تعد جداول التوزيعات الاحتمالية حجر الزاوية الذي شُيدت عليه صروح الاستدلال الإحصائي الحديث، وتمثل الجسر المنهجي الرابط بين النماذج الرياضية المجردة والتطبيقات العملية الملموسة في شتى فروع المعرفة. ومن بين هذه الأدوات القياسية الراسخة، يحتل جدول توزيع مربع كاي (Chi-square Distribution Table) مكانة مركزية فريدة؛ إذ يُعد المرجع الحاسم الذي يستند إليه الباحثون وعلماء الإحصاء لتحويل المجاميع التكرارية والبيانات الفئوية المنفصلة إلى قرارات استدلالية رصينة تقطع الشك باليقين المنهجي، وتفصل بين الفروق العشوائية الناتجة عن الصدفة وتلك الناشئة عن تأثيرات بنيوية حقيقية في المجتمعات المدروسة.
إن التعامل مع الظواهر الإنسانية والاجتماعية والبيولوجية يفرض في كثير من الأحيان قيوداً منهجية تحول دون استخدام اختبارات معلمية تستلزم شروطاً صارمة، كالتوزيع الطبيعي المتصل للبيانات أو تجانس التباين. وهنا تتجلى القوة التحليلية لاختبارات مربع كاي وجداولها المرجعية، حيث تقدم إطاراً مرناً وقوياً يتيح تقييم فرضيات الاستقلالية، وجودة المطابقة، وتجانس التوزيعات التكرارية، فضلاً عن دورها المتقدم في تقدير فترات الثقة لتباين المجتمعات. يتيح جدول توزيع مربع كاي للباحث تفكيك التباين الملاحظ ومقارنته بالتباين المتوقع نظرياً، مما يمنحه معياراً دقيقاً لرفض الفرضيات الصفرية أو الإبقاء عليها استناداً إلى أطر احتمالية دقيقة.
يهدف هذا الدليل الموسوعي الشامل إلى تقديم مرجع أكاديمي متعمق ومفصل حول جدول توزيع مربع كاي، بدءاً من تأصيله النظري والرياضي، مروراً بتشريحه الهيكلي وكيفية قراءته واستخلاص القيم الحرجة منه بدقة متناهية، وصولاً إلى استعراض تطبيقاته الميدانية الواسعة في القياس النفسي والتحليل السلوكي والبحوث الاجتماعية والطبية. وسيتطرق المقال إلى التفاصيل الحسابية الدقيقة، والمفاهيم المرتبطة بدرجات الحرية، ومستويات الدلالة، والافتراضات المنهجية الصارمة، مع مقارنة نقدية بين استخدام الجداول الورقية التقليدية والمخرجات الرقمية للبرمجيات الإحصائية المعاصرة.
1. مقدمة تأسيسية حول جدول توزيع مربع كاي
1.1 التعريف بجدول توزيع مربع كاي وأهميته الإحصائية
يُعرف جدول توزيع مربع كاي بأنه مصفوفة رقمية قياسية تحتوي على مجموعة من القيم الحرجة (Critical Values) المحسوبة رياضياً استناداً إلى دالة التوزيع التراكمي لمتغير مربع كاي العشوائي. يمثل هذا الجدول أداة مرجعية أساسية يعتمد عليها الباحث لمقارنة القيمة الإحصائية المحسوبة من واقع البيانات الميدانية بتلك القيمة النظرية المجدولة التي تحدد الحدود الفاصلة لمناطق القبول والرفض للفرضيات الإحصائية. وتنبع أهمية الجدول من كونه المحرك الأساسي للاختبارات اللامعلمية التي تتعامل مع المتغيرات النوعية والتكرارية، حيث يعالج البيانات الاسمية (Nominal) والرتبية (Ordinal) التي تعجز الاختبارات المعلمية التقليدية، مثل اختبار “ت” (t-test) أو تحليل التباين (ANOVA)، عن التعامل معها بكفاءة وموثوقية.
تاريخياً، يعود الفضل في ابتكار اختبار وتوزيع مربع كاي إلى العالم البريطاني الفذ كارل بيرسون (Karl Pearson) في ورقته البحثية المنشورة عام 1900. شكّل هذا الابتكار ثورة إبستيمولوجية كبرى في علم الإحصاء؛ إذ نقل الممارسة العلمية من مجرد الوصف الظاهري للبيانات إلى الاستدلال الاحتمالي الصارم المبني على اختبار حسن المطابقة. لقد أتاح جدول بيرسون للعلماء لأول مرة وسيلة لتقييم ما إذا كانت التكرارات المرصودة في دراسة تجريبية تتفق بالفعل مع التوزيع النظري المقترح، مما أسهم في تحويل البيانات التكرارية البسيطة إلى قرارات استدلالية تتسم بالدقة الرياضية والصلابة المنهجية، واضعاً بذلك اللبنات الأولى للإحصاء الاستدلالي الحديث.
تتجلى الأهمية الإحصائية للجدول أيضاً في كونه أداة لتقييم درجات التشتت وعدم التأكد في النماذج الإحصائية. فالجدول لا يقتصر على كونه وسيلة لاتخاذ قرار ثنائي بالقبول أو الرفض، بل يمتد ليكون مقياساً موضوعياً لحجم الانحراف التراكمي للبيانات الفعلية عن النموذج النظري المفترض. ومن خلال تزويد الباحثين بالقيم الحرجة المناظرة لمختلف درجات الحرية ومستويات الشك المعياري، يضمن الجدول توحيد معايير الحكم الإحصائي عبر مختلف التخصصات العلمية، مانعاً بذلك التفسيرات الذاتية للبيانات وموفراً قاعدة كمية موحدة للمقارنة بين الدراسات والبحوث المختلفة على الصعيد العالمي.
1.2 موقع جدول مربع كاي في الإحصاء النفسي والعلوم السلوكية
يحتل جدول توزيع مربع كاي موقعاً جوهرياً في بنية القياس والإحصاء النفسي والسلوكي؛ نظراً لأن الغالبية العظمى من المتغيرات النفسية والظواهر السلوكية يتم رصدها وتصنيفها في صورة فئات نوعية، مثل تصنيف الأنماط السلوكية، وتوصيف الاضطرابات النفسية وفق الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM)، وتقييم الإجابات الفئوية على الاستبيانات والمقاييس المقننة. ونظراً لأن هذه المتغيرات لا تنتمي في أصلها إلى مقاييس المسافة أو النسبة المتصلة، فإن افتراضات التوزيع الطبيعي المتصل تسقط عنها، مما يجعل الاعتماد على جدول مربع كاي أمراً حتمياً لا غنى عنه في تحليل مثل هذه البنى النفسية المعقدة.
يبرز استخدام الجدول بوضوح في معالجة الظواهر السلوكية التي تتسم بالتوزيعات الملتوية أو الثنائية القطعية، كدراسة استجابة الأفراد للضغوط النفسية (تكيف / عدم تكيف)، أو رصد اتجاهات الرأي العام نحو قضايا مجتمعية حساسة. كما يوفر الجدول الأساس الرياضي لاختبار الفروق الجوهرية بين المجموعات التجريبية والمجموعات الضابطة في الدراسات الإكلينيكية، حيث يُستخدم لمقارنة نسب الاستجابة للعلاجات النفسية والسلوكية المختلفة، والتأكد مما إذا كان التحسن الملاحظ في عينة معينة يعود إلى الفاعلية الحقيقية للبرنامج العلاجي المقترح أم أنه مجرد تقلب عشوائي يمكن حدوثه بمحض الصدفة.
علاوة على ذلك، يمتد دور جدول مربع كاي في العلوم النفسية إلى مجال القياس النفسي والتقنين (Psychometrics)، وتحديداً في فحص اتساق الفقرات وتحليل بنية الاختبارات النفسية. فعند بناء المقاييس السلوكية، يلجأ المطورون إلى الجدول لتقييم مدى مطابقة التكرارات المستجابة للنماذج النظرية للاستجابة للمفردة (Item Response Theory)، وكذلك للكشف عن التحيز في بنود المقاييس عبر المجموعات السكانية المختلفة، مما يضمن في النهاية عدالة المقاييس النفسية ودقتها التنبؤية عبر مختلف السياقات الثقافية والاجتماعية.
