كيفية حساب ارتباط ثنائي التسلسل النقطي في R

تُعد النمذجة الإحصائية وتحليل العلاقات الارتباطية بين المتغيرات من الركائز الأساسية التي تقوم عليها الأبحاث التجريبية والوصفية في العلوم الاجتماعية، السلوكية، النفسية، والطبية الحيوية. وفي خضم التنوع الكبير في مستويات قياس الظواهر والسمات، يواجه الباحثون في كثير من الأحيان مواقف تتطلب فحص طبيعة وقوة العلاقة التي تربط بين متغير كمي مستمر ومتغير تصنيفي ثنائي التفرع. يمثل هذا التحدي المنهجي النقطة المحورية التي ينطلق منها معامل ارتباط ثنائي التسلسل النقطي، والذي يُعد الأداة الإحصائية الأكثر دقة وموثوقية في تقييم مثل هذه العلاقات دون الإخلال بطبيعة البيانات الرياضية أو الوقوع في فخ التحيزات القياسية.

تكمن القوة التحليلية لمعامل ارتباط ثنائي التسلسل النقطي في كونه امتداداً رياضياً مباشراً لمعامل ارتباط بيرسون الشهير، حيث يوفر جسراً يربط بين عالمين من المقاييس: المقاييس الفترية والنسبية من جهة، والتصنيفات الثنائية الطبيعية الخالصة من جهة أخرى. وبفضل التطور المتسارع للبرمجيات الإحصائية مفتوحة المصدر، أصبحت بيئة البرمجة الإحصائية R Project for Statistical Computing المنصة الرائدة عالمياً لإجراء هذه التحليلات السيكومترية والإحصائية المتقدمة، لما توفره من مرونة غير محدودة، وحزم متخصصة، وقدرات رسومية متفوقة تُمكّن الباحثين من تفكيك بنية العلاقات المعقدة، والتحقق من الشروط المسبقة، وعرض النتائج بدقة استثنائية تتوافق مع أرقى المعايير الأكاديمية العالمية.

يهدف هذا الدليل المنهجي الشامل والموسع إلى تقديم مرجع علمي وتطبيقي متكامل باللغة العربية حول كيفية حساب، وتفسير، وتمثيل، وتوثيق معامل ارتباط ثنائي التسلسل النقطي في بيئة R. سنستعرض في هذا المقال الأسس النظرية والرياضية العميقة للمعامل، والافتراضات المنهجية الصارمة الواجب استيفاؤها، وصولاً إلى التطبيقات البرمجية العملية عبر الدوال الأساسية والحزم المتخصصة، مع التركيز على التحليلات السيكومترية، وإدارة المشكلات والبيانات غير المتوازنة، وانتهاءً بالقواعد المعيارية لكتابة التقارير وفق الإصدار السابع لدليل جمعية علم النفس الأمريكية (APA Style).

1. مقدمة نظرية حول معامل ارتباط ثنائي التسلسل النقطي (Point-Biserial Correlation)

1.1 التعريف والمفهوم الإحصائي العام

يُعرَّف معامل ارتباط ثنائي التسلسل النقطي، والذي يُرمز له بالرمز الإحصائي اللاتيني r_pb، بأنه مقياس معلمي يقيس قوة واتجاه العلاقة الخطية بين متغيرين: أحدهما متغير كمي مستمر مقاس على مستوى فتري أو نسبي، والآخر متغير نوعي ثنائي حقيقي طبيعي (Dichotomous). يُعد هذا المعامل حالة خاصة ومكافئة رياضياً لمعامل ارتباط بيرسون للعزوم والانحدار الخطي البسيط؛ فعندما يتم ترميز الفئتين الثنائيتين عددياً باستخدام القيمتين الرقميتين الصفر والواحد، فإن تطبيق معادلة بيرسون القياسية يُعطي تماماً ذات القيمة الرياضية التي تنتج عن معادلة ارتباط ثنائي التسلسل النقطي المصممة خصيصاً لهذه الغاية دون أي انحراف أو خطأ في التقدير.

يتراوح النطاق النظري لقيم معامل ارتباط ثنائي التسلسل النقطي بين -1.00 و +1.00، حيث تُشير الإشارة الجبرية المرافقة للمعامل إلى اتجاه العلاقة التباينية بين الفئتين مقارنة بالمتغير المستمر. فالقيمة الموجبة تعني أن الأفراد الذين ينتمون إلى الفئة المرمزة بالرقم 1 يميلون للحصول على متوسطات أعلى في المتغير المستمر مقارنة بالأفراد المصنفين في الفئة 0، في حين تُشير الإشارة السالبة إلى أن الفئة 0 تمتلك متوسطاً حسابياً أعلى في المتغير الكمي. أما القيمة الصفرية أو القريبة جداً من الصفر، فتُشير إلى الغياب التام لأي ارتباط خطي أو تمايز في المتوسطات بين الفئتين، مما يعني أن معرفة تصنيف الفرد الثنائي لا يقدم أي معلومات تنبؤية بخصوص أدائه أو درجته على المتغير المستمر.

من الضروري للغاية في المنهجية الإحصائية التمييز الدقيق بين المتغير الثنائي الحقيقي (True/Natural Dichotomy) والمتغير الثنائي الاصطناعي (Artificial Dichotomy). المتغير الثنائي الحقيقي يمثل خاصية غير قابلة للتجزئة أو التدرج في طبيعتها الوجودية، مثل الحالة الحيوية (على قيد الحياة / متوفى)، أو النتيجة الاختبارية لمفردة ما (إجابة صحيحة / إجابة خاطئة)، أو الحيازة الجينية لصفة محددة (موجودة / غير موجودة). في المقابل، يمثل المتغير الثنائي الاصطناعي تصنيفاً مشتقاً من متغير مستمر أساسي تم تقسيمه قسرياً عند نقطة قطع محددة (مثل تصنيف الأفراد إلى مرتفعي الذكاء ومنخفضي الذكاء بناءً على درجة قطع محددة). هذا التمييز الجوهري هو المعيار الحاسم الذي يحدد ما إذا كان ينبغي استخدام ارتباط ثنائي التسلسل النقطي (للمتغيرات الحقيقية) أو ارتباط ثنائي التسلسل العادي (للمتغيرات الاصطناعية).

1.2 أهمية المعامل في العلوم النفسية والتربوية

يحتل معامل ارتباط ثنائي التسلسل النقطي مكانة بالغة الأهمية في حقل القياس النفسي والتربوي (Psychometrics)، حيث يُمثل الأداة المركزية الكلاسيكية في تحليل المفردات الاختبارية وحساب معامل التمييز للمفردة (Item Discrimination Index). في اختبارات التحصيل والمقاييس النفسية ذات الإجابات الثنائية (صحيح = 1، خطأ = 0)، يُستخدم المعامل لحساب العلاقة بين أداء المفحوص على مفردة معينة ودرجته الكلية في الاختبار بأكمله. تشير القيمة المرتفعة والموجبة للمعامل إلى أن المفردة تُميز بكفاءة عالية بين المفحوصين ذوي القدرات والسمات المرتفعة وأولئك ذوي القدرات المنخفضة، مما يجعلها عنصراً صالحاً وموثوقاً يجب الاحتفاظ به في الأداة القياسية.

إلى جانب القياس والتقويم، يلعب المعامل دوراً محورياً في الدراسات النفسية السلوكية والتجريبية التي تهدف إلى فحص الفروق بين المجموعات المصنفة ثنائياً في المتغيرات النفسية المستمرة. على سبيل المثال، يُستخدم المعامل لتقييم مدى ارتباط نوع التدخل العلاجي (علاج سلوكي معرفي مقابل قائمة الانتظار) بدرجات مقياس القلق العام، أو فحص العلاقة بين التصنيف المهني (قائد / مرؤوس) ومستويات الرضا الوظيفي والاحتراق النفسي. يتيح هذا المعامل للباحثين ليس فقط معرفة ما إذا كانت هناك فروق ذات دلالة إحصائية بين المجموعتين، بل يوفر تقديراً مباشراً لحجم الأثر وقوة الارتباط القائم بين الانتماء الفئوي والمتغير النفسي المقاس.

يمتد التطبيق المنهجي للمعامل ليشمل الأبحاث الإكلينيكية والطب النفسي، حيث يُستخدم على نطاق واسع في تقييم الفاعلية التشخيصية للأدوات والمقاييس النفسية. فعند مقارنة مجموعة من المرضى المشخصين باضطراب اكتئابي حاد بمجموعة من الأفراد الأصحاء في متغير فسيولوجي أو عصبي مستمر (مثل تركيز الكورتيزول الصباحي أو درجات المؤشرات الحيوية)، يوفر معامل ارتباط ثنائي التسلسل النقطي دلالة واضحة على مدى قدرة هذا المتغير المستمر على التنبؤ بالحالة التشخيصية للمريض، مما يسهم في تطوير البروتوكولات التشخيصية وتحديد المؤشرات الحيوية الأكثر دقة وحساسية.

1.3 المقارنة بين ارتباط ثنائي التسلسل النقطي وبدائله الإحصائية

تتجلى الأناقة الرياضية للمنهجية الإحصائية في التكافؤ الكامل والترابط العميق بين معامل ارتباط ثنائي التسلسل النقطي واختبار ت للعينات المستقلة (Independent Samples t-test). كلاهما يختبر في جوهره نفس الفرضية الصفرية القائلة بعدم وجود فرق بين متوسطي المجتمعين اللذين تم سحب العينتين منهما. والواقع أن القيمة الاحتمالية الناتجة عن كلا الاختبارين تكون متطابقة تماماً عند تطبيقهما على نفس مجموعة البيانات، حيث يمكن تحويل الإحصائي التائي مباشرة إلى معامل ارتباط ثنائي التسلسل النقطي والعكس صحيح عبر معادلات جبرية دقيقة، إلا أن ميزة المعامل تكمن في تقديمه لمقياس معياري مباشر لحجم الأثر وقوة الاقتران محصور بين -1 و +1.

