4 أمثلة على استخدام اختبارات مربع كاي في الحياة الواقعية

تُعد معالجة البيانات النوعية والفئوية واحدة من أكثر التحديات المنهجية التي واجهت الباحثين عبر تاريخ تطور علم الإحصاء التطبيقي والعلوم السلوكية والاجتماعية. فعندما تغيب القياسات الكمية المتصلة وتقتصر الملاحظات الميدانية على تصنيفات وتكرارات وصفية، تبرز الحاجة إلى أدوات استدلالية رصينة تمتلك القدرة على التمييز بين الأنماط الحقيقية والتقلبات العشوائية الناتجة عن الصدفة البحتة. وهنا يتجلى الدور المحوري لاختبار مربع كاي (Chi-Square Test) بوصفه أحد أركان التحليل الإحصائي اللابارامتري، الذي يتيح اختبار الفرضيات المتعلقة بالفروق بين التوزيعات الملاحظة وتلك المتوقعة وفق نماذج نظرية مسبقة، أو التحقق من استقلالية المتغيرات الفئوية وتفاعلاتها المتبادلة.

يمتد تطبيق اختبار مربع كاي إلى مجالات واسعة ومتنوعة تشمل علم النفس الإكلينيكي، والتسويق السلوكي، والإدارة التنظيمية، والوبائيات، والإرشاد الأكاديمي والمهني. وفي سياق اتخاذ القرارات المبنية على الأدلة والبيانات، يُشكل هذا الاختبار جسراً حاسماً يحمي الباحثين وصناع القرار من الوقوع في فخ الانحياز التأكيدي، حيث يوفر معياراً رياضياً موضوعياً يحدد ما إذا كانت الفروق المشاهدة في الواقع ذات مغزى إحصائي يستوجب التدخل وتعديل الاستراتيجيات، أم أنها مجرد تباينات طفيفة تقع ضمن نطاق الخطأ العشوائي المقبول إحصائياً.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم تأصيل منهجي وتطبيقي معمق لاختبار مربع كاي بشقيه الرئيسيين: اختبار حسن المطابقة (Goodness of Fit) واختبار الاستقلالية (Test of Independence). وسنستعرض من خلاله أربعة أمثلة واقعية مفصلة بالمعادلات الرياضية، وجداول الاقتران، وحسابات القيمة الاحتمالية، وتحليل حجم الأثر، وكيفية صياغة التقارير الإحصائية وفق المعايير الدولية لرابطة علماء النفس الأمريكية، موفرين دليلاً مرجعياً متكاملاً لكل باحث وممارس يسعى لتوظيف الإحصاء الاستدلالي في فهم الظواهر السلوكية والمؤسسية المعقدة.

1. مدخل تأصيلي إلى اختبار مربع كاي (Chi-Square Test) في البحث الإحصائي والنفسي

1.1 النشأة التاريخية وتطور المفهوم الإحصائي لكاي تربيع

تعود الجذور التأسيسية لاختبار مربع كاي إلى مطلع القرن العشرين، وتحديداً إلى عام 1900 عندما نشر عالم الرياضيات والإحصاء البريطاني كارل بيرسون (Karl Pearson) ورقته البحثية المفصلية التي غيرت مسار الاستدلال الإحصائي الحديث. واجه بيرسون معضلة منهجية كبرى تمثلت في غياب معايير رياضية دقيقة لتقييم مدى مطابقة التوزيعات التكرارية المشاهدة تجريبياً مع المنحنيات النظرية المفترضة، حيث كانت المقارنات تُجرى استناداً إلى الانطباعات البصرية أو المقارنات الوصفية البسيطة التي تفتقر للموضوعية.

قام بيرسون بصياغة معيار رياضي موحد يُعرف باسم إحصاء مربع كاي لبيرسون ($X^2$)، مبرهناً على أن المجموع الموزون لمربعات الفروق بين التكرارات الملاحظة والتكرارات المتوقعة يتبع توزيعاً احتمالياً متصلاً ومحدداً رياضياً يُعرف بتوزيع كاي تربيع. كان هذا الابتكار بمثابة نقلة نوعية كبرى؛ إذ حرر التحليل الإحصائي من القيود الصارمة للاختبارات المعلمية (Parametric Tests) التي تشترط اعتدالية التوزيع ووجود مقاييس كمية متصلة كالمتوسطات والانحرافات المعيارية، ومكّن الباحثين من فحص المتغيرات الاسمية والرتبية بدقة متناهية.

أتاح اختبار بيرسون صياغة منهجية متماسكة للتحقق من صحة الفرضيات الإحصائية الصفرية ($H_0$) مقابل الفرضيات البديلة ($H_1$). ومن خلال مقارنة التوزيع المشاهد بالنموذج المفترض، استطاع المجتمع العلمي الانتقال من التخمين النظري إلى التقييم الكمي الصارم للتباينات، مما رسخ مكانة كاي تربيع كأحد أهم الاختبارات الاستدلالية اللامعلمية عبر تاريخ الإحصاء التطبيقي والعلوم التجريبية المعاصرة.

1.2 الأهمية المنهجية لاختبار مربع كاي في العلوم النفسية والسلوكية

تحتل البيانات الفئوية موقعاً مركزياً في حقل العلوم النفسية والسلوكية؛ فالعديد من البنى والسمات النفسية والتشخيصات الإكلينيكية تُقاس في صيغة فئات وصفية (مثل: مصاب/غير مصاب، نمط الشخصية أ/ب/ج، مستوى الرضا منخفض/متوسط/مرتفع). وفي مثل هذه الحالات، تنهار الافتراضات الأساسية لاختبارات “ت” (t-test) وتحليل التباين (ANOVA)، ويصبح اختبار مربع كاي الأداة المنهجية الأكثر ملاءمة لتحليل التكرارات والنسب المئوية المقترنة بهذه الظواهر.

تكمن الأهمية المنهجية للاختبار في قدرته الفائقة على قياس الفجوة الإحصائية بين الواقع الميداني المشاهد (Observed Frequencies) والواقع النظري المتوقع (Expected Frequencies). فعندما يدرس الباحث السلوكي استجابة عينة من الأفراد لنمط علاجي أو تدريب مهني، فإن مربع كاي يتيح له معرفة ما إذا كانت التوزيعات الناتجة تعكس تغيراً سلوكياً حقيقياً ناتجاً عن المتغير المستقل، أم أنها تعبر فقط عن صدفة عشوائية وتذبذبات طبيعية في المعاينة.

علاوة على ذلك، يدعم هذا الاختبار ممارسات اتخاذ القرارات القائمة على الأدلة (Evidence-Based Practice) داخل العيادات النفسية والمؤسسات التعليمية والتنظيمية. فمن خلال الكشف عن الدلالة الإحصائية للعلاقات بين المتغيرات الفئوية، يستطيع المعالجون النفسيون ومديرو الموارد البشرية تقييم كفاءة برامج التدخل وتوجيه الموارد المادية والبشرية نحو الفئات الأكثر استجابة، بعيداً عن القرارات الانطباعية غير المدعومة بالبراهين الإحصائية الموضوعية.

1.3 المعادلة الرياضية العامة وبنية الحساب

ترتكز البنية الحسابية لاختبار مربع كاي على معادلة جبرية أنيقة تقيس التشتت النسبي الإجمالي بين القيم المشاهدة والقيم المتوقعة عبر مختلف الفئات أو الخلايا. وتُصاغ المعادلة الرياضية العامة لمربع كاي لبيرسون على النحو التالي:

$$\chi^2 = \sum \frac{(O_i – E_i)^2}{E_i}$$

حيث يمثل الرمز ($O_i$) التكرار المشاهد (Observed Frequency) في الفئة رقم ($i$)، بينما يمثل الرمز ($E_i$) التكرار المتوقع (Expected Frequency) لنفس الفئة بموجب الفرضية الصفرية، وتشير علامة المجموع ($\sum$) إلى حاصل جمع النواتج الجزئية لجميع الفئات المدروسة. يتم تربيع الفروق ($(O_i – E_i)^2$) لغرضين رياضيين أساسيين: أولهما إلغاء أثر الإشارات السالبة حتى لا تتلاشى الفروق الإيجابية والسلبية عند الجمع، وثانيهما تضخيم الانحرافات الكبيرة لإعطائها وزناً أكبر في الدلالة على عدم التطابق، ثم يُقسم ناتج التربيع على القيمة المتوقعة لتوحيد المقاييس النسبية لكل فئة.

