كيفية حساب الارتباط بين المتغيرات المستمرة والفئوية

تُعد مسألة نمذجة العلاقات الارتباطية بين المتغيرات المتباينة في مستويات قياسها واحدةً من أكثر القضايا المنهجية والإحصائية دقةً وأهمية في العلوم النفسية والسلوكية والتربوية. في سياق القياس النفسي التجريبي، يواجه الباحثون بصورة متكررة معضلة التوفيق بين متغيرات ذات طبيعة كمية متصلة مستمرة، كدرجات الذكاء، ومستويات القلق، وزمن الرجع العصبي، ومتغيرات أخرى ذات طبيعة تصنيفية فئوية، كالنوع الاجتماعي، والانتماء الإكلينيكي التشخيصي، أو الفئات التجريبية والضابطة. يفرض هذا التباين التكويني قيوداً رياضية صارمة تمنع الباحث من تطبيق النماذج الارتباطية الكلاسيكية المباشرة دون فحص معمق للأسس البنيوية للبيانات، مما يستدعي استيعاباً دقيقاً لآليات التحويل والمعاملات الإحصائية المتخصصة التي تضمن تقديراً غير متحيز لقوة واتجاه العلاقة.

تاريخياً، ارتبط تطور الاستدلال الإحصائي بالحاجة إلى إيجاد مقاييس موضوعية تعكس درجة التوافق أو التباين المشترك بين الظواهر. غير أن الاعتماد الأعمى على النماذج الخطية العامة دون مراعاة خصائص مستويات القياس يؤدي حتماً إلى الوقوع في فخ التشويه الإحصائي، وتراجع القوة الاختبارية، وتضخيم معدلات الخطأ من النوعين الأول والثاني. من هنا، تتجلى أهمية فهم المنظومة الرياضية لمعاملات الارتباط الهجينة، والتي تبدأ من معامل ارتباط النقطة ثنائي التسلسل، مروراً بالارتباط ثنائي التسلسل الاعتيادي والمتعدد، وصولاً إلى المقاييس اللامعلمية ومؤشرات حجم الأثر المتقدمة في إطار تحليل التباين والنمذجة البنائية.

يهدف هذا الدليل المرجعي الشامل إلى تفكيك البنية الرياضية والمنهجية لحساب الارتباط بين المتغيرات المستمرة والفئوية بمختلف أشكالها، مقدماً تأصيلاً نظرياً وتطبيقياً مستفيضاً. سنستعرض بدقة الفروق الجوهرية بين مستويات القياس، والاشتقاقات الجبرية للمعادلات الإحصائية، والشروط والافتراضات القبلية الواجب تحققها، مع تقديم تطبيق حسابي يدوي متكامل خطوة بخطوة، وشرح مسارات التنفيذ عبر البرمجيات الإحصائية المعيارية (IBM SPSS، وR Project، وPython)، فضلاً عن مناقشة التطبيقات السيكومترية المتقدمة والمزالق المنهجية الشائعة وفق أحدث معايير جمعية علم النفس الأمريكية (APA).

1. المدخل النظري لقياس العلاقات الارتباطية بين المتغيرات المستمرة والفئوية

1.1 الفرق الجوهري بين المتغيرات المستمرة والمتغيرات الفئوية في القياس النفسي

يرتكز القياس النفسي والسلوكي على تصنيف المتغيرات وفق مستويات القياس الأربعة التي صاغها عالم النفس الرياضي ستانلي سميث ستيفنز (Stanley Smith Stevens) عام 1946: الاسمي (Nominal)، والرتبوي (Ordinal)، والفتري (Interval)، والنسبي (Ratio). تُمثل المتغيرات المستمرة (Continuous Variables) فئة البيانات المقاسة على مستويات فترية أو نسبية، حيث تتميز بوجود وحدات قياس متساوية وثابتة رياضياً بين النقاط المتتالية، وإمكانية أخذ أي قيمة كسرية أو عشرية ضمن مدى رقمي معين. تتجلى هذه المتغيرات في الأبحاث النفسية عبر مقاييس درجات القلق، والتحصيل الأكاديمي، واختبارات الذاكرة العاملة، وزمن الرجع المقاس بالمللي ثانية، والنشاط الكهربائي للدماغ. تتمتع المتغيرات المستمرة بخاصية ثراء المعلومات الإحصائية، إذ تتيح حساب المتوسطات الحسابية، والتباينات، وتطبيق سائر العمليات الجبرية المتقدمة عليها مباشرة.

في المقابل، تُمثل المتغيرات الفئوية (Categorical Variables) مستويات القياس الاسمية والرتبوية، حيث لا تعكس الأرقام المسندة إليها كميات حقيقية بل دلالات تصنيفية نوعية. تنقسم المتغيرات الفئوية إلى فئوية ثنائية (Dichotomous) تضم مستويين فقط، مثل: (ذكر/أنثى، مصاب/سليم، ناجح/راسب)، وفئوية متعددة (Polytomous) تضم ثلاثة مستويات فأكثر، مثل: التخصص الأكاديمي، أو فئات التشخيص الإكلينيكي للطب النفسي، أو المراحل العمرية النوعية. تفقد الأرقام في المتغيرات الاسمية خواص الترتيب والمسافات المتساوية والصفر الحقيقي، في حين تكتسب المتغيرات الرتبوية خاصية الأفضلية الترتيبية فقط دون تجانس المسافات بين الرتب، كما هو الحال في تدريجات مقياس ليكرت الخماسي أو السباعي.

تنشأ التحديات المنهجية عند محاولة دمج هذين النوعين المتباينين في نموذج إحصائي خطي واحد؛ فالنماذج الخطية الكلاسيكية تفترض بديهياً أن فضاء البيانات يتمتع بالاتصال الإقليدي والتوزيع الطبيعي المشترك. إن نمذجة العلاقة بين مقياس نفسي كمي وتصنيف ديموغرافي أو تشخيصي تتطلب جسراً رياضياً يستطيع قياس مدى انتظام توزيع الدرجات المستمرة عبر الفئات النوعية، وتحديد ما إذا كان التباين في الدرجة الكمية يُعزى منهجياً إلى الانتماء الفئوي، وهو ما يشكل جوهر القياس السيكومتري الحديث.

1.2 حدود معامل ارتباط بيرسون عند التعامل مع البيانات الفئوية

يُعد معامل ارتباط بيرسون لعزم حاصل الضرب (Pearson Product-Moment Correlation Coefficient – $r$) المعيار الذهبي لقياس العلاقات الخطية الثنائية. ومع ذلك، فإن اشتقاق بيرسون الرياضي يستند إلى حزمة من الافتراضات الصارمة، أبرزها: استمرارية كلا المتغيرين، وتوزيعهما الاعتدالي الثنائي المشترك (Bivariate Normality)، وتجانس تباين الخطأ، وغياب القيم الشاذة، ووجود علاقة خطية منتظمة. عند إقحام متغير فئوي في معادلة بيرسون التقليدية دون مراعاة لطبيعته الرياضية، فإن هذه الافتراضات تنهار بنيوياً.

تترتب على اختزال المتغيرات الفئوية ضمن مصفوفات الارتباط الخطية الكلاسيكية عواقب رياضية خطيرة، أبرزها تقييد المدى النظري لقيمة المعامل القصوى. إذا تم استخدام معامل بيرسون المباشر لمتغير مستمر مع متغير فئوي متعدد المستويات، فإن النتيجة تصبح عديمة المعنى رياضياً بسبب غياب المسافات المتساوية بين الفئات الاسمية. أما في حالة المتغيرات الثنائية، فإن تطبيق صيغة بيرسون ينتج رياضياً ما يُعرف بمعامل ارتباط النقطة ثنائي التسلسل ($r_{pb}$)، ولكنه يظل مقيداً بنسب التوزيع التكراري للفئتين، حيث يعجز المعامل عن بلوغ قيمته العظمى ($\pm 1.0$) إلا في حالات التوزيع المتطابق المتوازن والتطابق التام للتشتت.

يؤدي إهمال البنية التوزيعية للمتغير التصنيفي إلى تشويه تقديرات حجم الأثر (Effect Size)، مما يترتب عليه تقليل القوة الإحصائية (Statistical Power) للدراسة وزيادة احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error) المتمثل في الفشل في اكتشاف علاقة حقيقية قائمة بالفعل. ومن هنا انطلقت الحاجة الإحصائية لتطوير معاملات واشتقاقات متخصصة تراعي مستويات القياس المختلفة وتوفر أدوات قياس دقيقة تتلاءم مع طبيعة البيانات الهجينة.

1.3 خارطة طريق اختيار المعامل الإحصائي المناسب لنوع البيانات

يتطلب اتخاذ القرار المنهجي الصائب لاختيار المعامل الارتباطي فحصاً متعدد الأبعاد لبنية المتغيرات، يبدأ بتحديد طبيعة المتغير الفئوي بدقة. يجب التمييز أولاً بين المتغير الفئوي الثنائي الحقيقي (True / Natural Dichotomy) كالجنس البيولوجي أو الحياة والموت، والمتغير الفئوي الثنائي المصطنع (Artificial Dichotomy) الذي ينشأ عن شطر متغير مستمر كامن عند نقطة قطع محددة، مثل تصنيف الأفراد إلى (مرتفعي القلق / منخفضي القلق) أو (ناجح / راسب) بناءً على درجة معيارية.

