الفرق بين الإحصاء الوصفي والإحصاء الاستدلالي

يشهد البحث العلمي المعاصر تحولاً جذرياً نحو التكميم الدقيق للظواهر الطبيعية والإنسانية على حد سواء؛ حيث لم يعد كافياً توصيف السلوك الإنساني أو التفاعلات الاجتماعية بلغة إنشائية فضفاضة، بل غدت الحاجة ملحة إلى لغة رياضية منضبطة تترجم التعقيد التجريبي إلى مؤشرات قابلة للقياس، والمقارنة، وإعادة الاختبار. ومن هنا، يمثل علم الإحصاء الركيزة المنهجية الصلبة التي تستند إليها العلوم السلوكية، والنفسية، والتربوية، والطبية في تحويل الملاحظات الخام المشتتة إلى معرفة علمية منظمة وقوانين احتمالية تنبؤية تحكم الظواهر.

يتفرع علم الإحصاء إلى قطبين متكاملين يمثلان عماد المنهجية التجريبية: الإحصاء الوصفي (Descriptive Statistics) والإحصاء الاستدلالي (Inferential Statistics). ورغم التداخل الشائع بين هذين الفرعين في التطبيقات العملية والبرمجية، إلا أن لكل منهما أطره الإبستمولوجية، وأهدافه المعرفية، ومحدداته الرياضية الخاصة. فالأول يختص باستكشاف الواقع الداخلي للبيانات المتاحة بين يدي الباحث، وتلخيص بنيتها الهيكلية عبر مؤشرات التركز والتشتت والتمثيل البياني، في حين يمتد الثاني عبر جسور نظرية الاحتمالات ليتجاوز حدود العينة المرصودة نحو استنباط خصائص المجتمع الأوسع واختبار الفروض والتحقق من العلاقات السببية.

يهدف هذا المقال الأكاديمي الموسوعي إلى تقديم معالجة نظرية وتطبيقية معمقة للفروق الهيكلية، والوظيفية، والرياضية بين الإحصاء الوصفي والإحصاء الاستدلالي، مسلطاً الضوء على مستويات القياس، ونظرية التعميم، والشروط التوزيعية، والتطبيقات السيكومترية، والأخطاء الشائعة، وصولاً إلى آفاق المعالجة الإحصائية في عصر البيانات الضخمة ونماذج التعلم الآلي.

1. مدخل نظري إلى علم الإحصاء وفروعه الأساسية في البحث العلمي

1.1 التطور التاريخي لعلم الإحصاء وأهميته في العلوم الإنسانية

شهد الفكر الإحصائي تحولات معرفية عميقة عبر العصور، منتقلاً من مجرد ممارسات لحساب الأعداد وحصر النفوس وجباية الضرائب في الحضارات القديمة (كالبابلية، والمصرية، والرومانية) إلى علم رياضي استدلالي بالغ التعقيد. ارتبط المصطلح تاريخياً بـ “علم الدولة” (Statistik)، حيث ركزت المدارس الأولى في أوروبا، لاسيما المدرسة الألمانية مع هيرمان كونرينغ وغوتفريد أخنوال، على جمع البيانات الجغرافية والسياسية والاقتصادية بهدف خدمة القرارات السيادية وإدارة شؤون الحكم والإدارة المدنية.

ومع بزوغ فجر الثورة العلمية وتطور نظرية الاحتمالات على أيدي علماء الرياضيات مثل باسكال، وفيرما، وبرنولي، ولابلاس، حدثت القفزة الإبستمولوجية الكبرى. لم يعد الإحصاء يقتصر على الحصر العددي للماضي والحاضر، بل أضحى قادراً على نمذجة عدم اليقين والتنبؤ بالمستقبل. وقد تعزز هذا التوجه في القرن التاسع عشر وبدايات القرن العشرين بجهود فرانسيس غالتون، وكارل بيرسون، ورونالد فيشر، الذين وضعوا الأسس الرياضية للمقاييس المعيارية، والانحدار، وتحليل التباين، وربطوا الإحصاء بالعلوم البيولوجية والسلوكية.

في العلوم الإنسانية والنفسية والتربوية، أحدث الإحصاء ثورة منهجية نقلت هذه التخصصات من الملاحظة الوصفية السردية والتأمل الفلسفي إلى مصاف العلوم التجريبية الدقيقة. أتاح القياس الكمي تحويل المفاهيم المجردة مثل الذكاء، والقلق، والاتجاهات، والدافعية إلى متغيرات رقمية تخضع للتحليل الصارم، مما أسهم في بناء النماذج المعرفية التفسيرية، وضبط الفروق الفردية، وتأسيس قواعد رصينة لصدق وثبات الأدوات القياسية.

1.2 التقسيم الثنائي للإحصاء: الوصفي مقابل الاستدلالي

يقوم التقسيم الثنائي لعلم الإحصاء على التمييز الجوهري بين وظيفتين معرفيتين: وظيفة التنظيم والتلخيص للبيانات المتاحة، وتختص بها منظومة الإحصاء الوصفي، ووظيفة التقدير والاستقراء والتنبؤ بالمجهول، وتضطلع بها منظومة الإحصاء الاستدلالي. هذا التمايز ليس فصلاً تعسفياً، بل يمثل مرحلتين متتاليتين منطقياً في بنية المنهج العلمي التجريبي؛ حيث لا يمكن بناء استدلال دقيق ورصين دون وصف هيكلي أولي متكامل يبرز ملامح الظاهرة ويستكشف معالمها الأساسية.

تتجلى العلاقة التكاملية بين الفرعين في كون الإحصاء الوصفي يتعامل مع البيانات على أنها “كل قائم بذاته” محصور بحدود المشاهدات التي تم جمعها بالفعل، فيقدم إجابات قطعية ومؤشرات رقمية نهائية تصف العينة دون خطأ معاينة. في المقابل، ينطلق الإحصاء الاستدلالي من هذه المؤشرات الوصفية ذاتها ليعاملها بوصفها “نقطة انطلاق احتمالية” تهدف إلى استكشاف معالم المجتمع الأصلي الأشمل، مستنداً إلى قوانين المعاينة الرياضية والتوزيعات الاحتمالية لتقدير هوامش الخطأ ومستويات الثقة.

يتحدد اختيار نوع المعالجة الإحصائية وفقاً للهدف البحثي وصياغة التساؤلات العلمية؛ فإذا كان القصد مقتصراً على استعراض خصائص مجموعة محددة من الأفراد أو تقييم أداء فصلي معزول، يكون الإحصاء الوصفي كافياً ومطابقاً للغرض. أما إذا كان التساؤل يبحث عن إثبات فاعلية علاج نفسي جديد وتعميمه على مجتمع المرضى، أو التحقق من وجود فروق جوهرية ذات دلالة بين الذكور والإناث في مهارات حل المشكلات، فإن المسار يحتم توظيف أدوات الإحصاء الاستدلالي لاختبار الفروض والتحقق من صحتها.

1.3 مستويات القياس الإحصائي وصلتها بنوع التحليل

يمثل تحديد مستويات القياس (Levels of Measurement) التي صاغها عالم النفس ستانلي سميث ستيفنز (Stanley Smith Stevens) عام 1946 الخطوة التأسيسية الفاصلة في تحديد طبيعة العمليات الإحصائية المسموح بها رياضياً ومنهجياً؛ حيث صنف القياس إلى أربعة مستويات هرمية: الاسمي، والترتيبي، والفتري (المسافي)، والنسبي، ويمتلك كل مستوى خصائص رياضية تحكم نطاق التحليل الوصفي وقوة الاستدلال التنبؤي.