2. البنية الهيكلية لجدول توزيع مربع كاي ومكوناته
2.1 محاور الجدول: الصفوف والأعمدة
تتسم البنية الهيكلية لجدول توزيع مربع كاي بتصميم مصفوفي منظم بدقة هندسية ورياضية فائقة لتسهيل عملية استخراج القيم الحرجة. يتكون الجدول من محورين أساسيين: المحور الرأسي (الصفوف) الذي يمثل درجات الحرية (Degrees of Freedom – DF أو $df$ أو $\nu$)، والمحور الأفقي (الأعمدة) الذي يمثل مستويات الاحتمالية أو مستويات الدلالة الإحصائية (Alpha Levels / $P$-values). يتقاطع كل صف مع كل عمود ليشكل خلية رقمية فريدة تتضمن “القيمة الحرجة لمربع كاي” المقابلة لتلك الدرجة من الحرية عند ذلك المستوى المحدد من الاحتمالية، وهي القيمة التي تفصل بين المساحة المقبولة والمساحة الحرجة في التوزيع.
ينبغي للباحث الانتباه بدقة إلى نوع الجدول الإحصائي المستخدم؛ حيث تختلف الجداول المطبوعة في المراجع الإحصائية في كيفية عرض المساحة الاحتمالية تحت المنحنى. فالنوع الأكثر شيوعاً هو جداول “الذيل الأيمن” (Right-tailed / Upper-tail Area)، والتي تعبر قيم الاحتمالية في رأس أعمدتها (مثل $0.05$، $0.01$) عن المساحة الواقعة في أقصى الطرف الأيمن للمنحنى، أي احتمالية الحصول على قيمة مربع كاي تساوي أو تزيد عن القيمة المجدولة: $P(\chi^2 ge \chi^2_{\alpha})$. في المقابل، توجد جداول تراكمية تعرض المساحة إلى يسار القيمة الحرجة ($1 – \alpha$)، وجداول ثنائية الذيل تُستخدم خصيصاً عند الرغبة في تقدير فترات الثقة لتباين المجتمعات، حيث تُدرج أعمدة تمثل الذيل السفلي والذيل العلوي معاً.
يساعد فهم هذه المحاور في تجنب الأخطاء الجسيمة أثناء تفسير البيانات؛ إذ إن الخلط بين جدول يعرض الذيل الأيمن وجدول يعرض الذيل التراكمي الأيسر قد يؤدي إلى استخراج قيم حرجة خاطئة كلياً، وبالتالي اتخاذ قرارات استدلالية مضللة كرفض فرضية صفرية صحيحة أو قبول فرضية بديلة خاطئة. يوضح الجدول التالي مقتطفاً نموذجياً يوضح تقاطع درجات الحرية مع مستويات الدلالة الشائعة لقيم مربع كاي في الذيل الأيمن:
| درجات الحرية ($df$) | $\alpha = 0.10$ | $\alpha = 0.05$ | $\alpha = 0.025$ | $\alpha = 0.01$ | $\alpha = 0.001$ |
|---|---|---|---|---|---|
| 1 | 2.706 | 3.841 | 5.024 | 6.635 | 10.828 |
| 2 | 4.605 | 5.991 | 7.378 | 9.210 | 13.816 |
| 3 | 6.251 | 7.815 | 9.348 | 11.345 | 16.266 |
| 4 | 7.779 | 9.488 | 11.143 | 13.277 | 18.467 |
| 5 | 9.236 | 11.070 | 12.833 | 15.086 | 20.515 |
| 10 | 15.987 | 18.307 | 20.483 | 23.209 | 29.588 |
| 20 | 28.412 | 31.410 | 34.170 | 37.566 | 45.315 |
2.2 الخصائص الهندسية لمنحنى التوزيع المنعكس في الجدول
يعكس جدول توزيع مربع كاي بدقة الخصائص الهندسية والرياضية الفريدة لمنحنى التوزيع. أولى هذه الخصائص هي أن قيم مربع كاي تبدأ دائماً من الصفر وتمتد إلى ما لا نهاية موجبة ($0 le \chi^2 < \infty$)، ومن ثم فإن التوزيع غير متماثل وموجب الالتواء (Positively Skewed) بدرجة عالية عند المستويات المتدنية من درجات الحرية. فعندما تكون درجة الحرية ($df = 1$) أو ($df = 2$)، يكون المنحنى شديد الانحدار نحو اليمين وتتركز الكتلة الاحتمالية العظمى بالقرب من نقطة الأصل، وهو ما تفسره القيم المجدولة الصغيرة المقابلة لمستويات الدلالة المرتفعة في تلك الصفوف الأولى من الجدول.
مع تنامي درجات الحرية، يخضع شكل المنحنى لتحول هندسي تدريجي؛ حيث يبدأ الالتواء الإيجابي بالتراجع تدريجياً، ويتحرك المنوال (Mode) والقيمة المتوقعة نحو اليمين بمعدل يساوي $k – 2$ (حيث $k$ هي درجات الحرية لـ $k ge 2$). ومع بلوغ درجات الحرية مستويات مرتفعة ($df > 30$)، يقترب منحنى توزيع مربع كاي بصورة ملموسة من التماثل التام، محاكياً في شكله التوزيع الطبيعي المعياري، وذلك تطبيقاً لـ نظرية النهاية المركزية (Central Limit Theorem). وينعكس هذا التحول الهندسي مباشرة في قيم الجدول؛ حيث تصبح الفروق المتتالية بين القيم الحرجة أكثر انتظاماً واستقراراً.
إن الرابط الهندسي الحاسم بين المنحنى وقيم الجدول يكمن في مفهوم المساحة المحصورة تحت المنحنى؛ فالإجمالي الكلي للمساحة تحت منحنى كثافة الاحتمال لمربع كاي يساوي دائماً الواحد الصحيح ($1.00$). وكل قيمة رقمية واردة داخل خلايا الجدول تمثل الإحداثي السيني على المحور الأفقي الذي يقطع المنحنى بحيث يترك على يمينه مساحة محددة تعادل تماماً قيمة الاحتمال $\alpha$ الموضحة في أعلى ذلك العمود. ومن هنا، فإن الجدول ليس سوى ترجمة رقمية دقيقة للمساحات الهندسية المقيدة بخصائص التفرطح والالتواء الرياضي الخاصة بهذا التوزيع الاحتمالي المتفرد.
3. الأسس الرياضية والنظرية لاشتقاق جدول مربع كاي
3.1 الدالة الرياضية لتوزيع مربع كاي
يستند اشتقاق جدول توزيع مربع كاي إلى دالة كثافة الاحتمال (Probability Density Function – PDF) المتصلة، والتي تُعرف رياضياً لمتغير عشوائي $X = \chi^2$ بدرجة حرية $k$ ($k > 0$) بالمعادلة التالية:
$$f(x; k) = \frac{1}{2^{k/2} \Gamma(k/2)} x^{(k/2) – 1} e^{-x/2}, \quad x > 0$$
حيث تمثل $\Gamma(z)$ دالة غاما (Gamma Function)، وهي تعميم رياضي متصل لدالة المضروب (Factorial)، والمعرفة بالتكامل المعتل: $\Gamma(z) = \int_{0}^{\infty} t^{z-1} e^{-t} dt$. يوضح هذا التركيب الرياضي كيف ينشأ توزيع مربع كاي كحالة خاصة من توزيع غاما بمعلمة شكل $\alpha = k/2$ ومعلمة مقياس $\beta = 2$. إن توليد هذا المتغير العشوائي ينبثق في جوهره من مجموع مربعات $k$ من المتغيرات العشوائية المستقلة التي يتبع كل منها التوزيع الطبيعي المعياري $Z \sim \mathcal{N}(0, 1)$، أي أن:
$$\chi^2 = \sum_{i=1}^{k} Z_i^2 = Z_1^2 + Z_2^2 + dots + Z_k^2$$
تُشتق القيم الرقمية المجدولة المنشورة في جداول مربع كاي عبر حساب التكامل العددي العكسي لدالة التوزيع التراكمي (Cumulative Distribution Function – CDF)، والتي تأخذ الصيغة:
$$F(x; k) = \frac{\gamma(k/2, x/2)}{\Gamma(k/2)} = \frac{1}{\Gamma(k/2)} \int_{0}^{x/2} t^{(k/2)-1} e^{-t} dt$$
حيث تمثل $\gamma(s, x)$ دالة غاما غير المكتملة السفلية. ولحساب القيمة الحرجة $\chi^2_{\alpha, k}$ لمستوى معنوية $\alpha$ في الذيل العلوي، يتم حل المعادلة التكاملية $1 – F(\chi^2_{\alpha, k}; k) = \alpha$ باستخدام خوارزميات التقريب والتحليل العددي الدقيقة (مثل طرق نيوتن-رافسون أو متسلسلات كوشي التراكمية). وتضمن هذه الإجراءات الحسابية المعقدة الوصول إلى الدقة المتناهية التي تتسم بها القيم الواردة في الجداول المطبوعة والمعتمدة عالمياً.