تتحدد مصفوفة القرار الإحصائي وفق الشجرة المعيارية التالية:

• متغير مستمر + متغير ثنائي حقيقي (Natural Dichotomy): يُستخدم معامل ارتباط النقطة ثنائي التسلسل (Point-Biserial Correlation – $r_{pb}$).
• متغير مستمر + متغير ثنائي مصطنع (Artificial Dichotomy): يُستخدم معامل الارتباط ثنائي التسلسل العادي (Biserial Correlation – $r_b$).
• متغير مستمر + متغير فئوي رتبي متعدد (Ordinal Polytomous): يُستخدم معامل الارتباط متعدد التسلسل (Polyserial Correlation) أو معامل سومرز دي (Somers’ d).
• متغير مستمر + متغير فئوي اسمي متعدد (Nominal Polytomous): يُستخدم معامل إيتا (Eta – $eta$) في إطار تحليل التباين أحادي الاتجاه (One-Way ANOVA).
• انتهاك افتراضات الاعتدالية والتجانس لمتغير ثنائي: يُستخدم معامل الارتباط ثنائي التسلسل للرتب (Rank-Biserial Correlation) المقترن باختبار مان-ويتني (Mann-Whitney U).

يعكس هذا التمايز التكاملي التناغم الإحصائي بين التحليل الارتباطي واختبارات الفروق؛ حيث يُثبت الاستدلال الرياضي أن حساب الارتباط بين متغير مستمر ومتغير فئوي هو في حقيقته الوجه الآخر لاختبار الفروق بين المتوسطات، مع ميزة تفوق معاملات الارتباط في التعبير المباشر عن حجم الأثر ونسبة التباين المفسر في الظاهرة النفسية محل الدراسة.

2. معامل ارتباط النقطة ثنائي التسلسل (Point-Biserial Correlation): المفهوم والخصائص الرياضية

2.1 التعريف الدقيق والأسس الرياضية للمعامل

يُعرَّف معامل ارتباط النقطة ثنائي التسلسل، ويرمز له بالرمز الإحصائي ($r_{pb}$)، بأنه معامل ارتباط معلمي يقيس قوة واتجاه العلاقة الخطية بين متغير كمي متصل ومستمر ومتغير كيفي فئوي ثنائي حقيقي. يُعد هذا المعامل اشتقاقاً جبرياً مباشراً وحالة خاصة من صيغة معامل بيرسون، يبرز عندما يتم ترميز المتغير الثنائي بقيمتين رقميتين ثنائيتين هما ($0$ و $1$). يُمثل المتغير المستمر في هذا السياق المتغير التابع الذي يتم قياس انتشاره وتشتته عبر الفئتين المتميزتين للمتغير المستقل.

من المنظور الرياضي، يقيس $r_{pb}$ درجة التباين المفسر في المتغير المستمر التي تعود مباشرة إلى الانتماء لإحدى فئتي المتغير الثنائي. يتراوح المدى النظري لقيم المعامل بين $-1.00$ و $+1.00$، مروراً بالصفر الذي يدل على انعدام العلاقة الخطية تماماً بين المتغيرين وتساوي متوسطات المجموعتين. تشير إشارة المعامل الجبرية (الموجبة أو السالبة) فقط إلى الاتجاه المشروط بطريقة الترميز الرقمي؛ فالإشارة الموجبة تعني أن الفئة المرمزة بالرقم ($1$) تمتلك متوسطاً حسابياً أعلى في المتغير المستمر مقارنة بالفئة المرمزة بالرقم ($0$)، بينما تعكس الإشارة السالبة العكس تماماً، دون أن يكون لإشارة المعامل أي تأثير على قوته المطلقة.

يتميز معامل النقطة ثنائي التسلسل بصرامته الرياضية؛ فهو لا يفترض وجود متغير مستمر خفي وراء التصنيف الثنائي، بل يتعامل مع الفئات كحقائق منفصلة ونهائية. هذا التمايز يجعله الأداة المثلى في الدراسات التجريبية والارتباطية التي تتناول تصنيفات بيولوجية، أو تجريبية حقيقية كالمجموعات التجريبية والضابطة.

2.2 العلاقة التبادلية بين معامل النقطة واختبار ت للعينات المستقلة

توجد علاقة ارتباطية وعضوية كاملة بين معامل ارتباط النقطة ثنائي التسلسل واختبار “ت” للعينات المستقلة (Independent Samples Student’s t-test). إن كلاً من التحليلين يختبر في الواقع نفس الفرضية الصفرية الأساسية: انعدام الفروق بين متوسطي الفئتين، أو انعدام الارتباط بين المتغير الثنائي والمتغير المستمر ($\rho_{pb} = 0$). يوضح الاشتقاق الجبري أنه يمكن التعبير عن قيمة $t$ بدلالة $r_{pb}$ وبالعكس تماماً وفق المعادلة الرياضية الصريحة:

$$t = \frac{r_{pb} \sqrt{N – 2}}{\sqrt{1 – r_{pb}^2}}$$

حيث تُمثل $N$ الحجم الكلي للعينة، و$(N – 2)$ درجات الحرية ($df$). وبإعادة ترتيب المعادلة جبرياً لعزل معامل الارتباط النقطي، نحصل على صيغة التحويل الدقيقة التالية:

$$r_{pb} = \frac{t}{\sqrt{t^2 + df}} = \frac{t}{\sqrt{t^2 + (N – 2)}}$$

تُثبت هذه العلاقة الرياضية التطابق التام في مستويات الدلالة الإحصائية ($p$-value) المحسوبة لكلا الاختبارين لنفس مجموعة البيانات. غير أن الأوساط المنهجية توصي بتفضيل استخدام معامل الارتباط النقطي ثنائي التسلسل أو تقريره جنباً إلى جنب مع اختبار $t$؛ نظراً لأن قيمة $t$ تعكس فقط الدلالة الإحصائية وتتأثر بشدة بحجم العينة، في حين يقدم $r_{pb}$ تقديراً مباشراً ومقنناً لحجم الأثر (Effect Size) يُسهل مقارنته عبر الدراسات المختلفة في إطار التحليلات التلوية (Meta-Analysis).

2.3 تأثير عدم التساوي في حجوم المجموعات على قيمة المعامل

من أهم الخصائص الحسابية لمعامل ارتباط النقطة ثنائي التسلسل حساسيته البالغة للنسبة التوزيعية لأفراد الفئتين، والتي يُرمز لها إحصائياً بـ $p$ للفئة الأولى و $q$ للفئة الثانية، حيث $p + q = 1$. يبلغ المعامل أقصى كفاءة استدلالية وثبات رياضي عندما تكون المجموعات متوازنة تماماً في الحجم، أي عندما تكون $p = q = 0.50$.

عندما تنحرف النسبة التوزيعية انحرافاً حاداً عن التساوي (كأن تصبح النسبة $0.90$ إلى $0.10$، أو $0.95$ إلى $0.05$، كما هو شائع في العينات الإكلينيكية للأمراض النادرة)، يتعرض المدى الأقصى الممكن للمعامل لظاهرة الانكماش الرياضي (Mathematical Attenuation). في ظل هذا التفاوت الشديد، يستحيل على معامل $r_{pb}$ الاقتراب من القيمة القصوى النظرية ($+1.0$ أو $-1.0$)، حتى لو كان التمايز بين متوسطي الفئتين مطلقاً والتباين الداخلي منعدماً، حيث ينحدر الحد الأقصى للمعامل ليصبح محكوماً بالعلاقة الرياضية لجذر الجداء الاحتمالي $\sqrt{pq}$.

يفرض هذا الانكماش ضوابط منهجية دقيقة على الباحثين؛ إذ ينبغي الحذر الشديد عند مقارنة معاملات $r_{pb}$ المستخرجة من عينات ذات نسب توزيعية متفاوتة، والاعتماد على معاملات تصحيحية أو تفضيل نماذج الانحدار اللوجستي ومؤشرات نسب الأرجحية (Odds Ratios) وحجم أثر $d$ كوهين في حالات الانحراف الشديد لتفادي التفسير المضلل لضعف الارتباط الظاهري.

3. الافتراضات الإحصائية الإلزامية لحساب ارتباط النقطة ثنائي التسلسل

3.1 افتراض التوزيع الطبيعي للمتغير المستمر داخل المجموعات

باعتبار معامل ارتباط النقطة ثنائي التسلسل معلماً إحصائياً يستند إلى المنظومة الرياضية للنماذج الخطية المعلمية، فإن حساب اختبارات الدلالة الإحصائية وفترات الثقة المرتبطة به يفترض استيفاء شروط محددة. يتمثل أول هذه الافتراضات في التوزيع الطبيعي للمتغير المستمر داخل كل فئة من فئتي المتغير الثنائي بصورة مستقلة، وليس عبر العينة الكلية المدمجة؛ إذ إن دمج الفئتين قد يولد توزيعاً ثنائي القمة (Bimodal Distribution) بصورة طبيعية إذا كانت الفروق بين المتوسطين جوهرية.