من الناحية المقابلة، يجب التمييز الصارم بين ارتباط ثنائي التسلسل النقطي (Point-Biserial) وارتباط ثنائي التسلسل العادي (Biserial Correlation). يُفترض في الارتباط ثنائي التسلسل العادي أن المتغير الثنائي يمتلك توزيعاً طبيعياً كامناً ومستمراً تم تقسيمه اصطناعياً إلى فئتين، وبالتالي فإن معادلة الحساب تقوم بتصحيح هذا التقسيم القسري، مما يجعل قيمة المعامل ثنائي التسلسل العادي دائماً أكبر من قيمة المعامل النقطي بنسبة تقارب 25% أو أكثر، وقد تتجاوز قيمته أحياناً حدود الواحد الصحيح (+1.00) في حالات التوزيع غير الطبيعي، وهو ما لا يمكن أن يحدث إطلاقاً في معامل ثنائي التسلسل النقطي الذي يلتزم بالحدود الرياضية الصارمة لمعامل بيرسون.

عندما تتعقد بنية البيانات البحثية وتتداخل متغيرات خارجية متعددة أو عندما يرغب الباحث في التحكم في متغيرات مصاحبة مشوشة (Confounding Variables)، يبرز الانحدار اللوجستي الثنائي (Binary Logistic Regression) كبديل متقدم ومتعدد المتغيرات. في حين يقتصر ارتباط ثنائي التسلسل النقطي على قياس الاقتران الخطي ثنائي المتغيرات دون ضبط إحصائي للمؤثرات الجانبية، يتيح الانحدار اللوجستي نمذجة احتمالية الانتماء إلى الفئة الثنائية بناءً على مجموعة متعددة من المتغيرات التفسيرية المستمرة والفئوية معاً، وحساب نسب الأرجحية (Odds Ratios)، وهو ما يجعله الخيار المفضل في الدراسات الوبائية والمسوح الإحصائية المتشعبة ذات البنية التفسيرية المعقدة.

2. الأسس الرياضية وصيغة الحساب اليدوي لمعامل الارتباط

2.1 المعادلة الرياضية لمعامل ارتباط ثنائي التسلسل النقطي

تعتمد الصيغة الكلاسيكية لحساب معامل ارتباط ثنائي التسلسل النقطي على المقارنة المباشرة بين المتوسطات الحسابية للفئتين الثنائيتين، مرجحة بالانحراف المعياري الكلي للدرجات المستمرة ونسب تمثيل كل فئة في العينة الإجمالية. يمكن صياغة المعادلة الرياضية الأساسية على النحو التالي:

r_pb = [(M₁ – M₀) / S_y] * sqrt(p * q)

حيث يمثل M₁ المتوسط الحسابي للدرجات المستمرة لدى الأفراد المصنفين في الفئة (1)، بينما يمثل M₀ المتوسط الحسابي للأفراد في الفئة (0). يُعبر الرمز S_y عن الانحراف المعياري الكلي للعينة في المتغير المستمر المحسوب باستخدام المقام (N) أو (N-1) وفقاً للمنهجية المتبعة، ويمثل p نسبة أفراد الفئة (1) من إجمالي حجم العينة الكلي (أي n₁ / N)، في حين يمثل q نسبة أفراد الفئة (0)، والتي تساوي رياضياً (1 – p).

يتضح من تفكيك هذه المعادلة أن الحد الأول، وهو الفرق المعياري بين المتوسطين مقسوماً على الانحراف المعياري الكلي، يعبر بدقة عن مقدار التباعد المعياري بين المجموعتين بصورة تشبه إلى حد بعيد مفهوم حجم الأثر لكوهين (Cohen’s d). أما الحد الثاني، وهو الجذر التربيعي لحاصل ضرب النسبتين sqrt(p * q)، فإنه يمثل وزناً ترجيحياً ينخفض كلما ابتعدت نسب الفئتين عن التساوي التام (0.50 لكل منهما). هذا يعني أن القيمة القصوى النظرية التي يمكن أن يبلغها معامل الارتباط تتأثر بشدة بدرجة التماثل والتوازن العددي بين أفراد المجموعتين داخل العينة المدروسة.

2.2 العلاقة الاشتقاقية بين بيرسون وارتباط ثنائي التسلسل النقطي

يمكن إثبات التطابق الجبري الكامل بين معادلة بيرسون القياسية ومعامل ارتباط ثنائي التسلسل النقطي من خلال التعويض المباشر لقيم المتغير الثنائي (X) بالقيمتين الرقميتين (0 و 1) في معادلة بيرسون العامة لحساب التغاير والارتباط. نظراً لأن مجموع قيم المتغير الثنائي يساوي عدد الحالات في الفئة 1 (أي sum(X) = n₁)، فإن مجموع مربعات المتغير الثنائي يساوي أيضاً n₁ لأن مربع الصفر صفر ومربع الواحد واحد. وبإجراء الاختزالات الجبرية الرياضية لمعادلة بسط ومقام بيرسون، تنهار المعادلة الكلية لتتطابق تطابقاً مطلقاً مع صيغة ثنائي التسلسل النقطي المذكورة أعلاه.

علاوة على ذلك، ترتبط القيمة الإحصائية لاختبار ت (t-statistic) الناتج عن مقارنة مجموعتي المتغير الثنائي في المتغير المستمر بمعامل ارتباط ثنائي التسلسل النقطي عبر علاقة تحويلية دقيقة ومباشرة يمكن صياغتها رياضياً كالتالي:

r_pb = t / sqrt(t² + df)

حيث يمثل df درجات الحرية للاختبار والمحسوبة بالعلاقة (N – 2). وبالمثل، يمكن إعادة حساب قيمة t مباشرة من معامل الارتباط عبر الصيغة العكسية:

t = r_pb * sqrt(df) / sqrt(1 – r_pb²)

توضح هذه العلاقات التحويلية الرائعة أن معامل ارتباط ثنائي التسلسل النقطي ليس سوى إعادة صياغة معيارية محصورة في المدى [-1, +1] لنفس الاختبار الفرضي المعلمي الكلاسيكي، مما يؤكد على الوحدة البنيوية للمفاهيم الإحصائية الاستدلالية، ويوضح للباحثين إمكانية استخراج معاملات الارتباط وحجوم الأثر مباشرة من الدراسات السابقة التي تكتفي بنشر قيم t دون نشر معاملات الارتباط الصريحة.

3. الافتراضات الإحصائية والشروط المسبقة للاختبار

3.1 مستوى القياس وطبيعة المتغيرات

يتطلب التطبيق السليم والصادق لمعامل ارتباط ثنائي التسلسل النقطي استيفاء شروط قياسية محددة تتعلق بطبيعة المتغيرين محل الدراسة. يجب أن يكون المتغير التابع مقاساً على مستوى قياس كمي متصل، أي أن ينتمي إلى المقاييس الفترية (Interval Scale) التي تتميز بوجود فترات متساوية بين الرتب (مثل درجات اختبارات الذكاء والمقاييس النفسية المقننة)، أو المقاييس النسبية (Ratio Scale) التي تمتلك نقطة صفر حقيقية ومطلقة (مثل زمن الرجع بالمللي ثانية، أو معدل نبضات القلب، أو الدخل الشهري). إن استخدام المعامل مع متغيرات رتبية ذات فئات محدودة قد يؤدي إلى تشويه التقديرات وتقويض الدقة الاستدلالية للنتائج.

فيما يخص المتغير التصنيفي، يُشترط أن يكون متغيراً ثنائياً نقياً، متبادلاً وحصرياً (Mutually Exclusive and Exhaustive)، بحيث يُصنف كل فرد في العينة ضمن فئة واحدة وواحدة فقط من الفئتين دون أي تداخل أو غموض تصنيفي. ويجب أن يكون هذا التصنيف نابعاً من الطبيعة الوجودية للظاهرة محل القياس، وليس تقسيماً مصطنعاً لمتغير مستمر؛ إذ إن تجزئة المتغيرات المستمرة يؤدي إلى فقدان هائل في تباين البيانات (Loss of Variance) وانخفاض القوة الإحصائية للاختبار، فضلاً عن تقليص قيمة معامل الارتباط المحسوب بشكل مصطنع لا يعكس الواقع الحقيقي للظاهرة.

يعد الترميز العددي السليم للبيانات داخل بيئة التحليل خطوة تحضيرية حرجة ذات دلالة تفسيرية بالغة. يُفضل اصطلاحياً ترميز فئة المقارنة المرجعية أو غياب السمة بالرقم (0)، وترميز فئة الاهتمام التجريبي أو وجود السمة بالرقم (1). إن الانقلاب غير المقصود في هذا الترميز (كجعل الفئة المرجعية 1 والهدف 0) لن يغير من القيمة المطلقة لمعامل الارتباط أو من قيمته الاحتمالية، ولكنه سيعكس الإشارة الجبرية تماماً، مما قد يؤدي إلى استنتاجات خاطئة تماماً حول اتجاه العلاقة النفسية أو التربوية قيد التقصي إذا لم يكن المحلل على دراية دقيقة بكيفية تعيين الأكواد الرقمية.