3.2 العلاقة التوزيعية مع التوزيعات الإحصائية الأخرى
يرتبط جدول توزيع مربع كاي بعلاقات وشيجة وروابط رياضية محكمة مع كبرى التوزيعات الإحصائية الاستدلالية؛ مما يجعله بمثابة النواة الهيكلية لعلم الإحصاء الرياضي. تتجلى العلاقة المباشرة الأولى في صلته بـ التوزيع الطبيعي المعياري (Standard Normal Distribution – Z)؛ فإذا كان لدينا متغير يتبع التوزيع الطبيعي المعياري $Z$，فإن مربع هذا المتغير $Z^2$ يتبع بدقة متناهية توزيع مربع كاي بدرجة حرية واحدة ($df = 1$). وبالنظر إلى الجداول الإحصائية، نجد أن القيمة الحرجة لمربع كاي عند $df=1$ ومستوى $\alpha = 0.05$ تساوي $3.841$، وهي مطابقة تماماً لمربع القيمة الحرجة للتوزيع الطبيعي المعياري ثنائي الذيل $Z_{0.025} = 1.96$، حيث أن $(1.96)^2 \approx 3.8416$.
كما يشكل توزيع مربع كاي حجر الأساس لـ توزيع إف الفيدري (Fisher-Snedecor F-Distribution)، والذي يُعرف كنسبة بين متغيرين مستقلين من متغيرات مربع كاي مقسوماً كل منهما على درجة حريته الخاصة، بالصيغة:
$$F = \frac{\chi^2_1 / k_1}{\chi^2_2 / k_2}$$
ولهذا السبب، ترتبط جداول تحليل التباين (ANOVA) ارتباطاً وثيقاً بجدول مربع كاي. علاوة على ذلك، يرتبط جدول مربع كاي بـ توزيع تي لستودنت (Student’s t-Distribution)؛ حيث يُعرَّف متغير $t$ بنسبة متغير معياري $Z$ إلى الجذر التربيعي لمتغير مربع كاي مقسوماً على درجة حريته: $t = Z / \sqrt{\chi^2 / k}$.
تتجلى أيضاً خاصية التجميع الرياضي الفريدة في جدول مربع كاي؛ فإذا كان لدينا متغيران مستقلان $\chi^2_1$ و $\chi^2_2$ بدرجات حرية $k_1$ و $k_2$ على التوالي، فإن مجموعهما $(\chi^2_1 + \chi^2_2)$ يتبع بالضرورة توزيع مربع كاي بدرجة حرية كلية تساوي $(k_1 + k_2)$. تمنح هذه الخاصية الجمعية (Additivity Property) جدول مربع كاي مرونة منقطعة النظير في تحليل النماذج المتداخلة والمعقدة وتجزئة التباين الإجمالي إلى مكونات فرعية مستقلة يمكن اختبار كل منها على حدة بالرجوع إلى الجدول المرجعي نفسه.
4. درجات الحرية (Degrees of Freedom) في جدول مربع كاي
4.1 المفهوم الإحصائي لدرجات الحرية وأثرها على الجدول
يُعد مفهوم درجات الحرية (Degrees of Freedom – $df$) من أعمق المفاهيم الإحصائية وأكثرها تأثيراً في البنية الرياضية لجدول مربع كاي. تُعرف درجات الحرية في أبسط صورها النظرية بأنها عدد المشاهدات أو التكرارات المستقلة في البيانات التي تملك حرية التغير العشوائي بعد استيفاء جميع القيود الرياضية والمعلمات الإحصائية المقدرة من العينة. وفي الفضاء الهندسي الإقليدي، تمثل درجات الحرية عدد الأبعاد الخطية المستقلة التي يتحرك فيها متجه البيانات العشوائي دون الإخلال بالشروط التقييدية الموضوعة على النموذج.
تعتبر درجات الحرية هي المعلمة الوحيدة الحاكمة للشكل الهندسي والخصائص التوزيعية لمنحنى مربع كاي والقيم الحرجة المقابلة له في الجدول؛ إذ إن المتوسط الحسابي لتوزيع مربع كاي يساوي تماماً درجات حريته ($\mu = k$)، بينما يساوي تباينه الرياضي ضعف درجات حريته ($\sigma^2 = 2k$). ويترتب على ذلك أنه كلما زادت درجات الحرية، زادت القيمة المتوقعة وتباين التوزيع، مما يدفع بالمنحنى نحو اليمين ويزيد من اتساعه وتفرطحه، وبالتالي ترتفع القيم الحرجة المقابلة لنفس مستوى الدلالة بصورة تصاعدية ومطردة كما يُلاحظ بوضوح عند النزول في صفوف الجدول.
إن التحديد الدقيق لدرجات الحرية يمثل شرطاً مسبقاً لا يمكن التهاون فيه قبل الشروع في قراءة الجدول واستخراج القيمة الحرجة؛ إذ إن خطأً طفيفاً في حساب $df$ بمقدار درجة واحدة كفيل بتغيير القيمة الحرجة المرجعية تماماً. على سبيل المثال، عند مستوى $\alpha = 0.05$، تكون القيمة الحرجة لدرجة حرية واحدة هي $3.841$، بينما تقفز إلى $5.991$ عند درجتي حرية، وإلى $7.815$ عند ثلاث درجات حرية؛ الأمر الذي يوضح بجلاء الحساسية البالغة التي تتسم بها قرارات الاختبار الإحصائي بناءً على هذا المحور.
4.2 معادلات حساب درجات الحرية في التصاميم المختلفة
تختلف الصيغة الرياضية المستخدمة لتحديد درجات الحرية تبعاً لطبيعة التصميم الإحصائي ونوع الاختبار المستخدم. ففي اختبار حسن المطابقة أحادي البعد (Goodness of Fit Test)، حيث تُصنف الملاحظات في متغير فئوي واحد يحتوي على عدد $k$ من الفئات المنفصلة، تُحسب درجات الحرية بالصيغة الأساسية:
$$df = k – 1 – m$$
حيث يمثل $k$ عدد الفئات التكرارية الكلية، بينما يمثل $1$ القيد الرياضي الإلزامي المفروض بأن يكون مجموع التكرارات المتوقعة مساوياً تماماً للحجم الكلي للعينة ($\sum E_i = \sum O_i = N$)، في حين يشير $m$ إلى عدد معلمات المجتمع غير المعروفة التي تم تقديرها من بيانات العينة نفسها قبل حساب التكرارات المتوقعة (مثل تقدير المتوسط أو الانحراف المعياري). وفي الحالات القياسية التي تكون فيها النسب محددة مسبقاً دون تقدير معلمات، تصبح المعادلة ببساطة $df = k – 1$.
أما في حالة جداول التوافق الثنائية (Two-Way Contingency Tables) المستخدمة في اختبار الاستقلالية وتجانس المجتمعات، حيث تُصنف البيانات في مصفوفة ذات بعدين تتألف من $r$ من الصفوف و $c$ من الأعمدة، فتُحسب درجات الحرية بالصيغة الجبرية الشهيرة:
$$df = (r – 1)(c – 1)$$
تنبع هذه الصيغة من حقيقة أن المجموع الهامشي لكل صف وكل عمود يفرض قيداً خطياً ثابتاً، مما يجعل عدد الخلايا الحرة المستقلة داخل المصفوفة محصوراً في هذا الضرب التوافقي. وفي التصاميم الإحصائية الأكثر تعقيداً، كـ النماذج اللوغاريتمية الخطية متعددة الأبعاد (Log-Linear Models) ونماذج تحليل المسار النوعي، تُحسب درجات الحرية بطرح إجمالي عدد المعلمات والمعاملات المقدرة في النموذج المقترح من إجمالي عدد الخلايا التكرارية في الجدول متعدد الأبعاد، مما يعكس بدقة فائقة التوازن بين تعقيد النموذج وقدرته التفسيرية.
5. مستويات الدلالة الإحصائية والاحتماليات في الجدول
5.1 مستويات الدلالة الشائعة (Alpha Levels)
تمثل أعمدة جدول مربع كاي مستويات الدلالة الإحصائية ($\alpha$ – Alpha Levels)، وهي تعبر رياضياً عن الحد الأقصى لاحتمالية الوقوع في الخطأ من النوع الأول (Type I Error)، أي احتمالية رفض الفرضية الصفرية رغم كونها صحيحة واقعياً في المجتمع الأصلي. يحدد الباحث مستوى الدلالة سلفاً وبصورة قبلية (A Priori) استناداً إلى طبيعة الحقل العلمي وأهمية القرارات المترتبة على نتائج البحث وحجم المخاطرة المقبولة، ليتحول هذا المستوى إلى العمود المرجعي المعتمد داخل الجدول طوال عملية التحليل.