يتعين على الباحث التحقق من هذا الافتراض استكشافياً باستخدام حزمة من الاختبارات المعيارية:

• اختبار شابيرو-ويلك (Shapiro-Wilk Test): ويُعد الأداة الأكثر حساسية وقوة في الكشف عن الالتواء والتفرطح في العينات الصغيرة والمتوسطة ($N < 50$).
• اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test) مع تصحيح ليلفورس: ويُستخدم أساساً في العينات الكبيرة نسبياً ($N > 50$).
• الفحص البصري التوزيعي: عبر فحص الرسوم البيانية التكرارية (Histograms)، ومخططات الاحتمال الطبيعي (Q-Q Plots)، حيث يُشير انتظام النقاط على طول الخط القطري إلى تحقق الاعتدالية.

يؤدي الانتهاك الصارخ لافتراض الاعتدالية—خصوصاً في العينات الصغيرة غير المتوازنة—إلى تشويه التقديرات الاحتمالية ($p$-values)، وتضخيم معدل الوقوع في الخطأ من النوع الأول، وتقويض مصداقية فترات الثقة المحسوبة، مما يوجه التحليل نحو البدائل اللامعلمية.

3.2 افتراض تجانس التباين (Homogeneity of Variance)

يقتضي الافتراض الثاني تساوي وتجانس التباين (Homoscedasticity) للمتغير المستمر عبر مستويي المتغير الثنائي؛ أي إن تباين درجات الفئة الأولى ($\sigma_1^2$) يجب أن يعادل إحصائياً تباين درجات الفئة الثانية ($\sigma_0^2$). يُشكل هذا التجانس ركيزة أساسية لاشتقاق الانحراف المعياري المشترك وحساب الدلالة الإحصائية الدقيقة للمعامل.

يتم فحص هذا الافتراض منهجياً من خلال اختبار ليفين لتجانس التباين (Levene’s Test for Equality of Variances). تدل القيمة الاحتمالية غير الدالة إحصائياً ($p > 0.05$) على استيفاء الافتراض وسلامة البيانات للتطبيق المعلمي، في حين تكشف القيمة الدالة ($p < 0.05$) عن وجود تباين غير متجانس (Heteroscedasticity).

تتضاعف خطورة عدم تجانس التباين عند اقترانها بعدم تساوي أحجام المجموعات؛ فإذا كانت المجموعة الأكبر حجماً تمتلك التباين الأكبر، فإن ذلك يؤدي إلى تقدير متشدد ومتحيز سلباً للمعامل واختبار دلالته، بينما يؤدي اقتران المجموعة الأصغر حجماً بالتباين الأكبر إلى تضخيم زائف للدلالة الإحصائية ومعدلات خطأ النوع الأول. في مثل هذه الظروف، يُنصح بتطبيق تعديلات ويلش (Welch’s correction) أو استخدام التحويلات الرياضية اللوغاريتمية، أو اللجوء للارتباط الرتبي اللامعلمي.

3.3 فحص القيم المتطرفة والشاذة والبيانات المؤثرة

تتمتع المقاييس المستندة إلى عزم التباين وحاصل الضرب بحساسية فائقة لوجود القيم الشاذة والمتطرفة (Outliers) والنقاط ذات الرافعة العالية (High Leverage Points). يمكن لمشاهدة واحدة شديدة التطرف أن تقلب قيمة معامل الارتباط النقطي من قيمة موجبة دالة إلى قيمة سالبة أو قريبة من الصفر، أو بالعكس تماماً، مما يولد ارتباطاً خادعاً لا يمثل حقيقة المجتمع الإحصائي.

تتضمن الإجراءات المنهجية للكشف عن القيم المتطرفة:

• تحويل الدرجات الخام إلى درجات معيارية ($Z$-Scores)، واعتبار أي مشاهدة تتجاوز القيمة المطلقة ($|Z| > 3.0$) قيمة متطرفة محتملة.
• فحص مخططات الصندوق والطرفين (Boxplots) لرصد القيم التي تقع خارج المدى الربيعي بمقدار يتجاوز $1.5$ مضروباً في المدى الربيعي ($IQR$).
• تقييم مسافة كوك (Cook’s Distance) ومؤشر الرافعة لتحديد مدى تأثير المشاهدة المنفردة على خط الانحدار والميل الإحصائي.

عند اكتشاف قيم متطرفة حقيقية ناتجة عن أخطاء القياس أو الإدخال، يجب تصحيحها أو استبعادها مع التوثيق المنهجي الصارم. أما إذا كانت تعكس تبايناً واقعياً أصيلاً في العينة، فيمكن اللجوء إلى تقنيات التحويل غير الخطي (كتحويل الجذر التربيعي أو اللوغاريتم) أو تقنيات التهدئة الإحصائية (Winsorization) لتقليص أثرها التخريبي، مع التأكيد الدائم على ضرورة استقلالية المشاهدات كشرط حاسم لا يقبل التنازل لصحة الاستدلال الإحصائي.

4. المعادلة الرياضية لمعامل ارتباط النقطة ثنائي التسلسل وخطوات الاشتقاق

4.1 التفكيك التفصيلي لمعادلة الارتباط النقطي

تعتمد المعادلة الحسابية الكلاسيكية لمعامل ارتباط النقطة ثنائي التسلسل ($r_{pb}$) على قياس المسافة المعيارية المباشرة بين متوسطي الفئتين، مرجحةً بالنسب التوزيعية ومقسومةً على الانحراف المعياري الإجمالي للدرجات. تُصاغ المعادلة الرياضية الأساسية على النحو التالي:

$$r_{pb} = \frac{M_1 – M_0}{s_y} \sqrt{p \cdot q}$$

تتألف المعادلة من الرموز والمتغيرات المعيارية التالية:

• $M_1$: المتوسط الحسابي لدرجات المتغير المستمر للمشاركين المنتمين إلى الفئة المرمزة بالرقم ($1$).
• $M_0$: المتوسط الحسابي لدرجات المتغير المستمر للمشاركين المنتمين إلى الفئة المرمزة بالرقم ($0$).
• $s_y$: الانحراف المعياري الكلي لجميع درجات المتغير المستمر للعينة الكلية مجتمعة (محسوباً باستخدام المقام الإحصائي المعياري $N$ أو $N-1$).
• $p$: النسبة المئوية لأفراد الفئة ($1$) منسوبة للحجم الكلي للعينة ($p = \frac{n_1}{N}$).
• $q$: النسبة المئوية لأفراد الفئة ($0$) منسوبة للحجم الكلي للعينة ($q = \frac{n_0}{N} = 1 – p$).
• $\sqrt{p \cdot q}$: الجذر التربيعي لجداء النسبتين، وهو العامل الهندسي المرجح الذي يضبط حجم المعامل وفقاً للتوزيع التكراري للفئات.

يتجلى المنطق الرياضي للمعادلة في تحويل الفارق الخام بين متوسطي المجموعتين ($M_1 – M_0$) إلى مقياس معياري نسبي بقسمته على التشتت الكلي ($s_y$)، ثم وزنه بالجذر التربيعي لحاصل ضرب النسبتين الاحتماليتين. يضمن هذا التركيب الرياضي انحصار المعامل ضمن المدى المعياري للارتباط، ويعكس مدى التمايز بين الفئتين مقارنة بالتشتت الكلي للمجتمع.

4.2 الصيغة البديلة باستخدام الانحراف المعياري المشترك الموزون

في العديد من السياقات القياسية السيكومترية، خصوصاً عند التعامل مع عينات بحثية صغيرة إلى متوسطة، يُفضل الإحصائيون استخدام صيغة بديلة تعتمد على الانحراف المعياري المشترك داخل المجموعات ($s_{pooled}$) بدلاً من الانحراف المعياري الكلي للعينة ($s_y$). تأخذ هذه الصيغة الشكل الرياضي التالي:

$$r_{pb} = \frac{M_1 – M_0}{s_{pooled}} \sqrt{\frac{n_1 \cdot n_0}{N(N – 1)}}$$

حيث يُحسب الانحراف المعياري المشترك الموزون ($s_{pooled}$) بدرجات الحرية لكل مجموعة وفق المعادلة:

$$s_{pooled} = \sqrt{\frac{(n_1 – 1)s_1^2 + (n_0 – 1)s_0^2}{n_1 + n_0 – 2}}$$

تتطابق هذه الصيغة الموزونة جبرياً تماماً مع معامل ارتباط بيرسون المحسوب عبر مصفوفات التغاير والانحرافات المعيارية المصححة بدرجات الحرية ($N-1$). يكمن الفارق الفني في أن استخدام $s_y$ المحسوبة بمقام ($N$) في الصيغة الكلاسيكية يعطي نفس القيمة الدقيقة تماماً لمعامل بيرسون، مما يؤكد الوحدة الرياضية الشاملة للاستدلال الإحصائي، ويوفر للباحث النفسي مرونة تامة في التعامل مع البيانات سواء توفرت لديه الإحصاءات الوصفية الجزئية أو المصفوفات الكلية.

