تاو كيندال مقابل رو سبيرمان
تمت المراجعة العلمية · د. مروة عبد العظيم · 16 نوفمبر، 2026
معايير التدقيق والاعتماد السريري
يخضع هذا المحتوى لمعايير ضبط الجودة والتدقيق العلمي والأكاديمي الصارمة في شبكة علم النفس العربي، لضمان صحة المعلومات ودقتها السريرية ومطابقتها لأحدث الأدلة والبراهين الصادرة عن الجمعيات النفسية والطبية المعتمدة (APA / WHO).
تُمثّل دراسة العلاقات الاقترانية بين المتغيرات حجر الزاوية في الإحصاء الاستدلالي والتحليلي؛ حيث يسعى الباحثون عبر مختلف الحقول المعرفية—من العلوم النفسية والسلوكية إلى القياسات الحيوية والبيانات الضخمة—إلى فهم الكيفية التي يتغير بها متغير تِبعاً لتغير متغير آخر. وإذا كان معامل ارتباط بيرسون الخطي قد هيمن لعقود طويلة بوصفه الأداة القياسية في فحص العلاقات الخطية بين المتغيرات المتصلة، فإن ارتهانه بافتراضات تقييدية صارمة—أبرزها افتراض التوزيع الطبيعي ثنائي المتغير، وغياب القيم المتطرفة، وخطية العلاقة—جعل استخدامه متعذراً بل ومضللاً في كثير من الظواهر الواقعية التي تنتهك هذه الشروط المسبقة.
من هذا المنطلق، برزت مقاييس الارتباط اللامعلمية أو الرتبية كبدائل منهجية متقدمة تتمتع بالمتانة الإحصائية والقدرة على استكشاف العلاقات غير الخطية، وتحديداً ما يُعرف بالعلاقات الرتيبة (Monotonic Relationships). وفي هذا الفضاء التحليلي، يستأثر مقياسان رئيسيان بجل الاهتمام النظري والتطبيقي: معامل ارتباط الرتب لسبيرمان (Spearman’s Rho) ومعامل ارتباط تاو لكيندال (Kendall’s Tau). وعلى الرغم من اشتراكهما في الهدف الغائي، وهو قياس اتجاه وقوة الارتباط الرتبي بين المتغيرات، إلا أن كلاً منهما ينبثق من فلسفة رياضية مغايرة، وينتهج أسلوباً بنيوياً مستقلاً في معالجة الرتب وتحليل الأزواج التوافقية.
يتناول هذا المرجع المقارن الشامل تحليلاً نقدياً وتفصيلياً لكلا المعاملين؛ حيث نستعرض الأسس الرياضية والخوارزمية الكامنة وراء كل مقياس، ونفكك الجدل الإحصائي التاريخي والحديث حول أسبقية أحدهما على الآخر في معالجة العينات الصغيرة، والتعامل مع الرتب المتكافئة (Tied Ranks)، فضلاً عن السلوك التقاربي تحت التوزيعات المختلفة. ويهدف هذا العمل إلى تزويد الباحثين والأكاديميين ومحللي البيانات بدليل معياري يوجه قراراتهم الإحصائية بدقة ومنهجية رصينة بعيداً عن الاستخدامات النمطية غير المبررة.
1. المقدمة: مدخل إلى مقاييس الارتباط اللامعلمية
1.1 تعريف عام بمعاملي الارتباط الرتبي
يُعرَّف الارتباط اللامعلمي (Non-parametric correlation) في الأدبيات الإحصائية بأنه قياس درجة الاقتران الإحصائي بين متغيرين دون فرض أية قيود مسبقة على طبيعة التوزيع الاحتمالي الأصلي للبيانات (Distribution-free methods). وتتخذ مقاييس الارتباط اللامعلمية من “الرتب” (Ranks) مادة خاماً للتحليل بدلاً من القيم العددية المباشرة؛ مما يجعلها منيعة ضد التشوهات الناتجة عن الالتواء (Skewness) أو التفرطح (Kurtosis) في التوزيعات، علاوة على توفيرها حلاً مثالياً للبيانات التي تُقاس على مستويات ترتيبية (Ordinal scales).
يرجع الفضل في تأسيس هذا المنحى إلى عالم النفس الإحصائي البريطاني تشارلز سبيرمان (Charles Spearman)، الذي نشر في عام 1904 ورقته البحثية المفصلية بعنوان “The Proof and Measurement of Association between Two Things” في المجلة الأمريكية لعلم النفس (The American Journal of Psychology). انبثقت فكرة سبيرمان من سعيه لقياس كفاءة السمات والقدرات العقلية لدى الأفراد بعيداً عن افتراضات الخطية والاعتدالية؛ حيث اقترح تحويل المشاهدات إلى رتب ثم تطبيق خوارزمية الارتباط الكلاسيكية على تلك الرتب المستحدثة، مستعيناً بمصطلح معامل ارتباط الرتب الذي أصبح يُعرف عالمياً بـ $rho$ (رو).
في المقابل، وبعد مرور أكثر من ثلاثة عقود، قدم عالم الإحصاء البريطاني موريس كيندال (Maurice G. Kendall) في عام 1938 ابتكاراً رياضياً مغايراً تماماً عبر بحثه المنشور في مجلة بيومتريكا (Biometrika) تحت عنوان “A New Measure of Rank Correlation”. لم ينظر كيندال إلى الرتب كمجرد درجات عددية بديلة لبيانات متصلة، بل صاغ معامل $tau$ (تاو) استناداً إلى المنطق الاحتمالي والتوافقي لفحص جميع التباديل والاقترانات الممكنة بين أزواج المشاهدات. وقد استند كيندال جزئياً إلى أسس مفاهيمية وضعها مبكراً غوستاف فيشنر (Gustav Fechner) عام 1897 وريتشارد غراينر (Richard Greiner) عام 1909، قبل أن يرسخ كيندال نظريته بصورة مكتملة في كتابه المرجعي الشهير Rank Correlation Methods الصادر عام 1948.
يشترك المعاملان في غاية منهجية موحدة تتمثل في اختبار وتكميم “الرتابة” (Monotonicity)؛ فالعلاقة الرتيبة هي العلاقة التي يتحرك فيها المتغيران في اتجاه واحد بصورة مستمرة دون اشتراط أن يكون معدل التغير ثابتاً كما هو الحال في العلاقة الخطية الصارمة. فإذا تزايدت قيم المتغير التابع باطراد مع تزايد قيم المتغير المستقل، صُنفت العلاقة على أنها رتيبة طردية؛ وإذا تناقصت باطراد، صُنفت كعلاقة رتيبة عكسية. ويُعد هذا الفحص بالغ الأهمية في البحوث السلوكية والاجتماعية التي تعتمد على مقاييس الرأي والاستبانات؛ حيث تشيع العلاقات المنحنية الرتيبة التي يعجز معامل بيرسون عن رصد قوتها الحقيقية.
1.2 دواعي المقارنة والخلط الشائع بين المقياسين
ينشأ الخلط الشائع بين معامل رو سبيرمان ومعامل تاو كيندال في أوساط الباحثين من التماثل الظاهري الكبير في واجهة النتائج المخرجة لكلا المعاملين؛ إذ يتطابق كلاهما في النطاق الرياضي المغلق الممتد من -1 إلى +1 مروراً بالصفر (Zero correlation). وفي كلا المقياسين، تدل القيمة +1 على تطابق تام ورتيب في الاتجاه الطردي، في حين تدل القيمة -1 على تعاكس ترتيبي تام في الاتجاه السلبي، بينما تشير القيمة 0 إلى غياب تام لأي اقتران رتبي بين المتغيرين.
يتعزز هذا اللبس المنهجي بتطابق طبيعة البيانات المدخلة؛ فكلا المعاملين يقبل المتغيرات المقاسة وفق السلالم الترتيبية (Ordinal Variables) أو المتغيرات الكمية المستمرة (Continuous Variables) التي تم تحويلها إلى رتب متسلسلة. ويُضاف إلى ذلك أن معظم الحزم والبرمجيات الإحصائية الذائعة—مثل SPSS، وR، ولغة بايثون عبر مكتبة SciPy—تضع هذين المعاملين جنباً إلى جنب كخيارات فرعية للارتباط اللامعلمي، مما يغري العديد من الباحثين بالتعامل معهما كبديلين متطابقين وظيفياً يمكن استخدام أحدهما عشوائياً دون تمييز تحليلي واحتساب النتائج ذاتها.