3.2 افتراض التوزيع الطبيعي والتحقق منه

يعد افتراض التوزيع الطبيعي (Normality Assumption) من الشروط الجوهرية لاختبار الدلالة الإحصائية لفترات الثقة والقيم الاحتمالية لمعامل ارتباط ثنائي التسلسل النقطي. يقتضي هذا الشرط أن تتوزع درجات المتغير المستمر توزيعاً طبيعياً غاوسياً (Gaussian Distribution) داخل كل فئة من فئتي المتغير الثنائي على حدة، وليس فقط على مستوى العينة الإجمالية المدمجة. إذا كان التوزيع داخل إحدى المجموعتين ملتوياً بشدة نحو اليمين أو اليسار، فإن اختبارات الدلالة المعلمية المبنية على توزيع t وتوزيع فيشر ستفقد دقتها، مما يزيد من معدلات الخطأ الاستدلالي.

للتحقق الصارم من هذا الافتراض داخل بيئة البرمجة R، يعتمد الباحثون على مجموعة متكاملة من الاختبارات الإحصائية والأدوات التشخيصية البصرية. من أبرز هذه الأدوات تطبيق اختبار شابيرو-ويلك (Shapiro-Wilk Test) لكل مجموعة فرعية، والذي يُعد الاختبار الأكثر قوة وحساسية لاكتشاف الانحرافات عن التوزيع الطبيعي في العينات الصغيرة والمتوسطة. تُشير القيمة الاحتمالية الأكبر من مستوى الدلالة المختار (p > 0.05) إلى عدم وجود دليل كافٍ لرفض فرضية التوزيع الطبيعي، مما يسمح بالمضي قدماً في التحليل المعلمي بأمان وثقة منهجية.

تكتمل الاختبارات الرقمية بالتقييم البصري الدقيق للمخططات التوزيعية المتقدمة، وعلى رأسها مخططات الاحتمال الطبيعي التراكمي (Quantile-Quantile Plots / Q-Q Plots) والرسوم البيانية الهيستوغرامية المقترنة بمنحنيات الكثافة. في مخططات Q-Q، يشير اصطفاف النقاط الفعلية للبيانات على طول الخط المرجعي القطري المستقيم بزاوية 45 درجة إلى تطابق ممتاز مع التوزيع الطبيعي، بينما تشير الانحرافات المنهجية على شكل حرف S أو الانحناءات الطرفية الحادة إلى وجود التواءات في التوزيع أو ذيول ثقيلة (Heavy Tails) تتطلب معالجة تحويلية أو اللجوء لبدائل لامعلمية.

3.3 تجانس التباين وغياب القيم المتطرفة

يتمثل الافتراض الحاسم الثالث في تجانس التباين (Homoscedasticity / Homogeneity of Variance) بين المجموعتين. يفترض هذا المبدأ أن يكون تباين درجات المتغير المستمر متساوياً تقريباً في كلا المجتمعين اللذين تم سحب فئتي المتغير الثنائي منهما. في حال عدم تجانس التباين، وخاصة عندما يقترن ذلك باختلاف ملحوظ في أحجام العينات بين المجموعتين (Unequal Sample Sizes)، فإن معدل الخطأ من النوع الأول (Type I Error) يرتفع بشكل كبير، مما يؤدي إلى رفض خاطئ للفرضية الصفرية واكتشاف ارتباطات وهمية لا وجود لها في المجتمع الأصلي.

لفحص تجانس التباين في R، يُعد اختبار ليفين (Levene’s Test) المتاح في حزمة car الأداة المعيارية المعتمدة عالمياً، لكونه متيناً وأقل تأثراً بالانحرافات الطفيفة عن التوزيع الطبيعي مقارنة باختبار بارتليت (Bartlett’s Test). تدل النتيجة غير الدالة إحصائياً للاختبار (p > 0.05) على تحقق شرط تجانس التباين وسلامة تطبيق الصيغة الكلاسيكية لمعامل الارتباط النقطي، بينما تفرض النتيجة الدالة ضرورة تطبيق تصحيح ويلش (Welch’s correction) لدرجات الحرية أو استخدام تقديرات التباين القوية (Robust Variance Estimation).

تمارس القيم الشاذة والمتطرفة (Outliers) تأثيراً بالغ الضرر على حسابات معامل الارتباط النقطي؛ نظراً لأن المتوسط الحسابي والانحراف المعياري شديدا الحساسية للنقاط البيانية المتطرفة في الذيول. وجود نقطة شاذة واحدة شديدة الارتفاع أو الانخفاض يمكن أن يضخم قيمة معامل الارتباط بشكل زائف، أو يقلص ارتباطاً قوياً حقيقياً إلى الصفر، أو حتى يعكس إشارته بالكامل. يتطلب التشخيص الرصين فحص الصناديق التخطيطية (Boxplots) وحساب المسافات المعيارية المئوية كمسافات ماهلانوبيس ودرجات Z القياسية، واستبعاد أو تعديل القيم الشاذة الناتجة عن أخطاء القياس والترميز قبل اعتماد النتائج النهائية.

4. إعداد بيئة العمل واستيراد البيانات في لغة R

4.1 تجهيز الحزم البرمجية الأساسية

تبدأ الخطوة الأولى للتحليل الإحصائي الرصين في بيئة R بتهيئة مساحة العمل البرمجية وتثبيت المكتبات التخصصية المصممة للتعامل مع النمذجة الإحصائية والقياس السيكومتري. توفر البيئة الأساسية وظائف متقدمة ومضمنة تلقائياً في حزمة stats، مثل الدالة المرجعية cor.test()، إلا أن التوسع نحو التحليلات الدقيقة يتطلب استدعاء حزم متخصصة تشمل حزمة tidyverse المتكاملة لتنظيف ومعالجة وهيكلة البيانات، وحزمة psych الرائدة في التحليلات النفسية ومصفوفات الارتباط، وحزمة ltm المخصصة لنماذج الاستجابة للمفردة والارتباطات ثنائية التسلسل، بالإضافة إلى حزمة car لاختبار الافتراضات التوزيعية وتجانس التباينات.

يتم تثبيت هذه الحزم عبر المستودع الرسمي المعتمد لشبكة R الشاملة (Comprehensive R Archive Network – CRAN) عبر تطبيق أوامر التثبيت المعيارية، تليها خطوة استدعاء المكتبات إلى جلسة العمل النشطة. كما يحرص الباحث المنهجي على ضبط مسار مجلد العمل التنفيذي (Working Directory) لضمان انسيابية حفظ واستيراد الملفات، والتحقق من رقم إصدار البيئة ومكتباتها لضمان إمكانية تكرار التجربة البرمجية وإعادة إنتاج النتائج بدقة (Reproducibility) في المستقبل وفق المعايير العلمية الصارمة للمجلات المفهرسة.

بعد تحميل الحزم، يتيح استخدام أدوات فحص وتلخيص هياكل البيانات المتقدمة، مثل دالتي str() و glimpse()، إلقاء نظرة بانورامية شاملة وعميقة على تركيبة البيانات المتاحة. تتيح هذه الأدوات التحقق الفوري من أنواع المتغيرات (أعداد صحيحة، أرقام كسرية، سلاسل نصية، أو عوامل مصنفة)، وعدد الصفوف والأعمدة، وتحديد وجود أي تضارب بنيوي في تصنيف المتغيرات قبل الانتقال إلى مرحلة الحساب الفعلي، مما يجنب المحلل البرمجي الوقوع في أخطاء التنفيذ أو التحويل الضمني الصامت غير المقصود للبيانات.

4.2 توليد وهيكلة مجموعات البيانات النفسية التجريبية

لتوضيح التطبيق العملي للمعامل، يمكن بناء إطار بيانات تجريبي (Simulated Data Frame) متكامل يحاكي دراسة إكلينيكية ونفسية واقعية تتناول العلاقة بين التشخيص الإكلينيكي لاضطراب الاكتئاب (المتغير الثنائي: 0 = مجموعة ضابطة غير مصابة، 1 = مجموعة مشخصة سريرياً) ومستوى هرمون التوتر واليقظة (الكورتيزول الصباحي كمقياس مستمر بوحدة ميكروغرام/ديسيلتر)، إلى جانب الدرجة الإجمالية على مقياس بيك للاكتئاب (BDI-II).

يتم توليد المتجهات العددية (Numeric Vectors) الممثلة لهذه السمات باستخدام دوال التوزيع العشوائي المنضبطة، مع تثبيت المولد العشوائي عبر ضبط البذرة الرقمية للأرقام العشوائية لضمان الحصول على نفس المخرجات الحسابية عند إعادة تشغيل الكود في أي وقت. يتم تخصيص متوسطات متباينة وانحرافات معيارية محددة للمجموعتين لتعكس الفروق النفسية والبيولوجية الحقيقية المفترضة في الأدبيات التخصصية، ثم دمج المتجهات الفردية بدقة متناهية داخل إطار بيانات موحد يحمل أسماء أعمدة دلالية واضحة ومفهومة.

عقب بناء إطار البيانات، يتم التحقق الصارم من أن المتغير الثنائي مرمز عددياً بالقيمتين (0 و 1) كمتغير رقمي مستمر أو عدد صحيح ليكون جاهزاً للاستخدام المباشر في دوال الارتباط، مع إمكانية إنشاء نسخة أخرى منه كعامل اسمي (Factor) يتضمن تسميات وصفية نصية صريحة تُستخدم لاحقاً في الرسوم البيانية والجداول الوصفية المقارنة، مما يجمع بين الكفاءة الحسابية والوضوح البصري في منصة التحليل الواحدة.

