث وغالبا مايقع فيه الباحثون اثناء تحليل دراستهم واستخلاص النتائج
المتغير المُربك confounder
المتغير المؤثر effect modifier/intermediate
من اكثر المشاكل شيوعاً في الابحاث وغالبا مايقع فيه الباحثون اثناء تحليل دراستهم واستخلاص النتائج
المتغير المُربك confounder
المتغير المؤثر effect modifier/intermediate
في البداية خلونا نتفق على مصطلحات احصائيه مترادفه🤝🏼💯
المتغير التابع dependent 🐑 هو ال outcome سواء مرض معين، درجة اختبار، فعالية دواء، الخ ويعتمد على العامل اللي انت فارض انه مرتبط في ال outcome، واسمه المتغير المستقل 👸🏻 independent مثل العامل الممرض exposure ، العمر، الخ
المتغير التابع dependent 🐑 هو ال outcome سواء مرض معين، درجة اختبار، فعالية دواء، الخ ويعتمد على العامل اللي انت فارض انه مرتبط في ال outcome، واسمه المتغير المستقل 👸🏻 independent مثل العامل الممرض exposure ، العمر، الخ
نبدأ بمثال ظريف 🤡
دراسة في استراليا استنتجت ان نسبة استهلاك/ مبيعات الايسكريم🍦تزداد بزيادة هجوم اسماك القرش 🦈
وفعلاً حسبوا الارتباط correlation بين مبيعات الايسكريم وعدد هجمات سمك القرش واثبتوا انها correlated بنسبة 92%
واضافوا هذا الرسم البياني 👇🏻📈
دراسة في استراليا استنتجت ان نسبة استهلاك/ مبيعات الايسكريم🍦تزداد بزيادة هجوم اسماك القرش 🦈
وفعلاً حسبوا الارتباط correlation بين مبيعات الايسكريم وعدد هجمات سمك القرش واثبتوا انها correlated بنسبة 92%
واضافوا هذا الرسم البياني 👇🏻📈
الدراسه غير صحيحة❌؛ السبب اهمال الباحثين للعوامل الاخرى اللي ممكن انها اثرت على زيادة مبيعات الايسكريم وبرضه زيادة هجوم اسماك القرش
درجة الحراره (الصيف) ☀️هي ال confounder
وذلك لانها مرتبطه باستهلاك الايسكريم وايضا مرتبطة بالسباحة في فصل الصيف بالتالي زيادة هجوم اسماك القرش🌡
درجة الحراره (الصيف) ☀️هي ال confounder
وذلك لانها مرتبطه باستهلاك الايسكريم وايضا مرتبطة بالسباحة في فصل الصيف بالتالي زيادة هجوم اسماك القرش🌡
في المثال السابق درجة حرارة الصيف كانت confounder؛ اش يعني؟
ال confounder يعني المتغير المربك؛ وله مرادفات مثل:
المحير
المتغير الثالث third variable
وسبب تسميته بالمتغير المربك او المحير انه يؤثر على المتغير التابع والمستقل ويؤدي الى استنتاج "ارتباط زائف" Spurious correlation
ال confounder يعني المتغير المربك؛ وله مرادفات مثل:
المحير
المتغير الثالث third variable
وسبب تسميته بالمتغير المربك او المحير انه يؤثر على المتغير التابع والمستقل ويؤدي الى استنتاج "ارتباط زائف" Spurious correlation
📎
عدم التمكن من التحكم في المتغير المربك يؤدي الى قيام الباحث بتحليل النتائج بشكل غير صحيح
قبل البدء في البحث:
من المهم ان يتم تصميم التجربة بشكل صحيح؛ وذلك بمراعاة المتغيرات المربكة، استبعاد eliminate او السيطرة control على اي عوامل اخرى لتجنب الوقوع في الارتباط الزائف
عدم التمكن من التحكم في المتغير المربك يؤدي الى قيام الباحث بتحليل النتائج بشكل غير صحيح
قبل البدء في البحث:
من المهم ان يتم تصميم التجربة بشكل صحيح؛ وذلك بمراعاة المتغيرات المربكة، استبعاد eliminate او السيطرة control على اي عوامل اخرى لتجنب الوقوع في الارتباط الزائف
📎
مثال2: صممت مجموعه بحثيه دراسة لتحديد ما إذا كان المدخنون يتعرضون لازمات قلبيه👦🏻
قاموا بجمع البيانات وتحليلها📈ووجدوا بالفعل أن المدخنين من المرجح أن يتعرضوا لازمة قلبيه
لكن🆘
قام الباحثون ايضاً بجمع البيانات من أقرانهم الغير مدخنين، واستنتجوا ايضا انهم يتعرضوا لازمة قلبيه⁉️
مثال2: صممت مجموعه بحثيه دراسة لتحديد ما إذا كان المدخنون يتعرضون لازمات قلبيه👦🏻
قاموا بجمع البيانات وتحليلها📈ووجدوا بالفعل أن المدخنين من المرجح أن يتعرضوا لازمة قلبيه
لكن🆘
قام الباحثون ايضاً بجمع البيانات من أقرانهم الغير مدخنين، واستنتجوا ايضا انهم يتعرضوا لازمة قلبيه⁉️
📎
التصميم الدراسي فشل في مراعاة المتغيرات المربكة⛔️ بمعنى؛ هناك عامل ثالث مرتبط بالعامل المستقل والمتغير وهو القهوه☕️
القهوه مرتبطه بالتدخين وايضا بامراض القلب🫀
في حال لم يكونو الباحثين على دراية بهذا وافترضوا ان التدخين مرتبط بامراض القلب، فانهم وقعوا في فخ الارتباط الزائف🧨
التصميم الدراسي فشل في مراعاة المتغيرات المربكة⛔️ بمعنى؛ هناك عامل ثالث مرتبط بالعامل المستقل والمتغير وهو القهوه☕️
القهوه مرتبطه بالتدخين وايضا بامراض القلب🫀
في حال لم يكونو الباحثين على دراية بهذا وافترضوا ان التدخين مرتبط بامراض القلب، فانهم وقعوا في فخ الارتباط الزائف🧨
📎
بدون التحكم في المتغيرات المربكة المحتملة ، يتم تقويض الصلاحية الداخلية للتجربة internal validity🏹
لذلك يجب التحكم بالمتغيرات المربكة حتى يتم الحصول على نتيجة أكثر دقة لتقدير العلاقة الحقيقية بين العاملين📐
rule of thumb:
عادة يتم اعتبار العمر والجنس متغيرات محتملة🧮
بدون التحكم في المتغيرات المربكة المحتملة ، يتم تقويض الصلاحية الداخلية للتجربة internal validity🏹
لذلك يجب التحكم بالمتغيرات المربكة حتى يتم الحصول على نتيجة أكثر دقة لتقدير العلاقة الحقيقية بين العاملين📐
rule of thumb:
عادة يتم اعتبار العمر والجنس متغيرات محتملة🧮
قبل الشروع في الدراسه، وخلال مرحلة تصميم الدراسه، كيف نتحكم/نقلل من تأثير المتغيرات المربكة؟
طرق التحكم في المتغيرات المربكة عديدة وتعتمد بشكل كبير على السؤال البحثي/مرحلة البحث/ نوع البيانات/ الخ.
راح اتطرق اليوم الى طريقتين (التقييد Restriction والمطابقه Matching)
طرق التحكم في المتغيرات المربكة عديدة وتعتمد بشكل كبير على السؤال البحثي/مرحلة البحث/ نوع البيانات/ الخ.
