كيفية إجراء اختبار كاي تربيع للاستقلالية في برنامج SPSS

تُعدّ معالجة البيانات الفئوية (Categorical Data) وتحديد طبيعة العلاقات القائمة بينها أحد أبرز التحديات المنهجية التي تواجه الباحثين في حقول العلوم النفسية، والاجتماعية، والسلوكية. في كثير من الأحيان، لا تتخذ المتغيرات المدروسة طابعاً كمياً متصلاً كدرجات الذكاء أو درجات القلق المقاسة بمقاييس متصلة، بل تأتي في هيئة تصنيفات نوعية محددة مثل: نمط الشخصية (انطوائي، انبساطي)، أو التشخيص الإكلينيكي (اكتئاب، قلق، وسواس قهري)، أو الاستجابة لبروتوكول علاجي معين (تحسن، استقرار، تدهور). في هذه السياقات، تبرز الحاجة إلى أداة إحصائية متينة قادرة على فحص ما إذا كان التوزيع التكراري لإحدى الفئات يرتبط ارتباطاً حقيقياً بفئات متغير آخر، أم أن التباينات الملاحظة لا تعدو كونها وليدة الصدفة الإحصائية والتباين العشوائي في المعاينة.

يمثل اختبار كاي تربيع للاستقلالية (Chi-Square Test of Independence)، الذي طوره عالم الإحصاء الشهير كارل بيرسون (Karl Pearson) في مطلع القرن العشرين، الركيزة الأساسية والحل المنهجي الأمثل لهذا النوع من التساؤلات البحثية. وتتجلى القوة التحليلية لهذا الاختبار في قدرته على تحويل البيانات التكرارية البسيطة إلى استدلالات علمية دقيقة، تُمكن الباحث من اختبار الفرضيات الصفرية المتعلقة باستقلالية المتغيرات وتحديد أثر الاقتران بين العوامل النفسية والديموغرافية والسريرية بدقة متناهية ودون الحاجة إلى افتراض التوزيع الطبيعي للبيانات.

مع التطور البرمجي في التحليل الإحصائي، باتت حزمة برنامج SPSS (Statistical Package for the Social Sciences) البيئة المعيارية الأكثر استخداماً لتطبيق اختبار كاي تربيع للاستقلالية. إلا أن التطبيق السليم للاختبار لا يقتصر على مجرد الضغط على مجموعة من الأوامر داخل البرنامج؛ بل يتطلب فهماً عميقاً للأسس الرياضية التي تحكم حساب التكرارات المتوقعة، والوعي الصارم بالافتراضات المنهجية التي تضمن دقة النتائج، بالإضافة إلى القدرة التحليلية على قراءة المخرجات المتعددة، وحساب مقاييس حجم الأثر، وتفكيك جداول التوافق عبر التحليلات البعدية المتقدمة وتوثيقها وفق دليل النشر المعتمد من الجمعية الأمريكية لعلم النفس (APA 7th). يقدم هذا الدليل الشامل مرجعاً أكاديمياً وتطبيقياً متكاملاً لإجراء وتفسير هذا الاختبار بدقة واحترافية.

1. مقدمة عامة حول اختبار كاي تربيع للاستقلالية في البحوث النفسية

1.1 مفهوم اختبار كاي تربيع للاستقلالية وطبيعته الإحصائية

يُعرَّف اختبار كاي تربيع للاستقلالية (Chi-Square Test of Independence)، والذي يُشار إليه رياضياً بالرمز (χ²)، بأنه اختبار إحصائي استدلالي لا معلَمي (Non-Parametric Test) يُستخدم لتقييم ما إذا كانت هناك علاقة ارتباطية أو اقترانية ذات دلالة إحصائية بين متغيرين اسميين (Nominal) أو ترتيبيين (Ordinal). لا يفترض هذا الاختبار أن تتبع البيانات توزيعاً طبيعياً جرسياً، مما يجعله ملائماً للغاية لتحليل التكرارات والنسب المئوية في العينات السلوكية غير المتصلة.

من الضروري التمييز بدقة بين اختبار كاي تربيع للاستقلالية واختبار كاي تربيع لحسن المطابقة (Goodness-of-Fit Test). يركز اختبار حسن المطابقة على متغير فئوي واحد، ويهدف إلى مقارنة التوزيع التكراري المشاهد في عينة ما بتوزيع نظري محدد مسبقاً (مثل التأكد مما إذا كانت نسب الطلاب في تخصصات علم النفس تتوزع بالتساوي). في المقابل، يتطلب اختبار الاستقلالية وجود متغيرين فئويين على الأقل، ويسعى إلى فحص ما إذا كان توزيع التكرارات عبر مستويات المتغير الأول يتغير بتغير مستويات المتغير الثاني، وهو ما يجعله أداة محورية في النمذجة الإحصائية الاستكشافية والوصفية في العلوم الاجتماعية.

1.2 أهمية الاختبار وتطبيقاته في العلوم النفسية والاجتماعية

تتعدد تطبيقات اختبار كاي تربيع للاستقلالية في الميادين النفسية، حيث يُعد حجر الزاوية في دراسة التفاعل بين البنى المعرفية والأنماط الديموغرافية. على سبيل المثال، يُستخدم الاختبار على نطاق واسع في دراسة الفروق بين الجنسين في معدلات انتشار الاضطرابات النفسية الشائعة؛ كفحص ما إذا كان معدل الإصابة باضطراب القلق العام (نعم/لا) يرتبط بالجنس (ذكر/أنثى)، أو اختبار الفروق في استراتيجيات التأقلم الإيجابية والسلبية عبر فئات عمرية مختلفة.

يمتد التطبيق ليشمل علم النفس الإكلينيكي وعلم النفس العصبي، من خلال فحص أنماط الاستجابة للبروتوكولات العلاجية (مثل: العلاج المعرفي السلوكي مقابل العلاج الدوائي مقابل العلاج المدمج) وتأثيرها على النتائج التشخيصية للمرضى (شفاء تام، تحسن جزئي، عدم استجابة). كما يُطبق الاختبار بفاعلية في علم النفس السياسي وعلم النفس الاجتماعي لدراسة الاقتران بين التوجهات القيمية والأيديولوجية ومستويات الالتزام المجتمعي أو السلوك الانتخابي.

1.3 صياغة الفرضيات الإحصائية للاختبار

تخضع معالجة اختبار كاي تربيع لمنطق اختبار الفرضيات الصفرية (Null Hypothesis Significance Testing). تُصاغ الفرضية الصفرية ($H_0$) لتنص على الاستقلالية التامة وعدم وجود اقتران أو علاقة بين المتغيرين الفئويين في المجتمع الأصلي؛ أي أن احتمال وقوع المفحوص في تصنيف معين للمتغير الأول مستقل تماماً عن احتمالية وقوعه في أي تصنيف للمتغير الثاني.