يرتبط تفسير قيمة مربع كاي المحسوبة بمفهوم درجات الحرية (Degrees of Freedom – df)، والتي تُحدد عدد الفئات الحرة في التباين بعد تثبيت المجاميع الإجمالية. يختلف منحنى توزيع مربع كاي عن التوزيع الطبيعي؛ فهو توزيع متصل يبدأ دائماً من الصفر ويمتد نحو اللانهاية الموجبة ويكون ملتواً جهة اليمين بشدة عندما تكون درجات الحرية صغيرة، ثم يقترب تدريجياً من الاعتدالية والتماثل كلما ازدادت درجات الحرية، مما يستوجب الرجوع إلى جداول التوزيع الحرجة لتحديد الدلالة الإحصائية المقابلة لكل مستوى حرية محدد.

2. الأنواع الرئيسية لاختبارات مربع كاي: الفروق الجوهرية واستخداماتها

2.1 اختبار حسن المطابقة (Goodness of Fit Test)

يُعرف اختبار حسن المطابقة لمربع كاي إجرائياً بأنه أداة استدلالية لفحص ما إذا كان توزيع تكرارات عينة واحدة مأخوذة من متغير فئوي أحادي يطابق توزيعاً نظرياً محدداً مسبقاً أو توزيعاً مجتمعياً معيارياً. يُستخدم هذا الاختبار عندما يسعى الباحث للتأكد من أن عينة الدراسة تمثل المجتمع الأصلي تمثيلاً صحيحاً من حيث نسب الخصائص الديموغرافية، أو عندما يختبر فرضية التساوي التام بين اختيارات المستهلكين أو ردود أفعال المبحوثين.

تتعدد سياقات استخدام اختبار حسن المطابقة؛ ففي علم الوراثة المندلية يُستخدم لاختبار تطابق النسب الوراثية للجينات السائدة والمتنحية (مثل نسبة 3:1 أو 9:3:3:1)، وفي علم النفس المهني يُستخدم للتحقق مما إذا كان توزيع الحوادث المهنية متساوياً على مدار أشهر السنة أو أيام الأسبوع. تتأسس الفرضية الصفرية في هذا الاختبار على عدم وجود فرق ذي دلالة إحصائية بين التوزيع الفعلي والتوزيع النظري المقترح ($H_0: O_i = E_i$).

تتطلب آليات تحديد التكرارات المتوقعة في هذا الاختبار ضرب حجم العينة الكلي ($N$) في النسبة الاحتمالية المفترضة لكل فئة ($p_i$) وفق الصيغة ($E_i = N \times p_i$). فإذا كانت الفرضية تفترض تساوي التوزيع بين ($k$) من الفئات، فإن التكرار المتوقع لكل فئة يكون ببساطة حاصل قسمة الحجم الكلي على عدد الفئات ($N/k$)، ويكون عدد درجات الحرية مساوياً لـ ($k – 1$).

2.2 اختبار الاستقلالية (Test of Independence)

يُعنى اختبار استقلالية مربع كاي (ويُسمى أحياناً اختبار الارتباط الفئوي) بفحص العلاقة بين متغيرين نوعيين أو فئويين تم قياسهما على العينة نفسها، لتحديد ما إذا كانا مستقلين إحصائياً عن بعضهما البعض أم أن هناك ارتباطاً واقتراناً دالاً بينهما. يُبنى هذا الاختبار على تنظيم البيانات في جداول تقاطع متقاطعة تُعرف باسم جداول التوافق (Contingency Tables) التي ترصد التكرارات المشتركة بين مستويات المتغير الأول ومستويات المتغير الثاني.

تتم صياغة الفرضية الصفرية في اختبار الاستقلالية بأن المتغيرين مستقلان تماماً، أي أن احتمال وقوع استجابة معينة في المتغير الأول لا يتأثر مطلقاً بفئة المتغير الثاني ($H_0: P(A \cap B) = P(A) \times P(B)$). وفي المقابل، تفترض الفرضية البديلة وجود اعتمادية أو اقتران بين المتغيرين، بحيث يختلف توزيع تكرارات أحد المتغيرين باختلاف مستويات المتغير الآخر في المجتمع المدروس.

من الأهمية بمكان التأكيد المنهجي على أن اختبار الاستقلالية يرصد وجود الاقتران الإحصائي ولا يثبت بأي حال من الأحوال العلاقة السببية الحتمية (Causality). فإثبات أن نوع الجنس يرتبط بمستوى الاحتراق النفسي، على سبيل المثال، لا يعني أن الجنس هو السبب المباشر للاحتراق، بل يشير فقط إلى وجود تباين ذي دلالة إحصائية في نسب الاحتراق بين الذكور والإناث، مما يتطلب دراسات تجريبية أو طولية لضبط المتغيرات الدخيلة وتفسير الآليات السببية الكامنة.

2.3 مقارنة منهجية بين اختباري حسن المطابقة والاستقلالية

على الرغم من اشتراك كلا الاختبارين في البنية الحسابية الأساسية المعتمدة على مربع الفروق مقسوماً على المتوقع، إلا أن هناك فروقاً منهجية وتصميمية جوهرية بينهما تؤثر على صياغة الفرضيات وطرق احتساب درجات الحرية وتفسير النتائج السيكولوجية والتطبيقية، كما يوضح الجدول المقارن التالي:

وجه المقارنة	اختبار حسن المطابقة (Goodness of Fit)	اختبار الاستقلالية (Test of Independence)
عدد المتغيرات	متغير فئوي أحادي (Single Categorical Variable)	متغيران فئويان أو أكثر (Two or more Variables)
هيكل البيانات	جدول أحادي البعد (مصفوفة $1 \times k$)	جدول توافق ثنائي الأبعاد (مصفوفة $r \times c$)
الفرضية الصفرية ($H_0$)	تطابق توزيع العينة مع التوزيع النظري المقترح	استقلالية المتغيرين وعدم وجود ارتباط بينهما
حساب درجات الحرية	$df = k – 1$ (حيث $k$ عدد الفئات)	$df = (r – 1) \times (c – 1)$ (صفوف وأعمدة)
التطبيق السلوكي	فحص تفضيلات المستهلكين، تقييم عدالة التوزيع	دراسة فعالية التدخلات، الارتباط بين السمات والسلوك

يتوقف اختيار الباحث للاختبار الأنسب على طبيعة السؤال البحثي وأسلوب جمع البيانات؛ فإذا كان التركيز منصباً على مقارنة فئات عينة واحدة بنموذج معياري أو فرضية نظرية مجردة، فإن حسن المطابقة هو الخيار الحصري. أما إذا كان الهدف فحص تشابك وتقاطع صفتين مختلفتين داخل نفس المجتمع المدروس للوصول إلى استدلالات حول التباين المشترك، فإن اختبار الاستقلالية يمثل الخيار المنهجي المعتمد.

3. الافتراضات الإحصائية والشروط المنهجية لتطبيق اختبار مربع كاي

3.1 طبيعة العينات واستقلالية الملاحظات

يشترط اختبار مربع كاي افتراضات منهجية صارمة لضمان صحة الاستدلال الإحصائي وعدم تشويه دقة القيمة الاحتمالية. يأتي في مقدمة هذه الشروط ضرورة الاعتماد على عينة عشوائية بسيطة وممثلة للمجتمع المستهدف، حيث يفترض النموذج الرياضي لكاي تربيع أن اختيار أي فرد داخل العينة لا يؤثر مطلقاً على احتمالية اختيار فرد آخر.

يتمثل الشرط الأهم والأكثر حساسية في استقلالية الملاحظات (Independence of Observations)؛ مما يعني أن كل وحدة معاينة أو مفحوص يجب أن ينتمي إلى خلية واحدة فقط ويسهم بنقطة بيانات واحدة في جدول التوافق. لا يجوز إطلاقاً استخدام اختبار مربع كاي القياسي في تصميمات القياسات المكررة (Repeated Measures) أو الدراسات القبلية-البعدية التي يتم فيها تقييم نفس الأفراد مرتين، لأن ذلك ينتهك استقلالية البيانات انتهاكاً صريحاً ويضخم فرصة ارتكاب الخطأ من النوع الأول (Type I Error).

في الحالات التي تشتمل على بيانات مترابطة أو عينات متطابقة قبل وبعد تدخل علاجي أو تدريبي، ينبغي على الباحث تجنب اختبار مربع كاي التقليدي واللجوء إلى بدائل إحصائية مخصصة للبيانات الاسمية المزدوجة، مثل اختبار مكنمار (McNemar’s Test) أو اختبار كوشران كو كيو (Cochran’s Q Test) للبيانات متعددة القياسات المكررة.

