اختبار كاي تربيع لحسن المطابقة: الاستخدامات والأمثلة

يحتل التحليل الإحصائي للبيانات الفئوية (Categorical Data Analysis) مكانة مركزية في بنية البحث العلمي المعاصر، لا سيما في حقول العلوم السلوكية والاجتماعية والقياس النفسي، حيث تتعامل الظواهر الإنسانية في كثير من تجلياتها مع تصنيفات نوعية ورتبية لا تخضع بالضرورة للمقاييس الفترية أو النسبية المستمرة. وفي هذا السياق المعرفي، يبرز اختبار كاي تربيع لحسن المطابقة (Chi-Square Goodness of Fit Test) كواحد من أقدم الأدوات الإحصائية اللامعلمية وأكثرها رسوخاً وأوسعها تطبيقاً؛ إذ يوفر إطاراً استدلالياً صارماً لتقييم مدى مطابقة التوزيع التكراري التجريبي المرصود في عينة دراسية مع توزيع نظري مفترض مسبقاً يستند إلى نظرية علمية، أو نموذج رياضي احتمالي، أو معايير وبائية وسكانية محددة سلفاً.

تكمن الأهمية الجوهرية لهذا الاختبار في قدرته الفريدة على الإجابة عن التساؤل المنهجي الحاسم: هل تمثل الفروق الملاحظة بين ما تم رصده فعلياً على أرض الواقع الميداني وما كان متوقعاً حدوثه نظرياً مجرد تباينات عشوائية ناتجة عن أخطاء المعاينة (Sampling Error)، أم أنها تعكس انحرافاً حقيقياً ذا دلالة إحصائية يقتضي إعادة النظر في الفرضيات البحثية والنماذج التفسيرية القائمة؟ إن الإجابة الدقيقة عن هذا السؤال تمثل حجر الزاوية في التحقق من تمثيل العينات العيادية، واختبار فرضيات العدالة والمساواة في التفضيلات السلوكية، والتثبت من تماسك البنى التصنيفية في المقاييس النفسية والتشخيصية كالدليل التشخيصي والإحصائي للاضطرابات النفسية.

يقدم هذا المرجع الأكاديمي الشامل دليلاً تأصيلياً وتطبيقياً متكاملاً لاختبار كاي تربيع لحسن المطابقة، متناولاً أصوله التاريخية وأسسه الرياضية العميقة، وشروطه المنهجية الصارمة، مروراً بكيفية صياغة فرضياته واختبار التوزيعات الاحتمالية الكلاسيكية، وتطبيقاته السريرية المعمقة، وصولاً إلى حل أمثلة واقعية خطوة بخطوة، وإجراء المعالجات الإحصائية المتقدمة عبر حزم IBM SPSS ولغة R الإحصائية، وحساب حجوم التأثير وفترات الثقة، والتعامل المنهجي الرصين مع انتهاكات الافتراضات، وانتهاءً بقواعد التوثيق الأكاديمي وفق أحدث معايير الجمعية الأمريكية لعلم النفس (APA 7th Edition).

1. مقدمة تأصيلية لاختبار كاي تربيع لحسن المطابقة (Chi-Square Goodness of Fit Test)

1.1 المفهوم الإحصائي والنشأة التاريخية للاختبار

يُعرَّف اختبار كاي تربيع لحسن المطابقة في الأدبيات الإحصائية الكلاسيكية والمعاصرة بأنه اختبار استدلالي لا معلَمي (Non-parametric Test) أحادي المتغير، يُستخدم لتقرير ما إذا كانت التكرارات الملاحظة في فئات متمايزة لمتغير نوعي تتفق مع التكرارات المتوقعة بموجب نموذج احتمالي محدد أو فرضية نظرية معينة. على عكس الاختبارات المعلَمية (Parametric Tests) التي تتطلب افتراضات صارمة حول طبيعة التوزيع المجتمعي مثل التوزيع الطبيعي وتجانس التباين، يتعامل اختبار حسن المطابقة مباشرة مع البيانات التكرارية (Frequencies/Counts)، مما يجعله أداة مرنة وفائقة القوة لتحليل البيانات الفئوية الاسمية (Nominal) والرتبية (Ordinal).

تعود النشأة التاريخية لهذا الاختبار إلى مطلع القرن العشرين، وتحديداً إلى عام 1900، عندما نشر العالم البريطاني الفذ كارل بيرسون (Karl Pearson) ورقته البحثية التأسيسية الرائدة في المجلة الفلسفية (Philosophical Magazine). مثلت ورقة بيرسون ثورة معرفية ومنهجية كبرى في علم الإحصاء الحيوي والاستدلال العلمي، حيث قدمت إحصاءة $X^2$ كأول مقياس كمي دقيق يتيح للباحثين اختبار مدى ملاءمة منحنى احتمالي أو نموذج رياضي للبيانات المشاهدة، متجاوزاً بذلك المقارنات الحدسية والذاتية التي كانت سائدة آنذاك.

يرتكز الاختبار على مبدأ جوهري بسيط في صياغته وعميق في آثاره: مقارنة الفروق بين التكرارات المشاهدة ($O$ أو Observed) والتكرارات المتوقعة ($E$ أو Expected) عبر جميع الفئات الممكنة للمتغير. وتتعدد مجالات توظيف هذا الاختبار في العلوم السلوكية والإنسانية؛ إذ يُستخدم في دراسات تفضيل المستهلك، وسوسيولوجيا التصويت الانتخابي، وتوزيع السمات النفسية، والعدالة التوزيعية في الأنظمة الاجتماعية، فضلاً عن تقييم عشوائية الاستجابة في الاختبارات المقننة.

1.2 أهمية الاختبار في القياس والتقويم النفسي

في ميدان القياس النفسي والتقويم التربوي، يضطلع اختبار كاي تربيع لحسن المطابقة بوظائف استراتيجية تتعلق بضبط جودة الأدوات التشخيصية والتحقق من صدق البناء المفاهيمي. عند تطوير المقاييس النفسية القائمة على الاختيار من متعدد أو مقاييس ليكرت متعددة النقاط، يفترض الباحثون في كثير من الأحيان أن بدائل الإجابة الخاطئة (Distractors) أو خيارات الاستجابة السلوكية يجب أن تجتذب المفحوصين بدرجات متكافئة إذا لم تكن هناك معرفة مسبقة أو تحيز نمطي، ويمثل اختبار حسن المطابقة الوسيلة الإحصائية المعيارية للتحقق من فاعلية المشتتات وتوزيع الاستجابات الفئوية للسمات النفسية المقاسة.

علاوة على ذلك، يُسهم الاختبار في مطابقة استجابات الأفراد على مقاييس الشخصية مثل مقياس العوامل الخمسة الكبرى للشخصية (Big Five) أو استخبار مايرز-بريجز للأنماط (MBTI) مع النماذج النظرية المؤسسة لتلك المقاييس. فإذا كانت النظرية تفترض أن النمط الانبساطي يمثل نسبة محددة في المجتمع العام، فإن الاختبار يتيح فحص ما إذا كانت العينة المسحوبة تمثل هذا النموذج النظري تمثيلاً حقيقياً أم تعاني من انزياحات ناتجة عن انحياز الاختيار (Selection Bias).

كما يبرز دور الاختبار في فحص صلاحية العينات العيادية السريرية ومطابقتها لخصائص المجتمع الإحصائي المستهدف؛ إذ يتعين على الباحث الإكلينيكي التأكد من أن توزيع درجات الاكتئاب أو القلق في عينة البحث يعكس بالفعل التوزيع الوبائي المعروف للاضطراب، وليس نتاج خلل في إجراءات استقطاب المشاركين بالمشافي والمراكز العلاجية.

1.3 الفروق الجوهرية بين حسن المطابقة واختبار كاي تربيع للاستقلالية

على الرغم من اشتراك اختبار كاي تربيع لحسن المطابقة (Goodness of Fit) واختبار كاي تربيع للاستقلالية (Chi-Square Test of Independence) في الاعتماد على نفس البنية الرياضية لإحصاءة كاي تربيع، إلا أن هناك فروقاً منهجية وبنيوية جوهرية تفصل بينهما بشكل قاطع، ويوضح التحليل الإبستمولوجي للبيانات هذه الفروق في ثلاثة محاور رئيسية:

• طبيعة المتغيرات المدروسة: يختبر حسن المطابقة متغيراً فئوياً واحداً (Single Categorical Variable) مقسماً إلى $k$ من المستويات أو الفئات، في حين يدرس اختبار الاستقلالية العلاقة والارتباط الترافقي بين متغيرين فئويين مستقلين (Two Categorical Variables) لبيان ما إذا كانت مستويات أحدهما ترتبط بمستويات الآخر.
• بنية جدول البيانات: يعتمد اختبار حسن المطابقة على مصفوفة بيانات أحادية البعد ذات صف واحد وأعمدة متعددة أو العكس ($1 times k$)، بينما يتطلب اختبار الاستقلالية تنظيم البيانات في جداول توافق متقاطعة ثنائية البعد ($r times c$ Contingency Tables) حيث يمثل $r$ عدد صفوف المتغير الأول و $c$ عدد أعمدة المتغير الثاني.
• طبيعة الأسئلة البحثية والفرضيات: يتساءل اختبار حسن المطابقة: “هل يتطابق التوزيع الملاحظ لمتغير منفرد مع توزيع محدد نظرياً؟”، وتكون الفرضية الصفرية معنية بنسب المجتمع لفئات المتغير. في المقابل، يتساءل اختبار الاستقلالية: “هل المتغير $A$ مستقل تماماً عن المتغير $B$؟”، وتكون فرضيته الصفرية معنية بغياب الارتباط التوزيعي الشرطي بين المتغيرين.