في المقابل، تفترض الفرضية البديلة ($H_1$) وجود علاقة ارتباطية أو اعتماد متبادل بين المتغيرين في المجتمع، بحيث تختلف التوزيعات التكرارية المشاهدة جوهرياً عن التوزيعات المتوقعة في حالة الاستقلالية. يتم التحقق من صحة هاتين الفرضيتين عبر مقارنة مستوى الدلالة الإحصائية المحسوب ($p\text{-value}$) بمستوى الدلالة المعياري المعتمد أكاديمياً، والذي يتم تحديده عادة عند ($\alpha = 0.05$) أو ($\alpha = 0.01$) لتقليل خطأ النوع الأول (Type I Error).

2. الأسس الرياضية والنظرية لاختبار كاي تربيع للاستقلالية

2.1 معادلة كاي تربيع وحساب التكرارات المتوقعة

يقوم البناء الرياضي لاختبار كاي تربيع على مقارنة التكرارات الملاحظة أو المشاهدة فعلياً في العينة ($O_{ij}$ أو Observed) بالتكرارات المتوقعة نظرياً ($E_{ij}$ أو Expected) في ظل افتراض صحة الفرضية الصفرية للاستقلالية. تُصاغ المعادلة الرياضية العامة لبيرسون على النحو التالي:

$$\chi^2 = \sum_{i=1}^{r} \sum_{j=1}^{c} \frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$

حيث يمثل $r$ عدد الصفوف، و$c$ عدد الأعمدة في جدول التوافق المتقاطع. لحساب التكرار المتوقع ($E_{ij}$) لأي خلية تقع في الصف $i$ والعمود $j$، تُطبق الصيغة الاحتمالية المستندة إلى جداول الهوامش:

$$E_{ij} = \frac{R_i \times C_j}{N}$$

حيث $R_i$ هو مجموع التكرارات في الصف المعني، و$C_j$ هو مجموع التكرارات في العمود المعني، و$N$ هو حجم العينة الكلي. تكمن أهمية تربيع الفروق $(O_{ij} – E_{ij})^2$ في منع الإلغاء المتبادل بين الانحرافات الموجبة والسالبة، ولإعطاء وزن أكبر للانحرافات الكبيرة التي تعكس ابتعاداً صريحاً عن نموذج الاستقلالية.

2.2 درجات الحرية في جداول التوافق (Contingency Tables)

تُعد درجات الحرية (Degrees of Freedom – $df$) المعلمة المحورية التي تحدد شكل المنحنى الاحتمالي لتوزيع كاي تربيع، وتُحسب لجداول التوافق المتقاطعة بالصيغة الرياضية التالية:

$$df = (r – 1) \times (c – 1)$$

تعبر درجات الحرية عن عدد الخلايا في الجدول التي تمتلك حرية التغير العشوائي بمجرد معرفة المجاميع الهامشية للصفوف والأعمدة وحجم العينة الكلي. يؤثر عدد الفئات في كلا المتغيرين تأثيراً مباشراً على قيمة درجات الحرية؛ فكلما ازداد تعقيد الجدول وتفرع فئاته (مثل جدول $3 \times 4$ يمتلك $df = 6$)، تطلّب ذلك قيمة حرجة أكبر لـ $\chi^2$ لرفض الفرضية الصفرية عند مستوى دلالة ثابت ($\alpha$). يتم استخراج القيمة الحرجة من جداول التوزيع النظري لكاي تربيع لمقارنتها بالقيمة المحسوبة وتحديد القرار الإحصائي.

2.3 طبيعة توزيع كاي تربيع وخصائصه الإحصائية

يتميز منحنى توزيع كاي تربيع بخصائص رياضية فريدة؛ فهو توزيع احتمالي متصل يبدأ من الصفر ويمتد إلى ما لا نهاية موجبة، مما يعني أن قيم $\chi^2$ لا يمكن أن تكون سالبة على الإطلاق نتيجة تربيع الانحرافات. يكون التوزيع ملتوياً التواءً موجباً حاداً (Positively Skewed) عندما تكون درجات الحرية صغيرة، ولكن مع تزايد درجات الحرية، يقترب شكل المنحنى تدريجياً من التوزيع الطبيعي المتماثل بفضل نظرية النهاية المركزية.

يعتمد اختبار كاي تربيع للاستقلالية حصرياً على المساحة الواقعة في الطرف الأيمن للمنحنى (Right-Tailed Test)، حيث تقع منطقة الرفض في الذيل العلوي للتوزيع؛ فالقيم الكبيرة جداً لـ $\chi^2$ تشير إلى وجود انحرافات واسعة بين المشاهد والمتوقع لا يمكن إرجاعها للمصادفة. يتأثر التباين الداخلي للبيانات بحجم التكرارات وهيكلية الفئات، مما ينعكس بصورة مباشرة على الدقة الاحتمالية لقيم الدلالة ($p\text{-values}$).

3. الافتراضات والشروط المنهجية لتطبيق الاختبار بدقة

3.1 مستوى قياس المتغيرات واستقلالية الملاحظات

تتطلب صحة الاستدلال الإحصائي لاختبار كاي تربيع الالتزام الصارم بمجموعة من الافتراضات المنهجية. أول هذه الشروط هو أن يكون المتغيران المدروسان مقاسين على المستوى الاسمي (Nominal) أو الترتيبي (Ordinal)، بحيث تصنف البيانات إلى فئات منفصلة ومحددة بدقة دون تداخل.

الشرط الثاني، والأكثر حساسية، هو استقلالية الملاحظات (Independence of Observations). يعني هذا الافتراض أن كل مفحوص أو وحدة تحليل يجب أن تساهم بتكرار واحد فقط داخل خلية واحدة من خلايا جدول التوافق المتقاطع؛ فلا يجوز تصنيف الفرد نفسه في أكثر من خانة تشخيصية أو تكرار قياسه في فترات زمنية مختلفة داخل نفس الجدول. إن انتهاك هذا الشرط بتطبيق الاختبار على تصميمات القياسات المتكررة (Repeated Measures) يُبطل النتائج إحصائياً ويتطلب استخدام بدائل ملائمة كاختبار ماكنيمار.

3.2 حجم العينة واشتراطات التكرارات المتوقعة (قاعدة Cochran)

نظراً لأن اختبار كاي تربيع يعتمد على مقاربة التوزيع المستمر لبيانات متقطعة، فقد وضع الإحصائي ويليام كوكران (William Cochran) قواعد معيارية صارمة لضمان موثوقية النتائج ومنع تضخم خطأ النوع الأول. تنص قاعدة كوكران على الآتي:

• يجب ألا يقل التكرار المتوقع في أي خلية من خلايا جدول التوافق عن 1 مطلقاً ($E_{ij} ge 1$).
• يجب ألا تزيد نسبة الخلايا التي يقل تكرارها المتوقع عن 5 عن 20% من إجمالي خلايا الجدول (في الجداول الأكبر من $2 \times 2$).
• بالنسبة للجداول ثنائية التفرع ($2 \times 2$)، يجب ألا يقل التكرار المتوقع في جميع الخلايا الأربع عن 5.

