السببية في البحث: من الارتباط إلى تقدير أثر قابل للتفسير

فكرة النتيجة المضادة

الارتباط ليس أثرًا

التجارب العشوائية

العشوائية ليست دائمًا ممكنة

الالتباس

الضبط الإحصائي وحده لا يكفي

الوسيط وCollider

الترتيب الزمني

السببية العكسية

التحيز في الاختيار

تحيز القياس

الأثر الكلي والأثر المباشر

Intervention وestimand

الأحداث البينية

التصاميم شبه التجريبية

Natural experiments

الجرعة والاستجابة

التكرار والاتساق

المعقولية والآلية

Bradford Hill

قيمة p لا تختبر السببية

حجم الأثر وفاصل الثقة

Negative controls

تحليل الحساسية للمربك غير المقاس

مثال تطبيقي

أخطاء شائعة

قائمة تحقق

الخلاصة

تطبيق عملي وتدقيق المنهج

اربط التعريف بالسؤال والتصميم والقياس والتحليل، ووثق الافتراضات والقرارات وحدود الاستنتاج قبل عرض النتيجة.

قراءة النتيجة وعدم اليقين

اقرأ حجم الأثر وفاصل الثقة والتحيز المحتمل معًا، ولا تختزل قوة الدليل في الدلالة الإحصائية.

فحص التعميم والسياق

قارن مجتمع الدراسة وسياقها بالمجتمع الذي تريد نقل الاستنتاج إليه، وحدد الفروق التي قد تغير الأثر أو القياس.

توثيق القرارات

احتفظ بأثر واضح للتعريفات والاستبعادات والتحويلات والنماذج وأي تغيير حدث بعد بدء التحليل.