يعد مستوى الدلالة $\alpha = 0.05$ هو المعيار القياسي الأكثر شيوعاً واستخداماً في البحوث النفسية والتربوية والعلوم الاجتماعية العامة؛ حيث يفترض هذا المستوى أن هناك احتمالاً بنسبة $5%$ فقط لأن تكون الفروق أو العلاقات الملاحظة ناتجة عن التباين العشوائي للصدفة، في مقابل مستوى ثقة يبلغ $95%$ بصحة التأثير الملاحظ. أما في البحوث الطبية الحساسة، والدراسات الإكلينيكية الصيدلانية، والاختبارات التشخيصية المتقدمة التي يترتب على أخطائها تبعات حيوية، فيلجأ الباحثون إلى مستويات أكثر صرامة ومحافظة مثل $\alpha = 0.01$ أو $\alpha = 0.001$؛ وذلك لتقليص احتمالية الأخطاء الإيجابية الكاذبة إلى أدنى حد ممكن.
في المقابل، قد يُستخدم مستوى دلالة متساهل أو استكشافي مثل $\alpha = 0.10$ في الدراسات التجريبية المبكرة والمسوح الميدانية الاستطلاعية (Pilot Studies)، حيث يكون الهدف الأساسي هو توليد الفرضيات ورصد الاتجاهات المبدئية للظاهرة دون استبعاد أي مؤشرات محتملة. يوضح الجدول أدناه المقارنة المعيارية لمستويات الدلالة المختلفة وقيم مربع كاي الحرجة المقابلة لها عند درجات حرية محددة:
| مستوى الدلالة ($\alpha$) | مستوى الثقة المقابل ($1-\alpha$) | طبيعة الاستخدام البحثي | القيمة الحرجة عند ($df=1$) | القيمة الحرجة عند ($df=4$) |
|---|---|---|---|---|
| 0.10 | 90% | دراسات استطلاعية واستكشافية | 2.706 | 7.779 |
| 0.05 | 95% | المعيار القياسي للعلوم النفسية والاجتماعية | 3.841 | 9.488 |
| 0.01 | 99% | بحوث إكلينيكية وتشخيصية صارمة | 6.635 | 13.277 |
| 0.001 | 99.9% | تجارب معملية فائقة الدقة وعلوم الوراثة السلوكية | 10.828 | 18.467 |
5.2 مفهوم الذيل العلوي والذيل السفلي في الجدول
يقترن استخدام جدول توزيع مربع كاي في غالبية الاختبارات الفئوية بمفهوم اختبار الذيل الواحد الأيمن (Upper-tail / One-tailed Test)؛ إذ يُعد اختبار مربع كاي لحسن المطابقة والاستقلالية اختباراً غير متماثل في طبيعته الاستدلالية حتى وإن كان يفحص فروقاً في اتجاهات متعددة. يرجع هذا إلى أن الصيغة الرياضية لإحصاء الاختبار تعتمد على تربيع الفروق بين التكرارات الملاحظة والتكرارات المتوقعة: $(O – E)^2$. ونظراً لأن التربيع يلغي الإشارات السالبة، فإن أي انحراف عن الفرضية الصفرية — سواء بالزيادة أو النقصان — سيؤدي بالضرورة إلى تضخيم قيمة مربع كاي المحسوبة ودفعها باتجاه الطرف الأيمن المتطرف للمنحنى، مما يجعل منطقة الرفض محصورة دائماً في الذيل العلوي.
مع ذلك، يكتسب الذيل السفلي (Lower-tail) للمنحنى أهمية قصوى في تطبيقات إحصائية نوعية؛ أبرزها بناء فترات الثقة لتباين المجتمعات الطبيعية واختبار تجانس التباينات. ففي هذه الحالات، يتطلب الاستدلال تقييم كلا الطرفين؛ حيث يُستخرج من الجدول قيمتان حرجتان: القيمة الحرجة السفلية المقابلة للمساحة المتراكمة $(1 – alpha/2)$، والقيمة الحرجة العلوية المقابلة للمساحة $(alpha/2)$. كما تُستخدم مناطق الذيل السفلي المتطرفة في الكشف عن ظاهرة “جودة المطابقة المفرطة” (Overfitting) أو تزييف البيانات؛ فإذا جاءت قيمة مربع كاي المحسوبة قريبة جداً من الصفر بحيث تقع في أقصى الذيل الأيسر (بمستوى $P > 0.99$)، فإن ذلك يثير الشبهات العلمية بأن البيانات مصطنعة ومثالية لدرجة لا يمكن حدوثها في الطبيعة التباينية الواقعية.
من الضروري للباحث التمييز الدقيق بين احتمالية رفض الفرضية الصفرية (الممثلة بالمساحة $\alpha$ تحت الذيل الأيمن) ومستوى الدلالة المحسوب فعلياً ($p$-value). فالقيمة الحرجة في الجدول تمثل “العتبة الثابتة” المقررة سلفاً، في حين تمثل القيمة الاحتمالية المحسوبة المساحة الفعلية المتبقية وراء القيمة التجريبية الناتجة عن البيانات. إن الخلط بين هذه المفاهيم أو قراءة الأعمدة بطريقة معكوسة قد يؤدي إلى قبول فرضيات زائفة كلياً أو العكس.
6. دليل خطوة بخطوة: كيفية قراءة جدول توزيع مربع كاي
6.1 تحديد المعطيات الأولية للبحث في الجدول
لضمان الاستخدام الصحيح والدقيق لجدول توزيع مربع كاي، يجب على الباحث اتباع سلسلة منهجية من الخطوات الإجرائية المحددة بدقة. تبدأ هذه العملية بتحديد المعطيات المعيارية الثلاثة الحاكمة للبحث في المصفوفة الرقمية للجدول، والتي تشمل:
- حساب درجات الحرية ($df$): يُحسب هذا المعامل بالاعتماد الصارم على بنية التصميم التجريبي؛ فإذا كان الاختبار أحادي البعد لحسن المطابقة يُطبق القانون $df = k – 1$، وإذا كان جدول توافق متقاطع يُطبق القانون $df = (r – 1)(c – 1)$.
- تحديد مستوى الدلالة المحدد مسبقاً ($\alpha$): يجب اختيار مستوى ألفا (مثل $0.05$ أو $0.01$) قبل إجراء التحليلات الميدانية والاطلاع على البيانات لتفادي التحيز البحثي.
- فحص طبيعة الجدول المتاح: يجب التأكد من الترويسة المرفقة بالجدول لتحديد ما إذا كانت أعمدته تشير إلى مساحة الذيل العلوي الأيمن ($P(\chi^2 ge \text{Value}) = \alpha$)، أم تشير إلى المساحة التراكمية اليسرى ($1 – \alpha$). فإذا كان الجدول مبنياً على المساحة التراكمية وكان المطلوب اختبار ذيل أيمن عند $\alpha = 0.05$، فإن العمود الصحيح للبحث هو $0.95$.
6.2 استخراج وتوثيق القيمة الحرجة
بمجرد اكتمال المعطيات السابقة، ينتقل الباحث إلى خطوة الاستخراج الميداني داخل الجدول باتباع التسلسل التالي:
- تحديد صف درجات الحرية: يتم النزول عمودياً في أقصى يمين أو يسار الجدول على محور $df$ حتى الوصول إلى الرقم المطابق تماماً لدرجة حرية البحث المحددة.
- تحديد عمود مستوى الدلالة: يتم التحرك أفقياً على طول الصف العلوي للجدول لتحديد العمود الذي يحمل قيمة $\alpha$ المستهدفة (مثلاً $0.05$).
- تحديد نقطة التقاطع واستخراج القيمة: يتم تتبع الصف الأفقي لدرجة الحرية والعمود الرأسي لمستوى الدلالة حتى نقطة التقائهما المباشرة؛ حيث تمثل القيمة الرقمية في تلك الخلية القيمة الحرجة لمربع كاي ($\chi^2_{\text{critical}}$).
في بعض الأحيان، يواجه الباحث دراسات ذات عينات ضخمة أو تصاميم متعددة المستويات ينتج عنها درجات حرية كبيرة (مثل $df = 47$ أو $df = 73$) غير مدرجة نصاً في الصفوف المفردة للجداول التقليدية التي تقفز عادة بالعشرات بعد الرقم 30 (مثل $30, 40, 50, 60$). في هذه الحالة، يمكن للباحث اتباع أحد مسارين منهجيين:
المسار الأول هو استخدام الاستكمال الداخلي الخطي (Linear Interpolation) لتقريب القيمة بدقة معقولة بين أقرب قيمتين مجدولتين تقع بينهما درجة الحرية المطلوبة، وفق الصيغة:
$$\chi^2_{\text{crit}} \approx \chi^2_A + \frac{df – df_A}{df_B – df_A} (\chi^2_B – \chi^2_A)$$
أما المسار الثاني، وهو الأكثر دقة وصرامة رياضية عند التعامل مع درجات حرية كبيرة تتجاوز $df = 30$، فيتمثل في استخدام تحويل ويلسون-هيلفرتي (Wilson-Hilferty Approximation) أو تقريب فيشر الذي يحول توزيع مربع كاي إلى التوزيع الطبيعي المعياري عبر المعادلة:
$$\chi^2_{\alpha, df} \approx df \left( 1 – \frac{2}{9,df} + Z_\alpha \sqrt{\frac{2}{9,df}} \right)^3$$
حيث تمثل $Z_\alpha$ القيمة الحرجة للتوزيع الطبيعي المعياري عند نفس مستوى الدلالة (مثل $1.645$ لمستوى $0.05$). تضمن هذه الإجراءات للباحث الحصول على قيم مرجعية بالغة الدقة حتى في غياب البرمجيات الحاسوبية.