يؤدي صغر حجم العينة الكلي إلى خفض التكرارات المتوقعة وانتهاك هذه القواعد، في حين أن العينات الضخمة جداً قد تجعل الاختبار مفرط الحساسية؛ مما يقود إلى إظهار دلالة إحصائية لفروق طفيفة جداً ليس لها أي قيمة إكلينيكية أو عملية في الواقع السلوكي.

3.3 طرق التعامل مع انتهاك افتراضات التكرار المتوقع

عندما تُظهر مخرجات التحليل انتهاكاً لاشتراطات التكرارات المتوقعة، يتوجب على الباحث اتباع إحدى الاستراتيجيات الإحصائية التصحيحية المعترف بها أكاديمياً وتجنب المضي قدماً في تفسير اختبار بيرسون التقليدي. تتمثل الاستراتيجية الأولى في إعادة ترميز ودمج الفئات المتقاربة منطقياً ونظرياً داخل المتغير (Collapsing Categories)، مما يرفع التكرارات المشاهدة والمتوقعة في الخلايا الناتجة دون تشويه المعنى العلمي للمتغير.

في حال تعذر دمج الفئات أو في جداول $2 \times 2$ ذات العينات الصغيرة، يُعد الانتقال إلى اختبار فيشر الدقيق (Fisher’s Exact Test) الخيار المنهجي الأكثر دقة؛ كونه يحسب الاحتمال الفعلي مباشرة دون الاعتماد على تقريب التوزيع الاحتمالي. أما في الجداول الأكبر المعقدة ($r \times c$) التي تنتهك فيها شروط كوكران، فيتم اللجوء إلى تقنيات المعاينة التكرارية المتقدمة مثل طريقة مونت كارلو (Monte Carlo Exact Tests) المتاحة كإضافة في برنامج SPSS لتوليد قيم دلالة دقيقة غير متحيزة.

4. إعداد وهيكلة البيانات في برنامج SPSS

4.1 إدخال البيانات الفردية غير المجمعة (Raw Data)

يتم التعامل مع البيانات الفردية الخام عندما يقوم الباحث بجمع الاستجابات من المفحوصين مباشرة عبر الاستبانات أو المقابلات التشخيصية. في هذه الحالة، يتم تخصيص كل صف أفقي في شاشة البيانات (Data View) ليمثل مفحوصاً مستقلاً واحداً، بينما تمثل الأعمدة الرأسية المتغيرات المدروسة.

في شاشة تعريف المتغيرات (Variable View)، يتم تحديد اسم المتغير (مثل: Gender و Depression_Level)، وضبط نوع القياس (Measure) ليكون إما Nominal للمتغيرات التصنيفية غير المرتبة أو Ordinal للمتغيرات المصنفة ترتيبياً. بعد ذلك، يتم ترميز الفئات في حقل (Values)؛ فعلى سبيل المثال، يتم إدخال القيمة 1 لتمثيل “ذكور” والقيمة 2 لتمثيل “إناث”، مع وضع التسميات الواضحة (Labels) لضمان سهولة قراءة الجداول الناتجة في المخرجات لاحقاً.

4.2 إدخال البيانات المجمعة في جداول التكرارات (Aggregated Data)

في كثير من الدراسات النفسية والمراجعات المنهجية، قد يحتاج الباحث إلى إعادة تحليل بيانات مستخرجة من أبحاث سابقة منشورة تأتي في هيئة جدول توافق ملخص يضم التكرارات فقط دون وجود السجلات الفردية للمفحوصين. في هذا السيناريو، يتم إنشاء مصفوفة بيانات في SPSS تحتوي على ثلاثة متغيرات أساسية:

• متغير يمثل فئات الصف الأول (مثل: العلاج النفسي).
• متغير يمثل فئات العمود الثاني (مثل: النتيجة الإكلينيكية).
• متغير رقمي ثالث (Numeric) مخصص لتسجيل التكرار المشاهد الفعلي (Frequency/Count) المقابل لكل توليفة.

يتم إدخال جميع التوليفات المحتملة بين المتغيرين في صفوف متتالية، وتسجيل التكرار الملاحظ في العمود الثالث. تتطلب هذه الهيكلة خطوة حاسمة إضافية قبل التحليل تتمثل في تفعيل خاصية ترجيح الحالات، وبدونها سيتعامل البرنامج مع كل صف على أنه يمثل استجابة شخص واحد فقط، مما يؤدي إلى مخرجات خاطئة تماماً.

4.3 التحقق من سلامة البيانات وخلوها من القيم الشاذة والمفقودة

تسبق خطوة التحليل الإحصائي مرحلة فحص الجودة وتنظيف البيانات (Data Cleaning). يبدأ ذلك بتشغيل جداول التكرارات البسيطة (Frequencies) عبر قائمة Analyze -> Descriptive Statistics -> Frequencies لكل متغير فئوي على حدة؛ للتأكد من عدم وجود أخطاء في الإدخال كظهور قيم ترميز غير معرفة (مثل ظهور الرقم 3 لمتغير ثنائي الفئات يحتوي فقط على 1 و 2).

يتعين كذلك تدقيق القيم المفقودة وتحديد ما إذا كانت مفقودة نظامياً (System Missing) بسبب امتناع المفحوص عن الإجابة، أو مفقودة معرفة من الباحث (User Missing). يضمن تدقيق مصفوفة البيانات استبعاد الحالات المشبوهة أو التعامل معها قبل الانتقال للتحليل الاستدلالي، لضمان اتساق النتائج وتجنب تقليل حجم العينة الفعال بصورة مفاجئة تؤثر سلباً على القوة الإحصائية (Statistical Power).

5. استخدام خاصية ترجيح الحالات (Weight Cases) في SPSS

5.1 لماذا ومتى نحتاج إلى تفعيل ميزة ترجيح الحالات؟

تُعد خاصية ترجيح الحالات (Weight Cases) أحد الأوامر البنيوية الجوهرية في برنامج SPSS، وتُستخدم حصرياً عندما يتم إدخال البيانات بصيغة مجمعة (Aggregated Summary Data) وليست كحالات فردية خام. تعمل هذه الميزة كجسر برمجي يوجه محرك التحليل في SPSS للتعامل مع عمود التكرارات كمعامل تكرار للحالة، وليس كمتغير قياس كمي مستقل.

إذا تم إغفال هذه الخطوة عند تحليل جدول توافق مكون من 4 خلايا يمثل 400 مفحوص، فإن البرنامج سيفترض أن حجم العينة الإجمالي هو 4 حالات فقط (أي أربعة صفوف من البيانات)، وبالتالي ستكون نتائج الاختبار مشوهة تماماً ودرجات الحرية والقيم الاحتمالية غير صحيحة علمياً. يضمن الترجيح استعادة الحجم الحقيقي للعينة وتوزيع التكرارات بصورة متطابقة مع البيانات الأصلية.