النص المرجعي الكامل

ما هي السببية في البحث؟ السببية تعني أن تغيير عامل أو تعرض، ضمن سؤال محدد وسكان وزمن وشروط معينة، يؤدي إلى اختلاف في نتيجة مقارنة بما كان سيحدث تحت بديل آخر. هذا المفهوم أقوى من الارتباط. لا يكفي أن يظهر X قبل Y أو أن تكون العلاقة كبيرة أو دالة إحصائيًا؛ نحتاج مقارنة تدعم تفسير الفرق باعتباره أثرًا للعامل لا نتيجة لمربكات أو اختيار أو قياس أو صدفة. فكرة النتيجة المضادة: السؤال السببي يمكن صياغته على نحو «ماذا كان سيحدث لنفس الوحدة لو تعرضت، مقارنة بما كان سيحدث لو لم تتعرض؟». لا يمكننا رؤية الحالتين للشخص نفسه في اللحظة نفسها، ولذلك نستخدم مجموعات أو تصاميم لبناء مقارنة بديلة. جودة الاستدلال تعتمد على مدى عدالة هذه المقارنة وعلى افتراضات تجعل المجموعة المرصودة تمثل الحالة المضادة غير المرصودة. الارتباط ليس أثرًا: الارتباط يصف حركة مشتركة في البيانات. قد يكون سببه أثر مباشر أو سببية عكسية أو عامل مشترك أو اختيار. لذلك عبارة «X مرتبط بـY» لا تعني أن تغيير X سيغير Y. السؤال التدخلي يحتاج معرفة ماذا يعني تغيير X، وكيف يحدث، وما البديل المقارن. بعض المتغيرات مثل العمر أو الأصل ليست تدخلات بسيطة، ويجب توخي الدقة في نوع السؤال السببي المنسوب إليها. التجارب العشوائية: التخصيص العشوائي أداة قوية للاستدلال السببي لأنه يجعل توزيع العوامل السابقة للتخصيص متوازنًا في التوقع بين المجموعات. إذا حافظ التصميم والتنفيذ والتحليل على هذه المقارنة، يمكن تفسير الفرق كأثر للتخصيص وفق السؤال المحدد. لكن العشوائية لا تحمي من الفقد التفاضلي أو عدم الالتزام أو التلوث أو الانتقاء بعد التخصيص أو أخطاء القياس. العشوائية ليست دائمًا ممكنة: بعض التعرضات لا يمكن أو لا يجوز تخصيصها، مثل أضرار بيئية أو خصائص سابقة. عندها تستخدم تصاميم رصدية وشبه تجريبية. قوة هذه الدراسات لا تأتي من تسمية النموذج «متقدمًا»، بل من استراتيجية تعريف واضحة للأثر وافتراضات يمكن مناقشتها: من يقارن بمن، ولماذا يمكن اعتبار المجموعتين قابلتين للمقارنة بعد ضبط معين أو استغلال تغير خارجي. الالتباس: المربك هو عامل سابق يمكن أن يؤثر في التعرض والنتيجة، فيجعل العلاقة المرصودة مختلفة عن الأثر السببي. مثال: قد يرتبط تلقي علاج مكثف بنتائج أسوأ لأن الأشخاص الأكثر شدة تلقوه. إذا لم تُقَس الشدة جيدًا، قد يُنسب أثر المرض إلى العلاج. تحديد المربكات يجب أن يعتمد على المعرفة السببية والزمن لا على اختبار علاقتها بالنتيجة فقط. الضبط الإحصائي وحده لا يكفي: نموذج انحدار يضم عشرات المتغيرات قد يبقى منحازًا إذا كانت المربكات المهمة غير مقاسة أو مقاسة بخطأ. وقد يصبح أسوأ إذا ضُبطت متغيرات غير مناسبة. لذلك يجب الفصل بين التصميم والتحليل: اختيار المقارنة، تعريف الزمن، جمع متغيرات ملائمة، ثم استخدام النموذج لتقدير السؤال، لا استخدام النموذج كبديل عن منطق سببي. الوسيط وCollider: الوسيط يقع على مسار من التعرض إلى النتيجة؛ ضبطه قد يغير السؤال من الأثر الكلي إلى أثر مباشر. Collider هو متغير يتأثر