3.2 حجم العينة والتكرارات المتوقعة في الخلايا

ترتبط كفاءة توزيع مربع كاي بحجم التكرارات المتوقعة داخل خلايا الجدول، حيث تستند الدلالة الاحتمالية المحسوبة إلى التقريب الرياضي التقاربي (Asymptotic Approximation). وتُعد قاعدة الإحصائي ويليام كوشران (Cochran’s Criterion) المعيار الذهبي في هذا السياق، وتنص على:

• يجب ألا يقل التكرار المتوقع ($E$) عن 5 في أكثر من 20% من خلايا جدول التوافق الإجمالي.
• يُحظر تماماً وجود أي خلية في الجدول يكون تكرارها المتوقع أقل من 1 تحت أي ظرف.
• في الجداول الثنائية البسيطة ($2 \times 2$)، يفضل ألا يقل التكرار المتوقع في جميع الخلايا الأربع عن 5 لضمان دقة التقريب.

إذا لم تتحقق هذه الشروط نتيجة لصغر حجم العينة أو ندرة الحدث المدروس، فإن قيمة مربع كاي المحسوبة تصبح غير مستقرة وتميل إلى تضخيم الدلالة الإحصائية بشكل مضلل، وفي هذه الحالة يتعين دمج الفئات منطقياً لزيادة التكرارات أو استخدام اختبارات بديلة دقيقة كاختبار فيشر. ومن جهة أخرى، ينبغي الحذر من تأثير العينات الضخمة للغاية (مئات الآلاف)، حيث يؤدي تضخم العينة إلى تحويل أدنى فرق تافه وعشوائي إلى فرق ذي دلالة إحصائية عالية دون أن يمتلك أي قيمة أو مغزى تطبيقي ملموس.

3.3 مستويات القياس والبيانات الفئوية الصالحة للاختبار

صُمم اختبار مربع كاي ليتعامل حصرياً مع المتغيرات المصنفة عند مستويات القياس الاسمية (Nominal) أو الرتبية (Ordinal). تعتمد هذه المستويات على تصنيف الأفراد وفق سمات نوعية محددة مثل الحالة الاجتماعية، أو المستوى التعليمي، أو التخصص الوظيفي، أو الانتماء الجغرافي. لا يمكن تطبيق معادلة مربع كاي مباشرة على المتوسطات الحسابية أو النسب المئوية المجردة دون العودة إلى التكرارات العددية الفعلية للمشاهدات.

يجب أن تتصف الفئات المعتمدة في التحليل بخاصيتين منطقيتين حاسمتين: الشمولية المشتركة (Exhaustiveness)، بحيث يجد كل مشارك فئة ينتمي إليها، والتنافي المتبادل (Mutual Exclusivity)، بحيث لا يمكن للمشارك أن ينتمي لأكثر من فئة في الوقت ذاته. كما يُحذر الباحثون من ممارسة شائعة وغير محبذة منهجياً تتمثل في تحويل المتغيرات الكمية المتصلة (مثل درجات اختبارات الذكاء أو مقاييس القلق المستمرة) إلى متغيرات فئوية مجزأة (مثل تصنيفها إلى ذكاء منخفض ومرتفع) دون مبرر نظري وإكلينيكي قاطع، لأن هذا الإجراء يؤدي إلى فقدان كميات هائلة من المعلومات والتباين الدقيق الكامن في البيانات المتصلة ويقلل من القوة الإحصائية للتحليل.

4. المثال الأول: اختبار حسن المطابقة لتوزيع الإقبال السلوكي للعملاء خلال أيام الأسبوع

4.1 السياق الواقعي وفرضية الدراسة السلوكية والتجارية

في بيئات الأعمال والمتاجر الكبرى ومراكز الاستشارات النفسية والتوجيه، تُعد إدارة الموارد البشرية وتخصيص جداول الموظفين عاملاً حاسماً في تعزيز الكفاءة التشغيلية وجودة الخدمة. افترض أن مدير أحد المراكز التجارية المتخصصة لاحظ تذبذباً في عدد الزوار والمراجعين من يوم إلى آخر، وادعى أن إقبال العملاء على المتجر موزع بالتساوي التام عبر أيام العمل الأسبوعية الخمسة الرسمية (من الإثنين إلى الجمعة)، مستبعداً وجود أي نمط تفضيلي مرتبط بالأيام، وبالتالي اقترح الإبقاء على جدول ثابت للعمالة دون أي تعزيز في أوقات معينة.

أراد الباحث السلوكي واختصاصي التسويق التحقق من صحة هذا الادعاء عبر جمع بيانات ميدانية واقعية دقيقة على مدار أسبوع كامل، لرصد التكرار الفعلي للعملاء الزائرين، واختبار الفرضيات الإحصائية التالية بمستوى دلالة ($\alpha = 0.05$):

• الفرضية الصفرية ($H_0$): يتوزع إقبال العملاء بالتساوي على مدار أيام العمل الأسبوعية الخمسة ($P_{Mon} = P_{Tue} = P_{Wed} = P_{Thu} = P_{Fri} = 0.20$).
• الفرضية البديلة ($H_1$): لا يتوزع إقبال العملاء بالتساوي على مدار أيام العمل الأسبوعية، وتوجد فروق جوهرية في معدل الإقبال بين يوم وآخر.

4.2 المعطيات الإحصائية وتحديد التكرارات المشاهدة والمتوقعة

سجلت كاميرات الرصد وبوابات الدخول الإلكترونية دخول إجمالي ($N = 250$) عميلاً خلال أيام العمل الخمسة الممتدة من الإثنين إلى الجمعة. وكانت التكرارات المشاهدة الفعلية ($O$) لكل يوم على النحو التالي:

• الإثنين (Monday): 50 عميلاً
• الثلاثاء (Tuesday): 60 عميلاً
• الأربعاء (Wednesday): 40 عميلاً
• الخميس (Thursday): 47 عميلاً
• الجمعة (Friday): 53 عميلاً

بموجب الفرضية الصفرية التي تنص على التوزيع المتساوي تماماً بين الأيام الخمسة ($k = 5$)، يتم احتساب التكرار المتوقع ($E$) لكل يوم عن طريق قسمة الحجم الكلي للعينة على عدد الأيام:

$$E_i = \frac{N}{k} = \frac{250}{5} = 50 \text{ عميلاً لكل يوم}$$

نلاحظ هنا تبايناً أولياً بين السلوك المشاهد والنموذج المتوقع؛ إذ ارتفع الإقبال الفعلي يوم الثلاثاء بمقدار 10 عملاء فوق المتوقع، بينما انخفض يوم الأربعاء بمقدار 10 عملاء عن المتوقع، في حين تطابق الإثنين تماماً واقترب الخميس والجمعة من المعدل المتوقع. يوضح الجدول التالي مصفوفة الفروق الأولية:

اليوم	التكرار المشاهد ($O$)	التكرار المتوقع ($E$)	الفرق ($O – E$)
الإثنين	50	50	0
الثلاثاء	60	50	+10
الأربعاء	40	50	-10
الخميس	47	50	-3
الجمعة	53	50	+3
المجموع	250	250	0

4.3 التحليل النفسي والسلوكي لأنماط الشراء الأسبوعية

تعكس أنماط ارتياد المتاجر والمؤسسات ديناميات نفسية واجتماعية مرتبطة بالإيقاع الحيوي للأسبوع وسلوك المستهلك. فغالباً ما يتأثر الإقبال في مطلع الأسبوع بالالتزامات الوظيفية واستعادة الروتين المهني، بينما تمثل منتصفات الأيام فترات استقرار نسبي، وصولاً إلى نهايات الأسبوع التي تتزامن مع البحث عن الترويح والتسوق الاستهلاكي المرتبط بالحصول على المكافآت النفسية وعطلات نهاية الأسبوع.

تُظهر القراءات الأولية للبيانات أن هناك تقلبات يومية في التردد، فزيادة الإقبال يوم الثلاثاء قد توحي ظاهرياً للإدارة بوجود دافع استهلاكي مميز، في حين يمثل انخفاض يوم الأربعاء تراجعاً مؤقتاً في الرغبة بالتسوق. ومع ذلك، لا يمكن للاستنتاج العيني البسيط أن يؤكد ما إذا كانت هذه التموجات السلوكية تعبر عن تفضيل ممنهج من جانب العملاء يتطلب تعديل جداول الموظفين، أم أنها مجرد اختلافات عشوائية معتادة في سلوك الحشود لا تستوجب تدخلاً إدارياً.