• المقياس الاسمي (Nominal Scale): أدنى مستويات القياس، ويستخدم لتصنيف المفردات في فئات متمايزة نوعياً دون مفاضلة عددية (مثل: الجنس، التخصص الدراسي، الحالة الاجتماعية). يقتصر الوصف فيه على حساب التكرارات والنسب المئوية واستخراج المنوال، بينما يوظف استدلالياً عبر اختبارات لا معلمية مثل كاي-تربيع لحسن المطابقة أو الاستقلالية.
• المقياس الترتيبي (Ordinal Scale): يسمح بتصنيف البيانات وترتيبها تصاعدياً أو تنازلياً وفق رتب محددة مع غياب المسافات المتساوية بين الرتب (مثل: مقاييس ليكرت، الرتب الأكاديمية، مراحل شدة الاكتئاب: خفيف، متوسط، شديد). يوصف هذا المقياس باستخدام الوسيط والمدى الربيعي، ويُحلل استدلالياً بالاختبارات اللابارامترية مثل مان-ويتني وكروسكال-واليس ومعامل ارتباط سبيرمان.
• مقياس الفاصل أو المسافة (Interval Scale): يمتاز بوجود مسافات متساوية بين الدرجات المتتالية، ولكنه يفتقر إلى الصفر المطلق الذي يعني انعدام السمة كلياً، إذ يعتبر الصفر فيه نقطة مرجعية اعتباطية (مثل: درجات الحرارة المئوية، درجات مقاييس الذكاء IQ، والعديد من الاختبارات النفسية). يتيح هذا المستوى حساب كافة المقاييس الوصفية كالمتوسط الحسابي والانحراف المعياري، واستخدام الاختبارات الاستدلالية البارامترية المتقدمة مثل اختبار “ت” وتحليل التباين (ANOVA).
• مقياس النسبة (Ratio Scale): أعلى مستويات القياس وأكثرها اكتمالاً ومرونة، حيث يتميز بمسافات متساوية وبوجود “صفر حقيقي ومطلق” يدل على الغياب التام للخاصية المقاسة (مثل: زمن الرجع بالمللي ثانية، الدخل المالي، الوزن، المسافة). يسمح هذا المقياس بإجراء كافة العمليات الحسابية من جمع وطرح وضرب وقسمة ونسب مئوية، ويوفر بيئة مثالية لجميع التحليلات الإحصائية الوصفية والاستدلالية البارامترية الأكثر قوة ودقة.

إن طبيعة ومستوى قياس المتغير النفسي أو السلوكي لا تحدد فقط نوع المؤشر الوصفي المناسب، بل تضع شروطاً صارمة على صحة الاستدلال الإحصائي؛ إذ إن تطبيق اختبار بارامتري مثل اختبار “ت” على بيانات اسمية أو ترتيبية يؤدي إلى نتائج مضللة وفاقدة للقيمة العلمية نتيجة انتهاك الافتراضات الرياضية للبنية المقياسية.

2. الإحصاء الوصفي: المفهوم، الأهداف، والوظائف المنهجية

2.1 التعريف الأكاديمي والحدود الإبستمولوجية للإحصاء الوصفي

يُعرَّف الإحصاء الوصفي (Descriptive Statistics) أكاديمياً بأنه فرع من فروع علم الإحصاء يركز على تجميع، وترتيب، وتبويب، وتلخيص، وعرض مجموعات البيانات الرقمية أو النوعية المستخلصة من عينة معينة أو مجتمع محدد بصورة دقيقة وموجزة تكشف عن معالمها الأساسية وخصائصها الهيكلية، دون السعي إلى تجاوز نطاق هذه الملاحظات لتكوين استنتاجات تتعداها.

تتمثل الحدود الإبستمولوجية للإحصاء الوصفي في كونه دراسة مقتصرة على “الواقع المرصود” (Observed Reality) داخل حدود وحدات القياس المتاحة؛ فالنتائج المستخرجة عبر مقاييسه هي حقائق رقمية قطعية تخص المفحوصين الذين شاركوا في الدراسة حصراً. لا يتضمن هذا الفرع أي آليات داخلية تسمح بتقدير نسبة عدم اليقين أو التعامل مع الصدفة وأخطاء المعاينة، ومن ثم فإن إطلاق أي حكم عام يشمل أفراداً لم يخضعوا للقياس يعد تجاوزاً معرفياً غير مشروع ضمن حدود المنهج الوصفي الصرف.

في هذا السياق، تبرز ضرورة التمييز الدقيق بين مفهومين محوريين في الأدبيات الإحصائية: الإحصاءة (Statistic) والمَعْلَمة (Parameter). الإحصاءة هي قيمة كمية عددية يتم حسابها مباشرة من بيانات العينة (مثل: المتوسط الحسابي للعينة $\bar{X}$، أو انحرافها المعياري $S$) وتعد مؤشراً وصفياً معروفاً يقيناً لتلك العينة. أما المَعْلَمة، فهي القيمة الكمية الحقيقية الثابتة التي تصف المجتمع الإحصائي بأكمله (مثل: متوسط المجتمع$mu$، أو انحرافه المعياري$sigma$)، وهي في الغالب قيمة مجهولة ومستترة يسعى الإحصاء الاستدلالي لتقديرها عبر استقراء قيم الإحصاءات المحسوبة في العينة.

2.2 الأهداف الأساسية لتطبيق الإحصاء الوصفي في البحوث

تتمحور الأهداف المنهجية للإحصاء الوصفي حول تسهيل الفهم وتفكيك التعقيد الكامن في البيانات الضخمة؛ ففي البحوث السلوكية والاجتماعية قد يجمع الباحث آلاف الدرجات الناتجة عن تطبيق استبانات متعددة البنود، وهنا تبرز وظيفة الإحصاء الوصفي في تحويل هذا الطوفان من الأرقام الخام غير المنتظمة إلى مؤشرات مختصرة ومكثفة (مثل المتوسطات والنسب المئوية والانحرافات) تلخص الموقف المعرفي في سياق قابل للاستيعاب البشري وصياغة القرارات الأولية.

يسهم الإحصاء الوصفي في استكشاف الأنماط والاتجاهات العامة داخل الظاهرة المدروسة من خلال الكشف عن درجات التجانس، ومواقع التمركز، ومظاهر التطرف، وطبيعة التوزيع التكراري للاستجابات؛ مما يساعد الباحث على تكوين صورة أولية حول ما إذا كانت عينة دراسته تظهر سلوكاً نمطياً متجانساً أم تتسم بتشتت متباين واستجابات متطرفة تستدعي مزيداً من الفحص الإكلينيكي أو المنهجي.

يمثل التحليل الوصفي قاعدة تمهيدية إجبارية لا غنى عنها قبل المضي قدماً نحو التحليلات الاستدلالية المتقدمة؛ حيث يعتمد الباحث على المؤشرات الوصفية للتحقق من سلامة البيانات المدخلة، ورصد الأخطاء الطباعية، والتحقق من تحقق الافتراضات الرياضية (مثل اعتدالية التوزيع، والحدود الدنيا والعليا للقيم، وتماثل الدرجات) التي تضمن صلاحية استخدام الاختبارات المعلمية أو تحتم اللجوء إلى البدائل اللامعلمية.

2.3 حدود الإحصاء الوصفي والقيود التفسيرية

على الرغم من الأهمية الجوهرية للإحصاء الوصفي، إلا أنه يواجه قيوداً تفسيرية بنيوية تمنعه من الإجابة عن تساؤلات البحث الأكثر عمقاً وتعقيداً؛ فهو عاجز عن اختبار الفرضيات التفسيرية أو إثبات العلاقات السببية أو تأكيد وجود ارتباطات تنبؤية عامة. فالإحصاء الوصفي يقتصر على إخبارك “بما حدث بالفعل داخل العينة”، لكنه لا يقدم أي إجابة حول “لماذا حدث ذلك؟” أو “هل يمكن أن يتكرر هذا السلوك في عينات أخرى خارج نطاق هذه المجموعة المحددة؟”.

تقتصر النتائج الوصفية حصرياً على الأفراد والمفحوصين الذين شملتهم عملية القياس المباشر؛ وبالتالي فإن محاولة تطبيق متوسط درجات عينة مكونة من مئة طالب في مدرسة محددة على جميع طلاب الدولة أو الإقليم تعد مغالطة تعميم مخلة تفتقر إلى أي سند رياضي في غياب أدوات المعاينة الاحتمالية والاستدلال المقارن.

يحمل الاعتماد الحصري على مقاييس النزعة المركزية دون ربطها بالتشتت مخاطر اختزال وتشويه الواقع؛ حيث يمكن لمتوسط حسابي متطابق بين مجموعتين أن يخفي وراءه تباينات بنيوية جذرية، كأن تكون إحدى المجموعتين شديدة التجانس وتتجمع حول نقطة الارتكاز، بينما تعاني الأخرى من استقطاب حاد وتشتت واسع يفرغ المتوسط من قيمته التعبيرية الحقيقية.