7. تطبيقات جدول مربع كاي في اختبار حسن المطابقة النفسي
7.1 الإطار النظري لاختبار حسن المطابقة (Goodness of Fit)
يعد اختبار حسن المطابقة (Chi-square Goodness of Fit Test) أحد أهم التطبيقات الإحصائية التي تعتمد كلياً على جدول مربع كاي في التحليل السيكومتري والسلوكي. يهدف هذا الاختبار إلى فحص ما إذا كانت التكرارات الملاحظة التجريبية ($O_i$ – Observed Frequencies) لعينة من الأفراد تتطابق أو تختلف جوهرياً عن التكرارات المتوقعة نظرياً ($E_i$ – Expected Frequencies) المشتقة من نموذج فرضي، أو توزيع سكاني معروف، أو نظرية نفسية محددة. وتتأسس فرضيات الاختبار على النحو التالي:
- الفرضية الصفرية ($H_0$): التوزيع الفعلي للتكرارات في المجتمع يطابق تماماً التوزيع النظري المقترح (لا توجد فروق دالة إحصائياً بين التكرارات الملاحظة والمتوقعة).
- الفرضية البديلة ($H_1$): التوزيع الفعلي للتكرارات في المجتمع لا يطابق التوزيع النظري المقترح (توجد فروق دالة إحصائياً تعزى لعوامل غير الصدفة).
تتعدد التطبيقات السلوكية لهذا الاختبار؛ كاختبار مدى توافق توزيع الأنماط المزاجية الأربعة لأبقراط في عينة من المراجعين الإكلينيكيين مع النسب السائدة في عموم المجتمع، أو فحص ما إذا كانت استجابات المستجيبين على مقياس نفسي خماسي الرتب تتبع التوزيع المتساوي الموحد (Uniform Distribution) أم أنها تتجمع حول فئات معينة بما يكشف عن تحيز سلوكي أو سمة مميزة لدى مجتمع البحث.
7.2 تطبيق عملي: مقارنة القيمة المحسوبة بالجدولية
لتوضيح الآلية المتكاملة لاستخدام جدول مربع كاي في اختبار حسن المطابقة، نفترض دراسة نفسية استهدفت التحقق من مدى انتشار الأنماط المزاجية الكبرى (وفق نظرية أيزنك) لدى عينة من طلاب الجامعة المتميزين دراسياً قوامها $N = 200$ طالب. تفترض النظرية السلوكية العامة في المجتمع توزيعاً متساوياً للأنماط الأربعة (الانبساطي العصابي، الانبساطي المستقر، الانطوائي العصابي، الانطوائي المستقر) بنسبة $25%$ لكل نمط، مما يجعل التكرار المتوقع لكل نمط: $E_i = 200 \times 0.25 = 50$. أظهرت النتائج الميدانية للعينات الملاحظة التكرارات التالية:
- الانبساطي العصابي ($O_1$): 35
- الانبساطي المستقر ($O_2$): 70
- الانطوائي العصابي ($O_3$): 40
- الانطوائي المستقر ($O_4$): 55
لحساب إحصاء مربع كاي التجريبي، يتم تطبيق معادلة بيرسون الحسابية:
$$\chi^2_{\text{calc}} = \sum_{i=1}^{k} \frac{(O_i – E_i)^2}{E_i}$$
يتم تفصيل الحسابات في الجدول التحليلي التالي:
| النمط المزاجي | التكرار الملاحظ ($O$) | التكرار المتوقع ($E$) | الانحراف ($O – E$) | مربع الانحراف $(O – E)^2$ | النسبة المعيارية $(O – E)^2 / E$ |
|---|---|---|---|---|---|
| الانبساطي العصابي | 35 | 50 | -15 | 225 | 4.50 |
| الانبساطي المستقر | 70 | 50 | +20 | 400 | 8.00 |
| الانطوائي العصابي | 40 | 50 | -10 | 100 | 2.00 |
| الانطوائي المستقر | 55 | 50 | +5 | 25 | 0.50 |
| المجموع الكلي | 200 | 200 | 0 | – | $\chi^2_{\text{calc}} = 15.00$ |
بلغت القيمة المحسوبة $\chi^2_{\text{calc}} = 15.00$. للرجوع إلى جدول توزيع مربع كاي واتخاذ القرار الإحصائي:
- نحسب درجات الحرية: $df = k – 1 = 4 – 1 = 3$.
- نحدد مستوى الدلالة المعتمد سلفاً: $\alpha = 0.05$.
- بالبحث في الجدول عند تقاطع الصف $df = 3$ والعمود $\alpha = 0.05$، نجد أن القيمة الحرجة المجدولة هي: $\chi^2_{\text{crit}} = 7.815$.
وبمقارنة القيمة المحسوبة بالقيمة المجدولة، نجد أن: $\chi^2_{\text{calc}} (15.00) > \chi^2_{\text{crit}} (7.815)$. وبما أن القيمة المحسوبة تقع في منطقة الرفض في أقصى الذيل الأيمن، فإننا نرفض الفرضية الصفرية ($H_0$) ونقبل الفرضية البديلة ($H_1$) عند مستوى دلالة $p < 0.05$ (وفي الواقع $p = 0.0018$). ويُفسر ذلك سيكولوجياً بأن توزيع الأنماط المزاجية لدى الطلاب المتميزين لا يتبع التوزيع المتساوي النظري للمجتمع، حيث يظهر ميل واضح وبارز نحو نمط "الانبساطي المستقر" الذي سجل أعلى مساهمة تباينية في قيمة كاي تربيع المحسوبة.
8. تطبيقات جدول مربع كاي في اختبار الاستقلالية السلوكي
8.1 تحليل جداول التوافق (Contingency Tables)
يمثل اختبار الاستقلالية (Chi-square Test of Independence) الأداة الإحصائية الأكثر استخداماً في بحوث علم النفس الاجتماعي والعيادي؛ لفحص ما إذا كان هناك ارتباط دال إحصائياً بين متغيرين تصنيفيين اسميين أو رتبيين، أو ما إذا كان المتغيران مستقلين تماماً عن بعضهما في المجتمع الإحصائي. تتلخص صياغة الفرضيات لهذا الاختبار في:
- فرضية الاستقلالية الصفرية ($H_0$): المتغير السلوكي الأول مستقل تماماً عن المتغير السلوكي الثاني (لا يوجد اقتران أو ارتباط بين المتغيرين).
- فرضية التبعية البديلة ($H_1$): المتغير السلوكي الأول غير مستقل عن المتغير الثاني (يوجد ارتباط واقتران دال إحصائياً بين المتغيرين).
لتطبيق الاختبار، يتم تفريغ البيانات في مصفوفة توافق متقاطعة ($r \times c$). وتستند فكرة الاختبار الجوهرية إلى أنه في ظل تحقق الفرضية الصفرية (الاستقلالية التامة)، فإن الاحتمال المشترك لوقوع الملاحظة في الخلية $(i, j)$ يساوي حاصل ضرب الاحتمالين الهامشيين المستقلين للصف والعمود: $P(A_i \cap B_j) = P(A_i) \times P(B_j)$. وبناءً على هذه القاعدة الاحتمالية، يُحسب التكرار المتوقع ($E_{ij}$) لكل خلية رياضياً بالصيغة التالية:
$$E_{ij} = \frac{R_i \times C_j}{N}$$
حيث يمثل $R_i$ مجموع تكرارات الصف $i$، ويمثل $C_j$ مجموع تكرارات العمود $j$، بينما يمثل $N$ الحجم الكلي للملاحظات في الجدول بأكمله. ثم يتم حساب إحصاء كاي تربيع التراكمي لجميع خلايا الجدول عبر جمع النسب المعيارية للانحرافات.