5. الحسابات الرياضية وتفسير القيمة الاحتمالية للمثال الأول

5.1 خطوات الحساب اليدوي لقيمة مربع كاي المحسوبة

لتطبيق معادلة حسن المطابقة لمربع كاي وحساب القيمة الإحصائية الكلية بدقة، نقوم بحساب المقدار ($\frac{(O – E)^2}{E}$) لكل فئة من الفئات الخمس على حدة:

• الإثنين: $\frac{(50 – 50)^2}{50} = \frac{0^2}{50} = \frac{0}{50} = 0.00$
• الثلاثاء: $\frac{(60 – 50)^2}{50} = \frac{10^2}{50} = \frac{100}{50} = 2.00$
• الأربعاء: $\frac{(40 – 50)^2}{50} = \frac{(-10)^2}{50} = \frac{100}{50} = 2.00$
• الخميس: $\frac{(47 – 50)^2}{50} = \frac{(-3)^2}{50} = \frac{9}{50} = 0.18$
• الجمعة: $\frac{(53 – 50)^2}{50} = \frac{3^2}{50} = \frac{9}{50} = 0.18$

يتم الآن تجميع القيم الجزئية لجميع الفئات للحصول على قيمة كاي تربيع المحسوبة ($\chi^2_{calculated}$):

$$\chi^2 = 0.00 + 2.00 + 2.00 + 0.18 + 0.18 = 4.36$$

تُحسب درجات الحرية ($df$) من خلال الصيغة المعتمدة لاختبار حسن المطابقة:

$$df = k – 1 = 5 – 1 = 4$$

5.2 مقارنة القيمة الاحتمالية (p-value) بمستوى الدلالة المعياري

لتحديد ما إذا كانت قيمة ($\chi^2 = 4.36$) دالة إحصائياً عند مستوى دلالة ($\alpha = 0.05$) ودرجات حرية ($df = 4$)، نلجأ إلى جداول توزيع مربع كاي الحرجة أو البرمجيات الإحصائية:

• القيمة الحرجة المستخرجة من الجدول الإحصائي عند ($\alpha = 0.05, df = 4$) هي: $\chi^2_{critical} = 9.488$
• القيمة الاحتمالية الدقيقة المحسوبة (p-value) تقابل: $p = 0.359$

بإجراء المقارنة الاستدلالية المنهجية، نجد أن القيمة المحسوبة ($4.36$) أصغر بكثير من القيمة الجدولية الحرجة ($9.488$). وبالمثل، فإن القيمة الاحتمالية الناتجة ($p = 0.359$) أكبر بكثير من مستوى الدلالة المعياري المقبول ($0.05$). وبناءً على هذه المعطيات، نفشل في رفض الفرضية الصفرية (Fail to Reject $H_0$) ونقبل صحتها.

5.3 الاستنتاج العملي والقرار الإداري المستند للإحصاء

يقودنا القرار الإحصائي إلى استنتاج سلوكي وإداري قاطع: لا توجد أدلة علمية كافية تشير إلى وجود فروق حقيقية في إقبال العملاء بين أيام الأسبوع. التباين الظاهري الذي شهد زيادة الإقبال يوم الثلاثاء ونقصانه يوم الأربعاء ليس سوى تباين عشوائي ناتج عن الصدفة الطبيعية في المعاينة ولا يعكس تفضيلاً سلوكياً ثابتاً من قِبل المستهلكين.

يوفر هذا التحليل حماية منهجية بالغة الأهمية للإدارة ضد الوقوع في الانحياز التأكيدي (Confirmation Bias)؛ إذ لو اعتمد صاحب المتجر على الأرقام الخام دون فحص إحصائي، لقام بتعديل جداول الدوام وزيادة أجور العمالة يوم الثلاثاء وتقليصها يوم الأربعاء، مما كان سيكبده تكاليف تشغيلية إضافية وارتباكاً في تنظيم العمل دون أي عائد حقيقي. تثبت هذه النتيجة أن التوزيع المتساوي هو النموذج الأكثر كفاءة واستقراراً لتشغيل المتجر خلال تلك الفترة.

6. المثال الثاني: اختبار استقلالية مربع كاي لدراسة العلاقة بين التدخل الإرشادي ومستويات القلق

6.1 التصميم التجريبي والسياق النفسي الإكلينيكي

في دراسة إكلينيكية نُفذت داخل مركز للصحة النفسية، سعى فريق من الباحثين إلى تقييم فاعلية برنامج إرشادي سلوكي معرفي مكثف في خفض حدة القلق النفسي لدى الأفراد الذين يواجهون ضغوطات عمل حادة. تم تصميم دراسة شبه تجريبية تضمنت عينة قوامها ($N = 150$) مراجعاً تم توزيعهم عشوائياً على مجموعتين متساويتين:

1. المجموعة التجريبية (Intervention Group): ضمت 75 مشاركاً خضعوا لبرنامج إرشادي سلوكي مكثف استمر 8 أسابيع.
2. المجموعة الضابطة (Control Group): ضمت 75 مشاركاً وُضعوا على قائمة الانتظار وتلقوا رعاية اعتيادية دون تدريب سلوكي منظم.

في ختام البرنامج، تم تقييم مستويات القلق البعدي للمشاركين جميعاً وتصنيفهم إكلينيكياً إلى ثلاث فئات استجابة نوعية: (قلق منخفض، قلق متوسط، قلق مرتفع). تهدف الدراسة إلى الإجابة عن السؤال المنهجي: هل يرتبط مستوى القلق البعدي بنوع التدخل الذي تلقاه المشارك؟ وتتم صياغة الفرضيات الإحصائية كالتالي:

• الفرضية الصفرية ($H_0$): مستوى القلق مستقل تماماً عن نوع المجموعة (التدخل الإرشادي لا يرتبط بتغير مستويات القلق).
• الفرضية البديلة ($H_1$): مستوى القلق مقترن ومرتبط بنوع المجموعة (توجد علاقة ذات دلالة إحصائية بين الخضوع للإرشاد ومستوى القلق البعدي).

6.2 بناء جدول الاقتران الثنائي (2×3) وإدخال البيانات

تم تنظيم البيانات الميدانية المجمعة في جدول توافق واقتران متقاطع يتألف من صفين يمثلان المجموعتين ($r = 2$)، وثلاثة أعمدة تمثل مستويات القلق الثلاثة ($c = 3$). يوضح الجدول التالي التكرارات المشاهدة ($O$) والمجاميع الهامشية للأعمدة والصفوف:

المجموعة / مستوى القلق	قلق منخفض (Low)	قلق متوسط (Moderate)	قلق مرتفع (High)	مجموع الصف ($R_i$)
مجموعة التدخل الإرشادي	35	25	15	75
المجموعة الضابطة	15	25	35	75
مجموع العمود ($C_j$)	50	50	50	المجموع الكلي $N = 150$

6.3 حساب التكرارات المتوقعة داخل خلايا الجدول

لحساب التكرار المتوقع ($E_{ij}$) لكل خلية في جدول التوافق الثنائي بافتراض صحة الفرضية الصفرية للاستقلالية، نستخدم المعادلة المنهجية العامة:

$$E_{ij} = \frac{\text{مجموع الصف } (R_i) \times \text{مجموع العمود } (C_j)}{\text{المجموع الكلي } (N)}$$

نظراً لتساوي مجاميع الصفوف ($75$) ومجاميع الأعمدة ($50$) في هذه التجربة، فإن الحسابات تكون متماثلة لجميع الخلايا الست على النحو التالي:

• خلية التدخل / منخفض: $E_{11} = \frac{75 \times 50}{150} = \frac{3750}{150} = 25$
• خلية التدخل / متوسط: $E_{12} = \frac{75 \times 50}{150} = \frac{3750}{150} = 25$
• خلية التدخل / مرتفع: $E_{13} = \frac{75 \times 50}{150} = \frac{3750}{150} = 25$
• خلية الضابطة / منخفض: $E_{21} = \frac{75 \times 50}{150} = \frac{3750}{150} = 25$
• خلية الضابطة / متوسط: $E_{22} = \frac{75 \times 50}{150} = \frac{3750}{150} = 25$
• خلية الضابطة / مرتفع: $E_{23} = \frac{75 \times 50}{150} = \frac{3750}{150} = 25$

نلاحظ هنا أن جميع التكرارات المتوقعة في الخلايا تساوي ($25$)، وهي تتجاوز بكثير الحد الأدنى المشترط في قاعدة كوشران ($E ge 5$) بنسبة 100% من الخلايا، مما يؤكد الاستيفاء التام والكامل للافتراضات الرياضية لاختبار مربع كاي.

