اختبار كاي تربيع للاستقلالية ومثال

يمثل الاستدلال الإحصائي الركيزة الأساسية التي تقوم عليها المنهجية العلمية المعاصرة في استخلاص الاستنتاجات، واختبار الفرضيات، وفهم العلاقات المعقدة بين الظواهر الطبيعية والسلوكية والاجتماعية. وفي ظل التنوع الهائل في طبيعة البيانات التي يجمعها الباحثون في الميادين الأكاديمية والتطبيقية، تبرز البيانات الفئوية (Categorical Data) كأحد أكثر أنماط البيانات شيوعاً؛ حيث يتم تصنيف المفردات أو الأفراد ضمن مجموعات أو فئات محددة بناءً على سمات نوعية أو مستويات رتبية محددة سلفاً. وتتطلب معالجة هذا النوع من البيانات أدوات إحصائية متخصصة لا تفترض بالضرورة اعتدالية التوزيع أو توافر مستويات القياس الفاصلة والنسبية، بل تركز على دراسة أنماط التكرارات وتوزيع المشاهدات ضمن مصفوفات تصنيفية متقاطعة.

في هذا السياق المنهجي، يحتل اختبار كاي تربيع للاستقلالية (Chi-Square Test of Independence) مكانة محورية ومرموقة كأحد أهم الاختبارات اللامعلمية وأكثرها استخداماً في العلوم الإنسانية، وعلم النفس، وعلم الاجتماع، والعلوم الطبية، وبحوث التسويق. يهدف هذا الاختبار بالأساس إلى التحقق مما إذا كانت هناك علاقة ارتباطية ذات دلالة إحصائية بين متغيرين فئويين، أو ما إذا كان هذان المتغيران مستقلين تماماً عن بعضهما البعض في المجتمع الإحصائي المسحوبة منه العينة. إن الفكرة الجوهرية التي يستند إليها هذا الاختبار تقوم على مقارنة التكرارات التي تمت ملاحظتها وتوثيقها فعلياً في الميدان بتلك التكرارات التي كان يُتوقع ظهورها نظرياً فيما لو كانت الفرضية الصفرية القائلة بعدم وجود أي علاقة بين المتغيرين صحيحة تماماً.

يقدم هذا الدليل المرجعي الشامل تفصيلاً أكاديمياً دقيقاً وعميقاً لاختبار كاي تربيع للاستقلالية؛ بدءاً من أصوله النظرية وتطوره التاريخي، مروراً بتمييزه الدقيق عن الاختبارات الإحصائية الشبيهة والمقاربة، واستعراض شروطه وافتراضاته المنهجية الصارمة، وصولاً إلى آليات البناء الرياضي لجداول التوافق وحساب إحصائية الاختبار يدوياً عبر مثال تطبيقي متكامل. كما يتطرق الدليل إلى كيفية تفسير النتائج، وحساب مقاييس حجم الأثر مثل معامل فاي ومعامل كرامر، وتحليل البواقي المعيارية، وكتابة التقرير الإحصائي وفق معايير جمعية علم النفس الأمريكية (APA)، وانتهاءً باستعراض التطبيقات البرمجية عبر SPSS وR وPython، ومناقشة البدائل المتقدمة والأخطاء الشائعة التي ينبغي للباحثين تفاديها.

1. المدخل النظري والمفاهيمي لاختبار كاي تربيع للاستقلالية

1.1 تعريف اختبار كاي تربيع للاستقلالية وسياقه التاريخي

يُعرّف اختبار كاي تربيع للاستقلالية بأنه اختبار إحصائي استدلالي لا معلمي (Non-parametric Inferential Test) يُستخدم لتقييم فرضية الاستقلالية التوزيعية بين متغيرين نوعيين أو فئويين مقاسين على مستوى اسمي (Nominal) أو رتبي (Ordinal). تعود الجذور التاريخية والرياضية لهذا الاختبار إلى مطلع القرن العشرين، وتحديداً إلى الورقة العلمية المفصلية التي نشرها عالم الإحصاء البريطاني الرائد كارل بيرسون (Karl Pearson) في عام 1900 في مجلة Philosophical Magazine. أحدث بيرسون بتلك الورقة ثورة منهجية كبرى في التحليل الإحصائي، إذ وفّر للباحثين أداة رياضية صارمة تمكنهم من اختبار الفروق بين التوزيعات التكرارية المشاهدة والتوزيعات النظرية المتوقعة، وهو ما مهّد الطريق لاحقاً لصياغة اختبارات الاستقلالية في جداول الاقتران والتوافق.

من الناحية المفاهيمية، يرتكز مفهوم “الاستقلالية الإحصائية” (Statistical Independence) على نظرية الاحتمالات الكلاسيكية؛ حيث يُقال إن المتغيرين مستقلان إذا كان الاحتمال المشترك لحدوث الفئة $A$ من المتغير الأول والفئة $B$ من المتغير الثاني مساوياً لحاصل ضرب احتماليهما الهامشيين المنفصلين، أي أن $P(A \cap B) = P(A) \times P(B)$. وإذا تحقق هذا التساوي عبر جميع الخلايا الممكنة في الجدول، فإن توزيع أحد المتغيرين لا يختلف باختلاف مستويات المتغير الآخر، مما يعني انتفاء أي ارتباط إحصائي بينهما في المجتمع المدروس.

من الضروري هنا التمييز الدلالي والمنهجي الحاسم بين “الاقتران الإحصائي” (Statistical Association) و”علاقة السببية” (Causality)، لا سيما في الأبحاث النفسية والاجتماعية. إن رفض الفرضية الصفرية والحصول على قيمة دالة إحصائياً لاختبار كاي تربيع يعني فقط أن المتغيرين غير مستقلين وأن ثمة نمطاً غير عشوائي يجمع بينهما؛ ولكنه لا يثبت بأي حال من الأحوال أن أحد المتغيرين هو السبب المباشر في حدوث المتغير الآخر. قد يكون هذا الاقتران ناتجاً عن متغيرات كامنة أو دخيلة (Confounding Variables) تؤثر في كلا المتغيرين بالتزامن. تتجلى الأهمية المنهجية لاختبار كاي تربيع كأداة لا معلمية في كونه يحرر الباحث من قيود التوزيع الطبيعي الصارمة وافتراضات تجانس التباين التي تشترطها النماذج المعلمية، مما يجعله وسيلة مثالية لتحليل البيانات الميدانية والمسحية الواسعة.

1.2 طبيعة البيانات المناسبة للاختبار

يتعامل اختبار كاي تربيع للاستقلالية مع البيانات النوعية أو الفئوية بمختلف مستوياتها التصنيفية. يشمل ذلك في المقام الأول المتغيرات الاسمية (Nominal Variables)، وهي المتغيرات التي تتكون من فئات متمايزة نوعياً لا تخضع لأي ترتيب تفضيلي أو منطقي متأصل، مثل: النوع الاجتماعي (ذكر/أنثى)، التخصص الأكاديمي (علمي/أدبي/هندسي)، الحالة الاجتماعية (أعزب/متزوج/مطلق/أرمل)، أو الانتماء الجغرافي. كما يمكن تطبيق الاختبار بكفاءة على المتغيرات الرتبية (Ordinal Variables)، وهي الفئات التي تمتلك ترتيباً تصاعدياً أو تنازلياً ولكن دون فواصل عددية متساوية وثابتة بين الرتب، مثل: الرضا الوظيفي (منخفض/متوسط/مرتفع)، أو المستوى التعليمي (ابتدائي/ثانوي/جامعي/دراسات عليا).

في كثير من التطبيقات البحثية، يواجه الباحث بيانات مستمرة (Continuous Data) كالعمر الزمني، أو درجات الذكاء، أو مقاييس الدخل المالي، ويرغب في فحص علاقتها بمتغيرات فئوية أخرى باستخدام كاي تربيع. يُعد تحويل البيانات المستمرة إلى فئات تصنيفية (Discretization / Categorization) أمراً جائزاً منهجياً بشرط أن يستند هذا التقسيم إلى أسس نظرية واضحة ومبررة (Theoretical Cut-offs) أو معايير إحصائية معتمدة (كتقسيم البيانات بناءً على الأرباع أو المئينات الإحصائية)، مع تجنب التقطيع العشوائي أو المفرط الذي قد يؤدي إلى فقدان التباين الأصيل وتقليل القوة الإحصائية (Statistical Power) للدراسة.

تتدرج مصفوفات البيانات الصالحة للاختبار من الجداول الثنائية البسيطة ذات التصنيف المزدوج ($2 times 2$) التي تتقاطع فيها فئتان لكل متغير، وصولاً إلى التصاميم متعددة الفئات ذات الأبعاد المعقدة ($r times c$)؛ حيث يمثل$r$ عدد صفوف المتغير الأول و$c$ عدد أعمدة المتغير الثاني. ويتطلب التصميم التجريبي السليم التأكد من أن كل استجابة أو مفردة خاضعة للدراسة تسجل كقيمة تكرارية صحيحة ومستقلة، بعيداً عن النسب المئوية أو المتوسطات الحسابية أثناء مرحلة إدخال البيانات الأولية في معادلة الاختبار.

1.3 أهداف استخدام اختبار كاي تربيع للاستقلالية في البحث العلمي

تتعدد الغايات المنهجية والتطبيقية التي يسعى الباحثون إلى تحقيقها عبر توظيف اختبار كاي تربيع للاستقلالية. يتمثل الهدف الأول والرئيسي في تحديد ما إذا كانت هناك علاقة ارتباطية ذات دلالة إحصائية بين سمتين أو متغيرين سلوكيين أو ديموغرافيين، دون الحاجة إلى افتراض توزيع احتمالي اعتدالي في مجتمع الدراسة الأصلي. يتيح ذلك لعلماء النفس وعلماء السلوك، على سبيل المثال، فحص ما إذا كان تبني نمط معين من استراتيجيات التكيف النفسي يرتبط بفئة تشخيصية معينة للاضطرابات النفسية.

يتمثل الهدف الثاني في فحص نماذج التوزيع الاحتمالي المشترك للمتغيرات قيد التقصي؛ إذ يتيح التحليل الكشف عما إذا كانت التكرارات الميدانية تتوزع بشكل متجانس عبر الخلايا المختلفة للجدول المتقاطع، أم أن هناك تركزاً أو شذوذاً تكرارياً ملحوظاً في خلايا نوعية معينة يفوق ما يمكن أن يُعزى إلى الصدفة أو خطأ المعاينة العشوائي. يوفر هذا الفحص فهماً استكشافياً عميقاً لطبيعة التفاعل المتبادل بين الأبعاد المدروسة.