8.2 اتخاذ القرار الإحصائي وتقدير حجم الأثر في بحوث الاستقلالية
لتجسيد التطبيق العملي، نفترض فحص العلاقة بين “مستوى التعرض لضغوط العمل” (مرتفع، منخفض) و”مستوى الاحتراق النفسي السريري” (حاضر، غائب) لدى عينة من $N = 150$ من الأخصائيين النفسيين. يمثل الجدول التالي مصفوفة التوافق التكرارية ($2 \times 2$) مع التكرارات المتوقعة بين قوسين $[E_{ij}]$:
| مستوى ضغوط العمل | احتراق نفسي: حاضر | احتراق نفسي: غائب | المجموع الهامشي للصف ($R_i$) |
|---|---|---|---|
| ضغوط مرتفعة | 45 $[26.67]$ | 15 $[33.33]$ | 60 |
| ضغوط منخفضة | 20 $[38.33]$ | 70 $[51.67]$ | 90 |
| المجموع الهامشي للعمود ($C_j$) | 65 | 85 | $N = 150$ |
بحساب قيم مربع كاي للخلايا الأربع:
- الخلية (1, 1): $\frac{(45 – 26.67)^2}{26.67} = \frac{(18.33)^2}{26.67} = 12.60$
- الخلية (1, 2): $\frac{(15 – 33.33)^2}{33.33} = \frac{(-18.33)^2}{33.33} = 10.08$
- الخلية (2, 1): $\frac{(20 – 38.33)^2}{38.33} = \frac{(-18.33)^2}{38.33} = 8.77$
- الخلية (2, 2): $\frac{(70 – 51.67)^2}{51.67} = \frac{(18.33)^2}{51.67} = 6.50$
الإحصائي المحسوب الكلي: $\chi^2_{\text{calc}} = 12.60 + 10.08 + 8.77 + 6.50 = 37.95$.
بالرجوع إلى جدول مربع كاي:
- درجات الحرية: $df = (r – 1)(c – 1) = (2 – 1)(2 – 1) = 1 \times 1 = 1$.
- عند مستوى دلالة صارم $\alpha = 0.001$، تبلغ القيمة الحرجة المجدولة: $\chi^2_{\text{crit}} = 10.828$.
بما أن $\chi^2_{\text{calc}} (37.95) > \chi^2_{\text{crit}} (10.828)$، نرفض فرضية الاستقلالية بصورة قاطعة ($p < 0.001$). ولكن بما أن الدلالة الإحصائية المجدولة تتأثر بحجم العينة الكبير، يتعين على الباحث تقييم الأهمية السلوكية عبر حساب حجم الأثر (Effect Size). في جداول $2 \times 2$، يُستخدم معامل فاي ($phi$)، بينما يُستخدم معامل كرايمر (Cramér’s V) للجداول الأكبر ($r \times c$):
$$\phi = V = \sqrt{\frac{\chi^2}{N \times \min(r-1, c-1)}} = \sqrt{\frac{37.95}{150 \times 1}} = \sqrt{0.253} = 0.503$$
يشير معامل فاي البالغ $0.503$ إلى حجم أثر قوي ومرتفع جداً وفق معايير كوهين (Cohen’s Benchmarks)، مما يقدم دليلاً إمبريقياً حاسماً على أن التعرض لضغوط العمل يرتبط ارتباطاً وثيقاً بظهور أعراض الاحتراق النفسي، وليس مجرد علاقة إحصائية هشة ناجمة عن كبر حجم العينة.
9. اتخاذ القرار الإحصائي والتعامل مع المناطق الحرجة
9.1 منطقة الرفض ومنطقة عدم الرفض للفرضية الصفرية
يقوم منطق الاستدلال الإحصائي المستند إلى جدول توزيع مربع كاي على تقسيم فضاء العينة التوزيعي إلى منطقتين متمايزتين تفصل بينهما القيمة الحرجة المجدولة بدقة رياضية: منطقة عدم الرفض (Fail-to-Reject Region) وتغطي المساحة الاحتمالية التراكمية ($1 – \alpha$)، ومنطقة الرفض أو المنطقة الحرجة (Critical / Rejection Region) وتغطي المساحة الاحتمالية الطرفية القصوى ($\alpha$) في الذيل الأيمن للمنحنى.
تتمثل القاعدة الاستدلالية الصارمة لاتخاذ القرار في الصيغة الشرطية الثنائية الآتية:
- إذا كانت $\chi^2_{\text{calc}} > \chi^2_{\text{crit}}$ (أو إذا كانت القيمة الاحتمالية $p le \alpha$): يقع الإحصاء المحسوب داخل المنطقة الحرجة، ويكون القرار المنهجي هو رفض الفرضية الصفرية ($H_0$) والاعتراف بوجود دلالة إحصائية حقيقية.
- إذا كانت $\chi^2_{\text{calc}} le \chi^2_{\text{crit}}$ (أو إذا كانت القيمة الاحتمالية $p > \alpha$): يقع الإحصاء المحسوب ضمن منطقة القبول الإحصائي، ويكون القرار هو عدم القدرة على رفض الفرضية الصفرية، معتبراً الفروق الظاهرة مجرد تذبذبات عشوائية للصدفة لا ترقى لإثبات الأثر.
مع ذلك، يجب على الباحث التمييز المنهجي الدقيق بين “الدلالة الإحصائية” المستخرجة من الجدول و”الأهمية الإكلينيكية أو العملية” (Clinical / Practical Significance). فالقيمة الحرجة في الجدول تتأثر بدرجة حساسة جداً بحجم العينة ($N$)؛ إذ إن العينات المفرطة في الضخامة قد تؤدي إلى تضخيم قيمة كاي تربيع المحسوبة وتجاوز القيمة الحرجة المجدولة بسهولة حتى في ظل فروق هامشية تافهة لا قيمة لها عملياً، في حين قد تعجز العينات شديدة الصغر عن بلوغ العتبة الحرجة رغم وجود تأثيرات جوهرية بالغة الأهمية على الصعيد التطبيقي والعيادي.
9.2 الأخطاء الإحصائية من النوع الأول والنوع الثاني وقوة الاختبار
يرتبط اختيار عمود مستوى الدلالة $\alpha$ من جدول مربع كاي مباشرة بإدارة التوازن الحرج بين نوعين رئيسيين من الأخطاء الاستدلالية:
- الخطأ من النوع الأول ($\alpha$ – Type I Error): هو رفض الفرضية الصفرية بينما هي صحيحة في الواقع (إنذار كاذب / إيجابية كاذبة). يتم ضبط هذا الخطأ مسبقاً باختيار مستوى $\alpha$ المناسب من رأس أعمدة الجدول.
- الخطأ من النوع الثاني ($\beta$ – Type II Error): هو الفشل في رفض الفرضية الصفرية بينما هي خاطئة في الواقع وتوجد تأثيرات حقيقية في المجتمع (سلبية كاذبة).
تخضع العلاقة بين هذين الخطأين لطبيعة مقايضة عكسية (Trade-off) تتجلى بوضوح عند التنقل بين أعمدة الجدول؛ فإذا قرر الباحث تقليص الخطأ من النوع الأول عبر الانتقال من العمود $\alpha = 0.05$ إلى العمود الصارم جداً $\alpha = 0.001$، فإن القيمة الحرجة المجدولة ترتفع بصورة حادة (مثلاً من $3.841$ إلى $10.828$ عند $df=1$). هذا الارتفاع يجعل منطقة الرفض ضيقة للغاية ويصعب الوصول إليها، مما يترتب عليه بالضرورة ارتفاع احتمالية ارتكاب الخطأ من النوع الثاني ($\beta$) وانخفاض قوة الاختبار الإحصائي (Statistical Power = $1 – \beta$)، أي قدرة الاختبار على رصد التأثيرات الواقعية الموجودة بالفعل.
للتغلب على هذه المعضلة عند إجراء مقارنات فئوية متعددة (Multiple Contingency Comparisons) باستخدام الجدول نفسه، يتعين على الباحثين استخدام استراتيجيات الضبط الإحصائي الحديثة؛ مثل تصحيح بونفيروني (Bonferroni Correction) الذي يقسم مستوى الدلالة الأصلي على عدد المقارنات المنجزة ($\alpha_{\text{adjusted}} = \alpha / k$) قبل استخراج القيمة الحرجة من الجدول، أو استخدام إجراءات التحكم بمعدل الاكتشاف الكاذب (False Discovery Rate – FDR) لتفادي تضخم أخطاء النوع الأول الإجمالية عبر منظومة التحليلات.
10. استخدام جدول مربع كاي لتقدير تباين المجتمعات النفسية
10.1 فترات الثقة لتباين مجتمع أحادي
على خلاف التصور الشائع الذي يقصر استخدام جدول توزيع مربع كاي على البيانات التكرارية الاسمية، يمتلك هذا الجدول تطبيقاً بارمترياً متقدماً وفائق الأهمية في مجال القياس النفسي والتربوي؛ يتمثل في تقدير فترات الثقة لمعلمة تباين المجتمع ($\sigma^2$) أو انحرافه المعياري ($\sigma$) لمتغير متصل يتبع التوزيع الطبيعي. تبرز أهمية هذا التطبيق عند الرغبة في تقييم مدى استقرار وتشتت درجات الاختبارات النفسية المقننة، أو فحص دقة أدوات القياس السلوكي وموثوقيتها عبر الزمن.