إلا أن الفحص الإحصائي المعمق يكشف عن تباين جذري في المقاصد والمعايير؛ فالقيمة العددية لمعامل كيندال لنفس مجموعة البيانات تكون بصورة شبه دائمة أقل من القيمة المقابلة لمعامل سبيرمان، مع فارق نمطي يصل في المتوسط إلى ما يقرب من الثلثين ($\tau \approx \frac{2}{3}\rho$). هذا التفاوت العددي يثير حيرة المحللين عند مقارنة مستويات التأثير (Effect sizes). وعلاوة على ذلك، يجهل قطاع عريض من الباحثين التمايزات الجوهرية في استجابة المقياسين للعينات المحدودة (Small sample sizes)، وللرتب المتعادلة المتكررة الناتجة عن تدريجات ليكرت، وللخطأ المعياري التوزيعي، وهو ما يجعل مسألة الاختيار بينهما قراراً إحصائياً دقيقاً يتطلب وعياً نظرياً عميقاً بأسس كل منهما.
2. نظرة شاملة على معامل ارتباط تاو كيندال (Kendall’s Tau)
2.1 الأساس النظري وآلية الحساب
ينبني معامل ارتباط تاو كيندال على منطق احتمالي خالص يتجاوز المقاربات الانحدارية التباينية، مرتكزاً على تحليل الطبيعة النسبية للأزواج المزدوجة من المشاهدات. لنفترض وجود عينة ثنائية المتغير تتألف من $n$ من المشاهدات: $(X_1, Y_1), (X_2, Y_2), dots, (X_n, Y_n)$. إن الخطوة التحليلية الأولى لدى كيندال تتمثل في تكوين كافة الأزواج الفريدة الممكنة من المشاهدات دون تكرار، والتي يبلغ عددها الإجمالي توافيق اثنين من بين $n$، وتُحسب وفق المعادلة التوافقية:
$$\binom{n}{2} = \frac{n(n – 1)}{2}$$
بعد تكوين هذه الأزواج الثنائية، يقوم الاختبار بتصنيف كل زوج مستقل $(i, j)$، حيث $i < j$، وفق أحد نمطين أساسيين:
- الأزواج المتوافقة (Concordant Pairs): يُعد الزوج متوافقاً إذا حافظ على نفس الاتجاه الترتيبي النسبي في كلا المتغيرين؛ أي عندما تكون الرتبة في $X$ للمشاهدة $j$ أكبر من الرتبة في $X$ للمشاهدة $i$، وتكون في الوقت عينه رتبة $Y$ للمشاهدة $j$ أكبر من رتبة $Y$ للمشاهدة $i$. ويتحقق ذلك رياضياً بالشرط:
$$(X_j – X_i)(Y_j – Y_i) > 0$$ - الأزواج المتنافرة أو غير المتوافقة (Discordant Pairs): يُعد الزوج متنافراً إذا انقلب اتجاه الترتيب بين المتغيرين؛ أي عندما تزداد قيمة المتغير $X$ وتتناقص في المقابل قيمة المتغير $Y$ لنفس الزوج، أو العكس بالعكس. ويتحقق ذلك رياضياً بالشرط:
$$(X_j – X_i)(Y_j – Y_i) < 0$$
إذا رمزنا لعدد الأزواج المتوافقة الكلي بالرمز $C$ ولعدد الأزواج المتنافرة بالرمز $D$، فإن منطق تاو كيندال يهدف بصورة جوهرية إلى حساب الفارق الصافي بين هذين العددين مقسوماً على إجمالي الأزواج الممكنة في فضاء العينة. ويمنح هذا البناء الرياضي لمعامل كيندال ميزة استثنائية في إمكانية تفسيره كمعامل احتمالي صريح ومباشر، حيث يعبر المعامل بدقة عن الفارق بين احتمال توافق الزوج العشوائي واحتمال تنافره:
$$\tau = P(\text{Concordance}) – P(\text{Discordance})$$
فعلى سبيل المثال، حين تبلغ قيمة $tau = 0.60$، فإن هذا لا يمثل مجرد رقم تجريدي لقوة الرابطة، بل يعني أن احتمال مصادفة زوج متوافق يتجاوز احتمال مصادفة زوج متنافر بمقدار 60 نقطة مئوية، أو بعبارة أدق، إذا سُحب زوجان عشوائياً، فإن احتمال أن يتغيرا في الاتجاه ذاته يفوق احتمال تعاكسهما بنسبة حاسمة، وهو بعد دلالي وتفسيري يفتقر إليه معامل رو سبيرمان.
2.2 تفريعات تاو كيندال وصيغه الرياضية
لم يقتصر عمل كيندال والمطورين اللاحقين على صيغة مفردة، بل أفرزت الأبحاث الإحصائية ثلاثة تنويعات رئيسية لمعامل تاو لتلائم الطبيعة المتنوعة للبيانات ووجود التعادلات الرتبية، وهي الصيغ المعروفة بـ Tau-a وTau-b وTau-c:
1. صيغة كيندال تاو-أ ($\tau_a$ – Kendall’s Tau-a):
تُمثل هذه الصيغة النواة الرياضية الأصلية التي طورها موريس كيندال عام 1938، وتُستخدم حصرياً في حال خلو البيانات تماماً من أي رتب مقيدة أو متكررة (No tied ranks)، وصيغتها الرياضية هي:
$$\tau_a = \frac{C – D}{\frac{1}{2} n (n – 1)}$$
تكمن محدودية $\tau_a$ في أنه إذا وُجدت رتب متعادلة في المتغير $X$ أو المتغير $Y$ (أي أزواج يتساوى فيها $X_i = X_j$ أو $Y_i = Y_j$)، فلن يتمكن المعامل من بلوغ حده النظري الأقصى (+1 أو -1)، حيث تظل المقامات متضخمة بإجمالي الأزواج النظرية حتى وإن كانت العلاقة الرتيبة في المشاهدات غير المتساوية مثالية؛ ولهذا نادراً ما يُعتمد عليه في الحزم البرمجية التطبيقية عند معالجة البيانات الواقعية.
2. صيغة كيندال تاو-ب ($\tau_b$ – Kendall’s Tau-b):
ابتكر كيندال (1948) هذا التنويع المعدل ليتعامل بكفاءة بالغة مع وجود الرتب المتطابقة والمتكررة، كما يُعد الأنسب لجداول التوافق المربعة من أبعاد ($k \times k$). يقوم هذا التعديل بخصم الأزواج المتعادلة في $X$ وحدها ($T_X$) وتلك المتعادلة في $Y$ وحدها ($T_Y$) من المقام عبر استخدام المتوسط الهندسي للمقامات المعدلة، حيث تُصاغ رياضياً كالتالي:
$$\tau_b = \frac{C – D}{\sqrt{(C + D + T_X)(C + D + T_Y)}}$$
حيث يمثل $T_X$ عدد أزواج التعادل المحصورة في المتغير $X$ دون $Y$، بينما يمثل $T_Y$ عدد أزواج التعادل في $Y$ دون $X$. ولا تُدرج الأزواج التي يحدث فيها التعادل في كلا المتغيرين معاً ($X_i = X_j$ و$Y_i = Y_j$) في المقام، مما يضمن أن تتراوح قيمة $\tau_b$ بصورة سليمة بين -1 و+1، حتى في ظل وجود تكرار واسع النطاق للرتب، كما هو معتاد في دراسات القياس النفسي واستبانات التقييم السلوكي (مثل دراسات Krieglstein et al., 2022).