أما الهدف الثالث فيكمن في تقييم مدى ملاءمة النماذج والتنظيرات العلمية مع التوزيعات والواقع المشاهد ميدانياً. يتيح الاختبار للباحث اختبار صحة النظريات السوسيولوجية والنفسية التي تفترض وجود تباين أو اتساق في السلوكيات والاتجاهات بين الفئات المجتمعية المختلفة. فعندما تأتي نتائج كاي تربيع غير دالة إحصائياً، فإن ذلك يمنح دعماً أمبريقياً للفرضية القائلة بأن النمط السلوكي قيد الفحص موزع بانتظام وبشكل متكافئ دون تحيز أو اعتمادية على التصنيف الفئوي للمشاركين.

2. التمييز المنهجي بين اختبار الاستقلالية والاختبارات المجاورة

2.1 الفروق بين اختبار الاستقلالية واختبار حسن المطابقة (Goodness-of-Fit)

على الرغم من أن كلاً من اختبار حسن المطابقة (Chi-Square Goodness-of-Fit Test) واختبار كاي تربيع للاستقلالية يستندان إلى المعادلة الرياضية الجوهرية ذاتها، إلا أن الفروق المنهجية والتطبيقية بينهما جوهرية وحاسمة في بنية التصميم البحثي. يكمن الفارق الأبرز في عدد المتغيرات الخاضعة للتحليل؛ حيث يختص اختبار حسن المطابقة بدراسة متغير فئوي واحد فقط مقسم إلى فئتين أو أكثر، ويهدف إلى تحديد ما إذا كان التوزيع التكراري الملاحظ لهذا المتغير يطابق توزيعاً نظرياً محدداً مسبقاً (كتوزيع النسب الوراثية المندلية، أو التوزيع المتساوي لجميع الفئات). في المقابل، يدرس اختبار الاستقلالية متغيرين فئويين متقاطعين معاً لاختبار العلاقة الاقترانية بينهما.

ينعكس هذا الاختلاف البنيوي مباشرة على طبيعة صياغة الفرضيات الإحصائية في كلا الاختبارين. فبينما تفترض الفرضية الصفرية في حسن المطابقة أن: “توزيع الفئات في المجتمع يطابق التوزيع النظري المقترح”، تنص الفرضية الصفرية في اختبار الاستقلالية على أن: “المتغير الأول مستقل تماماً عن المتغير الثاني في المجتمع الأصلي”. وبالمثل، تختلف طريقة حساب التكرارات المتوقعة؛ ففي حسن المطابقة تُحسب بضرب النسبة النظرية المفترضة لكل فئة في الحجم الكلي للعينة ($E_i = N \times p_i$)، في حين تعتمد في اختبار الاستقلالية على الجداء التبادلي للمجاميع الهامشية لصفوف وأعمدة جدول التوافق مقسوماً على الحجم الكلي للعينة.

يترتب على ذلك أيضاً تباين رياضي في حساب درجات الحرية ($df$). تُحسب درجات الحرية في اختبار حسن المطابقة بالمعادلة: $df = k – 1$، حيث يمثل $k$ عدد فئات المتغير الواحد. أما في اختبار الاستقلالية، فتُحسب وفق أبعاد المصفوفة الثنائية من خلال ضرب درجات حرية الصفوف في درجات حرية الأعمدة: $df = (r – 1) \times (c – 1)$.

2.2 اختبار الاستقلالية مقابل اختبار التجانس (Test of Homogeneity)

يمثل التمييز بين اختبار كاي تربيع للاستقلالية واختبار كاي تربيع للتجانس (Test of Homogeneity) أحد أدق الفروق المنهجية في الإحصاء التطبيقي؛ حيث يتطابق الاختباران تماماً من حيث العمليات الرياضية الحسابية وجدول التوافق وقيمة إحصائية كاي تربيع ودرجات الحرية، لكنهما يختلفان جذرياً في استراتيجية أخذ العينات (Sampling Strategy) والأسئلة البحثية المصاغة.

في اختبار الاستقلالية، يقوم الباحث بسحب عينة عشوائية مفردة وواحدة من مجتمع الدراسة الإجمالي، ثم يُقاس كل فرد في العينة بالنسبة لكلا المتغيرين في آن واحد (Cross-classification). السؤال البحثي هنا يتمحور حول: “هل يرتبط المتغير (أ) بالمتغير (ب) لدى أفراد هذا المجتمع الواحد؟” وتكون جميع المجاميع الهامشية للصفوف والأعمدة عشوائية وغير مثبتة مسبقاً قبل جمع البيانات، ولا يُعرف حجم أي منها إلا بعد انتهاء الجمع الميداني للمشاهدات.

في المقابل، يعتمد اختبار التجانس على سحب عينات عشوائية مستقلة ومتعددة من مجتمعات إحصائية فرعية محددة ومفصولة مسبقاً (أو تثبيت أحجام المجموعات التجريبية تجريبياً مسبقاً)، ثم يتم قياس متغير استجابة فئوي واحد عبر تلك المجموعات. السؤال البحثي في اختبار التجانس هو: “هل التوزيع التكراري والنسبي للمتغير المقاس متماثل ومتجانس عبر المجتمعات الفرعية المختلفة؟” هنا تكون مجاميع الصفوف (أو الأعمدة) محددة وثابتة مسبقاً بواسطة الباحث، بينما تكون المجاميع المتعامدة معها فقط هي العشوائية. ورغم أن النتيجة الحسابية متطابقة، إلا أن التفسير الدلالي للنتائج ينبغي أن يعكس منهجية جمع البيانات وتصميم المعاينة المعتمد.

2.3 مقارنة اختبار كاي تربيع بالأساليب الإحصائية المعلمية الموازية

عند المفاضلة المنهجية بين الأساليب الإحصائية، يبرز اختبار كاي تربيع للاستقلالية كبديل لا معلمي متين للأساليب المعلمية المألوفة مثل معامل ارتباط بيرسون (Pearson Correlation) وتحليل التباين الأحادي (ANOVA). يشترط ارتباط بيرسون وتحليل التباين أن تكون المتغيرات التابعة مقاسة على مستوى مقياس فتري أو نسبي (Interval/Ratio)، وأن تتبع البيانات التوزيع الطبيعي الاعتدالي، مع اشتراط تجانس التباينات بين المجموعات المقارنة.

عندما تُنتهك هذه الشروط المعلمية الصارمة، أو عندما تكون المتغيرات بطبيعتها التصنيفية نوعية بحتة لا تقبل التكميم الرياضي المتصل، يصبح اختبار كاي تربيع الخيار المنهجي الأكثر دقة وسلامة. غير أن هذا التحرر من شروط التوزيع الطبيعي يقابله تنازل منهجي يتعلق بالقوة الإحصائية؛ فالنماذج الخطية العامة والمعلمية تمتلك عموماً قوة إحصائية أعلى وقدرة أكبر على اكتشاف الفروق الحقيقية الدقيقة وتأثيرات التفاعل المتعددة، كما تتيح إمكانية التنبؤ الكمي والتعديل على المتغيرات المصاحبة بكفاءة أكبر مقارنة باختبار كاي تربيع الثنائي المحدود بمستويات الفئات.

3. الافتراضات والشروط المنهجية لتطبيق اختبار كاي تربيع للاستقلالية

3.1 افتراض الاستقلالية التامة للمشاهدات

يُعد افتراض استقلالية المشاهدات (Independence of Observations) الشرط الأكثر جوهرية وحساسية لتطبيق اختبار كاي تربيع للاستقلالية، وهو افتراض لا يمكن التغاضي عنه أو معالجته حسابياً بعد جمع البيانات إذا ما تم انتهاكه في التصميم البحثي. يقتضي هذا الشرط أن تكون كل مشاهدة مسجلة في جدول التوافق ممثلة لمفردة بحثية أو مشارك مستقل بذاته، بحيث ينتمي كل فرد أو حدث إلى خلية واحدة وفقط خلية واحدة داخل الجدول، دون وجود أي قياسات متكررة لنفس الشخص عبر خلايا متعددة.

يترتب على ذلك عدم جواز استخدام اختبار كاي تربيع للاستقلالية في التصاميم القبلية والبعدية (Pretest-Posttest Designs) أو في دراسات القياسات الطولية المتكررة (Repeated Measures)، حيث يتم قياس الأفراد أنفسهم في فترات زمنية مختلفة. يؤدي تطبيق كاي تربيع على بيانات متكررة القياس إلى انتهاك خطير لاستقلالية الأخطاء، مما يتسبب في تضخيم زائف للقوة الإحصائية وتوليد قرارات خاطئة برفض الفرضية الصفرية عندما تكون صحيحة (وقوع في الخطأ من النوع الأول Type I Error). والبديل الإحصائي المنهجي الصحيح لمثل هذه الحالات المقترنة هو استخدام اختبار ماكنيمار (McNemar’s Test) للبيانات الثنائية المزدوجة، أو النماذج المعممة المتقدمة.

للتحقق من سلامة هذا الافتراض في العينات السيكولوجية والاجتماعية، يتعين على الباحث الاعتماد على أسلوب المعاينة العشوائية البسيطة أو الطبقية المتقنة، والتأكد الميداني من عدم مشاركة الفرد الواحد أكثر من مرة في الاستبانة أو التجربة، ومنع تفاعل المشاركين أثناء تسجيل استجاباتهم الفئوية لضمان عدم تأثر اختيارات فرد بقرارات فرد آخر.

3.2 حجم العينة وكفاية التكرارات المتوقعة

لا يستند اختبار كاي تربيع إلى التكرارات الملاحظة وحدها في تقييم كفاية العينة، بل يعتمد بالأساس على قيم “التكرارات المتوقعة” (Expected Frequencies) المحسوبة نظرياً في كل خلية من خلايا الجدول. ترجع أهمية هذا الشرط إلى أن الإحصائية المقاربة لكاي تربيع تتبع التوزيع النظري بدقة فقط عندما تكون أحجام العينات والتكرارات المتوقعة كافية لضمان تقارب النهاية المركزية للتوزيع التكراري المنفصل مع المنحنى الاحتمالي المستمر.

تتمثل القاعدة المنهجية المعيارية الأكثر قبولاً في هذا الصدد في قاعدة كوكران (Cochran’s Rule)، والتي تضع محددين صارمين لجداول التوافق التي يزيد حجمها عن ($2 times 2$):

• يجب ألا تزيد نسبة الخلايا التي يقل تكرارها المتوقع عن 5 عن 20% من إجمالي عدد خلايا الجدول الكلية.
• يجب ألا يقل التكرار المتوقع في أي خلية من خلايا الجدول على الإطلاق عن 1 (أي أن الحد الأدنى المطلق للتكرار المتوقع في أي خلية هو 1.0).