5. تطبيق عملي يدوي لحساب معامل ارتباط النقطة ثنائي التسلسل خطوة بخطوة

5.1 بناء سيناريو دراسة نفسية تجريبية وإعداد مصفوفة البيانات

لترسيخ المفاهيم الرياضية السابقة وتحويلها إلى ممارسة إجرائية ملموسة، نفترض سيناريو دراسة نفسية تجريبية أُجريت في مختبر القياس المعرفي لفحص العلاقة الارتباطية بين متغير الجنس البيولوجي (كمتغير فئوي ثنائي حقيقي) والدرجة في “اختبار الاستعداد المعرفي والأكاديمي العام” (كمتغير كمي مستمر). شملت العينة العشوائية المختارة $N = 24$ مبحوثاً، موزعين بالتساوي التام ($12$ ذكور و $12$ إناث) لتحقيق التوازن التوزيعي الأمثل.

تم ترميز متغير الجنس رقمياً على النحو المعياري الآتي: الإناث = $1$، والذكور = $0$. تتوزع الدرجات الفردية الخام للمشاركين الـ 24 في الجدول المعياري التالي متضمنة الحسابات التمهيدية للمربعات والمجاميع الجزئية:

المشارك (#)	الجنس (الفئة)	الترميز الرقمي ($X$)	درجة الاستعداد الأكاديمي ($Y$)	مربع الدرجة ($Y^2$)	حاصل الضرب ($X \cdot Y$)
1	إناث	1	88	7744	88
2	إناث	1	92	8464	92
3	إناث	1	85	7225	85
4	إناث	1	90	8100	90
5	إناث	1	78	6084	78
6	إناث	1	84	7056	84
7	إناث	1	95	9025	95
8	إناث	1	89	7921	89
9	إناث	1	81	6561	81
10	إناث	1	86	7396	86
11	إناث	1	93	8649	93
12	إناث	1	87	7569	87
13	ذكور	0	75	5625	0
14	ذكور	0	80	6400	0
15	ذكور	0	72	5184	0
16	ذكور	0	78	6084	0
17	ذكور	0	85	7225	0
18	ذكور	0	70	4900	0
19	ذكور	0	77	5929	0
20	ذكور	0	82	6724	0
21	ذكور	0	74	5476	0
22	ذكور	0	79	6241	0
23	ذكور	0	81	6561	0
24	ذكور	0	73	5329	0
المجموع الكلي ($\Sigma$)		$\Sigma X = 12$	$\Sigma Y = 1970$	$\Sigma Y^2 = 163478$	$\Sigma XY = 1048$

5.2 الحسابات اليدوية التفصيلية للمتوسطات والانحرافات والمعامل

نبدأ باستخراج المؤشرات الوصفية الأولية للمجموعتين والعينة الإجمالية لتطبيق المعادلة الرياضية المعيارية:

أولاً: حساب المتوسطات الحسابية الجزئية ($M_1$ و $M_0$):

مجموع درجات الإناث ($X = 1$): $\Sigma Y_1 = 88+92+85+90+78+84+95+89+81+86+93+87 = 1048$

المتوسط الحسابي للإناث ($M_1$):

$$M_1 = \frac{1048}{12} = 87.333$$

مجموع درجات الذكور ($X = 0$): $\Sigma Y_0 = 75+80+72+78+85+70+77+82+74+79+81+73 = 922$

المتوسط الحسابي للذكور ($M_0$):

$$M_0 = \frac{922}{12} = 76.833$$

ثانياً: حساب التباين والانحراف المعياري الكلي لجميع الدرجات ($s_y$):

المتوسط الحسابي العام للعينة الكلية ($M_y$):

$$M_y = \frac{\Sigma Y}{N} = \frac{1970}{24} = 82.083$$

مجموع مربعات الانحرافات الكلية ($SS_{total}$):

$$SS_{total} = \Sigma Y^2 – \frac{(\Sigma Y)^2}{N} = 163478 – \frac{(1970)^2}{24} = 163478 – \frac{3880900}{24} = 163478 – 161704.167 = 1773.833$$

الانحراف المعياري الكلي للعينة الكلية ($s_y$) (باستخدام صيغة التقدير غير المتحيز بمقام $N-1$ للتوافق التام مع بيرسون):

$$s_y = \sqrt{\frac{SS_{total}}{N – 1}} = \sqrt{\frac{1773.833}{23}} = \sqrt{77.123} \approx 8.782$$

أو باستخدام الانحراف المعياري لمجتمع العينة بمقام $N$:

$$\sigma_y = \sqrt{\frac{SS_{total}}{N}} = \sqrt{\frac{1773.833}{24}} = \sqrt{73.910} \approx 8.597$$

ثالثاً: حساب النسب التوزيعية وجذر الجداء:

$$p = \frac{n_1}{N} = \frac{12}{24} = 0.50, \quad q = \frac{n_0}{N} = \frac{12}{24} = 0.50$$

$$\sqrt{p \cdot q} = \sqrt{0.50 \times 0.50} = \sqrt{0.25} = 0.50$$

رابعاً: التعويض في المعادلة واستخراج قيمة $r_{pb}$:

بالتعويض في صيغة الارتباط النقطي الكلاسيكية (باستخدام الانحراف المعياري $\sigma_y = 8.597$ لضمان الاتساق الرياضي المباشر لصيغة بيرسون للعينة المحددة):

$$r_{pb} = \frac{M_1 – M_0}{\sigma_y} \sqrt{p \cdot q} = \frac{87.333 – 76.833}{8.597} \times 0.50 = \frac{10.500}{8.597} \times 0.50 = 1.2213 \times 0.50 = 0.6107 \approx 0.611$$

5.3 تفسير النتيجة اليدوية وسياق الإشارة الجبرية

أسفرت الحسابات اليدوية الدقيقة عن معامل ارتباط نقطي ثنائي التسلسل مقداره $r_{pb} = +0.611$. تشير الإشارة الجبرية الموجبة للمعامل إلى وجود علاقة طردية موجبة وفق نظام الترميز المعتمد؛ أي إن الانتقال من الفئة ($0$) (الذكور) إلى الفئة ($1$) (الإناث) يقترن بارتفاع منظم وجوهري في درجات اختبار الاستعداد الأكاديمي بمقدار متوسط الفارق بين المجموعتين.

من الضروري التأكيد المنهجي على أن هذه الإشارة تابعة كلياً للقرار الإجرائي للترميز؛ فلو قام الباحث بعكس الترميز وجعل الذكور = $1$ والإناث = $0$، لكانت النتيجة الحسابية الناتجة $r_{pb} = -0.611$ بدقة متناهية. إن القيمة المطلقة للمعامل ($|r_{pb}| = 0.611$) تظل ثابتة ومستقلة تماماً عن الترميز، وهي التي تحدد قوة الارتباط وحجم الأثر الفعلي.

بالرجوع إلى المحكات السيكومترية الكلاسيكية التي وضعها جاكوب كوهين (Jacob Cohen) لتفسير حجوم الأثر في العلوم السلوكية (حيث يُعد الارتباط $0.10$ صغيراً، و $0.30$ متوسطاً، و $0.50$ كبيراً فأكثر)، نجد أن القيمة المحسوبة ($0.611$) تُمثل ارتباطاً قوياً ومرتفعاً للغاية، مما يعكس تمايزاً نوعياً كبيراً بين الفئتين في السمة المقاسة.

6. اختبار الدلالة الإحصائية وتحديد فترات الثقة لمعامل النقطة ثنائي التسلسل

6.1 صياغة واختبار الفرضيات الصفرية والبديلة

لا يكتمل التحليل الإحصائي بحساب القيمة الوصفية للمعامل وحدها، بل يتعين إخضاعها لاختبار الدلالة الاستدلالية للتحقق مما إذا كانت هذه العلاقة تمثل ارتباطاً حقيقياً في المجتمع الأصلي أم أنها مجرد تباين عشوائي ناتج عن خطأ المعاينة (Sampling Error). تُصاغ الفرضيات الإحصائية ثنائية الذيل على النحو التالي:

• الفرضية الصفرية ($H_0$): $\rho_{pb} = 0$ (لا يوجد ارتباط دال إحصائياً بين الجنس والدرجة في المجتمع).
• الفرضية البديلة ($H_1$): $\rho_{pb} \neq 0$ (يوجد ارتباط دال إحصائياً بين الجنس والدرجة في المجتمع).

لحساب القيمة التائية المحسوبة ($t_{calc}$) المقترنة بمعامل الارتباط النقطي المستخرج ($r_{pb} = 0.6107$) مع درجات حرية $df = N – 2 = 24 – 2 = 22$:

$$t_{calc} = \frac{r_{pb} \sqrt{N – 2}}{\sqrt{1 – r_{pb}^2}} = \frac{0.6107 \sqrt{22}}{\sqrt{1 – (0.6107)^2}} = \frac{0.6107 \times 4.6904}{\sqrt{1 – 0.3729}} = \frac{2.8644}{\sqrt{0.6271}} = \frac{2.8644}{0.7919} \approx 3.617$$

بالرجوع إلى جدول التوزيع التائي عند درجات حرية $df = 22$ ومستوى دلالة $\alpha = 0.05$ لاختبار ثنائي الذيل، نجد أن القيمة التائية الحرجة ($t_{critical}$) تساوي $2.074$، وعند مستوى دلالة $\alpha = 0.01$ تساوي $2.819$. بما أن القيمة التائية المحسوبة ($t = 3.617$) أكبر قطيعاً من القيمة الحرجة عند كلا المستويين ($p < 0.002$)، فإننا نرفض الفرضية الصفرية ($H_0$) ونقبل الفرضية البديلة ($H_1$)، مؤكدين وجود ارتباط دال إحصائياً وموجب بين المتغيرين في المجتمع الأصلي.