2. الأسس النظرية والرياضية لاختبار حسن المطابقة

2.1 المعادلة الرياضية العامة ودلالة رموزها

تستند إحصاءة كاي تربيع لحسن المطابقة التي صاغها كارل بيرسون إلى قياس المجموع الموزون لمربعات الانحرافات النسبية بين التكرارات الملاحظة تجريبياً والتكرارات المتوقعة نظرياً عبر كافة فئات المتغير قيد الدراسة. وتُكتب الصيغة الرياضية الكلاسيكية للاختبار على النحو التالي:

$$\chi^2 = \sum_{i=1}^{k} \frac{(O_i – E_i)^2}{E_i}$$

حيث تمثل الرموز الإحصائية المكونات التالية بدقة رياضية:

• $\chi^2$ (كاي تربيع): القيمة الإحصائية المحسوبة التي تعبر عن مقدار التباعد الإجمالي بين البيانات الملاحظة والنموذج النظري.
• $k$: إجمالي عدد الفئات أو المستويات الحصرية للمتغير الفئوي الأحادي.
• $O_i$ (Observed Frequency): التكرار المشاهد الفعلي في الفئة رقم $i$.
• $E_i$ (Expected Frequency): التكرار المتوقع نظرياً حدوثه في الفئة رقم $i$ بموجب صحة الفرضية الصفرية.
• $\sum_{i=1}^{k}$: رمز المجموع الرياضي الذي يقتضي جمع نواتج القسمة لجميع الفئات من الفئة الأولى وحتى الفئة $k$.

يكتسي إجراء التربيع في البسط $(O_i – E_i)^2$ أهمية رياضية قصوى؛ فلو تم جمع الفروق الخام $(O_i – E_i)$ مباشرة، لتلاشت القيمة الإجمالية وأصبحت صفراً حتمياً، نظراً لأن مجموع الانحرافات الموجبة يلغي دائماً مجموع الانحرافات السالبة ($\sum O_i = \sum E_i = N$). يؤدي التربيع وظيفتين حاسمتين: أولاً، تحويل كافة الفروق إلى قيم موجبة مطلقة تمنع التلاشي الحسابي؛ وثانياً، تضخيم الانحرافات الكبيرة نسبياً بما يمنح الفجوات الواسعة بين المشاهد والمتوقع وزناً أكبر في الإحصاءة النهائية. أما القسمة على $E_i$ في المقام، فتعمل كمعامل تقييس معياري (Scaling Factor) يجعل الانحراف نسبياً إلى حجم التكرار المتوقع نفسه؛ فالانحراف بمقدار 10 تكرارات عندما يكون المتوقع 20 يمثل تبايناً جسيماً، بينما الانحراف بنفس المقدار (10) عندما يكون المتوقع 1000 لا يعدو كونه تذبذباً طفيفاً.

2.2 طرق حساب التكرارات المتوقعة (Expected Frequencies)

يمثل حساب التكرارات المتوقعة ($E_i$) الخطوة المركزية في بناء الاختبار؛ وتعتمد طريقة الحساب كلياً على طبيعة الفرضية الصفرية المصوغة والنموذج النظري المعتمد. يمكن تصنيف طرق استخراج التكرار المتوقع إلى مسارين رئيسيين:

أولاً: التكرار المتوقع في فرضية التساوي التام (Equal Proportions / Uniformity):
عندما تفترض الفرضية الصفرية أن جميع الفئات الـ $k$ متكافئة في احتمالية الحدوث والانتشار السلوكي، فإن الاحتمال النظري لكل فئة يكون $p_i = \frac{1}{k}$. وعليه، يُحسب التكرار المتوقع بقسمة حجم العينة الإجمالي ($N$) على عدد الفئات ($k$):

$$E_i = \frac{N}{k} = N \times p_i$$

ثانياً: التكرار المتوقع في فرضية النسب المخصصة أو المعيارية (Specified / Theoretical Proportions):
عندما يستند الباحث إلى نسب تاريخية، أو معايير وبائية، أو أطر وراثية وسيكولوجية تفترض احتمالات متفاوتة لكل فئة ($\sum p_i = 1.0$)، يُحسب التكرار المتوقع بضرب حجم العينة الكلي في الاحتمال النظري المحدد للفئة المعنية:

$$E_i = N \times p_i$$

ويشترط دائماً للتحقق من سلامة الحسابات الرياضية أن يتطابق المجموع الجبري للتكرارات المتوقعة تطابقاً تاماً مع المجموع الجبري للتكرارات المشاهدة ومع حجم العينة الكلي، أي أن:

$$\sum_{i=1}^{k} E_i = \sum_{i=1}^{k} O_i = N$$

2.3 درجات الحرية (Degrees of Freedom) وتوزيع كاي تربيع الاحتمالي

تُعرَّف درجات الحرية ($df$) في اختبارات حسن المطابقة بأنها عدد القيم أو الفئات التي تمتلك حرية التغير العشوائي بعد تثبيت المعالم الإحصائية الإجمالية. في النموذج الأحادي القياسي الذي لا يتطلب تقدير معالم مجتمعية مجهولة من بيانات العينة، تُحسب درجات الحرية بالمعادلة البسيطة:

$$df = k – 1$$

يرجع سبب طرح القيمة (1) إلى القيد الرياضي الخطي الحاكم لحجم العينة؛ فبمجرد معرفة التكرارات في ($k – 1$) من الفئات، ومعرفة الحجم الكلي للعينة ($N$)، فإن تكرار الفئة الأخيرة يصبح محدداً حتمياً ولا يمتلك أي حرية في التغير. أما في الحالات المتقدمة التي يتم فيها تقدير$m$ من المعالم المجتمعية من بيانات العينة ذاتها لمطابقة توزيعات معينة (مثل تقدير المتوسط الحسابي والانحراف المعياري لاختبار التوزيع الطبيعي)، فإن درجات الحرية تُعدَّل لتصبح: $df = k – 1 – m$.

يتميز التوزيع الاحتمالي لـ $\chi^2$ بأنه توزيع متصل وموجب دائماً (يمتد من الصفر إلى اللانهاية الموجبة)، ويتسم بالتواء موجب شديد (Positively Skewed) عند انخفاض درجات الحرية ($df = 1, 2$). ومع تزايد درجات الحرية، يتناقص الالتواء تدريجياً ويقترب المنحنى باطراد من التماثل والتطابق مع التوزيع الطبيعي بموجب نظرية النهاية المركزية (Central Limit Theorem). تُستخرج القيمة الحرجة ($\chi^2_{\text{critical}}$) من الجداول الإحصائية المرجعية بالاعتماد على درجات الحرية المحددة ومستوى الدلالة الألفي ($\alpha$) المختار.

3. الافتراضات والشروط المنهجية لتطبيق الاختبار

3.1 طبيعة البيانات ومستوى القياس المطلوب

يتطلب التطبيق المنهجي السليم لاختبار كاي تربيع لحسن المطابقة توافر شروط محددة في البنية القياسية للبيانات. يقع في صدارة هذه الشروط أن تكون البيانات المقاسة بيانات تكرارية خام (Counts or Frequencies) تُمثل أعداد الأفراد أو الأحداث الواقعة ضمن فئات نوعية محددة. لا يجوز بحال من الأحوال استخدام النسب المئوية، أو المتوسطات الحسابية، أو الدرجات المعيارية المحولة كمدخلات مباشرة في معادلة الاختبار، نظراً لأن ذلك يدمر الافتراضات الرياضية التي بُنيت عليها دالة كاي تربيع الاحتمالية.

يجب أن يكون المتغير الفئوي خاضعاً لمستوى القياس الاسمي (Nominal Scale) كأنماط الشخصية، والنوع الاجتماعي، والتشخيص الإكلينيكي؛ أو لمستوى القياس الرتبي (Ordinal Scale) كمستويات شدة القلق (بسيط، متوسط، شديد). وفي الحالات التي تُجمع فيها بيانات مستمرة (Continuous Data) كدرجات الذكاء أو درجات مقاييس الاكتئاب المتصلة، يمكن توظيف الاختبار شريطة تحويل هذه المتغيرات المتصلة إلى فئات معيارية منفصلة ومحددة بدقة (Categorization).

يشترط في منظومة التصنيف الفئوي أن تكون الفئات حصرية ومتبادلة (Mutually Exclusive) وشاملة كلياً (Exhaustive). تعني الحصرية المتبادلة أن كل حالة أو مفحوص يجب أن ينتمي إلى فئة واحدة فقط دون أي تداخل، بينما تعني الشمولية أن تحتوي الفئات المتاحة جميع المفحوصين دون استثناء أي فرد خارج إطار التصنيف المحدد.

3.2 استقلالية المشاهدات وتصميم العينة النفسية

تُعد استقلالية المشاهدات (Independence of Observations) الفرضية الأكثر أهمية وحساسية في التحليل الإحصائي الاستدلالي لاختبار كاي تربيع. يقضي هذا الشرط بأن تكون استجابة أي مفحوص أو تكرار أي حدث مستقلاً تماماً عن استجابات وتكرارات الأفراد الآخرين في العينة، مما يعني منهجياً عدم جواز احتساب استجابات متعددة لنفس الفرد ضمن جدول التكرارات الأحادي؛ فكل مفحوص يسهم بنقطة بيانات واحدة وتكرار واحد فقط في فئة واحدة فقط.

تضمن أساليب المعاينة الاحتمالية الصارمة، لا سيما العينة العشوائية البسيطة (Simple Random Sample) والعينة العشوائية الطبقية (Stratified Random Sample)، تحقيق هذا الشرط المنهجي بكفاءة عالية، مما يقلل من التحيزات النظامية ويعزز الصدق الخارجي للنتائج الإحصائية. في المقابل، يؤدي الاعتماد على العينات العنقودية أو العينات الموجهة دون ضبط إحصائي إلى نشوء ترابط داخلي بين المشاهدات يخل باستقلالية البيانات.

يبرز الخطر الأكبر لانتهاك هذا الشرط عند إسقاط اختبار حسن المطابقة على تصاميم القياسات المتكررة (Repeated Measures Designs) أو الدراسات الطولية والتتبعية (Longitudinal Studies)، كأن يتم قياس الحالة الوجدانية لنفس المجموعة من المرضى النفسيين في فترات زمنية متتابعة (قبل العلاج، في منتصفه، وبعده)، وحساب التكرارات الإجمالية كعينة واحدة؛ فهذا السلوك يضخم حجم العينة الفعلي زيفاً، ويقلل من الخطأ المعياري، مما يؤدي إلى قرارات إحصائية مضللة ورفض زائف للفرضيات الصفرية.

