التباين المشترك: الصيغة، التعريف والمثال

يمثّل التحليل الإحصائي للبيانات السلوكية والنفسية الركيزة الأساسية التي تقوم عليها النظريات العلمية الحديثة في فهم وتفسير الأنماط المعقدة للسلوك البشري. فمنذ نشأة العلوم الإنسانية التجريبية، واجه الباحثون تحدياً جوهرياً يتمثل في كيفية قياس الظواهر النفسية غير المرئية بصورة مباشرة، مثل الذكاء، والقلق، والدافعية، والرضا الوظيفي. ولم يكن من الممكن تجاوز التحليل الوصفي البسيط لتلك السمات إلى مستوى استكشاف العلاقات الديناميكية والتفاعلية بينها دون الاستناد إلى مفاهيم رياضية وإحصائية رصينة تتيح نمذجة حركة المتغيرات وتحديد درجة اقترانها وتغيرها المتزامن، وهو ما تجسد بصورة محورية في مفهوم التباين المشترك (Covariance).

إن التباين المشترك لا يعد مجرد صيغة حسابية أو إجراء رقمي مجرد، بل هو أداة إبستمولوجية ومنهجية بالغة الأهمية تكشف عن البنية العميقة للتغير المشترك بين المتغيرات المقاسة. فعند دراسة الظواهر النفسية، نادراً ما تعمل المتغيرات في معزل تام عن بعضها البعض؛ فالسمات المعرفية تتداخل مع الحالات الوجدانية، وتنعكس المتغيرات البيئية على الاستجابات السلوكية. ومن هنا تنبع أهمية التباين المشترك كحجر زاوية ينبثق منه كل من معامل الارتباط، وتحليل الانحدار الخطي، والتحليل العاملي، ونمذجة المعادلات الهيكلية، والتي تشكل معاً الترسانة الإحصائية التي يعتمد عليها القياس النفسي المعاصر.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم تفكيك مفاهيمي ونظري ورياضي دقيق لمفهوم التباين المشترك، بدءاً من أصوله التاريخية وتطوره في إطار القياس السلوكي، مروراً بصياغاته الجبرية للمجتمعات والعينات، وخطوات حسابه اليدوي المجدولة، وتفسيراته الرياضية والهندسية، وصولاً إلى تطبيقاته المتقدمة في بناء مصفوفات التباين والتباين المشترك، وتوظيفه في البرمجيات الإحصائية المتقدمة. كما يسلط المقال الضوء على الفروق الجوهرية بينه وبين التباين الأحادي ومعامل الارتباط، مع استعراض حدوده المنهجية التي يجب على كل باحث إحصائي ونفسي الإحاطة بها لضمان سلامة الاستنتاجات العلمية.

1. مقدمة تأصيلية لمفهوم التباين المشترك (Covariance) في القياس النفسي والإحصائي

1.1 الجذور التاريخية والنظرية للتباين المشترك

تعود الجذور التاريخية لمفهوم التباين المشترك إلى أواخر القرن التاسع عشر وبدايات القرن العشرين، وهي الفترة التي شهدت ولادة الإحصاء الحيوي والقياس النفسي كفرعين علميين متمايزين. لقد كان الدافع الرئيسي لتطوير هذه المفاهيم نابعاً من رغبة العلماء في دراسة قوانين الوراثة ونقل الصفات البيولوجية والنفسية عبر الأجيال. وفي هذا السياق، برزت إسهامات العالم البريطاني السير فرانسيس جالتون (Francis Galton)، الذي لاحظ أثناء دراسته لبيانات أطوال الآباء والأبناء ظاهرة “الانحدار نحو المتوسط” (Regression toward mediocrity)، مما قاده إلى استشعار الحاجة لوجود مقياس رياضي يرصد التغير المشترك والمتزامن بين سمتين متصلتين.

تولى تلميذ جالتون وزميله، العالم الرياضي كارل بيرسون (Karl Pearson)، صياغة هذه الأفكار في إطار رياضي صارم. فقام بيرسون بتطوير الأسس الجبرية لحساب التشتت المشترك والانحرافات المتقاطعة، مما أدى إلى بلورة المفهوم الرياضي الدقيق للتباين المشترك ومن ثم اشتقاق معامل ارتباط العزوم الشهير الذي يحمل اسمه. لم تكن هذه الإسهامات مجرد ابتكارات رياضية بحتة، بل شكلت نقلة نوعية سمحت لعلماء النفس الأوائل، مثل تشارلز سبيرمان، بالانتقال من مجرد قياس الفروق الفردية كقيم منفصلة إلى دراسة البنية الكامنة للقدرات العقلية، ووضع اللبنات الأولى لنظرية العامل العام في الذكاء البشري.

ومع تطور الأبحاث السلوكية عبر العقود اللاحقة، أصبح التباين المشترك هو الأداة المركزية التي لا غنى عنها في نمذجة البنى النفسية الكامنة (Latent Constructs). فالسمات النفسية غير القابلة للملاحظة المباشرة، مثل القلق المزمن أو التماسك المعرفي، لا يمكن قياسها إلا من خلال استجابات الأفراد على مجموعة من البنود أو المقاييس المتعددة. وهنا يتيح التباين المشترك للباحثين استكشاف كيف تتقلب وتتحرك درجات هذه البنود معاً، مما يوفر الدليل الإمبريقي على وجود بنية نفسية موحدة تفسر ذلك التباين المتزامن بين المؤشرات السلوكية المرصودة.

1.2 المفهوم الجوهري للتباين المشترك بين المتغيرات

يُعرف التباين المشترك في أبسط صوره الإحصائية بأنه مقياس كمي لدرجة التغير الخطي المتزامن أو الاقتران الديناميكي بين متغيرين كميين. يعبر التباين المشترك عن مدى ميل قيم المتغير الأول للانحراف عن متوسطها الحسابي في نفس الاتجاه أو في اتجاه معاكس لانحرافات قيم المتغير الثاني عن متوسطها. ومن ثم، فإن المفهوم الجوهري هنا يدور حول فكرة “الحركة المشتركة” (Co-movement)؛ فإذا كانت القيم العالية لمتغير ما تقترن بانتظام بقيم عالية لمتغير آخر، أو كانت القيم المنخفضة تقترن بالقيم المنخفضة، فإن المتغيرين يشهدان حركة مشتركة إيجابية تعكس نمطاً تصاعدياً موحداً.

وعلى النقيض من ذلك، إذا كانت الزيادة في درجات المتغير الأول تتزامن بشكل منتظم مع انخفاض في درجات المتغير الثاني، فإن هذا التباين المشترك يأخذ مساراً سالباً أو عكسياً، مما يعكس حركة مشتركة متضادة. وتكتسب هذه الحركة المشتركة أهمية قصوى في العلوم النفسية، لأنها تسمح للباحثين بالتمييز الحاسم بين التغير العشوائي المستقل (Random Fluctuation) الذي يحدث نتيجة عوامل الصدفة أو أخطاء القياس، وبين التغير المشترك النسقي (Systematic Covariation) الذي يرتبط ارتباطاً وثيقاً بخصائص الظاهرة النفسية المدروسة ودينامياتها الداخلية.

يتيح التباين المشترك إمكانية التعبير عن هذا الاقتران بلغة الأرقام؛ حيث يحول الفكرة المجردة للتفاعل المشترك بين المتغيرات إلى قيمة عددية تلخص طبيعة المساحات الجبرية المتكونة من تلاقي انحرافات الدرجات الفردية. ومن خلال فحص إشارة وحجم هذه القيمة، يستطيع المحلل الإحصائي استنتاج ما إذا كانت المتغيرات تتفاعل وفق منظومة ترابطية منسقة، أم أنها تسلك مسارات مستقلة إحصائياً لا ترتبط فيها حركة متغير بسلوك الآخر في فضاء العينة المدروسة.

1.3 موقع التباين المشترك في منظومة الإحصاء الوصفي والاستدلالي

يشغل التباين المشترك موقعاً استراتيجياً في الهيكل البنائي لعلم الإحصاء، حيث يمثل الجسر المنهجي والرياضي الذي ينقل الباحث من التحليل أحادي المتغير (Univariate Analysis) إلى التحليل ثنائي المتغيرات (Bivariate Analysis) وصولاً إلى التحليل متعدد المتغيرات (Multivariate Analysis). ففي التحليل أحادي المتغير، ينصب الاهتمام على استكشاف النزعة المركزية والتشتت لمتغير مفرد (مثل حساب المتوسط والتباين)، بينما يفتح التباين المشترك الباب لفهم الفضاء ثنائي البعد الذي تتفاعل فيه المتغيرات في آن واحد، مما يمهد الطريق لبناء نماذج تفسيرية أكثر واقعية وتعقيداً.