3. الأدوات والمقاييس الرياضية الرئيسية في الإحصاء الوصفي

3.1 مقاييس النزعة المركزية واستخداماتها

تمثل مقاييس النزعة المركزية (Measures of Central Tendency) الأدوات الرياضية الأساسية التي تهدف إلى تحديد النقطة أو القيمة الرقمية النموذجية التي تميل البيانات للتجمع والتركز حولها، وتوفر وصفاً مكثفاً لمركز التوزيع الإحصائي للدرجات:

• المتوسط الحسابي (Mean – $\bar{X}$): يُحسب بقسمة مجموع قيم المشاهدات على عددها الكلي ($\bar{X} = \frac{\sum X}{n}$). يتميز بأنه يأخذ جميع القيم في الحسبان ويدخل في بناء التحليلات الاستدلالية الأكثر تطوراً، إلا أنه يعاني من حساسية مفرطة للقيم الشاذة والمتطرفة (Outliers)، مما يجعله مضللاً في حالات التوزيعات الملتوية بشدة.
• الوسيط (Median): هو القيمة التي تتوسط سلسلة البيانات بعد ترتيبها تصاعدياً أو تنازلياً، بحيث يقسم التوزيع إلى نصفين متساويين تماماً (50% من القيم أعلى منه و50% أدنى منه). يمتاز الوسيط بالمتانة والصلابة (Robustness) ضد القيم المتطرفة والالتواء، مما يجعله المقياس الأمثل للبيانات الترتيبية وللتوزيعات غير المتماثلة في القياسات السلوكية والاقتصادية.
• المنوال (Mode): هو القيمة أو الفئة الأكثر تكراراً وشيوعاً بين قيم التوزيع. يعد المقياس الوحيد الصالح للتعامل مع البيانات المقاسة على المستوى الاسمي والفئوي، ويمكن للتوزيع أن يكون أحادي المنوال (Unimodal)، أو ثنائي المنوال (Bimodal)، أو متعدد المنوال (Multimodal)، أو عديم المنوال إذا تساوت جميع التكرارات.

في التوزيعات الطبيعية المتماثلة تماماً (المنحنى الجرسي)، تتطابق قيم المتوسط والوسيط والمنوال في نقطة المركز تماماً، بينما يتباعد هذا التطابق طردياً مع زيادة درجة التواء التوزيع؛ حيث ينسحب المتوسط دائماً باتجاه الذيل الطويل، ويبقى الوسيط في موقع وسطي، بينما يظل المنوال مستقراً عند قمة التوزيع.

3.2 مقاييس التشتت والتباين

لا تكتمل الصورة الإحصائية لأي توزيع دون دراسة مقاييس التشتت (Measures of Dispersion)، وهي المؤشرات التي تحدد مدى تباعد الدرجات أو تقاربها حول نقطة المركز، وتكشف عن درجة التجانس الداخلي للعينة:

• التباين (Variance – $S^2$): يمثل متوسط مربعات انحرافات القيم عن متوسطها الحسابي ($S^2 = \frac{\sum (X – \bar{X})^2}{n-1}$). ورغم أهميته الرياضية في نمذجة التباين المشترك ونماذج الانحدار، فإن وحدته تظل مربعة مما يصعب تفسيرها المباشر في سياق وحدة قياس المتغير الأصلية.
• الانحراف المعياري (Standard Deviation – $S$): هو الجذر التربيعي الموجب للتباين، ويعد المؤشر الأدق والأوسع استخداماً في الأبحاث النفسية والتجريبية لوصف مقدار انتشار الدرجات بوحدة القياس الأصلية نفسها. كلما صغرت قيمة الانحراف المعياري، دل ذلك على تجانس درجات العينة واقترابها من المتوسط.
• المدى (Range) والمدى الربيعي (Interquartile Range – IQR): المدى هو الفرق المطلق بين أعلى قيمة وأدنى قيمة في التوزيع، وهو مؤشر سريع لكنه يتأثر بشدة بالقيم المتطرفة. لذلك يُفضل المدى الربيعي، الذي يحسب الفرق بين الربيع الثالث والربيع الأول ($IQR = Q_3 – Q_1$) ليعكس مدى تشتت الـ 50% الوسطى من المشاهدات بعيداً عن أثر الأطراف الشاذة.
• معامل الاختلاف (Coefficient of Variation – CV): يُحسب بقسمة الانحراف المعياري على المتوسط الحسابي مضروباً في مئة ($CV = \frac{S}{\bar{X}} \times 100$)؛ وهو مقياس تشتت نسبي لا بعدي يُستخدم لمقارنة التشتت النسبي بين مجموعتين تختلفان في وحدات القياس أو في مستويات متوسطاتهما بشكل كبير.

3.3 مقاييس الشكل والتمثيل التوزيعي والبياني

تتجاوز المعالجة الوصفية مجرد التلخيص الرقمي لتشمل استكشاف الشكل العام لتوزيع الدرجات عبر مقاييس الشكل (Shape Measures)، والتي تصف هندسة التوزيع مقارنة بالتوزيع الطبيعي المعياري:

• معامل الالتواء (Skewness): يقيس درجة انعدام التماثل في التوزيع التكراري. يكون الالتواء موجباً (Positive Skewness) عندما يمتد الذيل الطويل للبيانات نحو اليمين (نحو القيم المرتفعة جداً)، بينما يكون سالباً (Negative Skewness) إذا امتد الذيل نحو اليسار (القيم المنخفضة جداً). ويشير الاقتراب من الصفر إلى تماثل التوزيع واعتداليته.
• معامل التفرطح (Kurtosis): يقيس درجة حدة قمة التوزيع أو تسطحها مقارنة بالمنحنى الطبيعي. التفرطح المتوسط (Mesokurtic) يطابق التوزيع الطبيعي، والتفرطح المدبب (Leptokurtic) يشير إلى تركز كثيف حول المركز مع ذيول سميكة، بينما التفرطح المفلطح (Platykurtic) يدل على انتشار مسطح للدرجات.

تتكامل المقاييس الرقمية مع أدوات التمثيل البياني التي تنظم البيانات في جداول تكرارية (Frequency Distributions) وتوزيعات مئوية متراكمة، وتترجمها إلى رسوم بيانية توضيحية:

• المدرجات التكرارية (Histograms): أعمدة متلاصقة تمثل توزيع البيانات الكمية المتصلة وتكشف بوضوح عن شكل التوزيع ومواضع التمركز.
• المخططات الصندوقية (Boxplots): تمثيلات بصرية تعرض الوسيط، والربيعات، والمدى الربيعي، وتكشف بوضوح عن القيم الشاذة المتطرفة عبر خطوط التحديد (Whiskers).
• المخططات الخطية والشريطية والقطاعات الدائرية: تُستخدم لعرض التغير عبر الزمن أو تصوير النسب التكرارية للمتغيرات الفئوية والاسمية.

4. الإحصاء الاستدلالي: المفهوم، الأهداف، ونظرية التعميم

4.1 الأسس الفلسفية والمنهجية للإحصاء الاستدلالي

يقوم الإحصاء الاستدلالي (Inferential Statistics) على مسار معرفي استقرائي ينطلق من الجزء (العينة الممثلة التي تخضع للدراسة التجريبية الفعلية) ليصل إلى الكل (المجتمع الإحصائي الواسع الذي تم سحب العينة منه). هذا الانتقال المعرفي يمثل جوهر المنهج العلمي الاستقرائي؛ إذ يستحيل في غالبية الظواهر السلوكية والطبية حصر كافة أفراد المجتمع الأصلي، مما يجعل الاستدلال وسيلة لا غنى عنها لبناء المعرفة العامة.

يستند هذا الانتقال الاستدلالي بالكامل إلى نظرية الاحتمالات، والتي توفر الإطار الرياضي اللازم لتكميم درجات عدم اليقين (Quantifying Uncertainty). فالإحصاء الاستدلالي لا يقدم براهين يقينية مطلقة، بل يوفر أحكاماً وقرارات مشروطة بدرجات احتمال دقيقة؛ حيث يُعامل كل استنتاج باعتباره خاضعاً للاحتمال الرياضي الموزون، مما يتيح للباحث تقييم مدى احتمالية أن تكون النتائج المرصودة ناتجة عن تغير حقيقي في الظاهرة أو مجرد صدفة ناجمة عن أخطاء المعاينة العشوائية.

تحتل نظرية النهاية المركزية (Central Limit Theorem – CLT) موقع القلب النابض في البنية الرياضية للإحصاء الاستدلالي؛ إذ تنص على أنه كلما كبر حجم العينة العشوائية المستقلة (عادة $n ge 30$)، فإن توزيع المتوسطات الحسابية لعينات متعددة مسحوبة من أي مجتمع سوف يقترب من التوزيع الطبيعي المتماثل، بغض النظر عن الشكل التوزيعي للمجتمع الأصلي نفسه. هذه النظرية التأسيسية هي التي تمنح الإحصائيين الشرعية الرياضية لاستخدام النماذج البارامترية المعيارية في استقراء معالم المجتمعات المعقدة وتأسيس اختبارات الدلالة الإحصائية.

4.2 الأهداف الكبرى للتحليل الاستدلالي في العلوم النفسية

تتمثل الوظيفة الأسمى للإحصاء الاستدلالي في اختبار صحة الفرضيات العلمية وصياغة النظريات وتفنيدها وفق معايير كارل بوبر لقابلية التكذيب؛ حيث يمكن للباحث النفسي اختبار ما إذا كان هناك أثر حقيقي لتقنية علاجية جديدة (مثل العلاج السلوكي المعرفي) على خفض أعراض اضطراب كرب ما بعد الصدمة، من خلال مقارنة مجموعات تجريبية وضابطة والتحقق مما إذا كانت الفروق المشاهدة ذات دلالة إحصائية تعكس فاعلية العلاج وليست محض تباينات عشوائية.