6.2 بناء فترات الثقة (Confidence Intervals) لمعامل الارتباط

بسبب التواء توزيع المعاينة لمعاملات الارتباط عندما تبتعد قيمتها عن الصفر في المجتمع، لا يمكن حساب فترات الثقة باستخدام الخطأ المعياري الخطي البسيط مباشرة. يقتضي الإجراء المعياري تطبيق تحويل فيشر الزدوي (Fisher’s $r$-to-$z$ Transformation) لتحويل توزيع المعامل إلى توزيع طبيعي معياري متماثل تماماً.

خطوات بناء فترة الثقة 95% لمعامل الارتباط المحسوب ($r_{pb} = 0.6107$):

الخطوة 1: تحويل $r$ إلى مقياس $z’$:

$$z’ = \frac{1}{2} \ln\left(\frac{1 + r_{pb}}{1 – r_{pb}}\right) = 0.5 \times \ln\left(\frac{1 + 0.6107}{1 – 0.6107}\right) = 0.5 \times \ln\left(\frac{1.6107}{0.3893}\right) = 0.5 \times \ln(4.1374) = 0.5 \times 1.4201 = 0.7101$$

الخطوة 2: حساب الخطأ المعياري لتحويل فيشر ($SE_{z’}$):

$$SE_{z’} = \frac{1}{\sqrt{N – 3}} = \frac{1}{\sqrt{24 – 3}} = \frac{1}{\sqrt{21}} = \frac{1}{4.5826} \approx 0.2182$$

الخطوة 3: تحديد حدود فترة الثقة 95% على مقياس $z’$ (باستخدام $Z_{critical} = 1.96$):

$$z’_{lower} = z’ – (1.96 \times SE_{z’}) = 0.7101 – (1.96 \times 0.2182) = 0.7101 – 0.4277 = 0.2824$$

$$z’_{upper} = z’ + (1.96 \times SE_{z’}) = 0.7101 + (1.96 \times 0.2182) = 0.7101 + 0.4277 = 1.1378$$

الخطوة 4: إعادة التحويل العكسي من مقياس $z’$ إلى مقياس $r$:

صيغة التحويل العكسي هي: $r = \frac{e^{2z’} – 1}{e^{2z’} + 1}$

الحد الأدنى للارتباط ($r_{lower}$):

$$r_{lower} = \frac{e^{2(0.2824)} – 1}{e^{2(0.2824)} + 1} = \frac{e^{0.5648} – 1}{e^{0.5648} + 1} = \frac{1.7591 – 1}{1.7591 + 1} = \frac{0.7591}{2.7591} \approx 0.275$$

الحد الأعلى للارتباط ($r_{upper}$):

$$r_{upper} = \frac{e^{2(1.1378)} – 1}{e^{2(1.1378)} + 1} = \frac{e^{2.2756} – 1}{e^{2.2756} + 1} = \frac{9.7338 – 1}{9.7338 + 1} = \frac{8.7338}{10.7338} \approx 0.814$$

نستنتج بدرجة ثقة 95% أن القيمة الحقيقية لمعامل الارتباط في المجتمع تقع ضمن الفترة المفتوحة بين $[0.275, 0.814]$. وبما أن فترة الثقة خالية تماماً من الصفر وتتجه كلياً في النطاق الإيجابي، فإن ذلك يوفر دليلاً استدلالياً حاسماً على قوة وموثوقية العلاقة الارتباطية المكتشفة.

6.3 حساب حجم الأثر ومعامل التحديد (R-squared)

يُعد معامل التحديد ($R^2$ أو $r_{pb}^2$) المقياس المباشر لنسبة التباين المفسر في المتغير المستمر؛ حيث يتم حسابه بتربيع قيمة معامل الارتباط النقطي ثنائي التسلسل:

$$r_{pb}^2 = (0.6107)^2 = 0.3729 \approx 37.3%$$

يعني هذا المؤشر الإحصائي الدقيق أن ما نسبته $37.3%$ من إجمالي التباين والتشتت الملاحظ في درجات اختبار الاستعداد الأكاديمي العام يُعزى منهجياً ومباشرةً إلى التمايز بين الجنسين في العينة المدروسة، في حين تعود النسبة المتبقية ($62.7%$) إلى الفروق الفردية وعوامل أخرى غير مشمولة في هذا النموذج الثنائي.

لإجراء مقارنة معيارية مع مقاييس الفروق المعيارية، يمكن تحويل $r_{pb}$ إلى مؤشر $d$ كوهين لحجم الأثر باستخدام العلاقة الرياضية المقننة:

$$d = \frac{2 r_{pb}}{\sqrt{1 – r_{pb}^2}} = \frac{2 \times 0.6107}{\sqrt{1 – 0.3729}} = \frac{1.2214}{0.7919} \approx 1.542$$

يُصنف حجم الأثر البالغ $d = 1.542$ كحجم أثر بالغ الضخامة (Huge Effect Size)، حيث يتجاوز بكثير عتبة الأثر الكبير التي حددها كوهين ($d = 0.80$). يعكس هذا التكامل بين $r_{pb}^2$ و $d$ الكفاءة الاستثنائية للتحليل الارتباطي في إبراز الأهمية العملية التطبيقية للنتائج بجانب دلالتها الإحصائية المحضة.

7. معامل الارتباط ثنائي التسلسل العادي (Biserial Correlation): الفروق النظرية والحسابية

7.1 مفهوم المتغير الثنائي المصطنع والتوزيع الكامن المستمر

في العديد من الظواهر النفسية والتربوية، لا تنشأ الفئات الثنائية من انقسام بيولوجي أو تجريبي أصيل، بل تنتج عن تقسيم قسري أو إجرائي لمتغير كمي متصل يمتلك توزيعاً كامناً مستمراً (Latent Continuous Distribution). يُطلق على هذا النوع اسم المتغير الثنائي المصطنع (Artificial Dichotomy).

من أبرز الأمثلة السيكومترية على ذلك: تقسيم الأفراد إلى (ناجح / راسب) بناءً على درجة قطع محددة في اختبار تحصيلي متصل، أو تصنيف المرضى إلى (مكتئبين / غير مكتئبين) استناداً إلى نقطة قطع على مقياس بيك للاكتئاب، أو تصنيف الموظفين إلى (مرتفعي الدافعية / منخفضي الدافعية). في هذه الحالات، يُفترض سيكومترياً أن السمة الكامنة وراء الفئات موزعة توزيعاً طبيعياً متصلاً في المجتمع الإحصائي، ولكن أداة القياس أو الإجراء البحثي قام باختزالها إلى تصنيف ثنائي منفصل.

طوَّر عالم الإحصاء كارل بيرسون (Karl Pearson) معامل الارتباط ثنائي التسلسل العادي، ويرمز له بالرمز ($r_b$)، خصيصاً لتقدير العلاقة الارتباطية المفترضة بين المتغير المستمر الأول والمتغير المستمر الكامن الذي تم شطره مصطنعاً، متجاوزاً بذلك تشويه الانكماش التوزيعي الناتج عن التقسيم الثنائي القسري.

7.2 معادلة الارتباط ثنائي التسلسل العادي والارتفاع التوزيعي

ترتبط معادلة معامل الارتباط ثنائي التسلسل العادي ($r_b$) ارتباطاً وثيقاً بمعامل النقطة ($r_{pb}$)، وتعتمد في بنيتها الجبرية على الارتفاع الإحداثي للمنحنى الاعتدالي المعياري ($y$ أو Ordinate of Normal Curve) عند نقطة التقسيم المحددة بالنسبتين $p$ و $q$. تُصاغ المعادلة الحسابية لـ $r_b$ على النحو التالي:

$$r_b = \frac{M_1 – M_0}{s_y} \left(\frac{p \cdot q}{y}\right) = r_{pb} \left(\frac{\sqrt{p \cdot q}}{y}\right)$$

حيث تُمثل $y$ ارتفاع المنحنى الطبيعي المعياري المقابل للمساحة الاحتمالية التراكمية $p$ (أو $q$)، والتي تُحسب بالتعويض المباشر في دالة الكثافة الاحتمالية للتوزيع الطبيعي المعياري عند الدرجة المعيارية الحرجة $z_p$ المقابلة لنسبة التقسيم:

$$y = \frac{1}{\sqrt{2\pi}} e^{-\frac{z_p^2}{2}}$$

يوضح الاشتقاق الرياضي للعلاقة بين المعاملين التحويل الجبري المباشر:

$$r_b = r_{pb} \frac{\sqrt{p \cdot q}}{y}$$

نظراً لأن القيمة القصوى النظرية للارتفاع التوزيعي $y$ عند نقطة التماثل الكامل ($p = q = 0.50$ و $z = 0$) تساوي $y = 0.3989$، فإن النسبة المقابلة تكون:

$$\frac{\sqrt{0.50 \times 0.50}}{0.3989} = \frac{0.50}{0.3989} \approx 1.2533$$

يترتب على ذلك حقيقة رياضية أصيلة: إن قيمة معامل الارتباط ثنائي التسلسل العادي ($r_b$) تكون دائماً أكبر من قيمة معامل النقطة ثنائي التسلسل ($r_{pb}$) لنفس مجموعة البيانات بمقدار لا يقل عن $25.33%$ في الحالات المتوازنة، وتتزايد هذه الفجوة كلما زاد عدم التوازن في النسب التوزيعية. وفي حالات البيانات المتطرفة أو عدم تحقق افتراض الاعتدالية للمتغير الكامن، قد تتجاوز قيمة $r_b$ رياضياً حاجز الواحد الصحيح ($|r_b| > 1.0$)، مما يستدعي ضبط تفسيره واعتباره مؤشراً نظرياً لتقدير العلاقة مع السمة الكامنة غير الملاحظة وليس معامل ارتباط خطي مباشر محدود المدى.