5.2 خطوات تفعيل ترجيح الحالات عبر واجهة SPSS

لتفعيل خاصية الترجيح بصورة سليمة، يتم اتباع المسار الإجرائي المباشر عبر القوائم الرئيسية لبرنامج SPSS وفق الخطوات التالية:

• النقر على القائمة الرئيسية للبيانات: Data.
• التمرير لأسفل القائمة واختيار أمر: Weight Cases…
• في النافذة المنبثقة، يتم تبديل الاختيار الافتراضي من Do not weight cases إلى خيار Weight cases by.
• نقل متغير التكرار العددي (Count أو Frequency) من قائمة المتغيرات اليسرى إلى مربع Frequency Variable.
• الضغط على زر OK لتنفيذ الأمر وتثبيته.

بمجرد اكتمال هذه الخطوات، يجب التحقق من أسفل الزاوية اليمنى لشاشة SPSS (في شريط الحالة – Status Bar)؛ حيث ستظهر عبارة “Weight On” دلالة على أن البرنامج يتعامل الآن مع كل صف وفق وزنه التكراري المحدد.

5.3 كيفية إلغاء أو تعديل ترجيح الحالات بعد الانتهاء

يتميز أمر ترجيح الحالات في SPSS بأنه أمر دائم التأثير يظل فعالاً ومطبقاً على جميع الإجراءات الإحصائية اللاحقة التي تُنفذ داخل نفس ملف البيانات، حتى لو تم إغلاق البرنامج وإعادة فتحه لاحقاً. لذا، فإن بقاء الترجيح مفعلاً بعد الانتهاء من اختبار كاي تربيع قد يؤدي إلى تخريب التحليلات الأخرى غير الفئوية إذا ما قرر الباحث تطبيق اختبارات T-Test أو تحليل الانحدار على متغيرات أخرى في نفس الملف.

لإلغاء الترجيح، يجب العودة مجدداً إلى نافذة Data -> Weight Cases وتحديد الخيار الافتراضي Do not weight cases ثم الضغط على OK. يُلاحظ حينها اختفاء عبارة “Weight On” من شريط الحالة السفلي، مما يعيد الملف إلى وضعه الطبيعي لمعالجة الحالات كاستجابات مفردة، وهي ممارسة منهجية حيوية تمنع تداخل الأوزان التكرارية مع التحليلات البارامترية الأخرى.

6. خطوات إجراء اختبار كاي تربيع للاستقلالية عبر قوائم SPSS

6.1 الوصول إلى نافذة الجداول المتقاطعة (Crosstabs)

تتم عملية إجراء اختبار كاي تربيع للاستقلالية في SPSS من خلال واجهة الجداول المتقاطعة، والتي تتيح بناء مصفوفات الاقتران الفئوي وتطبيق الاختبارات الاستدلالية المرافقة لها عبر مسار محدد يبدأ من شريط الأوامر العلوي:

يتم النقر على قائمة Analyze، ثم التوجه إلى الإحصاء الوصفي Descriptive Statistics، واختيار الأمر Crosstabs…. عند فتح نافذة الجداول المتقاطعة، تظهر مصفوفة المتغيرات على الجانب الأيسر، ومربعان رئيسيان على الجانب الأيمن:

• مربع الصفوف Row(s): ويُنقل إليه عادة المتغير المستقل أو المتغير التصنيفي التفسيري (مثل: نوع البرنامج العلاجي).
• مربع الأعمدة Column(s): ويُنقل إليه المتغير التابع أو النتيجة السلوكية المراد دراستها (مثل: مستوى التحسن الإكلينيكي).

6.2 ضبط الخيارات الإحصائية من مربع Statistics

بعد تحديد المتغيرات في خانات الصفوف والأعمدة، يتم النقر على زر Statistics… الموجود على يمين نافذة Crosstabs لفتح نافذة الخيارات الإحصائية الاستدلالية المتقدمة. داخل هذه النافذة، يتعين تحديد مجموعة من المؤشرات الحيوية بدقة:

• تفعيل خيار Chi-square: وهو الأمر البرمجي المسؤول عن حساب قيمة إحصاء كاي تربيع لبيرسون ونسب الترجيح والتصحيحات المرافقة.
• تفعيل خيار Phi and Cramer’s V: لحساب مقاييس حجم الأثر وقوة الارتباط للفئات الاسمية.
• تفعيل خيار Contingency coefficient: إذا رغب الباحث في مقياس اقتران تقليدي إضافي.
• تفعيل خيار Risk: في حال كانت الجداول ثنائية ($2 \times 2$) وتتضمن دراسة المخاطر ونسب الأرجحية (Odds Ratio) في الأبحاث السريرية والوبائية.

بعد اكتمال التحديدات المطلوبة، يتم الضغط على Continue للعودة إلى النافذة السابقة.

6.3 تخصيص خيارات العرض والخلايا من مربع Cells

يُعد تخصيص محتويات الخلايا خطوة محورية لفهم البنية العميقة للعلاقة الارتباطية، ويتم ذلك بالضغط على زر Cells… في نافذة Crosstabs الرئيسية. تتيح هذه النافذة تحديد عناصر متعددة للعرض والتحليل داخل كل خلية في جدول التوافق:

• Counts (التكرارات): تفعيل كل من Observed (المشاهدة) وExpected (المتوقعة) لمقارنتهما وفحص افتراضات كوكران.
• Percentages (النسب المئوية): يُفضل تحديد Row (نسب الصفوف) أو Column (نسب الأعمدة) بناءً على اتجاه الفرضية البحثية، مع إمكانية تفعيل Total لحساب النسبة من الإجمالي العام.
• Residuals (البواقي الإحصائية): تفعيل خيار Adjusted Standardized (البواقي المعيارية المصححة)، وهي الأداة التشخيصية الأساسية لتحديد أي الخلايا تسهم تحديداً في دلالة الاختبار الكلية.

يتم بعد ذلك النقر على زر Continue لحفظ التفضيلات.

6.4 تنفيذ الأمر وتوليد المخرجات

قبل النقر على زر التنفيذ، يُستحسن تفعيل خيار Display clustered bar charts في أسفل نافذة Crosstabs لإنشاء تمثيل بياني شريطي مجمع يوضح التوزيع التكراري للفئات بصرياً. يتيح البرنامج للباحثين خيارين لإنهاء العملية:

الخيار الأول هو النقر على زر Paste لتصدير الكود البرمجي (SPSS Syntax) إلى نافذة الأوامر البرمجية، وهي ممارسة أكاديمية ممتازة لتوثيق التحليلات وضمان إمكانية تكرارها بدقة في المستقبل. الخيار الثاني هو النقر المباشر على زر OK، ليقوم البرنامج فوراً بمعالجة البيانات وتوليد النتائج الإحصائية في شاشة عارض المخرجات (SPSS Output Viewer).

