Bayyinah Health Research Advisory

25/07/2026

🧠 How Likert Scales Fool Researchers

At first glance, a Likert scale looks simple:

1️⃣ 2️⃣ 3️⃣ 4️⃣ 5️⃣

Many researchers see these numbers and immediately treat the responses as continuous data. They calculate the mean, run a statistical test, and assume the analysis is correct.

But numbers do not automatically make a variable continuous.

Imagine one survey statement:

“I am satisfied with the healthcare I received.”

Strongly Disagree → Disagree → Neutral → Agree → Strongly Agree

These responses clearly have an order. However, we cannot automatically assume that the distance between Strongly Disagree and Disagree is exactly the same as the distance between Agree and Strongly Agree.

That is why a single Likert item is generally considered ordinal data.

However, a validated questionnaire may combine several related Likert items into a total or average score. Depending on the scale’s measurement properties, the research question, the score distribution, and the assumptions of the analysis, researchers may sometimes analyse that combined score using methods commonly applied to approximately continuous data.

The important distinction is:

One Likert item is not the same as a validated multi-item Likert score.

💡 Bayyinah Rule

Do not choose your statistical analysis simply because the responses are coded from 1 to 5. First ask what you are analysing: one item, several separate items, or a validated combined score.

Understanding what your variable actually represents is more important than memorising a rule about means, medians, or statistical tests.

Follow Bayyinah Health Research Advisory for practical, evidence-based clinical research education—from research idea to publication.



⸻

🧠 كيف يخدع مقياس ليكرت الباحثين؟

للوهلة الأولى، يبدو مقياس ليكرت بسيطًا:

1️⃣ 2️⃣ 3️⃣ 4️⃣ 5️⃣

يرى كثير من الباحثين هذه الأرقام، فيتعاملون مباشرةً مع الإجابات كأنها بيانات مستمرة. ثم يحسبون المتوسط ويطبقون اختبارًا إحصائيًا ويفترضون أن التحليل صحيح.

لكن وجود الأرقام لا يعني تلقائيًا أن المتغير مستمر.

تخيل أن لديك عبارة واحدة في استبيان:

«أنا راضٍ عن الرعاية الصحية التي تلقيتها.»

غير موافق بشدة ← غير موافق ← محايد ← موافق ← موافق بشدة

هذه الإجابات لها ترتيب واضح. لكن لا يمكننا أن نفترض تلقائيًا أن المسافة بين غير موافق بشدة وغير موافق تساوي تمامًا المسافة بين موافق وموافق بشدة.

لهذا السبب، يُعد سؤال ليكرت الواحد غالبًا بيانات ترتيبية.

لكن قد يجمع الاستبيان المُعتمد عدة أسئلة مترابطة من نوع ليكرت في درجة كلية أو متوسط واحد. وحسب الخصائص القياسية للأداة، وسؤال البحث، وتوزيع الدرجات، وافتراضات التحليل، قد يكون من المناسب أحيانًا تحليل هذه الدرجة المجمعة باستخدام طرق تُستخدم عادةً مع البيانات المستمرة تقريبًا.

والتمييز المهم هنا هو:

سؤال ليكرت الواحد ليس هو نفسه درجة كلية ناتجة عن عدة أسئلة في مقياس مُعتمد.

💡 قاعدة بيّنة

لا تختَر التحليل الإحصائي فقط لأن الإجابات مُرمّزة من 1 إلى 5. اسأل أولًا: هل تحلل سؤالًا واحدًا، أم عدة أسئلة منفصلة، أم درجة كلية لمقياس مُعتمد؟

فهم ما يمثله المتغير فعليًا أهم من حفظ قاعدة عن المتوسط أو الوسيط أو الاختبار الإحصائي.

تابع بيّنة للاستشارات البحثية الصحية للحصول على محتوى عملي مبني على الدليل، يساعدك في رحلتك من فكرة البحث إلى النشر العلمي.

#بيّنة_للاستشارات_البحثية

25/07/2026

🧠 How to Assign Variable Roles Using Causal Reasoning
🧠 كيف تحدد أدوار المتغيرات باستخدام التفكير السببي؟

One of the biggest mistakes in research isn’t collecting the wrong data—it’s assigning the wrong role to the right variable.

من أكثر الأخطاء شيوعًا في البحث العلمي ليس جمع بيانات خاطئة، بل إعطاء المتغير الدور الخاطئ.

Many researchers assign variable roles simply by looking at their spreadsheet. But variable roles should never be determined from the data alone—they should be determined by your research question and your understanding of the causal pathway.