3.3 حجم العينة الأدنى وقاعدة كوشران (Cochran’s Rule)

نظراً لأن توزيع كاي تربيع هو توزيع احتمالي نظري متصل يُستخدم لتقريب التوزيع المنفصل للتكرارات متعددة الحدود (Multinomial Distribution)، فإن دقة هذا التقريب الرياضي تعتمد اعتماداً حاسماً على توفر حجم عينة كافٍ يضمن عدم انخفاض التكرارات المتوقعة إلى مستويات حرجة تشوه المنحنى الاحتمالي. صاغ الإحصائي البارز وليم كوشران (William G. Cochran, 1954) القواعد المعيارية الحاكمة لتحديد الحد الأدنى للتكرارات المتوقعة المقبولة، والتي استقرت كمرجع منهجي عالمي وتتلخص في شرطين متلازمين:

• الشرط الأول: يجب ألا يقل التكرار المتوقع ($E_i$) في أي فئة من الفئات على الإطلاق عن (1) واحد صحيح ($E_i ge 1 \quad \forall i$).
• الشرط الثاني: يجب ألا تقل التكرارات المتوقعة ($E_i$) عن (5) في ما لا يقل عن 80% من إجمالي فئات المتغير قيد التحليل. وإذا كان المتغير يتكون من فئتين فقط ($df = 1$)، فيجب ألا يقل التكرار المتوقع في كلتا الفئتين عن (5).

يترتب على انتهاك قاعدة كوشران وصغر حجم العينة الإجمالي عواقب إحصائية وخيمة؛ إذ يؤدي انخفاض التكرارات المتوقعة إلى تضخيم غير طبيعي في قيمة إحصاءة كاي تربيع المحسوبة بسبب صغر المقامات ($E_i$)، مما يرفع معدل ارتكاب الخطأ من النوع الأول (Type I Error) بصورة حادة، حيث يُقدم الباحث على رفض الفرضية الصفرية الصائبة وادعاء وجود فروق جوهرية لا وجود لها في الواقع المجتمعي. في مثل هذه الحالات، يتحتم على الباحث دمج الفئات أو استخدام اختبارات احتمالية دقيقة كاختبار مونت كارلو أو اختبار ذي الحدين التام.

4. صياغة الفرضيات الإحصائية وتحديد معايير القرار

4.1 بناء الفرضيات في حالة التوزيع المتساوي (Equal Proportions)

في العديد من الدراسات النفسية والسلوكية، يسعى الباحث إلى فحص ما إذا كانت الاستجابات أو السلوكيات الملاحظة تتوزع بالتساوي التام بين مختلف البدائل المتاحة، أو ما إذا كان هناك تفضيل وانحياز منهجي نحو بديل دون غيره. تُبنى الفرضيات الإحصائية في هذه الحالة الاستكشافية على افتراض التكافؤ الرياضي بين جميع النسب الاحتمالية للفئات.

تُصاغ الفرضية الصفرية ($H_0$) رياضياً ولفظياً للتأكيد على أن نسب الحدوث في المجتمع متساوية بين جميع الفئات البالغ عددها $k$:

$$H_0: p_1 = p_2 = p_3 = dots = p_k = \frac{1}{k}$$

أما الفرضية البديلة ($H_1$) فتُصاغ دائماً كفرضية غير موجهة (Non-directional) تنص على عدم تكافؤ النسب، ويكفي لتحققها أن تختلف نسبة فئة واحدة على الأقل عن النسبة المتوقعة ($\frac{1}{k}$):

$$H_1: \text{تختلف نسبة فئة واحدة على الأقل من فئات المجتمع عن } \frac{1}{k}$$

من الأمثلة السيكولوجية البارزة على هذه الفرضيات: فحص تفضيل المرضى النفسيين لأربعة أساليب علاجية مختلفة (العلاج السلوكي المعرفي، التحليل النفسي، العلاج الإنساني، العلاج بالقبول والالتزام)؛ حيث تفترض الفرضية الصفرية أن كل أسلوب يستقطب 25% ($p = 0.25$) من تفضيلات المرضى، بينما تفترض البديلة وجود انحياز وتفضيل معنوي لأساليب محددة.

4.2 صياغة الفرضيات في حالة التوزيعات المحددة مسبقاً (Specified Proportions)

عندما تتوفر لدى الباحث أطر نظرية متينة، أو بيانات وبائية سابقة، أو نماذج جينية وسلوكية محددة بدقة، فإن الفرضيات الإحصائية تُصاغ لمقارنة البيانات الميدانية بتلك النسب النظرية المخصصة والمحددة سلفاً (Specified/Unequal Proportions)، والتي لا تكون بالضرورة متساوية، شريطة أن يبلغ مجموعها الواحد الصحيح ($\sum p_{0i} = 1.0$).

تُكتب الفرضية الصفرية ($H_0$) بتحديد القيم الاحتمالية المعيارية لكل فئة على حدة:

$$H_0: p_1 = p_{01}, \quad p_2 = p_{02}, \quad dots, \quad p_k = p_{0k}$$

بينما تُصاغ الفرضية البديلة ($H_1$) كرفض شامل أو جزئي للنموذج المقترح:

$$H_1: \text{تختلف نسبة واحدة على الأقل من النسب الفعلية في المجتمع عن النسبة المحددة لها في } H_0$$

تتعدد التطبيقات الإكلينيكية لهذا النمط من الفرضيات؛ فمثلاً عند فحص معدلات انتشار اضطراب فرط الحركة وتشتت الانتباه (ADHD) بين طلاب المدارس، قد تنص الفرضية الصفرية على أن التوزيع يطابق النسب الوبائية الوطنية الرسمية (مثلاً: 70% غير مصاب، 20% نمط غفلة، 10% نمط مركب). وإذا أظهرت النتائج اختلافاً دالاً، فهذا يشير إلى خصوصية العينة المدروسة أو وجود عوامل بيئية ومدرسية تستدعي التدخل والتقصي المعمق.

4.3 مستويات الدلالة الإحصائية واتخاذ القرار

تتطلب عملية اتخاذ القرار الإحصائي (Statistical Decision Making) اتباع بروتوكول منهجي صارم يربط بين إحصاءة الاختبار المحسوبة والقيم الحرجة المقابلة لمستوى الدلالة المعياري المعتمد. يبدأ الباحث بتحديد مستوى الدلالة الألفي ($\alpha$)، والذي يُحدد عادة في العلوم الإنسانية والنفسية بمستوى ($\alpha = 0.05$) للدراسات العامة، أو بمستوى أكثر صرامة ($\alpha = 0.01$) للأبحاث الإكلينيكية والدوائية الحرجة لتقليل احتمالية الوقوع في الخطأ من النوع الأول.

ترتكز آلية اتخاذ القرار على المقارنة المزدوجة وفق قاعدتين متكافئتين رياضياً:

• قاعدة القيمة الحرجة (Critical Value Approach):
  • إذا كانت قيمة $\chi^2_{\text{calculated}} ge \chi^2_{\text{critical}}$ (عند مستوى $\alpha$ ودرجات الحرية $df$)، يتم رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة، مما يدل على وجود فروق جوهرية ذات دلالة إحصائية بين التوزيع الملاحظ والتوزيع المتوقع.
  • إذا كانت قيمة $\chi^2_{\text{calculated}} < \chi^2_{\text{critical}}$، يُفشل في رفض الفرضية الصفرية (Fail to Reject $H_0$)، مما يعني مطابقة البيانات للنموذج النظري وعدم كفاية الأدلة على وجود انحراف دال.
• قاعدة القيمة الاحتمالية (p-value Approach):
  • إذا كانت القيمة الاحتمالية المحسوبة $p le \alpha$، تُرفض الفرضية الصفرية.
  • إذا كانت القيمة الاحتمالية المحسوبة $p > \alpha$، يُفشل في رفض الفرضية الصفرية.

5. اختبار التوزيعات الاحتمالية النظرية في علم النفس

5.1 مطابقة البيانات مع التوزيع المنتظم (Uniform Distribution)

يمثل اختبار مطابقة البيانات مع التوزيع الاحتمالي المنتظم (Uniform / Rectangular Distribution) التطبيق الأوسع لفرضية التساوي في البحوث النفسية والتجريبية. يفترض التوزيع المنتظم أن المتغير العشوائي يمتلك احتمالية متطابقة تماماً للظهور عبر كافة قيمه وفئاته الممكنة ($p_1 = p_2 = dots = p_k = 1/k$). في هذا السياق، يُستخدم اختبار كاي تربيع كأداة تشخيصية لفحص غياب التحيز السلوكي واختبار فرضية التوزيع العشوائي التام للاستجابات.

في حقل القياس النفسي العصبي (Neuropsychological Assessment)، يُوظف هذا الاختبار لتحليل أنماط استجابة المفحوصين على مهام الانتباه المستمر وتجارب اتخاذ القرار الحركي؛ حيث يُفترض تحت نموذج العشوائية أن تتوزع الأخطاء وزمن الرجع بالتساوي عبر فترات الاختبار المختلفة. إذا أظهر اختبار كاي تربيع انحرافاً دالاً عن التوزيع المنتظم، استدل الباحث الإكلينيكي على وجود ظواهر سيكولوجية منتظمة مثل “أثر الإجهاد والإنهاك” (Fatigue Effect) في أواخر التجربة، أو “أثر الممارسة والتعلم” (Practice Effect) في بداياتها.

كما يُستخدم الاختبار في تقييم موثوقية أدوات جمع البيانات الاستبيانية، وتحديد ما إذا كان أفراد العينة يمارسون سلوك التخمين العشوائي غير المبالي (Careless Responding) عند الإجابة على فقرات المقاييس الطويلة، حيث يُقارن توزيع خياراتهم بالتوزيع المنتظم المتوقع عند الاستجابة العشوائية البحتة.

5.2 اختبار مطابقة التوزيع ذي الحدين (Binomial Distribution)

يتناول التوزيع ذو الحدين (Binomial Distribution) الظواهر والتجارب النفسية التي تسفر عن نتيجتين حصريتين فقط لكل محاولة تجريبية، وتُصنف عادة بالنجاح أو الفشل، الحضور أو الغياب، الاستجابة الصحيحة أو الخاطئة. عند تكرار هذه المهام الثنائية عدداً $n$ من المرات عبر أفراد العينة، يُولد السلوك توزيعاً تكرارياً لعدد مرات النجاح يمكن مطابقته بنموذج ذي الحدين النظري باستخدام اختبار كاي تربيع لحسن المطابقة.