7. تفسير مخرجات جدول التوافق وجدول ملخص معالجة الحالات

7.1 جدول ملخص معالجة الحالات (Case Processing Summary)

يُمثل جدول ملخص معالجة الحالات أول مخرج يظهر في شاشة النتائج، وتتمثل وظيفته الأساسية في تقديم تدقيق وصفي لسلامة العينة المدخلة في التحليل. يتضمن الجدول ثلاثة أسطر رئيسية تستعرض الأرقام المطلقة والنسب المئوية:

• Valid Cases (الحالات الصالحة): تمثل عدد وأفراد العينة الذين احتوت سجلاتهم على بيانات مكتملة لكلا المتغيرين وتم إدراجهم فعلياً في حساب كاي تربيع.
• Missing Cases (الحالات المفقودة): توضح عدد الأفراد الذين تم استبعادهم من التحليل بسبب وجود قيم مفقودة في أحد المتغيرين أو كليهما.
• Total Cases (إجمالي الحالات): يمثل المجموع الكلي لحالات العينة المسجلة في ملف البيانات.

يتعين على الباحث التحقق من مطابقة عدد الحالات الصالحة للعدد المستهدف في تصميم الدراسة، والتأكد من أن نسبة الفقد لم تتجاوز المعدلات المقبولة منهجياً، حتى لا تتأثر دقة النتائج وقابليتها للتعميم.

7.2 تحليل وتفكيك جدول التوافق المتقاطع (Crosstabulation Table)

يُعد جدول التوافق المتقاطع النواة الوصفية للاختبار، حيث يعرض مصفوفة التقاطع بين فئات المتغيرين مدعمة بالتكرارات والنسب المئوية والبواقي التي تم تحديدها مسبقاً. تبدأ قراءة الجدول بمقارنة التكرار المشاهد (Count) بالتكرار المتوقع (Expected Count) داخل كل خلية؛ فإذا كان التكرار المشاهد في خلية معينة أعلى بكثير من المتوقع، دل ذلك على وجود ترابط إيجابي بين الفئتين المتقاطعتين، بينما يدل انخفاض المشاهد عن المتوقع على نفور أو ارتباط سلبي.

توفر النسب المئوية للصفوف (% within Row) فهماً دقيقاً للاتجاهات النسبية؛ فعلى سبيل المثال، إذا أظهرت النتائج أن 75% من المرضى في مجموعة العلاج المعرفي السلوكي حققوا “تحسناً تاماً” مقارنة بـ 30% فقط في مجموعة العلاج التقليدي، فإن هذا التباين النسبي يعكس الفارق العملي الجوهري قبل النظر إلى الدلالة الإحصائية، مما يمنح التفسير بعداً سيكولوجياً واقعياً.

7.3 فحص تحذير التكرارات المتوقعة أسفل جدول الاختبار

قبل الشروع في تفسير الدلالة الإحصائية، يجب على الباحث النظر مباشرة إلى الحاشية السفلية (Footnote a) الواقعة أسفل جدول نتائج اختبار كاي تربيع (Chi-Square Tests). تقدم هذه الحاشية تقريراً حاسماً حول مدى استيفاء البيانات لشرط كوكران للتكرارات المتوقعة، وتتضمن معلومتين أساسيتين:

• عدد ونسبة الخلايا التي تمتلك تكراراً متوقعاً يقل عن 5 (مثل: 0 cells (0.0%) have expected count less than 5).
• القيمة الصغرى للتكرار المتوقع المسجل في الجدول بالكامل (The minimum expected count is…).

إذا كانت نسبة الخلايا ذات التكرار المتوقع الأقل من 5 تتجاوز 20%، أو إذا كانت القيمة الصغرى للتكرار المتوقع أقل من 1، فإن نتائج اختبار بيرسون التقليدي تصبح غير صالحة للاعتماد الأكاديمي، ويتعين فوراً الاعتماد على اختبار فيشر الدقيق أو تقنيات الدمج والمعاينة التكرارية.

8. قراءة وتفسير نتائج اختبار كاي تربيع في مخرجات SPSS

8.1 قراءة قيمة كاي تربيع لبيرسون (Pearson Chi-Square)

يحتوي جدول اختبارات كاي تربيع (Chi-Square Tests) على مجموعة من الصفوف الإحصائية التي تلخص اختبار الفرضيات، ويأتي في مقدمتها سطر Pearson Chi-Square. لقراءة هذه النتيجة بدقة، يتم التركيز على ثلاثة أعمدة رئيسية:

• عمود القيمة Value: يمثل قيمة إحصاء كاي تربيع المحسوبة ($\chi^2$).
• عمود درجات الحرية df: يوضح درجات الحرية المرتبطة بجدول التوافق والمحسوبة وفق $(r-1)(c-1)$.
• عمود الدلالة الإحصائية Asymptotic Significance (2-sided): يمثل القيمة الاحتمالية المقاربة ($p\text{-value}$).

إذا كانت قيمة $p$ المسجلة في هذا العمود أصغر من أو تساوي مستوى الدلالة المحدد مسبقاً ($\alpha = 0.05$)، يتم رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$)، مما يعني وجود علاقة ارتباطية ذات دلالة إحصائية بين المتغيرين في المجتمع الأصلي.

8.2 متى نستخدم تصحيح ييتس للاستمرارية (Continuity Correction)؟

في الجداول المتقاطعة ثنائية التفرع من نمط $2 \times 2$ فقط، يُدرج برنامج SPSS سطراً مخصصاً يحمل اسم Continuity Correction أو ما يُعرف بتصحيح ييتس للاستمرارية (Yates’ Correction). اقترح فرانك ييتس هذا التعديل لتعويض الخطأ الناتج عن تقريب توزيع التكرارات المتقطع إلى توزيع كاي تربيع الرياضي المستمر، وذلك من خلال طرح القيمة الثابتة $0.5$ من الفروق المطلقة بين التكرارات المشاهدة والمتوقعة قبل تربيعها.

يؤدي تصحيح ييتس إلى خفض قيمة $\chi^2$ المحسوبة قليلاً، مما يرفع القيمة الاحتمالية ($p\text{-value}$) ويجعل الاختبار أكثر تحفظاً لمنع الوقوع في خطأ النوع الأول. على الرغم من أن بعض الإحصائيين المعاصرين يرون أن تصحيح ييتس مفرط في التحفظ ويفضلون الاعتماد المباشر على اختبار فيشر الدقيق عند الشك، إلا أن الإشارة إليه عند التعامل مع جداول $2 \times 2$ ذات العينات المتوسطة يظل ممارسة إحصائية شائعة في البحوث النفسية والطبية.

8.3 تفسير اختبار نسبة الإمكانية (Likelihood Ratio) واختبار فيشر

يتضمن جدول المخرجات أيضاً سطراً مخصصاً لاختبار نسبة الإمكانية Likelihood Ratio Chi-Square، وهو اختبار استدلالي بديل يستند إلى لوغاريتمات نسب الاحتمالات ونماذج تعظيم الإمكانية (Maximum Likelihood). تتطابق نتائج هذا الاختبار غالباً مع كاي تربيع لبيرسون في العينات الكبيرة، إلا أنه يكتسب أهمية فائقة كونه الأساس الرياضي المستخدم في النمذجة الخطية اللوغاريتمية (Log-Linear Analysis) والانحدار اللوجستي (Logistic Regression).