بسببين، وقد يؤدي اشتراطه أو ضبطه إلى فتح علاقة زائفة بينهما. لذلك «ضبط كل شيء» ليس آمنًا. الرسوم السببية DAG تساعد على جعل الافتراضات صريحة وتحديد مجموعة ضبط، لكنها لا تثبت أن الرسم صحيح. الترتيب الزمني: يجب أن يسبق السبب نتيجته بالنسبة إلى الأثر المدروس. الدراسات المقطعية غالبًا محدودة في هذا الجانب لأن التعرض والنتيجة يقاسان في وقت واحد. الدراسات الطولية تحسن معرفة الترتيب، لكنها لا تزيل الالتباس. كما يجب تعريف الزمن الصفري بحيث تبدأ الأهلية والتعرض والمتابعة بصورة متسقة بين المجموعات. السببية العكسية: قد تبدو النتيجة كأنها أثر بينما هي التي أثرت في التعرض. مثلًا قد يرتبط انخفاض النشاط بسوء الصحة لأن سوء الصحة أدى إلى انخفاض النشاط. استبعاد أحداث مبكرة أو استخدام تعرض سابق أو تصميم طولي قد يساعد في بعض السياقات، لكنه لا يحل المشكلة تلقائيًا. يجب أن يعكس التحليل التسلسل البيولوجي أو السلوكي المعقول. التحيز في الاختيار: اختيار المشاركين أو بقائهم قد يعتمد على التعرض والنتيجة أو أسبابهما. الدراسة داخل فئة منتقاة يمكن أن تنشئ علاقة لم تكن موجودة. هذا مهم في عينات المستشفيات، الناجين، المكملين للدراسة، أو قواعد البيانات المشروطة باستخدام خدمة. تمثيل السكان ليس المشكلة الوحيدة؛ الاختيار قد يهدد حتى المقارنة الداخلية. تحيز القياس: إذا قيس التعرض أو النتيجة بخطأ، قد يتغير تقدير الأثر. الخطأ التفاضلي أخطر عندما تعتمد دقة القياس على المجموعة أو الحالة. مثلًا قد يتذكر الأشخاص ذوو النتيجة تعرضًا سابقًا بطريقة مختلفة. استخدام مصادر قياس مستقلة أو أدوات موثوقة أو تعمية المقيم يقلل بعض المخاطر، لكن يجب دائمًا التفكير في اتجاه الخطأ المحتمل. الأثر الكلي والأثر المباشر: السؤال السببي يحتاج تحديد ما إذا كنا نريد كل المسارات التي يعمل من خلالها التعرض، أم أثرًا لا يمر بوسيط معين. الأثر المباشر يحتاج افتراضات إضافية، وخصوصًا عندما تتأثر المربكات بالتعرض. لا ينبغي ضبط الوسائط ثم تسمية المعامل «أثر العلاج» من دون تحديد نوع الأثر. اللغة يجب أن تتطابق مع estimand. Intervention وestimand: الأثر ليس خاصية واحدة ثابتة. قد نسأل عن أثر التخصيص لاستراتيجية، أثر تلقي العلاج فعليًا، أثر الاستمرار عليه، أو أثر سياسة عرض الخدمة. هذه أسئلة مختلفة. ICH E9(R1) يوضح في التجارب أهمية ربط هدف العلاج بالسكان والمتغير والأحداث البينية وطريقة التعامل معها ومقياس المقارنة. الوضوح نفسه مفيد خارج التجارب. الأحداث البينية: التوقف عن العلاج أو استخدام علاج إنقاذي أو الوفاة قد يحدث بعد التعرض ويؤثر في معنى النتيجة. لا يمكن دائمًا حذف هؤلاء المشاركين؛ ذلك قد يخلق انتقاء. يجب تحديد كيف يدخل الحدث في السؤال: هل نريد أثر الاستراتيجية رغم الحدث، أم سيناريو لم يحدث فيه الحدث، أم نتيجة مركبة؟ كل خيار يعرّف أثرًا مختلفًا. التصاميم شبه التجريبية: الانحدار المتقطع، الفرق في الفروق، المتغيرات الآلية، والسلاسل الزمنية المقطوعة يمكن أن تدعم استدلالًا أقوى عندما تستغل قاعدة أو تغيرًا خارجيًا. لكنها ليست «بدائل سحرية للعشوائية». لكل تصميم افتراضات: استمرارية حول العتبة، اتجاهات متوازية، استبعاد مسارات مباشرة للأداة، أو استقرار الاتجاه قبل التدخل. يجب فحص الافتراضات وتحليل الحساسية. Natural experiments: أحيانًا يخلق قانون أو نظام أو حدث توزيعًا يشبه التجربة. القيمة تأتي من سبب اعتبار التعرض الخارجي غير مرتبط بالعوامل التي تؤثر في النتيجة، لا من كلمة «طبيعي». يجب دراسة آلية التخصيص، إمكان التلاعب، التغيرات المتزامنة، ومن يتأثر بالفعل. التفسير السببي يظل مشروطًا بهذه الحجج. الجرعة والاستجابة: وجود علاقة تتدرج مع الجرعة قد يدعم حجة سببية في بعض السياقات لكنه ليس إثباتًا. المربكات يمكن أن تتدرج أيضًا، والقياس قد يخلق نمطًا. كما أن بعض الآثار لها عتبات أو أشكال غير خطية. يجب نمذجة الجرعة بما يناسب الآلية وعدم اختيار شكل بعد رؤية أفضل نتيجة. التكرار والاتساق: تكرار نتيجة عبر دراسات وسكان وتصاميم مختلفة يزيد الثقة عندما تختلف مصادر التحيز. لكنه لا يصلح تحيزًا منهجيًا مشتركًا إذا كانت كل الدراسات تعتمد على نفس البيانات أو نفس خطأ القياس. كما أن اختلاف النتائج لا ينفي السببية تلقائيًا؛ قد تختلف الآثار فعلًا حسب السكان والجرعة والسياق. المعقولية والآلية: معرفة آلية محتملة تجعل التفسير أكثر اتساقًا، لكنها لا تكفي وحدها. يمكن أن توجد آلية نظرية من دون أن يكون الأثر كبيرًا في الواقع، ويمكن أن يُكتشف أثر قبل فهم الآلية كاملة. الدليل السببي يجمع التصميم والقياس والتوقيت والمقارنة والاتساق مع المعرفة، بدل الاعتماد على معيار واحد. Bradford Hill: اعتبارات هيل مثل الزمن والقوة والتدرج والاتساق والمعقولية صُممت للمساعدة في التفكير وليست قائمة نقاط تثبت السببية. بعض الأسباب الحقيقية لا تحقق «قوة» كبيرة، وبعض العلاقات القوية غير سببية. الزمن ضروري، أما بقية الاعتبارات فتحتاج تفسيرًا سياقيًا. استخدام المعايير كختم آلي يضعف الحجة بدل تقويتها. قيمة p لا تختبر السببية: الاختبار الإحصائي قد يختبر ما إذا كانت البيانات متوافقة مع قيمة معينة تحت نموذج، لكنه لا يختبر صحة الافتراضات السببية غير المقاسة. يمكن الحصول على p صغيرة لعلاقة منحازة جدًا، أو p كبيرة لأثر حقيقي غير دقيق. يجب فصل عدم اليقين العشوائي عن التحيز المنهجي. حجم الأثر وفاصل الثقة: بعد تحديد أثر معقول، يجب عرض مقدار التقدير وعدم اليقين. الأثر الصغير بدقة عالية قد يكون ذا معنى على مستوى السكان، والأثر الكبير مع فاصل واسع قد يكون غير مستقر. لكن فاصل الثقة عادة لا يشمل عدم اليقين من المربكات غير المقاسة أو خطأ النموذج؛ لذلك لا يمثل كل الشك في الحجة السببية. Negative controls: نتائج أو تعرضات ضابطة سلبية يمكن أن تساعد في كشف بعض مسارات التحيز إذا كانت مصممة بحيث لا يُتوقع أثر سببي عليها لكن تشترك في مصادر الالتباس أو القياس. ظهور علاقة معها قد يشير إلى تحيز. غيابها لا يثبت أن الدراسة خالية من التحيز، لأنها تختبر أنواعًا محددة فقط من الأخطاء. تحليل الحساسية للمربك غير المقاس: يمكن تقدير مدى