4.3 استيراد وتجهيز البيانات الخارجية

في الأبحاث الميدانية الواقعية، تأتي البيانات غالباً من مصادر خارجية بصيغ متعددة تتطلب استيراداً دقيقاً ومعالجة مسبقة. تتيح بيئة R قراءة الملفات بصيغة القيم المفصولة بفواصل (CSV) عبر دوال حزمة readr، والملفات المحفوظة بصيغ إكسل (XLSX) عبر مكتبة readxl، بالإضافة إلى قواعد البيانات المصدرة مباشرة من البرمجيات الإحصائية الاحتكارية مثل SPSS بصيغة .sav عبر حزمة haven، والتي تمتاز بقدرتها على الحفاظ على التسميات الوصفية والسمات الوصفية للمتغيرات.

تمثل معالجة القيم المفقودة (Missing Values – NA) ركناً أساسياً في إعداد البيانات الخارجية لتحليل الارتباط النقطي. يجب على الباحث فحص نمط الفقدان لتحديد ما إذا كان الفقدان عشوائياً تماماً، ثم اتخاذ القرار المنهجي إما بتطبيق الحذف الانتقائي للحالات الناقصة عبر أسلوب الحذف المزدوج (Pairwise Deletion) أو الحذف القائم على القائمة الكاملة (Listwise Deletion)، أو اللجوء لتقنيات التعويض المتعدد للبيانات المفقودة (Multiple Imputation) إذا كانت نسبة الفقدان كبيرة بما يهدد صدق العينة وتمثيلها لمجتمع الدراسة.

تُختتم مرحلة التجهيز بإجراء فحص شامل للمصفوفة الأولية للمتغيرات، والتأكد القاطع من خلو البيانات من الأكواد المستحيلة أو القيم الخارجة عن النطاق القياسي للأدوات المستخدمة (مثل وجود قيمة 3 في متغير ثنائي مرمز بين 0 و 1، أو وجود درجات سالبة في مقاييس لا تقبل إلا القيم الموجبة). يضمن هذا التدقيق المنهجي الحاسم استقرار البنية الحسابية وسلامة المخرجات الإحصائية التي سيتم الاعتماد عليها في بناء الاستنتاجات العلمية.

5. حساب الارتباط باستخدام الدالة الأساسية cor.test() في R

5.1 التطبيق العملي للدالة cor.test()

تُعد دالة cor.test() المضمنة في الحزمة الإحصائية الأساسية للغة R الخيار البرمجي الأكثر مباشرة، سرعة، وموثوقية لحساب معامل ارتباط ثنائي التسلسل النقطي واختبار دلالته الإحصائية في آن واحد. يتم استدعاء الدالة من خلال تمرير المتجه الممثل للمتغير الثنائي الرقمي (المشفر 0 و 1) والمتجه الممثل للمتغير المستمر كوسيطين أساسيين للدالة. ونظراً لأن ارتباط ثنائي التسلسل النقطي هو تطابق رياضي تام لارتباط بيرسون، فإن الإبقاء على الخيار الافتراضي لنوع الارتباط (method = "pearson") هو الأسلوب الصحيح والمعتمد لإنتاج النتائج الدقيقة.

تتيح الدالة مرونة فائقة في اختبار الفرضيات البحثية الموجهة وغير الموجهة من خلال وسيط الفرضية البديلة (alternative). عند وجود أساس نظري مسبق يتوقع أن تكون درجات الفئة 1 أعلى من الفئة 0، يمكن تحديد الخيار alternative = "greater" لإجراء اختبار أحادي الطرف (One-tailed test)، وبالمثل يمكن استخدام alternative = "less" إذا كان الاتجاه المتوقع سالباً، في حين يظل الخيار الافتراضي alternative = "two.sided" هو الخيار المنهجي الأكثر تحفظاً ورصانة والأوسع استخداماً في النشر العلمي لاختبار وجود أي ارتباط بغض النظر عن اتجاهه المسبق.

تتميز مخرجات دالة cor.test() بأنها تُنتج كائناً إحصائياً متكاملاً من النوع htest، يحتوي على حزمة شاملة من المعلومات الرياضية، تشمل قيمة معامل الارتباط المحسوب، القيمة التائية الإحصائية المرافقة، درجات الحرية الفعلية، القيمة الاحتمالية الدقيقة (p-value)، وفترة الثقة المئوية لمعامل الارتباط في المجتمع. يمكن للباحث تخزين هذا الكائن في متغير مستقل لاستخراج هذه القيم برمجياً وتوظيفها لاحقاً في توليد الجداول والتقارير الآلية دون الحاجة لنقل الأرقام يدوياً.

5.2 التعامل مع الصيغة المعيارية Formula Interface

توفر بيئة R واجهة استخدام رياضية متقدمة تُعرف بصيغة النموذج (Formula Interface)، والتي تُمكّن الباحثين من كتابة الأوامر الإحصائية بأسلوب أكثر مقروئية وتنظيماً يعكس طبيعة النمذجة الرياضية. يمكن استخدام هذه الصيغة في دالة cor.test() عن طريق كتابة العلاقة بالشكل y ~ x، حيث يمثل y المتغير المستمر التابع، ويمثل x المتغير الثنائي المستقل، مع تمرير إطار البيانات عبر الوسيط data. يساهم هذا النمط في تقليل الأخطاء البرمجية الناتجة عن تكرار استدعاء الأعمدة عبر إشارات الإسناد المباشر، ويجعل الكود أكثر وضوحاً وقابلية للقراءة والمراجعة الزميلة.

مع ذلك، يجب الانتباه إلى سلوك لغة R عند التعامل مع المتغيرات الثنائية المعرفة داخلياً كعوامل تصنيفية (Factors) بدلاً من متجهات رقمية؛ إذ إن تمرير متغير عامل إلى دالة cor.test() القياسية قد يولد خطأً تنفيذياً صريحاً يفيد بضرورة أن تكون المدخلات كمية ورقمية. لتفادي هذا التعارض، يجب تحويل العامل إلى متجه رقمي باستخدام دالة التحويل العددي as.numeric() مع مراعاة أن لغة R تحول مستويات العامل تلقائياً إلى القيمتين (1 و 2)، وبالتالي يجب طرح القيمة (1) من الناتج لضمان إعادة الترميز إلى الصيغة المعيارية الصفرية (0 و 1) والحفاظ على دقة التأطير الرياضي للمعامل.

تتجلى قوة الصيغة البرمجية لـ R عند الحاجة إلى حساب معاملات الارتباط النقطية عبر مجموعات فرعية متعددة من البيانات، مثل حساب الارتباط بين التشخيص والاكتئاب بشكل منفصل لكل فئة عمرية أو لكل جنس على حدة. بالاعتماد على دوال المعالجة المجمعة التابعة لحزمة dplyr مثل group_by() مقترنة بدالة النمذجة الحديثة summarise() أو التكرار البرمجي المتقدم عبر حزمة purrr، يستطيع الباحث تنفيذ مئات التحليلات الارتباطية المعقدة في سطر برمجي واحد واستخراج النتائج مجمعة في أطر بيانات جاهزة للنشر والتحليل المتقدم.

6. حساب المعامل باستخدام الحزم المتخصصة (psych و ltm)

6.1 استخدام دالة biserial.cor() من حزمة ltm

تُعد حزمة ltm (Latent Trait Models) واحدة من أثرى الحزم السيكومترية الموجهة للتحليلات القياسية ونماذج نظرية الاستجابة للمفردة، وتقدم دالة مخصصة وشهيرة تحمل الاسم biserial.cor(). صُممت هذه الدالة خصيصاً للتعامل مع الارتباطات التي تتضمن متغيراً كمياً ومتغيراً ثنائياً، وتمتاز بمرونتها الفائقة في التبديل المنهجي بين حساب معامل ارتباط ثنائي التسلسل النقطي الكلاسيكي ومعامل ارتباط ثنائي التسلسل العادي من خلال وسيط تحكم بسيط وواضح.

لحساب ارتباط ثنائي التسلسل النقطي الحقيقي، يتم ضبط الوسيط المنطقي الداخلي للدالة على الخيار level = 2 (أو استخدام التوجيه البرمجي الصريح للنمط النقطي)، حيث تُجري الدالة العمليات الحسابية القياسية وتُخرج معامل الارتباط النقطي بدقة متناهية. تتطلب الدالة تمرير المتغير المستمر كأول وسيط عددي، يليه المتغير الثنائي كوسيط ثانٍ، وتتميز بقدرتها التلقائية على إدارة التصنيفات الثنائية سواء كانت مجهزة كأرقام أو عوامل أو حتى متجهات منطقية (Logical Vectors مكونة من TRUE و FALSE)، مما يقلل من عبء التحويلات المسبقة على الباحث.

تتيح دالة biserial.cor() أيضاً خياراً متقدماً للتعامل مع القيم المفقودة من خلال الوسيط use = "complete.obs"، مما يضمن تصفية الأزواج المتطابقة وحذف الحالات التي تحتوي على بيانات ناقصة في أي من المتغيرين بدقة تامة. توفر هذه الحزمة مخرجات عددية نظيفة ومباشرة تُمثل قيمة المعامل، مما يجعلها مثالية للإدراج داخل حلقات التكرار البرمجية والخوارزميات السيكومترية المؤتمتة عند تحليل مصفوفات الاختبارات الكبيرة التي تشتمل على عشرات المفردات والبنود التحصيلية.