تُحسب الاحتمالات النظرية للفئات في توزيع ذي الحدين بالمعادلة التوافقية:

$$P(X = x) = \binom{n}{x} p^x (1 – p)^{n – x}$$

حيث يمثل $n$ عدد المحاولات لكل مفحوص، و $x$ عدد مرات الاستجابة المستهدفة، و $p$ احتمال النجاح في المحاولة الواحدة. تُضرب هذه الاحتمالات النظرية $P(X = x)$ في إجمالي حجم العينة المفحوصة لاستخراج التكرارات المتوقعة ($E_x$)، ومن ثم تطبيق معادلة كاي تربيع لمقارنتها بالتكرارات الملاحظة فعلياً.

تزدهر تطبيقات هذا الاختبار في دراسات التكييف السلوكي (Behavioral Conditioning) ونظريات التعلم المعرفي؛ كاختبار مدى توافق أداء فئران التجارب في المتاهات الثنائية (T-Maze) مع نماذج التعلم الاحتمالي، أو فحص كفاءة أطفال التوحد في اكتساب مهام التمييز البصري الثنائي مقارنة بالتوزيع النظري المتوقع بموجب الصدفة البحتة ($p = 0.5$).

5.3 تقييم التوافق مع توزيع بواسون (Poisson Distribution)

يختص توزيع بواسون (Poisson Distribution) بنمذجة ومطابقة التكرارات للأحداث النادرة الحدوث التي تقع بصورة مستقلة ومستمرة عبر فترات زمنية أو مساحات مكانية محددة وثابتة. يتميز هذا التوزيع بخاصية رياضية فريدة تُعرف بالتشتت المتساوي (Equidispersion)، حيث يتساوى متوسط التوزيع الحسابي تماماً مع تباينه الإحصائي ($\mu = \sigma^2 = \lambda$).

في الممارسة السيكولوجية والعيادية، يمثل توزيع بواسون النموذج الأمثل لمطابقة تكرارات الظواهر النفسية الحادة غير المتكررة باستمرار؛ مثل عدد نوبات الهلع (Panic Attacks) التي يعاني منها مريض الرهاب شهرياً، أو عدد النوبات الاندفاعية ونوبات الغضب الشديد لدى الأطفال المشخصين باضطراب المسلك خلال الفصل الدراسي، أو تكرار حوادث إيذاء الذات غير الانتحارية في أقسام الطب النفسي.

تتضمن خطوات تطبيق اختبار حسن المطابقة لتوزيع بواسون الإجراءات التالية بدقة:

1. حساب المعلمة المجتمعية المقدرة لامدا ($lambda$) كمتوسط حسابي لتكرارات الحدوث من واقع العينة: $\hat{\lambda} = \frac{\sum (x \cdot O_x)}{N}$.
2. استخراج الاحتمال النظري لكل تكرار $x = 0, 1, 2, dots$ باستخدام دالة الكتلة الاحتمالية لبواسون: $P(X = x) = \frac{e^{-\lambda} \lambda^x}{x!}$.
3. حساب التكرار المتوقع بضرب كل احتمال في حجم العينة الكلي: $E_x = N \times P(X = x)$.
4. دمج الفئات الطرفية العليا ذات التكرارات المتوقعة الضعيفة لضمان استيفاء شروط كوشران.
5. حساب إحصاءة كاي تربيع مع تعديل درجات الحرية إلى $df = k – 1 – 1 = k – 2$ نظراً لتقدير المعلمة $lambda$ من بيانات العينة.

6. تطبيقات كاي تربيع لحسن المطابقة في البحوث النفسية والعيادية

6.1 فحص أنماط الشخصية وتفضيلات العلاج النفسي

تعتمد النظريات النمطية للشخصية وتفضيلات التدخلات الإكلينيكية اعتماداً واسعاً على النماذج الفئوية لتصنيف الأفراد؛ وهنا يبرز اختبار حسن المطابقة كأداة منهجية لا غنى عنها للتحقق من مدى اتساق البيانات الميدانية مع النماذج النفسية المفترضة. عند تطبيق مقاييس تصنيف الشخصية مثل مقياس الأنماط الستة للشخصية المهنية لهولاند (RIASEC) أو استخبار مايرز-بريجز (MBTI)، يُمكن للباحث اختبار ما إذا كانت الأنماط تتوزع بين طلبة تخصص أكاديمي معين وفق نموذج نظري محدد مسبقاً يعكس طبيعة المتطلبات السيكولوجية لذلك التخصص.

يمتد توظيف الاختبار إلى دراسة وتحليل اتجاهات المسترشدين والمرضى نحو طلب المساعدة النفسية وتفضيل مدارس العلاج النفسي المختلفة. ففي دراسة استطلاعية تقارن تفضيل عينة من المراجعين للعيادات النفسية بين العلاج المعرفي السلوكي (CBT)، والعلاج النفسي التحليلي (Psychodynamic)، والعلاج المتمركز حول الشخص (Person-Centered)، والعلاج الدوائي المنفرد؛ يتيح الاختبار للباحث فحص ما إذا كان هناك عزوف أو إقبال دال إحصائياً على نموذج علاجي محدد، مما يسهم في توجيه السياسات الصحية والتخطيط الإكلينيكي لتوفير المعالجين المؤهلين بما يلبي الاحتياجات الفعلية لجمهور المرضى.

6.2 التحقق من التمثيل الديموغرافي للعينات السريرية

يمثل التحيز الاستباقي في اختيار المشاركين (Selection Bias) واحداً من أخطر المهددات المنهجية للصدق الخارجي (External Validity) وإمكانية تعميم نتائج البحوث الإكلينيكية والتجارب النفسية الدوائية. يتيح اختبار كاي تربيع لحسن المطابقة للمحققين السريريين فحص التمثيل الديموغرافي للعينات المستقطبة في المشافي ومراكز الرعاية النفسية ومقارنتها بالبيانات السكانية والإحصاءات الرسمية لوزارة الصحة أو التعداد العام للسكان.

يمكن توظيف الاختبار في هذا الصدد لفحص مطابقة العينة السريرية من حيث:

• النوع الاجتماعي: مقارنة نسبة الذكور والإناث في عينة دراسة حول الفصام بالنسبة السكانية العامة (50% لكل منهما أو النسب الوبائية المحددة للمرض).
• الفئات العمرية: فحص ما إذا كانت الفئات العمرية للمشاركين في برنامج للوقاية من الانتحار تمثل الهرم السكاني الحقيقي للفئات الأكثر عرضة للخطر.
• المستوى التعليمي والطبقة الاجتماعية: التحقق من عدم تركز العينة السريرية في مستويات تعليمية عليا تحرف نتائج تقييم الوظائف التنفيذية والاختبارات المعرفية.

إذا كشف الاختبار عن انحراف دال إحصائياً بين التوزيع الديموغرافي للعينة والتوزيع السكاني المستهدف، وجب على الباحثين الاعتراف بحدود العينة أو إعادة استخدام تقنيات الترجيح الإحصائي (Statistical Weighting) لتعديل تمثيل الفئات قبل استخلاص النتائج وتعميمها.

6.3 مطابقة نسب انتشار الاضطرابات مع الدليل التشخيصي (DSM-5)

يحدد الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5) الصادر عن الجمعية الأمريكية للطب النفسي، إلى جانب التصنيف الدولي للأمراض (ICD-11)، نسب انتشار وبائية معيارية ومعدلات حدوث متوقعة لمختلف الاضطرابات النفسية والسلوكية عبر الثقافات والمجتمعات. يوفر اختبار كاي تربيع لحسن المطابقة الوسيلة المنهجية لتقييم دقة النماذج التشخيصية ومطابقتها للواقع الإكلينيكي في البيئات والمجتمعات غير الغربية.

عند تقييم انتشار اضطراب القلق العام (GAD) في مراكز الرعاية الأولية بمجتمع معين، يمكن صياغة الفرضية الصفرية بناءً على النسبة الوبائية العالمية المعتمدة في DSM-5 (ولتكن مثلاً 4% مصاب مقابل 96% سليم). إذا أظهرت عينة من آلاف المراجعين نسبة إصابة بلغت 12%، وأسفر اختبار حسن المطابقة عن دلالة إحصائية فائقة ($p < 0.001$)، فإن هذا الانحراف يشير إما إلى وجود ضغوط بيئية وثقافية واقتصادية شديدة ترفع وتيرة القلق في هذا المجتمع، أو إلى مشكلات منهجية تتعلق بفرط التشخيص (Over-diagnosis) واستخدام أدوات مسحية حساسة تفتقر إلى النوعية والفرز الدقيق.

7. أمثلة تطبيقية محلولة خطوة بخطوة من الواقع السيكولوجي

7.1 المثال الأول: فحص التوزيع المتساوي لتفضيل الأساليب العلاجية

السياق البحثي: أجرى باحث في علم النفس الإكلينيكي دراسة استطلاعية لمعرفة ما إذا كان هناك تفضيل متساوٍ بين المرضى المترددين على عيادة نفسية لأربعة نماذج علاجية مختلفة: (1) العلاج المعرفي السلوكي (CBT)، (2) العلاج التحليلي الدينامي (PDT)، (3) العلاج الإنساني الوجودي (HET)، (4) العلاج الأسري النظمي (SFT). تم تخيير عينة عشوائية مكونة من $N = 120$ مريضاً، وجاءت التكرارات الملاحظة كما يلي:

• العلاج المعرفي السلوكي (CBT): $O_1 = 48$
• العلاج التحليلي الدينامي (PDT): $O_2 = 24$
• العلاج الإنساني الوجودي (HET): $O_3 = 18$
• العلاج الأسري النظمي (SFT): $O_4 = 30$

خطوات التحليل الإحصائي:

1. صياغة الفرضيات:
$H_0: p_1 = p_2 = p_3 = p_4 = 0.25$ (تتساوى تفضيلات المرضى بين الأساليب العلاجية الأربعة).
$H_1$: تختلف نسبة تفضيل أسلوب علاجي واحد على الأقل عن النسبة المتوقعة (0.25).