3. صيغة كيندال تاو-سي ($\tau_c$ أو Stuart’s Tau-c):
طوّر هذه الصيغة الإحصائي آلان ستيوارت (Alan Stuart) عام 1953 في ورقته المنشورة بمجلة بيومتريكا، لمعالجة المشكلات الناشئة عن جداول التوافق المستطيلة أو غير المتماثلة الأبعاد (Rectangular contingency tables) ذات الحجم $r \times c$ (حيث $r \neq c$). ففي مثل هذه الحالات، لا يمكن لـ $\tau_b$ الوصول إلى القيمة القصوى +1 أو -1 بسبب الاختلاف الحتمي في عدد الفئات بين الصفوف والأعمدة. تُعرف صيغة ستيوارت بالمعادلة التالية:
$$\tau_c = \frac{2m (C – D)}{n^2 (m – 1)}$$
حيث يمثل $m = min(r, c)$ القيمة الصغرى بين عدد الصفوف ($r$) وعدد الأعمدة ($c$). وتُعد صيغة تاو-سي الخيار المعياري لدى علماء الاجتماع والإحصائيين عند مقارنة استجابات مقياس ترتيبي ثلاثي الفئات مقابل مقياس خماسي الفئات لنفس الأفراد.
2.3 المزايا الإحصائية ونقاط القوة
تحظى عائلة معاملات تاو كيندال بمكانة رفيعة في نظرية الإحصاء الرياضي نظراً لخصائصها التوزيعية المتفوقة. يرجع ذلك بصورة أساسية إلى حقيقة أن معامل تاو كيندال يُعد نموذجاً مثالياً لما يُعرف بإحصاءات يو (U-statistics)، التي وضع أسسها الرياضية فاسيلي هوفدينغ (Wassily Hoeffding) في عام 1948 عبر ورقته الرائدة في دورية Annals of Mathematical Statistics. وبما أن تاو يستند إلى نواة اقتران ثنائية المتغير من الدرجة الثانية (Bivariate kernel of degree 2)، فإن توزيع المعاينة الخاص به يتمتع بخاصية التقارب الطبيعي الفائق والمنتظم (Asymptotic Normality) حتى في العينات متناهية الصغر.
يترتب على هذه الطبيعة أن الخطأ المعياري (Standard Error) لمعامل تاو كيندال يتسم بالدقة الشديدة، ويسهل حسابه باشتقاق مغلق وثابت تحت الفرضية الصفرية لغياب الارتباط، حيث يُعطى تباين تاو تحت فرضية العدم دون وجود تعادلات بالمعادلة الدقيقة:
$$operatorname{Var}(\tau) = \frac{2(2n + 5)}{9n(n – 1)}$$
يتيح هذا التباين البسيط والمنضبط إجراء اختبارات الدلالة الإحصائية واستخراج فترات الثقة (Confidence Intervals) بدقة متناهية تفوق مثيلاتها في معامل سبيرمان عندما يكون حجم العينة $n < 30$. كما يتميز تاو بأنه أقل تأثراً بالتناقضات الموضعية الناتجة عن تراكم الفروق في أطراف التوزيع؛ إذ يتعامل مع كل تبديل في الرتبة بنسبية احتمالية منضبطة لا تسمح بانحياز التقدير نحو النقاط الحافة.
وعلاوة على ذلك، يتيح معامل كيندال إمكانية التوسع المفاهيمي نحو المسافات الترتيبية (Permutation distance) ونظرية المعلومات، حيث يرتبط مباشرة بمسافة كيندال تاو (Kendall tau distance) المستخدمة في خوارزميات الترتيب وعلوم الحاسب وتحليل البيانات البيولوجية، والتي تعبر عن الحد الأدنى لعدد عمليات التبديل المتجاورة (Adjacent inversions) اللازمة لتحويل ترتيب معين إلى ترتيب آخر مطابق.
3. نظرة شاملة على معامل ارتباط رو سبيرمان (Spearman’s Rho)
3.1 الأساس النظري والمنطق الرياضي
ينطلق معامل ارتباط رو سبيرمان من مبدأ منهجي مغاير تماماً لمنطق كيندال التوافقي؛ إذ يسعى سبيرمان إلى الإبقاء على الفلسفة التحليلية لمعامل ارتباط بيرسون الخطي لعزم حواضن الجداء (Pearson product-moment correlation coefficient)، مع إحلال رتب المشاهدات محل القيم العددية الخام للمتغيرين. وبذلك، فإن معامل رو سبيرمان هو حرفياً معامل ارتباط بيرسون مطبقاً على المتغيرات بعد تحويلها إلى رتب متسلسلة من $1$ إلى $n$.
يتجلى هذا المنطق الرياضي بوضوح عند صياغة معادلة بيرسون العامة للبيانات المحولة رتبياً؛ حيث يتم تعيين رتبة لكل مشاهدة $X_i$ تسمى $R(X_i)$، ورتبة لكل مشاهدة $Y_i$ تسمى $R(Y_i)$. وبافتراض عدم وجود أي تعادلات أو رتب مكررة، تصبح الرتب عبارة عن أعداد صحيحة متتالية تمثل التباديل للأعداد من $1$ إلى $n$. وبفضل المتطابقات الجبرية لمجموع الأعداد ومجموع مربعات الأعداد الصحيحة الأولى:
$$\sum_{i=1}^n i = \frac{n(n + 1)}{2}, \quad \sum_{i=1}^n i^2 = \frac{n(n + 1)(2n + 1)}{6}$$
استطاع سبيرمان تبسيط صيغة تباين بيرسون المعقدة واختزالها رياضياً بالاعتماد الحصري على مربعات الفروق بين رتب المشاهدات المتناظرة. وإذا عرفنا الفرق بين رتبتي المشاهدة $i$ بالرمز $d_i = R(X_i) – R(Y_i)$، تأتي صيغة سبيرمان الشهيرة والمألوفة على النحو التالي:
$$r_s = 1 – \frac{6 \sum_{i=1}^n d_i^2}{n(n^2 – 1)}$$
تكشف هذه المعادلة عن البناء الداخلي لمقياس سبيرمان؛ فالحد $\sum d_i^2$ يعبر عن مجموع المسافات الإقليدية المربعة بين مواقع المشاهدات داخل سلم الترتيب. وكلما تماثلت الترتيبات بين المتغيرين، صغرت قيمة الفروق $d_i$ لتقترب من الصفر، مما يجعل الكسر يقترب من الصفر وبالتالي يصبح المعامل قريباً من $+1$. أما في حالة التعاكس التام، فإن مجموع الفروق المربعة يبلغ حده الأقصى المشتق جبرياً $\frac{n(n^2 – 1)}{3}$، مما يجعل حاصل قسمته مضروباً في 6 مساوياً للرقم $2$، وعند طرحه من $1$ ينتج الرقم $-1$. هذا التبسيط الجبري المذهل منح صيغة سبيرمان سهولة حسابية فائقة جعلتها المقياس اليدوي المفضل لعقود طويلة قبل الثورة الحاسوبية الحديثة.
3.2 معالجة الرتب المتماثلة والافتراضات المنهجية
تتعطل الصيغة الجبرية المختزلة لسبيرمان الموضحة أعلاه ($1 – \frac{6 \sum d_i^2}{n(n^2 – 1)}$) بصورة قاطعة عند ظهور قيم متعادلة أو متماثلة في البيانات؛ لأن مجموع الرتب ومجموع مربعاتها لن يتطابق حينئذ مع المتطابقات الحسابية للأعداد الطبيعية المتسلسلة. ولمعالجة هذه الإشكالية، تُسند إلى القيم المتماثلة “الرتبة المتوسطة” (Mid-rank أو Average rank) لجميع المواقع التي تشغلها تلك المجموعة المتعادلة.
فعلى سبيل المثال، إذا تساوت قيم ثلاث مشاهدات وكانت تتنافس على الرتب الرابعة والخامسة والسادسة، يتم منح كل مشاهدة منها الرتبة المتوسطة $(4 + 5 + 6)/3 = 5$. وفي هذه الحالة، تفقد الصيغة المختصرة صلاحيتها الرياضية، ويتحتم على المحلل الإحصائي تطبيق صيغة بيرسون الكاملة على تلك الرتب المعدلة، وتُصاغ كالتالي:
$$r_s = \frac{\sum_{i=1}^n (R(X_i) – \bar{R}_X)(R(Y_i) – \bar{R}_Y)}{\sqrt{\sum_{i=1}^n (R(X_i) – \bar{R}_X)^2 \sum_{i=1}^n (R(Y_i) – \bar{R}_Y)^2}}$$
أو بدلاً من ذلك، استخدام صيغة التصحيح التي تعتمد على إدخال معامل تعديل التكرار $T = \sum (t^3 – t)/12$ لكل مجموعة من الرتب المتكررة بحجم $t$.