كثير من الباحثين يحددون دور المتغير بمجرد النظر إلى جدول البيانات، لكن الحقيقة أن دور المتغير لا يُحدد من ملف البيانات، وإنما من سؤال البحث وفهم العلاقة السببية بين المتغيرات.

Imagine you’re studying whether regular exercise improves HbA1c in adults with type 2 diabetes.

تخيل أنك تدرس:

هل تؤدي ممارسة الرياضة بانتظام إلى تحسين HbA1c لدى مرضى السكري من النوع الثاني؟

Ask yourself / اسأل نفسك:

🎯 What am I trying to explain or measure? → Outcome
🎯 ما الذي أريد قياسه أو تفسيره؟ → المتغير الناتج (Outcome)

🏃 What may influence that outcome? → Exposure / Intervention
🏃 ما العامل الذي قد يؤثر على النتيجة؟ → التعرض أو التدخل (Exposure / Intervention)

👤 Which variables should I account for? → Covariates & Potential Confounders
👤 ما المتغيرات التي ينبغي أخذها في الاعتبار أثناء التحليل؟ → المتغيرات المصاحبة والعوامل المربكة المحتملة (Covariates & Potential Confounders)

🔗 What may explain how the effect occurs? → Mediator
🔗 ما المتغير الذي قد يفسر كيف حدث التأثير؟ → المتغير الوسيط (Mediator)

⚖️ Could the effect differ between groups? → Effect Modifier
⚖️ هل يمكن أن يختلف تأثير التدخل بين مجموعات مختلفة؟ → معدل التأثير (Effect Modifier)

Here’s the key lesson:

Age, BMI, and HbA1c may all be continuous variables, yet each plays a completely different role in the analysis.

الدرس الأهم:

قد يكون العمر، ومؤشر كتلة الجسم (BMI)، وHbA1c جميعها متغيرات مستمرة (Continuous)، لكن لكل واحد منها دور مختلف تمامًا في الدراسة.

💡 Bayyinah Rule | قاعدة بيّنة

Don’t assign variable roles from your spreadsheet. Assign them using your research question and causal reasoning.

لا تحدد أدوار المتغيرات بالنظر إلى جدول البيانات، بل حددها من سؤال البحث ومنطق العلاقة السببية.

When variable roles are defined correctly, your study design becomes stronger, your statistical analysis becomes more appropriate, and your conclusions become more reliable.

عندما تُحدد أدوار المتغيرات بشكل صحيح، يصبح تصميم الدراسة أكثر قوة، والتحليل الإحصائي أكثر دقة، والنتائج أكثر موثوقية.

Follow Bayyinah Health Research Advisory for practical, evidence-based clinical research education—from research idea to publication.

تابع بيّنة للاستشارات البحثية الصحية للحصول على محتوى عملي مبني على الدليل العلمي يساعدك في رحلتك من فكرة البحث إلى النشر العلمي.

25/07/2026

🧠 How Variable Roles Shape Your Research

Did you know that the same variable can play completely different roles depending on your research question?

That’s why every researcher should distinguish between a variable’s data type and its role in the study.

Imagine you’re studying whether exercise improves diabetes control.

The variables might look like this:

🎯 Outcome → HbA1c (What you’re trying to measure)

🏃 Exposure / Intervention → Exercise programme (What may influence the outcome)

👤 Covariate → Age (Included to improve the analysis)

⚖️ Confounder → BMI (May influence both exercise and HbA1c)

🔗 Mediator → Weight loss (May explain how exercise improves HbA1c)

📊 Effect Modifier → S*x (The effect of exercise may differ between males and females)

Here’s the important lesson:

HbA1c is continuous. Age is continuous. BMI is continuous.

Yet each performs a completely different job in the analysis.

Data type tells you what a variable is.

Variable role tells you what the variable does.

Understanding this distinction is the foundation of study design, statistical analysis, and accurate interpretation of research findings.

💡 Bayyinah Rule

Never assign a variable’s role by looking at your spreadsheet.

Assign its role by answering your research question.

Follow Bayyinah Health Research Advisory for practical, evidence-based research education that helps you move from idea to publication.

24/07/2026

Poor numerical coding can quietly damage an entire dataset.

Recording a numerical variable involves more than entering numbers into Excel, SPSS, Stata, or another data-management system. Every value must have a clear definition, unit, format, and valid range.

For example, recording:

Weight = 180

is unsafe unless you specify whether the value is in kilograms or pounds.

Likewise:

Glucose = 100

cannot be interpreted correctly without knowing whether it is measured in mg/dL or mmol/L, whether it was fasting or random, and when it was measured.

To code numerical data safely:

* Use one consistent measurement unit.
* Keep raw values whenever possible.
* Define acceptable minimum and maximum values.
* Separate genuine zero values from missing data.
* Do not use unexplained codes such as 99, 999, or −1.
* Record the measurement timing when repeated assessments are collected.
* Document every variable in a data dictionary.