6.2 استخدام حزمة psych المتقدمة للتحليل السيكومتري

تمثل حزمة psych، التي طورها عالم القياس النفسي الشهير ويليام ريفيل (William Revelle)، المرجع البرمجي الأول عالمياً في علم النفس الإحصائي والقياس السلوكي. توفر الحزمة منظومة متكاملة من الدوال المتخصصة في نمذجة الارتباطات غير المتجانسة، ومن أبرزها دالتا biserial() و polyserial() ودالة الارتباط المختلط الشاملة mixedCor()، والتي تتيح حساب مصفوفات ارتباطية متكاملة تجمع في آن واحد بين متغيرات مستمرة، متغيرات ثنائية حقيقية، ومتغيرات رتبية متعددة الفئات.

تتميز دالة biserial() في حزمة psych بقدرتها التحليلية العالية عند تمرير مصفوفة بيانات كاملة تشتمل على درجات المفردات الفرعية والدرجة الكلية للاختبار؛ حيث تقوم الدالة تلقائياً بحساب معاملات الارتباط النقطية لكل مفردة على حدة بكفاءة حوسبية فائقة. علاوة على ذلك، تتضمن الحزمة أدوات لتصحيح معاملات الارتباط في الحالات التي يكون فيها الانقسام الثنائي غير متكافئ بصورة حادة، أو عندما يرغب الباحث في تقدير معامل الارتباط ثنائي التسلسل المعدل بناءً على الافتراضات التوزيعية للمجتمع الأصلي، مما يوفر رؤية قياسية أعمق تتجاوز الحسابات الكلاسيكية المحدودة.

إضافة إلى ذلك، توفر حزمة psych وظيفة cor.ci() التي تطبق تقنيات إعادة أخذ العينات والاستنهاض الإحصائي (Bootstrapping) لتوليد فترات ثقة لامعلمية دقيقة لمعاملات الارتباط النقطية. تكتسب هذه التقنية أهمية قصوى عند التعامل مع عينات صغيرة أو بيانات تنتهك جزئياً افتراض التوزيع الطبيعي؛ حيث تتيح فترات الثقة المستنهضة للباحث إجراء استدلالات إحصائية قوية ومتحررة من قيود الافتراضات المعلمية الصارمة، مما يعزز من مصداقية ومتانة النتيجة المنشورة في المجلات العلمية المحكمة.

7. تفسير مخرجات التحليل الإحصائي والقيمة الاحتمالية

7.1 قراءة نواتج دالة cor.test() بالتفصيل

عند تنفيذ دالة cor.test() في R لحساب معامل ارتباط ثنائي التسلسل النقطي، تظهر في شاشة المخرجات كتلة نصية منظمة وغنية بالمعلومات الإحصائية التفصيلية التي تتطلب قراءة نقدية متأنية. يُعرض في السطر الأول اسم الاختبار المطبق ونوع طريقة الحساب (Pearson’s product-moment correlation)، تليها قيمة الإحصائي التائي المحسوب (t-statistic)، ودرجات الحرية (degrees of freedom – df)، والقيمة الاحتمالية المرافقة (p-value). تُعد هذه الأرقام الثلاثة المترابطة الركيزة الأساسية للحكم على مدى وجود علاقة حقيقية تتجاوز مجرد الصدفة العشوائية في العينة.

تُمثل قيمة درجات الحرية المعروضة دالة مباشرة في حجم العينة الكلي الخاضع للتحليل الفعلي؛ حيث تُحسب دائماً وفق الصيغة الرياضية df = N – 2 في الارتباطات الثنائية البسيطة. ترتبط قيمة t المعروضة بالمسافة المعيارية التي يبعد بها معامل الارتباط المحسوب عن الفرضية الصفرية (r = 0) على توزيع t النظري؛ فكلما ارتفعت القيمة المطلقة لـ t عن الحدود الحرجة المقابلة لمستوى المعنوية (والتي تقارب عادة ±1.96 للعينات الكبيرة عند مستوى ثقة 95%)، دل ذلك على تباعد واضح وجوهري بين متوسطات الفئتين الثنائيتين في المتغير المستمر المدروس.

في الجزء السفلي من المخرجات، يُعرض التقدير النقطي الصريح لمعامل الارتباط تحت مسمى sample estimates: cor، والذي يعبر عن قوة الارتباط واتجاهه المباشر. يُصنف حجم الأثر لهذا المعامل في الأبحاث السلوكية والنفسية وفقاً لإرشادات جاكوب كوهين (Jacob Cohen) إلى: ارتباط ضعيف عندما تتراوح القيمة المطلقة للمعامل حول 0.10، وارتباط متوسط القوة حول 0.30، بينما يُعتبر الارتباط قوياً وذا دلالة عملية بالغة عندما تبلغ القيمة 0.50 أو تتجاوزها، مع الأخذ بعين الاعتبار أن السياق التطبيقي وطبيعة الظاهرة المدروسة هما الحكمان النهائيان على الأهمية العملية للنتيجة.

7.2 تفسير القيمة الاحتمالية (p-value) واتخاذ القرار الإحصائي

تُمثل القيمة الاحتمالية (p-value) المعيار الاستدلالي الحاسم لاتخاذ القرار المنهجي بقبول أو رفض الفرضية الصفرية للدراسة (H₀). الفرضية الصفرية في هذا السياق تنص على أنه “لا يوجد ارتباط حقيقي بين المتغير الثنائي والمتغير المستمر في المجتمع الأصلي” (أي أن r_pb = 0). عند مقارنة القيمة الاحتمالية المستخرجة بمستوى الدلالة المعياري المعتمد مسبقاً (والذي يُحدد تقليدياً عند α = 0.05 أو α = 0.01 في الأبحاث الصارمة)، يتم رفض الفرضية الصفرية وقبول الفرضية البديلة (H₁) إذا كانت قيمة p أصغر من α، مما يشير إلى أن الارتباط الملاحظ ذو دلالة إحصائية حقيقية ولا يُعزى لتقلبات المعاينة العشوائية.

من الضروري للغاية للباحث الأكاديمي الحذر من الخلط المنهجي الشائع بين “الدلالة الإحصائية” (Statistical Significance) و”الدلالة العملية أو الإكلينيكية” (Practical / Clinical Significance). في الدراسات التي تعتمد على عينات ضخمة جداً (Big Data or Large Samples)، قد يظهر معامل ارتباط شديد الضآلة (مثل r_pb = 0.08) دالاً إحصائياً بمستوى p < 0.001، إلا أن هذه القيمة تدل عملياً على أن التصنيف الثنائي لا يفسر سوى أقل من 1% من تباين الظاهرة النفسية، وهو ما يمثل أثراً تافهاً لا قيمة تطبيقية له في التشخيص أو اتخاذ القرارات التربوية الحيوية، مما يستوجب التركيز دائماً على تقييم حجم الأثر جنباً إلى جنب مع القيمة الاحتمالية.

كما يجب على المحلل تجنب الوقوع في أخطاء الاستدلال الإحصائي، وتحديداً خطأ النوع الأول (Type I Error – إثبات وجود ارتباط لا وجود له فعلياً في المجتمع) عبر تجنب إجراء اختبارات ارتباطية متعددة دون تطبيق تصحيحات ألفا التعديلية الصارمة، كطريقة بونفيروني (Bonferroni correction) أو معدل الاكتشاف الخاطئ (False Discovery Rate – FDR)، وضمان أن تكون الاستنتاجات العلمية متناغمة مع الأطر النظرية الموجهة للبحث دون تضخيم غير مبرر للنتائج الاحتمالية الهامشية.

7.3 تفسير فترات الثقة (Confidence Intervals)

تكتسب فترات الثقة لمعامل الارتباط (Confidence Intervals – CI)، والتي تُعرض تلقائياً بنسبة 95% في مخرجات دالة cor.test()، أهمية استدلالية تفوق أحياناً القيمة الاحتمالية المجردة؛ لكونها تقدم تقديراً لمقدار عدم اليقين ودقة التقدير الإحصائي لقيمة المعامل الحقيقي في مجتمع الدراسة الشامل. تُحسب هذه الحدود باستخدام تحويل فيشر الزائي (Fisher’s z-transformation) لتجاوز مشكلة انحراف توزيع معاملات الارتباط عندما تبتعد عن الصفر، مما يضمن دقة الفترات التقديرية حول المعامل المقاس.

يتمثل المبدأ التفسيري الأساسي لفترة الثقة في فحص ما إذا كان النطاق المحصور بين الحد الأدنى (Lower Limit) والحد الأعلى (Upper Limit) يشتمل على القيمة الصفرية (0.00). إذا كانت فترة الثقة 95% لا تشتمل على الصفر (على سبيل المثال: [0.24, 0.58])، فإن هذا يمثل دليلاً قاطعاً على أن الارتباط دال إحصائياً عند مستوى α = 0.05، ويتيح للباحث التأكيد بدرجة ثقة 95% بأن القيمة الحقيقية للارتباط في المجتمع تقع ضمن هذه الحدود المحددة، مما يوفر فهماً بصرياً ورياضياً لحجم التباين المحتمل في تقديرات الظاهرة.

