اختبار مربع كاي للاستقلالية: التعريف، الصيغة، ومثال

يمثل التحليل الإحصائي الركيزة الأساسية التي تقوم عليها موثوقية الأبحاث العلمية في مختلف الميادين، وتتضاعف أهميته في حقول العلوم السلوكية والنفسية والاجتماعية حيث تتسم الظواهر الإنسانية بتعقدها وتعدد أبعادها التشخيصية والسلوكية. في هذا السياق، يواجه الباحث النفسي تحدياً منهجياً يتمثل في كيفية معالجة وتفسير البيانات النوعية والفئوية التي لا تخضع بطبيعتها لشروط التوزيع الطبيعي المتصل، مثل تصنيفات الاضطرابات النفسية، وأنماط الشخصية، والاستجابات النوعية لبرامج التدخل العلاجي، والسمات الديموغرافية المتنوعة. هنا يبرز اختبار مربع كاي للاستقلالية (Chi-Square Test of Independence) كواحد من أقوى الأدوات الإحصائية اللابارامترية وأكثرها شيوعاً، إذ يتيح للباحثين اختبار الفرضيات المتعلقة بوجود اقتران أو ارتباط بين متغيرين فئويين وتحديد ما إذا كان التوزيع المشاهد للبيانات يختلف جوهرياً عما هو متوقع في حالة الاستقلالية التامة.

تكمن القوة المنهجية لاختبار مربع كاي للاستقلالية، الذي وضع أسسه الرياضية العالم البريطاني كارل بيرسون (Karl Pearson) في مطلع القرن العشرين، في قدرته على تحويل البيانات الوصفية المصنفة في جداول متقاطعة إلى استدلالات إحصائية كمية دقيقة تدعم اتخاذ القرارات الإكلينيكية والتربوية. لا يقتصر دور هذا الاختبار على مجرد استخراج قيمة احتمالية مجردة، بل يمتد ليشكل إطاراً تحليلياً متكاملاً يتضمن فحص البواقي المعيارية لتحديد الخلايا المسؤولة عن الدلالة الإحصائية، وقياس أحجام الأثر عبر معاملات الاقتران المختلفة مثل معامل فاي ومعامل كرامر، فضلاً عن تقديم رؤى سريرية تساعد في توجيه الخطط العلاجية وتقييم السياسات النفسية العامة.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك منهجي وتطبيقي عميق لاختبار مربع كاي للاستقلالية، بدءاً من استعراض جذوره النظرية في نظرية الاحتمالات والرياضيات اللابارامترية، مروراً بفحص شروطه وافتراضاته الدقيقة، وتوضيح الصيغ والمعادلات الرياضية لحساب التكرارات المتوقعة وقيم درجات الحرية، ووصولاً إلى تقديم مثال إكلينيكي تطبيقي متكامل بالخطوات الحسابية اليدوية والبرمجية عبر برمجيات SPSS وR وPython. كما يتناول المقال كيفية كتابة النتائج وتوثيقها وفقاً لأحدث معايير جمعية علم النفس الأمريكية في دليلها السابع (APA 7th Edition)، ليكون مرجعاً أكاديمياً لا غنى عنه لطلاب الدراسات العليا، والباحثين المتخصصين، والممارسين في مجالات الصحة النفسية والعلوم الاجتماعية.

1. مقدمة شاملة لاختبار مربع كاي للاستقلالية في البحث النفسي

1.1 تعريف اختبار مربع كاي للاستقلالية وموقعه في الإحصاء اللابارامتري

يُعرَّف اختبار مربع كاي للاستقلالية بأنه اختبار إحصائي استدلالي غير معلمي (Non-parametric Test) يُستخدم لفحص ما إذا كانت هناك علاقة ارتباطية دالة إحصائياً بين متغيرين تصنيفيين نوعيين ينقسم كل منهما إلى مستويين أو أكثر. يندرج الاختبار تحت مظلة الإحصاء اللابارامتري لكونه لا يشترط مطابقة البيانات لتوزيع احتمالي محدد سلفاً كالتوزيع الطبيعي (Gaussian Distribution)، ولا يتطلب تجانس التباين بين المجموعات، وهي خصائص تجعل منه أداة مثالية لمعالجة البيانات الاسمية (Nominal Data) التي تعتمد على التصنيف النوعي المحض مثل الجنس، ونوع التشخيص، ونوع الاستجابة الدوائية، والبيانات الترتيبية (Ordinal Data) المصنفة ضمن فئات متباينة الرتب.

من الضروري التمييز الإبستمولوجي والمنهجي بين اختبار مربع كاي للاستقلالية واختبار مربع كاي لحسن المطابقة (Chi-Square Goodness-of-Fit Test). يركز اختبار حسن المطابقة على متغير فئوي واحد موزّع عبر عينة واحدة، ويهدف إلى مقارنة تكرارات هذا المتغير الملاحظة بنسب نظرية أو مجتمعية مفترضة سلفاً لتحديد مدى ملاءمة النموذج النظري للواقع. في المقابل، يتعامل اختبار الاستقلالية مع متغيرين فئويين في آنٍ واحد تم سحب بياناتهما من عينة واحدة متعددة الأبعاد، ويهدف إلى تقييم ما إذا كان التوزيع المشترك لهذين المتغيرين يعكس حالة من الاستقلال المتبادل أم يشير إلى وجود نمط اقتراني منظّم يربط بين تصنيفات المتغير الأول وتصنيفات المتغير الثاني.

تتجلى الأهمية المركزية لهذا الاختبار في قدرته على ردم الفجوة بين البيانات السلوكية غير الكمية والتحليل الإحصائي الصارم؛ ففي كثير من الأحيان، لا يستطيع الباحث النفسي قياس الظاهرة على مقياس فئوي أو نسبي دقيق، بل يضطر إلى التعامل مع تصنيفات تشخيصية فارقة، مثل وجود اضطراب ما بعد الصدمة من عدمه، أو تصنيف الشخصية وفق أنماط محددة. يتيح مربع كاي للاستقلالية معالجة هذه البيانات دون الوقوع في أخطاء انتهاك افتراضات الإحصاء المعلمي، مما يحفظ الصدق الداخلي للتحليل الإحصائي ويوفر نتائج موثوقة ذات دلالة عملية في سياقات البحث النفسي.

1.2 الدوافع المنهجية لاستخدام الاختبار في العلوم السلوكية والنفسية

تنبع الحاجة إلى تطبيق اختبار مربع كاي للاستقلالية في العلوم السلوكية من طبيعة الظواهر النفسية ذاتها، والتي غالباً ما تتجسد في صور أنماط تصنيفية وسلوكيات متمايزة لا يمكن التعبير عنها كمياً على مقياس متصل دون فقدان جزء من قيمتها النوعية. يتيح الاختبار للباحثين استكشاف الترابطات الجوهرية بين المتغيرات الديموغرافية كالفئات العمرية أو الخلفيات الاجتماعية والاقتصادية، وبين المتغيرات النفسية التشخيصية مثل تصنيفات الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5)، مما يساعد في بناء نماذج وبائية نفسية دقيقة توضح الفئات الأكثر عرضة لمشكلات نفسية معينة.

يبرز الاختبار أيضاً كأداة لا غنى عنها في تقييم فاعلية التدخلات العلاجية وتوزيع الاستجابات الإكلينيكية عبر بيئات الرعاية النفسية المختلفة. على سبيل المثال، يحتاج المعالجون النفسيون إلى معرفة ما إذا كانت نسبة الشفاء أو التحسن السريري (مستويات: شفاء تام، تحسن جزئي، عدم استجابة) ترتبط ارتباطاً ذا دلالة بنوع التدخل النفسي المطبق (مثل: العلاج المعرفي السلوكي، العلاج بالقبول والالتزام، أو العلاج النفسي الديناميكي). يوفر مربع كاي وسيلة لتقييم هذه الفروق التوزيعية بشكل موضوعي، مما يدعم ممارسات علم النفس المبني على البراهين ويساعد في اتخاذ قرارات سريرية مستنيرة حول بروتوكولات العلاج الأنسب لكل فئة إكلينيكية.

علاوة على ذلك، يمتد استخدام الاختبار إلى حقل القياس النفسي وبناء الاستبيانات ومقاييس الشخصية، حيث يُستخدم لتحليل أنماط الاستجابة على بنود المقاييس الفئوية وفحص صلاحية التمييز بين المجموعات المعيارية والمجموعات الإكلينيكية. وفي البيئات التربوية والتنظيمية، يسهم الاختبار في فحص العلاقة بين أساليب القيادة الإدارية ومستويات الرضا الوظيفي، أو بين أنماط التعلم المفضلة والتحصيل الأكاديمي، مما يجعله أداة استراتيجية لاتخاذ القرارات القائمة على البيانات النوعية في المؤسسات المختلفة.

1.3 المفاهيم الأساسية: التكرار الملاحظ والتكرار المتوقع واستقلالية المتغيرات

يقوم البناء المنطقي لاختبار مربع كاي للاستقلالية على مقارنة كمية بين نوعين رئيسيين من التكرارات داخل جدول التوافق: التكرار الملاحظ والتكرار المتوقع. يُعرَّف التكرار الملاحظ (Observed Frequency – O) بأنه العدد الفعلي للأفراد أو المشاهدات التي تم حصرها ميدانياً والتحقق من انتمائها إلى خلية معينة ناتجة عن تقاطع تصنيف محدد من المتغير الأول مع تصنيف محدد من المتغير الثاني. تمثل هذه التكرارات الواقع التجريبي الخام الذي قام الباحث بتجميعه من العينة دون أي تدخل أو معالجة رياضية مسبقة.

في المقابل، يمثل التكرار المتوقع (Expected Frequency – E) التكرار النظري الذي يجب أن يظهر في الخلية إذا كانت الفرضية الصفرية صحيحة تماماً، أي في ظل الافتراض النظري القائل باستقلال المتغيرين استقلالاً مطلقاً وعدم وجود أي اقتران بينهما في المجتمع الأصلي. يتم اشتقاق التكرارات المتوقعة رياضياً من المجاميع الهامشية للصفوف والأعمدة، وتعمل كمعيار مرجعي نظري نقارن به الواقع المشاهد، لنرى ما إذا كان الانحراف الواقعي عن هذا النموذج المتوقع مجرد تذبذب عشوائي ناتج عن خطأ المعاينة أم أنه يعكس علاقة هيكلية جوهرية.