في المقابل، إذا كان الجدول ثنائياً ($2 \times 2$) وتواجد سطر Fisher’s Exact Test، يتم قراءة عمود الدلالة الدقيقة للطرفين Exact Sig. (2-sided). يُعتبر هذا الرقم المرجع القاطع والنهائي لتقييم الدلالة الإحصائية في حالات العينات الصغيرة أو انتهاك شروط التكرارات المتوقعة، متجاوزاً بذلك قيمة بيرسون المقاربة ومحققاً أعلى درجات الدقة المنهجية.

9. حساب وتفسير مقاييس حجم الأثر وقوة الارتباط

9.1 معامل فاي (Phi Coefficient) للجداول الثنائية 2×2

لا تكفي الدلالة الإحصائية ($p\text{-value}$) وحدها لتقييم الأهمية العلمية للنتائج، إذ لا تخبرنا الدلالة سوى عن وجود العلاقة من عدمها، دون تحديد مدى قوتها أو شدتها العملية؛ لذا تبرز الأهمية القصوى لمقاييس حجم الأثر (Effect Size). في الجداول المتقاطعة من نوع $2 \times 2$، يُعد معامل فاي ($phi$) المعيار الأكثر ملاءمة وشيوعاً لقياس قوة الارتباط بين المتغيرين الفئويين، ويُحسب بالصيغة الرياضية التالية:

$$\phi = \sqrt{\frac{\chi^2}{N}}$$

تتراوح قيم معامل فاي بين 0 (انعدام الارتباط تماماً) و 1 (الاقتران التام بين المتغيرين). يتماثل معامل فاي رياضياً مع معامل ارتباط بيرسون ($r$) المحسوب لمتغيرين ثنائيي التفرع (Point Biserial / Tetrachoric context)، حيث يُفسر حجم الأثر استناداً إلى معايير كوهين (Cohen, 1988): فتعد القيمة $0.10$ أثراً صغيراً، و$0.30$ أثراً متوسطاً، و$0.50$ فأكثر أثراً كبيراً يعكس اقتراناً سيكولوجياً قوياً بين المتغيرين.

9.2 معامل كرامر (Cramer’s V) للجداول الأكبر من 2×2

عندما يتجاوز جدول التوافق المتقاطع حدود البعد الثنائي ليصبح من نمط $r \times c$ (مثل جدول $3 \times 3$ أو $2 \times 4$)، يفقد معامل فاي قدرته على البقاء محصوراً ضمن المدى المعياري $[0, 1]$ وقد يتجاوز الواحد الصحيح. في هذه الحالة، يتم الاعتماد على معامل كرامر (Cramer’s V)، والذي يدخل تعديلاً رياضياً يستند إلى أصغر بُعد في مصفوفة الجدول:

$$V = \sqrt{\frac{\chi^2}{N \times (k – 1)}}$$

حيث يمثل $k$ القيمة الصغرى بين عدد الصفوف وعدد الأعمدة؛ أي أن $k = min(r, c)$. يُعيد هذا التعديل ضبط المقياس ليظل محصوراً بدقة بين 0 و 1 بغض النظر عن عدد الفئات.

لتفسير حجم أثر كرامر V بدقة، تعتمد العلوم السلوكية على معايير كوهين المعدلة وفق درجات حرية أصغر بُعد ($df^* = k – 1$)، كما يوضح الجدول التالي:

درجات حرية البُعد الأصغر ($df^*$)	أثر صغير (Small)	أثر متوسط (Medium)	أثر كبير (Large)
1 (جداول $2 \times c$ أو $r \times 2$)	0.10	0.30	0.50
2 (جداول $3 \times 3$ أو $3 \times c$)	0.07	0.21	0.35
3 (جداول $4 \times 4$ أو $4 \times c$)	0.06	0.17	0.29

9.3 نسبة الأرجحية (Odds Ratio) والمخاطر النسبية (Relative Risk)

تكتسب مقاييس نسبة الأرجحية (Odds Ratio – OR) والمخاطر النسبية (Relative Risk – RR) أهمية قصوى في البحوث النفسية الإكلينيكية والطب السلوكي، وتُستخرج في SPSS للجداول الثنائية ($2 \times 2$) عبر تفعيل خيار Risk في نافذة الإحصاءات. تُعبر نسبة الأرجحية عن النسبة بين أرجحية وقوع حدث معين (مثل التعرض لانتكاسة نفسية) لدى فئة محددة، مقارنة بأرجحية وقوعه لدى الفئة المرجعية الأخرى.

إذا كانت قيمة $OR = 1.00$، دل ذلك على تساوي الأرجحية تماماً بين المجموعتين. أما إذا كانت $OR = 2.75$، فإن ذلك يعني أن احتمالية وقوع الاضطراب لدى المجموعة المعرضة لعامل الخطر تفوق المجموعة المقابلة بمقدار $2.75$ مرة. يتطلب التفسير الرصين قراءة فترات الثقة المرافقة بنسبة 95% (95% Confidence Intervals)؛ فإذا لم تتضمن فترة الثقة الرقم $1.00$ (مثل: $95% \text{ CI } [1.45, 5.22]$)، فإن نسبة الأرجحية تُعد دالة إحصائياً وتؤكد دور المتغير المستقل كعامل تنبؤي سريري هام.

10. التحليلات البعدية والمقارنات المتعددة لتحديد مصادر الدلالة

10.1 تحليل البواقي المعيارية المصححة (Adjusted Standardized Residuals)

عندما يسفر اختبار كاي تربيع في الجداول الكبيرة ($r \times c$) عن نتيجة دالة إحصائياً، فإن الاختبار العام (Omnibus Test) يخبرنا فقط بوجود علاقة اقتران إجمالية، لكنه يعجز عن تحديد أي الخلايا الفردية تحديداً كانت مسؤولة عن نشوء هذا الاختلاف الدال. لتجاوز هذا القصور المنهجي، يتم فحص البواقي المعيارية المصححة (Adjusted Standardized Residuals) المحسوبة داخل كل خلية في جدول التوافق.

تتبع هذه البواقي التوزيع الطبيعي المعياري بدرجة Z-score، مما يجعل تفسيرها يخضع للمنطق الإحصائي المعياري:

• تُعتبر الباقية ذات دلالة إحصائية عند مستوى ($\alpha = 0.05$) إذا تجاوزت قيمتها المطلقة $|Z| > 1.96$.
• تُعتبر ذات دلالة عالية عند مستوى ($\alpha = 0.01$) إذا تجاوزت قيمتها المطلقة $|Z| > 2.58$.

تشير القيمة الموجبة التي تزيد عن $+1.96$ إلى أن التكرار المشاهد في تلك الخلية أكبر بكثير مما تفترضه الصدفة والاستقلالية، في حين تشير القيمة السالبة التي تقل عن $-1.96$ إلى أن التكرار المشاهد أقل بكثير من المتوقع، مما يوجه الباحث نحو التحديد الدقيق لمواضع التركز السلوكي ومصادر التباين.