يعكس اتساع أو ضيق فترة الثقة مباشرة حجم العينة المستخدمة في التحليل؛ فالعينات الصغيرة الحجم تُنتج فترات ثقة شديدة الاتساع تمتد عبر نطاقات واسعة (مثل [0.05, 0.75])، مما يشير إلى ضعف الدقة التقديرية وضخامة الخطأ المعياري، بينما تؤدي العينات الكبيرة والممثلة إلى تضييق فترة الثقة بشكل كبير (مثل [0.38, 0.46])، مما يمنح الباحثين ثقة علمية فائقة في التقدير المنجز، ويساعد في عمليات التحليل التلوي (Meta-Analysis) والتوليف التراكمي لنتائج الأبحاث المنشورة في الميدان.

8. التمثيل البصري البياني للعلاقة في R باستخدام ggplot2

8.1 إنشاء مخطط الصندوق والمخطط النقطي (Boxplot & Stripchart)

يُمثل التصور البصري المتقن للبيانات أداة استكشافية وتفسيرية لا غنى عنها لفهم طبيعة العلاقة بين المتغير الثنائي والمتغير المستمر. تُعد حزمة ggplot2، المبنية على فلسفة قواعد الرسوم البيانية الإنشائية (Grammar of Graphics)، الأداة الأقوى في R لتوليد أشكال بيانية ذات جودة طباعية ونشرية فائقة. المخطط البياني الأكثر فاعلية لعرض هذه العلاقة يدمج بين المخطط الصندوقي (Boxplot) والمخطط النقطي المبعثر الموزع (Jittered Stripchart) لتقديم تمثيل متزامن للإحصاءات الوصفية الموجزة والتوزيع الفعلي للنقاط الفردية.

يتم بناء هذا الشكل عبر تمرير المتغير الثنائي كمحور أفقي (X) والمتغير المستمر كمحور رأسي (Y)، مع إضافة طبقة geom_boxplot() لعرض الوسيط الحسابي، والمدى الربيعي (IQR)، والنقاط المتطرفة لكل فئة من الفئتين بصرياً. ولتجاوز مشكلة حجب التفاصيل التوزيعية داخل الصناديق، تُضاف طبقة geom_jitter() بشفافية لونية محددة (alpha) وتشتت أفقي مضبوط، مما يسمح بمشاهدة كل نقطة بيانات فردية في العينة، ويوضح بدقة مدى كثافة البيانات وتكتلها، ويُظهر التمايز الحقيقي بين المجموعتين دون أي إخفاء للتباين الفردي.

تكتمل اللوحة البصرية بتنسيق لوحة الألوان لتكون متوافقة مع معايير الوصول البصري والطباعة الأكاديمية (مثل استخدام لوحات الألوان الخاصة بحزمة viridis أو RColorBrewer)، وضبط التسميات التوضيحية لمحاور الرسم، وإضافة عناوين دلالية واضحة ومقروءة تعكس المتغيرات النفسية الحقيقية بدلاً من الأكواد البرمجية الجافة، مما يجعل الرسم البياني وسيلة تواصل علمية قائمة بذاتها وقابلة للإدراج المباشر في المجلات المحكمة.

8.2 مخططات الكثافة والتوزيع التكراري (Density Plots)

توفر مخططات الكثافة الاحتمالية المتراكبة (Overlapping Density Plots) بعداً تحليلياً استثنائياً لفهم بنية البيانات ومقارنة التوزيعات المستمرة بين فئتي المتغير الثنائي. من خلال استدعاء دالة geom_density() في ggplot2 مع تخصيص لون التعبئة بناءً على فئات المتغير الثنائي وتحديد مستوى شفافية نصف شفاف (مثلاً alpha = 0.5)، يتم رسم منحنى التوزيع السلس لكل مجموعة في نفس الفضاء البياني الموحد، مما يكشف فورياً عن درجة التمايز، التداخل، والازدواج التوزيعي بين الفئتين.

يسمح هذا التمثيل البصري بالكشف الفوري عن أي التواءات توزيعية (Skewness) أو قمم متعددة (Multimodality) قد تختفي وراء الإحصاءات الوصفية البسيطة كالمتوسط والانحراف المعياري. فإذا أظهر منحنى الفئة (1) إزاحة واضحة نحو اليمين مقارنة بالفئة (0) مع وجود منطقة تداخل ضئيلة بين المنحنيين، فإن هذا يقدم دليلاً بصرياً قوياً ومباشراً على وجود ارتباط ثنائي نقطي مرتفع وموجب، ويعكس الفاعلية العالية للمتغير الثنائي في فرز وتصنيف درجات المتغير المستمر.

لتعزيز القيمة التفسيرية لمخطط الكثافة، يحرص الباحثون المتقدمون على إضافة خطوط عمودية متقطعة تمثل المتوسطات الحسابية الفعلية لكل مجموعة عبر دالة geom_vline()، مصحوبة بتسميات رقمية صريحة. يُبرز هذا الإجراء الفرق الرياضي المجرد (M₁ – M₀) الذي يقع في قلب معادلة ارتباط ثنائي التسلسل النقطي، مما يربط بين النظرية الرياضية والشكل البياني بصورة منهجية فائقة الوضوح.

8.3 تضمين قيمة معامل الارتباط وخط الاتجاه داخل الرسم

يصل الإخراج البياني في R إلى قمته المنهجية عند دمج النتائج الإحصائية الرياضية وخطوط الاتجاه التحليلي مباشرة داخل الفضاء البصري للشكل. عند تمثيل المتغير الثنائي عددياً (0 و 1) على المحور الأفقي، يمكن استخدام دالة geom_smooth(method = "lm", se = TRUE) لرسم خط الانحدار الخطي البسيط الذي يربط بين نقاط البيانات، محاطاً بشريط مظلل يمثل منطقة خطأ التقدير المعياري وفترة الثقة 95%. يمثل ميل هذا الخط التباين المعياري والانحدار المباشر للمتغير المستمر على المتغير الثنائي.

علاوة على ذلك، توفر دالة annotate() في ggplot2 أو الوظائف المتقدمة في حزمة ggpubr إمكانية كتابة نص التقرير الإحصائي مباشرة في زاوية الرسم البياني، متضمناً رمز المعامل المنسق وقيمته الدقيقة، درجات الحرية، والقيمة الاحتمالية المرتبطة به. يتيح هذا التضمين للقارئ أو المحكم الأكاديمي استيعاب كامل الصورة البحثية، الإحصائية والبيانية، بمجرد النظر إلى الشكل دون الحاجة للبحث عن الأرقام في متن النص أو الجداول المرفقة.

تُختتم هذه المرحلة بتصدير الرسم البياني النهائي بدقة عالية تفي بمتطلبات النشر العلمي الدولي الصارمة (Vectorized PDF or High-Resolution TIFF بمعدل لا يقل عن 300 إلى 600 DPI) عبر استدعاء دالة ggsave(). يضمن هذا التصدير الاحترافي الحفاظ على حدة النصوص، وضوح الخطوط، وتناسق الأبعاد القياسية عند طباعة الورقة البحثية أو عرضها في المؤتمرات العلمية العالمية.

9. التطبيقات النفسية والقياس السيكومتري لارتباط ثنائي التسلسل النقطي

9.1 تحليل صدق المفردات ومعامل التمييز (Item-Total Correlation)

يمثل تحليل المفردات (Item Analysis) في إطار النظرية الكلاسيكية للاختبار (Classical Test Theory – CTT) أحد أهم التطبيقات الميدانية وأكثرها رسوخاً لمعامل ارتباط ثنائي التسلسل النقطي. في بناء وتقنين مقاييس التحصيل، القدرات المعرفية، والاستبيانات السلوكية التي تعتمد التصحيح الثنائي (إجابة صحيحة = 1، إجابة خاطئة = 0)، يُحسب معامل الارتباط بين أداء المفحوص على كل مفردة فردية والدرجة الكلية المستمرة للاختبار (Total Test Score) كمؤشر مباشر على صدق المفردة وقدرتها التمييزية.

تحدد الأدبيات السيكومترية معايير صارمة للحكم على جودة المفردات بناءً على قيمة معامل ارتباط ثنائي التسلسل النقطي الناتج:

• المفردات الممتازة (Excellent Items): التي يبلغ معامل ارتباطها النقطي 0.40 فأكثر، وهي مفردات تمتلك قدرة فائقة على التمييز بين مستويات القدرة ويجب الإبقاء عليها في الصورة النهائية للاختبار.
• المفردات الجيدة والمقبولة (Good/Acceptable Items): التي يتراوح معاملها بين 0.20 و 0.39، وتعتبر مقبولة ولكن قد تخضع للمراجعة والتحسين اللغوي أو القياسي.
• المفردات الضعيفة وغير الصالحة (Poor/Defective Items): التي يقل معاملها عن 0.20 أو تأخذ قيماً سالبة؛ حيث تدل القيمة السالبة على خلل كارثي في المفردة يجعل الطلاب الضعفاء يجيبون عليها بشكل صحيح أكثر من الطلاب المتفوقين (ربما بسبب صياغة مضللة أو مفتاح تصحيح خاطئ)، مما يفرض حذفها فوراً من أداة القياس.

من الناحية المنهجية المتقدمة، يجب الانتباه إلى ما يُعرف بـ “التضخم الذاتي المصطنع لمعامل الارتباط” (Spurious Inflation)؛ نظراً لأن درجة المفردة محل الفحص مدمجة فعلياً ضمن حساب الدرجة الكلية للاختبار، مما يجعل المفردة ترتبط مع نفسها جزئياً. لتصحيح هذا التحيز التضخمي، يعتمد الباحثون في R على حساب “ارتباط المفردة بالباقي” (Item-Rest Correlation أو Corrected Item-Total Correlation)، والذي يقوم بطرح درجة المفردة المستهدفة من الدرجة الكلية للاختبار قبل حساب معامل الارتباط النقطي، وهو الإجراء القياسي المدمج آلياً في دالة alpha() بحزمة psych السيكومترية.