يقودنا هذا إلى المفهوم الجوهري لـ الاستقلالية الإحصائية (Statistical Independence)، والتي تعني أن احتمالية انتماء الفرد إلى فئة معينة من المتغير (أ) لا تتأثر مطلقاً باحتمالية انتمائه إلى أي فئة من فئات المتغير (ب). من المهم جداً في البحث النفسي التأكيد على أن الاستقلالية الإحصائية أو وجود علاقة اقترانية لا يعني بأي حال من الأحوال إثبات السببية (Causality). فالعلاقة الدالة بين متغيرين في اختبار مربع كاي تشير فقط إلى نمط غير عشوائي في توزيع المشاهدات المشتركة، ولكنها لا تثبت أن المتغير الأول هو المسبب المباشر للتغيرات الملاحظة في المتغير الثاني، حيث قد تلعب المتغيرات الدخيلة أو الكامنة دوراً وسيطاً في توليد هذا الارتباط.

2. الأسس النظرية والمفاهيمية للاختبار وجداول التوافق

2.1 بنية وتصميم جداول التوافق (Contingency Tables)

تُعد جداول التوافق (Contingency Tables)، أو الجداول المتقاطعة (Cross-tabulations)، البنية الرياضية والهندسية الأساسية التي يتم من خلالها تنظيم البيانات الفئوية لتحليلها بواسطة اختبار مربع كاي. تتشكل هذه الجداول من مصفوفة ثنائية الأبعاد تتكون من عدد (r) من الصفوف تمثل مستويات المتغير الفئوي الأول، وعدد (c) من الأعمدة تمثل مستويات المتغير الفئوي الثاني، ويُشار إلى هذا التصميم رياضياً بالرمز (r × c). ينتج عن هذا التقاطع مجموعة من الخلايا الفردية، حيث تحتوي كل خلية على التكرار الملاحظ المشترك للأفراد الذين يجمعون بين خاصية صفية معينة وخاصية عمودية معينة.

تتضمن بنية جدول التوافق عناصر حاسمة تسمى المجاميع الهامشية (Marginal Totals)، وهي المجاميع الإجمالية لكل صف على حدة، والمجاميع الإجمالية لكل عمود على حدة، بالإضافة إلى المجموع الكلي للعينة (Grand Total – N). تلعب هذه المجاميع دوراً محورياً في الحسابات الإحصائية اللاحقة؛ إذ تعكس التوزيع أحادي البعد لكل متغير بصورة معزولة عن المتغير الآخر، ومن خلالها يتم اشتقاق التكرارات المتوقعة. تتنوع أبعاد هذه الجداول بحسب طبيعة التصميم البحثي، بدءاً من أبسط الجداول وأكثرها استخداماً وهو جدول (2 × 2) الذي يقارن بين متغيرين ثنائيي التقسيم (Dichotomous)، ووصولاً إلى الجداول المعقدة مثل (3 × 3) أو (4 × 5) التي تتضمن مستويات تشخيصية واجتماعية متعددة.

من الناحية المنهجية، يلعب الترتيب البصري والمنطقي للمتغيرات داخل جدول التوافق دوراً كبيراً في تيسير قراءة وتفسير النتائج؛ فالأعراف الإحصائية في العلوم السلوكية تفضل عادة وضع المتغير المستقل أو المتغير التفسيري (Explanatory Variable) على الصفوف، في حين يوضع المتغير التابع أو متغير النتيجة (Outcome Variable) على الأعمدة. يسهم هذا التنظيم في تسهيل حساب النسب المئوية للصفوف (Row Percentages) ومقارنتها عبر الأعمدة المختلفة، مما يمنح الباحث نظرة استكشافية سريعة حول الاتجاهات العامة في البيانات قبل الشروع في العمليات الحسابية الاستدلالية.

2.2 توزيع مربع كاي الرياضي وخصائصه الإحصائية

يُعد توزيع مربع كاي (Chi-Square Distribution) توزيعاً احتمالياً نظرياً مستمراً، ينشأ رياضياً من مجموع مربعات متغيرات عشوائية طبيعية معيارية مستقلة (Standard Normal Variables). فإذا كان لدينا عدد (k) من المتغيرات المعيارية المستقلة ذات التوزيع Z ~ N(0, 1)، فإن مجموع مربعات هذه القيم يتبع توزيع مربع كاي بدرجات حرية مساوية لـ (k). وبما أن هذا التوزيع يعتمد بالكامل على قيم مربعة، فإن قيمه تقع دائماً في النطاق الموجب، أي تبدأ من الصفر وتمتد نحو اللانهاية الإيجابية [0, ∞+).

يتميز منحنى توزيع مربع كاي بمجموعة من الخصائص الإحصائية الفريدة التي تتغير بتغير معلمه الوحيد وهو درجات الحرية (Degrees of Freedom). عندما تكون درجات الحرية صغيرة جداً (مثل df = 1 أو df = 2)، يكون التوزيع شديد الالتواء نحو اليمين (Positively Skewed) مع انحدار حاد. ومع تزايد درجات الحرية تدريجياً، يبدأ الالتواء بالتناقص ويبدأ المنحنى بالانبساط والتمدد ليصبح أكثر تماثلاً، حتى يقترب تقارباً كبيراً من شكل التوزيع الطبيعي المعياري عندما تصبح درجات الحرية كبيرة (df > 30)، وهو ما يتطابق مع مقتضيات نظرية النهاية المركزية (Central Limit Theorem).

في اختبارات الفرضيات المتعلقة بمربع كاي للاستقلالية، يتم تطبيق الاختبار دائماً كاختبار ذي طرف واحد أيمن (One-tailed Test on the right side). يعود السبب المنطقي في ذلك إلى أن صيغة الاختبار تعتمد على تربيع الفروق بين التكرارات الملاحظة والتكرارات المتوقعـة، مما يعني أن أي انحراف عن الفرضية الصفرية—سواء كانت التكرارات الملاحظة أكبر أو أقل من المتوقعة—سيؤدي دائماً إلى زيادة قيمة إحصاء مربع كاي المحسوبة ودفعها نحو أقصى الطرف الأيمن للمنحنى. تقع منطقة الرفض (Rejection Region) في الذيل الأيمن العلوي للتوزيع بما يتطابق مع مستوى الدلالة المحدد.

2.3 الافتراض المنطقي لنظرية الاحتمالات في الاستقلالية الفئوية

يرتكز اختبار مربع كاي للاستقلالية على المبادئ الأساسية لـ نظرية الاحتمالات (Probability Theory)، وتحديداً قاعدة ضرب الاحتمالات للأحداث المستقلة (Multiplication Rule for Independent Events). تنص هذه القاعدة الرياضية الكلاسيكية على أنه إذا كان الحدث A والحدث B مستقلين استقلالاً حقيقياً، فإن احتمال وقوع كلا الحدثين معاً (الاحتمال المشترك) يساوي حاصل ضرب احتمال وقوع الحدث A في احتمال وقوع الحدث B بمفرده، وتُكتب رياضياً كما يلي:

P(A ∩ B) = P(A) × P(B)

عند إسقاط هذه القاعدة على جداول التوافق، يمثل الحدث A انتماء الفرد إلى صف معين، ويمثل الحدث B انتماء الفرد إلى عمود معين. يتم تقدير احتمال وقوع الحدث A عبر قسمة مجموع الصف المعني على حجم العينة الكلي (Row Total / N)، ويتم تقدير احتمال وقوع الحدث B عبر قسمة مجموع العمود المعني على حجم العينة الكلي (Column Total / N). ووفقاً لافتراض الاستقلالية، فإن احتمال وجود فرد ما داخل الخلية الناتجة عن تقاطع هذا الصف مع هذا العمود هو حاصل ضرب هذين الاحتمالين الهامشيين.

وبضرب هذا الاحتمال المشترك النظري في إجمالي حجم العينة (N)، نحصل على الصيغة الرياضية لحساب التكرار المتوقع للخلية. بناءً على هذا الأساس الاحتمالي، فإن أي تباعد كبير وجوهري بين التكرارات الملاحظة ميدانياً والتكرارات المشتقة من هذه القاعدة الاحتمالية يُعد دليلاً إحصائياً على بطلان افتراض الاستقلالية، مما يشير إلى أن انضمام الفرد إلى فئة في المتغير الأول مرتبط بصورة غير عشوائية بانضمامه إلى فئة معينة في المتغير الثاني.

3. شروط وافتراضات تطبيق اختبار مربع كاي للاستقلالية

3.1 طبيعة العينات واستقلالية الملاحظات

لكي تكون نتائج اختبار مربع كاي للاستقلالية صالحة إحصائياً وقابلة للتعميم، يجب أن تستوفي البيانات مجموعة من الشروط الأساسية التي لا يمكن التساهل فيها. الشرط الأول والأكثر أهمية هو استقلالية الملاحظات (Independence of Observations). يعني هذا الافتراض الرياضي أن كل مفردة أو حالة من حالات العينة يجب أن تساهم بتكرار واحد فقط في خلية واحدة فقط داخل جدول التوافق بأسره، بحيث لا يجوز تصنيف الفرد نفسه في أكثر من خلية واحدة أو حسابه مرتين تحت أي ظرف.

يترتب على هذا الشرط ضرورة استخدام طرق المعاينة العشوائية الاحتمالية لجمع البيانات من المجتمع المستهدف، وتجنب استخدام البيانات المجمعة من تصاميم القياسات المتكررة (Repeated Measures) أو الدراسات الطولية (Longitudinal Studies) التي يتم فيها قياس استجابات نفس الأفراد قبل التدخل العلاجي وبعده. إذا تم تطبيق اختبار مربع كاي على عينات مرتبطة أو قياسات متكررة، فإن خطأ المعيارية سينخفض بشكل زائف مما يؤدي إلى تضخم كبير في معدل الخطأ من النوع الأول وظهور دلالة إحصائية وهمية.

في الحالات الإكلينيكية التي تتضمن قياسات زوجية أو بيانات قبلية وبعدية ثنائية التقسيم (مثل تقييم وجود الأعراض الاكتئابية قبل وبعد العلاج المعرفي)، يجب على الباحث التخلي عن اختبار مربع كاي للاستقلالية والانتقال منهجياً إلى اختبار ماكنيمار (McNemar’s Test) المصمم خصيصاً للتعامل مع البيانات الاسمية الثنائية المرتبطة ومقارنة التغيرات عبر الزمن.