7.3 مقارنة شاملة لتحديد متى يفضل استخدام كل من المعاملين

يوضح الجدول المنهجي المقارن التالي المعايير الدقيقة للاختيار والمفاضلة بين المعاملين لمنع تضخيم أو تقليص الارتباط في الأبحاث النفسية:

وجه المقارنة	ارتباط النقطة ثنائي التسلسل ($r_{pb}$)	الارتباط ثنائي التسلسل العادي ($r_b$)
طبيعة المتغير الثنائي	ثنائي حقيقي وأصيل (Natural / True Dichotomy).	ثنائي مصطنع لمتغير كامن مستمر (Artificial Dichotomy).
الافتراض التوزيعي للثنائي	لا يفترض توزيعاً مستمراً أو طبيعياً خلف الفئات.	يفترض توزيعاً طبيعياً معيارياً للمتغير الكامن.
المدى الرياضي للقيم	محدود بصرامة بين $[-1.00, +1.00]$.	قد يتجاوز $[-1.00, +1.00]$ في الحالات المتطرفة.
الحساسية لعدم التوازن ($p \neq q$)	ينكمش المدى الأقصى للمعامل بشدة عند التفاوت.	أكثر استقراراً ومصححاً ضد انكماش المدى الناتج عن الشطر.
التطبيقات القياسية النموذجية	الفروق بين الجنسين، المجموعات التجريبية/الضابطة.	تحليل فقرات الاختبار (صواب/خطأ)، مقاييس التشخيص المقطوعة.
التوافق مع النماذج الخطية	يتطابق كلياً مع صيغة بيرسون العامة ومعادلة $t$.	لا يمثل معامل بيرسون المباشر للبيانات المشاهدة.

8. حساب الارتباط مع المتغيرات الفئوية متعددة المستويات (Polyserial Correlation & Eta)

8.1 معامل الارتباط متعدد التسلسل (Polyserial Correlation)

يمثل معامل الارتباط متعدد التسلسل (Polyserial Correlation) الامتداد الرياضي الطبيعي لمعامل الارتباط ثنائي التسلسل العادي عندما يتضمن المتغير الفئوي ثلاثة مستويات ترتيبية فأكثر ($k ge 3$)، كما هو الحال في بنود مقاييس ليكرت، أو تصنيفات التقدير الأكاديمي (مقبول، جيد، جيد جداً، ممتاز)، أو مراحل تطور المرض النفسي (طفيف، متوسط، حاد).

يرتكز الأساس السيكومتري لمعامل الارتباط متعدد التسلسل على نمذجة المتغير الفئوي الترتيبي $X$ باعتباره تقسيماً كمياً لمتغير كامن مستمر $X^*$ يتبع التوزيع الطبيعي المعياري، تم شطره عبر سلسلة من العتبات التمايزية المتتالية (Thresholds: $\tau_1, \tau_2, dots, \tau_{k-1}$). تُقدَّر قيمة المعامل عبر طريقة الإمكانية الأعظم باتباع مرحلتين (Two-Step Maximum Likelihood Estimation):

1. حساب قيم العتبات الفاصلة ($\tau_j$) استناداً إلى التكرارات التراكمية للفئات في المتغير الترتيبي باستخدام دالة التوزيع التراكمي الطبيعي العكسي: $\tau_j = \Phi^{-1}(P_{cum,j})$.
2. تعظيم دالة الإمكانية المشتركة (Likelihood Function) لتقدير معامل الارتباط ($rho$) بين المتغير المستمر الملاحظ $Y$ والمتغير الكامن الترتيبي $X^*$، مع الأخذ في الاعتبار تباينات ومستويات القطع.

تكمن الأهمية التطبيقية للارتباط متعدد التسلسل في مجالات القياس النفسي المتقدم والنمذجة البنائية (SEM) وتحليل العوامل التوكيدي؛ حيث يتيح للباحث حساب الارتباط الصادق بين فقرات المقاييس التدريجية والدرجات الكلية المستمرة دون تشويه ناتج عن محدودية عدد الفئات الاستجابية.

8.2 معامل إيتا ومربع إيتا (Eta-Squared) في إطار تحليل التباين (ANOVA)

عندما يكون المتغير الفئوي متعدد المستويات اسماً محضاً خاوياً من أي ترتيب منطقي (Nominal Variable) — كالحالة الاجتماعية (أعزب، متزوج، مطلق، أرمل)، أو التخصص الجامعي، أو نوع العلاج النفسي المطبق (سلوكي معرفي، تحليل نفسي، علاج دوائي، مجموعة ضابطة) — تنهار المعاملات التسلسلية، ويصبح معامل إيتا ($eta$)، المعروف بنسبة الارتباط (Correlation Ratio)، الأداة الرياضية والمنهجية الوحيدة الصالحة لقياس العلاقة الارتباطية.

يتميز معامل إيتا بقدرته الفائقة على رصد وقياس العلاقات غير الخطية (Curvilinear Relationships) بين المتغيرات؛ حيث يُشتق حسابه مباشرة من إحصاءات تحليل التباين أحادي الاتجاه (One-Way ANOVA) وفق صيغة مربع إيتا ($\eta^2$):

$$\eta^2 = \frac{SS_{between}}{SS_{total}} = \frac{SS_{between}}{SS_{between} + SS_{within}}$$

يُمثل $\eta^2$ نسبة التباين الكلي في المتغير المستمر التي يفسرها الانتماء لمجموعات المتغير الاسمي، وتتراوح قيمته بدقة بين $0.00$ و $1.00$. وبأخذ الجذر التربيعي الموجب، نحصل على معامل إيتا ($\eta = \sqrt{\eta^2}$) الذي يُعبر عن قوة الارتباط العام، متجرداً من الإشارة الجبرية نظراً لغياب الاتجاهية الترتيبية في المتغيرات الاسمية متعددة الفئات.

في العينات النفسية الصغيرة، يميل مؤشر $\eta^2$ إلى التحيز الإيجابي وتضخيم حجم الأثر في المجتمع. ولتجاوز هذا القصور الإحصائي، يُوصى باستخدام مربع أوميجا ($\omega^2 – \text{Omega-Squared}$) كبديل غير متحيز يصحح التقدير بدرجات الحرية والتباين المتبقي:

$$\omega^2 = \frac{SS_{between} – (k – 1)MS_{within}}{SS_{total} + MS_{within}}$$

حيث $k$ يمثل عدد مستويات المتغير الفئوي، و $MS_{within}$ متوسط مربعات الخطأ داخل المجموعات. يقدم هذا المؤشر تقديراً موضوعياً دقيقاً لقوة الارتباط يضمن سلامة الاستنتاجات العلمية.

9. البدائل اللامعلمية لحساب الارتباط عند انتهاك الافتراضات (Rank-Biserial Correlation)

9.1 معامل الارتباط ثنائي التسلسل للرتب (Rank-Biserial Correlation)

عندما تتعرض البيانات لانتهاكات صريحة للافتراضات المعلمية — كعدم تحقق التوزيع الطبيعي في العينات الصغيرة، أو شدة الالتواء، أو وجود قيم متطرفة أصيلة لا يمكن حذفها، أو عدم تجانس التباين — يصبح استخدام معامل ارتباط النقطة ثنائي التسلسل الكلاسيكي ($r_{pb}$) مضللاً ويقود إلى استدلالات خاطئة. في هذه الحالة، يتحول التحليل نحو البديل اللامعلمي المقنن وهو معامل الارتباط ثنائي التسلسل للرتب، ويرمز له بالرمز ($r_{rb}$).