أما في الجداول المزدوجة من رتبة ($2 times 2$)، فيشترط معظم الإحصائيين ألا يقل التكرار المتوقع في أي من الخلايا الأربع عن 5 مشاهدات كاملة لضمان دقة دالة التوزيع الاحتمالي التقريبي.

في المقابل، يحمل حجم العينة الضخم للغاية (Very Large Sample Size) مخاطر منهجية من نوع آخر؛ حيث إن إحصائية كاي تربيع حساسة طردياً لحجم العينة ($N$). فعند جمع عينات بالغة الضخامة تتجاوز عشرات الآلاف من المشاهدات، تصبح حتى الفروق التكرارية التافهة والضئيلة جداً دالة إحصائياً عند مستويات ألفا الصارمة، مما يولد “دلالة إحصائية زائفة” لا تحمل أي قيمة أو أهمية عملية أو تطبيقية في السياق الواقعي للمتغيرات، مما يفرض وجوب الاعتماد الصارم على مقاييس حجم الأثر الإحصائي لتفسير النتائج.

3.3 مستوى القياس وسلامة التصنيف الفئوي

تستلزم المنهجية العلمية السليمة أن تخضع عملية تصنيف المتغيرات الفئوية لمعايير دقيقة تحول دون وقوع أخطاء القياس والتصنيف العشوائي. يُعد الشرط الأساسي في بناء الفئات هو أن تكون شاملة ومانعة للتبادل (Mutually Exclusive and Exhaustive)؛ ويعني ذلك أن تتوفر لكل مشارك في العينة فئة تناسبه تماماً دون استثناء، وألا يكون بمقدور أي مشارك الانتماء لأكثر من فئة واحدة تحت أي ظرف من الظروف التجريبية.

ينبغي للباحث تجنب الفئات الغامضة أو المعايير المزدوجة في تقسيم المتغيرات السلوكية؛ ففي مقاييس الشخصية أو الاتجاهات، يجب أن تكون الحدود الفاصلة بين الفئات محددة إجرائياً بوضوح كامل يضمن ثبات التصنيف وتوافقه بين الملاحظين والمحكمين (Inter-rater Reliability). إن أي تداخل في المفاهيم يترجم مباشرة إلى خلل في مصفوفة التكرارات وتشويش القيمة الناتجة لاختبار كاي تربيع.

في الحالات التي يواجه فيها الباحث مشكلة صغر التكرارات المتوقعة في بعض الخلايا، يُتاح منهجياً اللجوء إلى تقنية “تجميع الفئات المتجاورة أو المتشابهة” (Category Collapsing). وتتطلب هذه التقنية دمج الفئات ذات المحتوى الدلالي المتقارب لتكوين فئات أوسع ترفع من قيم التكرارات المتوقعة وتستوفي شروط كوكران، شريطة أن يتم هذا الدمج استناداً إلى مبررات نظرية واضحة ومسبقة، وليس كوسيلة تحايل حسابي للوصول المتعمد إلى الدلالة الإحصائية.

4. بناء الفرضيات الإحصائية وتحديد مستويات الدلالة

4.1 صياغة الفرضية الصفرية ($H_0$) والبديلة ($H_1$)

ترتكز عملية الاستدلال في اختبار كاي تربيع للاستقلالية على صياغة رياضية ومنطقية دقيقة للفرضيات المتنافسة. تعبر الفرضية الصفرية (Null Hypothesis – $H_0$) دائماً عن فرضية “اللا أثر” أو “انعدام الارتباط” في المجتمع الإحصائي المسحوب منه العينة. ومن منظور نظرية الاحتمالات، تصاغ الفرضية الصفرية بالقول إن الاحتمال المشترك لانتماء أي فرد للفئة $i$ من المتغير الأول والفئة $j$ من المتغير الثاني يساوي حاصل ضرب احتماليهما الهامشيين:

$$H_0: P(X = i \cap Y = j) = P(X = i) \times P(Y = j) \quad \text{for all } i, j$$

وبالصياغة اللفظية العلمية: “لا توجد علاقة اقتران ذات دلالة إحصائية بين المتغير الأول والمتغير الثاني في المجتمع؛ أي أن المتغيرين مستقلان تماماً عن بعضهما البعض”.

في المقابل، تنص الفرضية البديلة (Alternative Hypothesis – $H_1$) على نفي الفرضية الصفرية، وتشير إلى وجود اعتمادية أو اقتران حقيقي بين المتغيرين:

$$H_1: P(X = i \cap Y = j) \neq P(X = i) \times P(Y = j) \quad \text{for at least one pair } (i, j)$$

وبالصياغة اللفظية: “توجد علاقة اقتران ذات دلالة إحصائية بين المتغير الأول والمتغير الثاني في المجتمع؛ أي أن المتغيرين غير مستقلين”.

من الأهمية المنهجية الإشارة إلى أن اختبار كاي تربيع هو بطبيعته الرياضية اختبار “غير اتجاهي” (Omnibus / Non-directional Test). وعليه، لا يجوز بأي حال من الأحوال صياغة الفرضية البديلة بصيغ تفضيلية أو اتجاهية مسبقة (مثل القول بأن ارتفاع فئة معينة يرتبط بزيادة فئة أخرى)؛ لأن قيمة إحصائية كاي تربيع الناتجة تعبر عن مجموع الانحرافات التربيعية المطلقة الشاملة دون إعطاء إشارات جبرية تدل على اتجاه محدد للعلاقة عبر جميع المستويات.

4.2 تحديد مستوى المعنوية (ألفا) ومفهوم مناطق الرفض

يمثل مستوى المعنوية (Significance Level – $\alpha$) المعيار الاحتمالي الحرج الذي يقبله الباحث مسبقاً لاحتمال الوقوع في الخطأ من النوع الأول (Type I Error)، وهو احتمال رفض الفرضية الصفرية في حين أنها صحيحة واقعياً في المجتمع الأصلي. يحدد الباحثون في العلوم الاجتماعية والنفسية هذا المستوى عادة عند القيمة المعيارية $\alpha = 0.05$، بينما يفضل رفعه إلى مستوى أكثر صرامة وتحفظاً مثل $\alpha = 0.01$ أو $\alpha = 0.001$ في البحوث الطبية، والدوائية، والدراسات السلوكية ذات المخاطر التطبيقية العالية.

يتميز المنحنى التوزيعي النظري لكاي تربيع بكونه توزيعاً متصلاً موجب الالتواء (Positively Skewed)، وتتراوح قيمه حصراً من الصفر إلى ما لا نهاية الموجبة ($0 le chi^2 < infty$). وبسبب عملية تربيع الفروق الحسابية بين القيم الملاحظة والمتوقعة في معادلة الاختبار، فإن الانحرافات عن الفرضية الصفرية تؤدي دائماً إلى تضخيم قيمة كاي تربيع المحسوبة في الاتجاه الموجب. ومن ثم، يعتمد اختبار كاي تربيع على الذيل الأيمن فقط (Right-tailed / One-tailed Test) لتحديد منطقة الرفض الإحصائي (Rejection Region).

يتم استخراج “القيمة الحرجة” (Critical Value) من الجداول الإحصائية المعتمدة لتوزيع كاي تربيع عند تقاطع مستوى الدلالة المختار ($\alpha$) مع درجات الحرية المحسوبة للمصفوفة. وإذا تجاوزت القيمة المحسوبة ($\chi^2_{calc}$) تلك العتبة الحرجة ($\chi^2_{crit}$)، فإنها تقع مباشرة في منطقة الرفض، مما يوجب رفض الفرضية الصفرية واعتبار الارتباط دالاً إحصائياً.

4.3 حساب درجات الحرية (Degrees of Freedom)

تعبر درجات الحرية (Degrees of Freedom – $df$) في سياق جداول التوافق عن عدد التكرارات في خلايا الجدول التي تمتلك حرية التغير العشوائي المستقل دون الإخلال بالمجاميع الهامشية الثابتة للصفوف والأعمدة. تشتق المعادلة الرياضية المعيارية لحساب درجات الحرية لاختبار الاستقلالية على النحو الآتي:

$$df = (r – 1) \times (c – 1)$$

حيث يمثل $r$ عدد صفوف الجدول (مستويات المتغير الأول)، بينما يمثل $c$ عدد أعمدة الجدول (مستويات المتغير الثاني).

ينبع المنطق الرياضي لهذه الصيغة من حقيقة أنه إذا تم تحديد التكرارات في $(r-1)$ من الصفوف و$(c-1)$ من الأعمدة، فإن التكرارات المتبقية في الصف الأخير والعمود الأخير تتحدد تلقائياً وبشكل جبري قاطع حتى تتطابق مع المجاميع الهامشية الإجمالية المسجلة للعينة. فعلى سبيل المثال، في جدول ($2 times 2$)، تكون درجات الحرية:$df = (2 – 1) times (2 – 1) = 1 times 1 = 1$. وهذا يعني أن تحديد قيمة خلية واحدة فقط كافٍ لحساب قيم الخلايا الثلاث المتبقية آلياً بالاستناد إلى المجاميع الهامشية.

يمارس عدد درجات الحرية تأثيراً مباشراً وحاسماً على شكل المنحنى الاحتمالي لتوزيع كاي تربيع؛ فعندما تكون درجات الحرية منخفضة ($df = 1$ أو $df = 2$) يكون المنحنى شديد الالتواء نحو اليمين وينحدر سريعاً من القمة بالقرب من الصفر. ومع تزايد درجات الحرية ($df > 30$)، يقترب توزيع كاي تربيع تدريجياً وبانتظام من شكل التوزيع الطبيعي المتماثل (الناقوسي)، وتتحرك القيمة الحرجة المطلوبة لرفض الفرضية الصفرية نحو قيم أكبر بما يضمن ضبط معدل الخطأ الإحصائي.

5. تصميم وبناء جداول التوافق (Contingency Tables)

5.1 هيكلية الجداول التقاطعية ثنائية ومتعددة الأبعاد

تمثل جداول التوافق، أو ما يُعرف في الأدبيات الإحصائية بـ “الجداول التقاطعية” (Cross-Tabulation Tables / Contingency Tables)، الإطار البنائي المنظم الذي يتم من خلاله ترتيب وتلخيص البيانات الفئوية الثنائية أو متعددة الأبعاد تمهيداً لإجراء التحليل الإحصائي. تتألف هذه الجداول من شبكة مصفوفية من الصفوف الأفقية والأعمدة الرأسية؛ حيث يخصص عادة المتغير المستقل أو المصنف الأول للصفوف، بينما يخصص المتغير التابع أو المصنف الثاني للأعمدة، دون أن يؤثر تبديل المواقع على الحسابات الرياضية الإجمالية للاختبار.