2. حساب التكرارات المتوقعة:
بما أن التوزيع المفترض متساوٍ و $k = 4$، فإن التكرار المتوقع لكل فئة هو:
$$E = \frac{N}{k} = \frac{120}{4} = 30$$
جميع التكرارات المتوقعة تساوي 30، وهي تفوق 5 بكثير، مما يحقق قاعدة كوشران بالكامل.

3. جدول الحسابات التفصيلية:

الأسلوب العلاجي	التكرار المشاهد ($O$)	التكرار المتوقع ($E$)	الفرق ($O – E$)	مربع الفرق $(O – E)^2$	المساهمة الجزئية $\frac{(O – E)^2}{E}$
العلاج المعرفي السلوكي (CBT)	48	30	+18	324	$324 / 30 = 10.80$
العلاج التحليلي (PDT)	24	30	-6	36	$36 / 30 = 1.20$
العلاج الإنساني (HET)	18	30	-12	144	$144 / 30 = 4.80$
العلاج الأسري (SFT)	30	30	0	0	$0 / 30 = 0.00$
المجموع الإجمالي	120	120	0	–	$\chi^2 = 16.80$

4. حساب درجات الحرية والقيمة الحرجة:
درجات الحرية: $df = k – 1 = 4 – 1 = 3$.
بالرجوع إلى جدول كاي تربيع عند مستوى دلالة $\alpha = 0.05$ و $df = 3$، نجد أن القيمة الحرجة هي $\chi^2_{\text{critical}} = 7.815$.

5. اتخاذ القرار والتفسير السيكولوجي:
بما أن قيمة كاي تربيع المحسوبة ($16.80$) أكبر بكثير من القيمة الجدولية الحرجة ($7.815$)، فإننا نرفض الفرضية الصفرية ($H_0$) عند مستوى دلالة $\alpha = 0.05$ وبقيمة احتمالية ($p < 0.001$). نستنتج من ذلك وجود فروق دالة إحصائياً في تفضيلات المرضى؛ حيث يظهر فحص جدول المساهمات الجزئية أن التفضيل الأكبر ينحاز بوضوح لصالح العلاج المعرفي السلوكي (مساهمة 10.80)، بينما يقل الإقبال كثيراً على العلاج الإنساني.

7.2 المثال الثاني: اختبار نسب محددة مسبقاً لأنماط التعلق النفسي

السياق البحثي: استناداً إلى نظرية التعلق (Attachment Theory) لجون بولبي ودراسات ماري أينسورث المعيارية، يفترض الأدب السيكولوجي أن توزيع أنماط التعلق في مجتمع البالغين يتبع النسب النظرية التالية: 60% نمط آمن (Secure)، 20% نمط قلق/مشغول (Anxious/Preoccupied)، 20% نمط متجنب/رافض (Avoidant/Dismissing). قام باحث بفحص عينة من $N = 200$ طالب جامعي يعانون من صعوبات في التكيف الأكاديمي والاجتماعي، فكانت التكرارات الملاحظة كالتالي: 90 طالباً ذوي نمط آمن، 60 طالباً ذوي نمط قلق، 50 طالباً ذوي نمط متجنب.

خطوات التحليل الإحصائي:

1. صياغة الفرضيات:
$H_0: p_{\text{Secure}} = 0.60, \quad p_{\text{Anxious}} = 0.20, \quad p_{\text{Avoidant}} = 0.20$
$H_1$: لا يتطابق توزيع أنماط التعلق في العينة مع النسب النظرية المحددة.

2. حساب التكرارات المتوقعة:
$E_{\text{Secure}} = 200 \times 0.60 = 120$
$E_{\text{Anxious}} = 200 \times 0.20 = 40$
$E_{\text{Avoidant}} = 200 \times 0.20 = 40$

3. جدول الحسابات التفصيلية:

نمط التعلق	التكرار المشاهد ($O$)	النسبة المتوقعة	التكرار المتوقع ($E$)	الفرق ($O – E$)	المساهمة $\frac{(O – E)^2}{E}$
النمط الآمن (Secure)	90	0.60	120	-30	$(-30)^2 / 120 = 900 / 120 = 7.50$
النمط القلق (Anxious)	60	0.20	40	+20	$(20)^2 / 40 = 400 / 40 = 10.00$
النمط المتجنب (Avoidant)	50	0.20	40	+10	$(10)^2 / 40 = 100 / 40 = 2.50$
الإجمالي	200	1.00	200	0	$\chi^2 = 20.00$

4. درجات الحرية والقيمة الحرجة:
$df = k – 1 = 3 – 1 = 2$.
القيمة الحرجة لـ $\chi^2$ عند مستوى دلالة $\alpha = 0.01$ و $df = 2$ هي $\chi^2_{\text{critical}} = 9.210$.

5. اتخاذ القرار والتفسير الإكلينيكي:
تجاوزت القيمة المحسوبة ($\chi^2 = 20.00$) القيمة الحرجة ($9.210$) بشكل قاطع ($p < 0.001$)، وعليه تُرفض الفرضية الصفرية. يوضح التفسير السريري أن عينة الطلاب المتعثرين تكيفياً تبتعد ابتعاداً جوهرياً عن معايير المجتمع السوي؛ حيث شهدت انخفاضاً حاداً في نمط التعلق الآمن (المشاهد 90 مقابل المتوقع 120)، مقابل ارتفاع لافت في نمط التعلق القلق (60 مقابل 40) والتعلق المتجنب (50 مقابل 40)، مما يبرز دور عدم الأمان الوجداني في هشاشة التكيف الجامعي.

7.3 المثال الثالث: فحص تجانس الاستجابة على مقياس اتجاهات ثلاثي

السياق البحثي: في دراسة تبحث اتجاهات المعلمين نحو دمج الأطفال ذوي الاضطرابات السلوكية في الفصول الدراسية العادية، طُلب من عينة عشوائية قوامها $N = 90$ معلماً الاستجابة على بدائل اتجاه ثلاثية: (1) مؤيد، (2) محايد، (3) معارض. كانت التكرارات المرصودة: مؤيد = 38، محايد = 32، معارض = 20. يرغب الباحث في اختبار ما إذا كانت الاستجابات تعكس انقساماً متكافئاً وتجانساً عاماً بين الفئات الثلاث أم أن هناك اتجاهاً غالباً.

خطوات التحليل الإحصائي:

1. صياغة الفرضيات:
$H_0: p_1 = p_2 = p_3 = \frac{1}{3}$ (تتوزع آراء المعلمين بالتساوي التام بين التأييد والحياد والمعارضة).
$H_1$: يختلف توزيع آراء المعلمين عن التوزيع المتساوي.

2. حساب التكرارات المتوقعة:
$$E = \frac{90}{3} = 30 \quad \text{لكل فئة}$$

3. جدول الحسابات التفصيلية:

فئة الاتجاه	التكرار المشاهد ($O$)	التكرار المتوقع ($E$)	الفرق ($O – E$)	مربع الفرق $(O – E)^2$	$\frac{(O – E)^2}{E}$
مؤيد	38	30	+8	64	$64 / 30 = 2.133$
محايد	32	30	+2	4	$4 / 30 = 0.133$
معارض	20	30	-10	100	$100 / 30 = 3.333$
الإجمالي	90	90	0	–	$\chi^2 = 5.600$

4. درجات الحرية والقرار الإحصائي:
$df = 3 – 1 = 2$.
القيمة الحرجة لـ $\chi^2$ عند مستوى دلالة $\alpha = 0.05$ و $df = 2$ هي $\chi^2_{\text{critical}} = 5.991$.
بما أن قيمة كاي تربيع المحسوبة ($5.600$) أقل من القيمة الحرجة الجدولية ($5.991$)، وتناظر قيمة احتمالية قدرها$p = 0.061$ وهي أكبر من مستوى الدلالة ($\alpha = 0.05$)، فإن القرار المنهجي هو الفشل في رفض الفرضية الصفرية (Fail to Reject $H_0$). نستنتج إحصائياً أن التباينات الملاحظة بين الفئات لا ترقى إلى مستوى الدلالة الإحصائية، ويمكن عزوها إلى تقلبات المعاينة العشوائية، مما يشير إلى غياب اتجاه حاسم ومجمع عليه بين المعلمين نحو عملية الدمج.

8. المعالجة الإحصائية للاختبار عبر الحزم البرمجية (SPSS و R)

8.1 تنفيذ اختبار حسن المطابقة في برنامج SPSS

يوفر برنامج الحزمة الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics) بيئة رسومية وأوامرية مرنة لتنفيذ اختبار كاي تربيع لحسن المطابقة. لإجراء الاختبار بدقة، يتعين اتباع الخطوات الإجرائية التالية في تجهيز البيانات وتنفيذ التحليل:

1. تجهيز قاعدة البيانات وترميز المتغيرات:
يتم تعريف المتغير الفئوي في شاشة المتغيرات (Variable View) وتحديد قيمه (مثلاً: 1 = CBT, 2 = PDT, 3 = HET, 4 = SFT). في حال كانت البيانات مدخلة بصيغة جدول تكراري مجمع (عمود لرمز الفئة وعمود لعدد التكرارات)، يجب أولاً تفعيل أمر ترجيح الحالات عبر المسار: Data > Weight Cases، وتحديد خيار Weight cases by ونقل متغير التكرارات إلى الصندوق المخصص.

2. استدعاء الاختبار وضبط الخيارات:
يتم الوصول للاختبار من القائمة الرئيسية عبر المسار المنهجي التالي:
Analyze > Nonparametric Tests > Legacy Dialogs > Chi-square…

تفتح نافذة الاختبار الرئيسية، حيث يتم نقل المتغير الفئوي المستهدف إلى صندوق (Test Variable List). في قسم القيم المتوقعة (Expected Values)، يوفر البرنامج خيارين أساسيين:

• All categories equal: يُترك هذا الخيار مفعلاً افتراضياً في حال الرغبة في اختبار التوزيع المتساوي بالتكافؤ.
• Values: يُستخدم لاختبار النسب المخصصة مسبقاً؛ حيث يقوم الباحث بإدخال النسب أو التكرارات النظرية لكل فئة بالتتابع الدقيق الذي تظهر به رموز الفئات في قاعدة البيانات والضغط على Add لكل قيمة.