7. التحليل الإحصائي وجداول الاقتران للمثال الثاني وتفسير النتائج السريرية

7.1 الخطوات الرياضية لحساب مربع كاي للاستقلالية

نحسب الآن مساهمة كل خلية من الخلايا الست في قيمة مربع كاي الإجمالية بتطبيق الصيغة الجزئية ($\frac{(O – E)^2}{E}$):

• مجموعة التدخل – قلق منخفض: $\frac{(35 – 25)^2}{25} = \frac{10^2}{25} = \frac{100}{25} = 4.00$
• مجموعة التدخل – قلق متوسط: $\frac{(25 – 25)^2}{25} = \frac{0^2}{25} = \frac{0}{25} = 0.00$
• مجموعة التدخل – قلق مرتفع: $\frac{(15 – 25)^2}{25} = \frac{(-10)^2}{25} = \frac{100}{25} = 4.00$
• المجموعة الضابطة – قلق منخفض: $\frac{(15 – 25)^2}{25} = \frac{(-10)^2}{25} = \frac{100}{25} = 4.00$
• المجموعة الضابطة – قلق متوسط: $\frac{(25 – 25)^2}{25} = \frac{0^2}{25} = \frac{0}{25} = 0.00$
• المجموعة الضابطة – قلق مرتفع: $\frac{(35 – 25)^2}{25} = \frac{10^2}{25} = \frac{100}{25} = 4.00$

نقوم بجمع قيم الخلايا الست للوصول إلى القيمة الكلية المحسوبة لمربع كاي:

$$\chi^2 = 4.00 + 0.00 + 4.00 + 4.00 + 0.00 + 4.00 = 16.00$$

تُحسب درجات الحرية ($df$) لجداول التوافق الثنائية وفق الصيغة المعتمدة:

$$df = (r – 1) \times (c – 1) = (2 – 1) \times (3 – 1) = 1 \times 2 = 2$$

7.2 تفسير النتائج السريرية والقيمة الاحتمالية الناتجة

بالرجوع إلى القيم الاحتمالية والجدولية لتوزيع كاي تربيع عند درجات حرية ($df = 2$) ومستوى دلالة ($\alpha = 0.05$):

• القيمة الحرجة المجدولة هي: $\chi^2_{critical} = 5.991$
• القيمة الاحتمالية الدقيقة المقابلة للقيمة المحسوبة ($16.00$) هي: $p = 0.000335$ (أي $p < 0.001$)

نظراً لأن القيمة المحسوبة ($\chi^2 = 16.00$) أكبر بكثير من القيمة الحرجة ($5.991$)، ولأن القيمة الاحتمالية ($p < 0.001$) أقل بكثير من مستوى ألفا المعياري ($0.05$)، فإننا نرفض الفرضية الصفرية ($H_0$) ونقبل الفرضية البديلة ($H_1$).

تُثبت هذه النتيجة الإحصائية القاطعة وجود ارتباط دال إحصائياً بين نوع المجموعة (تلقي الإرشاد من عدمه) ومستوى القلق البعدي. يوضح هذا الارتباط سريرياً أن توزيع نسب القلق لم يكن متماثلاً بين المجموعتين، بل انزاحت نسب المشاركين في مجموعة التدخل الإرشادي بوضوح نحو مستويات القلق المنخفضة، في حين تركزت نسب المجموعة الضابطة في فئة القلق المرتفع، مما يقدم دليلاً إكلينيكياً قوياً على فاعلية البرنامج الإرشادي.

7.3 تحليل مساهمات الخلايا والبواقي المعيارية (Standardized Residuals)

لا يوضح اختبار كاي تربيع بمفرده موضع الفروق الدقيقة داخل الجدول، بل يكتفي بإثبات وجود علاقة كلية عامة. ولتحديد الخلايا المسؤولة فعلياً عن إحداث الدلالة الإحصائية، نلجأ إلى حساب البواقي المعيارية (Standardized Residuals – $R$) لكل خلية وفق المعادلة التالية:

$$R = \frac{O – E}{\sqrt{E}}$$

تُعامل هذه البواقي مثل الدرجات المعيارية ($Z-scores$)، حيث تُعتبر أي خلية تتجاوز قيمتها المطلقة ($|R| > 1.96$) مساهماً جوهرياً ذا دلالة إحصائية عند مستوى ($0.05$):

• مجموعة التدخل / قلق منخفض: $R = \frac{35 – 25}{\sqrt{25}} = \frac{10}{5} = +2.00$ (زيادة دالة إحصائياً في عدد الأفراد ذوي القلق المنخفض).
• مجموعة التدخل / قلق مرتفع: $R = \frac{15 – 25}{\sqrt{25}} = \frac{-10}{5} = -2.00$ (انخفاض دال إحصائياً في عدد الأفراد ذوي القلق المرتفع).
• المجموعة الضابطة / قلق منخفض: $R = \frac{15 – 25}{\sqrt{25}} = \frac{-10}{5} = -2.00$ (انخفاض دال في فئة القلق المنخفض).
• المجموعة الضابطة / قلق مرتفع: $R = \frac{35 – 25}{\sqrt{25}} = \frac{10}{5} = +2.00$ (ارتفاع دال في فئة القلق المرتفع).
• خلايا القلق المتوسط: كانت البواقي لها تساوي ($0.00$)، مما يعني عدم وجود أي تباين عن التوقع في الفئة المتوسطة.

يكشف هذا التحليل التفصيلي للبواقي المعيارية أن التأثير الحقيقي للتدخل الإرشادي يكمن بالتحديد في نقل المشاركين من دائرة القلق المرتفع إلى دائرة القلق المنخفض، دون إحداث تأثير فارق في فئة القلق المتوسط، مما يعزز الفهم الدقيق للآلية العلاجية وتأثيرها الانتقائي على الحالات الإكلينيكية الأكثر شدة.

8. المثال الثالث: فحص التفضيلات الأكاديمية والمهنية للطلاب وفقاً للأنماط الشخصية

8.1 الإطار النظري لأنماط الشخصية والاختيار المهني

يحتل التوجيه الأكاديمي والمهني مكانة بارزة في علم النفس التربوي والتنظيمي، حيث تركز العديد من النظريات، مثل نظرية جون هولاند للاختيار المهني ونموذج العوامل الخمسة الكبرى للشخصية (Big Five)، على وجود روابط وثيقة بين السمات الشخصية الفردية والميول الدراسية والمسارات المهنية. ومن أبرز تلك الأبعاد بُعد الانبساط مقابل الانطواء (Extraversion vs. Introversion)، والذي يعكس تفضيل الفرد للتفاعل الاجتماعي والبيئات الديناميكية في مقابل التفضيل للتركيز الداخلي والبيئات الهادئة.

أرادت عمادة القبول والتسجيل في إحدى الجامعات بالتعاون مع قسم الإرشاد النفسي التحقق مما إذا كان هناك ارتباط دال إحصائياً بين النمط الشخصي للطالب (انبساطي / انطوائي) ومجال التخصص الأكاديمي الذي يختاره (العلوم الإنسانية والاجتماعية، العلوم التطبيقية والهندسية، الفنون والتصميم). وتحددت الفرضيات الإحصائية كالتالي:

• الفرضية الصفرية ($H_0$): اختيار التخصص الأكاديمي مستقل تماماً عن النمط الشخصي للطالب.
• الفرضية البديلة ($H_1$): يوجد اقتران وارتباط ذو دلالة إحصائية بين النمط الشخصي للطالب ومجال التخصص الأكاديمي المختار.

8.2 جمع البيانات وتشكيل مصفوفة الارتباط الفئوي

تم تطبيق مقياس معتمد للشخصية على عينة عشوائية مكونة من ($N = 300$) طالب وطالبة من الملتحقين حديثاً بالجامعة، وصُنف المشاركون إلى نمطين شخصيين موزعين على المجالات الأكاديمية الثلاثة في جدول اقتران ($2 \times 3$). ويوضح الجدول التالي التكرارات المشاهدة ($O$) مع المجاميع الهامشية:

النمط الشخصي / التخصص	العلوم الإنسانية والاجتماعية	العلوم التطبيقية والهندسية	الفنون والتصميم	المجموع الهامشي للصف
النمط الانبساطي (Extrovert)	70	40	50	160
النمط الانطوائي (Introvert)	30	80	30	140
المجموع الهامشي للعمود	100	120	80	المجموع الكلي $N = 300$

يتم احتساب التكرارات المتوقعة ($E_{ij}$) لكل خلية بموجب الفرضية الصفرية وفق صيغة ضرب الهوامش وقسمتها على المجموع الكلي ($N = 300$):

• انبساطي / إنسانية: $E_{11} = \frac{160 \times 100}{300} = 53.33$
• انبساطي / تطبيقية: $E_{12} = \frac{160 \times 120}{300} = 64.00$
• انبساطي / فنون: $E_{13} = \frac{160 \times 80}{300} = 42.67$
• انطوائي / إنسانية: $E_{21} = \frac{140 \times 100}{300} = 46.67$
• انطوائي / تطبيقية: $E_{22} = \frac{140 \times 120}{300} = 56.00$
• انطوائي / فنون: $E_{23} = \frac{140 \times 80}{300} = 37.33$