3.2 قواعد حجم العينة والتكرارات المتوقعة الدنيا (قاعدة كوشران)

يعتمد توزيع مربع كاي الرياضي على تقريب متصل لبيانات منفصلة، ولكي يكون هذا التقريب صالحاً من الناحية الاحتمالية، يجب توفر حد أدنى كافٍ من التكرارات داخل خلايا جدول التوافق. صاغ الإحصائي ويليام كوشران معياراً صارماً يُعرف في الأدبيات الإحصائية باسم معيار كوشران (Cochran’s Criterion)، وهو المعيار المعتمد عالمياً للحكم على ملاءمة التكرارات المتوقعة في جداول التوافق.

يتألف معيار كوشران من شرطين متلازمين لتطبيق الاختبار في الجداول الأكبر من (2 × 2):

• الشرط الأول: يجب ألا يقل التكرار المتوقع (Expected Frequency – E) في أي خلية من خلايا الجدول عن 1 على الإطلاق (E ≥ 1 في 100% من الخلايا).
• الشرط الثاني: يجب ألا يقل التكرار المتوقع عن 5 في أكثر من 20% من إجمالي خلايا جدول التوافق (بمعنى أن 80% على الأقل من الخلايا يجب أن يكون التكرار المتوقع فيها 5 أو أكثر).

أما في جداول التوافق الصغيرة من النوع (2 × 2)، فإن الشروط تصبح أكثر صرامة؛ حيث يوصي معظم المنهجيين بألا يقل التكرار المتوقع في أي خلية من الخلايا الأربع عن 5، مع ضرورة أن يكون حجم العينة الكلي (N) مناسباً، بحيث لا يقل عادة عن 20 إلى 30 مشاركاً لتجنب فقدان القوة الإحصائية (Statistical Power) للاختبار.

3.3 طرق معالجة انتهاك شروط الاختبار وحجم الخلايا الصغير

عندما يواجه الباحث النفسي بيانات تنتهك معيار كوشران، مثل وجود خلايا تحتوي على تكرارات متوقعة تقل عن 5 بنسبة تفوق 20%، فإن الاعتماد على قيمة مربع كاي القياسية يؤدي إلى تقديرات مضللة للقيم الاحتمالية. في هذه الحالة، يمتلك الباحث ثلاث استراتيجيات منهجية رئيسية لمعالجة المشكلة وضمان دقة الاستدلال:

الاستراتيجية الأولى هي دمج الفئات المنطقية (Collapsing Categories)؛ وتتمثل في إعادة تجميع مستويين أو أكثر من مستويات المتغير التي تشترك في خصائص مفهومية متقاربة لتقليص أبعاد الجدول وزيادة التكرارات في الخلايا الناتجة. على سبيل المثال، إذا كان متغير الحالة التعليمية مقسماً إلى خمس فئات وكانت فئتا “ماجستير” و”دكتوراه” تظهران تكرارات متوقعة منخفضة، يمكن دمجهما معاً في فئة واحدة تسمى “دراسات عليا”، شريطة أن يكون هذا الدمج مبرراً نظرياً ومنطقياً ولا يشوه طبيعة المتغير المدروس.

الاستراتيجية الثانية هي استخدام تصحيح ييتس للاستمرارية (Yates’s Correction for Continuity) في جداول (2 × 2)، وهو تعديل رياضي يقوم على طرح القيمة 0.5 من القيمة المطلقة للفرق بين التكرار الملاحظ والمتوقع في كل خلية لتقليل خطأ التقريب. أما الاستراتيجية الثالثة والأكثر دقة وموثوقية في حال كانت العينة صغيرة جداً، فهي التحول إلى اختبار فيشر الدقيق (Fisher’s Exact Test)، الذي يحسب الاحتمال الدقيق لجدول التوافق بناءً على التوزيع فوق الهندسي (Hypergeometric Distribution) دون الحاجة للاعتماد على أي تقريب توزيعي.

4. صياغة الفرضيات الإحصائية في اختبار مربع كاي للاستقلالية

4.1 صياغة الفرضية الصفرية (H0) والفرضية البديلة (H1)

تبدأ عملية الاستدلال الإحصائي في اختبار مربع كاي بصياغة فرضيتين متنافستين تغطيان كافة الاحتمالات الممكنة لتوزيع البيانات في المجتمع النفسي المستهدف. تُمثل الفرضية الصفرية (Null Hypothesis – H₀) فرضية عدم وجود أثر أو علاقة، وتفترض أن المتغيرين الفئويين مستقلان تماماً عن بعضهما البعض في المجتمع الأصلي، وأن أي تباين ملاحظ بين التكرارات المشاهدة والمتوقعة لا يعدو كونه تبايناً عشوائياً ناتجاً عن خطأ المعاينة الصدفية.

تُصاغ الفرضيات لفظياً ورياضياً على النحو التالي:

• الفرضية الصفرية (H₀): لا توجد علاقة ارتباطية ذات دلالة إحصائية بين [المتغير الفئوي الأول] و[المتغير الفئوي الثاني]؛ المتغيران مستقلان إحصائياً في المجتمع النفسي المستهدف. وتُكتب رمزياً: P(A ∩ B) = P(A) × P(B) لجميع تصنيفات المتغيرين.
• الفرضية البديلة (H₁): توجد علاقة ارتباطية ذات دلالة إحصائية بين [المتغير الفئوي الأول] و[المتغير الفئوي الثاني]؛ المتغيران غير مستقلين، وتوزيع أحدهما يعتمد على توزيع الآخر. وتُكتب رمزياً: P(A ∩ B) ≠ P(A) × P(B) لخلية واحدة على الأقل.

يتميز اختبار مربع كاي بأنه اختبار غير موجه بطبيعته (Non-directional)؛ فهو لا يختبر اتجاهاً محدداً للعلاقة (طردياً أو عكسياً) كما يحدث في معاملات الارتباط للمتغيرات الكمية، بل يختبر مجرد وجود اقتران أو توزيع غير متجانس بين الفئات المختلفة، مما يترك للباحث مهمة استكشاف اتجاه وطبيعة هذا الاقتران من خلال التحليلات البعدية وفحص البواقي.

4.2 تحديد مستوى الدلالة الإحصائية (Alpha Level) والخطأ من النوع الأول

يُمثل مستوى الدلالة الإحصائية (Alpha Level – α) المعيار الاحتمالي الصارم الذي يحدده الباحث مسبقاً قبل جمع البيانات لاتخاذ قرار برفض الفرضية الصفرية. يُعرَّف مستوى ألفا بأنه الحد الأقصى المقبول لاحتمالية الوقوع في الخطأ من النوع الأول (Type I Error)، وهو الخطأ المنهجي المتمثل في رفض الفرضية الصفرية الحقيقية بالخطأ والادعاء بوجود علاقة اقترانية بين المتغيرات النفسية في حين أنها غير موجودة فعلياً في المجتمع.

في الأبحاث النفسية والتربوية، يُحدد مستوى الدلالة القياسي عادة عند (α = 0.05)، وهو ما يعني أن الباحث يقبل بنسبة مخاطرة لا تتجاوز 5% بأن تكون النتيجة الدالة ناتجة عن الصدفة وحدها. وفي السياقات الإكلينيكية والطبية الحرجة التي تتضمن اتخاذ قرارات مصيرية حول تشخيص الاضطرابات أو التدخلات الدوائية والعلاجية، يفضل الباحثون اعتماد مستوى أكثر صرامة مثل (α = 0.01) أو (α = 0.001) لتقليل فرصة الخطأ إلى أدنى حد ممكن.

يرتبط اختيار مستوى الدلالة ارتباطاً وثيقاً بـ الخطأ من النوع الثاني (Type II Error – β)، وهو الفشل في رفض الفرضية الصفرية عندما تكون خاطئة في الواقع. كلما زاد الباحث من صرامة مستوى الدلالة (بانتقاله من 0.05 إلى 0.01)، زادت احتمالية الوقوع في الخطأ من النوع الثاني وانخفضت القوة الإحصائية للاختبار، مما يحتم على الباحث الموازنة الدقيقة بين هذين الخطأين عبر توفير حجم عينة كبير بما يكفي لاكتشاف الأثر الحقيقي إذا كان موجوداً.

4.3 المنطق السيكولوجي خلف اختبار العلاقات الفئوية

يتطلب التحليل السيكولوجي للعلاقات الفئوية فهماً عميقاً يتجاوز مجرد الحسابات الرياضية الجافة؛ فالهدف الأساسي للباحث ليس فقط إثبات وجود اقتران إحصائي بين متغيرين، بل فهم الآلية النفسية أو الاجتماعية الكامنة وراء هذا الاقتران. إن بناء الفرضيات في علم النفس الإكلينيكي والمعرفي يجب أن يستند إلى أطر نظرية متماسكة (Theoretical Frameworks) ونماذج تفسيرية تشرح أسباب التباين في التوزيعات الفئوية.

على سبيل المثال، عند دراسة العلاقة بين أسلوب التعلق النفسي (آمن، قلق، متجنب) ونوع الاضطراب السلوكي، لا يُكتفى بصياغة فرضية إحصائية مجردة، بل يُبنى الفرض على نظريات التعلق ونموذج المعالجة المعرفية للمشاعر. كما يجب على الباحث أن يكون يقظاً لوجود المتغيرات الدخيلة والمربكة (Confounding Variables) التي قد تولد ارتباطات زائفة (Spurious Associations)؛ فقد يظهر مربع كاي ارتباطاً قوياً بين متغيرين فئويين نتيجة تأثير متغير ثالث وسيط لم يتم ضبطه في التصميم، مثل المستوى الاجتماعي أو المرحلة العمرية.

تظهر القيمة التطبيقية للتحقق من الفرضيات الفئوية في تمكين الممارسين النفسيين من تصميم استراتيجيات وقائية وبرامج علاجية مستهدفة بدقة. فإذا أثبت الاختبار وجود اقتران دال بين فئة تشخيصية معينة ومقاومة صنف محدد من العلاجات، يمكن للمعالجين تعديل البروتوكول العلاجي مبكراً واختيار البدائل الأكثر ملاءمة لتلك الفئة، مما يرفع من جودة الرعاية النفسية ويقلل من الهدر الزمني والمادي في مسارات العلاج غير الفعالة.