تُشتق فترة الثقة ذات الاتجاهين لمستوى ثقة يبلغ $(1 – \alpha)$ استناداً إلى حقيقة أن المتغير الإحصائي: $\frac{(n – 1) s^2}{\sigma^2}$ يتبع توزيع مربع كاي بدرجة حرية $df = n – 1$، حيث يمثل $s^2$ تباين العينة المقدر، ويمثل $n$ حجم العينة. وتأخذ الصيغة الرياضية لفترة الثقة المزدوجة الشكل التالي:
$$\frac{(n – 1) s^2}{\chi^2_{alpha/2, , n-1}} le \sigma^2 le \frac{(n – 1) s^2}{\chi^2_{1 – alpha/2, , n-1}}$$
يتطلب حساب هذه الفترة استخراج قيمتين حرجتين مختلفتين تماماً من جدول مربع كاي لنفس درجة الحرية $df = n – 1$:
- القيمة الحرجة العلوية ($\chi^2_{alpha/2}$): وتُستخرج من العمود المقابل للمساحة في أقصى الذيل الأيمن (مثلاً عمود $0.025$ لفترة ثقة $95%$). وتوضع هذه القيمة الكبيرة في مقام الحد الأدنى لفترة الثقة لتصغير الناتج.
- القيمة الحرجة السفلية ($\chi^2_{1 – alpha/2}$): وتُستخرج من العمود المقابل للمساحة التراكمية المتبقية في أقصى الذيل الأيسر (مثلاً عمود $0.975$ لفترة ثقة $95%$). وتوضع هذه القيمة الصغيرة في مقام الحد الأعلى لتكبير الناتج.
يقدم الجدول التالي مثالاً لقيم مربع كاي الطرفية المستخدمة في بناء فترات الثقة لتباين المجتمع عند مستوى ثقة $95%$ ($\alpha = 0.05$) لمجموعة من أحجام العينات:
| حجم العينة ($n$) | درجة الحرية ($df = n-1$) | القيمة الحرجة السفلية ($\chi^2_{0.975}$) | القيمة الحرجة العلوية ($\chi^2_{0.025}$) |
|---|---|---|---|
| 10 | 9 | 2.700 | 19.023 |
| 15 | 14 | 5.629 | 26.119 |
| 20 | 19 | 8.907 | 32.852 |
| 25 | 24 | 12.401 | 39.364 |
| 30 | 29 | 16.047 | 45.722 |
10.2 اختبار الفرضيات حول تباين المجتمع السلوكي
إلى جانب فترات الثقة، يُستخدم جدول مربع كاي في اختبار الفرضيات الإحصائية حول تباين المجتمع (One-Sample Hypothesis Test for Variance) لمقارنة تشتت عينة سلوكية جديدة بمعيار تشتت مرجعي مقنن وثابت ($\sigma_0^2$). تتأسس هذه الفرضيات في الصيغة:
- $H_0: \sigma^2 = \sigma_0^2$ (تباين المجتمع يطابق التباين المعياري المستهدف).
- $H_1: \sigma^2 \neq \sigma_0^2$ (أو $\sigma^2 > \sigma_0^2$ للاختبار أحادي الطرف).
يُحسب إحصاء الاختبار الفعلي بالمعادلة:
$$\chi^2_{\text{calc}} = \frac{(n – 1) s^2}{\sigma_0^2}$$
ثم تتم مقارنة القيمة الناتجة بالقيمة الحرجة المستخرجة من الجدول عند درجة حرية $df = n – 1$. مع ذلك، يفرض هذا الاختبار شرطاً منهجياً صارماً للغاية يتفوق في حساسيته على اختبارات المتوسطات (مثل اختبار $t$)؛ إذ يشترط أن تكون البيانات الأصلية للمجتمع تتبع التوزيع الطبيعي التام بدقة متناهية. وفي حال انتهاك فرضية التوزيع الطبيعي ولو بدرجة طفيفة، فإن قيم جدول مربع كاي تفقد صلاحيتها الاستدلالية بسرعة وتصبح معدلات الخطأ المرتكبة مشوهة، مما يستوجب في تلك الحالات غير المعلمية اللجوء إلى اختبارات بديلة أكثر متانة مثل اختبار ليفين (Levene’s Test) أو اختبار براون-فورسيز (Brown-Forsythe Test).
11. الافتراضات والقيود المنهجية لاستخدام جدول مربع كاي
11.1 الشروط الإحصائية الواجب استيفاؤها لضمان صحة نتائج الجدول
لكي تكون المقارنة الاستدلالية بين القيمة المحسوبة والقيمة الحرجة المستخرجة من جدول توزيع مربع كاي مقارنة علمية صحيحة وذات موثوقية، يجب على الباحث التحقق الصارم من استيفاء مجموعة من الشروط والافتراضات الإحصائية المسبقة في بيانات دراسته، وتتلخص هذه الافتراضات في:
- عشوائية واستقلالية الملاحظات (Randomness and Independence): يجب جمع بيانات العينة بطريقة عشوائية ممثلة، وأن تكون كل ملاحظة تكرارية مستقلة استقلالاً تاماً عن الملاحظات الأخرى. لا يجوز إدراج نفس المستجيب أو المفحوص في أكثر من خلية تصنيفية واحدة، كما لا يصلح الاختبار لتصاميم القياسات المتكررة (Repeated Measures) في صورته البسيطة.
- طبيعة البيانات الفئوية المنفصلة: يجب أن تكون البيانات المعالجة بيانات تكرارية خام تمثل عدد الأفراد أو الحالات الفعلية، ولا يجوز إدخال النسب المئوية، أو المتوسطات الحسابية، أو الدرجات الموزونة في معادلة كاي تربيع.
- كفاية حجم التكرارات المتوقعة (قاعدة كوشران – Cochran’s Rule): نظراً لأن توزيع مربع كاي هو توزيع احتمالي رياضي متصل، بينما التكرارات الفعلية منفصلة، فإن التقارب الرياضي بينهما يشترط ألا يقل التكرار المتوقع ($E$) في أي خلية عن 5 في جداول $2 \times 2$. أما في الجداول التوافقية الأكبر ($r \times c$)، فيُشترط ألا يقل التكرار المتوقع في $80%$ على الأقل من الخلايا عن 5، مع عدم وجود أي خلية يقل تكرارها المتوقع عن 1 مطلقاً.
11.2 البدائل الإحصائية عند انتهاك شروط الجدول
في الحالات الميدانية التي تتعرض فيها افتراضات كاي تربيع للانتهاك المنهجي، تبرز مجموعة من البدائل التصحيحية والمعالجات الرياضية لضمان سلامة الاستدلال دون الاعتماد الأعمى على القيم المجدولة التقليدية:
1. تصحيح ييتس للاستمرارية (Yates’ Continuity Correction): يُطبق في جداول التوافق الصغير ($2 \times 2$) لتقليص الخطأ الناجم عن تقريب التوزيع المنفصل إلى منحنى مربع كاي المتصل، وتتمثل الآلية في طرح القيمة الثابتة ($0.5$) من القيمة المطلقة للفارق بين التكرار الملاحظ والمتوقع في كل خلية قبل التربيع، وفق الصيغة:
$$\chi^2_{\text{Yates}} = \sum \frac{(|O – E| – 0.5)^2}{E}$$
2. اختبار فيشر الدقيق (Fisher’s Exact Test): يُعد البديل الذهبي المطلق لجدول مربع كاي عند التعامل مع العينات الإكلينيكية الصغيرة جداً أو الجداول التي تتضمن خلايا ذات تكرارات متوقعة متدنية ($E < 5$). لا يعتمد هذا الاختبار على جدول مربع كاي التقريبي، بل يحسب الاحتمال التوافقي الدقيق ($p$-value) مباشرة من التوزيع فوق الهندسي (Hypergeometric Distribution) بالمعادلة:
$$P = \frac{(a+b)! , (c+d)! , (a+c)! , (b+d)!}{a! , b! , c! , d! , N!}$$
3. أساليب إعادة التعيين والتحفيز الذاتي (Bootstrapping & Monte Carlo Simulation): تمثل التوجه الإحصائي المعاصر للتعامل مع البيانات التي تنتهك الافتراضات؛ حيث تقوم البرمجيات بتوليد آلاف العينات العشوائية المحاكاة من البيانات الفعلية لإنشاء توزيع تجريبي خاص للبيانات والاستغناء تماماً عن القيم التقريبية للجداول الورقية التقليدية.