في منظومة الإحصاء الاستدلالي، يعد التباين المشترك المكون الأساسي وحجر الزاوية الذي تبنى عليه جميع التحليلات الإحصائية المتقدمة. فنماذج الانحدار الخطي (Linear Regression)، التي تسعى للتنبؤ بمتغير تابع بناءً على متغير مستقل، تستند في جوهرها إلى تقسيم التباين المشترك بين المتغيرين على التباين الأحادي للمتغير المستقل لحساب معامل الانحدار (Slope). وبالمثل، فإن أساليب التحليل العاملي ونمذجة المعادلات الهيكلية وتقنيات تحليل التباين المشترك (ANCOVA) تعتمد اعتماداً مطلقاً على تفكيك وتركيب مصفوفات التباين المشترك للتحقق من الفرضيات النظرية المعقدة.

علاوة على ذلك، يمثل التباين المشترك الأداة الإحصائية التي تمكّن العلماء من اختبار الفرضيات الصفرية والبديلة المتعلقة بطبيعة العلاقات البينية بين الظواهر. فمن خلال تقدير التباين المشترك في العينات العشوائية واختبار دلالته الإحصائية، يمكن للباحثين استنتاج ما إذا كانت العلاقة المشتركة بين المتغيرات تعكس حقيقة موجودة في مجتمع الدراسة الأصلي أم أنها مجرد وهم ناتج عن خطأ المعاينة، مما يجعله عنصراً حيوياً في اتخاذ القرارات الإبستمولوجية وبناء المعرفة العلمية الرصينة.

2. التعريف النظري والرياضي للتباين المشترك

2.1 التعريف المفاهيمي للتباين المشترك

يقوم التعريف المفاهيمي للتباين المشترك على فحص كيفية تشتت القيم المزدوجة لمتغيرين في وقت واحد حول مركز ثقلهما المتمثل في متوسطيهما الحسابيين. فإذا تخيلنا مستوى إحداثيات ثنائي الأبعاد، حيث يمثل المحور الأفقي المتغير الأول ويمثل المحور الرأسي المتغير الثاني، فإن كل نقطة بيانات تمثل مفحوصاً واحداً أو وحدة تحليلية تحمل زوجاً من الدرجات. يقسم تقاطع خطي المتوسطين الحسابيين للمتغيرين هذا المستوى إلى أربعة أرباع هندسية تتحدد فيها مواقع الدرجات بناءً على قيمها بالنسبة لهذين المتوسطين.

تتمثل الدلالة الإحصائية للتباين المشترك في حساب المساحات الجبرية المتولدة عن ضرب انحراف كل نقطة عن متوسطها في البعد الأفقي في انحرافها عن متوسطها في البعد الرأسي. فعندما تقع نقطة بيانات في الربع الذي تكون فيه كلتا القيمتين أعلى من المتوسط، يكون حاصل ضرب الانحرافين موجباً. وبالمثل، إذا وقعت نقطة في الربع الذي تكون فيه كلتا القيمتين أدنى من المتوسط، فإن حاصل ضرب انحرافين سالبين ينتج عنه مساحة جبرية موجبة أيضاً. أما إذا انحرفت إحدى القيمتين للأعلى والأخرى للأسفل، فإن حاصل الضرب يكون سالباً، مما يمثل مساحة عكسية تقلص من المجموع الكلي للتباين المشترك.

وبالتالي، يعبر التباين المشترك عن متوسط هذه المساحات الجبرية الناتجة عن جميع أفراد العينة. وهو بذلك يعكس محصلة القوى التفاعلية بين انحرافات المتغيرين؛ فإذا غلبت المساحات الموجبة على المساحات السالبة، كان التباين المشترك موجباً ودالاً على تزامن الصعود والهبوط، في حين تدل غلبة المساحات السالبة على وجود تنافر خطي بين حركتي المتغيرين، وتدل المحصلة الصفرية على توازن مثالي يلغي فيه الاقتران الإيجابي الاقتران السلبي تماماً.

2.2 الخصائص الرياضية والجبرية للتباين المشترك

يتميز التباين المشترك بمجموعة من الخصائص الجبرية الصارمة التي تجعله خاضعاً لقوانين التحليل الرياضي الكلاسيكي ومصفوفات الجبر الخطي. أولى هذه الخصائص هي خاصية التماثل التبادلي (Symmetry Property)، والتي تنص على أن التباين المشترك بين المتغيرين هو دالة متناظرة تبادلياً؛ أي أن التباين المشترك بين المتغير الأول والثاني يطابق تماماً التباين المشترك بين المتغير الثاني والأول:

Cov(X, Y) = Cov(Y, X)

الخاصية الثانية البالغة الأهمية هي خاصية الخطية وثبات العمليات الجبرية (Bilinearity). وتتضمن هذه الخاصية أمرين رئيسيين:

• أثر إضافة الثوابت: إن إضافة أي مقدار ثابت (سواء كان موجباً أو سالباً) إلى أي من المتغيرين لا يؤثر إطلاقاً على قيمة التباين المشترك، لأن إضافة الثابت ترفع المتوسط الحسابي بنفس المقدار، مما يترك الانحرافات عن المتوسط دون أي تغيير، رياضياً:
  
  Cov(X + a, Y + b) = Cov(X, Y)
• أثر الضرب في الثوابت: إن ضرب المتغيرات في مقادير ثابتة يؤدي إلى خروج هذه الثوابت كعوامل مضروبة في قيمة التباين المشترك الأصلية، وفق القاعدة الجبرية:
  
  Cov(aX, bY) = ab · Cov(X, Y)

الخاصية الثالثة هي خاصية التوزيع على الجمع الجبري؛ حيث يمكن توزيع دالة التباين المشترك على مجموع المتغيرات العشوائية المستقلة أو المقترنة، وفق الصيغة العامة:

Cov(X + W, Y + Z) = Cov(X, Y) + Cov(X, Z) + Cov(W, Y) + Cov(W, Z)

وأخيراً، تنص الخاصية الرابعة على أن التباين المشترك لمتغير عشوائي مع نفسه يمثل بالضرورة التباين الأحادي لذلك المتغير، وهي خاصية جوهرية تربط الإحصاء أحادي المتغير بالإحصاء متعدد المتغيرات:

Cov(X, X) = Var(X) = σ²_X

2.3 التوقع الرياضي ودالة التباين المشترك

في إطار نظرية الاحتمالات الرياضية الحديثة، يُعرّف التباين المشترك بدلالة مفهوم القيمة المتوقعة (Expected Value). فإذا كان لدينا متغيران عشوائيان، يُرمز للأول بالرمز X وللثاني بالرمز Y، وتوقعاتهما الرياضية هي على التوالي E[X] و E[Y]، فإن الدالة الرياضية الأساسية للتباين المشترك تصاغ على النحو التالي:

Cov(X, Y) = E[(X – E[X])(Y – E[Y])]

يمكن تبسيط هذا التعريف الجبري وتوسيعه رياضياً للوصول إلى الصيغة المختصرة للتباين المشترك، وذلك من خلال فك الأقواس وتطبيق خصائص التوقع الرياضي الخطية كما يلي:

Cov(X, Y) = E[XY – X · E[Y] – Y · E[X] + E[X] · E[Y]]
Cov(X, Y) = E[XY] – E[X · E[Y]] – E[Y · E[X]] + E[E[X] · E[Y]]
Cov(X, Y) = E[XY] – E[X]E[Y] – E[Y]E[X] + E[X]E[Y]
Cov(X, Y) = E[XY] – E[X]E[Y]

توضح هذه المعادلة الأنيقة أن التباين المشترك بين متغيرين يساوي القيمة المتوقعة لحاصل ضربهما المشترك مطروحاً منها حاصل ضرب توقعاتهما الفردية. في حالة المتغيرات العشوائية المنفصلة (Discrete Variables)، يُحسب التوقع الرياضي لحاصل الضرب E[XY] عبر جمع حاصل ضرب القيم المزدوجة مضروبة في دالة الاحتمال المشتركة عبر فضاء العينة الكلي:

E[XY] = Σ Σ [ x · y · P(X = x, Y = y) ]

أما في حالة المتغيرات العشوائية المتصلة (Continuous Variables)، فإن هذا التوقع يُحسب عبر التكامل الثنائي لدالة كثافة الاحتمال المشتركة على امتداد النطاق الرياضي للمتغيرين:

E[XY] = ∫∫ [ x · y · f(x, y) ] dx dy

3. التمييز المفاهيمي والإحصائي بين التباين (Variance) والتباين المشترك (Covariance)

3.1 أوجه التشابه البنيوية بين المفهومين

يشترك التباين الأحادي (Variance) والتباين المشترك (Covariance) في بنية إحصائية ومفاهيمية عميقة تنبع من كونهما مقياسين من مقاييس التشتت القائمة على مبدأ العزوم المركزية من الدرجة الثانية (Second Central Moments). يعتمد كلا المقياسين بشكل كلي على حساب المسافات والانحرافات التي تفصل القيم الفردية المرصودة عن مركز التوزيع المتمثل في المتوسط الحسابي، مما يجعلهما أداتين لتقييم مدى استقرار وتشتت البيانات حول نقاط ارتكازها المركزية.