يمتد التحليل الاستدلالي ليغطي أهداف التنبؤ والنمذجة التفسيرية للسلوك؛ فمن خلال النماذج الاستدلالية المتقدمة مثل تحليل الانحدار الخطي واللوجستي، ونمذجة المعادلات البنائية (SEM)، يصبح بمقدور الباحثين التنبؤ بمستويات التحصيل الأكاديمي، أو احتمالية الانتكاسة الإدمانية، أو الأداء الوظيفي استناداً إلى منظومة مركبة من المتغيرات النفسية، والديموغرافية، والمعرفية السابقة.

يتيح الإحصاء الاستدلالي تقدير أحجام التأثير (Effect Sizes) وحساب فترات الثقة لمعالم المجتمع، مما يسهم في اتخاذ قرارات تطبيقية وإكلينيكية مستنيرة وتطوير السياسات العامة في مجالات الصحة النفسية والتعليم والإدارة، مستندة إلى أدلة كمية موثوقة تتجاوز حدود العينات الفردية الصغيرة نحو التعميم الواسع القابل للتكرار والتطبيق المؤسسي.

4.3 مفهوم المجتمع الإحصائي وإجراءات المعاينة

يُعرف المجتمع الإحصائي (Population) بأنه المجموع الكلي الشامل لجميع العناصر، أو الأفراد، أو المشاهدات، أو الأحداث التي تشترك في خاصية واحدة قابلة للملاحظة والقياس ويسعى الباحث لتعميم نتائجه عليها (مثل: جميع المصابين بالاكتئاب في دولة معينة، أو كافة طلبة المرحلة الثانوية). وتتميز خصائص المجتمع بكونها قيم مجهولة وثابتة تُعرف بالمَعالم (Parameters).

نظراً لاستحالة مسح كامل المجتمع لأسباب ترتبط بالتكلفة، والوقت، والقيود اللوجستية، يتم اللجوء إلى المعاينة الإحصائية (Sampling) لاختيار عينة ممثلة (Representative Sample) تعكس بدقة التركيبة الهيكلية للمجتمع الأصلي. تتجلى المعاينة الاحتمالية (العشوائية البسيطة، الطبقية، المنتظمة، العنقودية) كشرط منهجي لا يقبل المساومة لضمان تكافؤ فرص الاختيار وتجنب التحيز المنهجي الذي يقوض صدق التعميم الخارجي للبحث.

ينشأ عن عملية المعاينة حتماً ما يُعرف بـ خطأ المعاينة (Sampling Error)، وهو التباين الطبيعي الحتمي بين إحصاءة العينة ومعلمة المجتمع الأصلية الناتج عن دراسة جزء فقط من الكل. يُقاس هذا الخطأ رياضياً عبر الخطأ المعياري (Standard Error – $SE = \frac{S}{\sqrt{n}}$)، وتوضح هذه العلاقة العكسية أن زيادة حجم العينة ($n$) تؤدي إلى تصغير الخطأ المعياري وزيادة دقة التقدير الإحصائي والاقتراب من القيمة الحقيقية لمعلمة المجتمع.

5. الأدوات والمنهجيات الأساسية في الإحصاء الاستدلالي

5.1 اختبار الفرضيات الإحصائية (Hypothesis Testing)

يمثل اختبار الفرضيات المنهجية الصارمة التي يقيم بها الباحث صدق الادعاءات العلمية عبر ترجمتها إلى افتراضين إحصائيين متناقضين رياضياً:

• الفرض الصفري (Null Hypothesis – $H_0$): يفترض عدم وجود فرق أو علاقة أو أثر حقيقي في المجتمع الأصلي، وأن أي اختلاف مشاهد في العينة هو مجرد تباين عشوائي ناتج عن الصدفة والمعاينة ($H_0: \mu_1 = \mu_2$).
• الفرض البديل (Alternative Hypothesis – $H_1$ أو $H_a$): يفترض وجود فرق حقيقي، أو علاقة ارتباطية، أو أثر دال في المجتمع الأصلي لا يمكن عزوه للصدفة وحدها ($H_1: \mu_1 \neq \mu_2$).

تتم عملية اتخاذ القرار بناء على تحديد مستوى الدلالة الإحصائية ($\alpha$ – Alpha Level)، وهو الاحتمال المقبول مسبقاً لرفض الفرض الصفري وهو في الواقع صحيح (وعادة ما يحدد بـ $0.05$ أو $0.01$). تتم مقارنة هذا المستوى مع القيمة الاحتمالية ($p$-value) المحسوبة من البيانات؛ فإذا كانت $p le \alpha$، يرفض الباحث الفرض الصفري ويقبل الفرض البديل بدلالة إحصائية، والعكس صحيح.

يترتب على عملية اتخاذ القرار الإحصائي احتمالان للوقوع في الخطأ وفق المصفوفة التالية:

• الخطأ من النوع الأول (Type I Error – $\alpha$): رفض الفرض الصفري عندما يكون صحيحاً في الواقع (موجب كاذب).
• الخطأ من النوع الثاني (Type II Error – $\beta$): الإخفاق في رفض الفرض الصفري عندما يكون خاطئاً في الواقع (سالب كاذب).
• قوة الاختبار الإحصائي (Statistical Power – $1-beta$): احتمالية رفض الفرض الصفري بنجاح عندما يكون خاطئاً بالفعل، وتتأثر طردياً بحجم العينة، وحجم التأثير، ومستوى الدلالة.

5.2 تقدير المعالم وفترات الثقة (Confidence Intervals)

يقدم الإحصاء الاستدلالي منهجين متكاملين لتقدير المعالم المجهولة للمجتمع الإحصائي:

• التقدير بنقطة (Point Estimation): حساب قيمة عددية واحدة مشتقة من العينة لتكون أفضل تقدير لمعلمة المجتمع (مثل استخدام المتوسط الحسابي للعينة $\bar{X}$ كتقدير للمتوسط المجهول $\mu$). ورغم فائدته، إلا أنه لا يوفر أي معلومات حول درجة الدقة أو نسبة التباين المحيطة بهذا التقدير.
• التقدير بفترة (Interval Estimation): بناء مدى رقمي حول التقدير النقطي يُرجح أن تقع معلمة المجتمع الحقيقية داخله بنسبة احتمالية محددة مسبقاً، وتعرف هذه المجالات بـ فترات الثقة (Confidence Intervals – CIs).

تُحسب فترة الثقة بنسبة 95% وفق الصيغة العامة ($CI_{95%} = \bar{X} \pm (Z_{crit} \times SE)$)؛ وتعني منهجياً أنه إذا تم سحب 100 عينة عشوائية مستقلة وحساب فترات الثقة لكل منها، فإن 95 من هذه الفترات ستشمل معلمة المجتمع الحقيقية. يُجمع المجتمع الإحصائي الحديث، بتوصيات من جمعية علم النفس الأمريكية (APA)، على ضرورة تضمين فترات الثقة بجانب القيم الاحتمالية ($p$-values) لأنها توضح حجم التباين، والاتجاه، والدقة القياسية لمعالم الظاهرة بدلاً من الاقتصار على مجرد قرار قطعي بالقبول أو الرفض.

5.3 الاختبارات البارامترية واللابارامترية الرئيسية

تنقسم الاختبارات الاستدلالية إلى فئتين كبيرتين بحسب طبيعة التوزيع ومستوى القياس:

• الاختبارات البارامترية (المعلمية – Parametric Tests): تفترض أن البيانات تتبع توزيعاً طبيعياً ومعتدلاً، وتُقاس على مستوى المسافة أو النسبة، وتمتاز بقوة إحصائية فائقة في كشف الفروق الحقيقية. من أبرز هذه الاختبارات:
  • اختبار “ت” (t-test): يُستخدم لمقارنة متوسطي عينتين، سواء كانتا مستقلتين (Independent Samples) أو مترابطتين (Paired Samples)، أو مقارنة عينة بمتوسط مجتمع معروف (One Sample).
  • تحليل التباين الأحادي والمتعدد (ANOVA / MANOVA): يُستخدم لاختبار دلالة الفروق بين ثلاثة متوسطات أو أكثر، مع التحكم في تضخم الخطأ من النوع الأول.
  • معامل ارتباط بيرسون والانحدار الخطي: لفحص العلاقات الخطية والتنبؤ بالمتغير التابع من خلال متغيرات مستقلة.
• الاختبارات اللابارامترية (اللامعلمية – Non-parametric Tests): وتُعرف باختبارات التوزيع الحر؛ حيث لا تشترط اعتدالية التوزيع، وتصلح للبيانات الاسمية والترتيبية والعينات الصغيرة شديدة الالتواء. تشمل هذه الفئة:
  • اختبار كاي-تربيع ($\chi^2$): لفحص الاستقلالية وحسن المطابقة في التكرارات الفئوية.
  • اختبار مان-ويتني (Mann-Whitney U): البديل اللامعلمي لاختبار “ت” للعينات المستقلة.
  • اختبار ويلكوكسون (Wilcoxon Signed-Rank): البديل اللامعلمي لاختبار “ت” للعينات المترابطة.
  • اختبار كروسكال-واليس (Kruskal-Wallis): البديل اللامعلمي لتحليل التباين الأحادي.
  • معامل ارتباط سبيرمان للرتب: لقياس قوة العلاقة الرتيبة بين المتغيرات.