يطلق على أبسط أشكال هذه المصفوفات جدول ($2 times 2$)، وهو الجدول الذي يقاطع متغيرين ثنائيي الفئات (Dichotomous Variables) وينتج عنه أربع خلايا تقاطعية داخلية، كدراسة العلاقة بين التدخين (مدخن/غير مدخن) والإصابة باضطراب معين (مصاب/سليم). ومع تعقد التصاميم التجريبية والسلوكية، يتم الانتقال إلى جداول من رتبة ($r times c$) كجداول ($3 times 2$) أو ($4 times 3$) أو ($5 times 5$)، والتي تستوعب متغيرات نوعية تتألف من عدة مستويات وتضم عدداً أكبر من الخلايا التقاطعية التي تُعرف بالرمز$(i, j)$ لتمثيل تقاطع الصف $i$ مع العمود $j$.

تحتوي كل خلية داخلية في هذا الجدول على ما يُعرف إحصائياً بـ “التكرار الملاحظ” (Observed Frequency) ويرمز له بالرمز $O_{ij}$. يمثل هذا التكرار العدد الحقيقي الفعلي للمشاركين أو المفردات التي تنتمي في نفس اللحظة إلى فئة الصف المحددة وفئة العمود المحددة وفقاً لعملية القياس الميداني.

5.2 المجاميع الهامشية (Marginal Totals) وأهميتها الحسابية

تشكل المجاميع الهامشية (Marginal Totals) الركيزة الحسابية الحتمية التي ينبثق منها تقدير التكرارات المتوقعة. تقع هذه المجاميع على أطراف وهوامش جدول التوافق؛ حيث يتم تجميع تكرارات كل صف بصورة أفقية مستقلة للحصول على مجموع الصف ويرمز له بالرمز $R_i$ (Row Total):

$$R_i = \sum_{j=1}^{c} O_{ij}$$

وبالمثل، يتم جمع تكرارات كل عمود بصورة رأسية مستقلة للحصول على مجموع العمود ويرمز له بالرمز $C_j$ (Column Total):

$$C_j = \sum_{i=1}^{r} O_{ij}$$

يلتقي مجموع كل الصفوف الهامشية مع مجموع كل الأعمدة الهامشية في الركن السفلي الأيمن (أو الأيسر) من الجدول ليشكل الحجم الكلي للعينة (Grand Total – $N$):

$$N = \sum_{i=1}^{r} R_i = \sum_{j=1}^{c} C_j = \sum_{i=1}^{r} \sum_{j=1}^{c} O_{ij}$$

تتمثل الأهمية الحسابية والمنهجية لهذه المجاميع الهامشية في أنها تعكس التوزيع التكراري المنفرد (Marginal Distribution) لكل متغير بمعزل عن الآخر. يُشترط للتحقق من الاتساق الرياضي الداخلي للبيانات المجدولة ألا تفقد أي مفردة أثناء الجمع، وأن يتطابق مجموع الهوامش الأفقية تماماً وبالمطلق مع مجموع الهوامش الرأسية متطابقاً مع الحجم الكلي للعينة المدروسة.

5.3 تحويل التكرارات إلى نسب مئوية لتفسير الأنماط

نظراً لأن التكرارات الخام المجردة قد تكون مضللة بصرياً عند المقارنة المباشرة، خصوصاً في حال وجود تباين وتفاوت ملحوظ في أحجام المجاميع الهامشية بين المجموعات، تلجأ المنهجية الإحصائية إلى تحويل التكرارات الملاحظة داخل خلايا الجدول إلى نسب مئوية معيارية (Percentages / Proportions) تيسر فهم وتفسير الأنماط السلوكية والارتباطية الأولية الكامنة في البيانات.

يتم تطبيق ثلاثة أنماط رئيسية لحساب النسب المئوية في جداول التوافق:

• النسب المئوية للصفوف (Row Percentages): وتُحسب بقسمة تكرار كل خلية على مجموع الصف المقابل لها وضرب الناتج في 100 ($[O_{ij} / R_i] \times 100$). تُعد هذه النسب الأكثر فائدة عند الرغبة في مقارنة توزيع فئات المتغير التابع عبر مجموعات المتغير المستقل المصنف في الصفوف.
• النسب المئوية للأعمدة (Column Percentages): وتُحسب بقسمة تكرار كل خلية على مجموع العمود المقابل لها وضرب الناتج في 100 ($[O_{ij} / C_j] \times 100$). وتستخدم لتقييم التركيبة النسبية للمتغير المستقل ضمن كل مستوى من مستويات المتغير التابع.
• النسب المئوية الإجمالية (Total Percentages): وتُحسب بقسمة تكرار كل خلية على الحجم الكلي للعينة وضرب الناتج في 100 ($[O_{ij} / N] \times 100$). وتوضح هذه النسب الوزن النسبي لكل خلية تقاطعية ضمن المجتمع الكلي للعينة ككل.

يوفر التحليل الاستكشافي لهذه النسب، ولا سيما نسب الصفوف، مؤشرات بصرية سريعة تكشف للباحث عما إذا كان هناك تباين نسبي حقيقي يستحق التدقيق الإحصائي عبر اختبار كاي تربيع لتحديد ما إذا كان هذا التباين دالاً أم وليد المصادفة العشوائية.

6. الأسس الرياضية والمعادلات الحسابية للاختبار

6.1 معادلة حساب التكرارات المتوقعة (Expected Frequencies)

يمثل التكرار المتوقع (Expected Frequency – $E_{ij}$) في اختبار كاي تربيع عدد الحالات التي يُفترض رياضياً أن تقع في الخلية التقاطعية المحددة الواقعة في الصف $i$ والعمود $j$ تحت الافتراض النظري القاطع بصحة الفرضية الصفرية ($H_0$) التي تقضي بالاستقلالية التامة بين المتغيرين وعدم وجود أي اقتران بينهما.

ينبثق الاشتقاق الرياضي للتكرار المتوقع من قواعد الاحتمال المستقل؛ فبما أن احتمال وقوع فئة الصف $i$ هو $P(R_i) = R_i / N$، واحتمال وقوع فئة العمود $j$ هو $P(C_j) = C_j / N$، وبافتراض الاستقلالية يكون الاحتمال المشترك للخلية هو حاصل ضربهما:

$$P(R_i \cap C_j) = P(R_i) \times P(C_j) = \left(\frac{R_i}{N}\right) \times \left(\frac{C_j}{N}\right) = \frac{R_i \times C_j}{N^2}$$

وللحصول على التكرار العددي المتوقع ($E_{ij}$)، يتم ضرب هذا الاحتمال المشترك في الحجم الكلي للعينة ($N$):

$$E_{ij} = N \times P(R_i \cap C_j) = N \times \left(\frac{R_i \times C_j}{N^2}\right) = \frac{R_i \times C_j}{N}$$

وعليه، تصاغ المعادلة التطبيقية المعيارية لحساب التكرار المتوقع لأي خلية على النحو التالي:

$$E_{ij} = \frac{\text{مجموع الصف المقابل للخلية} \times \text{مجموع العمود المقابل للخلية}}{\text{الحجم الكلي للعينة}}$$

من الخصائص الحسابية الأساسية لجدول التكرارات المتوقعة الموازي أن مجموع التكرارات المتوقعة في أي صف يجب أن يتطابق تماماً مع مجموع الصف الملاحظ المقابل ($R_i$)، كما يجب أن يتطابق مجموع التكرارات المتوقعة في أي عمود تماماً مع مجموع العمود الملاحظ المقابل ($C_j$)، مما يجعل المجموع الكلي للتكرارات المتوقعة مساوياً تماماً للحجم الكلي للعينة ($N$).

6.2 المعادلة العامة لإحصائية كاي تربيع ($\chi^2$)

تقيس إحصائية كاي تربيع ($\chi^2$) درجة التباعد والمسافة الرياضية الإجمالية بين التوزيع التكراري الذي تمت ملاحظته ميدانياً والتوزيع التكراري المتوقع نظرياً بافتراض الاستقلالية. تُعطى الصيغة الرياضية العامة للاختبار كما طورها كارل بيرسون بالمعادلة التالية:

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

حيث:

• $O_{ij}$: التكرار الملاحظ في الخلية الواقعة بالصف $i$ والعمود $j$.
• $E_{ij}$: التكرار المتوقع في الخلية الواقعة بالصف $i$ والعمود $j$.
• $\sum \sum$: عملية الجمع الرياضي المزدوج لجميع خلايا جدول التوافق البالغ عددها $(r \times c)$ خلية.

يتضمن التحليل التفصيلي لمكونات هذه المعادلة ثلاث خطوات رياضية متتابعة داخل كل خلية:

1. حساب الفروق وانحرافات المشاهدة ($O_{ij} – E_{ij}$): يمثل هذا الطرح مقدار الخطأ أو التباعد الحادث بين الواقع الملاحظ والنموذج النظري المستقل.
2. تربيع الفروق $(O_{ij} – E_{ij})^2$: يحقق التربيع غايتين رياضيتين محوريتين؛ الأولى هي التخلص التام من الإشارات السالبة حتى لا تتلاشى الفروق عند الجمع (حيث إن مجموع الفروق البسيطة $\sum(O – E)$ يساوي صفراً دائماً)، والغاية الثانية هي إعطاء أوزان نسبية متضاعفة للانحرافات الكبيرة لإبرازها في قيمة الإحصائية النهائية.
3. الترجيح والقسمة على التكرار المتوقع ($/ E_{ij}$): تُعد هذه الخطوة عملية “معايرة نسبية” (Standardization) للفروق التربيعية؛ فحدوث انحراف قدره 5 درجات في خلية تكرارها المتوقع 10 يمثل فارقاً جوهرياً كبيراً (50% انحراف)، بينما حدوث نفس الانحراف (5 درجات) في خلية تكرارها المتوقع 500 يمثل تذبذباً طفيفاً جداً (1% انحراف). لذا فإن القسمة على $E_{ij}$ تضمن قياس الفروق نسبة إلى حجم الخلية المتوقع.