8.3 تطبيق اختبار الاستقلالية وتفسير التوزيع النفسي-المهني

نطبق الآن حسابات مربع كاي لكل خلية بجمع الحدود الجزئية ($\frac{(O – E)^2}{E}$):

• انبساطي / إنسانية: $\frac{(70 – 53.33)^2}{53.33} = \frac{(16.67)^2}{53.33} = \frac{277.89}{53.33} = 5.21$
• انبساطي / تطبيقية: $\frac{(40 – 64.00)^2}{64.00} = \frac{(-24.00)^2}{64.00} = \frac{576.00}{64.00} = 9.00$
• انبساطي / فنون: $\frac{(50 – 42.67)^2}{42.67} = \frac{(7.33)^2}{42.67} = \frac{53.73}{42.67} = 1.26$
• انطوائي / إنسانية: $\frac{(30 – 46.67)^2}{46.67} = \frac{(-16.67)^2}{46.67} = \frac{277.89}{46.67} = 5.95$
• انطوائي / تطبيقية: $\frac{(80 – 56.00)^2}{56.00} = \frac{(24.00)^2}{56.00} = \frac{576.00}{56.00} = 10.29$
• انطوائي / فنون: $\frac{(30 – 37.33)^2}{37.33} = \frac{(-7.33)^2}{37.33} = \frac{53.73}{37.33} = 1.44$

تُحسب قيمة مربع كاي الإجمالية بجمع المساهمات الجزئية:

$$\chi^2 = 5.21 + 9.00 + 1.26 + 5.95 + 10.29 + 1.44 = 33.15$$

ودرجات الحرية هي: $df = (2 – 1) \times (3 – 1) = 1 \times 2 = 2$.

بالرجوع إلى التوزيع الإحصائي، نجد أن القيمة الحرجة عند ($\alpha = 0.05, df = 2$) هي ($5.991$)، بينما القيمة الاحتمالية الناتجة عن ($\chi^2 = 33.15$) هي ($p = 6.33 \times 10^{-8}$)، وهي قيمة بالغة الصغر ($p < 0.001$). وبناءً عليه نرفض الفرضية الصفرية ونؤكد وجود علاقة ارتباطية قوية ودالة إحصائياً بين النمط الشخصي والتخصص الأكاديمي.

تكشف القراءة النفسية للنتائج أن الطلاب الانبساطيين يميلون بشكل دال لاختيار التخصصات الإنسانية والاجتماعية التي تتطلب تواصلاً لفظياً وتفاعلاً بشرياً مستمراً، بينما يميل الطلاب الانطوائيون بدرجة دالة جداً نحو العلوم التطبيقية والهندسية التي تتطلب تركيزاً فردياً وحلاً تحليلياً للمشكلات التقنية. توفر هذه النتائج سنداً علمياً لمرشدي الجامعات لتصميم برامج توجيه مهني تراعي الفروق الفردية في الشخصية وتسهم في خفض معدلات التعثر وتغيير التخصص لاحقاً.

9. المثال الرابع: تقييم التوافق بين التوزيع الفعلي والمتوقع للاضطرابات النفسية في بيئة العمل

9.1 السياق المهني وفرضية التوزيع الوبائي للاحتراق النفسي

يُعد الاحتراق النفسي والإنهاك المهني (Occupational Burnout) من أبرز التحديات التي تهدد الصحة النفسية والإنتاجية داخل المنظمات المعاصرة. في دراسة وبائية تنظيمية أجرتها إدارة السلامة والصحة المهنية في شركة صناعية ضخمة تضم آلاف الموظفين موزعين على ثلاثة قطاعات رئيسية: قطاع الإدارة العامة، وقطاع خطوط الإنتاج والتصنيع، وقطاع المبيعات والتسويق.

تاريخياً واستناداً إلى المعايير المعتمدة في قطاع الصناعة، يتوزع العمال في هذه المنشأة وفق نسب محددة: 20% في الإدارة، 50% في الإنتاج، و30% في المبيعات. وبناءً عليه، تفترض المنظمة أن حالات الاحتراق النفسي المشخصة يجب أن تتوزع طبيعياً بنفس النسب التوزيعية للعمالة إذا كانت ظروف العمل والضغوط متكافئة بين القطاعات. تم رصد وتسجيل ($N = 200$) حالة احتراق نفسي حادة تم تشخيصها إكلينيكياً خلال عام كامل، وصيغت الفرضيات كالتالي:

• الفرضية الصفرية ($H_0$): تتطابق نسب حالات الاحتراق النفسي المشاهدة في الأقسام مع النسب المعيارية لعدد العاملين ($P_{Ad\min} = 0.20, P_{Prod} = 0.50, P_{Sales} = 0.30$).
• الفرضية البديلة ($H_1$): لا تتطابق نسب حالات الاحتراق النفسي المشاهدة مع النسب المعيارية للعمالة، ويوجد تباين دال إحصائياً يشير لتركز غير طبيعي للضغوط في بعض القطاعات.

9.2 تطبيق اختبار حسن المطابقة على التوزيعات غير المتساوية

سجلت الفحوصات الطبية النفسية الحالات المشاهدة الفعلية ($O$) في القطاعات الثلاثة، كما يلي: (الإدارة = 25 حالة، الإنتاج = 80 حالة، المبيعات = 95 حالة). ولتطبيق اختبار حسن المطابقة على هذه التوزيعات ذات النسب غير المتساوية، نحسب التكرارات المتوقعة ($E_i$) بضرب الحجم الإجمالي للحالات ($N = 200$) في النسبة المعيارية المقررة لكل قسم:

• قطاع الإدارة ($20%$): $E_{Ad\min} = 200 \times 0.20 = 40 \text{ حالة}$
• قطاع الإنتاج ($50%$): $E_{Prod} = 200 \times 0.50 = 100 \text{ حالة}$
• قطاع المبيعات ($30%$): $E_{Sales} = 200 \times 0.30 = 60 \text{ حالة}$

يوضح الجدول التالي التكرارات المشاهدة والمتوقعة وحسابات كاي تربيع لكل قطاع:

القطاع المهني	الحالات المشاهدة ($O$)	الحالات المتوقعة ($E$)	الفرق ($O – E$)	المساهمة $\frac{(O – E)^2}{E}$
الإدارة العامة	25	40	-15	$\frac{(-15)^2}{40} = \frac{225}{40} = 5.625$
خطوط الإنتاج والتصنيع	80	100	-20	$\frac{(-20)^2}{100} = \frac{400}{100} = 4.000$
المبيعات والتسويق	95	60	+35	$\frac{(35)^2}{60} = \frac{1225}{60} = 20.417$
المجموع الكلي	200	200	0	$\chi^2 = 30.042$

تُحسب درجات الحرية: $df = k – 1 = 3 – 1 = 2$.

بالرجوع إلى القيمة الحرجة عند ($\alpha = 0.05, df = 2$) نجد أنها ($5.991$)، وتُظهر الحسابات أن القيمة المحسوبة ($\chi^2 = 30.042$) تفوق بكثير القيمة الحرجة، وتصل قيمتها الاحتمالية إلى ($p = 2.99 \times 10^{-7}$)، أي أن ($p < 0.001$). وعليه، نرفض الفرضية الصفرية قطعياً ونقبل الفرضية البديلة بعدم تطابق التوزيع الفعلي للاحتراق مع النسب المتوقعة.

9.3 الانعكاسات على الصحة النفسية المهنية وإدارة بيئة العمل

يقود فحص المساهمات الجزئية في جدول مربع كاي إلى استنتاج مهني دقيق: قطاع المبيعات والتسويق هو المسؤول الأساسي عن هذا التباين الإحصائي الحاد، حيث ساهم بمفرده بقيمة ($20.417$) من إجمالي قيمة كاي البالغة ($30.042$). تجاوزت الحالات المشاهدة في المبيعات ($95$ حالة) التوقعات المعيارية ($60$ حالة) بفارق شاسع بلغ $+35$ حالة، بينما سجل قطاعا الإدارة والإنتاج معدلات احتراق أقل من المتوقع بالنسبة لعدد عمالتهما.

تُمكّن هذه النتيجة الإحصائية الدقيقة قيادة المنظمة وإدارة الموارد البشرية من التحرك العاجل باتجاهين:

• إعادة هندسة بيئة العمل في قطاع المبيعات: فحص الأهداف البيعية غير الواقعية، وتخفيف الضغوط التنافسية الحادة، وتوفير برامج وقائية للدعم النفسي وإدارة الضغوط لموظفي التسويق.
• ترشيد الموارد والتدخلات النفسية: تركيز ميزانيات الصحة المهنية على القطاع الأكثر تضرراً وتأثراً، بدلاً من توزيع برامج التدخل بالتساوي والعمومية على جميع قطاعات الشركة دون جدوى تشخيصية واضحة.