يرتبط معامل $r_{rb}$ بعلاقة بنيوية مباشرة مع اختبار مان-ويتني للمجموعات المستقلة (Mann-Whitney U Test). صاغ عالم القياس كيربي (Kerby, 2014) صيغة رياضية بسيطة ومباشرة لحساب المعامل تعتمد على المقارنة بين نسب الرتب الإيجابية والسلبية للمجموعتين:

$$r_{rb} = \frac{U_1 – U_2}{n_1 \cdot n_0} = 1 – \frac{2U}{n_1 \cdot n_0}$$

حيث تُمثل $U_1$ و $U_2$ إحصاءات مان-ويتني للمجموعتين، و $U$ القيمة الصغرى بينهما. كما يمكن حسابه بدلالة متوسطات رتب المجموعتين ($R_1$ و $R_0$) المستخرجة من الترتيب الإجمالي لجميع المشاركين:

$$r_{rb} = \frac{2(\bar{R}_1 – \bar{R}_0)}{N}$$

يتراوح المدى الإحصائي لـ $r_{rb}$ بين $-1.00$ و $+1.00$. ويُفسر المعامل كحجم أثر لامعلمي خالص يعكس الفارق في احتمالية أن يحصل فرد عشوائي من الفئة الأولى على رتبة أعلى من فرد عشوائي من الفئة الثانية (Common Language Effect Size)، مما يجعله عالي المناعة ضد التوزيعات الملتوية والقيم الشاذة في دراسات علم النفس الإكلينيكي والتشخيصي.

9.2 معامل سومرز دي (Somers’ d) والانحدار الرتبي

عندما تكون المتغيرات مصنفة ترتيبياً مع وجود عدد كبير من المشاهدات المشتركة أو الرتب المتساوية (Ties)، يبرز معامل سومرز دي (Somers’ d) كأداة ارتباطية غير متماثلة (Asymmetric Measure) بالغة الدقة. يختلف معامل سومرز عن المعاملات المتماثلة كمعامل كاندال وسبيرمان في أنه يميز صراحة بين المتغير المستقل التنبؤي ($X$) والمتغير التابع المستجيب ($Y$).

يُحسب المعامل بناءً على توازن الأزواج المتوافقة (Concordant Pairs – $C$) والأزواج المتخالفة (Discordant Pairs – $D$) مقسومة على إجمالي الأزواج غير المتساوية في المتغير المستقل:

$$d_{Y|X} = \frac{C – D}{C + D + T_Y}$$

حيث يمثل $T_Y$ عدد أزواج الرتب المتساوية في المتغير التابع فقط دون المتغير المستقل. يتميز معامل سومرز بقدرته على استيعاب النماذج التنبؤية الرتبية بدقة، وتفادي التحيز الذي تفرضه الرتب المتساوية المقيدة في المقاييس النفسية، مما يجعله حلقة الوصل المثالية بين التحليل الارتباطي الرتبي ونماذج الانحدار اللوجستي الترتيبي (Ordinal Logistic Regression).

10. حساب الارتباط بين المتغيرات المستمرة والفئوية برمجياً (SPSS, R, Python)

10.1 خطوات التنفيذ والإخراج في حزمة SPSS الإحصائية

تتيح حزمة IBM SPSS Statistics حساب معامل ارتباط النقطة ثنائي التسلسل والبدائل المرتبطة به عبر مسارات برمجية وتحليلية متعددة تتكامل فيما بينها:

المسار الأول: مسار الارتباط الثنائي الكلاسيكي (Pearson Correlation):

1. التأكد من الترميز الرقمي الثنائي للمتغير الفئوي في شاشة المتغيرات (Variable View) بقيمتي ($0$ و $1$)، وتحديد نوع القياس (Nominal).
2. التوجه إلى القائمة الرئيسية واختيار: Analyze -> Correlate -> Bivariate...
3. نقل المتغير المستمر والمتغير الثنائي المرمز إلى مربع المتغيرات (Variables).
4. تفعيل خيار Pearson ضمن معاملات الارتباط، وتحديد اختبار الدلالة Two-tailed مع تفعيل Flag significant correlations.
5. الضغط على OK لتوليد مصفوفة الارتباط، حيث تكون القيمة الناتجة بين المتغيرين هي بدقة معامل النقطة ثنائي التسلسل ($r_{pb}$).

المسار الثاني: مسار اختبار (T-Test) واستخراج حجم الأثر:

1. اختيار: Analyze -> Compare Means -> Independent-Samples T Test...
2. إدخال المتغير المستمر في مربع Test Variable(s)، وإدخال المتغير الثنائي في Grouping Variable مع تحديد الفئات عبر Define Groups بكتابة ($0$ و $1$).
3. في الإصدارات الحديثة من SPSS (الإصدار 27 فأحدث)، تفعيل خيار Estimate effect sizes للحصول مباشرة على معاملات حجم الأثر النقطية وفترات الثقة المقترنة بها.

استخدام أوامر SPSS Syntax البرمجية المباشرة:

يمكن تنفيذ التحليل بدقة فائقة وتوليد فترات الثقة عبر محرر الأوامر باستخدام الشفرة الإحصائية التالية:

CORRELATIONS /VARIABLES=Academic_Score Gender_Dichotomous /PRINT=TWOTAIL NOSIG /CI.

T-TEST GROUPS=Gender_Dichotomous(0 1) /VARIABLES=Academic_Score /ES DISPLAY(TRUE).

NPAR TESTS /M-W= Academic_Score BY Gender_Dichotomous(0 1).

10.2 التطبيق البرمجي والتحليلي في لغة R الإحصائية

توفر بيئة الحوسبة الإحصائية R منظومة متقدمة ومرنة للغاية للتعامل مع الارتباطات الهجينة بمختلف تعقيداتها عبر الدوال الأساسية والحزم المتخصصة:

1. حساب الارتباط النقطي ثنائي التسلسل ($r_{pb}$) واختبار دلالته:

يتم استخدام الدالة المعيارية cor.test() بعد التأكد من تحويل المتغير الفئوي إلى صيغة رقمية ($0, 1$):

academic_score <- c(88, 92, 85, 90, 78, 84, 95, 89, 81, 86, 93, 87, 75, 80, 72, 78, 85, 70, 77, 82, 74, 79, 81, 73)
gender_num <- c(rep(1, 12), rep(0, 12))
r_pb_result <- cor.test(academic_score, gender_num, method = "pearson")
print(r_pb_result)

2. حساب الارتباط ثنائي التسلسل العادي ($r_b$) باستخدام حزمة ltm:

library(ltm)
r_b_value <- biserial.cor(x = academic_score, y = gender_num, use = "complete.obs", level = 2)
print(r_b_value)

3. حساب الارتباط متعدد التسلسل ($Polyserial$) باستخدام حزمة polycor:

library(polycor)
# لحساب الارتباط بين متغير مستمر ومتغير ترتيبي متعدد المستويات
polyserial_result <- polyserial(x = continuous_var, y = ordinal_var, ML = TRUE, std.err = TRUE)
summary(polyserial_result)

4. التمثيل البصري المتقدم باستخدام ggplot2:

تتيح حزمة الرسوم توليد مخططات التوزيع الكماني المدمجة بالصندوق ونقاط التشتت الفردية (Violin & Boxplots with Jitter) لعرض الفروق التوزيعية المعبرة عن الارتباط بوضوح جمالي واحترافي رفيع.

10.3 التحليل الإحصائي باستخدام لغة Python

في بيئة بايثون لتحليل البيانات وعلم البيانات، تُستخدم مكتبات SciPy و Pandas و Statsmodels لإجراء الحسابات بدقة وتوليد التقارير الإحصائية:

تنفيذ التحليل عبر scipy.stats:

import numpy as np
import pandas as pd
from scipy import stats

# إعداد مصفوفة البيانات
scores = np.array([88, 92, 85, 90, 78, 84, 95, 89, 81, 86, 93, 87, 75, 80, 72, 78, 85, 70, 77, 82, 74, 79, 81, 73])
gender = np.array([1]*12 + [0]*12)

# حساب معامل ارتباط النقطة ثنائي التسلسل والدلالة الإحصائية
r_pb, p_value = stats.pointbiserialr(gender, scores)
print(f"Point-Biserial r: {r_pb:.4f}")
print(f"P-value: {p_value:.4e}")

# حساب معامل الارتباط ثنائي التسلسل للرتب (Rank-Biserial) عبر Mann-Whitney U
u_stat, mw_p_value = stats.mannwhitneyu(scores[gender == 1], scores[gender == 0], alternative='two-sided')
n1, n0 = 12, 12
rank_biserial = 1 - (2 * u_stat) / (n1 * n0)
print(f"Rank-Biserial Correlation: {rank_biserial:.4f}")

تضمن هذه الحزم البرمجية استخراج نتائج دقيقة، متوافقة حسابياً مع النتائج اليدوية، مع إمكانية تصدير الرسوم البيانية والجداول الإحصائية بجودة نشر أكاديمية عالية.

11. التطبيقات النفسية والقياسية لارتباط المتغيرات المستمرة والفئوية

11.1 تحليل الفقرات وحساب معامل تمييز المفردة في بناء المقاييس النفسية

يُمثل معامل ارتباط النقطة ثنائي التسلسل ($r_{pb}$) والمعامل ثنائي التسلسل العادي ($r_b$) الركيزة الرياضية المركزية لتحليل المفردات والاختبارات في إطار نظرية الاختبار الكلاسيكية (Classical Test Theory – CTT). يُستخدم المعامل لقياس مؤشر تمييز الفقرة (Item Discrimination Index) للاختبارات والمقاييس النفسية والتحصيلية ذات الاستجابة الثنائية (صحيح = $1$ / خطأ = $0$).