6.3 تصحيح ييتس للاستمرارية (Yates’s Correction for Continuity)

في عام 1934، اقترح عالم الإحصاء البريطاني فرانك ييتس (Frank Yates) تعديلاً رياضياً على معادلة كاي تربيع مخصصاً حصراً للجداول المزدوجة من رتبة ($2 times 2$) التي تملك درجة حرية واحدة ($df = 1$) ويكون حجم العينة فيها صغيراً أو متوسطاً. ينبع المبرر المنهجي لهذا التصحيح من حقيقة أن توزيع كاي تربيع هو توزيع احتمالي نظري مستمر (Continuous Distribution)، في حين أن التكرارات الملاحظة في الجداول هي متغيرات متقطعة ومنفصلة (Discrete Frequencies). وعندما تكون درجات الحرية مساوية للواحد الصحيح، فإن هذا التقريب الرياضي قد يؤدي إلى تقدير متفائل ومبالغ فيه لقيمة كاي تربيع، مما يرفع احتمالية رفض الفرضية الصفرية دون وجه حق.

تصاغ معادلة كاي تربيع بعد تطبيق تصحيح ييتس للاستمرارية على النحو التالي:

$$\chi^2_{\text{Yates}} = \sum \frac{(|O_{ij} – E_{ij}| – 0.5)^2}{E_{ij}}$$

يعمل هذا التصحيح على طرح القيمة الثابتة $0.5$ من القيمة المطلقة للفرق بين التكرار الملاحظ والتكرار المتوقع قبل إجراء عملية التربيع، مما يؤدي بالضرورة إلى تقليص قيمة كاي تربيع المحسوبة ودفعها نحو قيمة أكثر تحفظاً، وبالتالي رفع القيمة الاحتمالية ($p\text{-value}$).

على الرغم من شيوع تصحيح ييتس في البرمجيات الإحصائية، إلا أنه أثار جدلاً واسعاً في الأوساط الأكاديمية المعاصرة. يرى العديد من الإحصائيين المرموقين، وفي مقدمتهم كامبل (Campbell) وأغريستي (Agresti)، أن تصحيح ييتس يبالغ في التحفظ (Over-conservative)، مما يقلل بشكل مفرط من القوة الإحصائية للاختبار ويزيد من احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error)، أي الفشل في اكتشاف العلاقة الموجودة فعلاً. ويوصي التوجه الإحصائي الحديث بتجنب تصحيح ييتس، واستخدام اختبار كاي تربيع القياسي في حال استيفاء الشروط، أو الانتقال مباشرة إلى اختبار فيشر الدقيق في حال صغر أحجام الخلايا.

7. مثال تطبيقي مفصل: تصميم الدراسة وسياق المشكلة الإحصائية

7.1 وصف المشكلة والمتغيرات والنموذج الفرضي للمثال

لتجسيد التطبيق العملي المتكامل لاختبار كاي تربيع للاستقلالية، نفترض دراسة تطبيقية واقعية أُجريت في بيئة مؤسسية متعددة الأقسام؛ بهدف فحص وتحديد طبيعة العلاقة الارتباطية بين “قسم العمل الوظيفي” للموظفين والتعرض لمستويات حادة من “ضغوط الاحتراق النفسي والمهني” (Burnout Stress Levels). يُعد فهم هذه العلاقة ذا أهمية إدارية وسيكولوجية بالغة لتوجيه برامج الدعم والرعاية النفسية للمجموعات الأكثر هشاشة وتأثراً بالأعباء الوظيفية.

يتكون النموذج الفرضي للدراسة من متغيرين فئويين:

• المتغير المستقل (المصنف): قسم العمل الوظيفي، وهو متغير اسمي يتألف من ثلاث فئات مستقلة ($r = 3$):
  1. قسم الدعم الفني والخدمات الميدانية (Technical Support / Field Operations).
  2. قسم تطوير البرمجيات والهندسة (Software Development / Engineering).
  3. قسم الإدارة والموارد البشرية (Management & HR).
• المتغير التابع (الاستجابة): مستوى ضغوط الاحتراق النفسي، وهو متغير مصنف إلى مستويين ($c = 2$):
  1. مستوى ضغط مرتفع (High Burnout).
  2. مستوى ضغط منخفض أو طبيعي (Low/Normal Burnout).

يحاكي هذا التصميم الإحصائي النموذج الشائع في الثقافة الشعبية العلمية المعروف بـ “مفارقة أزياء ستار تريك” (Star Trek Red Shirt Hazard)، حيث يُفحص معدل النجاة أو التعرض للمخاطر بناءً على لون الزي أو القسم التشغيلي لعضو الطاقم، وهو نموذج إحصائي كلاسيكي يوضح كيف ترتبط الفئات التصنيفية بمعدلات متباينة للأحداث.

تتم صياغة الفرضيات الإحصائية للدراسة بأسلوب علمي دقيق على النحو التالي:

• الفرضية الصفرية ($H_0$): لا توجد علاقة ارتباطية ذات دلالة إحصائية بين قسم العمل الوظيفي ومستوى ضغوط الاحتراق النفسي لدى الموظفين؛ أي أن مستوى الضغط النفسي مستقل تماماً عن القسم الوظيفي في هذه المؤسسة.
• الفرضية البديلة ($H_1$): توجد علاقة اقتران ذات دلالة إحصائية بين قسم العمل الوظيفي ومستوى ضغوط الاحتراق النفسي لدى الموظفين؛ أي أن مستوى الضغط النفسي يعتمد على طبيعة القسم الوظيفي ولا يتوزع باستقلالية عنه.

7.2 جمع البيانات وإعداد جدول التوافق الأولي

تم سحب عينة عشوائية تمثيلية تتألف من $N = 400$ موظف من العاملين في المؤسسة بمختلف قطاعاتها، وتم قياس مستوى الاحتراق النفسي باستخدام مقياس مقنن وتصنيف المشاركين موضوعياً بناءً على درجاتهم المعيارية. تم تفريغ البيانات الخام في جدول توافق أولي من رتبة ($3 times 2$) يوضح التكرارات الملاحظة الفعلية ($O$) مع حساب المجاميع الهامشية لكافة الصفوف والأعمدة:

قسم العمل الوظيفي (المتغير المستقل)	مستوى ضغوط الاحتراق النفسي (المتغير التابع)		مجموع الصف ($R_i$)
	ضغط مرتفع (High)	ضغط منخفض (Low)
1. الدعم الفني والميداني	85	65	150
2. تطوير البرمجيات والهندسة	45	105	150
3. الإدارة والموارد البشرية	20	80	100
مجموع العمود ($C_j$)	150	250	المجموع الكلي $N = 400$

يتضح من مصفوفة التكرارات الملاحظة أن العينة الإجمالية موزعة بواقع 150 موظفاً في الدعم الفني، و150 موظفاً في تطوير البرمجيات، و100 موظف في الإدارة. وعلى مستوى المتغير التابع، يعاني 150 موظفاً من احتراق نفسي مرتفع مقابل 250 موظفاً يقعون ضمن فئة الاحتراق المنخفض أو الطبيعي.

7.3 التحقق المسبق من استيفاء شروط الاختبار للمثال

قبل الشروع في الحسابات الإحصائية المتقدمة، يتعين على الباحث التحقق المنهجي الصارم من استيفاء كافة الشروط المسبقة لاختبار كاي تربيع للاستقلالية على هذه البيانات:

1. استقلالية الملاحظات: تم جمع البيانات عبر استبانة فردية مغلقة سُحبت عينتها عشوائياً، وينتمي كل موظف في العينة إلى قسم وظيفي واحد فقط وإلى مستوى ضغط واحد محدد دون تكرار للقياس، مما يحقق شرط استقلالية المشاهدات تماماً.
2. مستوى القياس والتصنيف: المتغيران نوعيان وفئويان (أقسام العمل ومستويات الضغط)، والفئات شاملة ومانعة للتبادل ولا تحتمل التداخل.
3. حجم العينة وكفاية التكرارات: يبلغ الحجم الكلي للعينة $N = 400$، وهو حجم كافٍ جداً يمنع حدوث انحيازات التوزيع للعينات الصغيرة، ولا توجد أي خلية ذات تكرار ملاحظ يساوي صفراً. وسوف نتحقق تفصيلياً في الخطوة اللاحقة من قيم التكرارات المتوقعة ($E_{ij}$) للتأكد من استيفاء معايير قاعدة كوكران.
4. مستوى الدلالة المعتمد: تم تحديد مستوى المعنوية القياسي عند $\alpha = 0.05$ لاتخاذ القرار النهائي بشأن الفرضيات.

8. التطبيق الحسابي اليدوي للبيانات خطوة بخطوة

8.1 حساب التكرارات المتوقعة ($E$) لكل خلية في المثال

يتم حساب التكرار المتوقع ($E_{ij}$) لكل خلية من الخلايا الست في جدول التوافق بتطبيق المعادلة: $E_{ij} = (R_i \times C_j) / N$. وفيما يلي الخطوات الحسابية التفصيلية لكل خلية:

1. خلايا الصف الأول (قسم الدعم الفني والميداني – $R_1 = 150$):

• الخلية ($1,1$) [دعم فني$times$ ضغط مرتفع]:
  $$E_{11} = \frac{R_1 \times C_1}{N} = \frac{150 \times 150}{400} = \frac{22500}{400} = 56.25$$
• الخلية ($1,2$) [دعم فني$times$ ضغط منخفض]:
  $$E_{12} = \frac{R_1 \times C_2}{N} = \frac{150 \times 250}{400} = \frac{37500}{400} = 93.75$$

2. خلايا الصف الثاني (قسم تطوير البرمجيات – $R_2 = 150$):

• الخلية ($2,1$) [برمجيات$times$ ضغط مرتفع]:
  $$E_{21} = \frac{R_2 \times C_1}{N} = \frac{150 \times 150}{400} = \frac{22500}{400} = 56.25$$
• الخلية ($2,2$) [برمجيات$times$ ضغط منخفض]:
  $$E_{22} = \frac{R_2 \times C_2}{N} = \frac{150 \times 250}{400} = \frac{37500}{400} = 93.75$$

3. خلايا الصف الثالث (قسم الإدارة والموارد البشرية – $R_3 = 100$):

• الخلية ($3,1$) [إدارة$times$ ضغط مرتفع]:
  $$E_{31} = \frac{R_3 \times C_1}{N} = \frac{100 \times 150}{400} = \frac{15000}{400} = 37.50$$
• الخلية ($3,2$) [إدارة$times$ ضغط منخفض]:
  $$E_{32} = \frac{R_3 \times C_2}{N} = \frac{100 \times 250}{400} = \frac{25000}{400} = 62.50$$

نلخص هذه التكرارات المتوقعة في جدول المقارنة التالي:

القسم الوظيفي	التكرار المتوقع ($E_{ij}$)		مجموع التكرارات المتوقعة
	ضغط مرتفع ($C_1 = 150$)	ضغط منخفض ($C_2 = 250$)
الدعم الفني	56.25	93.75	150.00
تطوير البرمجيات	56.25	93.75	150.00
الإدارة	37.50	62.50	100.00
المجموع	150.00	250.00	$N = 400.00$

التحقق من قاعدة كوكران: نلاحظ أن أقل تكرار متوقع في الجدول بأكمله هو $37.50$ (في الخلية $3,1$)، وهو أكبر بكثير من الحد الأدنى الحرج (5). وبالتالي، فإن 0% من الخلايا يقل تكرارها المتوقع عن 5، مما يثبت استيفاء شرط كوكران بنسبة 100% ويؤكد الكفاءة التامة لتطبيق الاختبار.