6. مقارنة معمقة: الفروق الهيكلية والوظيفية بين النوعين

6.1 مقارنة الغاية والمخرجات الرياضية

تختلف الغاية الإبستمولوجية للإحصاء الوصفي جذرياً عن نظيرتها في الإحصاء الاستدلالي؛ فالإحصاء الوصفي يسعى إلى تقديم “توصيف تصويري دقيق” للبيانات الواقعة بين يدي الباحث، ملخصاً ما هو كائن بالفعل دون افتراض أو تنبؤ بما هو كائن في بيئات أخرى. في المقابل، تكمن الغاية الاستدلالية في “الكشف عن القوانين العامة وتوليد النظريات التفسيرية” التي تتجاوز حدود التجربة المباشرة لتفسير سلوك المجتمع الإحصائي بأسره والتنبؤ بمساراته المستقبلية.

تنعكس هذه الغايات المتمايزة مباشرة على طبيعة المخرجات الرياضية لكلا الفرعين؛ حيث ينتج الإحصاء الوصفي أرقاماً مطلقة وقطعية تصف العينة بدقة جازمة خالية من هوامش الخطأ الاحتمالي بالنسبة لتلك المجموعة المحددة، مثل حساب النسبة المئوية للمشاركين الذين يعانون من القلق داخل القاعة التجريبية. أما الإحصاء الاستدلالي فينتج مخرجات مشروطة باحتمالات رياضية ونطاقات ثقة وهوامش خطأ معيارية صريحة تعبر عن درجة عدم اليقين المرتبطة بالاستقراء.

تعتمد المعالجة الحسابية في الإحصاء الوصفي على عمليات جبرية مباشرة لا تتطلب أي افتراضات مسبقة حول نماذج التوليد الرياضي للبيانات، بينما يتطلب الإحصاء الاستدلالي خوارزميات نمذجة رياضية معقدة توظف التوزيعات الاحتمالية النظرية (مثل توزيع $Z$، وتوزيع$t$، وتوزيع$F$، وتوزيع$chi^2$) لمحاكاة التوزيع النظري للمعاينة وحساب الاحتمالات الشرطية لاتخاذ القرارات.

6.2 مصفوفة الفروق المعيارية (البيانات، العينة، التعميم)

لتوضيح التمايز الهيكلي الشامل بين الفرعين، يمكن تلخيص الفروق المعيارية ضمن أبعاد المنهجية الأساسية كما يوضح الجدول المعياري التالي:

المعيار المنهجي	الإحصاء الوصفي (Descriptive)	الإحصاء الاستدلالي (Inferential)
الهدف الرئيسي	تنظيم، تبويب، وتلخيص خصائص البيانات المرصودة.	استقراء معالم المجتمع واختبار الفروض العلمية والتنبؤ.
نطاق المعالجة	محصور تماماً داخل حدود العينة أو المجموعة المدروسة.	يمتد من العينة الممثلة ليشمل المجتمع الإحصائي المستهدف بأكمله.
شروط المعاينة	مرنة، ولا تشترط العشوائية التامة لوصف خصائص العينة.	صارمة، تشترط المعاينة الاحتمالية العشوائية والاستقلالية.
التعامل مع عدم اليقين	لا يتعامل مع عدم اليقين؛ المخرجات قطعية لتلك البيانات.	يُبنى على تكميم عدم اليقين باستخدام نظرية الاحتمالات.
المؤشرات الرياضية	المتوسط، الوسيط، المنوال، الانحراف المعياري، المدى.	قيم $t$، قيم$F$، القيمة الاحتمالية$p$-value، فترات الثقة$CI$.
المخرجات النهائية	جداول تكرارية، رسوم بيانية ومؤشرات تلخيصية مباشرة.	قرارات برفض أو قبول الفرضيات، ونماذج تنبؤية وتعميمات.

6.3 التشابه الصوري والاختلاف الجوهري في المؤشرات المشتركة

قد يقع بعض الباحثين المبتدئين في خلط منهجي نتيجة استخدام كلا الفرعين لمصطلحات رياضية متطابقة في الظاهر، إلا أن دلالتها المعرفية والوظيفية تختلف اختلافاً جوهرياً وفق السياق التحليلي المستخدم:

• المتوسط الحسابي: في الإحصاء الوصفي، يُعد المتوسط الحسابي ($\bar{X}$) مجرد نقطة ارتكاز جبرية لتوزيع درجات المفحوصين الفعليين. أما في الإحصاء الاستدلالي، فيتحول المتوسط إلى تقدير احتمالي غير متحيز (Unbiased Estimator) لمعلمة المجتمع المجهولة ($\mu$)، وتُبنى حوله فرضيات المقارنة وحسابات التباين بين المجموعات.
• الانحراف المعياري مقابل الخطأ المعياري: الانحراف المعياري ($S$) هو مؤشر وصفي يقيس مدى تشتت وتنوع درجات الأفراد المشاركين حول متوسطهم داخل العينة الواحدة. في المقابل، يمثل الخطأ المعياري ($SE$) مؤشراً استدلالياً بحتاً يقيس مدى تشتت متوسطات العينات المتعددة المحتمل سحبها من المجتمع حول متوسط المجتمع الحقيقي، ويعبر عن دقة عملية التقدير والاستدلال.
• معامل الارتباط: في السياق الوصفي، يصف معامل ارتباط بيرسون ($r$) قوة واتجاه العلاقة الخطية المحسوبة بين متغيرين في تلك العينة المحددة فقط. أما استدلالياً، فيخضع هذا المعامل لاختبار دلالة إحصائية للتحقق مما إذا كان معامل الارتباط في المجتمع الأصلي ($rho$) يختلف جوهرياً عن الصفر، أم أن الارتباط المرصود في العينة كان وليد الصدفة.

7. شروط وتوزيعات البيانات وعلاقتها بمسار التحليل الإحصائي

7.1 افتراض التوزيع الطبيعي وأهميته في التمييز الإحصائي

يعد التوزيع الطبيعي (Normal Distribution) أو المنحنى الغوسي الجرسي حجر الزاوية في بناء النماذج الإحصائية البارامترية؛ حيث يفترض أن معظم السمات والقدرات النفسية، والسلوكية، والبيولوجية (كالذكاء، والذاكرة، وسرعة المعالجة) تتوزع طبيعياً في المجتمعات البشرية بحيث تتجمع غالبية الأفراد حول المتوسط، بينما تقل التكرارات تدريجياً وتتناقص بانتظام كلما اتجهنا نحو الأطراف الإيجابية أو السلبية الشديدة.

يتطلب المسار الاستدلالي المعلمي فحصاً إجبارياً لمدى مطابقة بيانات العينة لهذا الافتراض قبل تطبيق اختبارات مثل اختبار “ت” أو تحليل التباين. ويتحقق ذلك عبر استخدام اختبارات إحصائية استدلالية متخصصة مثل اختبار شابيرو-ويلك (Shapiro-Wilk) للعينات الصغيرة والمتوسطة، واختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov) للعينات الكبيرة، إلى جانب الفحص البصري للمدرجات التكرارية ومخططات التوزيع الاحتمالي الطبيعي (Q-Q Plots).

إذا دلت الفحوص على انتهاك جوهري لشرط الاعتدالية (كأن يكون التوزيع شديد الالتواء أو التفرطح)، فإن مسار التحليل يتغير فوراً في كلا الفرعين: ففي الإحصاء الوصفي، يتم استبعاد المتوسط والانحراف المعياري واستبدالهما بالوسيط والمدى الربيعي كمؤشرات أكثر صدقاً، بينما يتم التحول استدلالياً من الاختبارات البارامترية إلى الاختبارات اللابارامترية لحماية نتائج الدراسة من التضليل وقرارات الرفض الخاطئة.