من الناحية المنهجية والافتراضية، يفترض معامل سبيرمان أن الفواصل بين الرتب المتتالية تعكس تماثلاً نسبياً في قوة التدرج الرتبي؛ ونظراً لاعتماده على الفروق المربعة $d_i^2$، فإنه يفترض ضمناً أن أي خطأ أو تباين موضعي في ترتيب رتبتين متباعدتين يمثل اختلالاً خطيراً يتصاعد تربيعياً مع المسافة بين الرتبتين، وهو افتراض مستمد من المنطق الإقليدي لبيرسون. وبالتالي، فإن رو سبيرمان لا يقيس الاحتمال الزوجي المجرد كما يفعل كيندال، بل يقيس نسبة التباين المشترك (Covariance) المفسرة بين المتغيرين الرتبيين نسبة إلى التباين الكلي المتاح في فضاء الرتب.
3.3 الخصائص التحليلية ومجالات التميز
يتميز معامل رو سبيرمان بقوته الإحصائية العالية (Statistical Power)، لاسيما عند تطبيقه على متغيرات متصلة مشتقة من مجتمعات إحصائية تقترب من التوزيع الطبيعي ثنائي المتغير مع وجود بعض التشوهات الخفيفة غير الخطية أو الالتواءات الطفيفة. في هذه الحالات، تبلغ الكفاءة المقارنة المقاربة (Asymptotic Relative Efficiency – ARE) لمعامل سبيرمان مقارنة بمعامل بيرسون حوالي 91.2%، وهي كفاءة مرتفعة تجعل الباحث لا يخسر الكثير من القدرة الاستدلالية عند استبدال بيرسون بسبيرمان حمايةً لدراسته من الانتهاكات الخفيفة لافتراض الخطية.
علاوة على ذلك، يتمتع معامل سبيرمان بانتشار واسع وتاريخي عميق في أدبيات البحوث التربوية والاجتماعية والسريرية؛ إذ إن ألفته الذهنية للمجتمع الأكاديمي تجعل نتائجه سهلة القبول والتفسير المقارن؛ إذ يمكن تحويل قيمه ذهنياً وقراءتها بوصفها نظيراً مباشراً لمعامل بيرسون المعروف. وقد أثبت هذا المعامل كفاءة بالغة في تحليلات التوافق الداخلي والاستقرار عبر فترات زمنية، كما يظهر في دراسات الموثوقية التكرارية (Test-retest reliability) للأدوات التشخيصية والاستبيانات السريرية (مثل دراسة Rose et al., 2013 حول استبيان اضطرابات الأكل).
كما يتكامل رو سبيرمان بمرونة كبيرة مع تقنيات النمذجة المتقدمة ونماذج الانحدار الرتبي والتحليلات البعدية متعددة المستويات (Multilevel Meta-analyses)، حيث استُخدم بكثافة لتركيب معاملات الارتباط المستخلصة من مئات الدراسات الميدانية لتقدير حجم الأثر الإجمالي بدقة متناهية (راجع على سبيل المثال: Maes et al., 2019؛ ten Bokkel et al., 2022).
4. الفروق الجوهرية بين تاو كيندال ورو سبيرمان
على الرغم من أن كلاً من تاو كيندال ورو سبيرمان يهدفان إلى قياس درجة الاقتران الرتبي، إلا أن الاختلافات الهيكلية بينهما تمتد لتشمل البنية الجبرية، والتعقيد الخوارزمي، والحجم الرقمي للقيم المخرجة، وطريقة معالجة الحالات الشاذة، وهو ما يوضحه الجدول التحليلي التالي:
| البعد المقارن | معامل تاو كيندال (Kendall’s Tau) | معامل رو سبيرمان (Spearman’s Rho) |
|---|---|---|
| الأساس الرياضي والمنطقي | منطق احتمالي توافقي يعتمد على مقارنة كافة الأزواج الممكنة وتصنيفها إلى متوافقة ومتنافرة. | تطبيق مباشر لمعادلة بيرسون لعزم حواضن الجداء على الرتب المستبدلة للمشاهدات. |
| التفسير الدلالي المباشر | فارق احتمالي دقيق وصريح: $P(\text{concordant}) – P(\text{discordant})$. | نسبة التباين المفسر المشترك في رتب المتغيرات قياساً بالتباين الرتبي الكلي. |
| التعقيد الخوارزمي والحسابي | $O(n^2)$ بالطريقة النمطية؛ ويمكن خفضه إلى $O(n log n)$ باستخدام خوارزميات الفرز التبادلي وأشجار فينيك (Fenwick trees). | $O(n log n)$ لعملية فرز الرتب الأولية، يليها تعقيد خطي $O(n)$ لحساب الفروق والجداءات. |
| الحجم الرقمي النسبي لنفس البيانات | أصغر حجماً من الناحية العددية المطلقة؛ يقترب في المتوسط من ثلثي قيمة سبيرمان ($|tau| \approx 0.67 |rho|$). | أكبر حجماً عددياً بصورة نمطية، ويعطي انطباعاً مضللاً أحياناً بوجود ارتباط أشد قوة. |
| السلوك في العينات الصغيرة ($n < 30$) | متفوق للغاية؛ توزيع المعاينة يتقارب إلى التوزيع الطبيعي بسرعة، وخطؤه المعياري منضبط وموثوق. | أقل استقراراً؛ توزيع المعاينة يتطلب عينات أكبر لتحقيق التقارب الطبيعي الدقيق. |
| الحساسية للقيم الشاذة والأخطاء الطرفية | شديد المتانة والمقاومة للتشوهات؛ يتعامل مع التناقض كزوج مفرد متنافر دون تضخيم المسافة. | أكثر حساسية واضطراباً؛ لأن تربيع فروق الرتب ($d_i^2$) يضخم أثر أي إزاحة فردية على أطراف السلم. |
| التعامل مع الرتب المتماثلة والتعادلات | معالجة منهجية فائقة التنوع عبر صيغتي $\tau_b$ للمصفوفات المربعة و$\tau_c$ للمصفوفات المستطيلة. | تتطلب استبدال الصيغة المختصرة وتطبيق صيغة بيرسون الكاملة على الرتب المتوسطة. |
| التصنيف الإحصائي المتقدم | إحصاء يو رسمي (U-statistic) من الدرجة الثانية، مما يسهل اشتقاق خصائصه التوزيعية المعقدة. | ليس إحصاء يو خالصاً؛ مما يجعل حسابه التوزيعي الدقيق أكثر تعقيداً في ظل غياب الخطية. |
4.1 الآلية الرياضية والتعقيد الحسابي
يتجسد التمايز الجوهري الأول بين المقياسين في طريقة التعامل مع البيانات؛ فمعامل تاو كيندال لا يكترث بالمسافة المطلقة أو النسبية التي تفصل بين رتبتين داخل المتجه، بل يقتصر اهتمامه التحليلي على “الاتجاه الثنائي” لكل زوج مقارن. فإذا تقدمت المشاهدة في الترتيب، اعتبر الزوج متوافقاً سواء كان الفارق في الرتبة مقداره خطوة واحدة أو مئة خطوة. هذا المنطق الاحتمالي البسيط يُترجم رياضياً بمقاربة اقترانية شاملة تختبر التوافق المحلي لكامل أزواج العينة، في حين يركز سبيرمان على نموذج انحداري كلي يدمج كافة المسافات الرتبية في تباين خطي موحد.
ينعكس هذا التباين المفاهيمي بصورة صارخة على مستوى التعقيد الخوارزمي والحاسوبي (Computational Complexity). عند تطبيق الطريقة البديهية (Naive approach) لحساب معامل تاو كيندال، تتطلب الخوارزمية إجراء مقارنة مزدوجة لكل زوج من أصل $\frac{n(n-1)}{2}$، مما يعني أن زمن التنفيذ ينمو بمعدل تربيعي $O(n^2)$. وعلى الرغم من إمكانية استخدام خوارزميات متقدمة تعتمد على تقسيم المصفوفات والفرز بالدمج (Merge Sort) أو شجرة فينيك (Fenwick Tree / Binary Indexed Tree) لتقليص زمن الحساب إلى $O(n log n)$، إلا أن الثابت الخوارزمي يظل كبيراً مقارنة بربيرمان.