10. حجم الأثر والقوة الإحصائية في اختبارات مربع كاي (Cramer’s V و Phi)

10.1 قصور الاعتماد الحصري على القيمة الاحتمالية (p-value)

على الرغم من الأهمية المركزية للقيمة الاحتمالية ($p-value$) في نفي الصدفة ورفض الفرضيات الصفرية، إلا أن الاعتماد الحصري عليها ينطوي على قصور منهجي خطير في البحث العلمي المعاصر. تتأثر القيمة الاحتمالية بشدة بحجم العينة ($N$)؛ فمع العينات الكبيرة جداً، يمكن لأدنى تباين طفيف وغير مهم تطبيقياً أن يحقق دلالة إحصائية فائقة ($p < 0.001$). وفي المقابل، قد تفشل عينة صغيرة في الوصول إلى مستوى الدلالة على الرغم من وجود ارتباط جوهري وحقيقي في الواقع.

تؤكد توصيات الدليل الإحصائي لـ الرابطة الأمريكية لعلم النفس (APA) على إلزامية الإبلاغ عن حجم الأثر (Effect Size) بالتوازي مع القيمة الاحتمالية. يقيس حجم الأثر القوة الفعلية والموضوعية للعلاقة أو الاقتران بين المتغيرات الفئوية بصرف النظر عن حجم العينة المستخدمة، مما يتيح للباحثين والممارسين تقييم الأهمية العملية (Practical Significance) للنتائج السلوكية والتنظيمية.

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

يُعد معامل فاي ($phi$) المعيار الإحصائي الأمثل لقياس حجم الأثر وقوة الارتباط في جداول التوافق الرباعية البسيطة التي تتكون من صفين وعمودين فقط ($2 \times 2$). يرتبط معامل فاي مباشرة بقيمة مربع كاي المحسوبة وحجم العينة الكلي وفق المعادلة التالية:

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

تتراوح قيم معامل فاي بين ($0$) و ($1$) في الجداول الثنائية الموجبة (أو بين $-1$ و $+1$ عند تحديد الاتجاه). وتُفسر قوة الأثر السلوكي وفق معايير جاكوب كوهين (Cohen, 1988) الإرشادية على النحو التالي:

• أثر ضعيف (Small Effect): $\phi \approx 0.10$ (يشير إلى ارتباط طفيف محدود الأهمية العملية).
• أثر متوسط (Medium Effect): $\phi \approx 0.30$ (يشير إلى علاقة واضحة ذات دلالة تطبيقية ملموسة).
• أثر قوي (Large Effect): $phi ge 0.50$ (يشير إلى اقتران قوي جداً وبارز في الظاهرة المدروسة).

10.3 معامل كرامر (Cramer’s V) للجداول المركبة

عندما يتجاوز جدول التوافق حدود الأبعاد الثنائية البسيطة، كأن يكون الجدول ($2 \times 3$) أو ($3 \times 3$) أو أكبر، فإن معامل فاي يفقد دقته الرياضية وقد يتجاوز القيمة ($1.0$). ولعلاج هذا الخلل، طوّر عالم الإحصاء السويدي هارالد كرامر معامل كرامر للارتباط (Cramer’s V)، والذي يُحسب بالمعادلة التالية:

$$V = \sqrt{\frac{\chi^2}{N \times \min(r – 1, c – 1)}}$$

حيث يمثل الرمز ($min(r – 1, c – 1)$) القيمة الأصغر بين عدد الصفوف منقوصاً منها واحد وعدد الأعمدة منقوصاً منها واحد. يضمن هذا التعديل بقاء قيمة المعامل محصورة دائماً في المدى القياسي بين ($0$) و ($1$).

لتطبيق ذلك على الأمثلة السابقة في مقالنا:

• المثال الثاني (التدخل الإرشادي والقلق – جدول $2 \times 3$):
  $$\chi^2 = 16.00, \quad N = 150, \quad \min(2 – 1, 3 – 1) = \min(1, 2) = 1$$
  $$V = \sqrt{\frac{16.00}{150 \times 1}} = \sqrt{\frac{16.00}{150}} = \sqrt{0.1067} = 0.327$$
  تُشير قيمة كرامر ($V = 0.327$) إلى حجم أثر متوسط إلى قوي، مما يؤكد أن التدخل الإرشادي لا يمتلك دلالة إحصائية مجردة فحسب، بل يمتلك أيضاً فاعلية إكلينيكية حقيقية ملموسة في خفض القلق.
• المثال الثالث (النمط الشخصي والتخصص – جدول $2 \times 3$):
  $$\chi^2 = 33.15, \quad N = 300, \quad \min(1, 2) = 1$$
  $$V = \sqrt{\frac{33.15}{300 \times 1}} = \sqrt{0.1105} = 0.332$$
  تُعبر قيمة ($V = 0.332$) عن حجم أثر متوسط إلى قوي في تفسير تفضيل التخصصات بناءً على النمط الشخصي.

11. الأخطاء الشائعة والبدائل الإحصائية لاختبار مربع كاي

11.1 الأخطاء المنهجية الشائعة عند استخدام مربع كاي

يقع العديد من الباحثين وطلاب الدراسات العليا في أخطاء منهجية شائعة عند تطبيق اختبار مربع كاي تؤدي إلى تشويه مصداقية النتائج وتوليد استنتاجات خاطئة. ومن أبرز هذه المزالق:

1. الخلط بين استقلالية العينات والقياسات المكررة: تطبيق كاي تربيع على نفس المبحوثين في مراحل زمنية متعددة، وهو انتهاك جسيم لافتراض استقلالية المشاهدات.
2. استخدام النسب المئوية أو المتوسطات بدلاً من التكرارات الخام: إدخال نسب مئوية محسوبة مباشرة في معادلة كاي تربيع مما يدمر درجات الحرية ويجعل الحسابات الرياضية باطلة تماماً.
3. تجاهل انخفاض التكرارات المتوقعة: الإصرار على تطبيق الاختبار رغم وجود خلايا بتكرارات متوقعة تقل عن ($5$) في أكثر من 20% من الخلايا، أو وجود خلايا بتكرار متوقع صفر.
4. القفز إلى استنتاجات سببية حتمية: الاعتقاد الخاطئ بأن رفض الفرضية الصفرية في اختبار الاستقلالية يثبت أن المتغير الأول يسبب المتغير الثاني، وتجاهل المتغيرات الوسيطة والكامنة.

11.2 اختبار فيشر الدقيق (Fisher’s Exact Test) كبديل للعينات الصغيرة

عندما تفشل البيانات في تلبية شروط كوشران لحجم التكرارات المتوقعة في الجداول الثنائية ($2 \times 2$)، كأن يكون حجم العينة صغيراً جداً أو تكون الظاهرة نادرة الحدوث إكلينيكياً، يصبح اختبار مربع كاي غير صالح للاستخدام. ويبرز هنا اختبار فيشر الدقيق (Fisher’s Exact Test) بوصفه البديل الإحصائي المعياري الصارم.

لا يعتمد اختبار فيشر على التقريب التوزيعي المستمر لتوزيع كاي تربيع، بل يحسب الاحتمال التوافقي الدقيق للجدول المشاهد مباشرة بالاعتماد على التوزيع فوق الهندسي (Hypergeometric Distribution) مع تثبيت المجاميع الهامشية، وتُصاغ معادلته الرياضية للجداول الثنائية ذات التكرارات ($a, b, c, d$) على النحو التالي:

$$p = \frac{(a + b)! , (c + d)! , (a + c)! , (b + d)!}{a! , b! , c! , d! , N!}$$

يتميز اختبار فيشر بقدرته على إعطاء القيمة الاحتمالية الحقيقية والدقيقة دون أي تحيز، وهو إلزامي في الدراسات الطبية والإكلينيكية الدقيقة التي تتعامل مع حالات مرضية نادرة لا يتجاوز تكرارها المتوقع في الخلايا الرقم 5.

11.3 تصحيح ييتس للاستمرارية (Yates’ Continuity Correction)

نظراً لأن توزيع مربع كاي هو توزيع احتمالي متصل ومستمر في حين أن بيانات التكرارات المشاهدة هي بيانات فئوية منفصلة (Discrete)، اقترح الإحصائي فرانك ييتس (Frank Yates) تعديلاً يُعرف باسم تصحيح ييتس للاستمرارية لتقليل الخطأ الناتج عن تقريب المنفصل بالمتصل في الجداول الثنائية ($2 \times 2$).