5. الصيغة الرياضية والقوانين الإحصائية لاختبار مربع كاي

5.1 المعادلة الرياضية العامة لمربع كاي (χ²)

تعتمد المعادلة الرياضية العامة لحساب إحصاء مربع كاي للاستقلالية على قياس الفروق التراكمية الموزونة بين التكرارات الملاحظة ميدانياً والتكرارات المتوقعة نظرياً عبر جميع خلايا جدول التوافق. وتُكتب الصيغة الرياضية القياسية التي وضعها كارل بيرسون على النحو التالي:

χ² = Σ [ (O – E)² / E ]

حيث تمثل الرموز الإحصائية ما يلي:

• χ² (Chi-Square): قيمة إحصاء مربع كاي المحسوبة الناتجة عن التحليل.
• Σ (Sigma): رمز المجموع الرياضي التراكمي لجميع الخلايا في الجدول المتقاطع.
• O (Observed Frequency): التكرار الملاحظ المقاس فعلياً في خلية محددة.
• E (Expected Frequency): التكرار المتوقع نظرياً لنفس الخلية تحت فرضية الاستقلالية.

يحتوي هذا القانون الرياضي على تفاصيل منطقية بالغة الأهمية؛ فعملية طرح التكرار المتوقع من الملاحظ (O – E) تمثل مقدار الانحراف أو الخطأ في كل خلية. ونظراً لأن مجموع هذه الانحرافات الخام عبر الجدول يساوي صفراً دائماً، فإن تربيع هذا الفرق (O – E)² يؤدي وظيفة حاسمة تتمثل في إزالة الإشارات السالبة وضمان أن تكون جميع القيم المضافة موجبة، مع مضاعفة وزن الانحرافات الكبيرة. أما قسمة الناتج المربع على التكرار المتوقع (E) في المقام، فتهدف إلى معايرة وتوزين الفروق بالنسبة لحجم التوقع الأصلي؛ فالانحراف بمقدار 5 تكرارات في خلية توقعها 10 يمثل وزناً وتأثيراً أكبر بكثير من نفس الانحراف في خلية توقعها 100.

5.2 معادلة حساب التكرار المتوقع (Expected Frequency Formula)

يتم حساب التكرار المتوقع (E) لكل خلية مفردة داخل جدول التوافق بالاعتماد المباشر على المجاميع الهامشية للصف والعمود اللذين تتقاطع عندهما تلك الخلية، مقسوماً على الحجم الإجمالي للعينة. وتأخذ المعادلة الرياضية الصيغة التالية:

E = (Row Total × Column Total) / Grand Total

أو بالصيغة الرمزية الدقيقة للخلية في الصف رقم (i) والعمود رقم (j):

Eᵢⱼ = (Rᵢ × Cⱼ) / N

حيث تمثل:

• Eᵢⱼ: التكرار المتوقع للخلية الواقعة عند تقاطع الصف i والعمود j.
• Rᵢ: المجموع الهامشي الإجمالي للصف i.
• Cⱼ: المجموع الهامشي الإجمالي للعمود j.
• N: الحجم الكلي الإجمالي لكافة المشاهدات في العينة.

يشتق هذا القانون جبرياً من قاعدة الاحتمال المشترك المستقل المذكورة سابقاً: [P(Rᵢ) × P(Cⱼ)] × N = [(Rᵢ / N) × (Cⱼ / N)] × N = (Rᵢ × Cⱼ) / N. ومن الخصائص الرياضية الأساسية للتحقق من سلامة الحسابات أن يكون مجموع التكرارات المتوقعة عبر أي صف مساوياً تماماً للمجموع الهامشي الفعلي لذلك الصف، ومجموعها عبر أي عمود مساوياً للمجموع الهامشي للعمود، وبالتالي يكون المجموع الإجمالي لكافة التكرارات المتوقعة في الجدول مساوياً تماماً لحجم العينة الكلي (ΣE = ΣO = N).

5.3 معادلة تصحيح ييتس للاستمرارية (Yates’s Correction)

عند التعامل مع جداول التوافق ذات البعد (2 × 2) عندما تكون العينة متوسطة أو صغيرة الحجم، قد يؤدي استخدام التوزيع المتصل لمربع كاي لتقريب التوزيع المنفصل للبيانات الفئوية إلى تضخيم قيمة مربع كاي المحسوبة بشكل طفيف وخفض القيمة الاحتمالية، مما يرفع احتمالية الخطأ من النوع الأول. لعلاج هذا التشوه، اقترح الإحصائي فرانك ييتس (Frank Yates) إدخال تعديل استمرارية يُعرف بـ تصحيح ييتس للاستمرارية.

تُصاغ معادلة ييتس المعدلة لجداول (2 × 2) رياضياً كما يلي:

χ²_corrected = Σ [ (|O – E| – 0.5)² / E ]

يقوم هذا التعديل على أخذ القيمة المطلقة للفارق بين التكرار الملاحظ والمتوقع في كل خلية من الخلايا الأربع، ثم طرح ثابت الاستمرارية (0.5) من هذا الفارق قبل إجراء عملية التربيع والقسمة على (E). يؤدي هذا الطرح إلى تقليص قيمة بسط المعادلة عمداً، مما ينتج عنه قيمة نهائية لمربع كاي أصغر حجماً وأكثر تحفظاً، وبالتالي قيمة احتمالية (P-value) أكبر، ما يمنع الوقوع في فخ رفض الفرضية الصفرية بقرارات متسرعة.

على الرغم من انتشار هذا التصحيح في حزم البرمجيات الإحصائية كخيار تلقائي لجداول 2×2، إلا أنه واجه انتقادات منهجية واسعة من قبل العديد من الإحصائيين المعاصرين، الذين يرون أن تصحيح ييتس يميل إلى أن يكون محافظاً أكثر من اللازم (Overly Conservative)، مما يؤدي إلى خفض القوة الإحصائية للاختبار ورفع معدل الخطأ من النوع الثاني. لذلك، يوصي معظم المنهجيين اليوم بتجاوز تصحيح ييتس واستخدام اختبار فيشر الدقيق مباشرة عند مواجهة عينات صغيرة في جداول 2×2.

6. درجات الحرية وتحديد القيمة الحرجة ومناطق اتخاذ القرار

6.1 حساب درجات الحرية (Degrees of Freedom – df)

تُعرَّف درجات الحرية (Degrees of Freedom – df) في سياق الاستدلال الإحصائي بأنها عدد القيم أو الخلايا في التحليل التي تمتلك حرية التغير العشوائي المستقل دون انتهاك القيود الهامشية المفروضة على مجموع البيانات. في جداول التوافق، ترتبط درجات الحرية بالهيكل الهندسي للجدول (عدد الصفوف والأعمدة) وليس بالحجم الإجمالي للعينة كما هو الحال في الاختبارات المعلمية كاختبار “ت” (t-test).

تُحسب درجات الحرية لاختبار مربع كاي للاستقلالية باستخدام القانون الرياضي التالي:

df = (r – 1) × (c – 1)

حيث يمثل (r) عدد صفوف الجدول، ويمثل (c) عدد أعمدته. المنطق الرياضي خلف هذه المعادلة بسيط ومباشر: إذا علمنا المجاميع الهامشية الثابتة للصفوف والأعمدة لجدول ما، فإننا نملك حرية ملء تكرارات (r – 1) من الصفوف و(c – 1) من الأعمدة بقيم عشوائية، ولكن بمجرد تعبئة هذه الخلايا، فإن الخلايا المتبقية في الصف الأخير والعمود الأخير تصبح محددة تلقائياً وثابتة حسابياً ولا تملك أي حرية للتغير لكي تتطابق مع المجاميع الهامشية المحددة مسبقاً.

وفقاً لهذه القاعدة، فإن جدول التوافق البسيط (2 × 2) يمتلك درجة حرية واحدة فقط [df = (2-1)(2-1) = 1]، في حين يمتلك الجدول ذو الأبعاد (3 × 2) درجتي حرية [df = (3-1)(2-1) = 2]، ويمتلك الجدول (3 × 3) أربع درجات حرية [df = (3-1)(3-1) = 4]. تؤثر درجات الحرية تأثيراً مباشراً على شكل منحنى توزيع مربع كاي، وبالتالي تحدد القيمة الحرجة المطلوبة لرفض الفرضية الصفرية عند مستوى دلالة معين.

6.2 استخدام جداول توزيع مربع كاي لتحديد القيمة الحرجة

بعد حساب درجات الحرية وتحديد مستوى الدلالة المستهدف (α)، يلجأ الباحث إلى جداول توزيع مربع كاي المعيارية لتحديد القيمة الحرجة (Critical Value – χ²_crit). تُمثل القيمة الحرجة نقطة الفصل الهندسية الدقيقة على المحور الأفقي لمنحنى التوزيع، والتي تعزل مساحة الرفض المحددة بمستوى الدلالة في أقصى الذيل الأيمن عن مساحة قبول أو عدم رفض الفرضية الصفرية.

لقراءة جدول مربع كاي الإحصائي، يتبع الباحث الخطوات التالية:

• تحديد الصف المقابل لدرجات الحرية (df) الخاصة بجدول التوافق قيد التحليل.
• تحديد العمود المقابل لمستوى الدلالة المختار (غالباً 0.05 أو 0.01).
• نقطة التقاطع بين صف درجات الحرية وعمود مستوى الدلالة تمثل القيمة الحرجة (χ²_critical).

يوضح الجدول الإحصائي التالي بعض القيم الحرجة الشائعة لتوزيع مربع كاي عند مستويات دلالة مختلفة ودرجات حرية متعددة:

درجات الحرية (df)	مستوى الدلالة (α = 0.10)	مستوى الدلالة (α = 0.05)	مستوى الدلالة (α = 0.01)	مستوى الدلالة (α = 0.001)
1	2.706	3.841	6.635	10.828
2	4.605	5.991	9.210	13.816
3	6.251	7.815	11.345	16.266
4	7.779	9.488	13.277	18.467
5	9.236	11.070	15.086	20.515
6	10.645	12.592	16.812	22.458

في عصر البرمجيات الإحصائية الحديثة، لم يعد الباحث بحاجة للبحث اليدوي في الجداول المطبوعة؛ إذ تقوم البرامج بحساب القيمة الاحتمالية الدقيقة (P-value) المرتبطة بقيمة مربع كاي المحسوبة، والتي تعبر عن المساحة الدقيقة تحت المنحنى الواقعة على يمين القيمة المحسوبة.