9.2 الدراسات المقارنة في علم النفس الإكلينيكي

تعتمد الأبحاث الإكلينيكية المعاصرة على معامل ارتباط ثنائي التسلسل النقطي لفحص البنية المشتركة بين التصنيفات المرضية والسمات البيولوجية والسلوكية المستمرة. فعند دراسة الفروق بين مجموعات التشخيص الإكلينيكي المزدوج (مثل: أفراد مصابون باضطراب كرب ما بعد الصدمة مقابل مجموعة ضابطة غير معرضة للصدمة) ومستويات الاستجابة الفسيولوجية كنشاط الجهاز العصبي المستقل أو درجات تباين معدل ضربات القلب (HRV)، يقدم المعامل تقديراً مباشراً لحجم الأثر الخطي لهذا التصنيف المرضي على المؤشر الحيوي.

يمثل تحويل معامل ارتباط ثنائي التسلسل النقطي إلى معامل التحديد المربع (Coefficient of Determination – R² أو r_pb²) خطوة تفسيرية جوهرية تتيح للباحثين حساب النسبة المئوية الدقيقة للتباين في المتغير المستمر التي يمكن تفسيرها أو التنبؤ بها من خلال معرفة التصنيف الثنائي. على سبيل المثال، إذا كانت قيمة المعامل المحسوب بين التشخيص النفسي ودرجة القلق هي r_pb = 0.50، فإن مربع المعامل يساوي r_pb² = 0.25، مما يعني رياضياً أن 25% من التباين الكلي الملاحظ في درجات القلق يعود مباشرة إلى الاختلاف في الحالة التشخيصية بين المجموعتين، بينما تعود النسبة الباقية (75%) إلى فروق فردية ومتغيرات أخرى غير مدروسة.

يُعد هذا المقياس بديلاً موازياً ومباشراً لمؤشر إيتا المربعة (Eta-Squared) المستخدم في تحليلات التباين الأحادية، ويمنح الأطباء والباحثين النفسيين مقياساً موضوعياً موحداً لتقييم الفاعلية الإكلينيكية للعلاجات الدوائية والنفسية عند مقارنة درجات التحسن بين مجموعات التدخل العلاجي والمجموعات المرجعية، مما يرسخ أسس الممارسة الإكلينيكية المبنية على الأدلة الإحصائية القاطعة (Evidence-Based Practice).

10. حساب مصفوفة الارتباط لمتغيرات متعددة في R

10.1 بناء مصفوفة ارتباط مختلطة للبيانات النفسية

في الدراسات والمسوح النفسية واسعة النطاق، نادراً ما يقتصر عمل الباحث على متغيرين فقط؛ إذ يشتمل البحث عادة على مصفوفات بيانات معقدة تحتوي على مجموعة متعددة من المتغيرات الثنائية (مثل: الجنس، الحالة الاجتماعية، التدخين، التشخيص) والمتغيرات المستمرة المتعددة (مثل: العمر، درجات القلق، الاكتئاب، المرونة النفسية، الأداء المعرفي). تتيح بيئة R توليد مصفوفات ارتباط شاملة تجمع كافة هذه العلاقات الارتباطية بكفاءة حوسبية هائلة.

باستخدام دالة cor() الأساسية، بعد تحويل كافة المتغيرات الثنائية إلى متجهات رقمية (0 و 1)، يمكن للباحث حساب مصفوفة متكاملة تشمل معاملات بيرسون بين المتغيرات المستمرة، ومعاملات فاي (Phi Coefficients) بين المتغيرات الثنائية فيما بينها، ومعاملات ارتباط ثنائي التسلسل النقطي بين الأزواج المختلطة المكونة من متغير ثنائي ومتغير مستمر في مصفوفة رياضية واحدة متناسقة وموحدة.

للحصول على تقرير إحصائي متقدم يشمل معاملات الارتباط ومصفوفة القيم الاحتمالية وفترات الثقة معاً في خطوة واحدة، تقدم دالة corr.test() في حزمة psych الحل المنهجي الأمثل. تتيح هذه الدالة تحديد آلية التعامل مع القيم المفقودة بدقة متناهية، والتبديل بين الحذف المزدوج use = "pairwise" لتعظيم حجم البيانات المستفاد منها في كل زوج، أو الحذف التام use = "complete" لضمان توحيد حجم العينة عبر كامل المصفوفة، فضلاً عن تطبيق التعديلات الرياضية على القيم الاحتمالية المتعددة لضبط معدلات الخطأ المنهجي بضغطة زر واحدة.

10.2 التصور البصري لمصفوفة الارتباط باستخدام corrplot

تُمثل قراءة مصفوفات الأرقام الكبيرة التي تحتوي على عشرات المعاملات تحدياً بصرياً معقداً، وهنا يبرز دور حزمة corrplot المتميزة في توليد خرائط حرارية ارتباطية (Correlation Heatmaps) تفاعلية ورسومية عالية الدقة والجمالية. تتيح هذه الحزمة تحويل الأرقام المجردة إلى دوائر ملونة أو مربعات متباينة الكثافة والحجم؛ حيث يعبر حجم الشكل وكثافة لونه عن قوة معامل الارتباط، بينما تعبر درجات الألوان (مثل الأزرق للموجب والأحمر للسالب) عن اتجاه العلاقة بصورة بصرية بديهية ومريحة للعين.

تتميز حزمة corrplot بقدرتها المنهجية الفائقة على تصفية المصفوفة وإخفاء المعاملات التي لم تحقق مستوى الدلالة الإحصائية المطلوب (p > 0.05) تلقائياً، إما عن طريق ترك الخلية فارغة تماماً أو وضع علامة شطب (X) واضحة فوقها، مما يوجه انتباه القارئ والباحث فورياً إلى العلاقات الدالة والمهمة علمياً ونفسياً دون التشتت بالارتباطات العشوائية الهامشية.

علاوة على ذلك، تتيح الحزمة إعادة ترتيب المتغيرات داخل المصفوفة باستخدام خوارزميات التجميع الهرمي (Hierarchical Clustering – order = "hclust"). يؤدي هذا التجميع الآلي إلى وضع المتغيرات شديدة الترابط جنباً إلى جنب داخل مستطيلات مميزة، مما يسهم في الكشف الفوري عن البنى العاملية الكامنة (Latent Factor Structures) والمجموعات السلوكية المترابطة داخل المنظومة القياسية قيد البحث والدراسة.

11. المشاكل الشائعة، الأخطاء البرمجية، والحلول البديلة

11.1 أخطاء ترميز البيانات وتعارض الفئات

يواجه العديد من الباحثين ومحللي البيانات أخطاء برمجية ومشاكل منهجية شائعة عند محاولة حساب معامل ارتباط ثنائي التسلسل النقطي في R. من أكثر هذه الأخطاء شيوعاً تمرير المتغير الثنائي كمتجه نصي (Character Vector يحتوي على سلاسل نصية مثل “ذكر” و “أنثى”) مباشرة إلى دالة cor() أو cor.test()؛ مما يؤدي إلى توقف الكود وظهور خطأ يفيد بأن الوسائط يجب أن تكون عددية ('x' must be numeric). يتمثل الحل المنهجي الجذري في إعادة تشفير المتغير باستخدام دالة الشرط المنطقي ifelse() لتعيين القيمتين (0 و 1) بدقة قبل استدعاء التحليل.

تتمثل المشكلة المنهجية الثانية والأكثر خطورة في ظاهرة “عدم التوازن الشديد في تكرارات الفئات” (Severe Class Imbalance / Extreme Marginal Distributions). عندما تكون إحدى فئات المتغير الثنائي نادرة الحدوث جداً في العينة (على سبيل المثال: 95% من الأفراد مصنفون في الفئة 0، بينما 5% فقط في الفئة 1)، فإن المعادلة الرياضية لمعامل الارتباط تتعرض لتقليص قسري حاد في أقصى قيمة نظرية يمكن أن تبلغها (Maximum Attainable Correlation)؛ حيث ينخفض سقف المعامل الممكن الوصول إليه من ±1.00 إلى ما دون ±0.30 حتى لو كانت العلاقة بين المجموعتين في الواقع مطلقة ومنفصلة تماماً، مما يضلل الباحثين ويوحي بضعف الارتباط بصورة زائفة.

كما يمثل ظهور الناتج الحسابي كقيمة مفقودة (NA) في شاشة المخرجات عائقاً متكرراً، وينجم ذلك عادة عن وجود خلايا فارغة أو مفقودة داخل أحد المتجهين دون تضمين الوسيط البرمجي الخاص بإدارة المفقودات. يجب دائماً التأكد من إضافة الخيار use = "pairwise.complete.obs" أو استبعاد القيم المفقودة مسبقاً عبر دوال التصفية مثل na.omit() لتجنب انهيار الحسابات الإحصائية وضمان استمرارية المعالجة البرمجية بسلاسة.

11.2 البدائل اللامعلمية عند انتهاك الافتراضات

عندما تكشف الفحوص الاستكشافية المسبقة عن انتهاك جسيم وصريح لافتراض التوزيع الطبيعي داخل المجموعات، أو عند وجود التواءات حادة وتراكمات شاذة في الذيول لا يمكن معالجتها بالتحويلات الرياضية اللوغاريتمية أو الجذرية، يصبح الاعتماد على معامل ارتباط ثنائي التسلسل النقطي المعلمي الكلاسيكي مهدداً لصدق الاستنتاجات العلمية. في هذه الحالات، يجب التحول نحو البدائل الإحصائية اللامعلمية القوية (Non-parametric Alternatives).