7.2 تجانس التباين واستقلالية الملاحظات

يمثل تجانس التباين (Homogeneity of Variance / Homoscedasticity) أحد الافتراضات الصارمة في الاستدلال المقارن؛ إذ يفترض أن تباين درجات المتغير التابع متساوٍ ومتقارب عبر جميع المجموعات التجريبية الخاضعة للمقارنة. يتم التحقق من هذا الشرط استدلالياً من خلال تطبيق اختبار ليفين (Levene’s Test)؛ فإذا أظهر الاختبار دلالة إحصائية ترفض التجانس، يلتزم الباحث بتطبيق تصحيحات رياضية بديلة (مثل تعديل Welch أو Brown-Forsythe) لضبط درجات الحرية وضمان دقة النتائج.

تعد استقلالية الملاحظات (Independence of Observations) الشرط الأكثر حساسية وحرجاً في الاستدلال الإحصائي؛ إذ يعني أن استجابة أي مفحوص أو قياس فردي لا تؤثر ولا تتأثر باستجابات باقي الأفراد في العينة. ينشأ انتهاك هذا الشرط نتيجة أخطاء جمع البيانات مثل جمع الاستجابات في مجموعات متفاعلة أو الاعتماد على ملاحظات متكررة دون نمذجة ذلك التصميم، مما يؤدي إلى تضخيم زائف للدلالة الإحصائية وزيادة حادة في معدل الوقوع في الخطأ من النوع الأول.

في الحالات التي تقتضي بطبيعتها دراسة قياسات متكررة على المفحوصين أنفسهم (مثل قياس مستوى القلق قبل العلاج، وبعده مباشرة، وفي مرحلة المتابعة)، يوظف الباحث أدوات إحصائية استدلالية مخصصة للبيانات المترابطة، مثل تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) مع تطبيق تصحيحات كروية التوزيع (Sphericity) كمعامل غرينهاوس-غايسر (Greenhouse-Geisser).

7.3 التعامل مع القيم الشاذة والمفقودة في كلا الفرعين

تشكل القيم الشاذة (Outliers) والملاحظات المتطرفة تحدياً منهجياً مزدوجاً يؤثر بعمق على مخرجات التحليل الإحصائي الوصفي والاستدلالي. ففي التحليل الوصفي، تسحب القيم الشاذة المتوسط الحسابي باتجاهها بصورة مضللة وتضخم الانحراف المعياري، مما يعطي انطباعاً زائفاً بوجود تشتت واسع لدى عموم العينة. أما في التحليل الاستدلالي، فتؤدي القيم المتطرفة إلى تشويه خطوط الانحدار، وتقليل قوة الاختبارات الإحصائية، وزيادة احتمالية الخطأ من النوع الثاني.

تتنوع منهجيات الكشف الإحصائي عن القيم الشاذة بين الوسائل الرسومية (كالمخططات الصندوقية Boxplots ومخططات التشتت Scatterplots) والمؤشرات الرياضية المتقدمة مثل الدرجات المعيارية ($Z$-Scores > 3.29) والمسافة الإحصائية لمهالانوبيس (Mahalanobis Distance) في التحليلات المتعددة المتغيرات. وتشمل استراتيجيات المعالجة بعد التحقق من عدم كونها أخطاء إدخال: الحذف المبرر (Trimming)، أو التعديل الإحصائي (Winsorizing)، أو التحويل الرياضي للبيانات (Data Transformation) باستخدام اللوغاريتم أو الجذور التربيعية لتقريب التوزيع من النمط الطبيعي.

تحظى معالجة البيانات المفقودة (Missing Data) باهتمام استدلالي مكثف؛ إذ يتم تصنيف الفقد منهجياً إلى: الفقد العشوائي التام (MCAR)، والفقد العشوائي (MAR)، والفقد غير العشوائي (MNAR). لم يعد الحذف الكلي للحالات المفقودة (Listwise Deletion) خياراً مقبولاً في الدراسات الحديثة لما يسببه من انخفاض في القوة الإحصائية وتحيز في التقديرات، واستُبدل بطرق التعويض المتقدمة مثل التعويض المتعدد (Multiple Imputation) وخوارزميات تعظيم التوقع (Expectation-Maximization) لضمان استقرار التحليلين الوصفي والاستدلالي.

8. تطبيقات الإحصاء الوصفي والاستدلالي في البحوث النفسية والسلوكية

8.1 التطبيقات في القياس النفسي وبناء المقاييس (Psychometrics)

يرتكز علم القياس النفسي والسيكومتري (Psychometrics) على التزاوج الوظيفي الوثيق بين الإحصاء الوصفي والإحصاء الاستدلالي لبناء الاختبارات والمقاييس السلوكية وتقنينها؛ حيث يبدأ التحليل السيكومتري للبنود بتطبيق الإحصاء الوصفي لاستخراج مؤشرات صعوبة وسهولة الفقرات، وحساب متوسطات الاستجابة، وتحديد معاملات التمييز الوصفية عبر مقارنة المجموعات الطرفية (العليا والدنيا)، والتأكد من التوزيع التكراري لبدائل الإجابة.

ينتقل القياس النفسي بعد ذلك إلى الاستدلال المتقدم للتحقق من الصدق البنائي (Construct Validity) للأداة؛ حيث يوظف الباحثون التحليل العاملي الاستكشافي (EFA) والتحليل العاملي التوكيدي (CFA) لاختبار ومطابقة النماذج النظرية الكامنة وراء المقاييس، والتأكد من أن البنود تمثل الأبعاد السلوكية الافتراضية بدلالة مؤشرات التطابق الإحصائي ومصفوفات التباين المشترك.

يتكامل هذا الإجراء مع حساب معاملات الثبات (Reliability Indices) مثل معامل ألفا كرونباخ (Cronbach’s Alpha) وأوميغا ماكدونالد (McDonald’s Omega) على المستوى الوصفي لتقدير الاتساق الداخلي للعينة، ثم تعميم درجة استقرار الأداة السيكومترية استدلالياً من خلال تحليل الخطأ المعياري للقياس (Standard Error of Measurement – SEM) وتحديد فترات الثقة للدرجات الحقيقية للمفحوصين في المجتمع السلوكي المستهدف.

8.2 التطبيقات في الدراسات التجريبية والإكلينيكية

في سياق التصاميم التجريبية والأبحاث الإكلينيكية، يشكل الإحصاء الوصفي خطوة التأسيس التوصيفي للمشروع؛ حيث يُستخدم لتقديم جداول متكاملة تستعرض الخصائص الديموغرافية والسريرية للمرضى الخاضعين للدراسة (كالأعمار، وتوزيع الجنس، وشدة الأعراض عند خط الأساس Baseline)، مما يوفر للقارئ والمحكم فهماً دقيقاً لطبيعة المجموعة التي خضعت للتجربة قبل إدخال المتغير المستقل.

يتولى الإحصاء الاستدلالي مهمة الفصل والبرهنة العلمية على فاعلية التدخلات العلاجية أو الدوائية؛ حيث تُستخدم اختبارات المقارنات البارامترية (مثل اختبارات $t$ للمجموعات المترابطة أو تحليل التغاير ANCOVA لضبط الفروق القبلية) لتقييم ما إذا كان الانخفاض في حدة أعراض الوسواس القهري أو الاكتئاب بعد البرنامج العلاجي يعود حقيقة إلى التدخل السلوكي أم أنه مجرد تحسن تلقائي أو ناتج عن أخطاء القياس المتكررة.

لا يكتفي البحث الإكلينيكي الحديث بالدلالة الإحصائية الصرفة ($p$-value)، بل يفرض حساب حجم التأثير (Effect Size) كمعيار وصفي-استدلالي يحدد القيمة العملية والإكلينيكية للنتائج. ويشمل ذلك مقاييس معيارية مثل كوهين دي ($Cohen’s d$) لمقارنة الفروق المعيارية، أو إيتا مربعة ($\eta^2$) في تحليل التباين، لتحديد النسبة المئوية من التباين في المتغير التابع التي يفسرها التدخل العلاجي بالفعل في المجتمع.

8.3 التطبيقات في الدراسات الارتباطية والمسوح الميدانية

تمثل الدراسات المسحية والارتباطية مجالاً تطبيقياً واسعاً للفرعين؛ حيث يوظف الإحصاء الوصفي في تلخيص اتجاهات الرأي العام، ومسح السمات الشخصية، وتوصيف نسب انتشار الاضطرابات النفسية في المجتمع عبر النسب المئوية، والمتوسطات المرجحة، والجداول المتقاطعة (Cross-tabulations) التي توجز العلاقة بين الفئات السكانية المختلفة.

يتحول المسار في النماذج الارتباطية المعقدة إلى الإحصاء الاستدلالي لاختبار الفرضيات البنائية عبر تحليل المسار (Path Analysis) ونمذجة المعادلات البنائية (SEM)؛ بهدف استكشاف شبكات العلاقات السببية والارتباطية بين متغيرات نفسية متعددة ومترابطة، والتحقق من مدى مطابقة النموذج النظري المقترح للبيانات الميدانية الفعلية.