12. الجداول الورقية لمربع كاي مقابل البرمجيات الإحصائية المعاصرة
12.1 مقارنة الجدول التقليدي بمخرجات الحزم الإحصائية (SPSS, R, JASP)
مع الثورة الرقمية المعاصرة وتطور الحزم البرمجية الإحصائية المتطورة مثل SPSS و R و JASP، طرأ تحول جوهري على الممارسة الإحصائية الميدانية؛ إذ انتقل التركيز من البحث اليدوي في جداول التوزيعات إلى قراءة وتفسير المخرجات الرقمية الدقيقة التي تولدها البرمجيات في أجزاء من الثانية.
تتمثل الميزة الكبرى للحزم الإحصائية الرقمية في قدرتها على حساب القيمة الاحتمالية الدقيقة (Exact $P$-value / Asymptotic Significance) ممتدة إلى عدة منازل عشرية (مثل $p = 0.0342$)، بدلاً من أسلوب المقارنة الثنائية المغلقة الذي تفرضه الجداول الورقية الثابتة التي تحصر الباحث في نطاقات محددة سلفاً (مثل $p 0.05$). ومع ذلك، يظل جدول توزيع مربع كاي الورقي محتفظاً بقيمة بيداغوجية ومنهجية لا غنى عنها؛ فهو الأداة التعليمية الأولى التي تبني الحس الإحصائي السليم لدى الباحث، وتمكنه من الفهم العميق لكيفية بناء القرارات الاستدلالية والتفاعل المتبادل بين حجم العينة، ودرجات الحرية، ومستويات الشك المعياري.
يقدم الجدول التالي مقارنة تحليلية توضح الفروق الجوهرية بين التعامل المباشر مع جدول مربع كاي الورقي والمخرجات الحاسوبية الحديثة:
| وجه المقارنة | جدول توزيع مربع كاي التقليدي | مخرجات البرمجيات الحديثة (SPSS, R, JASP) |
|---|---|---|
| طبيعة المخرج الاحتمالي | قيم حرجة ثابتة عند مستويات دلالة مقننة مسبقاً | قيمة احتمالية دقيقة متصلة ($Exact ; p\text{-value}$) |
| التعامل مع درجات الحرية الكبيرة | يتطلب إجراء تقريبات واستكمالات خطية يدوية | حساب عددي فوري ولحظي لأي درجة حرية مهما بلغت |
| التحقق من شروط العينة | يتطلب فحصاً يدوياً مجهداً لتكرارات كل خلية متوقعة | تنبيهات آلية فورية لنسبة الخلايا التي يقل تكرارها عن 5 |
| القيمة البيداغوجية والتعليمية | فائقة جداً في بناء الفهم المفاهيمي والإدراك الرياضي | قد تؤدي إلى التطبيق الآلي الميكانيكي دون استيعاب نظري |
| حساب مؤشرات حجم الأثر | يتطلب حسابات يدوية منفصلة لمعاملات فاي وكرايمر | توليد متزامن لجميع معاملات الارتباط وحجوم الأثر وفترات ثقتها |
12.2 أفضل الممارسات للتوثيق الأكاديمي لنتائج مربع كاي وفق دليل APA
تقتضي الرصانة الأكاديمية توثيق نتائج اختبارات مربع كاي المستندة إلى القيم المجدولة أو البرمجية بأسلوب علمي معياري موحد. وتحدد الجمعية الأمريكية لعلم النفس في دليلها التحريري السابع (APA 7th Edition) قواعد كتابية ملزمة ينبغي للباحث الالتزام بها عند تدوين النتائج في المتن البحثي، وتتمثل في تضمين العناصر الأربعة الأساسية التالية بالترتيب الصارم:
- الرمز المائل لإحصاء الاختبار: $\chi^2$.
- درجات الحرية ($df$) بين قوسين، متبوعة بحجم العينة الكلي الملاحظ ($N$).
- القيمة الإحصائية المحسوبة لمربع كاي مقربة إلى منزلتين عشريتين.
- مستوى الدلالة الفعلي المحسوب بدقة ($p$-value)، متبوعاً بحجم الأثر المناسب (معامل كرايمر $V$ أو معامل فاي $phi$).
أمثلة لصيغ التوثيق القياسي المعتمد (APA 7th):
- في حالة وجود دلالة إحصائية في جداول التوافق:
“أظهرت النتائج وجود علاقة ارتباطية دالة إحصائياً بين مستوى التعرض للضغوط ونمط الاستجابة السلوكية، $\chi^2(2, N = 150) = 14.85, p = .001, V = .31$.” - في حالة عدم وجود دلالة إحصائية:
“أشارت التحليلات إلى عدم وجود فروق ذات دلالة إحصائية في تفضيل البرامج الإرشادية عبر الفئات العمرية المختلفة، $\chi^2(3, N = 200) = 4.12, p = .249, V = .08$.” - في حالة اختبار حسن المطابقة أحادي البعد:
“أشارت نتائج اختبار حسن المطابقة إلى أن توزيع الاستجابات اختلف جوهرياً عن التوزيع النظري المفترض، $\chi^2(3, N = 120) = 11.20, p = .011$.”
كما يُستحسن في الأبحاث النفسية المعمقة إرفاق جداول التوافق الكاملة التي تعرض التكرارات الملاحظة جنباً إلى جنب مع التكرارات المتوقعة، ونسب الانحراف المعياري المصحح لكل خلية (Adjusted Standardized Residuals)؛ إذ يساعد ذلك القارئ والباحث على تحديد الخلايا المسؤولة تحديداً عن الدلالة الإحصائية الإجمالية المتحققة في جدول كاي تربيع.
خاتمة
يظل جدول توزيع مربع كاي أحد أعظم الابتكارات المعيارية في تاريخ الإحصاء الاستدلالي والقياس النفسي والاجتماعي. فمنذ اللحظة التي وضع فيها كارل بيرسون أسسه النظرية الأولى قبل أكثر من قرن من الزمان، أثبت هذا الجدول قدرته الفائقة على تلبية الاحتياجات التحليلية للباحثين عبر مختلف التخصصات العلمية، محولاً البيانات التكرارية والمشاهدات الفئوية المنفصلة من مجرد أرقام وصفية إلى قرارات استدلالية علمية تحكمها قوانين الاحتمال الصارمة.
إن الاستخدام الرشيد والفعال لجدول مربع كاي يتطلب من الباحث فهماً عميقاً يتجاوز مجرد مقاطعة الأرقام بين الصفوف والأعمدة؛ إذ يقتضي استيعاباً كاملاً للأسس الرياضية للتوزيع، ودراية دقيقة بمفهوم درجات الحرية وتأثيرها على شكل المنحنى التوزيعي، وإدراكاً واعياً للمفاضلة بين مستويات الدلالة والأخطاء الإحصائية من النوعين الأول والثاني. كما يفرض الالتزام الصارم بالتحقق من استيفاء الافتراضات المنهجية، وعلى رأسها كفاية التكرارات المتوقعة واستقلالية المشاهدات، مع التسلح بالبدائل الإحصائية المناسبة كاختبار فيشر وتصحيحات الاستمرارية عند انتهاك تلك الشروط.
ومع التحول الشامل نحو البرمجيات الإحصائية الرقمية، يبقى جدول مربع كاي حجر الزاوية البيداغوجي الذي لا غنى عنه لأي باحث يسعى لبناء حس إحصائي متين وتفكير نقدي رصين. إن استيعاب هذا الجدول هو السبيل لضمان تفسير مخرجات البرمجيات الحديثة بدقة، وتوثيق النتائج وفق المعايير الأكاديمية الرصينة، والارتقاء بجودة البحوث التجريبية والعيادية لتكون قادرة على تقديم إسهامات علمية موثوقة تسهم في فهم أعمق للسلوك الإنساني والظواهر المجتمعية المعقدة.
References
- Agresti, A. (2013). Categorical Data Analysis (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/Categorical+Data+Analysis%2C+3rd+Edition-p-9780470463635
- 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. (1952). The $\chi^2$ test of goodness of fit. The Annals of Mathematical Statistics, 23(3), 315–345. https://doi.org/10.1214/aoms/1177729380
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
- Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications. https://uk.sagepub.com/en-gb/eur/discovering-statistics-using-ibm-spss-statistics/book255948
- 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
- Howell, D. C. (2013). Statistical Methods for Psychology (8th ed.). Cengage Learning. https://www.cengage.com/c/statistical-methods-for-psychology-8e-howell
- 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. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 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. https://www.mheducation.com
- Wilson, E. B., & Hilferty, M. M. (1931). The distribution of chi-square. Proceedings of the National Academy of Sciences, 17(12), 684–688. https://doi.org/10.1073/pnas.17.12.684
- 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