يُعد معامل ارتباط الرتب لسبيرمان (Spearman’s Rank Correlation) البديل المباشر الأبسط؛ حيث يتم تحويل درجات المتغير المستمر إلى رتب تصاعدية قبل حساب الارتباط، مما يُلغي تأثير الالتواء والقيم الشاذة تماماً. يمكن تنفيذ هذا الاختبار بسهولة في R عبر تمرير الخيار method = "spearman" إلى دالة cor.test()، مما يوفر تقديراً متيناً لرتابة العلاقة بين المتغيرين دون الاعتماد على بارامترات التوزيع الغاوسي.

من الناحية الاستدلالية المقارنة، يُعد اختبار مان-ويتني التائي للرتب (Mann-Whitney U Test / Wilcoxon Rank-Sum Test) المكافئ اللامعلمي المباشر لاختبار ت للعينات المستقلة، ويُنفذ في R عبر دالة wilcox.test(). ومن هذا الاختبار اللامعلمي، يمكن اشتقاق “معامل ارتباط الرتب الثنائي النقطي” (Rank-Biserial Correlation Coefficient – r_rb)، والذي يقيس حجم الأثر اللامعلمي بدقة بناءً على الفروق المرجحة بين الرتب الموجبة والسالبة عبر استخدام حزم متخصصة مثل حزمة effectsize ودالتها rank_biserial()، مما يمنح الباحث تقديراً رصيناً لحجم التأثير متوافقاً تماماً مع طبيعة البيانات اللامعلمية.

12. كتابة وتوثيق النتائج وفق معايير جمعية علم النفس الأمريكية (APA Style)

12.1 القواعد المعيارية لكتابة تقرير النتائج الإحصائية

يفرض دليل النشر العلمي الصادر عن جمعية علم النفس الأمريكية في نسخته السابعة (APA 7th Edition) معايير صارمة ودقيقة لصياغة وتوثيق نتائج الاختبارات الإحصائية والمعاملات الارتباطية داخل المتن المكتوب للأوراق البحثية. عند توثيق معامل ارتباط ثنائي التسلسل النقطي، يجب تضمين رمز المعامل المنسق بحرف مائل (r_pb)، متبوعاً بدرجات الحرية بين قوسين، علامة المساواة، القيمة المحسوبة للمعامل مقربة إلى منزلتين عشريتين، وأخيراً القيمة الاحتمالية الدقيقة (p-value) مقربة إلى ثلاث منازل عشرية دون وضع صفر قبل الفاصلة العشرية للقيم التي لا تتجاوز الواحد الصحيح.

علاوة على توثيق المعامل ذاته، توجب معايير APA تقديم الإحصاءات الوصفية الكاملة لكل مجموعة من مجموعتي المتغير الثنائي، متضمنة المتوسط الحسابي (M) والانحراف المعياري (SD) بين قوسين؛ لتمكين القراء من استيعاب الاتجاه الفعلي للفروق وتفسير إشارة المعامل بشكل موضوعي وواضح.

فيما يلي نماذج نصية تطبيقية معيارية لكتابة النتائج في الأبحاث المنشورة:

• صيغة النتيجة الدالة إحصائياً (باللغة العربية): “أظهرت النتائج وجود علاقة ارتباطية موجبة ودالة إحصائياً بين التشخيص الإكلينيكي للاكتئاب ومستوى الكورتيزول الصباحي، r_pb(98) = .48, p < .001, 95% CI [.31, .62]. حيث أظهر المرضى المشخصون بالاكتئاب متوسطاً أعلى في مستويات الكورتيزول (M = 18.45, SD = 3.20) مقارنة بالمجموعة الضابطة السليمة (M = 13.10, SD = 2.85)، مما يشير إلى أن التشخيص يفسر ما نسبته 23% من التباين في إفراز الكورتيزول.”
• صيغة النتيجة الدالة إحصائياً (باللغة الإنجليزية): “A point-biserial correlation was conducted to examine the relationship between clinical depression diagnosis and morning cortisol levels. The analysis revealed a statistically significant moderate positive correlation, r_pb(98) = .48, p < .001, 95% CI [.31, .62], with the clinically depressed group exhibiting significantly higher cortisol levels (M = 18.45, SD = 3.20) than the non-depressed control group (M = 13.10, SD = 2.85).”
• صيغة النتيجة غير الدالة إحصائياً (باللغة العربية): “أشارت التحليلات إلى عدم وجود ارتباط ذي دلالة إحصائية بين نوع البرنامج التدريبي ودرجات الرضا الوظيفي، r_pb(85) = -.12, p = .271, 95% CI [-.32, .09]، مما يعكس غياب الفروق الجوهرية في الرضا بين المتدربين في كلا البرنامجين.”

12.2 بناء الجداول الإحصائية المتوافقة مع دليل APA 7th Edition

يُمثل الجدولة الإحصائية الرصينة الركيزة الأساسية لتلخيص النتائج المتعددة ومعاملات الارتباط الخاصة بالمفردات أو المتغيرات المتشعبة في التقارير البحثية. يقتضي دليل APA 7th تصميماً جدولياً ناصعاً يتميز بالبساطة والتنظيم الصارم؛ حيث يُمنع منعاً باتاً استخدام الخطوط الشبكية العمودية، ويقتصر الجدول على ثلاثة خطوط أفقية رئيسية عريضة: خط أعلى الترويسة، خط أسفل الترويسة، وخط ختامي في أسفل الجدول يفصل البيانات عن الهوامش التوضيحية السفلية.

تتيح حزم R التخصصية مثل حزمة knitr عبر دالتها الشهيرة kable()، وحزمة papaja المخصصة كلياً لإنتاج مستندات متوافقة حرفياً مع معايير جمعية علم النفس الأمريكية، وحزمة flextable و modelsummary، توليد جداول APA تلقائية ومصدرة مباشرة بصيغ Word و LaTeX و HTML. يتم تنظيم الأعمدة لتعرض أسماء المتغيرات، أحجام العينات (n)، المتوسطات الحسابية (M)، الانحرافات المعيارية (SD)، ومعاملات ارتباط ثنائي التسلسل النقطي لكل متغير أو مفردة مقارنة بالمتغير المعياري.

يجب دائماً تذييل الجداول بهوامش تفسيرية قياسية تشير إلى مستويات المعنوية الإحصائية باستخدام النجوم التقليدية (مثل: * p < .05, ** p < .01, *** p < .001)، مع توضيح ترميز الفئات الثنائية في الهامش (مثلاً: “تم ترميز المجموعة الضابطة = 0، والمجموعة التجريبية = 1”). يضمن هذا التكامل التوثيقي بين الجداول المصممة بدقة والنصوص المحررة بعناية أعلى درجات الشفافية والاحترافية العلمية التي تتطلبها لجان التحكيم في كبريات الدوريات النفسية العالمية.

خاتمة

يُمثل معامل ارتباط ثنائي التسلسل النقطي (r_pb) أداة إحصائية وسيكومترية بالغة الأهمية والدقة في ترسانة الباحث العلمي المعاصر، حيث يجمع بين البساطة المفهومية والصرامة الرياضية لمعامل بيرسون، موفراً جسراً تحليلياً متيناً لدراسة العلاقات بين المتغيرات الثنائية الحقيقية والمتغيرات الكمية المستمرة. وقد أظهر هذا الدليل الموسع أن التطبيق الناجح لهذا المعامل يتجاوز مجرد تشغيل أمر برمجي سطحي، ليتطلب فهماً عميقاً للأسس النظرية، واستيفاءً صارماً للافتراضات التوزيعية، ودراية بحدود التأثير الناتجة عن عدم توازن الفئات أو وجود القيم الشاذة.

إن توظيف الإمكانات الهائلة لبيئة البرمجة الإحصائية R، بدءاً من دوال الحساب الكلاسيكية، مروراً بالحزم السيكومترية المتقدمة مثل psych و ltm، وانتهاءً بالقدرات التمثيلية المذهلة لحزمة ggplot2، يمنح الباحثين في العالم العربي قدرة لا تضاهى على تفكيك بنية البيانات المعقدة، واستكشاف العلاقات الظاهرة والكامنة، وتوليد مخرجات بيانية وجدلية ترقى إلى أعلى معايير النشر الدولي. ومن خلال الالتزام بقواعد التوثيق الصارمة وفق دليل جمعية علم النفس الأمريكية (APA 7th)، يكتمل البناء المنهجي للبحث ليقدم إسهاماً معرفياً موثوقاً يخدم مسيرة التقدم العلمي في العلوم النفسية، التربوية، والإكلينيكية.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications.
• Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). SAGE Publications. https://socialsciences.mcmaster.ca/jfox/Books/Companion/
• Levshina, N. (2015). How to do linguistics with R: Data exploration and statistical analysis. John Benjamins Publishing Company. https://doi.org/10.1075/z.195
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
• Revelle, W. (2023). psych: Procedures for psychological, psychometric, and personality research (R package version 2.3.9). Northwestern University. https://CRAN.R-project.org/package=psych
• Rizopoulos, D. (2006). ltm: An R package for latent trait modeling and item response theory analyses. Journal of Statistical Software, 17(5), 1–25. https://doi.org/10.18637/jss.v017.i05
• Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., … Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686