يتم هذا الإجراء بحساب الارتباط بين أداء المفحوصين على المفردة الفردية الثنائية والدرجة الكلية المستمرة للاختبار (أو الدرجة الكلية المصححة بحذف المفردة لتجنب التضخيم الزائف الناتج عن التضمين الذاتي: Corrected Item-Total Correlation). يستند التقييم السيكومتري لجودة الفقرة إلى المعايير المعيارية التالية:

• $r_{pb} ge 0.40$: تمييز ممتاز جداً (Very High Discrimination)، وتُقبل الفقرة دون تعديل.
• $0.30 le r_{pb} < 0.40$: تمييز جيد، والفقرة صالحة للقياس.
• $0.20 le r_{pb} < 0.30$: تمييز حدي مقبول، ويفضل مراجعة صياغة الفقرة وتعديلها.
• $r_{pb} < 0.20$: تمييز ضعيف جداً، ويجب استبعاد الفقرة تماماً من المقياس.
• $r_{pb} < 0$: تمييز سالب، ويعني أن الأفراد ذوي القدرة العامة المنخفضة يجيبون عن الفقرة بشكل صحيح أكثر من الأفراد المرتفعين، وهو خلل سيكومتري فادح يقتضي حذف المفردة فوراً.

تساعد هذه التصفية الرياضية للفقرات على تعظيم الاتساق الداخلي (Internal Consistency) للمقياس، ورفع قيمة معامل ألفا كرونباخ، وضمان تجانس البنية العاملية للاختبار النفسي.

11.2 الصدق التلازمي والتشخيصي في علم النفس الإكلينيكي

يُعد قياس العلاقة بين المتغيرات المستمرة والتصنيفات التشخيصية الفئوية حجر الزاوية في إثبات الصدق المحكي والصدق التلازمي والتشخيصي (Criterion and Diagnostic Validity) للمقاييس النفسية والإكلينيكية. في هذا السياق، يسعى الباحث الإكلينيكي للتحقق من قدرة درجات اختبار نفسي مستمر (كمقياس القلق، أو مقياس التدهور المعرفي) على التنبؤ بدقة بالتصنيف التشخيصي الثنائي المعتمد (مصاب باضطراب سريري = $1$ / سليم = $0$) بناءً على معايير الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5-TR).

يرتبط معامل ارتباط النقطة ثنائي التسلسل ارتباطاً وثيقاً بنماذج تحليل منحنيات خصائص التشغيل (Receiver Operating Characteristic – ROC Curves) والمساحة تحت المنحنى (Area Under the Curve – AUC). يُثبت الاستدلال الرياضي أن المساحة تحت المنحنى ($AUC$) التي تقيس الدقة التمييزية والتنبؤية للمقياس تتطابق مفاهيمياً مع معامل الارتباط ثنائي التسلسل للرتب ومؤشر مان-ويتني وفق المعادلة التحويلية:

$$AUC = \frac{r_{rb} + 1}{2} = \frac{U}{n_1 \cdot n_0}$$

يتيح هذا التوافق الرياضي للباحثين النفسيين تقييم حساسية ونوعية أدوات القياس، وتحديد درجات القطع التشخيصية المثلى (Optimal Cutoff Scores)، والتأكد من الصدق التمايزي لأدوات التشخيص النفسي في البيئات العيادية.

12. الأخطاء الشائعة والاعتبارات المنهجية المتقدمة في التفسير الإحصائي

12.1 مغالطات الترميز والخلط بين الارتباط والسببية

يقع العديد من الباحثين المبتدئين في مأزق تفسير إشارة معامل الارتباط النقطي ثنائي التسلسل؛ حيث يُساء فهم الإشارة السالبة أحياناً باعتبارها تدل على علاقة عكسية بالمعنى الإمبريقي التقليدي، في حين أنها قد تكون ناتجة ببساطة عن اختيار ترميز رقمي معين للفئات. لتفادي هذا اللبس، يجب دائماً التوضيح الصريح في التقارير الإحصائية لنظام الترميز المعتمد وتحديد المجموعة التي تمثل الفئة المرجعية بدقة متناهية وفق دليل النشر الأكاديمي لجمعية علم النفس الأمريكية (APA 7th Edition).

من الأخطاء المنهجية الجسيمة أيضاً القفز المتعسف من إثبات وجود ارتباط دال إحصائياً بين متغير فئوي (كالنوع أو الحالة الاجتماعية) ومتغير مستمر إلى استنتاج علاقة سببية حتمية. إن معامل الارتباط — حتى وإن كان قوياً وذا دلالة فائقة — يظل مجرد توصيف إحصائي للتغاير والتزامن بين المتغيرات في التصاميم الارتباطية. قد تكون العلاقة الظاهرة ناتجة كلياً عن متغيرات مربكة أو وسيطة غير مضبوطة (Confounding Variables) كالوضع الاقتصادي أو المستوى التعليمي. يتطلب الضبط المنهجي في هذه الحالات تطبيق معاملات الارتباط الجزئي (Partial Correlation)، أو استخدام نماذج الانحدار الخطي المتعدد والانحدار اللوجستي لضبط التباين المشترك وعزل تأثير العوامل المربكة.

12.2 مأزق التقسيم المصطنع للمتغيرات وفقدان التباين الإحصائي

يُعد إجراء التقسيم المصطنع للمتغيرات المستمرة وتصنيفها قسرياً إلى فئات ثنائية باستخدام أسلوب “تقسيم الوسيط” (Median Split) أو التقسيم الثلاثي من أكثر الممارسات الإحصائية التخريبية التي حذرت منها الأدبيات المنهجية المعاصرة (MacCallum et al., 2002). يلجأ بعض الباحثين إلى هذه الحيلة لتسهيل التحليل عبر اختبارات “ت” أو تحليل التباين، متجاهلين الكلفة الإحصائية الفادحة المترتبة على ذلك.

تتضمن العواقب المنهجية والرياضية الوخيمة للتقسيم المصطنع:

• فقدان هائل للمعلومات والتباين الإحصائي: حيث يتم التعامل مع الأفراد الذين يقعون قريباً جداً من نقطة القطع (أعلى وأسفل الوسيط بفارق طفيف) كما لو كانوا متباعدين كلياً، بينما يُعامل الأفراد داخل نفس الفئة كما لو كانوا متطابقين رغم التفاوت الشاسع بين درجاتهم.
• تقليص حاد للقوة الإحصائية (Loss of Power): يُعادل شطر المتغير المستمر التخلص المتعمد من ثلث إلى نصف حجم العينة الفعلي تقريباً، مما يخفض القدرة على اكتشاف العلاقات الحقيقية.
• انكماش حجم الأثر الملاحظ: حيث يؤدي التقسيم الثنائي إلى هبوط قيمة معامل الارتباط بمقدار يتراوح بين $20%$ إلى $35%$ مقارنة بالبيانات المستمرة الأصلية.
• زيادة مخاطر النتائج الزائفة: عبر رفع احتمالية الأخطاء من النوعين الأول والثاني، وتشويه التفاعلات في النماذج المتعددة.

توصي التوجيهات الإحصائية الحديثة بضرورة الإبقاء على المتغيرات المستمرة في صورتها الكمية الخام دون أي تشويه تصنيفي، وتطبيق نماذج الانحدار الخطي المتعدد (Multiple Linear Regression) والنمذجة الخطية الهرمية (HLM) للاستفادة الكاملة من التباين الإحصائي الأصيل وضمان أعلى معايير النزاهة العلمية.

الخاتمة

يمثل حساب الارتباط بين المتغيرات المستمرة والفئوية منظومة إحصائية ومنهجية متكاملة تتجاوز مجرد التطبيق الحسابي لمعادلة رياضية محددة. يتطلب التحليل الرصين فهماً عميقاً لطبيعة البيانات ومستويات قياسها، والتمييز الدقيق بين الفئات الثنائية الحقيقية والمصطنعة، والفحص الصارم لافتراضات الاعتدالية وتجانس التباين واستقلالية المشاهدات. يوفر معامل ارتباط النقطة ثنائي التسلسل ($r_{pb}$) واشتقاقاته التسلسلية واللامعلمية، جنباً إلى جنب مع مؤشرات حجم الأثر ونسب التباين المفسر، إطاراً تحليلياً شاملاً يمكن الباحث النفسي والسلوكي من استخلاص استدلالات علمية دقيقة وموثوقة تسهم في ترسيخ الرصانة المنهجية وتطوير المعرفة السيكومترية الحديثة.

المراجع (References)

• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://uk.sagepub.com/en-gb/eur/discovering-statistics-using-ibm-spss-statistics/book257711
• Kerby, D. S. (2014). The simple difference formula: An approach to teaching nonparametric correlation. Comprehensive Psychology, 3, Article 1. https://doi.org/10.2466/11.IT.3.1
• MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19–40. https://doi.org/10.1037/0033-2909.128.1.19
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Olsson, U., Drasgow, F., & Dorans, N. J. (1982). The polyserial correlation coefficient. Psychometrika, 47(3), 337–347. https://doi.org/10.1007/BF02294164
• Pearson, K. (1909). On a new method of determining correlation between a measured character A, and a character B, of which only the percentage of cases wherein B exceeds (or falls short of) a given intensity is recorded for each grade of A. Biometrika, 7(1/2), 96–105. https://doi.org/10.2307/2331580
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.