علاوة على ذلك، يشترك المقياسان في درجة حساسيتهما العالية للبيانات الميدانية؛ إذ يتأثر كل من التباين والتباين المشترك تأثراً بالغاً بوجود القيم المتطرفة والدرجات الشاذة (Outliers). فالانحرافات الكبيرة التي تسجلها حالة فردية واحدة تؤدي إلى تضخيم القيمة الناتجة بشكل لافت، نظراً لعملية الضرب الرياضي التي تضاعف من وزن القيم البعيدة عن المتوسط. وتعد هذه الحساسية المزدوجة سمة بنيوية تفرض على الباحثين فحص طبيعة التوزيعات الاحتمالية والتأكد من اعتداليتها قبل الركون إلى النتائج المستخرجة.

بالإضافة إلى ذلك، يمثل كلا المفهومين اللبنات الأساسية في صياغة النماذج الاحتمالية والخطية في القياس النفسي؛ حيث يشكل التباين مقياساً للتقلب الذاتي المستقل لسمة نفسية معينة، في حين يوسع التباين المشترك هذا المنظور ليشمل التقلب المتزامن بين سمتين، مما يجعلهما وجهين لعملة إحصائية واحدة تختص بتكميم التغير والتشتت في الظواهر الطبيعية والسلوكية.

3.2 الفروق الجوهرية في الأبعاد والوظيفة الإحصائية

على الرغم من أوجه التشابه البنيوية، إلا أن هناك فروقاً جوهرية تفصل بين المفهومين من حيث الأبعاد الرياضية والوظيفة التحليلية ونوعية النتائج المستخلصة. يمكن تلخيص هذه الفروق في النقاط التالية:

• أحادية مقابل ثنائية البعد: يُعد التباين مقياساً أحادي البعد (Univariate Metric) يهتم حصراً برصد تشتت قيم متغير مفرد حول وسطه الحسابي، بينما يمثل التباين المشترك مقياساً ثنائي البعد (Bivariate Metric) يركز على تتبع الاتجاه المشترك لتشتت متغيرين مقترنين معاً في فضاء ثنائي.
• إشارة الناتج الإحصائي: نظراً لأن التباين الأحادي يعتمد على تربيع انحرافات المتغير عن وسطه، فإن قيمته تكون دائماً موجبة حتماً (أو صفراً في الحالة النظرية لثبات القيم التام: Var(X) ≥ 0). في المقابل، يمكن للتباين المشترك أن يأخذ قيماً موجبة، أو سالبة، أو صفراً، لأن ضرب انحراف موجب في انحراف سالب ينتج عنه قيمة سالبة تعبر عن الاتجاه العكسي.
• وحدات القياس (Units of Measurement): يُقاس التباين الأحادي بالوحدات المربعة للمتغير نفسه (مثل: نقطة² أو درجة ذكاء²)، وهو ما يصعب تفسيره فيزيائياً في كثير من الأحيان. أما التباين المشترك فيقاس بوحدة “الجداء المشترك” للوحدتين الأصليتين للمتغيرين (مثل: نقطة قلق × درجة تحصيل)، مما يجعل تفسير حجم القيمة المجردة أكثر تعقيداً واعتماداً على وحدات القياس المستخدمة في أدوات البحث.

3.3 التباين كحالة خاصة من التباين المشترك

من الناحية الرياضية المجردة، لا يمثل التباين الأحادي مفهوماً منفصلاً ومستقلاً تماماً عن التباين المشترك، بل هو في الواقع “حالة خاصة” (Special Case) تنبثق عنه عندما يكون المتغير المقارن هو نفس المتغير المدروس. ويمكن صياغة البرهان الرياضي البسيط لهذه العلاقة بالعودة إلى التعريف الأساسي للتباين المشترك:

Cov(X, X) = E[(X – E[X])(X – E[X])]
Cov(X, X) = E[(X – E[X])²]
Cov(X, X) = Var(X) = σ²_X

تتجلى الأهمية التطبيقية لهذا التطابق الرياضي عند بناء مصفوفات التباين والتباين المشترك (Variance-Covariance Matrices) المستخدمة في النمذجة المتقدمة. ففي هذه المصفوفات، تقع التباينات الأحادية لكل متغير على طول القطر الرئيسي للمصفوفة، وهي تمثل التباين المشترك لكل متغير مع ذاته، بينما تشغل خلايا خارج القطر الرئيسي قيم التباين المشترك الزوجية بين المتغيرات المختلفة.

وفي مجال القياس النفسي (Psychometrics) ووفقاً للنظرية الكلاسيكية للاختبارات (Classical Test Theory)، يوفر فهم التباين كحالة خاصة من التباين المشترك الأساس الرياضي لتفكيك درجات الاختبارات إلى تباين حقيقي (True Score Variance) وتباين خطأ (Error Variance). فالعلاقة المشتركة بين البنود المتكافئة تعكس التباين الحقيقي الكامن للسمة، في حين يمثل التباين الأحادي لكل بند مجموع تباينه الحقيقي المشترك مضافاً إليه تباين الخطأ العشوائي الخاص به.

4. الصيغة الرياضية لحساب التباين المشترك للمجتمع والعينة

4.1 صيغة التباين المشترك لمجتمع الدراسة (Population Covariance)

عندما تتوفر لدى الباحث بيانات شاملة وكاملة لجميع الأفراد والوحدات المكونة للمجتمع الإحصائي المستهدف دون أي استثناء، يتم استخدام الصيغة البارامترية لحساب التباين المشترك للمجتمع (Population Covariance)، والتي يُرمز لها بالحرف الإغريقي سيجما مع دليل المتغيرين: σ_xy أو Cov(X, Y). وتصاغ هذه المعادلة على النحو التالي:

σ_xy = [ Σ (X_i – μ_X)(Y_i – μ_Y) ] / N

تحتوي هذه المعادلة على معالم المجتمع الحقيقية (Population Parameters)، وهي محددة بدقة على النحو الآتي:

• X_i و Y_i: الدرجات والقياسات الفعلية للمفردة رقم (i) في المجتمع لكلا المتغيرين.
• μ_X: المتوسط الحسابي الحقيقي للمتغير X في مجتمع الدراسة الكلي.
• μ_Y: المتوسط الحسابي الحقيقي للمتغير Y في مجتمع الدراسة الكلي.
• N: الحجم الإجمالي الكلي لمجتمع الدراسة (عدد جميع أفراد المجتمع).
• Σ: رمز المجموع الجبري لحواصل ضرب الانحرافات المشتركة لجميع أفراد المجتمع من الفرد 1 إلى الفرد N.

يقتصر تطبيق صيغة المجتمع على الحالات التي يُجرى فيها حصر شامل ودقيق، مثل التعدادات السكانية العامة، أو في السجلات الأكاديمية لمؤسسة تعليمية عندما تكون الدراسة معنية فقط بطلاب تلك المؤسسة المحددة دون تعميم للنتائج على مجتمعات خارجية أوسع.

4.2 صيغة التباين المشترك لعينة الدراسة (Sample Covariance)

في الغالبية الساحقة من الدراسات النفسية والسلوكية الميدانية، يتعذر على الباحثين الوصول إلى جميع أفراد المجتمع نتيجة كبر حجمه أو محدودية الموارد الزمنية والمادية. وبناءً على ذلك، يتم سحب عينة عشوائية ممثلة لتقدير معالم المجتمع، وتُستخدم حينها المعادلة الاستدلالية لحساب التباين المشترك للعينة (Sample Covariance)، والتي يُرمز لها بالرمز s_xy أو Cov(X, Y)_sample:

s_xy = [ Σ (X_i – X̄)(Y_i – Ȳ) ] / (n – 1)

حيث تمثل الرموز المستخدمة في صيغة العينة الإحصاءات التقديرية التالية:

• X_i و Y_i: درجات المفحوص الفردي (i) ضمن العينة المسحوبة.
• X̄: المتوسط الحسابي للمتغير الأول المستخرج من بيانات العينة (العينة X-bar).
• Ȳ: المتوسط الحسابي للمتغير الثاني المستخرج من بيانات العينة (العينة Y-bar).
• n: الحجم الفعلي للعينة المسحوبة (عدد أفراد العينة).
• n – 1: درجات الحرية (Degrees of Freedom) المصححة إحصائياً.

ولتسهيل العمليات الحسابية اليدوية وتجنب التعامل مع الفروق والكسور العشرية المتكررة لكل مفردة، طور الإحصائيون صيغة حسابية بديلة ومكافئة رياضياً تماماً لصيغة الانحرافات، وتسمى الصيغة الحسابية الأولية (Raw Score Formula):

s_xy = [ Σ(XY) – ((ΣX · ΣY) / n) ] / (n – 1)

4.3 أهمية درجات الحرية وتصحيح بيسل (Bessel’s Correction)

يثير استخدام المقام (n – 1) بدلاً من (n) في حساب تباين العينة وتباينها المشترك تساؤلاً جوهرياً حول الأساس المنطقي والرياضي لهذا الإجراء. يُعرف هذا التعديل الإحصائي باسم تصحيح بيسل (Bessel’s Correction)، نسبة إلى عالم الفلك والرياضيات الألماني فريدريش بيسل، والهدف الجوهري منه هو الحصول على تقدير غير متحيز (Unbiased Estimator) للتباين المشترك الحقيقي للمجتمع σ_xy.