قوة مربك غير مقاس اللازمة لتفسير العلاقة أو فحص سيناريوهات لقوة علاقته بالتعرض والنتيجة. هذه التحليلات تجعل الافتراضات مرئية، لكنها لا تعرفنا بالقيمة الحقيقية للمربك. يجب عرضها كاختبار متانة لا كتصحيح كامل. مثال تطبيقي: إذا ارتبط برنامج اختياري بتحسن نفسي، فالاستنتاج الأول هو علاقة. للحديث عن أثر سببي نحتاج معرفة لماذا اختار بعض الأشخاص البرنامج، ما حالتهم قبل البداية، هل بدأ القياس في الزمن نفسه، ماذا حدث لمن انسحب، وهل تلقوا خدمات أخرى. قد تساعد العشوائية، أو تصميم شبه تجريبي، أو ضبط سببي مدروس، لكن كل نهج يجيب سؤالًا محددًا بافتراضات. أخطاء شائعة: من الأخطاء القول إن «الدراسة طولية إذن سببية»، الاعتماد على p، ضبط كل المتغيرات المتاحة، تجاهل Collider، استخدام متغير لاحق للتعرض كأنه مربك، وصف معامل انحدار بأنه «أثر» بلا تعريف، مساواة التكرار بإثبات، أو استخدام معايير هيل كنظام نقاط. ومن الأخطاء أيضًا تفسير فرق رصدي كبير كدليل أقوى تلقائيًا. قائمة تحقق: حدد التدخل أو التعرض البديل، المجتمع، النتيجة والزمن، ثم ارسم أو صف أسباب التعرض والنتيجة. اسأل كيف بُنيت المقارنة، ما المربكات، ما الذي حدث بعد التعرض، ومن فُقد أو اختير، وكيف قيس كل متغير. حدد estimand، ثم اختر تصميمًا وتحليلًا مناسبين، واعرض تحليلات حساسية وقيودًا تتناسب مع الافتراضات. الخلاصة: السببية ليست صفة يمنحها النموذج للبيانات، بل حجة تربط سؤالًا تدخليًا بمقارنة وتصميم وقياس وافتراضات. التجارب العشوائية قوية عندما تُنفذ وتحلل جيدًا، والتصاميم الرصدية قد تقدم أدلة سببية مهمة عندما تكون استراتيجية التعريف واضحة. في كل الحالات يجب الفصل بين الارتباط والأثر، وجعل الزمن والاختيار والالتباس والأحداث البينية وعدم اليقين جزءًا صريحًا من التفسير. أسئلة تطبيقية متقدمة: عند استخدام هذا المفهوم في بحث فعلي، لا يكفي حفظ التعريف. ابدأ بتحديد السؤال، المجتمع، الزمن، وحدة التحليل، وطريقة القياس قبل اختيار الاختبار أو النموذج. افصل بين ما تصفه البيانات وما يسمح التصميم باستنتاجه، وسجل القرارات التحليلية قبل الاطلاع على النتيجة متى كان التحليل تأكيديًا. راجع القيم المفقودة، جودة القياس، التحيز المحتمل، والافتراضات التي يمكن أن تغير التفسير. اعرض حجم الأثر وعدم اليقين إلى جانب أي اختبار إحصائي، وقارن النتيجة بالسياق والأدلة السابقة بدل التعامل معها كحكم منفصل. هذه الخطوات تجعل المفهوم أداة لاتخاذ قرار بحثي قابل للتتبع، لا مصطلحًا نظريًا فقط. كيف تستخدم الصفحة في مشروع بحثي؟ استخدمها كبطاقة تدقيق في مرحلة البروتوكول ثم عد إليها عند التحليل والكتابة. دوّن تعريف المتغيرات أو الوحدات كما ستظهر في قاعدة البيانات، وحدد مصدر كل قياس، وما إذا كان التوقيت يسمح بالتفسير المقصود، وما التحليلات البديلة المعقولة. إذا تغير تعريف أو استبعاد أو نموذج بعد رؤية البيانات، وثق التغيير وسببه. عند المراجعة النهائية اسأل هل يستطيع قارئ مستقل إعادة بناء المنطق من السؤال إلى البيانات ثم إلى الاستنتاج، وهل بقيت لغة