10.2 إجراء المقارنات البعدية الثنائية وتطبيق تصحيح بونفيروني

في السيناريوهات التي تتطلب مقارنة أزواج محددة من الفئات (Pairwise Post-Hoc Comparisons)، يلجأ الباحث إلى تفكيك جدول التوافق الكبير إلى مجموعة من الجداول الفرعية الأصغر بحجم $2 \times 2$. إلا أن إجراء مقارنات كاي تربيع متعددة على نفس البيانات يؤدي حتماً إلى تضخم معدل الخطأ من النوع الأول المتركم عبر العائلة (Familywise Error Rate)، حيث تزداد احتمالية إيجاد فروق وهمية دالة بالصدفة.

لمعالجة هذه المعضلة، يتعين تطبيق تصحيح بونفيروني (Bonferroni Correction) لتعديل مستوى الدلالة الفا المقبول ($\alpha_{adjusted}$) بقسمته على عدد المقارنات البعدية المنفذة ($k$):

$$\alpha_{adjusted} = \frac{\alpha}{k}$$

فعلى سبيل المثال، إذا كان الجدول يتطلب إجراء 3 مقارنات فرعية ثنائية عند مستوى ألفا أصلي $0.05$، فإن مستوى الدلالة الجديد الحرج يُصبح $\alpha_{adjusted} = 0.05 / 3 = 0.0167$. لا تُعتبر أي مقارنة فرعية دالة إحصائياً إلا إذا كانت قيمة $p$ المحسوبة لها أقل من هذه القيمة المصححة، مما يضمن صرامة الاستنتاجات العلمية.

10.3 التمثيل البصري للعلاقات الارتباطية الفئوية

يُعزز التمثيل البياني قدرة الباحث على إيصال النتائج المعقدة بصورة بصرية سلسة. يُعد الرسم البياني الشريطي المجمع (Clustered Bar Chart) الأسلوب الأكثر شيوعاً في تقارير كاي تربيع، حيث توضع فئات المتغير المستقل على المحور الأفقي ($X$)، وتُعرض أعمدة ملونة تمثل التكرارات أو النسب المئوية لفئات المتغير التابع لكل مجموعة.

في الدراسات المتقدمة التي تحتوي على جداول توافق متعددة المستويات، يمكن اللجوء إلى تحليل التوافق (Correspondence Analysis)، وهو أسلوب بياني استكشافي متطور في SPSS يُسقط الصفوف والأعمدة كنقاط داخل فضاء هندسي ثنائي الأبعاد؛ بحيث تدل المسافات الإقليدية القريبة بين النقاط على درجة الاقتران الوثيق والتشابه في الأنماط السلوكية، وهو ما يوفر وسيلة إيضاح بصرية فائقة القوة صالحة للنشر الأكاديمي المحكم.

11. توثيق وكتابة النتائج وفق دليل الجمعية الأمريكية لعلم النفس (APA 7th)

11.1 الصيغة المعيارية لكتابة الإحصاء الاستدلالي في متن البحث

يفرض دليل النشر العلمي الصادر عن الجمعية الأمريكية لعلم النفس في طبعته السابعة (APA 7th Edition) قواعد شكلية ورياضية دقيقة لتوثيق نتائج اختبار كاي تربيع في متن النص. تأخذ الصيغة العامة الترتيب القياسي التالي:

$$\chi^2(df, N = \text{Total}) = \text{Value}, p = \text{Value}, V \text{ (or } \phi) = \text{Value}$$

تشمل القواعد التحريرية الإلزامية وفق أسلوب APA ما يلي:

• كتابة الرموز الإحصائية اللاتينية واليونانية بخط مائل: ($\chi^2$, $N$, $p$, $V$, $phi$).
• عدم وضع صفر قبل الفاصلة العشرية لقيم الدلالة ($p\text{-value}$) ومعاملات الارتباط المحصورة بين 0 و 1 (تُكتب مثلاً: $p = .023$ أو $p < .001$، وليس $0.023$).
• تقريب قيم كاي تربيع وحجم الأثر إلى منزلتين عشريتين (مثل: $\chi^2(2, N = 180) = 8.45$)، وتقريب قيم $p$ إلى ثلاث منازل عشرية.

11.2 نماذج عملية مكتوبة لفقرات النتائج في الدراسات النفسية

يقدم هذا القسم نماذج تطبيقية مصاغة بأسلوب أكاديمي رصين لكيفية كتابة النتائج داخل متن تقرير البحث:

نموذج نتيجة دالة إحصائياً:

“أُجري اختبار كاي تربيع للاستقلالية لفحص العلاقة بين نوع التدخل العلاجي (علاج معرفي سلوكي، علاج دوائي، قائمة انتظار) ومستوى التحسن الإكلينيكي لدى مرضى الاكتئاب (تحسن ملحوظ، عدم تحسن). أظهرت النتائج وجود علاقة ارتباطية ذات دلالة إحصائية بين نوع العلاج ومستوى التحسن، $\chi^2(2, N = 150) = 14.82, p < .001, V = .31$. وعند فحص النسب المئوية والبواقي المعيارية المصححة، تبين أن نسبة المرضى الذين حققوا تحسناً ملحوظاً في مجموعة العلاج المعرفي السلوكي ($68.0%$, $Z = 3.2$) كانت أعلى بشكل دال إحصائياً مقارنة بمجموعة قائمة الانتظار ($24.0%$, $Z = -3.4$)، مما يشير إلى حجم أثر متوسط للتدخل السلوكي وفق معايير كوهين."

نموذج نتيجة غير دالة إحصائياً:

“أظهر اختبار كاي تربيع للاستقلالية عدم وجود علاقة ذات دلالة إحصائية بين الجنس والتعرض للاحتراق النفسي لدى الأخصائيين النفسيين، $\chi^2(1, N = 94) = 0.87, p = .351, \phi = .096$. وتشير هذه النتيجة إلى استقلالية مستويات الاحتراق النفسي عن المتغير الديموغرافي للجنس في هذه العينة.”

11.3 تصميم جداول التوافق وفق معايير APA 7th

يتطلب إدراج جدول التوافق المتقاطع في تقرير البحث الالتزام بالمعايير الصارمة لـ APA 7th الخاصة بتنسيق الجداول؛ والتي تنص على إزالة كافة الخطوط الرأسية (Vertical Lines) بشكل قاطع، والاعتماد فقط على ثلاثة خطوط أفقية رئيسية (أعلى الجدول، وأسفل رأس الأعمدة، وأسفل قاعدة الجدول).