في المقابل، يتطلب حساب رو سبيرمان مجرد خطوة أولية لفرز القيم وتعيين الرتب، وهو ما يستغرق زمناً قدره $O(n log n)$ باستخدام خوارزميات الفرز المعيارية مثل (Quicksort) أو (Timsort)، تليه عملية جبرية أحادية المسار ذات تعقيد خطي صرف $O(n)$ لحساب فروق الرتب وضربها وجمعها. ولهذا السبب، فإن معالجة مجموعات البيانات الهائلة (Big Data) التي تضم ملايين السجلات تجعل استدعاء معامل تاو كيندال مكلفاً حاسوبياً وشديد الاستهلاك للذاكرة وقوة المعالجة المركزية، مما يمنح رو سبيرمان ميزة تشغيلية كاسحة في بيئات الحوسبة ذات الأداء العالي ومستودعات البيانات الضخمة.
4.2 الحجم العددي والتفسير الدلالي للقيم
تُعد المسألة الأكثر إثارة للجدل بين الباحثين التطبيقيين هي التفاوت الرقمي النمطي بين المقياسين عند حسابهما لنفس العينة الملاحظة؛ حيث يلاحظ المحللون دوماً أن القيمة المطلقة لمعامل تاو كيندال تكون أصغر بكثير من القيمة المقابلة لمعامل رو سبيرمان ($|tau| < |rho|$)، ما لم تكن العلاقة رتيبة تامة (حيث يتطابق كلاهما عند +1 أو -1) أو منعدمة تماماً (صفر).
في حالة المتغيرات الموزعة توزيعاً طبيعياً ثنائي المتغير مع ارتباط خطي مجتمعي قدره $r$، أثبتت الدراسات الرياضية المستندة إلى أعمال غراينر (Greiner, 1909) وكارل بيرسون (Pearson, 1907) وجود علاقات مثلثية تحويلية دقيقة تربط كلاً من تاو ورو بمعامل بيرسون الأصلي، وهي:
$$\tau = \frac{2}{\pi} \arcsin(r) iff r = \sin\left(\frac{\pi}{2} \tau\right)$$
$$\rho = \frac{6}{\pi} \arcsin\left(\frac{r}{2}\right) iff r = 2 \sin\left(\frac{\pi}{6} \rho\right)$$
وبالتقريب المتسلسل لحساب المثلثات في نطاق العلاقات المعتدلة والمتوسطة، تتجلى العلاقة التجريبية المستقرة التي تؤكد أن معامل سبيرمان يمثل تقريباً 1.5 ضعف معامل كيندال لنفس البيانات:
$$\rho \approx 1.5 , \tau \quad \left(\text{أو } \tau \approx \frac{2}{3} \rho\right)$$
وقد قعّد الإحصائي إتش. إي. دانيلز (Daniels, 1944) في مجلة بيومتريكا المتباينة الرياضية الدقيقة التي تحكم العلاقة الجبرية بين المعاملين، والتي تنص على أن القيمتين مقيدتان بصورة صارمة بالمتباينة التالية:
$$-1 le 3\tau – 2\rho le 1$$
هذا الفارق العددي لا يعني على الإطلاق أن كيندال يقلل من حجم العلاقة أو أن سبيرمان يبالغ فيها، بل يرجع بالكامل إلى اختلاف المفهوم المقاس؛ فسبيرمان يقيس نسبة الانحدار التبايني للرتب، بينما يقيس كيندال الاحتمال التوافقي الصافي للأزواج. ولذلك، فإن المقارنة المباشرة بين القيم المطلقة للمعاملين دون تحويل رياضي تمثل خطأ منهجياً شائعاً يجب تفاديه في التقارير الإحصائية الرصينة.
4.3 الحساسية للعينات الصغيرة والقيم المتطرفة
يظهر تفوق معامل تاو كيندال جلياً عند العمل في ظل بيئات بحثية مقيدة بحجم عينات صغير ($n < 30$)؛ إذ أظهرت دراسات المحاكاة الرياضية أن توزيع المعاينة لتاو كيندال يقترب من التوزيع الطبيعي المعياري بمعدل أسرع بكثير من توزيع رو سبيرمان، مما يجعل اختبارات الدلالة الإحصائية القائمة على التحويل إلى التوزيع الطبيعي (Z-test) دقيقة وصالحة مع تاو حتى في العينات متناهية الصغر التي تبدأ من$n = 10$. أما مع سبيرمان، فإن توزيع المعاينة يظل متأثراً بالتشوهات التوزيعية، مما يفرض استخدام جداول التوزيع الحرج البحتة أو تقنيات إعادة المعاينة مثل التمهيد الإحصائي (Bootstrapping) لتجنب أخطاء النوع الأول (Type I errors).
أما من زاوية الحساسية للقيم المتطرفة والشاذة (Outliers)، فإن البنية الرياضية لسبيرمان تجعله أكثر عرضة للاضطراب مقارنة بكيندال. يعود ذلك إلى اعتماد سبيرمان على تربيع الفروق الرتبية ($d_i^2$)؛ فإذا وُجدت نقطة شاذة واحدة انحرفت فيها رتبة إحدى المشاهدات من أقصى اليمين في $X$ إلى أقصى اليسار في $Y$، فإن هذا الانحراف الفردي سوف يولد فارقاً شاسعاً في $d_i$، ويؤدي تربيعه إلى إنتاج قيمة هائلة تبتلع مجموع المربعات بالكامل، مما قد يؤدي إلى هبوط حاد وزائف في قيمة معامل الارتباط الإجمالي.
في المقابل، يتعامل معامل تاو كيندال مع هذه المشاهدة الشاذة كعنصر يدخل في تكوين أزواج مفردة؛ وحين تنعكس رتبتها، فإن أقصى ما يمكن أن تُحدثه هو تحويل تلك الأزواج الثنائية المرتبطة بها فقط إلى أزواج متنافرة، دون أي مضاعفة أسية أو تربيعية لأثر هذا التنافر. هذا التثبيط الخطي المتوازن يمنح تاو كيندال مناعة إحصائية استثنائية تجعله مقياساً فائق المتانة (Robust metric) في مواجهة التشوهات البيانية والبيئات الملوثة بالقيم المتطرفة.
4.4 التعامل مع الرتب المقيدة (Tied Ranks)
تُمثل الرتب المتطابقة أو المقيدة (Tied Ranks) تحدياً هيكلياً لأي مقياس ارتباط رتبي، وتبرز هذه المشكلة بوضوح عند استخدام أدوات القياس السلوكية والنفسية ومقاييس التقدير المصغرة، مثل مقياس ليكرت الخماسي أو السباعي، حيث تُرغم عينة ضخمة من الأفراد على اختيار عدد محدود جداً من البدائل، مما ينتج عنه حتماً تكرار مئات المشاهدات في نفس الرتبة المشتركة.
في هذا المضمار، يتجلى الامتياز المنهجي لمعامل كيندال من خلال صيغته المصممة خصيصاً لمعالجة التعادلات وهي تاو-ب ($\tau_b$). لا تكتفي صيغة $\tau_b$ باحتساب الرتب المتوسطة، بل تُجري فصلاً رياضياً دقيقاً للأزواج المتعادلة؛ حيث تصنف أزواج التعادل التي تحدث في المتغير $X$ وحده ($T_X$) وتلك التي تحدث في المتغير $Y$ وحده ($T_Y$)، وتدمجهما في مقام هندسي متوازن يعكس الحجم الفعلي للأزواج الحرة المؤهلة للتوافق أو التنافر. وتمنح هذه المعالجة الهندسية معامل تاو-ب القدرة على إبقاء مجاله العددي الحقيقي محصوراً بالدقة ذاتها بين -1 و+1، وتمنع تآكل أو تضخم مستوى الدلالة الإحصائية ($p$-value).