3. قراءة وتفسير مخرجات SPSS:
يُنتج البرنامج جدولين رئيسيين في نافذة المخرجات (Output Viewer):

• جدول التكرارات (Frequencies Table): يوضح لكل فئة التكرار المشاهد (Observed N)، والتكرار المتوقع (Expected N)، والباقي الخام (Residual = Observed – Expected).
• جدول إحصاءة الاختبار (Test Statistics Table): يعرض القيمة الإجمالية لإحصاءة كاي تربيع (Chi-Square)، ودرجات الحرية (df)، والقيمة الاحتمالية التقاربية للدلالة الإحصائية (.Asymp. Sig). وتدل القيمة التي تقل عن 0.05 على رفض الفرضية الصفرية.

8.2 تنفيذ الاختبار وتحليل المخرجات باستخدام لغة R

تُعد لغة R الإحصائية البيئة البرمجية الأكثر مرونة ودقة لمعالجة البيانات الفئوية وتطبيق اختبارات كاي تربيع. يُنفذ الاختبار عبر الدالة الأساسية chisq.test() المدمجة في حزمة stats القياسية.

فيما يلي الأسلوب المنهجي لتحليل البيانات ومطابقتها برمجياً:

1. اختبار التوزيع المتساوي في R:
عند إدخال متجه يحتوي على التكرارات المشاهدة، تفترض الدالة تلقائياً تساوي الاحتمالات بين الفئات:

observed_counts <- c(48, 24, 18, 30)
test_equal <- chisq.test(observed_counts)
print(test_equal)

2. اختبار النسب المخصصة مسبقاً في R:
يتم تمرير مصفوفة الاحتمالات النظرية المحددة عبر الوسيط p، مع التأكد من أن مجموعها يساوي تماماً 1.0:

attachment_counts <- c(90, 60, 50)
theoretical_props <- c(0.60, 0.20, 0.20)
test_custom <- chisq.test(x = attachment_counts, p = theoretical_props)
print(test_custom)

3. استخراج المعالم الإحصائية والبواقي:
تتيح كائنات R استخراج التفاصيل الرياضية الدقيقة عبر الحقول المهيكلة:
– القيم المتوقعة: test_custom$expected
– البواقي الخام: test_custom$residuals
– البواقي المعيارية (Pearson Residuals): test_custom$stdres

كما يمكن بناء رسوم بيانية توضيحية فائقة الجودة تقارن بين التكرارات المشاهدة والمتوقعة باستخدام مكتبة ggplot2 عبر تمثيل الأعمدة المتقابلة (Grouped Bar Plots) لإبراز اتجاهات الفروق بدقة بصرية متميزة.

8.3 فحص البواقي المعيارية (Standardized Residuals) لتحديد مواضع التباين

عندما يسفر اختبار كاي تربيع لحسن المطابقة عن دلالة إحصائية ورفض للفرضية الصفرية في متغير يحتوي على أكثر من فئتين ($k > 2$)، يواجه الباحث مشكلة استدلالية هامة: تفيد الدلالة الإجمالية بوجود انحراف عام، لكنها لا تُحدد بدقة أي الفئات تحديداً كانت المسؤولة عن هذا الانحراف. هنا تبرز الحاجة المنهجية لإجراء اختبارات بعدية (Post-Hoc Tests) عبر فحص البواقي المعيارية (Standardized Residuals – $R_i$) وتُعرف أيضاً ببواقي بيرسون المعيارية.

تُحسب البواقي المعيارية لكل فئة بقسمة الباقي الخام على الجذر التربيعي للتكرار المتوقع:

$$R_i = \frac{O_i – E_i}{\sqrt{E_i}}$$

تتبع هذه البواقي المعيارية التوزيع الطبيعي المعياري التراكمي ($Z$-distribution) بمتوسط صفر وانحراف معياري قدره (1) تقريباً. وتستند قواعد التفسير الإحصائي للبواقي إلى المقارنة مع القيم الحرجة لـ$Z$ عند مستويات الثقة المتعارف عليها:

• إذا كانت قيمة $|R_i| ge 1.96$، فإن الفئة تعتبر دالة إحصائياً عند مستوى دلالة $\alpha = 0.05$، وتسهم إسهاماً جوهرياً في انحراف النموذج.
• إذا كانت قيمة $|R_i| ge 2.58$، فإن الفئة دالة عند مستوى صارم ($\alpha = 0.01$).
• إذا كانت قيمة $|R_i| ge 3.29$، فإن الفئة دالة عند مستوى فائق الصرامة ($\alpha = 0.001$).

تعطي إشارة الباقي المعياري دلالة مباشرة على اتجاه التباين؛ فالإشارة الموجبة ($+$) تعني أن التكرار الملاحظ في هذه السمة يفوق التوقعات النظرية بشكل جوهري (Over-represented)، بينما تدل الإشارة السالبة ($-$) على انخفاض ملحوظ وتدني التكرار الملاحظ عن التوقعات (Under-represented).

9. حساب وتفسير حجم الأثر (Effect Size) للاختبار

9.1 معامل كوهين w (Cohen’s w) لحسن المطابقة

لا تكفي الدلالة الإحصائية ($p$-value) وحدها لتقييم النتائج العلمية، نظراً لتأثرها البالغ بحجم العينة؛ لذا تقتضي معايير الجمعية الأمريكية لعلم النفس (APA) التقرير الإلزامي عن مؤشرات حجم الأثر (Effect Size) التي تقيس القوة المطلقة للعلاقة أو مقدار الانحراف بمعزل عن حجم العينة. يمثل معامل كوهين $w$ (Cohen’s w) المقياس المعياري الأكثر قبولاً وشيوعاً لحساب حجم الأثر في اختبار كاي تربيع لحسن المطابقة.

يُحسب معامل كوهين $w$ مباشرة من خلال قيمة إحصاءة كاي تربيع المحسوبة مقسومة على حجم العينة الكلي ($N$) وفق الصيغة الرياضية التالية:

$$w = \sqrt{\frac{\chi^2}{N}} = \sqrt{\sum_{i=1}^{k} \frac{(p_{0i} – p_{1i})^2}{p_{0i}}}$$

حيث يمثل $p_{0i}$ النسبة المتوقعة نظرياً في الفئة، و $p_{1i}$ النسبة الملاحظة فعلياً في العينة ($O_i / N$). وضعت الأدبيات القياسية لجاكوب كوهين (Jacob Cohen, 1988) معايير مرجعية تقريبية لتفسير قيم المعامل $w$ في العلوم السلوكية كما يلي:

• أثر صغير (Small Effect Size): $w = 0.10$ (انحراف طفيف عن النموذج النظري).
• أثر متوسط (Medium Effect Size): $w = 0.30$ (انحراف واضح يمكن ملاحظته بالعين المجردة في الممارسة العيادية).
• أثر كبير (Large Effect Size): $w ge 0.50$ (انحراف جسيم وتباين نوعي ضخم بين الواقع والنموذج النظري).

بتطبيق ذلك على مثالنا الأول الخاص بالأساليب العلاجية ($\chi^2 = 16.80, N = 120$):
$$w = \sqrt{\frac{16.80}{120}} = \sqrt{0.140} = 0.374$$
تشير هذه القيمة ($w = 0.374$) إلى حجم أثر فوق المتوسط، مما يؤكد أن التباين في تفضيل الأساليب العلاجية يمثل ظاهرة سلوكية بارزة ذات وزن عملي في الواقع الميداني.

9.2 الأهمية الإكلينيكية مقابل الدلالة الإحصائية في التقييم السلوكي

يعد التمييز الإبستمولوجي بين الدلالة الإحصائية (Statistical Significance) والأهمية الإكلينيكية أو العملية (Clinical Significance / Practical Importance) من الركائز الأساسية للتفكير العلمي الرصين. تتأثر قيمة $p$ تأثراً مفرطاً بـ $N$؛ فعندما يسحب الباحث عينات ضخمة للغاية ($N > 5000$)، تصبح إحصاءة كاي تربيع قادرة على رصد أدنى التباينات العشوائية التافهة وتحويلها إلى نتائج “دالة إحصائياً عند$p < 0.001$"، على الرغم من أن تلك الفروق قد لا تتعدى انحراف نسبة فئة بمقدار نصف بالمائة عن المتوقع، وهو فارق عديم المعنى من منظور الممارسة العيادية والتقويم النفسي.

على النقيض من ذلك، في الدراسات العيادية المعمقة التي تُجرى على عينات صغيرة نادرة (كاضطرابات الشخصية الفصامية الحادة أو المتلازمات العصبية النادرة)، قد تسفر البيانات عن حجم أثر ضخم ($w = 0.45$) يعكس تحولاً جذرياً في توزيع الأعراض، ومع ذلك تفشل الإحصاءة في تحقيق الدلالة الإحصائية ($p > 0.05$) بسبب ضعف القوة الإحصائية (Statistical Power) الناجم عن صغر العينة.

من هنا، ينبغي على الباحث النفسي والمحلل الإحصائي عدم الاكتفاء بالاستناد إلى $p$-value وحدها لإصدار أحكام قطعية، بل يجب تكامل القيمة الاحتمالية مع مؤشر حجم الأثر ($w$)، وقراءة السياق الإكلينيكي والنظري للظاهرة لتقرير ما إذا كان الانحراف يستوجب تغييراً في السياسات العلاجية والتشخيصية أم أنه مجرد تذبذب رقمي عابر.

9.3 حساب فترات الثقة لنسب الفئات (Confidence Intervals for Proportions)

يوفر حساب فترات الثقة (Confidence Intervals) للنسب المشاهدة في كل فئة من فئات المتغير وسيلة استدلالية بالغة القوة لتقدير دقة القياس ومدى عدم اليقين المحيط بتقديرات العينة عند تعميمها على المجتمع الإحصائي الشامل. بدلاً من الاعتماد على التقدير بنقطة واحدة للنسبة ($\hat{p}_i = O_i / N$)، تقدم فترة الثقة 95% مدى احتمالياً يُتوقع أن تقع داخله النسبة الحقيقية للمجتمع في 95% من العينات المماثلة المسحوبة.