النتيجة ضمن حدود التصميم. قراءة نقدية سريعة: عند قراءة دراسة منشورة، ابحث أولًا عن التعريف التشغيلي لا الاسم المختصر، ثم افحص السكان والزمن وطريقة الاختيار والقياس. اسأل ما المقارنة الفعلية، وما الذي كان يمكن أن ينتج النتيجة نفسها لو لم تكن الفرضية التفسيرية صحيحة. افحص فواصل الثقة والتحليلات الحساسة والتعامل مع البيانات المفقودة، ثم قارن الادعاء في الخلاصة بما تسمح به الطريقة. القراءة بهذه السلسلة تقلل الانبهار بقيمة إحصائية منفردة وتزيد القدرة على تمييز الدليل القابل للاستخدام من النتيجة التي تحتاج تحفظًا. إطار قرار منهجي متكامل: قبل استخدام النتيجة في تقرير أو قرار، أعد بناء سلسلة الاستدلال كاملة. اكتب السؤال بصيغة تحدد السكان أو الوحدات، التعرض أو العامل، النتيجة، المقارنة والزمن. بعد ذلك افحص هل البيانات المتاحة تمثل هذه العناصر فعلًا أم أنها بدائل تقريبية. فرّق بين المتغير الذي جُمعت بياناته مباشرة والمتغير المشتق، وبين القياس الأصلي والتحويلات اللاحقة. راجع سبب اختيار كل متغير في النموذج، وتجنب إضافة متغيرات فقط لأنها متاحة. إذا كان الهدف سببيًا، ارسم منطقًا سببيًا واضحًا يحدد المربكات والوسطاء والمتغيرات التي قد يؤدي ضبطها إلى تحيز. وإذا كان الهدف تنبؤيًا، افصل بيانات التطوير عن التحقق وقيّم الأداء والمعايرة في بيانات لم تستخدم لاختيار النموذج. جودة البيانات قبل النموذج: افحص مصدر البيانات، التغطية، الوحدات المكررة، القيم المستحيلة، القيم المفقودة، تغير أدوات القياس، والفروق في طريقة الجمع بين المجموعات أو الأزمنة. لا تسمح لنموذج متقدم بإخفاء مشكلة تعريف أو قياس. اعرض وصفًا للتوزيع والقيم المتطرفة والنطاقات الفعلية قبل حساب المعاملات. عند وجود عناقيد أو قياسات متكررة، عالج الاعتماد داخل الوحدة بدل افتراض استقلال كل صف. وعند وجود أوزان معاينة أو احتمالات اختيار مختلفة، أدخل تصميم المعاينة في التقدير وعدم اليقين. خطة التحليل والشفافية: حدد التحليل الأساسي والتحليلات الثانوية قبل فحص النتائج متى كان الهدف تأكيديًا. سجل قواعد الاستبعاد، معالجة القيم المفقودة، التحويلات، شكل العلاقة، التفاعلات المخططة، ومقياس الأثر. إذا احتجت إلى تعديل الخطة بعد رؤية البيانات، لا تخف التغيير؛ صنفه كتحليل لاحق واشرح سببه. هذه الشفافية تسمح للقارئ بتمييز الدليل التأكيدي عن الاستكشاف المفيد لتوليد فرضيات جديدة. فحص المتانة: لا يكفي نموذج واحد عندما تعتمد النتيجة على افتراضات قابلة للنقاش. اختبر تعريفات معقولة للمتغيرات، بدائل لمعالجة الفقد، أشكالًا غير خطية عند وجود مبرر، ونماذج حساسية للقرارات المؤثرة. الهدف ليس البحث عن النموذج الذي يعطي النتيجة المرغوبة، بل معرفة ما إذا كان الاستنتاج يبقى متقاربًا عندما تتغير قرارات معقولة. إذا تغير الاتجاه أو الحجم جذريًا، فهذه معلومة يجب أن تظهر في الخلاصة. التفسير والتواصل: ابدأ بحجم الأثر ووحدته وفاصل الثقة، ثم اذكر قيمة الاختبار إذا كانت مفيدة. اشرح ما يعنيه المقدار في السياق بدل استخدام كلمات مثل كبير