8.2 حساب الفروق وانحرافات الخلايا $[(O – E)^2 / E]$

ننتقل الآن إلى حساب الانحرافات الجزئية ومساهمة كل خلية في إحصائية كاي تربيع من خلال الخطوات الحسابية المنهجية:

الخلية التقاطعية $(i, j)$	الملاحظ ($O$)	المتوقع ($E$)	الفرق ($O – E$)	مربع الفرق $(O – E)^2$	مساهمة الخلية $\frac{(O – E)^2}{E}$
دعم فني / ضغط مرتفع ($1,1$)	85	56.25	$+28.75$	826.5625	$826.5625 / 56.25 = mathbf{14.694}$
دعم فني / ضغط منخفض ($1,2$)	65	93.75	$-28.75$	826.5625	$826.5625 / 93.75 = mathbf{8.817}$
برمجيات / ضغط مرتفع ($2,1$)	45	56.25	$-11.25$	126.5625	$126.5625 / 56.25 = mathbf{2.250}$
برمجيات / ضغط منخفض ($2,2$)	105	93.75	$+11.25$	126.5625	$126.5625 / 93.75 = mathbf{1.350}$
إدارة / ضغط مرتفع ($3,1$)	20	37.50	$-17.50$	306.2500	$306.2500 / 37.50 = mathbf{8.167}$
إدارة / ضغط منخفض ($3,2$)	80	62.50	$+17.50$	306.2500	$306.2500 / 62.50 = mathbf{4.900}$
المجموع الكلي			$\sum(O – E) = 0.00$	–	$\chi^2_{\text{calc}} = \mathbf{40.178}$

يوضح الجدول أن مجموع الفروق المباشرة ($\sum(O – E)$) يساوي صفراً تماماً، وهو ما يؤكد دقة الحسابات الجبرية للتكرارات المتوقعة. كما يظهر بوضوح أن أكبر مساهمة في قيمة كاي تربيع جاءت من خلايا قسم الدعم الفني (بمساهمة إجمالية تتجاوز 23.5)، مما يعطي مؤشراً مبدئياً على أن هذا القسم يمثل بؤرة التباين الكبرى في الظاهرة المدروسة.

8.3 تجميع القيم وحساب القيمة الإجمالية لإحصائية كاي تربيع

بجمع المساهمات المحسوبة لجميع الخلايا الست، نحصل على القيمة الإجمالية المحسوبة لإحصائية كاي تربيع:

$$\chi^2_{\text{calc}} = 14.694 + 8.817 + 2.250 + 1.350 + 8.167 + 4.900 = \mathbf{40.178}$$

لحساب درجات الحرية ($df$) الخاصة بهذا الجدول من الرتبة ($3 times 2$):

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

بالرجوع إلى الجداول الإحصائية لتوزيع كاي تربيع عند مستوى معنوية $\alpha = 0.05$ ودرجات حرية $df = 2$، نجد أن القيمة الحرجة (Critical Value) المقابلة هي:

$$\chi^2_{\text{crit}(0.05, 2)} = \mathbf{5.991}$$

كما يمكن أيضاً استخراج القيمة الحرجة عند مستوى دلالة أكثر صرامة $\alpha = 0.001$ ودرجتي حرية، والتي تبلغ $\chi^2_{\text{crit}(0.001, 2)} = 13.816$.

9. اتخاذ القرار الإحصائي والتحليل التفصيلي للنتائج

9.1 مقارنة القيمة المحسوبة بالقيمة الحرجة ومستوى الدلالة ($p$-value)

تستند قاعدة اتخاذ القرار الإحصائي الكلاسيكية إلى مقارنة القيمة المحسوبة بالقيمة الجدولية الحرجة؛ فإذا كانت القيمة المحسوبة أكبر من القيمة الحرجة، فإننا نرفض الفرضية الصفرية ونقبل الفرضية البديلة. في دراستنا التطبيقية الحالية:

$$\chi^2_{\text{calc}} = 40.178 > \chi^2_{\text{crit}(0.05, 2)} = 5.991$$

وبما أن القيمة المحسوبة ($40.178$) تفوق بكثير جداً القيمة الحرجة ($5.991$) وتقع في أقصى منطقة الرفض على يمين التوزيع الاحتمالي، فإن القرار الإحصائي المنهجي هو: رفض الفرضية الصفرية ($H_0$) بقوة وقبول الفرضية البديلة ($H_1$).

عند تقييم القيمة الاحتمالية المقابلة للنتيجة ($p\text{-value}$)، نجد أنها تقل كثيراً عن العتبات المعيارية الصارمة ($p < 0.0000001$ أو $p < 0.001$). يعني ذلك أن احتمالية الحصول على هذا التباعد الكبير بين التكرارات الملاحظة والمتوقعة بالصدفة المحضة وبفعل خطأ المعاينة العشوائي في حال كانت الفرضية الصفرية صحيحة هي أقل من احتمال واحد في المليون. وبناءً على ذلك، نستنتج بوجود علاقة اقتران حقيقية ودالة إحصائياً بين القسم الوظيفي ومستوى ضغوط الاحتراق النفسي لدى الموظفين.

9.2 تحليل البواقي المعيارية (Adjusted Standardized Residuals)

إن النتيجة الكلية لاختبار كاي تربيع هي اختبار إجمالي عام (Omnibus Test) يخبرنا بوجود ارتباط عام ودال، لكنه لا يحدد بدقة أي الأقسام أو الخلايا المحددة مسؤولة عن توليد هذه الدلالة الإحصائية. ولتجاوز هذا القصور المنهجي، يلجأ التحليل الإحصائي المتقدم إلى تحليل البواقي المعيارية المعدلة (Adjusted Standardized Residuals – $z_{ij}$ / Haberman Residuals) كإجراء فحص بعدي (Post-Hoc Analysis).

تُحسب البواقي المعيارية المعدلة لكل خلية باستخدام المعادلة التالية التي تعاير الفرق بالانحراف المعياري لنسبة الخلية المشتركة:

$$z_{ij} = \frac{O_{ij} – E_{ij}}{\sqrt{E_{ij} \times (1 – \frac{R_i}{N}) \times (1 – \frac{C_j}{N})}}$$

تتبع هذه البواقي المعدلة توزيعاً طبيعياً معيارياً ($Z$-distribution) بمتوسط صفر وانحراف معياري 1. وعليه، فإن أي خلية تمتلك قيمة باقٍ معياري معدل تتجاوز العتبات الحرجة ($pm 1.96$ عند مستوى دلالة $0.05$، أو$pm 2.58$ عند مستوى $0.01$) تعتبر خلية مساهمة بشكل جوهري ودال في العلاقة الإجمالية.

بتطبيق المعادلة على خلايا المثال التطبيقي، نحصل على النتائج التحليلية التالية:

• خلية [دعم فني / ضغط مرتفع]: الباقي المعياري المعدل $z = \mathbf{+6.06}$ (قيمة موجبة تفوق بكثير $+2.58$). يشير هذا إلى وجود زيادة كبيرة ودالة إحصائياً في عدد موظفي الدعم الفني المعرضين لضغط مرتفع مقارنة بما هو متوقع نظرياً.
• خلية [دعم فني / ضغط منخفض]: الباقي المعياري المعدل $z = \mathbf{-6.06}$ (قيمة سالبة تتجاوز $-2.58$). يعكس ذلك نقصاً حاداً ودالاً في موظفي الدعم الفني ذوي الضغط المنخفض.
• خلية [تطوير البرمجيات / ضغط مرتفع]: الباقي المعياري المعدل $z = \mathbf{-2.37}$ (قيمة سالبة تتجاوز عتبة $-1.96$). يوضح أن مطوري البرمجيات يتعرضون لضغط مرتفع بمعدل أقل دلالة من المتوقع.
• خلية [تطوير البرمجيات / ضغط منخفض]: الباقي المعياري المعدل $z = \mathbf{+2.37}$ (قيمة موجبة تتجاوز $+1.96$). يظهر ميلاً دالاً نحو انخفاض الضغط بين المبرمجين.
• خلية [الإدارة / ضغط مرتفع]: الباقي المعياري المعدل $z = \mathbf{-3.97}$ (قيمة سالبة تتجاوز $-2.58$). يؤكد أن موظفي الإدارة أقل تعرضاً بكثير لضغوط الاحتراق المرتفعة مقارنة بالنموذج النظري.
• خلية [الإدارة / ضغط منخفض]: الباقي المعياري المعدل $z = \mathbf{+3.97}$ (قيمة موجبة تتجاوز $+2.58$). يثبت تركزاً دالاً جداً لموظفي الإدارة ضمن فئة الضغط المنخفض.

يكشف هذا التحليل البعدي الدقيق أن محرك الدلالة الإحصائية الأساسي في المؤسسة هو الوضع الحرج لموظفي الدعم الفني الذين يعانون من ضغوط احتراق تفوق بكثير المعدلات الطبيعية، في مقابل تمتع موظفي الإدارة بمستويات ضغط أقل بكثير من التوقعات.

9.3 كتابة التقرير الإحصائي وفق معايير جمعية علم النفس الأمريكية (APA)

يتطلب التوثيق العلمي والمهني للنتائج الإحصائية الالتزام الصارم بالدليل الأسلوبي الصادر عن جمعية علم النفس الأمريكية (APA Style – 7th Edition). تقتضي معايير APA صياغة نتائج اختبار كاي تربيع وفق النسق المعياري التالي: $\chi^2(df, N = \text{sample size}) = \text{value}, p = \text{value}, \text{effect size} = \text{value}$.