ينبع التحيز الإحصائي من حقيقة أننا نستخدم المتوسطات الحسابية للعينة (X̄ و Ȳ) كتقديرات للمتوسطات الحقيقية للمجتمع (μ_X و μ_Y). وبما أن درجات العينة تكون بطبيعتها أقرب إلى متوسط العينة نفسه منها إلى متوسط المجتمع الأصلي، فإن حساب مجموع الانحرافات المضروبة استناداً لمتوسط العينة يؤدي حتماً إلى التقليل المنهجي من مقدار التشتت الفعلي، مما يجعل التقدير متحيزاً نحو الأسفل إذا قسمنا على n.

من هنا، تعمل القسمة على درجات الحرية (n – 1) على رفع القيمة التقديرية قليلاً لتعويض هذا النقص الناتج عن فقدان درجة حرية واحدة استهلكت في حساب المتوسط. وتزداد أهمية هذا التصحيح بشكل حاسم في العينات النفسية الصغيرة؛ حيث يكون الفرق بين n و (n – 1) كبيراً ومؤثراً على دقة النتائج، بينما يتلاشى هذا الأثر تدريجياً مع زيادة حجم العينة (n → ∞)، ليتقارب التباين المشترك للعينة تقارباً تاماً مع التباين المشترك للمجتمع استناداً إلى قانون الأعداد الكبيرة.

5. خطوات الحساب اليدوي للتباين المشترك: تفكيك المعادلة خطوة بخطوة

5.1 المرحلة الأولى: تهيئة البيانات وحساب المتوسطات الحسابية

تبدأ عملية الحساب اليدوي الدقيق للتباين المشترك بتنظيم وتجهيز البيانات الخام لضمان سلامة الإجراءات الحسابية المتتالية. يتم تفريغ أزواج الدرجات لكل حالة أو مفحوص في جدول منظم يتضمن عموداً خاصاً بالمتغير المستقل أو الأول (X) وعموداً موازياً للمتغير الثاني (Y)، مع الحفاظ الصارم على الاقتران الفردي؛ أي أن كل صف يمثل بيانات نفس المفحوص دون خلط أو تبديل.

الخطوة التالية هي حساب المجموع الكلي للقيم لكل متغير بصورة مستقلة، من خلال جمع كافة القيم في العمود الأول للحصول على المجموع الكلي لدرجات المتغير الأول (ΣX)، وجمع كافة القيم في العمود الثاني للحصول على المجموع الكلي لدرجات المتغير الثاني (ΣY). يُعد التأكد من دقة هذين المجموعين خطوة محورية لأن أي خطأ في هذه المرحلة سينعكس على كافة الخطوات اللاحقة.

عقب استخراج المجاميع الكلية، يتم حساب المتوسط الحسابي لكل متغير عن طريق قسمة المجموع الكلي على حجم العينة الفعلي (n)، وفق المعادلات الكلاسيكية:

X̄ = (ΣX) / n          Ȳ = (ΣY) / n

يجب الحفاظ على دقة الكسور العشرية الناتجة عن حساب المتوسطات وعدم تقريبها بصورة مفرطة، تجنباً لتراكم أخطاء التقريب الحسابي في المراحل اللاحقة.

5.2 المرحلة الثانية: استخراج الانحرافات وحاصل ضربها الجبري

تتضمن المرحلة الثانية تفكيك البنية الفردية للدرجات من خلال حساب الانحرافات المركزية لكل مفحوص. يتم إنشاء عمودين جديدين في جدول العمليات الحسابية:

• العمود الثالث: يُخصص لحساب انحراف درجات المتغير الأول عن متوسطه الحسابي، وذلك بتطبيق المعادلة: (X_i – X̄) لكل مفحوص.
• العمود الرابع: يُخصص لحساب انحراف درجات المتغير الثاني عن متوسطه الحسابي، وذلك بتطبيق المعادلة: (Y_i – Ȳ) لنفس المفحوص.

كخطوة تدقيقية هامة للتأكد من صحة العمليات الحسابية، يجب أن يكون المجموع الجبري لكل عمود من عمودي الانحرافات مساوياً للصفر تماماً (Σ(X_i – X̄) = 0 و Σ(Y_i – Ȳ) = 0)، وهي خاصية جبرية مميزة للمتوسط الحسابي تعبر عن كونه نقطة الاتزان التام للبيانات.

بعد استخراج الانحرافات الفردية، يُنشأ العمود الخامس في جدول الحسابات، وهو مخصص لعملية الضرب الجبري لانحرافات الدرجات المزدوجة، حيث يتم ضرب انحراف المفحوص في المتغير الأول في انحرافه في المتغير الثاني لكل حالة على حدة: [(X_i – X̄)(Y_i – Ȳ)]. يجب في هذه الخطوة الانتباه البالغ لتطبيق قواعد الإشارات الجبرية بدقة:

• ضرب انحراف موجب في انحراف موجب يعطي ناتجاً موجباً (+).
• ضرب انحراف سالب في انحراف سالب يعطي ناتجاً موجباً (+).
• ضرب انحراف موجب في انحراف سالب يعطي ناتجاً سالباً (-).

5.3 المرحلة الثالثة: تجميع النواتج وتطبيق القسمة على درجات الحرية

تمثل المرحلة الثالثة ذروة العملية الحسابية وتتويجها لاستخراج القيمة النهائية للتباين المشترك. في هذه المرحلة، يتم جمع كافة القيم المسجلة في عمود حاصل ضرب الانحرافات للحصول على القيمة الجبرية المجمعة التي تسمى مجموع مربعات الانحرافات المشتركة أو مجموع الجداءات المشتركة (Sum of Products of Deviations – SP):

SP_xy = Σ [ (X_i – X̄)(Y_i – Ȳ) ]

عقب استخراج هذا المجموع الإجمالي، يتم تحديد المقام المناسب للقسمة بناءً على طبيعة البيانات وتصميم الدراسة:

• إذا كانت البيانات تمثل مجتمعاً كلياً محصوراً بالكامل، يتم قسمة المجموع على حجم المجتمع الإجمالي (N).
• إذا كانت البيانات تمثل عينة مسحوبة من مجتمع، يتم قسمة المجموع على درجات الحرية المصححة (n – 1).

وبإجراء عملية القسمة الحسابية الأخيرة، يحصل الباحث على القيمة الرقمية الدقيقة للتباين المشترك (s_xy). وتُختتم هذه المرحلة بمراجعة المنطق الإحصائي للرقم الناتج ومطابقته للاتجاه البصري للبيانات الأولية للتأكد من خلو العملية من أي أخطاء حسابية أو جبرية عارضة.

6. مثال تطبيقي مفصل: حساب التباين المشترك بين متغيرين نفسيين

6.1 توصيف سياق الدراسة النفسية وبيانات العينة

لتجسيد الخطوات السابقة في سياق واقعي وملموس، نفترض إجراء دراسة ميدانية في مجال علم النفس التربوي والقياس المعرفي لفحص العلاقة الارتباطية بين متغيرين نفسيين أساسيين لدى عينة عشوائية مكونة من ثمانية طلاب جامعيين (n = 8):

• المتغير الأول (X): مستوى “قلق الاختبار” (Test Anxiety)، مقاساً باستخدام مقياس كمي متدرج من 10 إلى 50 درجة (حيث تمثل الدرجة الأعلى مستوى قلق أكبر).
• المتغير الثاني (Y): درجة “الأداء في الاختبار الأكاديمي” (Academic Performance)، مقاساً بالاختبار التحصيلي الفعلي من 100 درجة.