أو مهم دون معيار. ميّز بين عدم وجود دليل كافٍ وبين دليل على عدم وجود فرق. تجنب تحويل الارتباط إلى سبب، أو نتيجة مجموعة إلى توقع حتمي لفرد. اربط النتيجة بحدود السكان والقياس والزمن والتصميم، واذكر بوضوح ما الذي يحتاج دراسة إضافية. إعادة الإنتاج والتدقيق: احتفظ بقاموس بيانات، نسخة من خطة التحليل، كود أو خطوات قابلة للتكرار، وإصدارات للبيانات المشتقة حيث تسمح الخصوصية. يجب أن يستطيع عضو آخر في الفريق معرفة كيف حُسب كل متغير وكيف وصل الجدول أو الشكل إلى صورته النهائية. سجل البرمجيات والإصدارات والبذور العشوائية عند استخدامها. هذا الأثر التدقيقي يقلل الأخطاء ويجعل المراجعة والتحديث أسهل. متى تحتاج خبيرًا منهجيًا؟ اطلب مراجعة متخصصة عندما يكون التصميم عنقوديًا أو طوليًا مع فقد معقد، عندما توجد تعرضات ومربكات متغيرة عبر الزمن، عند بناء نماذج تنبؤ ستستخدم في قرارات حقيقية، أو عندما يكون حجم العينة صغيرًا نسبة إلى تعقيد النموذج. كذلك تحتاج مراجعة إضافية عندما تكون النتيجة عالية الأثر أو عندما تغير افتراضات بسيطة الاستنتاج. الاستشارة المبكرة قبل جمع البيانات أكثر فائدة من محاولة إصلاح تصميم غير مناسب بعد انتهاء الدراسة. معيار النشر الجيد: الصفحة أو الدراسة الجيدة لا تكتفي بتعريف المصطلح؛ توضح كيف يتصل بالسؤال والقياس والتصميم والتحليل، وتقدم أمثلة وحدودًا وأخطاء شائعة ومراجع يمكن تتبعها. وفي التقرير البحثي يجب أن تتطابق المقدمة والمنهج والنتائج والخلاصة: السؤال المعلن هو الذي حُلّل، والنتيجة الأساسية هي التي أُبلغ عنها، واللغة السببية لا تتجاوز قوة التصميم. إذا تعارضت هذه الأجزاء، فالمشكلة منهجية وليست تحريرية فقط. مراجعة أخيرة قبل اعتماد الاستنتاج: اقرأ السؤال والتعريف التشغيلي والجدول أو الشكل والخلاصة متتابعة، وتأكد أن كل جزء يصف الشيء نفسه. تحقق من المقام والوحدات والفترة الزمنية ومن عدم تسرب معلومات لاحقة إلى متغير يفترض أنه سابق. افحص ما إذا كانت الفئات الصغيرة أو القيم النادرة تقود النتيجة، وهل توجد مقارنة مرجعية مفهومة، وهل يمكن للقارئ معرفة مقدار البيانات التي دخلت كل تحليل. إذا كانت هناك قرارات تحليلية متعددة معقولة، اعرض أثر أهم البدائل بدل إخفائها. وأخيرًا افصل بوضوح بين النتيجة التي تدعمها البيانات، والتفسير المحتمل، والتوصية التي تحتاج حكمًا أو أدلة إضافية. هذا الفصل يحافظ على قيمة البحث ويمنع تضخيم اليقين. تدقيق إضافي للمتانة: قبل الإغلاق، راجع تعريف كل متغير ووحدة قياسه واتجاهه والقيم المرجعية، ثم قارنها بما ورد في البروتوكول أو خطة التحليل. تأكد أن الاستبعادات لا تعتمد على النتيجة بطريقة غير مبررة، وأن الفقد موصوف، وأن التحليل يحترم العناقيد أو القياسات المتكررة. اعرض التحليلات الثانوية بوصفها ثانوية، ولا تجعل نتيجة لاحقة تحل محل السؤال الأساسي دون إفصاح. عندما يكون التعميم هدفًا، اذكر بوضوح من لم يكن ممثلًا في العينة وما الظروف التي قد تحد من نقل النتيجة. هذه المراجعة القصيرة تمنع أخطاء شائعة قد تبقى مخفية رغم صحة الحسابات.