على النقيض من ذلك، فإن معامل سبيرمان عند وجود تعادلات مكثفة يضطر إلى التخلي عن صيغته التربيعية المختصرة والانتقال إلى صيغة التباين المشترك لبيرسون المطبقة على الرتب المتوسطة. وتكمن علة هذه المقاربة في أن الرتب المتوسطة تفقد تباينها الطبيعي المفترض للأعداد المتسلسلة؛ فكلما زادت التعادلات، انكمش تباين الرتب الملاحظ مقارنة بالتباين النظري، مما يجعل تصحيحات سبيرمان عرضة لتشويه الدلالة الإحصائية وتضخيم احتمالات الخطأ المعياري، لاسيما إذا كان التوزيع التكراري للتعادلات متفاوتاً بين طرفي المقياس ووسطه.
5. أوجه التشابه والتقاطع بين المقياسين
5.1 الخصائص الإحصائية المشتركة
على الرغم من التباينات المفاهيمية والحسابية العميقة التي تم تفصيلها، إلا أن تاو كيندال ورو سبيرمان يشتركان في منظومة واسعة من الخصائص الرياضية الاستدلالية التي تضعهما في خندق منهجي موحد في مواجهة معامل بيرسون البارامتري؛ فكلا المعاملين ينتمي إلى فئة الإحصاء اللامعلمي (Non-parametric statistics)، وكلاهما معفي تماماً من شروط اعتدالية التوزيع، أو التجانس التبايني (Homoscedasticity)، أو الحاجة إلى مقاييس المسافات المتساوية المترية.
يشترك المعاملان في تقييد مجالهما العددي بدقة بين الحد الأدنى المطلق (-1) الدال على ارتباط رتبي عكسي مثالي، والحد الأقصى المطلق (+1) الدال على ارتباط رتبي طردي مثالي، مع دلالة الصفر الرياضي (0) على الانعدام التام لأي نمط رتبي مشترك. وتظل قيم المعاملين بلا أي تمييز وحداتي؛ أي أنهما رقمان مجردان لا يتأثران بوحدات القياس المستخدمة في جمع البيانات الأصلية (سواء قيس المتغير بالسنتمتر، أو الثواني، أو الدرجات المعيارية).
والخاصية الأكثر جوهرية التي تجمعهما هي الحصانة المطلقة ضد التحويلات الرتيبة الصارمة (Strictly monotonic transformations). فإذا تم إخضاع أحد المتغيرين أو كلاهما لتحويل رياضي لا يغير من ترتيب المشاهدات—مثل أخذ اللوغاريتم الطبيعي ($Y’ = ln(Y)$)، أو الرفع إلى قوة أسية موجبة ($Y’ = Y^3$)، أو تطبيق الدوال الأسية ($Y’ = e^Y$)—فإن القيمة العددية الناتجة لكل من تاو كيندال ورو سبيرمان ستظل ثابتة دون أدنى تغير على الإطلاق. هذه الميزة الحصينة تحميهما من التشويه وتجعلهما الخيار القياسي عند تحليل الظواهر البيولوجية والاقتصادية التي تتسم بالنمو الأسي أو العلاقات التضاعفية السريعة.
5.2 تماثل القرارات الإحصائية واختبار الفرضيات
في التطبيقات الإحصائية العملية والميدانية، يؤدي استخدام تاو كيندال ورو سبيرمان في الغالبية الساحقة من الحالات إلى استخلاص نفس الاستنتاجات العلمية والقرارات الاستدلالية المتعلقة بالفرضيات الإحصائية. فعند اختبار الفرضية الصفرية القائلة بعدم وجود ارتباط رتبي بين المتغيرين في مجتمع الدراسة:
$$H_0: \text{Association} = 0 \quad \text{مقابل} \quad H_1: \text{Association} \neq 0$$
غالباً ما تتطابق النتائج الخاصة بمستوى المعنوية والدلالة الإحصائية ($p$-value) المحسوبة لكلا المعاملين؛ فإذا رفض الباحث الفرضية الصفرية اعتماداً على معامل رو سبيرمان عند مستوى دلالة $\alpha = 0.05$ أو $\alpha = 0.01$، فإنه سيصل شبه حتماً إلى رفض نفس الفرضية الصفرية وبنفس مستوى الثقة تقريباً عند تطبيق معامل تاو كيندال.
هذا التوافق في اتخاذ القرار يجعل كلاً منهما بديلاً كفؤاً وموثوقاً للآخر في الاختبارات الاستكشافية للعلاقات غير الخطية الرتيبة؛ حيث يمتلك كلاهما قدرة فائقة على رصد المنحنيات التراكمية، ومنحنيات الاستجابة للجرعات الدوائية، والأنماط التوزيعية المشبعة، التي يعجز معامل بيرسون تماماً عن رصدها ويسجل معها قيماً قريبة من الصفر مظهراً عجزاً بنيوياً فادحاً. وقد وثقت دراسات مقارنة متعددة في القياس النفسي والتعليمي تقارباً شبه تام في مؤشرات الدلالة عند فحص مقاييس الكفاءة والدافعية والقلق التواصلي (انظر مثلاً التحليلات الواردة في Timmerman et al., 2017؛ Bauman & Pero, 2010).
6. متى يُستخدم كل مقياس: إرشادات عملية للباحثين
6.1 سيناريوهات تفضيل معامل تاو كيندال
يتحول اختيار معامل تاو كيندال من مجرد تفضيل منهجي إلى ضرورة إحصائية صارمة في ظل مجموعة محددة من الظروف والخصائص البيانية، وتتلخص أبرز السيناريوهات التي يُقدم فيها تاو كيندال على سبيرمان في الآتي:
- العينات الصغيرة والمحدودة الحجم ($n < 30$): يُعد تاو كيندال الخيار الأفضل بلا منازع عند التعامل مع العينات السريرية النادرة، أو التجارب المخبرية المعقدة، أو دراسات الحالات ذات التكلفة المرتفعة؛ حيث يضمن استقراره التقاربي وخطؤه المعياري الدقيق عدم الانزلاق إلى استنتاجات زائفة قد يفرزها معامل سبيرمان نتيجة بطء تقارب توزيعه العيني.
- النسب المرتفعة من الرتب المقيدة والمتكررة: عند التعامل مع جداول التوافق والبيانات الفئوية الترتيبية المتكررة بكثافة—كالبيانات المستخلصة من أسئلة مقياس ليكرت ذات الخيارات الثلاثية أو الخماسية—يتفوق معامل تاو-ب ($\tau_b$) وتاو-سي ($\tau_c$) في ضبط المقامات وتقديم قياس غير متحيز لقوة الاقتران الحقيقي، وهو ما أكدته منهجيات القياس الحديثة في تقييم جودة أدوات القياس الذاتي (راجع: Krieglstein et al., 2022).
- الحاجة إلى تأويل احتمالي دقيق ومباشر: عندما يُطلب من الباحث صياغة تقرير يستهدف صناع القرار أو ممارسين غير إحصائيين، يتيح معامل تاو تفسيراً بدهياً خالياً من اللبس بوصفه فرقاً احتماليا بين نسب التوافق والتعاكس، وهو ما لا يستطيعه سبيرمان الذي يرتكن إلى تباين رتبي تجريدي يصعب تمثيله واقعياً.
- البيانات المعرضة لأخطاء التسجيل والملوثة بنقاط متطرفة: إذا كان فضاء العينة يحتوي على قراءات طرفية حادة أو أخطاء تصنيفية ناتجة عن التقدير الذاتي، فإن مناعة تاو ضد التضخيم التربيعي تجعله الحارس الأمثل لسلامة النتائج ونزاهتها التحليلية.
6.2 سيناريوهات تفضيل معامل رو سبيرمان
في المقابل، يظل معامل رو سبيرمان متسيداً للمشهد التحليلي ومفضلاً بصورة واضحة في طائفة أخرى من التطبيقات البحثية الميدانية والبيانات الحسابية المعقدة، ومن أبرز هذه السيناريوهات:
- العينات الإحصائية الكبيرة والدراسات المسحية الموسعة ($n > 100$): في استطلاعات الرأي الضخمة والبيانات السكانية والسجلات المؤسسية، تختفي تماماً الفروق التوزيعية بين المعاملين، وتغدو السرعة الحاسوبية الخارقة لمعامل سبيرمان ميزة تنافسية حاسمة تتيح معالجة ملايين السجلات في أجزاء من الثانية بتعقيد $O(n log n)$ ودون إجهاد البنية التحتية البرمجية.