يقوم هذا التصحيح على طرح القيمة الثابتة ($0.5$) من القيمة المطلقة للفرق بين التكرار المشاهد والمتوقع قبل تربيعها، وفق الصيغة الرياضية التالية:

$$\chi^2_{\text{Yates}} = \sum \frac{(|O_i – E_i| – 0.5)^2}{E_i}$$

أثار تصحيح ييتس جدلاً منهجياً واسعاً في الأوساط الإحصائية المعاصرة؛ إذ أثبتت الدراسات المحاكية أنه يميل إلى التحفظ المفرط (Over-conservative)، مما يؤدي إلى خفض قيمة مربع كاي بشكل زائد وزيادة احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error) بعدم رفض الفرضية الصفرية رغم خطئها. وتوصي الأدبيات الإحصائية الحديثة بتفضيل اختبار فيشر الدقيق على تصحيح ييتس في العينات الصغيرة، واستخدام كاي تربيع بيرسون القياسي دون تصحيح عندما تكون التكرارات المتوقعة كافية ومستوفية للشروط.

12. التطبيقات البرمجية وصياغة النتائج وفق معايير APA

12.1 تنفيذ اختبارات مربع كاي باستخدام برمجية SPSS

تُعد حزمة SPSS (Statistical Package for the Social Sciences) من أكثر البرمجيات استخداماً في العلوم النفسية والاجتماعية لإجراء اختبارات مربع كاي. وتتلخص خطوات التنفيذ الإجرائية فيما يلي:

• إدخال البيانات: إذا كانت البيانات مجمعة في صورة تكرارات، يتم إدخال متغيرين تصنيفيين ومتغير ثالث يمثل التكرار (Frequency)، ثم تفعيل أمر ترجيح الحالات من القائمة: Data -> Weight Cases -> Weight cases by (Frequency).
• تشغيل اختبار الاستقلالية: الانتقال إلى Analyze -> Descriptive Statistics -> Crosstabs.
• نقل المتغير الأول إلى مربع الصفوف (Rows) والمتغير الثاني إلى مربع الأعمدة (Columns).
• الضغط على زر Statistics وتفعيل خياري Chi-square و Phi and Cramer's V.
• الضغط على زر Cells وتفعيل خيارات: Observed و Expected و Standardized Residuals.
• الضغط على Continue ثم OK لتوليد المخرجات الإحصائية في جدول التقاطع وجدول اختبارات كاي تربيع.

12.2 إجراء الاختبارات باستخدام لغة R و Python

في بيئات التحليل الإحصائي مفتوحة المصدر والبرمجة المتقدمة، يُنفذ اختبار مربع كاي بكفاءة برمجية عالية تتيح معالجة البيانات الضخمة وبناء تصورات بيانية متقدمة:

أولاً: في بيئة لغة R:

تُستخدم الدالة القياسية chisq.test() لتنفيذ اختباري حسن المطابقة والاستقلالية واستخراج البواقي المعيارية ومصفوفات التوقع بسهولة:

• data_matrix <- matrix(c(35, 15, 25, 25, 15, 35), nrow = 2, byrow = TRUE)
• test_result <- chisq.test(data_matrix, correct = FALSE)
• test_result$expected # استخراج التكرارات المتوقعة
• test_result$residuals # استخراج البواقي المعيارية

ثانياً: في بيئة لغة بايثون (Python):

تُستخدم مكتبة scipy.stats المتقدمة عبر دالة chi2_contingency للجداول المتقاطعة، ودالة chisquare لاختبار حسن المطابقة:

• from scipy.stats import chi2_contingency
• table = [[35, 25, 15], [15, 25, 35]]
• chi2, p, dof, expected = chi2_contingency(table, correction=False)

تتيح هذه الدوال البرمجية دمج النتائج ضمن لوحات معلومات بيانية تفاعلية ورسوم أعمدة متلاصقة (Grouped Bar Charts) توضح الفروق البصرية الدقيقة بين الفئات المشاهدة والمتوقعة بدقة احترافية عالية.

12.3 كتابة وتوثيق النتائج وفق دليل الرابطة الأمريكية لعلم النفس (APA 7th)

تتطلب كتابة التقارير العلمية صياغة إحصائية دقيقة تلتزم بدليل النشر المعتمد من الرابطة الأمريكية لعلم النفس في طبعته السابعة (APA 7th Edition). تشترط الصيغة المعيارية تضمين رمز كاي تربيع ($\chi^2$) متبوعاً بدرجات الحرية بين قوسين، وحجم العينة الكلي، والقيمة المحسوبة، ومستوى الدلالة الاحتمالية، وقيمة حجم الأثر.

الصيغة العامة للتوثيق:

$$\chi^2(df, N = \text{حجم العينة}) = \text{القيمة المحسوبة}, p = \text{القيمة الاحتمالية}, V = \text{حجم الأثر}$$

نماذج تطبيقية لكتابة نتائج الأمثلة الواردة في المقال:

• توثيق المثال الأول (إقبال العملاء):
  “أظهرت نتائج اختبار مربع كاي لحسن المطابقة عدم وجود فروق ذات دلالة إحصائية في إقبال العملاء عبر أيام الأسبوع الخمسة، $\chi^2(4, N = 250) = 4.36, p = .359$، مما يشير إلى أن تباين التردد اليومي يقع ضمن نطاق التوزيع المتساوي العشوائي.”
• توثيق المثال الثاني (التدخل الإرشادي والقلق):
  “كشفت نتائج اختبار استقلالية مربع كاي عن وجود علاقة ارتباطية دالة إحصائياً بين تلقي التدخل الإرشادي ومستوى القلق البعدي للمشاركين، $\chi^2(2, N = 150) = 16.00, p < .001, V = .33$. وأظهرت البواقي المعيارية أن مجموعة الإرشاد شهدت ارتفاعاً دالاً في نسب القلق المنخفض ($R = +2.00$) وانخفاضاً في القلق المرتفع ($R = -2.00$)."
• توثيق المثال الثالث (الأنماط الشخصية والتخصص الأكاديمي):
  “أكد اختبار مربع كاي للاستقلالية وجود اقتران دال إحصائياً بين النمط الشخصي للطلاب واختيارهم للمجال الأكاديمي، $\chi^2(2, N = 300) = 33.15, p < .001, V = .33$."
• توثيق المثال الرابع (الاحتراق النفسي في بيئة العمل):
  “بينت نتائج اختبار حسن المطابقة عدم تطابق التوزيع الفعلي لحالات الاحتراق النفسي مع النسب المعيارية للعمالة في القطاعات، $\chi^2(2, N = 200) = 30.04, p < .001$، حيث سجل قطاع المبيعات تركزاً مرتفعاً وغير طبيعي لحالات الإنهاك المهني."

خاتمة

يُمثل اختبار مربع كاي (Chi-Square Test) حجر الزاوية في صرح التحليل الإحصائي اللابارامتري الموجه لفهم وتفسير المتغيرات الفئوية والنوعية. ومن خلال استعراض الأمثلة الأربعة الواقعية في هذا المقال—بدءاً من سلوك المستهلك وتفضيلات الأيام، مروراً بفاعلية التدخلات الإكلينيكية وخفض القلق، واختيارات التخصصات الأكاديمية وفق السمات الشخصية، وصولاً إلى الرصد الوبائي للاحتراق النفسي في المنظمات—يتضح جلياً أن هذا الاختبار لا يقتصر على كونه معادلة رياضية مجردة، بل يمثل أداة تفكير نقدي ومنهجي توجه القرارات المهنية والإدارية والسريرية نحو الموضوعية والكفاءة المستندة للبيانات.

إن التطبيق السليم لاختبار مربع كاي يتطلب من الباحث وعياً إحصائياً يتجاوز مجرد حساب القيمة الاحتمالية ($p-value$)؛ إذ يتحتم دائماً فحص استيفاء الافتراضات المنهجية، وتحليل البواقي المعيارية لتحديد مواقع الفروق الدقيقة، وتقدير حجم الأثر الإحصائي باستخدام معاملات مثل فاي وكرامر لقياس الأهمية العملية، فضلاً عن الالتزام بالمعايير الأكاديمية الصارمة في صياغة وتوثيق التقارير. ومن خلال هذا الفهم الشامل، يظل مربع كاي وسيلة استدلالية لا غنى عنها في استنطاق البيانات الفئوية والكشف عن العلاقات الكامنة وراء الظواهر الإنسانية والسلوكية المعقدة.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. 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.
• Cramér, H. (1946). Mathematical methods of statistics. Princeton University Press.
• 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
• 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 Series 5, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• 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