6.3 قواعد اتخاذ القرار الإحصائي وتفسيره السيكولوجي

يرتكز اتخاذ القرار الإحصائي في اختبار مربع كاي على مقارنة رياضية حاسمة بين القيمة المحسوبة والقيمة الحرجة، أو بين القيمة الاحتمالية (P-value) ومستوى الدلالة المحدد سلفاً (α). وتتلخص قاعدة اتخاذ القرار الإحصائي في المبدأين المتطابقين التاليين:

• رفض الفرضية الصفرية (Reject H₀): إذا كانت قيمة مربع كاي المحسوبة أكبر من أو تساوي القيمة الحرجة (χ²_calc ≥ χ²_crit)، أو إذا كانت القيمة الاحتمالية أقل من مستوى الدلالة (p < α). يُستنتج هنا وجود علاقة اقترانية دالة إحصائياً بين المتغيرين الفئويين.
• الفشل في رفض الفرضية الصفرية (Fail to Reject H₀): إذا كانت قيمة مربع كاي المحسوبة أصغر من القيمة الحرجة (χ²_calc < χ²_crit)، أو إذا كانت القيمة الاحتمالية أكبر من أو تساوي مستوى الدلالة (p ≥ α). يُستنتج هنا عدم كفاية الأدلة الإحصائية لإثبات وجود علاقة، ويُفترض استقلال المتغيرين.

من الضروري جداً توخي الحذر الشديد في التفسير السيكولوجي للقرار؛ فالفشل في رفض الفرضية الصفرية لا يعني بالضرورة “إثبات” استقلالية المتغيرين تماماً، بل يعني فقط أن حجم البيانات المتاحة في العينة لم يقدم دليلاً كافياً لدحض فرضية الاستقلال عند مستوى الدلالة المختار. كما أن رفض الفرضية الصفرية والحصول على دلالة إحصائية عالية (مثل p < .001) لا يعني بالضرورة أن العلاقة ذات قوة أو أهمية عملية كبيرة؛ فالقيمة الاحتمالية تتأثر تأثراً بالغاً بحجم العينة الكبير، حيث يمكن لعينة ضخمة أن تظهر فروقاً طفيفة جداً كفروق دالة إحصائياً، مما يفرض على الباحث دائماً حساب معاملات حجم الأثر لتفسير المعنى العملي للنتائج.

7. مثال عملي تطبيقي شامل في علم النفس الإكلينيكي

7.1 سيناريو الدراسة النفسية وتجميع البيانات الملاحظة

لإيضاح التطبيق الحسابي والمفاهيمي لاختبار مربع كاي للاستقلالية، نفترض قيام فريق بحثي في علم النفس الإكلينيكي بدراسة ميدانية تهدف إلى فحص ما إذا كانت هناك علاقة ارتباطية ذات دلالة إحصائية بين نوع الاضطراب النفسي التشخيصي للمريض ونوع الاستجابة للتدخل النفسي السلوكي المعرفي.

اشتملت العينة العشوائية للدراسة على (N = 150) مريضاً تم تصنيفهم تشخيصياً وفق معايير DSM-5 إلى ثلاث فئات اضطراب رئيسية: (اضطراب القلق العام، اضطراب الاكتئاب الجسيم، واضطراب الهلع). خضع جميع المرضى لنفس البروتوكول العلاجي المعرفي السلوكي الموحد لمدة 12 أسبوعاً، وتم تقييم حالتهم السريرية في نهاية البرنامج لتصنيفهم إلى فئتين للاستجابة: (استجابة إيجابية / تحسن ملحوظ، أو عدم استجابة / تحسن طفيف). يمثل هذا التصميم جدول توافق من النوع (3 × 2).

تُصاغ الفرضيات الإجرائية للدراسة كالتالي:

• الفرضية الصفرية (H₀): استجابة المريض للعلاج المعرفي السلوكي مستقلة عن نوع الاضطراب النفسي؛ لا توجد علاقة بين نوع التشخيص والاستجابة للعلاج.
• الفرضية البديلة (H₁): استجابة المريض للعلاج المعرفي السلوكي ترتبط بنوع الاضطراب النفسي؛ توجد علاقة دالة بين نوع التشخيص والاستجابة للعلاج.
• مستوى الدلالة المعتمد: α = 0.05.

تم تجميع البيانات الميدانية وتوثيق التكرارات الملاحظة (O) في جدول التوافق التالي شاملاً المجاميع الهامشية:

نوع الاضطراب (المتغير المستقل)	استجابة إيجابية (تحسن)	عدم استجابة (لم يتحسن)	المجموع الهامشي للصف (Row Total)
اضطراب القلق العام	38	12	50
اضطراب الاكتئاب الجسيم	24	36	60
اضطراب الهلع	28	12	40
المجموع الهامشي للعمود (Column Total)	90	60	150 (المجموع الكلي N)

7.2 الخطوات الحسابية الكاملة للتكرارات المتوقعة وقيمة مربع كاي

نبدأ أولاً بحساب التكرار المتوقع (E) لكل خلية من الخلايا الست باستخدام المعادلة: E = (مجموع الصف × مجموع العمود) / N:

• خلية (قلق عام × استجابة إيجابية): E₁₁ = (50 × 90) / 150 = 4500 / 150 = 30.0
• خلية (قلق عام × عدم استجابة): E₁₂ = (50 × 60) / 150 = 3000 / 150 = 20.0
• خلية (اكتئاب جسيم × استجابة إيجابية): E₂₁ = (60 × 90) / 150 = 5400 / 150 = 36.0
• خلية (اكتئاب جسيم × عدم استجابة): E₂₂ = (60 × 60) / 150 = 3600 / 150 = 24.0
• خلية (هلع × استجابة إيجابية): E₃₁ = (40 × 90) / 150 = 3600 / 150 = 24.0
• خلية (هلع × عدم استجابة): E₃₂ = (40 × 60) / 150 = 2400 / 150 = 16.0

نلاحظ أن جميع التكرارات المتوقعة المحسوبة تزيد عن 5 (أقل قيمة هي 16.0)، مما يؤكد استيفاء معيار كوشران بالكامل وصلاحية تطبيق الاختبار.

نقوم الآن بحساب قيمة مربع كاي المرحلية لكل خلية بتطبيق المعادلة: (O – E)² / E، وجدولتها تفصيلياً كما يلي:

الخلية (التقاطع)	الملاحظ (O)	المتوقع (E)	الفارق (O – E)	المربع (O – E)²	المساهمة في مربع كاي: (O – E)² / E
قلق عام × استجابة إيجابية	38	30.0	+8.0	64.0	64.0 / 30.0 = 2.133
قلق عام × عدم استجابة	12	20.0	-8.0	64.0	64.0 / 20.0 = 3.200
اكتئاب جسيم × استجابة إيجابية	24	36.0	-12.0	144.0	144.0 / 36.0 = 4.000
اكتئاب جسيم × عدم استجابة	36	24.0	+12.0	144.0	144.0 / 24.0 = 6.000
هلع × استجابة إيجابية	28	24.0	+4.0	16.0	16.0 / 24.0 = 0.667
هلع × عدم استجابة	12	16.0	-4.0	16.0	16.0 / 16.0 = 1.000
إجمالي قيمة مربع كاي المحسوبة (χ²_calculated)					17.000

تُحسب درجات الحرية للجدول كما يلي: df = (r – 1) × (c – 1) = (3 – 1) × (2 – 1) = 2 × 1 = 2.

7.3 مقارنة النتائج واتخاذ القرار الإحصائي للمثال

لاستكمال الاستدلال الإحصائي، نقارن قيمة مربع كاي المحسوبة بالقيمة الحرجة المستخرجة من الجداول الإحصائية عند مستوى دلالة (α = 0.05) ودرجات حرية (df = 2):

• قيمة مربع كاي المحسوبة (χ²_calc): 17.000
• قيمة مربع كاي الحرجة (χ²_crit عند df = 2, α = 0.05): 5.991
• القيمة الاحتمالية الدقيقة (P-value): p = 0.000203 (وهي أصغر بكثير من 0.05 و 0.001).

القرار الإحصائي: بما أن القيمة المحسوبة (17.000) أكبر بكثير من القيمة الحرجة (5.991)، وبما أن القيمة الاحتمالية (p < .001) أقل من مستوى الدلالة المعتمد (0.05)، فإننا نرفض الفرضية الصفرية (Reject H₀) ونقبل الفرضية البديلة (H₁).

الاستنتاج السيكولوجي الأولي: توجد علاقة ارتباطية ذات دلالة إحصائية واضحة بين نوع الاضطراب النفسي التشخيصي ومعدل الاستجابة لبرنامج العلاج المعرفي السلوكي [χ²(2, N = 150) = 17.00, p < .001]. تشير هذه النتيجة إلى أن احتمالية التحسن السريري ليست موزعة بالتساوي بين الاضطرابات، بل تتأثر بنوع التشخيص، وهو ما يتطلب تحليلاً بعدياً معمقاً لمعرفة أي الاضطرابات كانت أكثر أو أقل استجابة مقارنة بالتوقعات النظرية.

8. تحليل ما بعد الاختبار: فحص الخلايا والبواقي المعيارية

8.1 تحليل البواقي المعيارية المعدلة (Adjusted Standardized Residuals)

عندما يسفر اختبار مربع كاي عن نتيجة دالة إحصائياً في الجداول الأكبر من (2 × 2)، يخبرنا الاختبار بوجود علاقة عامة بين المتغيرين، ولكنه لا يحدد بدقة الخلايا المحددة المسؤولة عن توليد هذه الدلالة. للإجابة على هذا التساؤل التشخيصي، يلجأ الباحث إلى تحليل البواقي المعيارية المعدلة (Adjusted Standardized Residuals – ASR)، والتي تُعرف في الأدبيات الإحصائية باسم درجات هابرمان المعيارية (Haberman’s Z-scores).