يتيح هذا النهج الاستدلالي الكشف الدقيق عن دور المتغيرات الوسيطة (Mediating Variables) التي تشرح الآلية الداخلية التي يؤثر بها المتغير المستقل على التابع، والمتغيرات المعدلة (Moderating Variables) التي تحدد متى وظروف تقوية أو إضعاف تلك العلاقة عبر فئات المجتمع، مما يثري الفهم النظري للظواهر الاجتماعية والسلوكية المركبة.

9. الأخطاء المنهجية الشائعة والمغالطات التفسيرية في كلا النوعين

9.1 مغالطات تفسير الإحصاء الوصفي

تقع شريحة واسعة من الباحثين في مغالطة منهجية جسيمة تتمثل في التعميم غير المبرر للمؤشرات الوصفية؛ كأن يلاحظ الباحث ارتفاع متوسط الرضا الوظيفي لدى عينة قوامها 50 معلماً في مدرسة خاصة، فيستنتج في متن بحثه أن “معلمي التعليم الخاص يتمتعون بمستويات رضا مرتفعة في الدولة”، متجاهلاً أن الوصف مقيد بحدود العينة وأن إطلاق مثل هذا الحكم يتطلب اختبارات استدلالية تضمن التمثيل وتحدد هوامش الخطأ المعياري.

تتمثل المغالطة الثانية في الاعتماد الحصري والمضلل على المتوسط الحسابي في وجود التواء شديد أو قيم متطرفة؛ مما يعطي صورة زائفة عن مركز البيانات الحقيقي. ففي دراسات الدخل أو الإنتاجية أو الاستجابات السيكومترية الملتوية، يؤدي المتوسط إلى تضخيم النتيجة، في حين يمثل الوسيط المقياس الأمثل والأكثر أمانة في التعبير عن واقع العينة.

تنتشر مغالطات بصرية في استخدام الرسوم البيانية المضللة (Deceptive Visualizations)؛ حيث يعمد بعض الباحثين، بقصد أو بغير قصد، إلى التلاعب في مقياس المحور الصادي ($Y$-axis) عبر قطع نقطة البداية (Truncated Graphs) لتضخيم فروق طفيفة جداً وجعلها تبدو كفروق جوهرية وهائلة، أو استخدام قطاعات دائرية ثلاثية الأبعاد تشوه النسب الحقيقية وتضلل القارئ في تفسير التوزيعات الوصفية.

9.2 أخطاء وسوء فهم الدلالة الإحصائية (p-value)

يعد سوء فهم القيمة الاحتمالية (p-value) من أكثر المزالق المنهجية انتشاراً في المجتمع الأكاديمي المعاصر؛ فالاعتقاد الشائع بأن $p = 0.03$ يعني أن احتمالية صحة الفرض الصفري هي 3% هو اعتقاد خاطئ تماماً. إن القيمة الاحتمالية تعني حصراً: “احتمالية الحصول على نتائج مطابقة لبيانات العينة أو أكثر تطرفاً منها، بافتراض أن الفرض الصفري صحيح تماماً في المجتمع”.

يتمثل الخطأ الثاني في الخلط بين الدلالة الإحصائية (Statistical Significance) والأهمية العملية أو الإكلينيكية (Clinical Significance)؛ فالحصول على قيمة $p < 0.001$ لا يعني بالضرورة أن الفرق كبير أو مهم في الواقع، فقد يكون الفرق بين المجموعتين ضئيلاً جداً وغير مفيد عملياً، ولكنه اكتسب دلالة إحصائية فقط نتيجة استخدام حجم عينة ضخم للغاية، مما يبرز أهمية فحص حجم التأثير وفترات الثقة جنباً إلى جنب مع قيم الدلالة.

تتفاقم الأزمة المنهجية مع ممارسة تجريف البيانات وصيد القيم الدالة (p-hacking / Data Dredging)؛ وهي الممارسة المشبوهة التي يعمد فيها الباحث إلى تجربة تحليلات استدلالية متعددة، وحذف متغيرات وإضافة أخرى، أو التوقف عن جمع البيانات فقط عند وصول القيمة الاحتمالية إلى أقل من 0.05، وهي الممارسات التي قادت إلى ما بات يُعرف في العلوم النفسية والاجتماعية المعاصرة بـ أزمة التكرار (Replication Crisis) وفقدان الثقة في بعض النتائج المنشورة.

9.3 أخطاء المعاينة واختيار الاختبار غير المناسب

يعد استخدام الاختبارات الإحصائية المعلمية (البارامترية) على بيانات تفتقر لشروطها الأساسية من الأخطاء المتكررة في الرسائل الجامعية؛ مثل تطبيق اختبار “ت” أو تحليل التباين على متغيرات مقاسة بمقاييس اسمية أو ترتيبية مجزأة لا تحقق شروط القياس الفتري والاعتدالية وتجانس التباين، مما يقود إلى تشويه معاملات الخطأ واستخلاص استنتاجات استدلالية فاقدة للمصداقية الرياضية.

يتجاهل العديد من الباحثين إجراء تحليل القوة الإحصائية القبلي (A Priori Power Analysis) لحساب حجم العينة المطلوب بدقة قبل البدء في جمع البيانات؛ مما يؤدي إلى الاعتماد على عينات صغيرة جداً تعاني من ضعف القوة الإحصائية (Underpowered Studies) وتعجز عن كشف الفروق والآثار الحقيقية الموجودة في المجتمع، مما يرفع احتمالية الوقوع في الخطأ من النوع الثاني وتفنيد نظريات صحيحة بالخطأ.

تبرز أيضاً مغالطة تطبيق النماذج الاستدلالية التي تفترض العشوائية التامة والاستقلالية على عينات غير احتمالية أو عينات ملائمة (Convenience Samples) تم اختيارها بأساليب غير عشوائية، ثم صياغة تقارير نهائية تزعم تعميم النتائج على مجتمعات عريضة، وهو ما يمثل خرقاً صارماً للمنطق الاستدلالي الذي يشترط التمثيل العشوائي كأساس رياضي وحيد لصحة التعميم.

10. البرمجيات الإحصائية ودورها في إجراء التحليلات الوصفية والاستدلالية

10.1 برنامج الحزمة الإحصائية للعلوم الاجتماعية (SPSS)

يعد برنامج IBM SPSS Statistics الحزمة الإحصائية الأكثر انتشاراً واعتماداً في الأوساط الأكاديمية الخاصة بالعلوم الاجتماعية والنفسية والتربوية، وذلك بفضل واجهته الرسومية التفاعلية (GUI) وقوائمه المنسدلة التي تتيح للباحث تنفيذ أعقد التحليلات الإحصائية دون الحاجة إلى كتابة شفرات برمجية معقدة.

يوفر البرنامج منظومة مخصصة لتوليد الإحصاءات الوصفية عبر أوامر (Frequencies) و(Descriptives) و(Explore)، والتي تتيح في ثوانٍ معدودة استخراج مقاييس النزعة المركزية والتشتت، واختبارات الالتواء والتفرطح، والجداول التبادلية (Crosstabs)، إلى جانب إنتاج المخططات البيانية الأساسية والمخططات الصندوقية ورسوم التحقق من التوزيع الطبيعي.

في الجانب الاستدلالي، يغطي SPSS نطاقاً واسعاً من الاختبارات البارامترية واللابارامترية عبر قوائم (Compare Means) و(General Linear Model – GLM) ونماذج الانحدار والتحليل العاملي. ورغم كفاءته وسهولته، يؤخذ عليه كونه برنامجاً تجارياً باهظ التكلفة، فضلاً عن محدودية مرونته في تخصيص التصاميم البصرية المتقدمة وتطوير النماذج الإحصائية الحديثة جداً مقارنة بالبيئات البرمجية المفتوحة.

10.2 لغة البرمجة R والبيئة الإحصائية المتقدمة

تمثل لغة البرمجة R، عبر بيئتها التطويرية الشهيرة (RStudio)، المعيار الذهبي المتقدم للتحليل الإحصائي ونمذجة البيانات في مراكز الأبحاث العالمية؛ نظراً لكونها لغة مفتوحة المصدر (Open Source)، وتتمتع بمكتبات وحزم إحصائية تغطي كل ما استجد في النظرية الإحصائية المعاصرة.

تتميز R بقدرات استثنائية في التحليل الوصفي والتصوير البياني عالي الدقة عبر حزمة ggplot2 الرائدة، والتي تتيح للباحث بناء مخططات بيانية متعددة الطبقات تبرز التوزيعات المعقدة، والأنماط التفاعلية، والكثافات الاحتمالية بجمالية ودقة فائقة تفي بمتطلبات أرقى المجلات العلمية المصنفة.