وفيما يلي نموذج الصياغة التقريرية الأكاديمية المتكاملة لنتائج هذا المثال:

“أُجري اختبار كاي تربيع للاستقلالية لفحص العلاقة بين قسم العمل الوظيفي (الدعم الفني، تطوير البرمجيات، الإدارة) ومستوى ضغوط الاحتراق النفسي (مرتفع، منخفض) لدى عينة من الموظفين ($N = 400$). كشفت النتائج عن وجود علاقة اقتران ذات دلالة إحصائية عالية بين المتغيرين، $\chi^2(2, N = 400) = 40.18$، $p < .001$، $V = .317$. وقد أظهر الفحص البعدي للبواقي المعيارية المعدلة أن موظفي قسم الدعم الفني والميداني كانوا أكثر عرضة لمستويات الاحتراق النفسي المرتفعة بنسبة بلغت ($56.7%$) مقارنة بالنسبة المتوقعة ($37.5%$)، بوجود باقٍ معياري دال ($z = 6.06$). في المقابل، سجل موظفو قسم الإدارة والموارد البشرية معدلات احتراق نفسي منخفضة بصورة دالة إحصائياً بلغت ($80.0%$) مقارنة بالتوقع النظري ($62.5%$)، بباقٍ معياري قدره ($z = 3.97$). تشير هذه النتائج إلى أن طبيعة المهام في قسم الدعم الفني ترتبط ارتباطاً وثيقاً بزيادة مؤشرات الاحتراق المهني مقارنة ببقية الأقسام الوظيفية."

10. حساب مقاييس حجم الأثر وقوة الارتباط الفئوي

10.1 معامل فاي (Phi Coefficient – $phi$) للجداول المزدوجة

تقتصر الدلالة الإحصائية الناتجة عن القيمة الاحتمالية ($p\text{-value}$) على تأكيد ما إذا كان الارتباط الملاحظ يختلف عن الصفر في المجتمع، لكنها لا تقدم تقديراً لقوة أو حجم تلك العلاقة (Magnitude of Association). ولتحديد القوة العملية للارتباط في البيانات الفئوية الثنائية، يتم استخدام معامل فاي (Phi Coefficient – $phi$)، وهو مقياس مخصص حصراً للجداول المزدوجة من رتبة ($2 times 2$).

تُشتق الصيغة الرياضية لمعامل فاي بقسمة قيمة كاي تربيع المحسوبة على الحجم الكلي للعينة ثم أخذ الجذر التربيعي للناتج:

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

يتراوح مدى معامل فاي في جداول ($2 times 2$) بين $0$ (انعدام تام للارتباط) و $1.0$ (ارتباط تام ومثالي). وتستند معايير كوهين (Cohen’s Benchmarks, 1988) لتفسير حجم الأثر عبر معامل فاي إلى المستويات التالية:

• أثر صغير (Small Effect): $\phi \approx 0.10$
• أثر متوسط (Medium Effect): $\phi \approx 0.30$
• أثر كبير (Large Effect): $phi ge 0.50$

تتجلى المحدودية المنهجية لمعامل فاي في أنه عند تطبيقه على جداول تتجاوز أبعادها ($2 times 2$) كجداول ($3 times 3$) أو ($4 times 2$)، قد تتجاوز قيمته الناتجة حاجز الواحد الصحيح ($1.0$)، مما يفقده خاصية المعايرة المعيارية ويجعله غير صالح للتفسير في الجداول متعددة الفئات.

10.2 معامل كرامر (Cramér’s V) للجداول متعددة الفئات

لتجاوز قصور معامل فاي في الجداول الكبيرة، طور عالم الرياضيات السويدي هارالد كرامر (Harald Cramér) مقياساً معدلاً ومعايراً يُعرف بـ معامل كرامر (Cramér’s V). يمثل هذا المعامل المقياس المعياري الأكثر كفاءة وشيوعاً لتقييم حجم الأثر في جداول التوافق ذات الأبعاد متعددة الفئات من رتبة ($r \times c$).

تُعطى المعادلة الرياضية لمعامل كرامر بالصيغة التالية:

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

حيث:

• $\chi^2$: القيمة الإجمالية المحسوبة لكاي تربيع.
• $N$: الحجم الكلي للعينة.
• $k$: القيمة الصغرى بين عدد الصفوف وعدد الأعمدة، أي أن$k = min(r, c)$.

تطبيق معامل كرامر على بيانات المثال التطبيقي:

في دراستنا، لدينا عدد الصفوف $r = 3$ وعدد الأعمدة $c = 2$، وعليه فإن $k = min(3, 2) = 2$. وبالتالي فإن $(k – 1) = (2 – 1) = 1$. بالتعويض في المعادلة:

$$V = \sqrt{\frac{40.178}{400 \times (2 – 1)}} = \sqrt{\frac{40.178}{400 \times 1}} = \sqrt{0.100445} \approx \mathbf{0.317}$$

يتراوح معامل كرامر دائماً بدقة بين $0$ و $1.0$ بغض النظر عن أبعاد المصفوفة. وتعتمد معايير الحكم على قوة العلاقة الارتباطية وفق كرامر على درجات الحرية الصغرى $df^* = (k – 1)$. فعندما تكون $df^* = 1$ (كما في حالتنا حيث $k=2$)، تُفسر قيمة $V = 0.317$ بأنها تمثل حجم أثر متوسط إلى قوي (Moderate to Strong Effect Size)، مما يؤكد أن الارتباط بين قسم العمل والاحتراق المهني ليس فقط دالاً إحصائياً بل يتمتع أيضاً بوزن وأهمية عملية ملحوظة في البيئة المؤسسية.

10.3 نسبة الأرجحية (Odds Ratio) ومخاطر الحدوث النسبية (Relative Risk)

في الدراسات الإكلينيكية، والطبية، والأبحاث السلوكية ذات الجداول الثنائية ($2 times 2$)، يمثل مقياس نسبة الأرجحية (Odds Ratio – $OR$) والخطر النسبي (Relative Risk – $RR$) أدوات متقدمة لتفسير احتمالات وفرص حدوث الظاهرة عبر المجموعات المقارنة.

تُعرّف الأرجحية (Odds) بأنها نسبة احتمال حدوث الحدث إلى احتمال عدم حدوثه ($p / [1-p]$). وفي جدول توافق ثنائي يضم التكرارات $a, b, c, d$، تُحسب نسبة الأرجحية بالصيغة التبادلية التالية:

$$OR = \frac{a / b}{c / d} = \frac{a \times d}{b \times c}$$

تُفسر نسبة الأرجحية على النحو التالي:

• إذا كانت $OR = 1.0$: فإن فرص حدوث الظاهرة متساوية تماماً بين المجموعتين (استقلالية تامة).
• إذا كانت $OR > 1.0$: فإن المجموعة الأولى تمتلك أرجحية وفرصاً أعلى لحدوث الظاهرة مقارنة بالمجموعة المرجعية.
• إذا كانت $OR < 1.0$: فإن المجموعة الأولى تمتلك أرجحية أقل (عامل وقائي).

لحساب فترات الثقة (Confidence Intervals – $95% CI$) لنسبة الأرجحية، يتم تحويلها إلى اللوغاريتم الطبيعي ($ln(OR)$) حيث يتوزع الخطأ المعياري تقريبياً على النحو التالي:$SE_{ln(OR)} = sqrt{frac{1}{a} + frac{1}{b} + frac{1}{c} + frac{1}{d}}$، ومن ثم استرجاع الحدود الأسية للفترة. يوفر هذا المقياس للباحثين السريريين فهماً تطبيقياً مباشراً للمخاطر التراكمية يفوق ما توفره مجرد قيمة كاي تربيع المجردة.

11. التنفيذ الحاسوبي والبرمجي لاختبار كاي تربيع للاستقلالية

11.1 إجراء الاختبار وتفسير المخرجات عبر برنامج SPSS

يُعد الحساب الآلي لاختبار كاي تربيع عبر حزمة IBM SPSS Statistics الإجراء الأكثر شيوعاً في الأبحاث الأكاديمية والميدانية. لتنفيذ الاختبار بدقة، يتبع الباحث المسار المنهجي التالي:

1. إذا كانت البيانات مدخلة كبيانات خام فردية (Raw Data): يتم الانتقال مباشرة إلى القائمة العلوية واختيار Analyze $\rightarrow$ Descriptive Statistics $\rightarrow$ Crosstabs.... أما إذا كانت البيانات مدخلة كجدول تكرارات ملخصة، فيجب أولاً وزن الحالات عبر Data $\rightarrow$ Weight Cases by... واختيار متغير التكرار.
2. في نافذة Crosstabs: يتم نقل متغير الصفوف (مثل Department) إلى خانة Row(s)، ونقل متغير الأعمدة (مثل Burnout_Level) إلى خانة Column(s).
3. النقر على زر Statistics… وتفعيل خيار Chi-square لتوليد الإحصائية، وخيار Phi and Cramer's V لحساب مقاييس حجم الأثر.
4. النقر على زر Cells… وضمن قسم Counts يتم تفعيل Observed و Expected، وضمن قسم Residuals يتم تفعيل Adjusted standardized، وضمن قسم Percentages يمكن اختيار Row لمشاهدة النسب المئوية الأفقية.
5. الضغط على Continue ثم OK لتوليد النتائج في نافذة المخرجات (Output Viewer).

عند تفسير الجداول الإحصائية الناتجة في SPSS، يركز الباحث على جدول Chi-Square Tests؛ حيث يقرأ قيمة كاي تربيع من صف Pearson Chi-Square في عمود Value، ويتحقق من درجات الحرية في عمود df، ويقرأ مستوى الدلالة من عمود Asymptotic Significance (2-sided). كما يتضمن أسفل الجدول ملاحظة تحذيرية جوهرية (Footnote) توضح عدد ونسبة الخلايا التي يقل تكرارها المتوقع عن 5، وقيمة أقل تكرار متوقع مسجل للتحقق الفوري من شرط كوكران.