تستند هذه الدراسة إلى الافتراضات الإحصائية الكلاسيكية التي تشترط أن تكون المتغيرات مقاسة بمستوى المسافة (Interval Scale) وخالية من العيوب المنهجية الفادحة. بيانات العينة المستهدفة للطلاب الثمانية جاءت موضحة كالتالي:

• الطالب الأول: قلق الاختبار = 15، الأداء الأكاديمي = 85
• الطالب الثاني: قلق الاختبار = 20، الأداء الأكاديمي = 80
• الطالب الثالث: قلق الاختبار = 25، الأداء الأكاديمي = 75
• الطالب الرابع: قلق الاختبار = 30، الأداء الأكاديمي = 70
• الطالب الخامس: قلق الاختبار = 35، الأداء الأكاديمي = 65
• الطالب السادس: قلق الاختبار = 40، الأداء الأكاديمي = 60
• الطالب السابع: قلق الاختبار = 45، الأداء الأكاديمي = 50
• الطالب الثامن: قلق الاختبار = 50، الأداء الأكاديمي = 45

6.2 التطبيق العددي المجدول لخطوات الحساب

نبدأ أولاً بحساب المتوسطات الحسابية لبيانات المتغيرين:

• مجموع درجات قلق الاختبار (ΣX) = 15 + 20 + 25 + 30 + 35 + 40 + 45 + 50 = 260
• المتوسط الحسابي لقلق الاختبار: X̄ = 260 / 8 = 32.5
• مجموع درجات الأداء الأكاديمي (ΣY) = 85 + 80 + 75 + 70 + 65 + 60 + 50 + 45 = 530
• المتوسط الحسابي للأداء الأكاديمي: Ȳ = 530 / 8 = 66.25

يوضح الجدول الإحصائي التالي تفكيك كافة الخطوات الحسابية لجميع الطلاب:

6.3 التعويض في المعادلة واستخراج النتيجة النهائية

بناءً على النتائج المجدولة، نجد أن مجموع الجداءات المشتركة (مجموع مربعات الانحرافات المشتركة) هو:

Σ [ (X_i – X̄)(Y_i – Ȳ) ] = -1200.0

وبما أن البيانات تمثل عينة عشوائية من الطلاب قوامها n = 8، فإن درجات الحرية تحسب بطرح 1 من حجم العينة:

درجات الحرية (df) = n – 1 = 8 – 1 = 7

نقوم الآن بالتعويض المباشر في معادلة التباين المشترك للعينة:

s_xy = [ -1200.0 ] / 7 ≈ -171.4286

وللتحقق من دقة هذه النتيجة، نطبق الصيغة الحسابية الأولية البديلة:

• Σ(XY) = (15×85) + (20×80) + (25×75) + (30×70) + (35×65) + (40×60) + (45×50) + (50×45) = 1275 + 1600 + 1875 + 2100 + 2275 + 2400 + 2250 + 2250 = 16025
• (ΣX · ΣY) / n = (260 × 530) / 8 = 137800 / 8 = 17225
• s_xy = [ 16025 – 17225 ] / 7 = [ -1200 ] / 7 = -171.4286

تؤكد مطابقة النتيجتين سلامة ودقة الحسابات، مما يثبت أن قيمة التباين المشترك بين قلق الاختبار والأداء الأكاديمي في هذه العينة تساوي -171.43 تقريباً، وهي قيمة ذات دلالة إحصائية وسلوكية سنقوم بتفكيك أبعادها في القسم التالي.

7. تفسير نتائج التباين المشترك (الإيجابي، السلبي، والصفري)

7.1 دلالة التباين المشترك الإيجابي (Positive Covariance)

تشير النتيجة الإيجابية للتباين المشترك (Cov(X, Y) > 0) إلى وجود علاقة اقتران طردي متزامن بين المتغيرين المدروسين؛ أي أن الزيادة في قيم المتغير الأول تصاحبها بانتظام زيادة مقابلة في قيم المتغير الثاني، وأن الانخفاض في قيم المتغير الأول يقابله انخفاض نسقي في قيم المتغير الثاني فوق وتحت المتوسطين الحسابيين على التوالي.

في السياق النفسي والتنظيمي، يعكس التباين المشترك الإيجابي تآزراً ديناميكياً بين السمات والسلوكيات؛ ومثال ذلك العلاقة بين الرضا الوظيفي ومعدلات الإنتاجية لدى العاملين، أو بين مفهوم الذات الأكاديمي والتحصيل الدراسي. فعندما يشعر الموظف بدرجة أعلى من الرضا، يميل أداؤه الوظيفي إلى الارتفاع بالتزامن مع ذلك، مما يولد انحرافات موجبة مشتركة تسهم في تعزيز القيمة الإيجابية للتباين المشترك.

من الناحية الهندسية والبصرية، عندما يتم تمثيل البيانات ذات التباين المشترك الإيجابي على مخطط الانتشار (Scatter Plot)، تتمركز غالبية النقاط في الربع الأول (الأعلى يميناً: قيم مرتفعة لكلا المتغيرين) والربع الثالث (الأسفل يساراً: قيم منخفضة لكلا المتغيرين)، مما يشكل سحابة نقطية ذات ميل صاعد من اليسار إلى اليمين تعكس بوضوح خطية التغير الطردي الإيجابي.

7.2 دلالة التباين المشترك السلبي (Negative Covariance)

تدل النتيجة السالبة للتباين المشترك (Cov(X, Y) < 0) على وجود علاقة اقتران عكسي وتنافري بين المتغيرين؛ أي أن القيم المرتفعة لأحد المتغيرين تقترن بانتظام بقيم منخفضة للمتغير الآخر، بحيث يتحرك المتغيران في اتجاهين متضادين حول متوسطيهما الحسابيين في فضاء العينة.

وتجسد نتيجة مثالنا السابق بين “قلق الاختبار” و”الأداء الأكاديمي” (حيث بلغت القيمة -171.43) هذا النمط السلبي بدقة؛ فكلما تصاعدت وتيرة القلق لدى الطالب، انحرفت درجات أدائه نحو الأسفل مقترنة بدرجات متدنية. ومن الأمثلة النفسية الشائعة الأخرى: العلاقة بين “الاحتراق النفسي” (Burnout) و”الالتزام المؤسسي”، أو بين “مستويات الاكتئاب” و”دافعية الإنجاز”؛ حيث يؤدي ارتفاع مستويات السمة الأولى إلى تآكل السمة الثانية وتراجعها المنهجي.

هندسياً، يؤدي التباين المشترك السلبي إلى تركز نقاط البيانات في الربع الثاني (الأعلى يساراً: قيم منخفضة في X وقيم مرتفعة في Y) والربع الرابع (الأسفل يميناً: قيم مرتفعة في X وقيم منخفضة في Y) على مخطط الانتشار. ويشكل هذا التوزيع سحابة نقطية تنحدر من الأعلى إلى الأسفل باتجاه اليمين، معبرة بصرياً عن التأثير التناقصي المتبادل بين المتغيرين.

7.3 دلالة التباين المشترك الصفري أو القريب من الصفر (Zero Covariance)

تشير القيمة الصفرية أو القريبة جداً من الصفر للتباين المشترك (Cov(X, Y) ≈ 0) إلى الغياب التام لأي نمط خطي منتظم للحركة المشتركة بين المتغيرين؛ مما يعني أن انحرافات المتغير الأول عن وسطه لا تقدم أي معلومات تنبؤية حول اتجاه انحرافات المتغير الثاني، حيث تتوزع المساحات الجبرية الإيجابية والسلبية بتوازن مطلق يلغي أثر بعضها البعض.

ومع ذلك، يجب الحذر المنهجي الشديد عند تفسير القيمة الصفرية؛ فالتباين المشترك الصفري يعني حصراً غياب العلاقة الخطية (Absence of Linear Relationship)، ولا يعني بالضرورة الاستقلال الإحصائي التام (Statistical Independence). فالاستقلال الإحصائي يستلزم حتماً تباين مشتركاً صفرياً، ولكن العكس ليس صحيحاً دائماً في التحليل الرياضي.

تتجلى هذه المفارقة بوضوح في الظواهر النفسية ذات العلاقات المنحنية (Nonlinear or Curvilinear Relationships)؛ ومثال ذلك قانون يركيز-دودسون (Yerkes-Dodson Law) الذي يصف العلاقة بين الاستثارة العصبية والأداء العقلي على شكل حرف U مقلوب (منحنى تربيعي). في هذه الحالة، يتزايد الأداء مع زيادة الاستثارة حتى نقطة معينة (تباين مشترك إيجابي)، ثم يبدأ بالانهيار عند مستويات الاستثارة المفرطة (تباين مشترك سلبي). وإذا تم حساب التباين المشترك الإجمالي لكامل المنحنى، فإن النصف الموجب سيلغي النصف السالب لتكون النتيجة الإجمالية صفراً، مما قد يوهم الباحث بعدم وجود علاقة، بينما توجد في الواقع علاقة وظيفية منحنية بالغة القوة والتعقيد.

8. مصفوفة التباين والتباين المشترك (Variance-Covariance Matrix) في النمذجة النفسية

8.1 بنية وتكوين مصفوفة التباين المشترك (Σ)

عند التعامل مع الدراسات المتقدمة التي تتضمن ثلاثة متغيرات أو أكثر، تصبح الحسابات المنفصلة غير كافية لتمثيل شبكة العلاقات المتشابكة، ويتم حينها اللجوء إلى بناء مصفوفة التباين والتباين المشترك، والتي يُرمز لها عادة بالحرف الإغريقي الكبير سيجما (Σ) للمجتمعات، أو الحرف (S) للعينات. تمثل هذه المصفوفة تنظيماً جدولياً مربعاً (Square Matrix) ذي الأبعاد p × p (حيث p يمثل عدد المتغيرات النفسية المقاسة في النموذج).