يجب أن يتضمن الجدول التكرارات المشاهدة والنسب المئوية المحسوبة، مع إدراج حواشٍ سفلية توضيحية تشرح الرموز ومستويات الدلالة الإحصائية (مثل: $^*p < .05, ^{**}p < .01$)، بالإضافة إلى بيان استيفاء شروط التكرارات المتوقعة. يوضح الجدول التالي نموذجاً قياسياً معداً للنشر الأكاديمي المباشر:

المتغير ونوع التدخل	تحسن ملحوظ		عدم تحسن		المجموع الإجمالي
	$n$	%	$n$	%	$N$
العلاج المعرفي السلوكي	34	68.0%	16	32.0%	50
العلاج الدوائي	26	52.0%	24	48.0%	50
قائمة الانتظار (الضابطة)	12	24.0%	38	76.0%	50
الإجمالي	72	48.0%	78	52.0%	150

ملاحظة: $\chi^2(2, N = 150) = 14.82, p < .001, V = .31$. لم تقل التكرارات المتوقعة في أي خلية عن $5$.

12. الأخطاء الشائعة واستكشاف المشكلات وحلولها البديلة في SPSS

12.1 الأخطاء المنهجية الشائعة في استخدام وتفسير كاي تربيع

يقع العديد من الباحثين في منزلقات منهجية متكررة عند تطبيق اختبار كاي تربيع للاستقلالية، لعل أبرزها الخلط الشائع بين مفهوم الارتباط والسببية (Correlation vs. Causation)؛ فدلالة الاختبار تؤكد فقط وجود اقتران أو توزيع غير عشوائي بين الفئات، لكنها لا تثبت مطلقاً أن المتغير المستقل هو المسبب المباشر للمتغير التابع في غياب التصميم التجريبي الصارم وضبط المتغيرات الدخيلة.

الخطأ المنهجي الثاني هو تطبيق الاختبار على بيانات غير مستقلة، مثل مقارنة استجابات نفس المجموعة من المفحوصين قبل وبعد البرنامج التدريبي (Pre-Post Designs). إن تطبيق كاي تربيع في هذه الحالة ينتهك افتراض استقلالية المشاهدات ويولد نتائج مضللة، والبديل الصحيح هو استخدام اختبار ماكنيمار للعينات المرتبطة. كما يتجاهل باحثون كثر مراجعة حاشية التكرارات المتوقعة، ويعتمدون بصورة عمياء على قيمة بيرسون رغم انتهاك شروط كوكران.

12.2 المشكلات التقنية في برنامج SPSS وحلولها العملية

قد تظهر بعض المشكلات التقنية أثناء تنفيذ التحليل في SPSS تؤدي إلى حجب المخرجات أو توليد رسائل خطأ، ومن أهم هذه المشكلات:

• حجب نتائج الاختبار وظهور جدول وصفي فقط: يحدث هذا غالباً بسبب تعريف أحد المتغيرين كمتغير نصي طويل (Long String). يُحل ذلك بتحويل المتغير إلى متغير رقمي (Numeric) وإعادة تكويد الفئات في حقل Values.
• ظهور قيم $df$ أو أحجام عينات غير منطقية: يعود هذا الخطأ الحرج إلى نسيان إلغاء تفعيل خاصية ترجيح الحالات (Weight Cases) بعد استخدام سابق، أو عدم تفعيلها عند إدخال بيانات ملخصة؛ لذا يجب دوماً فحص عبارة “Weight On” في شريط الحالة.
• ظهور تحذيرات حول وجود خلايا صفرية بالكامل: عندما تحتوي فئة معينة على صفر مشاهد، يجب إعادة النظر في تعريف الفئات ودمج المستويات الخالية لضمان استقرار النموذج الرياضي.

12.3 الاختبارات البديلة والمتقدمة عند عدم ملاءمة كاي تربيع

عندما تفرض طبيعة التصميم التجريبي أو خصائص البيانات قيوداً تمنع استخدام اختبار كاي تربيع التقليدي للاستقلالية، تتوفر ترسانة من البدائل الإحصائية المتقدمة:

• اختبار ماكنيمار (McNemar’s Test): يُستخدم لفحص التغير في المتغيرات الاسمية ثنائية التفرع للعينات المرتبطة (مثل: القياس القبلي والبعدي لنفس المفحوصين).
• اختبار كوكران كيو (Cochran’s Q Test): يمثل الامتداد الطبيعي لاختبار ماكنيمار عند دراسة متغير ثنائي عبر أكثر من نقطتين زمنيتين (3 قياسات مكررة أو أكثر لنفس العينة).
• النمذجة الخطية اللوغاريتمية (Log-Linear Analysis): تُعد الخيار المنهجي الأقوى عند دراسة التفاعل بين ثلاثة متغيرات فئوية أو أكثر في وقت واحد ($r \times c \times k$)، حيث تعجز جداول كاي تربيع الثنائية البسيطة عن عزل التأثيرات المتداخلة وضبط المتغيرات الوسيطة والمعدلة.

خاتمة

يُمثل اختبار كاي تربيع للاستقلالية أداة إحصائية واستدلالية بالغة الأهمية في ترسانة الباحث السلوكي والنفسي؛ حيث يجمع بين بساطة المفهوم الاحتمالي القائم على مقارنة المشاهد بالمتوقع، والقوة التحليلية في الكشف عن شبكات الاقتران المعقدة بين المتغيرات الفئوية والتصنيفية. إن التطبيق الاحترافي لهذا الاختبار عبر برنامج SPSS يتطلب تجاوز آليات التنفيذ التقني السطحية نحو تبني رؤية منهجية متكاملة تبدأ من الفهم الرياضي لدرجات الحرية والتكرارات المتوقعة، مروراً بالتحقق الصارم من افتراضات الاستقلالية وحجم العينة، ووصولاً إلى التعمق في تفكيك مصادر الدلالة عبر البواقي المعيارية وتقدير حجم الأثر وحساب نسب الأرجحية وتوثيقها بدقة وفق معايير APA 7th.

من خلال الالتزام بالضوابط والمعايير المفصلة في هذا الدليل، يستطيع الباحثون وطلاب الدراسات العليا ضمان أعلى مستويات الرصانة الأكاديمية والنزاهة الإحصائية لأبحاثهم، وتحويل البيانات الوصفية الخام إلى أدلة علمية موثوقة تسهم بفاعلية في تطوير المعرفة وتوجيه الممارسات الإكلينيكية والمجتمعية المبنية على الدليل.

References

• Agresti, A. (2018). An introduction to categorical data analysis (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/An+Introduction+to+Categorical+Data+Analysis%2C+3rd+Edition-p-9781119405269
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• 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.
• Fisher, R. A. (1922). On the interpretation of $\chi^2$ from contingency tables, and the calculation of P. Journal of the Royal Statistical Society, 85(1), 87–94. https://doi.org/10.2307/2340521
• IBM Corporation. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• McHugh, M. L. (2013). The chi-square test of independence. Biochemia Medica, 23(2), 143–149. https://doi.org/10.11613/BM.2013.018
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. Philosophical Magazine, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Yates, F. (1934). Contingency tables involving small numbers and the $\chi^2$ test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217–235. https://doi.org/10.2307/2983604