على الرغم من شيوع طريقة والد الكلاسيكية (Wald Interval) القائمة على تقريب التوزيع الطبيعي، إلا أنها تعاني من قصور شديد وتحيزات عند صغر العينة أو اقتراب النسب من الصفر أو الواحد. لذا، يوصي الإحصائيون المعاصرون باستخدام طريقة ويلسون المعدلة (Wilson Score Interval) لحساب فترات الثقة لنسب الفئات بدقة متناهية، وتُعطى معادلتها بالصيغة:

$$CI_{95%} = \frac{\hat{p} + \frac{Z^2}{2N} \pm Z \sqrt{\frac{\hat{p}(1 – \hat{p})}{N} + \frac{Z^2}{4N^2}}}{1 + \frac{Z^2}{N}}$$

حيث تمثل $Z = 1.96$ لمستوى ثقة 95%، و $\hat{p} = O / N$. يساعد تضمين فترات الثقة في تقارير البحوث النفسية والسريرية متخذي القرار في معرفة الحدود الدنيا والقصوى لانتشار السمات والاضطرابات، مما يدعم التخطيط الصحي المبني على البراهين الدقيقة.

10. التعامل مع انتهاكات الشروط والبدائل الإحصائية المتاحة

10.1 إعادة تصنيف ودمج الفئات (Collapsing Categories)

عند إجراء اختبار كاي تربيع لحسن المطابقة، قد يواجه الباحث معضلة انتهاك قاعدة كوشران نتيجة وجود فئات فرعية نادرة تحتوي على تكرارات متوقعة تقل عن (5) أو عن (1)، مما يؤدي إلى عدم دقة التقريب التوزيعي لكاي تربيع. يمثل الإجراء المنهجي الأول لمعالجة هذه المشكلة في تطبيق استراتيجية دمج الفئات المتجاورة أو المتقاربة نظرياً (Collapsing Categories).

يشترط لإجراء الدمج بصورة علمية رصينة توافر مبررات منطقية وسيكولوجية تضمن عدم تشويه المعنى المفاهيمي للمتغير المدروس؛ فلا يجوز مثلاً دمج فئة “مكتئب بشدة” مع فئة “سوي” لمجرد رفع الأرقام الإحصائية، ولكن يسوغ منهجياً دمج فئة “مكتئب بشدة” مع فئة “مكتئب متوسط” في فئة واحدة موحدة تسمى “مستوى اكتئاب عيادي مرتفع”.

يترتب على عملية دمج الفئات انخفاض تلقائي في عدد الفئات الإجمالي ($k$)، مما يقتضي إعادة احتساب التكرارات المتوقعة للفئات المدمجة بجمع احتمالاتها النظرية، وإعادة تحديد درجات الحرية للنموذج الجديد بالمعادلة ($df_{text{new}} = k_{text{new}} – 1$). يساهم هذا الإجراء في استعادة شروط الاختبار ورفع دقته الاحتمالية وتجنب الوقوع في أخطاء القرارات الإحصائية.

10.2 اختبار مونت كارلو الدقيق (Exact Monte Carlo Chi-Square Test)

في العديد من الحالات الإكلينيكية والبحثية، يكون دمج الفئات غير ممكن نظرياً أو غير مرغوب فيه لما يسببه من فقدان تفاصيل تشخيصية حساسة، وفي الوقت ذاته تحول العينة الصغيرة دون تلبية افتراضات التقريب التقاربي المقبول لاختبار بيرسون. يمثل اختبار مونت كارلو الدقيق (Monte Carlo Exact Test) البديل الإحصائي والرياضي الأقوى لتجاوز هذه العقبة المنهجية تماماً.

يعتمد هذا الأسلوب على توليد حاسوبي مكثف لعدد ضخم من الجداول والتوزيعات العشوائية الافتراضية (عادة من 10,000 إلى 100,000 تكرار محاكاة) استناداً إلى معالم الفرضية الصفرية وحجم العينة ذاته. ثم يتم حساب قيمة إحصاءة كاي تربيع لكل جدول تم توليده، واستخراج القيمة الاحتمالية الدقيقة ($Exact p$-value) من خلال تحديد النسبة المئوية للجداول العشوائية التي حققت قيمة $\chi^2$ مساوية أو أكبر من القيمة التجريبية المحسوبة في العينة الفعلية:

$$p_{\text{Exact}} = \frac{\text{عدد الجداول المحاكاة التي حققت } (\chi^2_{\text{\sim}} ge \chi^2_{\text{observed}})}{\text{إجمالي عدد المحاكاة (مثلاً 100,000)}}$$

يتوفر خيار اختبار مونت كارلو بدقة متناهية في برنامج SPSS عبر زر Exact…، وكذلك في لغة R بتمرير المعلمة البرمجية: chisq.test(x, simulate.p.value = TRUE, B = 100000)، مما يمنح الباحثين نتائج موثوقة وغير متحيزة تماماً حتى مع التكرارات المتوقعة المتدنية جداً.

10.3 اختبار ذي الحدين التام (Exact Binomial Test) كبديل للحالات الثنائية

عندما يقتصر المتغير الفئوي الأحادي قيد الدراسة على مستويين أو فئتين فقط ($k = 2$، مثل: استجابة إيجابية / استجابة سلبية، امتثال للعلاج / عدم امتثال) مع صغر حجم العينة الكلي ($N < 30$) أو انخفاض التكرارات المتوقعة عن 5، فإن اختبار كاي تربيع يفقد كفاءته الرياضية. في هذه الحالة، يمثل اختبار ذي الحدين التام (Exact Binomial Test) البديل الاستدلالي الأمثل والأكثر إحكاماً على الإطلاق.

لا يعتمد اختبار ذي الحدين التام على أي تقريب لتوزيع كاي تربيع أو التوزيع الطبيعي، بل يحسب الاحتمال الدقيق بصورة مباشرة من دالة التوزيع التراكمي لذي الحدين وفق الفرضية الصفرية ($p_0$). يُحسب الاحتمال ذو الطرفين لاختبار ما إذا كان عدد النجاحات الملاحظة $x$ يختلف دالاً عن المتوقع بموجب الصيغة الرياضية التوافقية:

$$p = 2 \times \sum_{i=x}^{N} \binom{N}{i} p_0^i (1 – p_0)^{N – i} \quad (\text{للحالات الطرفية})$$

يتميز هذا الاختبار بالقوة الإحصائية الكاملة في دراسات الحالات النادرة والتقارير الطبية النفسية الدقيقة، حيث تتوفر أعداد محدودة جداً من المرضى المصابين بحالات جينية أو عصبية نادرة، مما يتيح التقرير الاستدلالي الموثوق دون أدنى قلق من انتهاك شروط أحجام العينات الكبيرة.

11. المزالق المنهجية والأخطاء الشائعة في تطبيق الاختبار

11.1 الخلط بين التكرارات المشاهدة والنسب المئوية

يمثل إدخال النسب المئوية (%) أو المعدلات النسبية مباشرة في معادلة كاي تربيع بدلاً من التكرارات العددية الخام ($N$) واحداً من أكثر الأخطاء الشائعة والمدمرة لصدق التحليل الإحصائي في الأبحاث السلوكية والتربوية. تنبع خطورة هذا الخطأ من حقيقة أن معادلة كاي تربيع تعتمد بنيوياً على حجم العينة الفعلي؛ فالانحراف النسبي بنسبة 10% يمتلك دلالة إحصائية مختلفة كلياً إذا كان حجم العينة$N = 30$ عما إذا كان $N = 3000$.

إذا قام الباحث بإدخال النسب المئوية (بحيث يصبح المجموع دائماً 100)، فإن البرنامج الإحصائي يتعامل مع الرقم 100 كما لو كان هو حجم العينة الحقيقي للمفحوصين. فإذا كانت العينة الأصلية 1000 مفحوص، فإن إدخال النسب المئوية يؤدي إلى انكماش هائل في القوة الإحصائية ويضخم الخطأ من النوع الثاني (Type II Error)، مما يؤدي إلى الفشل في اكتشاف الفروق الحقيقية الموجودة بالفعل في الواقع الميداني.

وعلى العكس، إذا كانت العينة الفعلية 20 مفحوصاً فقط وتم تحويلها لنسب مئوية بمجموع 100، فإن ذلك يؤدي إلى تضخيم زائف للقوة الإحصائية وارتكاب الخطأ من النوع الأول. يقتضي الضبط المنهجي الصارم استخدام الأعداد الصحيحة الخام المطلقة للتكرارات المشاهدة، وتوليد النسب المئوية لأغراض الوصف والعرض البياني والجدولي فقط.

11.2 تجاهل تبعية البيانات والقياسات المتكررة

يقع بعض الباحثين في منزلق منهجي خطير يتمثل في تطبيق اختبار كاي تربيع لحسن المطابقة على بيانات تم جمعها بالتصميم التجريبي للقياسات المتكررة (Repeated Measures) أو من أفراد تربطهم علاقات تبعية وثيقة (كالزوجين، أو التوائم، أو أفراد الأسرة الواحدة في دراسات التفاعل الأسري)، متجاهلين الركن الأساسي في افتراضات الاختبار وهو استقلالية المشاهدات.

من الأمثلة الفاقعة على هذا المنزلق: قياس الحالة المزاجية لنفس المجموعة المكونة من 50 مريضاً قبل خضوعهم لجلسة علاجية وتصنيفهم (متحسن / غير متحسن)، ثم إعادة قياس نفس الأفراد الـ 50 بعد الجلسة، وجمع التكرارات معاً في جدول أحادي بحجم $N = 100$ لاختبار حسن المطابقة. يؤدي هذا الخلط إلى انتهاك رياضي جسيم وتشويه لتقديرات التباين والخطأ المعياري.

إن البديل الإحصائي المنهجي الصحيح والمصمم خصيصاً لاختبار التغيرات الفئوية في العينات المرتبطة والتصاميم قبل-بعد (Pretest-Posttest Designs) هو اختبار ماكنيمار (McNemar Test) للحالات الثنائية، أو اختبار ستيوارت-ماكسويل (Stuart-Maxwell Test) للحالات الفئوية متعددة المستويات، حيث تأخذ هذه الاختبارات في الاعتبار مصفوفة التغيرات التوافقية المرتبطة للمفحوصين أنفسهم.