11.2 تطبيق الاختبار باستخدام لغة البرمجة R

توفر البيئة الإحصائية للغة R أدوات متقدمة ومرنة لتحليل البيانات الفئوية وجداول الاقتران عبر وظائفها الرياضية الأساسية وحزمها المتخصصة. لبناء مصفوفة البيانات وتنفيذ اختبار كاي تربيع واستخراج النتائج المتقدمة برمجياً، نستخدم الأوامر التالية:

يتم بناء جدول التوافق ككائن مصفوفي وتسمية أبعاده بدقة:

observed_data <- matrix(c(85, 45, 20, 65, 105, 80), nrow = 3, ncol = 2, byrow = FALSE)
rownames(observed_data) <- c("Tech_Support", "Software_Dev", "Management")
colnames(observed_data) <- c("High_Burnout", "Low_Burnout")
contingency_tab <- as.table(observed_data)

يتم تنفيذ الاختبار الإحصائي المباشر عبر دالة chisq.test() مع تعطيل التصحيح التلقائي إذا لزم الأمر:

chi_results <- chisq.test(contingency_tab, correct = FALSE)
print(chi_results)

تتيح لغة R استخراج كافة المكونات الداخلية لاختبار كاي تربيع بسهولة من الكائن المخزن، مثل استعراض التكرارات المتوقعة عبر الأمر chi_results$expected، واستعراض البواقي المعيارية المعدلة من خلال الأمر chi_results$stdres. ولحساب معامل كرامر لحجم الأثر بدقة، يمكن استدعاء دالة CramerV من مكتبة rcompanion أو مكتبة vcd المتخصصة في التصور البصري للبيانات الفئوية (Categorical Data Visualization).

11.3 تنفيذ الاختبار بلغة Python والمكتبات العلمية

في بيئات علوم البيانات المعتمدة على لغة Python، يتم إجراء اختبار كاي تربيع للاستقلالية باستخدام الحزم العلمية القياسية مثل scipy.stats و pandas. يتميز التنفيذ البرمجي عبر بايثون بالتكامل السلس مع خطوط معالجة البيانات الضخمة وأدوات التعلم الآلي.

يتم إعداد وتحليل مصفوفة البيانات عبر الشيفرة الإحصائية التالية:

import numpy as np
import pandas as pd
from scipy.stats import chi2_contingency

# بناء جدول التوافق التكراري
table = np.array([[85, 65], [45, 105], [20, 80]])

# تنفيذ الاختبار الإحصائي
chi2_stat, p_val, dof, expected_vals = chi2_contingency(table, correction=False)

print(f"Chi-Square Statistic: {chi2_stat:.3f}")
print(f"p-value: {p_val:.8e}")
print(f"Degrees of Freedom: {dof}")
print("Expected Frequencies Table:n", expected_vals)

ولإنشاء تصور بياني تفاعلي واحترافي لجداول التوافق والتكرارات الملاحظة مقارنة بالمتوقعة، يمكن توظيف مكتبات التصوير البياني مثل seaborn و matplotlib عبر إنشاء الخرائط الحرارية (Heatmaps) وجداول الأعمدة البيانية المكدسة (Stacked Bar Charts) التي تبرز التباين التكراري وتوزيع البواقي عبر الفئات بوضوح بصري فائق.

12. التحديات المنهجية، الأخطاء الشائعة، والبدائل الإحصائية

12.1 الأخطاء الشائعة في تفسير نتائج كاي تربيع

يقع العديد من الباحثين وطلاب الدراسات العليا في منزلقات منهجية وأخطاء تفسيرية شائعة عند تطبيق اختبار كاي تربيع للاستقلالية. يتمثل الخطأ الأول والأكثر انتشاراً في الخلط المفاهيمي بين الدلالة الإحصائية ($p\text{-value}$) وقوة العلاقة أو أهميتها العملية. إن الحصول على قيمة $p < 0.001$ يعني فقط أننا واثقون إحصائياً من أن العلاقة ليست وليدة الصدفة، لكنه لا يعني بالضرورة أن العلاقة قوية أو ذات أثر عملي؛ فالقيمة الاحتمالية شديدة التأثر بحجم العينة، ويجب دائماً إرفاقها بمقاييس حجم الأثر مثل معامل كرامر لتقييم الأهمية الموضوعية.

يتمثل الخطأ الثاني في الوقوع في مغالطة السببية (Causal Fallacy)؛ حيث يميل بعض الباحثين إلى صياغة استنتاجات تفيد بأن الانتماء إلى فئة معينة يُعد سبباً مباشراً في ظهور السلوك الآخر، متجاهلين أن كاي تربيع يقيس الاقتران والتزامن التوزيعي فقط، وأن إثبات السببية يتطلب تصاميم تجريبية مضبوطة تعزل كافة المتغيرات الوسيطة والدخيلة.

أما الخطأ الثالث فيتمثل في تجاهل الفحص المسبق للتكرارات المتوقعة وتخطي تحذيرات البرمجيات الإحصائية بشأن انتهاك قاعدة كوكران. يؤدي إجراء الاختبار عند وجود تكرارات متوقعة متدنية للغاية إلى تشويه المنحنى التوزيعي وزيادة معدل الأخطاء الإحصائية، مما يوجب اللجوء إلى البدائل المنهجية المعتمدة.

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

عندما تنتهك البيانات الفئوية الشروط التوزيعية المعيارية لاختبار كاي تربيع — وتحديداً عندما يقل التكرار المتوقع في أكثر من 20% من الخلايا عن 5، أو يقل عن 1 في أي خلية، أو عندما يكون الحجم الإجمالي للعينة صغيراً جداً ($N < 20$) — يصبح اختبار فيشر الدقيق (Fisher’s Exact Test) البديل الرياضي الحتمي والمثالي.

ابتكر هذا الاختبار عالم الإحصاء الشهير رونالد فيشر (Ronald Fisher)؛ ويتميز عن كاي تربيع في أنه لا يعتمد على أي تقريب لتوزيع احتمالي مستمر، بل يقوم بحساب “الاحتمال الدقيق المباشر” (Exact Hypergeometric Probability) للحصول على جدول التوافق الملاحظ أو الجداول الأكثر تطرفاً منه، في ظل ثبات المجاميع الهامشية. في جدول ($2 times 2$) يضم الخلايا$a, b, c, d$، يُعطى احتمال فيشر التوافقي بالصيغة:

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

وعلى الرغم من أن اختبار فيشر طُور تاريخياً للجداول المزدوجة ($2 times 2$)، إلا أن التطور الهائل في القدرات الحاسوبية والخوارزميات البرمجية المعاصرة أتاح تعميم اختبار فيشر الدقيق (Fisher-Freeman-Halton Test) ليطبق بكفاءة تامة على الجداول الكبيرة متعددة الفئات من رتبة ($r times c$)، مما يجعله الحل الأمثل للبيانات النادرة والتجارب السريرية السيكولوجية ذات العينات المحدودة.

12.3 النماذج المتقدمة للبيانات متعددة الأبعاد: تحليل الانحدار اللوجستي واللوغاريتمي الخطي

يواجه اختبار كاي تربيع للاستقلالية حداً منهجياً فاصلاً عندما تتجاوز المشكلة البحثية دراسة متغيرين اثنين فقط؛ فالظواهر السلوكية والنفسية نادراً ما تتحدد بتفاعل ثنائي معزول، بل تتأثر بشبكة معقدة من المتغيرات الوسيطة والتفاعلية والدخيلة (Confounding Variables). وفي هذه الحالات، يفقد اختبار كاي تربيع قدرته على ضبط المتغيرات الأخرى، ويصبح من الضروري الانتقال إلى النماذج الإحصائية متعددة الأبعاد الأكثر تقدماً.

يبرز التحليل اللوغاريتمي الخطي (Log-Linear Analysis) كإمتداد رياضي مباشر ومتعدد الأبعاد لاختبار كاي تربيع في التعامل مع جداول التوافق ثلاثية ورباعية الأبعاد ($r \times c \times k$). يقوم هذا النموذج بتحويل التكرارات المتوقعة إلى قيم لوغاريتمية طبيعية وتحليلها عبر معادلة خطية تشبه تحليل التباين، مما يسمح باختبار التأثيرات الرئيسية المستقلة وتأثيرات التفاعل المشترك الثنائية والثلاثية بين المتغيرات الفئوية المتعددة بالتزامن.

من جانب آخر، يمثل الانحدار اللوجستي (Logistic Regression) — سواء كان ثنائياً (Binary) أو متعدد الفئات (Multinomial) — الأداة الإحصائية الأكثر شمولاً وتفوقاً عندما يرغب الباحث في التنبؤ باحتمالية الانتماء إلى فئة معينة من المتغير التابع بالاستناد إلى مجموعة من المتغيرات التنبؤية الفئوية والمستمرة معاً. يتيح الانحدار اللوجستي عزل وتثبيت أثر المتغيرات الدخيلة، وحساب نسب الأرجحية المعدلة (Adjusted Odds Ratios)، وتقديم نموذج تنبؤي متكامل يتجاوز بكثير مجرد فحص الاستقلالية الثنائية المحدودة.

---

الخاتمة

يظل اختبار كاي تربيع للاستقلالية أداة كلاسيكية واستدلالية لا غنى عنها في ترسانة المنهجية الإحصائية الحديثة؛ حيث يوفر جسراً تحليلياً متيناً لمعالجة البيانات الفئوية وتحديد العلاقات الاقترانية بين المتغيرات السلوكية والاجتماعية والطبية بدقة وموضوعية. لقد أوضح هذا الدليل المفصل أن قوة الاختبار لا تنبع فقط من بساطة معادلته الرياضية، بل من الفهم العميق لافتراضاته وشروطه المنهجية، وحسن التمييز بينه وبين الاختبارات المجاورة، وتطبيق التحليلات البعدية المتقدمة مثل البواقي المعيارية ومقاييس حجم الأثر لتجاوز القيود التقليدية للدلالة الإحصائية المجردة.

إن التطبيق المنهجي السليم للاختبار — بدءاً من التصميم التجريبي وضبط المعاينة، مروراً بالحسابات اليدوية والبرمجية الدقيقة، وانتهاءً بالتفسير العلمي الرصين وكتابة التقرير وفق معايير APA — يضمن للباحثين استخلاص استنتاجات علمية موثوقة تسهم في ترقية المعرفة النظرية وتطوير الحلول التطبيقية في مختلف الميادين الأكاديمية والمهنية.

---

المراجع (References)

• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Campbell, I. (2007). Chi-squared and Fisher-Irwin tests of two-by-two tables with small expected frequencies. Statistics in Medicine, 26(19), 3661–3675. https://doi.org/10.1002/sim.2832
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Cramér, H. (1946). Mathematical methods of statistics. Princeton University Press.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1922). On the interpretation of $\chi^2$ from contingency tables, and the calculation of P. Journal of the Royal Statistical Society, 85(1), 87–94. https://doi.org/10.2307/2340521
• Haberman, S. J. (1973). The analysis of residuals in cross-classified tables. Biometrics, 29(1), 205–220. https://doi.org/10.2307/2529686
• McHugh, M. L. (2013). The Chi-square test of independence. Biochemia Medica, 23(2), 143–149. https://doi.org/10.11613/BM.2013.018
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. Philosophical Magazine Series 5, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• 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