راح اتطرق اليوم الى طريقتين (التقييد Restriction والمطابقه Matching)
طريقة ال Restriction التقييد 🔍
في هذه الطريقة، نقيد مجموعة العلاج من خلال تضمين الافراد اللي لهم نفس القيم للمتغيرات المربكة المحتملة فقط📝
بما ان هذه القيم ما تختلف بين افراد المجموعه، فلايمكن انها تؤثر بالمتغير المستقل outcome ، وبالتالي راح نتجنب فخ الارتباط الزائف🧨
في هذه الطريقة، نقيد مجموعة العلاج من خلال تضمين الافراد اللي لهم نفس القيم للمتغيرات المربكة المحتملة فقط📝
بما ان هذه القيم ما تختلف بين افراد المجموعه، فلايمكن انها تؤثر بالمتغير المستقل outcome ، وبالتالي راح نتجنب فخ الارتباط الزائف🧨
مثال
خل نفترض اننا بندرس اذا نظام ال low carbs يسبب فقدان الوزن
راح نقيد المتغيرات المربكة اللي ممكن تسبب فقدان الوزن، مثل العمر، الجنس، المستوى الرياضي🗂
الان مجموعتنا مقتصره على؛ اناث؛ اقل من 45 سنه؛ ويمارسون رياضه بمعدل 150-200 د/اسبوع🏃🏻♀️
ضمنا الافراد اللي لهم نفس القيم✅
خل نفترض اننا بندرس اذا نظام ال low carbs يسبب فقدان الوزن
راح نقيد المتغيرات المربكة اللي ممكن تسبب فقدان الوزن، مثل العمر، الجنس، المستوى الرياضي🗂
الان مجموعتنا مقتصره على؛ اناث؛ اقل من 45 سنه؛ ويمارسون رياضه بمعدل 150-200 د/اسبوع🏃🏻♀️
ضمنا الافراد اللي لهم نفس القيم✅
📎
طريقة ال Matching المطابقة📠
هنا نختار مجموعة مقارنة مطابقة لمجموعة العلاج 👥
بمعنى؛ لكل عضو في مجموعة المقارنة نظير في مجموعة العلاج بنفس قيم عوامل الإرباك المحتملة ولكن قيم متغيرة مستقلة مختلفة
حتى نتأكد ان اختلاف النتائج بين المجموعتين مو بسبب العوامل المربكة✅
طريقة ال Matching المطابقة📠
هنا نختار مجموعة مقارنة مطابقة لمجموعة العلاج 👥
بمعنى؛ لكل عضو في مجموعة المقارنة نظير في مجموعة العلاج بنفس قيم عوامل الإرباك المحتملة ولكن قيم متغيرة مستقلة مختلفة
حتى نتأكد ان اختلاف النتائج بين المجموعتين مو بسبب العوامل المربكة✅
📎
مثال على المطابقه/Matching
نفس مثال التقييد (low carbs)؛ نطابق المشاركين في المجموعتين حسب العمر، الجنس، مستوى الرياضه
بمعنى؛ نقدر ندخل كل الفئات العمريه؛ ذكور او اناث؛ لا/يمارسون الرياضه شريطة ان لكل شخص، شخص مطابق له في المجموعه الاخرى ويكون الاختلاف فقط في العامل المستقل
مثال على المطابقه/Matching
نفس مثال التقييد (low carbs)؛ نطابق المشاركين في المجموعتين حسب العمر، الجنس، مستوى الرياضه
بمعنى؛ نقدر ندخل كل الفئات العمريه؛ ذكور او اناث؛ لا/يمارسون الرياضه شريطة ان لكل شخص، شخص مطابق له في المجموعه الاخرى ويكون الاختلاف فقط في العامل المستقل
الخلاصه:
نعرف المتغير المربك على انه عامل ثالث له علاقة بالمتغير المستقل exposure وايضا له علاقه بالمتغير التابع outcome ولايكون في مسار السببيه بينهم causality pathway؛ اي يكون مستقل بحد ذاته ولايكون نتيجة لاحد المتغيرات
نعرف المتغير المربك على انه عامل ثالث له علاقة بالمتغير المستقل exposure وايضا له علاقه بالمتغير التابع outcome ولايكون في مسار السببيه بينهم causality pathway؛ اي يكون مستقل بحد ذاته ولايكون نتيجة لاحد المتغيرات
امثله اضافيه:
مثال1:
وجود علاقة بين التصويت ومعدل الوفيات
ال confounder هنا كان الطبقة الاجتماعيه! وكانت لها علاقة بالاثنين (التصويت والوفاة) لأن اكثر العاملين في هذي الدراسه من طبقة اجتماعيه متدنيه هم اكثر من شاركوا بالتصويت، وبرضه بالطبيعه mortality عندهم اعلى
مثال1:
وجود علاقة بين التصويت ومعدل الوفيات
ال confounder هنا كان الطبقة الاجتماعيه! وكانت لها علاقة بالاثنين (التصويت والوفاة) لأن اكثر العاملين في هذي الدراسه من طبقة اجتماعيه متدنيه هم اكثر من شاركوا بالتصويت، وبرضه بالطبيعه mortality عندهم اعلى
الثريد مره مليان
ما راح اقدر اضيف الجزئيه الثانيه interaction / effect modification هنا
فبخليها في ثريد لحالها
Stay tuned😏
ما راح اقدر اضيف الجزئيه الثانيه interaction / effect modification هنا
فبخليها في ثريد لحالها
Stay tuned😏
جاري تحميل الاقتراحات...