تتميز بنية هذه المصفوفة بتوزيع بنيوي محكم لعناصرها الإحصائية:

• القطر الرئيسي (Main Diagonal): يحتوي حصراً على التباينات الأحادية لكل متغير مع نفسه، حيث تمثل الخلية (i, i) قيمة التباين الأحادي للمتغير X_i، وهي قيم موجبة دائماً (σ²_i).
• الخلايا غير القطرية (Off-Diagonal Elements): تحتوي على قيم التباين المشترك الثنائية بين كل زوج من المتغيرات، حيث تمثل الخلية (i, j) التباين المشترك بين المتغير X_i والمتغير X_j (أي σ_ij).

فإذا كان لدينا ثلاثة متغيرات نفسية (مثل: X_1 = الذكاء الوجداني، X_2 = التكيف الاجتماعي، X_3 = الصلابة النفسية)، فإن مصفوفة التباين المشترك Σ تأخذ الهيكل الجبري التالي:

8.2 الخصائص الجبرية للمصفوفة في التحليل المتعدد

تتمتع مصفوفة التباين والتباين المشترك بمجموعة من الخصائص الجبرية البالغة الأهمية في الجبر الخطي والإحصاء متعدد المتغيرات:

• التناظر المصفوفي (Symmetry): تعد المصفوفة متناظرة تماماً حول قطرها الرئيسي (Σ = Σ^T)، وذلك استناداً لخاصية التماثل التبادلي للتباين المشترك التي أثبتناها سابقاً؛ حيث إن σ_ij = σ_ji لجميع قيم i ≠ j.
• شبه الإيجابية المحددة (Positive Semi-Definite): يجب أن تحقق مصفوفة التباين المشترك الحقيقية خاصية الإيجابية المحددة أو شبه المحددة رياضياً، مما يعني أنه لأي متجه غير صفري v، فإن المقدار الخطي v^T Σ v ≥ 0. ويضمن هذا الشرط الرياضي أن تكون جميع التباينات الخطية الناتجة عن أي توليفة من المتغيرات قيماً موجبة دائماً ولا تنتج قيماً تباينية سالبة مستحيلة واقعياً.
• المحدد والمعكوس (Determinant and Inverse): يمثل محدد المصفوفة (|Σ|)، المعروف في القياس المتعدد باسم “التباين المعمم” (Generalized Variance)، مقياساً إجمالياً لتشتت البيانات متعددة الأبعاد. وتعد قابلية المصفوفة للعكس (وجود المعكوس Σ⁻¹) شرطاً أساسياً لتشغيل خوارزميات الانحدار المتعدد والتحليل التمييزي وحساب المسافات الإحصائية المتقدمة مثل مسافة ماهالانوبيس (Mahalanobis Distance).

8.3 استخدام المصفوفة في نمذجة المعادلات الهيكلية (SEM) والتحليل العاملي

تشكل مصفوفة التباين المشترك المدخل الإمبريقي الأساسي والوحيد الذي تعتمد عليه برمجيات نمذجة المعادلات الهيكلية (Structural Equation Modeling – SEM) والتحليل العاملي الاستكشفي والتوكيدي (EFA & CFA). ففي هذه التحليلات، لا يحتاج البرنامج إلى البيانات الفردية للمفحوصين بقدر حاجته إلى مصفوفة التباين المشترك المستخرجة من تلك البيانات.

تعتمد فلسفة هذه النماذج على مقارنة مصفوفتين أساسيتين:

1. مصفوفة التباين المشترك للعينة الفعلية (S): وهي المصفوفة المحسوبة مباشرة من درجات الأفراد في الميدان.
2. مصفوفة التباين المشترك المستنتجة من النموذج النظري (Σ(θ)): وهي مصفوفة يتم توليدها وإعادة تركيبها استناداً إلى العلاقات والمسارات والافتراضات التي وضعها الباحث في نموذجه المقترح.

تعمل خوارزميات التقدير الإحصائي (مثل طريقة الإمكانية الأعظمية – Maximum Likelihood) على تقليص الفجوة الرياضية والفروق المتبقية بين المصفوفتين (S – Σ(θ)) إلى أدنى حد ممكن. وإذا كانت الفروق بين تباينات العينة الفعلية والتباينات المتوقعة نظرياً قريبة من الصفر، يتم قبول النموذج والقول بأنه يتمتع بجودة مطابقة ممتازة (Goodness of Fit)، مما يبرهن على أن البنية النظرية المقترحة تفسر بصدق التباين المشترك القائم بين البنود والسمات المقاسة.

9. المقارنة بين التباين المشترك (Covariance) ومعامل الارتباط (Correlation)

9.1 معيارية القياس وحدود القيم العددية

على الرغم من أن كلاً من التباين المشترك ومعامل ارتباط بيرسون يقيسان التغير المشترك والاقتران الخطي بين المتغيرات، إلا أن هناك فرقاً جوهرياً وحاسماً بينهما يرتبط بفكرة المعيارية (Standardization) وحدود النطاق العددي للقيم الناتجة.

يعد التباين المشترك مقياساً غير معياري (Unstandardized Metric)؛ وبالتالي فإن قيمته العددية غير مقيدة بأي حدود رياضية، إذ يمكن أن تمتد نظرياً من اللانهاية السالبة إلى اللانهاية الموجبة (-∞ < Cov(X, Y) < +∞). تتحدد قيمة التباين المشترك بدرجة تشتت المتغيرين وبوحدات القياس المستخدمة في جمعهما؛ مما يجعل الحكم على قوة العلاقة بمجرد النظر إلى الرقم أمراً مستحيلاً. فقيمة تباين مشترك قدرها +500 قد تعكس ارتباطاً ضعيفاً جداً إذا كانت المتغيرات مقاسة بآلاف الوحدات، في حين أن قيمة قدرها +0.5 قد تعكس ارتباطاً تاماً إذا كانت المتغيرات مقاسة بأجزاء من المئة.

وللتغلب على هذا القيد المنهجي، قام كارل بيرسون بمعايرة التباين المشترك وتجريده من وحدات القياس، مما نتج عنه معامل ارتباط بيرسون (Pearson Correlation Coefficient – r)، وهو مقياس معياري مقيد (Standardized Metric) يقع نطاقه بدقة مطلقة بين القيمة -1.00 والقيمة +1.00. يتيح هذا التقييد المعياري للباحثين إجراء مقارنات موضوعية وفورية حول قوة الارتباط بغض النظر عن المقاييس أو الأدوات المستخدمة.

9.2 التحويل الرياضي بين التباين المشترك والارتباط

يرتبط المفهومان بصيغة تحويل رياضية بالغة الوضوح والأناقة؛ حيث يُعرّف معامل الارتباط رياضياً بأنه التباين المشترك بين متغيرين بعد قسمته على حاصل ضرب انحرافيهما المعياريين (Standard Deviations):

r_xy = [ Cov(X, Y) ] / [ s_x · s_y ]

وعلى العكس من ذلك، يمكن استخراج التباين المشترك مباشرة من معامل الارتباط عبر ضرب الأخير في الانحرافين المعياريين للمتغيرين:

Cov(X, Y) = r_xy · s_x · s_y

يتضح من هذا الاشتقاق أن معامل ارتباط بيرسون هو في جوهره تباين مشترك تم حسابه بعد تحويل الدرجات الخام الأصلية لكلا المتغيرين إلى درجات معيارية (Z-scores) ذات متوسط حسابي يساوي (0) وانحراف معياري يساوي (1):

Z_X = (X – X̄) / s_x          Z_Y = (Y – Ȳ) / s_y
r_xy = Cov(Z_X, Z_Y) = [ Σ (Z_X · Z_Y) ] / (n – 1)

وبناءً على هذه العلاقة الجبرية، تشترك مصفوفة الارتباط (Correlation Matrix) مع مصفوفة التباين المشترك في كافة الخصائص المصفوفية، مع فارق وحيد هو أن القطر الرئيسي لمصفوفة الارتباط يحتوي دائماً على الرقم الصحيح (1.00)، نظراً لأن ارتباط أي متغير مع نفسه بعد المعايرة يمثل الارتباط التام الثابت.

9.3 متى يُفضل استخدام التباين المشترك مقابل معامل الارتباط؟

يعتمد الاختيار المنهجي بين استخدام التباين المشترك أو معامل الارتباط على طبيعة الهدف البحثي ومستوى التحليل الإحصائي المستهدف:

• حالات تفضيل التباين المشترك: يُفضل استخدامه في النمذجة الرياضية السببية المتقدمة، وتحليل المسار (Path Analysis)، ونمذجة المعادلات الهيكلية (SEM)، وتحليل السلاسل الزمنية؛ والسبب في ذلك هو أن التباين المشترك يحتفظ بمعلومات وحدات القياس الأصلية والتباينات الحقيقية للمقاييس، وهو أمر حيوي لتقدير معلمات الانحدار غير المعيارية (Unstandardized Parameters) ومقارنة نفس النموذج عبر مجموعات مجتمعية متباينة في تشتتها.
• حالات تفضيل معامل الارتباط: يُفضل استخدامه عند الرغبة في تقديم وصف مباشر ومفهوم لقوة واتجاه العلاقة، أو عند مقارنة العلاقات عبر دراسات مختلفة تستخدم أدوات وسلالم قياس نفسية متباينة (مثل مقارنة مقياس ليكرت خماسي مع مقياس سباعي)، وكذلك في تحليلات التجميع الفوقي (Meta-Analysis) لتلخيص الأدبيات العلمية المشتركة.

