المتغير الخاص بالإصابات أكبر، وكذلك فإنه كلما ازداد اتساع الفروق الفردية في
الذكاء الذي نقيسه ، كان التباين في مقياس نسب الذكاء أكبر.
التباين المشترك Covariation
ومعامل الارتباط Correlation Coefficient
يكون التباين الخاص بمتغير معين أحيانساً مثيراً للاهتمام في حد ذاته . لكن التساؤل الذي كثيراً ما يطرحه باحثو القياس التاريخي تساؤل أعقد . من ، هذا افترض أن لدينا متغيرين، فإلى أي مدى يكون التباين في أحدهما مرتبطاً بالتباين في الآخر؟
لم يذهب العديد من بحوث القياس التاريخي المبكرة إلى ماهو أبعد من القيام بوضع البيانات في شكل كمي. وكان التحليل بعد ذلك مقتصراً على النظر في الجداول والرسوم البيانية والأشكال الموضحة . لكن حتى ذوو الخبرة من الإحصائيين قد لا يكونون قادرين على النظر عبر مجموعة كبيرة من الأعداد، واكتشاف الأنماط الخاصة الموجودة داخل هذه الأعداد فعلاً. إن الكائنات البشرية تعجز عن تحديد ما إذا كانت سلسلة من الأرقام عشوائية أم لا، وقد ترى ترابطات أو دورات قد لا تكون موجودة . والأمر هنا شبيه بما يحدث عندما نكتشف بعض الصور في عشوائية السحب أو بقع الحبر. فنادراً ما يلفت انتظام ما في التاريخ انتباهنا بشكل مباشر. وإذا كان علي القياس التاريخي أن ينجح في استخلاص المبادىء الناموسية، فإن إجراءاتنا الخاصة بتحليل البيانات ينبغي أن تكون في مثل الدقة البالغة التي تكون
عليها أساليبنا الأخرى التي نستخدمها في تحويل البيانات إلى أرقام كمية .
والسؤال الهام هنا هو كيف نقوم بتقدير «التباين المشترك» بين متغيرين عبر عينة من وحدات التحليل ؟ إن الأسلوب الإحصائي الذي يستخدم بطريقة متكررة والذي ابتکره کارل بیرسُن K.Pearson هو معامل الارتباط المستقيم * Product-moment Correlation أو ما يسمى أحياناً معامل ارتباط بيرسُن (ر) . ويتراوح هذا المعامل ما بين - ١ إلى + ۱ حيث الإشارة ) - ( السالبة تعني علاقة سالبة بين متغيرين
.
هذه هي الترجمة العربية الشائعة - وليست الحرفية - للمصطلح (المترجم).
ص ٣٠