تُحسب البواقي المعيارية المعدلة لكل خلية باستخدام المعادلة الإحصائية التالية:

z_adj = (O – E) / √[ E × (1 – Row Proportion) × (1 – Column Proportion) ]

حيث يمثل (Row Proportion) مجموع الصف مقسوماً على N، ويمثل (Column Proportion) مجموع العمود مقسوماً على N. تتبع هذه الدرجات التوزيع الطبيعي المعياري Z ~ N(0, 1)؛ وبالتالي فإن أي خلية تمتلك قيمة باقٍ معدل تتجاوز ±1.96 تُعد خلية مساهمة مساهمة ذات دلالة إحصائية في رفض الفرضية الصفرية عند مستوى دلالة (α = 0.05). وإذا تجاوزت القيمة ±2.58، فإنها تكون دالة عند مستوى (α = 0.01).

بالتطبيق على بيانات مثالنا العملي السابق، نجد ما يلي:

• مرضى الاكتئاب الجسيم × عدم استجابة: z_adj = +4.08 (قيمة موجبة تفوق بمراحل +1.96، مما يوضح أن عدد مرضى الاكتئاب الذين لم يستجيبوا للعلاج أعلى بكثير مما هو متوقع نظرياً).
• مرضى الاكتئاب الجسيم × استجابة إيجابية: z_adj = -4.08 (قيمة سالبة تتجاوز -1.96، تشير إلى أن معدل الاستجابة الإيجابية بين مرضى الاكتئاب أقل بكثير من المتوقع).
• مرضى القلق العام × استجابة إيجابية: z_adj = +2.58 (قيمة موجبة دالة، تظهر أن استجابة مرضى القلق للعلاج كانت أعلى بصورة ملحوظة من التوقع النظري).
• مرضى الهلع: لم تتجاوز البواقي حاجز الدلالة المعيارية (z_adj = +1.46 للاستجابة)، مما يعني أن توزيعهم قريب نسبياً من النموذج النظري.

8.2 المقارنات الثنائية البعدية (Post-Hoc Pairwise Comparisons)

بالإضافة إلى تحليل البواقي، يمكن للباحث إجراء مقارنات ثنائية بعدية (Pairwise Comparisons) لتحديد أزواج المجموعات التشخيصية التي تختلف فيما بينها جوهرياً. يتم ذلك عن طريق تقسيم الجدول الرئيسي (3 × 2) إلى ثلاثة جداول فرعية مصغرة بحجم (2 × 2)، وإجراء اختبار مربع كاي مستقل لكل زوج من التشخيصات (مقارنة القلق بالاكتئاب، ومقارنة القلق بالهلع، ومقارنة الاكتئاب بالهلع).

عند إجراء اختبارات إحصائية متعددة على نفس مجموعة البيانات، يرتفع خطر الوقوع في الخطأ من النوع الأول بشكل تراكمي، وهو ما يُعرف بتضخم معدل الخطأ العائلي (Familywise Error Rate). لحماية صدق الاستدلال، يجب تطبيق تصحيح بونفيروني (Bonferroni Adjustment)، والذي يقوم على تقسيم مستوى الدلالة الأصلي (α = 0.05) على عدد المقارنات الثنائية المنجزة (k = 3):

α_adjusted = α / k = 0.05 / 3 = 0.0167

بناءً على هذا التصحيح الصارم، لا تُعتبر أي مقارنة ثنائية دالة إحصائياً إلا إذا كانت القيمة الاحتمالية الناتجة عنها أصغر من (0.0167). أظهرت النتائج البعدية في مثالنا أن المقارنة بين (القلق العام والاكتئاب الجسيم) أسفرت عن فارق دال إحصائياً [χ²(1) = 14.52, p < .001]، في حين لم تظهر المقارنة بين (القلق العام والهلع) فارقاً دالاً عند مستوى بونفيروني المعدل [p = .284]، مما يوضح أن التباين الأساسي في الاستجابة العلاجية يكمن بين مرضى الاكتئاب من جهة ومرضى القلق والهلع من جهة أخرى.

8.3 التفسير الإكلينيكي والنفسي لمساهمات الخلايا

يحمل تحليل البواقي والمقارنات البعدية قيمة سريرية بالغة الأهمية للممارس والمعالج النفسي؛ فالنتائج لا تخبرنا فقط بوجود اختلاف إحصائي، بل تكشف عن البنية السلوكية للاستجابة العلاجية. إن الارتفاع الجوهري في معدل عدم الاستجابة لدى مرضى الاكتئاب الجسيم (z_adj = +4.08) يتماشى مع الأدبيات السريرية التي تشير إلى أن الأعراض المعرفية للاكتئاب، مثل اليأس المكتسب، وبطء المعالجة المعرفية، وتدني الدافعية، قد تعيق الالتزام بتمارين العلاج المعرفي السلوكي المنزلية وجلسات إعادة البناء المعرفي.

في المقابل، يفسر الارتفاع الدال في استجابة مرضى القلق العام (z_adj = +2.58) بفاعلية الفنيات السلوكية المباشرة، مثل تمارين الاسترخاء العضلي، وإعادة التقييم المعرفي للمخاوف المستقبلية، وتفنيد الأفكار الكارثية، والتي غالباً ما تحقق نتائج ملموسة وسريعة لدى مرضى القلق مقارنة بمرضى الاكتئاب.

تتيح هذه الاستنتاجات التفصيلية للفرق الإكلينيكية إعادة النظر في تصميم التدخلات العلاجية؛ فبدلاً من تطبيق بروتوكول معرفي سلوكي قياسي موحد على الجميع، يمكن تطوير بروتوكولات مدمجة ومكثفة لمرضى الاكتئاب تتضمن تنشيطاً سلوكياً مكثفاً (Behavioral Activation) قبل البدء في التدخلات المعرفية المعقدة، مما يعزز معدلات الاستجابة السريرية ويقلل من نسب الانتكاس.

9. قياس حجم الأثر وقوة الاقتران للمتغيرات الفئوية

9.1 معامل فاي (Phi Coefficient) لجداول 2×2

لا يكتمل التحليل الإحصائي بمجرد استخراج الدلالة الإحصائية؛ إذ يجب على الباحث تحديد حجم الأثر (Effect Size) لتقدير القوة العملية للعلاقة بمعزل عن تأثير حجم العينة. في جداول التوافق الثنائية ذات البعد (2 × 2)، يُعد معامل فاي (Phi Coefficient – φ) المقياس المعياري الأكثر استخداماً لتقدير قوة الاقتران بين المتغيرين.

يُحسب معامل فاي رياضياً بقسمة قيمة مربع كاي المحسوبة على حجم العينة الكلي (N)، ثم أخذ الجذر التربيعي للناتج:

φ = √(χ² / N)

يتشابه معامل فاي رياضياً ومفاهيمياً مع معامل ارتباط بيرسون (Pearson’s r) للبيانات الثنائية، وتتراوح قيمته المطلقة بين 0 (عدم وجود أي ارتباط) و 1 (ارتباط تام ومثالي بين المتغيرين). ووفقاً لمعايير جاكوب كوهين (Jacob Cohen) الإحصائية الشهيرة، يتم تفسير حجم الأثر لمعامل فاي في الأبحاث النفسية على النحو التالي:

• أثر صغير (Small Effect): φ ≈ 0.10
• أثر متوسط (Medium Effect): φ ≈ 0.30
• أثر كبير (Large Effect): φ ≥ 0.50

9.2 معامل كرامر (Cramer’s V) للجداول الأكبر (r × c)

عندما تتجاوز جداول التوافق أبعاد (2 × 2) لتصبح (3 × 2) أو (3 × 3) أو أكبر، يفقد معامل فاي قدرته على البقاء ضمن نطاق [0, 1] وقد يتجاوز الواحد الصحيح. لذلك، طور الإحصائي هارالد كرامر مقياساً معدلاً يُعرف باسم معامل كرامر (Cramer’s V)، وهو المقياس القياسي المعتمد عالمياً لحساب حجم الأثر في الجداول متعددة المستويات.

تُحسب قيمة معامل كرامر (V) باستخدام الصيغة الرياضية التالية:

V = √ [ χ² / (N × min(r – 1, c – 1)) ]

حيث يمثل الرمز [min(r – 1, c – 1)] القيمة الأصغر بين (عدد الصفوف مطروحاً منها 1) و(عدد الأعمدة مطروحاً منها 1). تضمن هذه المعادلة معايرة القيمة لتقع دائماً في المدى القياسي بين [0 و 1] بغض النظر عن أبعاد الجدول وحجم العينة.

بالتطبيق على المثال العملي النفسي السابق للدراسة:

• χ² = 17.000
• N = 150
• r = 3 (صفوف)، c = 2 (أعمدة) -> min(3 – 1, 2 – 1) = min(2, 1) = 1
• V = √ [ 17.000 / (150 × 1) ] = √ [ 17.000 / 150 ] = √0.1133 = 0.337

تعتمد معايير كوهين لتفسير معامل كرامر على أصغر درجات الحرية في الجدول، وتتوزع كالتالي:

القيمة الصغرى لدرجات الحرية k* = min(r-1, c-1)	أثر صغير (Small)	أثر متوسط (Medium)	أثر كبير (Large)
k* = 1 (مثل جداول 2×2 و 3×2 و 4×2)	0.10	0.30	0.50
k* = 2 (مثل جداول 3×3 و 4×3)	0.07	0.21	0.35
k* = 3 (مثل جداول 4×4)	0.06	0.17	0.29

بما أن قيمة معامل كرامر في دراستنا بلغت (V = 0.337) مع (k* = 1)، فإن هذا يشير إلى وجود حجم أثر متوسط يميل إلى القوة للعلاقة بين نوع الاضطراب التشخيصي ونوع الاستجابة للعلاج، مما يؤكد الأهمية السريرية والعملية لهذه النتيجة في الميدان الإكلينيكي.

9.3 نسبة الأرجحية (Odds Ratio) ونسبة الخطر (Relative Risk)

في الأبحاث الوبائية والإكلينيكية النفسية التي تستخدم جداول توافق (2 × 2)، يفضل الباحثون استخدام مقاييس الترابط القائمة على الاحتمالات مثل نسبة الأرجحية (Odds Ratio – OR) ونسبة الخطر (Relative Risk – RR)، نظراً لقابليتها للتفسير السريري المباشر في دراسات الحالات والشواهد (Case-Control Studies) والدراسات التتبعية (Cohort Studies).