- المتغيرات المستمرة المنتهكة لافتراض الخطية أو الطبيعية ولكن بدون تعادلات: عند فحص متغيرات فيزيائية أو حيوية متصلة خالية تقريباً من الرتب المقيدة والمتطابقة ولكنها تنحرف عن التوزيع الطبيعي، يمتلك سبيرمان كفاءة مقارنة أعلى تجعله يرصد قوة العلاقة بحساسية تماثل معامل بيرسون الكلاسيكي.
- المقارنة الموازية في التحليلات البعدية (Meta-Analyses): تفضل غالبية دراسات المراجعة المنهجية والتحليلات البعدية الكبرى استخدام رو سبيرمان؛ لسهولة تحويله الإحصائي إلى قيم معامل بيرسون ($r$) لتجميع أحجام الأثر عبر النماذج المتجانسة ونماذج التأثيرات العشوائية، كما هو موثق بكثافة في الدراسات البعدية التي تفحص العلاقات بين المتغيرات السلوكية والمؤشرات الرقمية والتدخلات النفسية (مثل: Gan et al., 2021؛ Spicer et al., 2021؛ Parsons et al., 2017).
- المواءمة مع التقاليد الأكاديمية والنشر في المجلات الكلاسيكية: يظل رو سبيرمان الأكثر حضوراً وقبولاً تاريخياً لدى المحكمين في مجالات العلوم الاجتماعية والتربوية، مما يقلل من حاجة الباحث إلى تقديم مبررات رياضية مستفيضة حول اختياره للمقياس مقارنة بما قد يتطلبه كيندال في بعض الحقول التقليدية.
6.3 التطبيق عبر الحزم الإحصائية والبرمجية
تتيح البرمجيات الإحصائية الحديثة استدعاء وحساب كلا المعاملين بسهولة فائقة، ولكن بآليات ومعايير يجب الانتباه إليها لضمان دقة الاستخراج:
أولاً: التطبيق في بيئة بايثون (Python / SciPy):
توفر المكتبة العلمية الرائدة scipy.stats دوال مباشرة ومحسنة لحساب المقياسين. يُستدعى معامل كيندال عبر الدالة kendalltau(x, y, variant='b') والتي تعتمد صيغة Tau-b كخيار افتراضي متين لحساب التعادلات، مع إمكانية تحويل المعامل variant إلى ‘c’ لحساب صيغة تاو-سي لجداول التوافق المستطيلة. في حين يُستدعى معامل سبيرمان عبر الدالة spearmanr(x, y) التي تطبق خوارزمية الرتب المتوسطة. تُعيد كلا الدالتين كائناً يحتوي على القيمة المحسوبة وقيمة المعنوية المقابلة بدقة عالية.
ثانياً: التطبيق في لغة آر (R):
تُعد بيئة R الحاضنة الأكثر مرونة للإحصائيين؛ حيث تُستخدم الدالة المركزية cor() لحساب المعاملين بمجرد تمرير المتجهين وتحديد المعامل method = "kendall" أو method = "spearman". ولإجراء الاختبار الاستدلالي واستخراج مستويات الدلالة الإحصائية وفترات الثقة، تُستخدم الدالة cor.test(x, y, method = ...). والجدير بالذكر أن دالة R القياسية تحسب صيغة كيندال تاو-ب تلقائياً عند وجود قيم متعادلة، مع إصدار تنبيهات تحذيرية إذا تعذر حساب القيمة الاحتمالية الدقيقة (Exact $p$-value) متجهة نحو التقدير التقاربي الطبيعي الموثوق.
ثالثاً: التطبيق في الحزمة الإحصائية للعلوم الاجتماعية (SPSS):
في واجهة SPSS، يمكن للمحلل الوصول إلى كلا المقياسين عبر مسارين مختلفين. المسار الأول عبر قائمة الارتباطات الثنائية (Analyze -> Correlate -> Bivariate) وتفعيل مربعي الاختيار (Kendall’s tau-b) و(Spearman)؛ حيث يُخرج البرنامج جدول مصفوفة ارتباط متكاملة يوضح القيم ومستويات الدلالة ثنائية الذيل وعلامات المعنوية النجمية. أما المسار الثاني فيتم عبر جداول التصالب (Analyze -> Descriptive Statistics -> Crosstabs) ثم النقر على زر الإحصاءات (Statistics)، والذي يتيح تفعيل خياري (Kendall’s tau-b) و(Kendall’s tau-c) للتحكم الدقيق في قياس الجداول المربعة أو المستطيلة ومقارنتها بمخرجات سبيرمان.
7. الأسئلة الشائعة حول تاو كيندال ورو سبيرمان
7.1 لماذا تكون قيمة تاو كيندال عادةً أصغر من رو سبيرمان لنفس البيانات؟
ينبع هذا التفاوت العددي الحتمي من الاختلاف الجذري في المفهوم الرياضي المرجعي الذي يقيسه كل معامل، ولا يعكس بأي حال من الأحوال ضعفاً في العلاقة أو قصوراً في معامل كيندال. يقيس رو سبيرمان تباين الرتب ومربعات المسافات الإقليدية النسبية بينها؛ أي أنه يفسر مقدار “التشتت المشترك” للرتب قياساً بالتشتت الأعظمي الممكن، وهو مقياس متفائل يميل إلى التضخم لكونه يُحاكي معامل بيرسون على فضاء الرتب المنضبطة خطياً.
أما معامل تاو كيندال، فيمثل مقياساً احتماليا صرفاً يقيس الفارق بين احتمالية التوافق واحتمالية التنافر بين أي زوجين عشوائيين من المشاهدات ($P(C) – P(D)$). ونظراً لأن فضاء العينة للأزواج المزدوجة يتضمن بطبيعته توليفات توافقية متنوعة تقلل من الهيمنة المطلقة لاحتمال مفرد، فإن الفارق الصافي بين هذين الاحتمالين يستقر دائماً عند قيم عددية أدنى بكثير من تباين الرتب التربيعي. وتؤكد البراهين الإحصائية أن الدلالة المعنوية (قيمة $p$) تظل في معظم الحالات متطابقة تماماً على الرغم من كون $\tau \approx 0.67 \rho$، مما يحتم على الباحثين عدم مقارنة الأرقام المجردة مباشرة دون استحضار الأطر النظرية المفسرة لكل منهما.
7.2 أيهما أدق عند تحليل استبانات الرأي ومقاييس ليكرت؟
يجمع علماء القياس والإحصائيون المتقدمون على أن معامل تاو كيندال—وتحديداً صيغة تاو-ب ($\tau_b$)—يمثل الخيار الأكثر دقة وتحفظاً ومنهجية عند تحليل الاستبانات ومقاييس التقدير متعددة التدريج مثل مقياس ليكرت (Likert Scale). يرجع هذا التفضيل الحاسم إلى أن مقاييس ليكرت الخماسية أو السباعية تولد كماً هائلاً من الرتب المتكررة والمقيدة حتماً، نظراً لأن مئات المشاركين يتوزعون إجبارياً على خمس أو سبع فئات استجابة فقط.
في مثل هذه البيئات التوزيعية، يفقد معامل سبيرمان متانته النظرية ويصبح عرضة لتذبذب مستويات الدلالة نتيجة التآكل الشديد في تباين الرتب المتوسطة. أما تاو-ب، فقد بُنيت معادلته خصيصاً مع تصحيح هندسي محكم يستبعد أثر أزواج التعادل في كل متغير على حدة، مما يوفر تقديراً متزناً وثابتاً يحمي نتائج البحث من التضخم الزائف لأحجام التأثير الذي قد يسجله سبيرمان نتيجة حصر البيانات في مجالات ضيقة (كما نوقش باستفاضة في تقييم المقاييس الذاتية؛ انظر Krieglstein et al., 2022؛ Köllner & Schultheiss, 2014).
7.3 هل يمكن الاعتماد على أي منهما لإثبات العلاقة السببية؟
إن الإجابة القاطعة إحصائياً ومنهجياً هي: “لا مطلقاً”. فالارتباط الرتبي—سواء قيس بمعامل تاو كيندال أو رو سبيرمان—لا يعبر إلا عن التزامن التغيري (Co-variation) والتصاحب الترتيبي بين المتغيرين، وهو مجرد وصف رياضي للكيفية التي تقترن بها رتب المشاهدات صعوداً أو هبوطاً في فضاء العينة.