11.3 سوء تفسير دلالة رفض الفرضية الصفرية

يرتبط المأزق المنهجي الثالث بالتفسير الخاطئ والقفز إلى استنتاجات غير مبررة إحصائياً عند رفض الفرضية الصفرية ($H_0$). عندما يُظهر الاختبار قيمة دالة ($p < 0.05$) لمتغير يحتوي على أربع فئات مثلاً، يقع بعض المبتدئين في خطأ افتراض أن "جميع الفئات الأربع تختلف اختلافاً جوهرياً ودالاً عن نسبها المتوقعة"، وهذا استنتاج غير دقيق بالمرة.

إن رفض الفرضية الصفرية يعني فقط وجود فئة واحدة على الأقل تختلف عن المتوقع؛ فقد يكون الانحراف الإجمالي مدفوعاً بالكامل بتباين ضخم في فئة واحدة فقط، بينما تتطابق الفئات الثلاث الأخرى تطابقاً تاماً مع النموذج النظري. لتفادي هذا المنزلق، يتعين على الباحث عدم صياغة استنتاجات شمولية، والالتزام الصارم بفحص البواقي المعيارية ($R_i$) لكل فئة، وتحديد الفئات المسؤولة فعلياً عن توليد الدلالة الإحصائية.

كذلك يجب الحذر التام من القفز من دلالة حسن المطابقة الوصفية إلى استنتاجات سببية (Causal Claims)؛ فاختبار حسن المطابقة اختبار مقارن لتوزيع التكرارات، ولا يمتلك أي قدرة تصميمية على إثبات السببية ما لم تكن البيانات مأخوذة من تصميم تجريبي صارم الضبط والتحكم.

12. دليل كتابة وتوثيق نتائج اختبار كاي تربيع وفق معايير APA 7

12.1 الصياغة النصية القياسية لنتائج الاختبار في المتن

تضع الجمعية الأمريكية لعلم النفس في دليلها المرجعي السابع (APA 7th Edition) معايير صارمة وواضحة لتوثيق نتائج اختبار كاي تربيع لحسن المطابقة في متن التقارير والبحوث الأكاديمية. يجب أن يتضمن التوثيق النصي المعالم الإحصائية التالية مرتبة بدقة:

1. الرمز الإحصائي لكاي تربيع بحرف مائل ($\chi^2$).
2. درجات الحرية ($df$) بين قوسين، متبوعة بحجم العينة الإجمالي ($N = dots$).
3. قيمة إحصاءة الاختبار المحسوبة مقربة إلى منزلتين عشريتين.
4. القيمة الاحتمالية الدقيقة ($p$-value) مقربة إلى ثلاث منازل عشرية، أو كتابة ($p < .001$) إذا كانت متناهية الصغر، مع حذف الصفر الذي يسبق الفاصلة العشرية.
5. مؤشر حجم الأثر (معامل كوهين $w$) مقرباً إلى منزلتين عشريتين.

نموذج الصياغة النصية لنتيجة دالة إحصائياً (من واقع مثال الأنماط العلاجية):

“أظهر اختبار كاي تربيع لحسن المطابقة وجود فروق ذات دلالة إحصائية في تفضيلات المرضى للأساليب العلاجية المختلفة، $\chi^2(3, N = 120) = 16.80, p < .001, w = 0.37$. وقد أظهر فحص البواقي المعيارية انحيازاً دالاً لصالح العلاج المعرفي السلوكي ($O = 48, E = 30, R = 3.29$) مقارنة بأساليب العلاج الإنساني التي شهدت عزوفاً ملحوظاً ($O = 18, E = 30, R = -2.19$)."

نموذج الصياغة النصية لنتيجة غير دالة إحصائياً (من واقع مثال مقياس الاتجاهات):

“أشارت نتائج اختبار كاي تربيع لحسن المطابقة إلى عدم وجود فروق ذات دلالة إحصائية في توزيع اتجاهات المعلمين نحو دمج الأطفال ذوي الاضطرابات السلوكية، $\chi^2(2, N = 90) = 5.60, p = .061, w = 0.25$. وتدل هذه النتيجة على أن استجابات المعلمين تتوزع بصورة متقاربة بين التأييد والحياد والمعارضة بما يتفق مع فرضية التوزيع المتساوي.”

12.2 تصميم الجداول الإحصائية المرافقة وفق دليل الجمعية الأمريكية لعلم النفس

تشترط معايير APA 7 تنسيقاً شكلياً رصيناً للجداول الإحصائية يرتكز على استخدام الخطوط الأفقية فقط (أعلى الجدول، وأسفل عناوين الأعمدة، وأسفل الجدول) مع الحذف التام لكافة الخطوط العمودية، واستخدام خط مائل للرموز الإحصائية ($N, %, M, SD$).

يوضح الجدول التالي التنسيق الأكاديمي القياسي لعرض نتائج اختبار كاي تربيع لحسن المطابقة لأنماط التعلق النفسي (المثال الثاني):

جدول 1
نتائج اختبار كاي تربيع لحسن المطابقة لتوزيع أنماط التعلق النفسي في العينة (N = 200)

نمط التعلق	التكرار المشاهد (O)	النسبة المشاهدة (%)	التكرار المتوقع (E)	الباقي المعياري (R)	فترة الثقة 95% للنسبة
النمط الآمن (Secure)	90	45.0%	120.0	-2.74*	[38.2%, 52.0%]
النمط القلق (Anxious)	60	30.0%	40.0	+3.16*	[24.0%, 36.8%]
النمط المتجنب (Avoidant)	50	25.0%	40.0	+1.58	[19.4%, 31.5%]
الإجمالي	200	100.0%	200.0	–	–

ملاحظة. $\chi^2(2) = 20.00, p 1.96$. فترات الثقة تم حسابها بطريقة ويلسون للنسب.

12.3 ربط النتائج الإحصائية بالأطر النظرية ومناقشتها أكاديمياً

تمثل ترجمة الأرقام والمعالم الإحصائية إلى تفسيرات نفسية ونظرية عميقة الغاية القصوى للبحث العلمي الرصين. لا ينبغي لمناقشة النتائج في الأطروحات والمقالات المحكمة أن تتوقف عند تكرار قراءة الجداول، بل يجب أن تنطلق للإجابة عن التساؤلات المعرفية الأعمق: ما الذي تعنيه هذه الفروق في ضوء النماذج النظرية السابقة؟ وكيف تُسهم في تطوير الممارسة السريرية والميدانية؟

عند مناقشة نتائج اختبار حسن المطابقة التي أظهرت انحرافاً دالاً، يتعين على الباحث مقارنة النتائج بالأدبيات الوطنية والدولية، وتفسير أسباب تباين استجابات العينة عن المعايير النظرية المقترحة؛ كأن يُعزى ارتفاع نمط التعلق القلق لدى طلاب الجامعة إلى ضغوط المرحلة الانتقالية والانفصال عن البيئة الأسرية الداعمة. كما تقتضي الأمانة العلمية تفكيك مصادر الخطأ المحتملة، ومناقشة حدود أدوات القياس المستخدمة، واقتراح أبحاث تتبعية مستقبلية لفحص ديناميات هذا التحول عبر الزمن.

أخيراً، يجب تتويج المناقشة الأكاديمية بصياغة توصيات تطبيقية وإكلينيكية ملموسة؛ مثل تصميم برامج إرشادية وتدخلات علاجية تركز خصيصاً على الفئات التي أظهرت البواقي المعيارية تدنياً أو ارتفاعاً غير متوقع في انتشارها، مما يجعل من التحليل الإحصائي منطلقاً لتطوير الواقع وتحسين جودة الحياة الإنسانية.

خاتمة واستنتاجات منهجية

يظل اختبار كاي تربيع لحسن المطابقة (Chi-Square Goodness of Fit Test) أداة تحليلية لامعلمية أصيلة وأساسية في ترسانة المنهجية العلمية والتحليل الكمي للبيانات الفئوية. لقد أثبت الاختبار على مدار أكثر من قرن وربع من الزمان مرونته الفائقة وقدرته التفسيرية العالية في معالجة الظواهر الإنسانية والسلوكية المصنفة ضمن مقاييس اسمية ورتبية، موفراً جسراً إحصائياً محكماً للتحقق من مطابقة الواقع التجريبي الميداني مع النماذج النظرية والتوقعات الوبائية.

إن التطبيق الأمثل والناضج لهذا الاختبار يقتضي من الباحث والممارس السيكولوجي استحضار الوعي المنهجي الصارم بشروطه الأساسية، لا سيما استقلالية المشاهدات، واستيفاء الحد الأدنى لحجم العينة وفق قاعدة كوشران، واستخدام التكرارات الخام حصراً، وتجنب الخلط مع جداول التوافق المتقاطعة. كما يتطلب التحليل الحديث عدم الاكتفاء بالدلالة الإحصائية المجردة ($p$-value)، بل تعزيزها الإلزامي بحساب مؤشرات حجم الأثر (معامل كوهين$w$)، وفحص البواقي المعيارية للوقوف على مواضع التباين الدقيق، وحساب فترات الثقة، واستدعاء البدائل الدقيقة كاختبارات مونت كارلو واختبار ذي الحدين عند مواجهة عينات سريرية صغيرة أو فئات نادرة، وتوثيق كافة المعالم الإحصائية بأعلى معايير الشفافية والضبط الأكاديمي وفق دليل APA 7.

References

• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688
• American Psychiatric Association. (2022). Diagnostic and statistical manual of mental disorders (5th ed., text rev.; DSM-5-TR). American Psychiatric Publishing. https://doi.org/10.1176/appi.books.9780890425787
• 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
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001666
• 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.
• Franke, T. M., Ho, T., & Christie, C. A. (2012). The chi-square test of independence. American Journal of Evaluation, 33(3), 448–458. https://doi.org/10.1177/1098214011426594
• Greenwood, P. E., & Nikulin, M. S. (1996). A guide to chi-squared testing. John Wiley & Sons.
• McDonald, J. H. (2014). Handbook of biological statistics (3rd ed.). Sparky House Publishing.
• 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
• Sharpe, D. (2015). Your chi-square test is statistically significant: Now what? Practical Assessment, Research, and Evaluation, 20(8), 1–10. https://doi.org/10.7275/tbfa-x148
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Wilson, E. B. (1927). Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association, 22(158), 209–212. https://doi.org/10.1080/01621459.1927.10502953