تُعرَّف الأرجحية (Odds) بأنها النسبة بين احتمالية وقوع الحدث إلى احتمالية عدم وقوعه [P / (1 – P)]. وتُحسب نسبة الأرجحية (OR) لجدول (2 × 2) يحتوي على الخلايا (A, B, C, D) وفق المعادلة الكلاسيكية:

OR = (A × D) / (B × C)

يتم تفسير قيمة نسبة الأرجحية كما يلي:

• OR = 1: لا يوجد أي اختلاف في الأرجحية بين المجموعتين (استقلالية تامة).
• OR > 1: المجموعة المعرضة للمتغير تمتلك أرجحية أعلى لظهور النتيجة السلوكية أو المرضية.
• OR < 1: المتغير يلعب دوراً وقائياً يقلل من أرجحية ظهور النتيجة.

يرافق حساب نسبة الأرجحية دائماً استخراج فترات الثقة 95% (95% Confidence Intervals)؛ فإذا كانت فترة الثقة تشمل القيمة (1.00)، دل ذلك على أن العلاقة غير دالة إحصائياً عند مستوى دلالة 0.05. تمنح هذه المقاييس المعالجين والباحثين وسيلة كمية دقيقة لتقدير مضاعفة احتمالات الخطر أو التحسن السريري بين الفئات المختلفة.

10. تنفيذ اختبار مربع كاي باستخدام البرمجيات الإحصائية

10.1 التحليل الإحصائي عبر برنامج SPSS

يُعد برنامج IBM SPSS Statistics البيئة البرمجية الأكثر انتشاراً بين الباحثين في علم النفس والتربية لتحليل البيانات الفئوية. لتنفيذ اختبار مربع كاي للاستقلالية في SPSS، يتبع الباحث الخطوات الإجرائية التالية:

• إدخال البيانات وترميزها: يتم تعريف متغيرين في شاشة (Variable View) وتعيين مستوى القياس لهما كمتغيرين اسميين (Nominal)، مع تحديد القيم اللفظية للفئات عبر خاصية (Values). في حال تم إدخال البيانات كأرقام مجمعة سلفاً من جدول توافق، يجب إنشاء متغير ثالث يمثل التكرارات وتفعيله عبر الأمر: Data > Weight Cases > Weight cases by [متغير التكرار].
• الوصول إلى نافذة التحليل: من القائمة العلوية يتم التوجه إلى: Analyze > Descriptive Statistics > Crosstabs.
• توزيع المتغيرات: يتم نقل المتغير المستقل إلى مربع الصفوف (Rows) والمتغير التابع إلى مربع الأعمدة (Columns).
• تحديد الإحصاءات المطلوبة: الضغط على زر (Statistics) وتفعيل الخيارات التالية: Chi-square، و Phi and Cramer’s V، ونسبة الأرجحية Risk (في جداول 2×2).
• تحديد خيارات الخلايا: الضغط على زر (Cells) واختيار التكرارات الملاحظة (Observed)، والتكرارات المتوقعة (Expected)، والنسب المئوية للصفوف (Row Percentages)، والبواقي المعيارية المعدلة (Adjusted Standardized Residuals).
• الضغط على (Continue) ثم (OK) لتوليد مخرجات التحليل الإحصائي الكاملة.

10.2 التطبيق البرمجي باستخدام لغة R

توفر لغة البرمجة الإحصائية R بيئة برمجية متطورة تتيح مرونة هائلة في إجراء اختبار مربع كاي، وتحليل البواقي، وبناء الرسوم البيانية الفسيفسائية المتقدمة. يتم تنفيذ التحليل عبر الكود البرمجي التالي:

في البداية، يتم بناء مصفوفة جدول التوافق باستخدام الدالة matrix() مع تسمية الصفوف والأعمدة بدقة. بعد ذلك، يتم تطبيق الدالة الأساسية chisq.test() لحساب قيمة مربع كاي ودرجات الحرية والقيمة الاحتمالية بدقة عالية مع تعطيل تصحيح ييتس عند الحاجة باستخدام المعامل correct = FALSE.

يتيح كائن التحليل المستخرج في R فحص التكرارات المتوقعة عبر الأمر chi_result$expected، واستخراج البواقي المعيارية المعدلة باستخدام الأمر chi_result$stdres. ولحساب حجم الأثر لمعامل كرامر وفترات الثقة المرتبطة به، يمكن استخدام الدالة cramerV() من حزمة rcompanion أو حزمة vcd. كما توفر حزمة ggplot2 ودالة mosaic() من مكتبة vcd إمكانات بصرية متقدمة لتمثيل أحجام الخلايا والانحرافات المعيارية بألوان تعكس درجات الدلالة الإحصائية.

10.3 التحليل بواسطة لغة بايثون (Python)

أصبحت لغة بايثون (Python) أداة رئيسية في علوم البيانات والبحوث النفسية الحاسوبية، وتوفر مكتبتا pandas وscipy.stats كافة الأدوات اللازمة لتنفيذ اختبار مربع كاي بكفاءة عالية:

تُستخدم الدالة pandas.crosstab() لتوليد جداول التوافق المتقاطعة من أطر البيانات الأولية (DataFrames). بعد ذلك، يتم استدعاء الدالة الإحصائية المتقدمة scipy.stats.chi2_contingency() وتمرير مصفوفة التوافق إليها. تقوم هذه الدالة بإرجاع أربع مخرجات إحصائية رئيسية تلقائياً:

• قيمة إحصاء مربع كاي المحسوبة (Chi-square statistic).
• القيمة الاحتمالية الدقيقة (P-value).
• درجات الحرية (Degrees of freedom).
• مصفوفة التكرارات المتوقعة الكاملة لكافة الخلايا (Expected frequencies array).

لحساب معامل كرامر برمجياً في بايثون، يتم بناء دالة رياضية بسيطة تطبق معادلة كرامر بالاعتماد على مخرجات دالة كاي وحجم العينة. كما يمكن رسم خرائط حرارية بصرية متميزة (Heatmaps) باستخدام مكتبة seaborn عبر الدالة sns.heatmap() لإظهار التكرارات المشاهدة والنسب المئوية، مما يسهل تقديم التقارير التحليلية بصورة بصرية تفاعلية وجذابة.

11. الأخطاء الشائعة والبدائل الإحصائية لاختبار مربع كاي

11.1 المحاذير المنهجية والأخطاء التحليلية الشائعة

يقع العديد من الباحثين وطلاب الدراسات العليا في أخطاء منهجية شائعة عند تطبيق اختبار مربع كاي للاستقلالية، مما يؤدي إلى تقويض صحة الاستنتاجات العلمية. من أبرز هذه الأخطاء الخلط بين الدلالة الإحصائية والدلالة العملية السريرية؛ حيث يدفع تضخم حجم العينة بقيم مربع كاي نحو الدلالة الإحصائية حتى مع وجود ارتباطات ضئيلة جداً لا قيمة لها في الواقع الإكلينيكي، وهو ما يفرض الإبلاغ الإلزامي عن معاملات حجم الأثر دائماً.

الخطأ المنهجي الفادح الآخر هو تطبيق الاختبار على عينات مترابطة أو قياسات متكررة (مثل دراسة الحالة قبل وبعد العلاج)؛ وهو ما ينتهك افتراض استقلالية المشاهدات ويستوجب استخدام اختبار ماكنيمار. كما يقع البعض في خطأ تجاهل الطبيعة الترتيبية للبيانات عند دراسة متغيرات ذات مستويات متدرجة (مثل: منخفض، متوسط، مرتفع)؛ فتطبيق اختبار مربع كاي التقليدي في هذه الحالة يؤدي إلى إهدار الترتيب المفهومي وانخفاض القوة الإحصائية، حيث يُفضل هنا استخدام اختبارات الاتجاه الخطي مثل اختبار مانتل-هانزل للاتجاه الخطي (Mantel-Haenszel Test for Linear Trend) أو معامل ارتباط كيندال للرتب.

علاوة على ذلك، يغفل باحثون كثيرون فحص مصفوفة التكرارات المتوقعة قبل قراءة وتفسير النتائج؛ مما يجعلهم يعتمدون على قيم احتمالية زائفة ناتجة عن انتهاك معيار كوشران ووجود خلايا بتكرارات متوقعة تقل عن الحدود المسموح بها رياضياً دون تطبيق البدائل التصحيحية المناسبة.

11.2 البدائل المتقدمة: اختبار فيشر الدقيق ونماذج اللوغاريتم الخطي

عندما تتعقد بنية البيانات أو تنتهك الافتراضات الصارمة لاختبار مربع كاي، تتوفر في الإحصاء اللابارامتري مجموعة من البدائل المنهجية المتقدمة التي تلبي مختلف الاحتياجات التحليلية:

• اختبار فيشر الدقيق (Fisher’s Exact Test): يُعد البديل الذهبي والمثالي لجداول (2 × 2) وجداول (r × c) عندما تكون العينات صغيرة جداً ولا تستوفي شروط التكرارات المتوقعة لكوشران. يقوم الاختبار بحساب الاحتمال التوافقي الدقيق لجدول التوافق بناءً على المجاميع الهامشية الثابتة.
• النماذج اللوغاريتمية الخطية (Log-Linear Models): عندما تتضمن الدراسة النفسية ثلاثة متغيرات فئوية أو أكثر في تصميم متعدد الأبعاد (مثل دراسة العلاقة بين التشخيص، ونوع العلاج، والجنس في آن واحد)، يعجز اختبار مربع كاي الثنائي عن عزل التفاعلات المعقدة. تتيح النماذج اللوغاريتمية الخطية نمذجة التكرارات واختبار التفاعلات الثلاثية والرباعية وضبط التأثيرات المتبادلة بين المتغيرات.
• الانحدار اللوجستي الثنائي والمتعدد (Logistic Regression): يمثل البديل النمذجي المتقدم الذي يسمح بالتنبؤ بمتغير فئوي تابع باستخدام مجموعة من المتغيرات المستقلة الفئوية والكمية المتصلة معاً، مع إمكانية التحكم الكامل في المتغيرات المربكة والدخيلة وتقدير نسب الأرجحية المعدلة (Adjusted Odds Ratios).
• اختبار كوكران-مانتل-هانزل (Cochran-Mantel-Haenszel): أداة متخصصة لفحص العلاقة بين متغيرين فئويين ثنائيين مع التحكم في متغير تصنيفي ثالث طبقي (Stratified Variable)، مما يساعد في عزل المتغيرات الدخيلة دون الحاجة لبناء نماذج انحدار معقدة.