10. قيود ومحددات استخدام التباين المشترك في التحليل النفسي

10.1 الاعتماد المفرط على وحدات القياس (Scale Dependency)

يمثل الاعتماد المفرط على وحدات القياس أحد أبرز القيود الإبستمولوجية والمنهجية التي تحد من الاستخدام التفسيري المباشر للتباين المشترك. فبما أن التباين المشترك يعتمد على حاصل ضرب الانحرافات الأصلية، فإن قيمته العددية تتغير تغيراً جذرياً بمجرد تغيير سلم القياس أو وحدة القياس لأحد المتغيرين، حتى لو ظلت العلاقة السلوكية الفعلية بين الأفراد ثابتة تماماً دون أي تغيير.

فعلى سبيل المثال، إذا قمنا بحساب التباين المشترك بين “زمن الرجع” (Reaction Time) و”مستوى التشتت الذهني”، وكانت وحدة قياس الزمن هي الثواني، وحصلنا على تباين مشترك قدره 0.45؛ فإن إعادة التعبير عن نفس البيانات باستخدام وحدة المللي ثانية (بضرب الدرجات في 1000) ستؤدي إلى قفز قيمة التباين المشترك إلى 450، على الرغم من أن السلوك النفسي للمفحوصين لم يتغير على الإطلاق.

يخلق هذا القيد إشكالية منهجية حقيقية في القياس النفسي عند محاولة مقارنة أبعاد الشخصية أو السمات المعرفية المقاسة بسلالم ليكرت مختلفة (مثل سلم ثلاثي مقابل سلم سباعي)؛ إذ يصبح من المتعذر الحكم على أي المتغيرات أكثر اقتراناً بالظاهرة المدروسة استناداً إلى القيمة المطلقة للتباين المشترك، مما يفرض تحويلها إلى معاملات ارتباط معيارية أو توحيد الدرجات مسبقاً.

10.2 الحساسية الشديدة للقيم المتطرفة والالتواءات التوزيعية

يتأثر التباين المشترك بدرجة فائقة بوجود القيم المتطرفة والدرجات الشاذة (Outliers) في عينات البحوث السلوكية. ويعود السبب الرياضي في ذلك إلى آلية الجداء الجبري؛ فحين يمتلك مفحوص واحد درجة متطرفة جداً في كلا المتغيرين، ينتج عن ضرب هذين الانحرافين الكبيرين رقم هائل يرجح كفة المجموع الكلي (Σ SP)، مما يضخم التباين المشترك بصورة زائفة تعطي انطباعاً بوجود اقتران قوي لا يمثل السواد الأعظم من أفراد العينة.

علاوة على ذلك، يستند التباين المشترك إلى افتراض كامن باعتدالية التوزيع الثنائي للمتغيرات (Bivariate Normal Distribution). وفي العينات النفسية الإكلينيكية (Clinical Samples)، كثيراً ما تكون البيانات ملتوية بشدة نحو أحد الطرفين (مثل درجات الاكتئاب الحاد أو نوبات الهلع التي تتركز لدى الغالبية في الدرجات الدنيا مع وجود ذيل طويل من الحالات الشديدة). وفي ظل هذه الالتواءات التوزيعية، يفقد التباين المشترك كفاءته الإحصائية ويصبح مقياساً مضللاً لتمثيل النزعة الاقترانية الحقيقية.

تفرض هذه المحددات على الباحثين ضرورة تطبيق استراتيجيات فحص البيانات الاستكشافية الصارمة قبل الشروع في حساب التباين المشترك، ويتضمن ذلك حساب المسافات المعيارية واكتشاف النقاط المؤثرة، واستخدام مخططات الصندوق (Boxplots)، واللجوء إلى الطرق الإحصائية اللابارامترية أو تحويل البيانات (Data Transformation) عند ثبوت انتهاك اعتدالية التوزيع.

10.3 اقتصار القياس على العلاقات الخطية حصراً

ينبع القيد المنهجي الثالث من الطبيعة الجبرية للتباين المشترك كدالة ترصد الاقتران الخطي المستمر حصراً (Strictly Linear Association). يعجز التباين المشترك عجزاً تاماً عن استيعاب أو تكميم العلاقات الرياضية غير الخطية، مثل العلاقات الأسية، واللوغاريتمية، والدائرية، والدوال المنحنية متعددة الحدود.

وقد يؤدي هذا العجز في أبحاث العلوم النفسية والعصبية إلى استنتاجات بحثية خاطئة؛ فعند دراسة ظواهر معقدة مثل العلاقة بين الإجهاد والقدرة على حل المشكلات، أو العلاقة بين تعاطي جرعات دوائية محددة والتحسن المزاجي، قد تكون العلاقة حقيقية وقوية للغاية ولكنها تأخذ مساراً منحنياً أو تربيعياً. وفي مثل هذه الحالات، تكون النتيجة الرقمية للتباين المشترك قريبة من الصفر، مما قد يدفع الباحث المتعجل إلى رفض الفرضية البحثية وإعلان غياب العلاقة، في حين أن الخلل يكمن في عجز الأداة الإحصائية عن رصد الأنماط غير الخطية.

ومن هنا، تبرز القاعدة الإحصائية الذهبية التي تحذر من الاعتماد الأعمى على القيم الرقمية للتباين المشترك دون الجمع بينها وبين الفحص البصري الدقيق لمخططات الانتشار (Scatter Plots)، للتأكد من أن النمط الهندسي لتوزع الدرجات يتطابق بالفعل مع الفرضية الخطية الكلاسيكية.

11. تطبيقات التباين المشترك في منهجية البحث والقياس النفسي

11.1 تقدير ثبات المقاييس النفسية والاتساق الداخلي

يمثل التباين المشترك البنية الرياضية التحتية لجميع معادلات تقدير الثبات والاتساق الداخلي (Internal Consistency) لأدوات القياس والاختبارات النفسية. وتعد معادلة معامل ألفا كرونباخ (Cronbach’s Alpha) الشهيرة التطبيق الأكثر شيوعاً لهذا المفهوم، حيث يمكن التعبير عن المعادلة بدلالة متوسط التباين المشترك بين بنود المقياس على النحو التالي:

α = [ k · bar{c} ] / [ bar{v} + (k – 1)bar{c} ]

حيث تمثل k عدد بنود المقياس، و bar{v} متوسط تباينات البنود الفردية، و bar{c} متوسط التباينات المشتركة بين جميع أزواج البنود. وتكشف هذه الصيغة بجلاء أن ثبات المقياس يرتفع كلما كانت التباينات المشتركة بين بنوده موجبة ومرتفعة، مما يعني أن البنود تقيس وتتحرك معاً في رصد نفس البعد السلوكي الكامن.

كما يُستخدم التباين المشترك في تنقية الاختبارات النفسية وتحسينها عبر إجراء ما يُعرف بـ “تحليل البنود” (Item Analysis)؛ حيث يتم فحص التباين المشترك لكل بند مع الدرجة الكلية للمقياس، واستبعاد البنود التي تسجل تبايناً مشتركاً منخفضاً أو سالباً لأنها تضعف الاتساق الداخلي للأداة وتعبر عن تشتت عشوائي خارج نطاق السمة المستهدفة.

11.2 تحليل التباين المشترك (ANCOVA) وضبط المتغيرات الدخيلة

يعد أسلوب تحليل التباين المشترك (Analysis of Covariance – ANCOVA) من أرقى التصاميم الإحصائية التي تدمج بين تحليل التباين الأحادي (ANOVA) والانحدار الخطي، والهدف الأساسي منه هو الضبط الإحصائي لأثر المتغيرات الدخيلة والمشوشة التي يُطلق عليها اسم “المتغيرات المصاحبة” أو المتغيرات المتباينة المشتركة (Covariates).

في التجارب الإكلينيكية والبرامج العلاجية النفسية، قد تتباين المجموعات التجريبية والضابطة في خصائص قبلية غير مقصودة (مثل الفروق الفردية في العمر، أو مستوى الذكاء الأولي، أو شدة الأعراض قبل التدخل). ومن خلال توظيف التباين المشترك القائم بين المتغير المصاحب والمتغير التابع، يعمل أسلوب ANCOVA على إزالة وتجريد هذا التباين المشترك من تباين الخطأ الإجمالي وتعديل المتوسطات البعدية للمجموعات، مما يتيح عزل التأثير الحقيقي للبرنامج العلاجي وزيادة القوة الإحصائية (Statistical Power) لاختبار الفرضيات.

كما يساهم هذا الضبط الرياضي في تقليص التباين المتبقي داخل المجموعات، مما يرفع من دقة اختبار (F) ويجعل الاستدلالات السببية المستخلصة من التصاميم شبه التجريبية أكثر موثوقية وثباتاً في الميدان السلوكي.