Bayyinah rule:
A number without a definition, unit, timing, and valid range is not analysis-ready data.

Safe coding begins before data collection—not when the statistician receives the spreadsheet.

24/07/2026

Is your variable categorical or numerical?

This is one of the first questions you must answer before choosing a graph, summary measure, or statistical test.

Categorical data place participants into groups or categories:

* Blood group
* Diagnosis
* Treatment group
* Disease severity

Numerical data represent quantities that can be measured or counted:

* Age
* Weight
* Blood pressure
* Number of hospital admissions

But be careful: a variable coded with numbers is not automatically numerical. For example, coding blood groups as 1, 2, 3, and 4 only creates numerical labels—the variable remains categorical.

Bayyinah rule:
Do not classify a variable by how it appears in your spreadsheet. Classify it by what its values actually represent.

Correct classification is the foundation for choosing appropriate summaries, visualizations, and statistical analyses.

24/07/2026

📊 What type of data are you working with? / نوع بياناتك شنو؟

Many research projects don’t fail because of statistics—they fail because the wrong data type was identified from the beginning.

كتير من الأبحاث بتقع في أخطاء كبيرة، ما بسبب الإحصاء… لكن لأن الباحث ما حدد نوع البيانات بطريقة صحيحة من البداية.

Can you confidently tell the difference between:
✅ Nominal vs Ordinal?
✅ Continuous vs Discrete?
✅ Binary, Time-to-Event, Repeated Measures, and Derived variables?

هل تقدر تفرق بين:
✅ البيانات الاسمية والترتيبية؟
✅ البيانات المستمرة والمتقطعة؟
✅ البيانات الثنائية، بيانات البقاء (Survival)، القياسات المتكررة، والبيانات المشتقة؟

Choosing the wrong data type can lead to:
❌ Wrong statistical test
❌ Misleading conclusions
❌ Manuscript rejection

اختيار نوع البيانات بطريقة غلط ممكن يؤدي إلى:
❌ اختبار إحصائي غير مناسب
❌ نتائج واستنتاجات مضللة
❌ رفض البحث عند النشر

This infographic gives you the big picture—but the full lecture explains how to identify every data type and how it determines your statistical analysis.

الإنفوجرافيك ده بيديك الصورة العامة، لكن المحاضرة الكاملة حتوريك كيف تحدد نوع أي متغير، وكيف ده بغير اختيار التحليل الإحصائي بالكامل.

🎥 Watch the full lecture on YouTube | شاهد المحاضرة كاملة على يوتيوب
https://youtu.be/oK8Oqf4VaSs

🎙️ Listen on Spotify | استمع عبر Spotify
https://open.spotify.com/episode/3TmG9O9ocFurnFIMrFlvZk?si=H6_0ivgWS7yueDnXLQ8ExQ

📚 Download free worksheets, study resources, and research tools | حمّل الموارد المجانية وأوراق العمل والأدوات البحثية
https://bayyinahresearch.com/resources

💡 Better data understanding → Better analysis → Better research.

الفهم الصحيح للبيانات = تحليل أفضل = بحث أقوى.

#الباحثين

21/07/2026

Bayyinah Bites: Nominal vs Ordinal Data

One of the most common mistakes in clinical research is confusing nominal and ordinal variables. Although both are categorical, they are not the same—and choosing the wrong data type can lead to incorrect statistical analysis.

Here’s a simple rule to remember:

✅ Nominal data = Categories with no natural order
Examples:
• Blood group
• Gender
• Hospital department

✅ Ordinal data = Categories with a meaningful order
Examples:
• Pain severity (Mild → Moderate → Severe)
• Satisfaction level
• Cancer stage

💡 Bayyinah Tip:
Don’t look at the numbers used for coding. Ask yourself:

“Can these categories be arranged in a meaningful order?”

If the answer is yes, it’s ordinal.
If the answer is no, it’s nominal.

Mastering this simple distinction will help you choose the correct statistical tests and avoid one of the most common errors in healthcare research.

Follow Bayyinah Health Research Advisory for practical, evidence-based research education designed for healthcare professionals, researchers, and postgraduate students.

21/07/2026

Continuous or discrete? They’re both numbers—but they behave differently. 📊

In this reel, you’ll learn the difference between continuous and discrete (count) data, see real healthcare examples, and understand why identifying the correct data type is essential before choosing your statistical analysis.

Master the basics, and every step of your research becomes easier.

🎥 Full lecture on YouTube (link in first comment).

🌐 Free research resources:
bayyinahresearch.com/resources

18/07/2026