11.3 معايير الاختيار بين الأدوات الإحصائية للمتغيرات الفئوية

لتسهيل عملية اتخاذ القرار المنهجي للباحثين والممارسين، يمكن تلخيص مسار اختيار الأداة الإحصائية المناسبة لتحليل المتغيرات الفئوية عبر المعايير المنهجية التالية:

إذا كانت الدراسة تشتمل على متغير فئوي واحد وتريد مقارنة نسبه الملاحظة بنسب مجتمعية مفترضة، فالخيار الصحيح هو اختبار مربع كاي لحسن المطابقة. وإذا كانت الدراسة تشتمل على متغيرين فئويين مستقلين مع استيفاء معيار كوشران لحجم التكرارات المتوقعة، فإن اختبار مربع كاي للاستقلالية هو الأداة المعتمدة؛ مع التحول إلى اختبار فيشر الدقيق في حال كانت التكرارات المتوقعة صغيرة جداً.

أما إذا كانت البيانات الفئوية الثنائية ناتجة عن عينات مترابطة أو قياسات قبلية وبعدية لنفس الأفراد، فإن الأداة الإلزامية هي اختبار ماكنيمار. وعندما تتسع أبعاد التصميم البحثي ليشمل ثلاثة متغيرات فئوية أو أكثر ويهدف التحليل إلى دراسة التفاعل بينها وضبط المتغيرات الوسيطة، يتعين على الباحث الانتقال المنهجي نحو النماذج اللوغاريتمية الخطية أو نماذج الانحدار اللوجستي لضمان دقة التحليل واستيعاب التعقيد السلوكي للظاهرة المدروسة.

12. توثيق وكتابة نتائج اختبار مربع كاي وفق معايير الجمعية الأمريكية لعلم النفس (APA)

12.1 الصياغة النصية القياسية للنتائج حسب الدليل السابع (APA 7th)

يتطلب النشر العلمي الرصين في المجلات النفسية المصنفة صياغة نتائج اختبار مربع كاي وفقاً للقواعد الصارمة للدليل السابع لجمعية علم النفس الأمريكية (APA 7th Edition). تعتمد الصياغة النصية القياسية على دمج الإحصاء الوصفي (التكرارات والنسب المئوية) مع الاستدلال الإحصائي الدقيق وحجم الأثر ضمن جملة متماسكة وواضحة.

تأخذ الجملة الإحصائية النموذجية في تقارير APA الهيكل التالي:

χ²(درجات الحرية, N = حجم العينة) = القيمة المحسوبة, p = القيمة الاحتمالية, V = حجم الأثر

تتضمن قواعد التنسيق الشكلي وفق APA النقاط المحددة التالية:

• تُكتب الرموز الإحصائية اللاتينية بحروف مائلة (Italicized)، مثل: N, p, df, V, z. في حين يُكتب الرمز الإغريقي مربع كاي (χ²) بخط عادي غير مائل، بينما يوضع الرمز المربع (²) كحرف علوي.
• تقريب جميع القيم الإحصائية (قيمة مربع كاي، ومعامل كرامر، والنسب المئوية) إلى منزلتين عشريتين (Two decimal places)، بينما تُقرب القيمة الاحتمالية (p-value) إلى ثلاث منازل عشرية.
• لا يوضع الصفر قبل الفاصلة العشرية للقيم الاحتمالية وقيم معاملات الارتباط وحجم الأثر التي لا يمكن رياضياً أن تتجاوز الواحد الصحيح (مثل كتابة p = .002 أو V = .34 بدلاً من 0.002 أو 0.34).
• يُحظر تماماً كتابة القيمة الاحتمالية كصفر مطلق (مثل p = .000) حتى لو ظهرت هكذا في مخرجات البرمجيات؛ بل تُكتب في هذه الحالة: p < .001.

12.2 تصميم الجداول والرسوم البيانية التوضيحية وفق APA

تفرض معايير APA إرشادات تصميمية صارمة عند إعداد جداول التوافق والرسوم البيانية المرافقة لنتائج اختبار مربع كاي، لضمان وضوح البيانات وسهولة قراءتها استقلالياً عن متن البحث:

بالنسبة لـ جداول التوافق المتقاطعة وفق APA، يجب الالتزام بالقواعد الهندسية التالية:

• الخلو التام من الخطوط الشبكية الرأسية (Vertical Lines) في كافة أجزاء الجدول.
• الاقتصار فقط على ثلاثة خطوط أفقية رئيسية: خط أعلى ترويسة الجدول، وخط أسفل الترويسة لعزل أسماء الأعمدة، وخط أفقي نهائي أسفل الجدول قبل الملاحظات التفسيرية.
• إدراج التكرارات الملاحظة متبوعة بالنسب المئوية للصف بين قوسين داخل كل خلية، مثل: 38 (76.0%).
• تضمين ملاحظة سفلية نصية (Table Note) تبدأ بكلمة Note. بخط مائل، لتوضيح مستويات الدلالة الإحصائية للبواقي المعيارية باستخدام النجوم الإحصائية (*p < .05, **p < .01).

أما فيما يخص التمثيل البياني، تفضل معايير APA استخدام المخططات الشريطية المجمعة (Clustered Bar Charts) التي تعرض النسب المئوية للمتغير التابع مقسمة عبر فئات المتغير المستقل، مع وضع خطوط خطأ أو إشارات توضيحية للفروق الدالة. كما تُعد مخططات الفسيفساء (Mosaic Plots) خياراً بصرياً ممتازاً في المجلات المتقدمة؛ حيث تعكس مساحة كل مستطيل الحجم النسبي المشترك للخلية والانحراف المعياري للبواقي عبر تدرجات لونية معيارية واضحة.

12.3 نموذج تطبيقي لكتابة تقرير بحثي نفسي متكامل

نقدم فيما يلي نموذجاً تطبيقياً متكاملاً يوضح كيفية كتابة فقرتي النتائج والمناقشة الإكلينيكية للدراسة النفسية المعروضة في القسم السابع من هذا المقال، وفقاً لأعلى المعايير الأكاديمية المعتمدة في دليل APA السابع:

فقرة النتائج (Results Section):
“أُجري اختبار مربع كاي للاستقلالية لفحص ما إذا كانت هناك علاقة ارتباطية دالة بين نوع الاضطراب النفسي التشخيصي (اضطراب القلق العام، اضطراب الاكتئاب الجسيم، اضطراب الهلع) ونوع الاستجابة لبرنامج العلاج المعرفي السلوكي (استجابة إيجابية مقابل عدم استجابة). تم التحقق من استيفاء افتراضات الاختبار، حيث كانت كافة التكرارات المتوقعة أكبر من 5. أسفرت النتائج عن وجود علاقة ارتباطية ذات دلالة إحصائية بين نوع التشخيص ونوع الاستجابة للعلاج، χ²(2, N = 150) = 17.00, p < .001, V = .34. وبناءً على معايير كوهين، يعكس معامل كرامر حجم أثر متوسطاً يميل إلى القوة. أظهر تحليل البواقي المعيارية المعدلة (Adjusted Standardized Residuals) أن نسبة عدم الاستجابة بين مرضى الاكتئاب الجسيم (60.0%) كانت أعلى بصورة جوهرية من التوقع النظري (z = 4.08, p < .001). في المقابل، أظهر مرضى اضطراب القلق العام معدل استجابة إيجابية (76.0%) يفوق التوقع النظري بشكل دال إحصائياً (z = 2.58, p = .010). ولم تسجل استجابة مرضى اضطراب الهلع (70.0%) انحرافاً دالاً عن التوزيع المتوقع (z = 1.46, p = .144).”

فقرة المناقشة والتوصيات الإكلينيكية (Discussion & Implications):
“تتوافق النتائج الحالية مع النماذج السيكولوجية المعاصرة التي تشير إلى تباين فاعلية فنيات العلاج المعرفي السلوكي عبر الفئات التشخيصية المختلفة؛ حيث استجاب مرضى القلق العام بكفاءة أعلى للفنيات السلوكية وإعادة الهيكلة المعرفية مقارنة بمرضى الاكتئاب الجسيم الذين واجهوا صعوبات في الاستجابة للعلاج التقليدي. يوصي البحث بضرورة تعديل بروتوكولات التدخل لمرضى الاكتئاب من خلال تعزيز فنيات التنشيط السلوكي المبكر ومراعاة حدود الدراسة المستندة إلى عينة فئوية مقطعية، مع دعوة البحوث المستقبلية لإجراء دراسات تتبعية طولية متعددة المراكز تدمج القياسات المستمرة مع المتغيرات النوعية.”

خاتمة واستنتاجات ختامية

يظل اختبار مربع كاي للاستقلالية أداة إحصائية واستدلالية لا غنى عنها في ترسانة الباحث النفسي والاجتماعي، إذ يوفر جسراً منهجياً متيناً يربط بين التصنيفات السلوكية النوعية والتحليل الإحصائي الدقيق القائم على الاحتمالات. من خلال فهم الأسس النظرية للاختبار، والتحقق الصارم من استيفاء شروطه وافتراضاته، واستيعاب طرق حساب التكرارات المتوقعة والبواقي المعيارية المعدلة، يستطيع الباحثون تجاوز القراءات السطحية للبيانات والوصول إلى استنتاجات سيكولوجية عميقة تدعم الممارسة الإكلينيكية المبنية على البراهين.

إن الاستخدام المسؤول والواعي لاختبار مربع كاي يتطلب من الباحثين عدم الاكتفاء بالدلالة الإحصائية المجردة (P-value)، بل تدعيمها دائماً بقياسات حجم الأثر الدقيقة مثل معامل فاي ومعامل كرامر ونسب الأرجحية، مع توثيق النتائج وفق المعايير الأكاديمية الرصينة كدليل APA. وبذلك يتحول هذا الاختبار من مجرد معادلة رياضية في الإحصاء اللابارامتري إلى أداة بحثية وتشخيصية فاعلة تسهم في تطوير المعرفة النفسية وتحسين جودة التدخلات العلاجية في الميدان السلوكي.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cochran, W. G. (1954). Some methods for strengthening the common χ² tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1922). On the interpretation of χ² 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
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Yates, F. (1934). Contingency tables involving small numbers and the χ² test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217–235. https://doi.org/10.2307/2983604