11.3 التحليل العاملي الاستكشافي والتوكيدي (EFA & CFA)

يقوم كل من التحليل العاملي الاستكشافي (Exploratory Factor Analysis) والتحليل العاملي التوكيدي (Confirmatory Factor Analysis) على تفكيك واختزال مصفوفة التباين المشترك لبنود المقاييس، بهدف الوصول إلى عدد أقل من الأبعاد والعوامل الكامنة التي تفسر التباين المشترك الإجمالي بين تلك المؤشرات السلوكية.

في إطار التحليل العاملي التوكيدي واختبار الصدق البنائي (Construct Validity)، يتم تقدير التباين المشترك بين العوامل الكامنة نفسها (Latent Factor Covariance). فعلى سبيل المثال، عند بناء نموذج هرمي للشخصية يستند إلى نموذج العوامل الخمسة الكبرى (Big Five)، يتيح حساب التباين المشترك بين العوامل الكامنة (مثل الانبساط، والعصابية، والضمير الحي) للباحثين فحص التداخل والتمايز البنائي بين هذه الأبعاد النفسية الكبرى والتحقق من صدقها التقاربي والتمايزي.

12. حساب التباين المشترك باستخدام البرمجيات الإحصائية (SPSS, R, Python)

12.1 تطبيق الحساب في برنامج الحزمة الإحصائية للعلوم الاجتماعية (SPSS)

يوفر برنامج IBM SPSS Statistics واجهات وقوائم متقدمة تتيح استخراج التباين المشترك ومصفوفاته بكفاءة عالية عبر مسارات متعددة:

المسار الأول (عبر قائمة الارتباط الثنائي):

• من القائمة الرئيسية، يتم اختيار: Analyze > Correlate > Bivariate.
• نقل المتغيرات المراد تحليلها إلى مربع المتغيرات (Variables).
• الضغط على زر الخيارات Options وتفعيل خيار Cross-product deviations and covariances.
• الضغط على OK، حيث تتضمن مخرجات جدول الارتباط سطراً مخصصاً يعرض التباين المشترك وقيمة مجموع الجداءات (Sum of Squares and Cross-products).

المسار الثاني (استخراج المصفوفة الكاملة عبر النمذجة والانحدار):

يمكن استخراج مصفوفة التباين والتباين المشترك الكاملة لمتغيرات متعددة عبر أوامر تحليل المكونات الأساسية أو من خلال أمر مصفوفات الانحدار، أو بكتابة الشفرة البرمجية المباشرة في نافذة الأوامر (Syntax):

CORRELATIONS
  /VARIABLES = Anxiety Performance
  /STATISTICS = XPROD.

تعرض جداول مخرجات SPSS قيمة التباين المشترك للعينة بدقة، مع توفير مؤشرات الدلالة الإحصائية وحجم العينة الفعلي المستخدم في كل تقاطع، مما يسهل نقلها وتوثيقها وفق معايير جمعية علم النفس الأمريكية (APA).

12.2 تنفيذ العمليات الإحصائية للتباين المشترك في لغة R

تعد لغة البرمجة الإحصائية R البيئة الأقوى والأكثر مرونة لحساب ونمذجة التباين المشترك. توفر بيئة R الدالة الأساسية المدمجة cov() التي تتيح حساب التباين المشترك بين متجهين أو توليد مصفوفة التباين المشترك الكاملة لإطار بيانات (Data Frame).

يوضح المثال البرمجي التالي كيفية تطبيق الحسابات، بما في ذلك التعامل المنهجي مع القيم المفقودة وتصور المصفوفة:

# تعريف متجهات البيانات النفسية
anxiety <- c(15, 20, 25, 30, 35, 40, 45, 50)
performance <- c(85, 80, 75, 70, 65, 60, 50, 45)

# حساب التباين المشترك للعينة بين المتغيرين
cov_result <- cov(anxiety, performance)
print(cov_result) # الناتج: -171.4286

# حساب مصفوفة التباين المشترك مع التعامل مع القيم المفقودة
data_df <- data.frame(anxiety, performance)
cov_matrix <- cov(data_df, use = “complete.obs”)
print(cov_matrix)

# تصور المصفوفة بيانياً باستخدام حزمة corrplot
# install.packages(“corrplot”)
library(corrplot)
corrplot(cov2cor(cov_matrix), method = “color”, is.corr = TRUE)

تضمن المعاملة use = "complete.obs" استبعاد أي حالات تحتوي على قيم مفقودة لضمان اتساق درجات الحرية وتجنب الأخطاء الحسابية في مصفوفات التباين المشترك الكبيرة.

12.3 بناء نماذج التباين المشترك بلغة Python للتحليلات النفسية

في إطار علوم البيانات الحديثة والتحليلات السلوكية المحوسبة، توفر لغة Python عبر مكتباتها الرياضية المتخصصة مثل NumPy و Pandas و Seaborn أدوات برمجية متطورة وسريعة لمعالجة وحساب مصفوفات التباين المشترك.

يمكن تنفيذ العمليات الحسابية وتوليد الخرائط الحرارية (Heatmaps) لتصور التباين المشترك عبر الشيفرة الإحصائية التالية:

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# إنشاء إطار البيانات النفسية
data = {
    ‘Anxiety’: [15, 20, 25, 30, 35, 40, 45, 50],
    ‘Performance’: [85, 80, 75, 70, 65, 60, 50, 45]
}
df = pd.DataFrame(data)

# حساب التباين المشترك باستخدام دالة NumPy (ddof=1 لحساب تباين العينة غير المتحيز)
np_cov = np.cov(df[‘Anxiety’], df[‘Performance’], ddof=1)[0, 1]
print(f”Sample Covariance (NumPy): {np_cov:.4f}”)

# حساب مصفوفة التباين المشترك باستخدام Pandas
cov_matrix = df.cov()
print(“nVariance-Covariance Matrix:n”, cov_matrix)

# رسم خريطة حرارية لمصفوفة التباين المشترك
plt.figure(figsize=(6, 4))
sns.heatmap(cov_matrix, annot=True, fmt=”.2f”, cmap=’coolwarm’, cbar=True)
plt.title(“Variance-Covariance Heatmap”)
plt.show()

يوفر استخدام المعامل ddof=1 في مكتبة NumPy مطابقة تامة لتصحيح بيسل، مما يضمن توافق المخرجات البرمجية مع الحسابات اليدوية والمعادلات الإحصائية المعتمدة في القياس السلوكي.

خاتمة

يمثل التباين المشترك (Covariance) الركيزة الرياضية والأساس النظري العميق الذي تستند إليه منظومة التحليل الإحصائي والقياس النفسي الحديث. فمن خلال تكميم الحركة المشتركة والانحرافات المتقاطعة للمتغيرات حول متوسطاتها الحسابية، يمنح التباين المشترك الباحثين القدرة على تجاوز الوصف الساكن للسمات المعزولة إلى استكشاف شبكات العلاقات والتفاعلات المعقدة التي تشكل جوهر السلوك الإنساني والعمليات المعرفية والوجدانية.

وقد أوضح هذا المقال التأصيلي الشامل أن التباين المشترك ليس مجرد خطوة تمهيدية لحساب معامل الارتباط، بل هو كيان رياضي قائم بذاته، يحتفظ بوحدات القياس الأصلية ويوفر المعلومات التباينية الجوهرية اللازمة لبناء مصفوفات التباين المشترك وتشغيل النماذج الإحصائية المتقدمة كنماذج الانحدار الخطي، والتحليل العاملي، وتحليل التباين المشترك (ANCOVA)، ونمذجة المعادلات الهيكلية (SEM).

ومع ذلك، تفرض الطبيعة الرياضية للتباين المشترك ضرورة الوعي بحدوده ومحدداته المنهجية، وعلى رأسها اعتماده المفرط على وحدات القياس، وحساسيته العالية للقيم المتطرفة والالتواءات التوزيعية، واقتصاره الحصري على رصد الاقتران الخطي. ومن هنا، يتعين على الباحثين والمحللين الجمع بين الفهم النظري الرصين، والتدقيق الاستكشافي للبيانات، وتوظيف البرمجيات الإحصائية المتطورة لضمان استخلاص نتائج علمية موثوقة تسهم في ارتقاء وتطور المعرفة في العلوم النفسية والإنسانية.

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
• Bollen, K. A. (1989). Structural equations with latent variables. John Wiley & Sons. https://doi.org/10.1002/9781118619179
• Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
• Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555
• Galton, F. (1886). Regression towards mediocrity in hereditary stature. The Journal of the Anthropological Institute of Great Britain and Ireland, 15, 246–263. https://doi.org/10.2307/2841583
• Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Pearson, K. (1895). Notes on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London, 58, 240–242. https://doi.org/10.1098/rspl.1895.0041
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Weisstein, E. W. (2002). Covariance. MathWorld–A Wolfram Web Resource. https://mathworld.wolfram.com/Covariance.html