لا يمتلك أي من المعاملين القدرة على تحديد أسبقية الزمن، أو نفي تأثير المتغيرات الكامنة والدخيلة (Confounding variables)، أو إثبات اتجاه التأثير؛ فالعلاقة الرتيبة القوية قد تكون ناتجة عن متغير ثالث خفي يحرك المتغيرين معاً في نفس الاتجاه الترتيبي (Spurious correlation). ولإثبات السببية بصورة علمية رصينة، لا بد من اللجوء إلى التصاميم التجريبية الصارمة، وضبط المتغيرات عبر التوزيع العشوائي (Randomization)، أو استخدام النماذج السببية المتقدمة ونماذج المعادلات البنائية (SEM) وتحليلات السلاسل الزمنية، وليس مجرد الاكتفاء برصد المعاملات الرتبية الاستكشافية مهما بلغت قيمتها العددية ودلالتها المعنوية.
8. الخاتمة: تلخيص موازين المقارنة والتوصيات الختامية
8.1 موجز الفروق الجوهرية والخصائص المميزة
خَلُص هذا التحليل المقارن الموسع إلى أن التمييز بين معامل تاو كيندال ومعامل رو سبيرمان ليس مجرد مسألة شكلية، بل هو تفريق جوهري بين نموذجين إحصائيين يرتكزان على فلسفتين مختلفتين في فهم البيانات الرتبية؛ فمعامل تاو كيندال يجسد المقاربة التوافقية الاحتمالية، متفوقاً في دقته التوزيعية للعينات الصغيرة، ومتانته العالية ضد القيم المتطرفة، وقدرته الفريدة على تقديم تفسير احتمالي ناصع يصف الفارق بين التوافق والتنافر، فضلاً عن مرونته الفائقة في معالجة الرتب المتعادلة والمصفوفات غير المتماثلة عبر صيغتي $\tau_b$ و$\tau_c$.
في المقابل، يمثل معامل رو سبيرمان المقاربة الانحدارية الخطية على الرتب، مستمداً قوته من التبسيط الجبري التاريخي لمعامل بيرسون، ومتميزاً بكفاءته الإحصائية المقاربة العالية تحت ظروف التوزيعات الطبيعية المشوهة طفيفاً، وسرعته الخوارزمية الفائقة في بيئات الحوسبة الكبيرة ($O(n log n)$)، فضلاً عن انتشاره التاريخي العريض في الأدبيات السلوكية وقابليته للمقارنة المباشرة مع معاملات الارتباط القياسية في الدراسات البعدية وحساب أحجام الأثر المشتركة.
8.2 دليل التوصيات المنهجية للباحث
بناءً على التقييم الإحصائي الشامل للخصائص والعيوب والمزايا، نلخص للباحثين ومحللي البيانات التوصيات المنهجية الإجرائية الحاسمة التالية:
- قاعدة حجم العينة: اعتمد معامل تاو كيندال ($\tau_b$) كخيار قياسي وأول إذا كان حجم عينتك البحثية صغيراً أو متوسطاً ($n < 50$)، أو إذا كنت تجري دراسات مقارنة لحالات محدودة أو تجارب سريرية تتطلب خطأ معيارياً بالغ الدقة؛ بينما يمكنك استخدام رو سبيرمان بأمان تام مع العينات الواسعة التي تتجاوز مئات المشاهدات.
- قاعدة طبيعة سلم القياس: استخدم تاو-ب ($\tau_b$) للبيانات المستخلصة من تدريجات ليكرت والبيانات الفئوية الرتبية التي تتكاثف فيها الرتب المقيدة، واستعن بتاو-سي ($\tau_c$) عند تحليل جداول التوافق المستطيلة غير المربعة. واقصر استخدام رو سبيرمان على المتغيرات المتصلة التي تم استبدالها برتب أو المتغيرات الترتيبية ذات الفئات المتعددة جداً والقليلة في تعادلاتها.
- الشفافية والتوثيق المنهجي: عند كتابة تقرير البحث الإحصائي، تجنب الاكتفاء بذكر “تم استخدام معامل الارتباط اللامعلمي” بشكل غامض؛ بل وثق بالاسم الصريح المقياس المستخدم (مثلاً: Kendall’s Tau-b)، وقدم تبريراً رياضياً لاختيارك مستنداً إلى حجم العينة ومستوى تكرار الرتب، مع إرفاق القيمة الاحتمالية الدقيقة والخطأ المعياري أو فترات الثقة.
- تطبيق تحليلات الحساسية (Sensitivity Analyses): نوصي بشدة في الأبحاث المتقدمة والدراسات الطبية والاجتماعية عالية المخاطر بتقديم المقياسين معاً جنباً إلى جنب كإجراء لتحليل الحساسية والمتانة البيانية (Robustness check)؛ فإذا تطابقت مؤشرات الدلالة والاتجاه لكلا المعاملين، تعززت ثقة الباحث والقارئ في صلابة النتائج واستقلاليتها عن الافتراضات الحسابية الضمنية لكل مقياس.
المراجع
- Bauman, S. A., & Pero, H. (2010). Bullying and Cyberbullying Among Deaf Students and Their Hearing Peers: An Exploratory Study. The Journal of Deaf Studies and Deaf Education. https://doi.org/10.1093/deafed/enq043
- Gan, D. Z. Q., McGillivray, L., Han, J., Christensen, H. M., & Torok, M. H. (2021). Effect of Engagement With Digital Interventions on Mental Health Outcomes: A Systematic Review and Meta-Analysis. Frontiers in Digital Health. https://doi.org/10.3389/fdgth.2021.764079
- Köllner, M. G., & Schultheiss, O. C. (2014). Meta-analytic evidence of low convergence between implicit and explicit measures of the needs for achievement, affiliation, and power. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2014.00826
- Krieglstein, F., Beege, M., Rey, G. D., Ginns, P., Krell, M., & Schneider, S. (2022). A Systematic Meta-analysis of the Reliability and Validity of Subjective Cognitive Load Questionnaires in Experimental Multimedia Learning Research. Educational Psychology Review. https://doi.org/10.1007/s10648-022-09683-4
- Maes, M., Nelemans, S. A., Danneel, S., Fernández‐Castilla, B., Van Den Noortgate, W., Goossens, L., et al. (2019). Loneliness and social anxiety across childhood and adolescence: Multilevel meta-analyses of cross-sectional and longitudinal associations. Developmental Psychology. https://doi.org/10.1037/dev0000719
- Parsons, C. E., Crane, C., Parsons, L. J., Fjorback, L. O., & Kuyken, W. (2017). Home practice in Mindfulness-Based Cognitive Therapy and Mindfulness-Based Stress Reduction: A systematic review and meta-analysis of participants’ mindfulness practice and its association with outcomes. Behaviour Research and Therapy. https://doi.org/10.1016/j.brat.2017.05.004
- Rose, J. S., Vaewsorn, A. S., Rosselli, F., Wilson, G. T., & Striegel Weissman, R. (2013). Test-retest reliability of the eating disorder examination-questionnaire (EDE-Q) in a college sample. Journal of Eating Disorders. https://doi.org/10.1186/2050-2974-1-42
- Spicer, S. G., Nicklin, L. L., Uther, M., Lloyd, J., Lloyd, H. M., & Close, J. (2021). Loot boxes, problem gambling and problem video gaming: A systematic review and meta-synthesis. New Media & Society. https://doi.org/10.1177/14614448211027175
- ten Bokkel, I. M., Roorda, D. L., Maes, M., Verschueren, K., & Colpin, H. (2022). The Role of Affective Teacher–Student Relationships in Bullying and Peer Victimization: A Multilevel Meta-Analysis. School Psychology Review. https://doi.org/10.1080/2372966x.2022.2029218
- Timmerman, H. L., Toll, S. W. M., & Van Luit, J. E. H. (2017). The relation between math self-concept, test and math anxiety, achievement motivation and math achievement in 12 to 14-year- old typically developing adolescents. Psychology Society & Education. https://doi.org/10.25115/psye.v9i1.465