على الصعيد الاستدلالي، تتيح R نمذجة متقدمة للنماذج الخطية المعممة (GLM)، والنماذج ذات التأثيرات المختلطة (Mixed-Effects Models)، والتحليلات البايزية المتقدمة عبر حزم مثل lme4 وbrms وlavaan. كما ترسخ R مبادئ العلم المفتوح (Open Science) وإعادة إنتاج الأبحاث (Reproducibility)؛ حيث يمكن للباحثين مشاركة الشفرة البرمجية الكاملة للتحليل مع البيانات، مما يتيح لأي باحث حول العالم إعادة تشغيل التحليلات والتحقق من صحة النتائج بدقة مطلقة.

10.3 أدوات برمجية مكملة (Jamovi, JASP, Python)

شهدت السنوات الأخيرة صعود برمجيات إحصائية حديثة تجمع بين سهولة الواجهة الرسومية وقوة الحوسبة المتقدمة، وعلى رأسها برنامجا JASP وJamovi. تم تطوير هذه البرمجيات المفتوحة والمجانية كبدائل متطورة لـ SPSS، وتعتمد في خلفيتها على محرك لغة R، وتمتاز بدمجها السلس والمباشر بين الإحصاء البايزي (Bayesian Statistics) والإحصاء التقليدي التكراري (Frequentist Statistics)، مما يتيح توليد النتائج وفق معايير جمعية علم النفس الأمريكية (APA) بصورة تلقائية وتفاعلية فورية.

تبرز لغة البرمجة Python كأداة متعددة الاستخدامات في التحليلات الإحصائية السلوكية وعلوم البيانات؛ حيث توفر مكتبات متخصصة مثل Pandas لهيكلة وتنظيف البيانات، وNumPy للعمليات الرياضية السريعة، وSciPy وStatsmodels لإجراء الاختبارات الاستدلالية البارامترية واللابارامترية ونماذج الانحدار المتقدمة، وصولاً إلى Scikit-Learn لتطبيقات النمذجة التنبؤية والتعلم الآلي.

تسهم هذه المنظومات البرمجية الحديثة في تحرير الباحث من عبء الحسابات اليدوية المعقدة والمعرضة للخطأ البشري، مما يسمح بتركيز الجهد المعرفي على الفهم النظري لافتراضات الاختبارات، وتصميم التجارب المنضبطة، والتفسير المنهجي الواعي للمخرجات الإحصائية في ضوء الأدبيات التخصصية.

11. معايير الاختيار والدمج المنهجي بين الأسلوبين في خطة البحث

11.1 تحديد مسار التحليل وفقاً لأهداف الدراسة وتساؤلاتها

يتطلب التخطيط المنهجي السليم لبناء خطة البحث (Research Proposal) مواءمة دقيقة بين طبيعة الأهداف البحثية، ونوع التساؤلات، والأدوات الإحصائية المستهدفة. لا يُعد التحليل الإحصائي غاية في حد ذاته، بل هو أداة منطقية تابعة للإجابة عن أسئلة البحث، ويحدد الباحث مساره وفق القواعد المنهجية التالية:

• متى يُكتفى بالتحليل الوصفي الصرف؟ يكتفي الباحث بالإحصاء الوصفي في الدراسات الاستطلاعية الأولى، والمسوح الوصفية التقييمية لواقع مؤسسي محدد، ودراسات الحالة المفردة، والأبحاث التي تستهدف مجتمعات محدودة ومغلقة بالكامل عبر الحصر الشامل (Census)؛ حيث تنعدم الحاجة للاستدلال والتعميم في ظل غياب المعاينة وقياس المجتمع بأسره.
• متى يصبح التحليل الاستدلالي حتمياً؟ يغدو الاستدلال متطلباً إجبارياً عندما يتضمن البحث فرضيات علمية تبحث عن إثبات فاعلية برامج وتدخلات علاجية، أو فحص فروق ذات دلالة بين مجموعات، أو الكشف عن علاقات سببية وارتباطية تنبؤية يراد تعميم نتائجها من العينة إلى المجتمع الأصلي المستهدف.

يتعين على الباحث تصميم مصفوفة ربط منهجية تحدد لكل فرضية بحثية: المتغير التابع والمستقل، ومستوى القياس لكل منهما، واختبار التحقق من الاعتدالية، والأداة الإحصائية المقابلة (بارامترية أو لابارامترية)، لضمان التسلسل المنطقي المحكم لعمليات المعالجة الرقمية.

11.2 البنية المنهجية لعرض النتائج في الأوراق العلمية (وفق معايير APA)

تضع جمعية علم النفس الأمريكية (APA) في دليلها السابع (Publication Manual of the APA, 7th ed.) إرشادات ومعايير صارمة للبنية المنطقية لعرض نتائج التحليلات الإحصائية في الأوراق والرسائل العلمية؛ حيث ينبغي أن يبدأ قسم النتائج دائماً بعرض متسلسل يبدأ بالوصف ثم يتدرج نحو الاستدلال:

• أولاً: عرض الإحصاءات الوصفية للخصائص الديموغرافية والمتغيرات الأساسية: تُقدم المتوسطات الحسابية والانحرافات المعيارية والأعداد والنسب المئوية في جداول قياسية مستقلة وواضحة ومنسقة، مما يمنح القارئ فهماً شاملاً لخصائص المشاركين وسلامة توزيع الدرجات قبل الانتقال لاختبار الفروض.
• ثانياً: عرض نتائج الاختبارات الاستدلالية: تُكتب نتائج اختبار الفرضيات بلغة معيارية محددة تتضمن الرمز الإحصائي المائل، ودرجات الحرية بين قوسين، والقيمة المحسوبة للاختبار، والقيمة الاحتمالية الدقيقة ($p$-value)، وحجم التأثير، وفترات الثقة 95%.

مثال على الصياغة المعيارية وفق أسلوب APA لنتائج اختبار “ت” للعينات المستقلة:

t(58) = 2.45, p = .017, d = 0.63, 95% CI [0.12, 1.15]

تضمن هذه البنية المنطقية والتوثيقية تكامل الصورة الإحصائية؛ حيث يوفر الوصف الأساس الحسابي للدرجات، بينما يوفر الاستدلال وحجم التأثير البرهان الرياضي على دلالة وأهمية النتيجة وقابليتها للتعميم.

11.3 تقييم الجودة الإحصائية في الأبحاث والرسائل الجامعية

تخضع الأبحاث والرسائل العلمية في لجان التحكيم الأكاديمي لمعايير تقييم نقدية صارمة لفحص الجودة الإحصائية والمنهجية؛ حيث يركز المحكمون على تقييم مدى ملاءمة الأداة الإحصائية المستخدمة لمستوى قياس المتغيرات ولطبيعة التوزيعات التكرارية، ورصد أي استخدام خاطئ للاختبارات البارامترية مع بيانات ترتيبية أو غير معتدلة.

يشمل التحكيم العلمي فحص مدى التوافق الدقيق بين حجم العينة وطريقة المعاينة ونوع الاستدلال الإحصائي؛ إذ يُعد الاعتماد على عينات صغيرة غير احتمالية مصحوبة بادعاءات تعميم واسعة مؤشراً على ضعف المنهجية وخلل التصميم، ويتطلب من الباحث تبرير حجم العينة عبر تحليلات القوة الإحصائية المسبقة وإبراز محددات الدراسة بوضوح وشفافية.

يتم التحقق الصارم من سلامة التفسير المعرفي للأرقام؛ للتأكد من عدم تجاوز الباحث للدلالة الإحصائية المحسوبة إلى تعميمات دوغمائية غير مبررة، والتأكد من إبراز الأهمية العملية وحجوم التأثير وفترات الثقة، ومناقشة النتائج بحذر علمي وموضوعية رصينة تربط الأدلة الإحصائية بالسياق النظري والتطبيقي للبحث.

12. خاتمة ورؤية مستقبلية لتكامل الإحصاء الوصفي والاستدلالي في عصر البيانات الضخمة

12.1 التكامل المعرفي بين الوصف والاستدلال في المنهج العلمي

يتضح من هذا التأصيل الأكاديمي الشامل أن الإحصاء الوصفي والإحصاء الاستدلالي لا يمثلان خيارين متنافرين أو منهجين منفصلين، بل هما وجهان لعملة منهجية واحدة وجناحان لا غنى لأحدهما عن الآخر في التحليق التجريبي؛ فالوصف الإحصائي الدقيق والأمين هو الأساس الرياضي والمنطقي الصلب الذي يُبنى عليه أي استدلال احتمالي رصين، والخلل في توصيف البيانات الأولية يقود حتماً إلى استدلالات مضللة واستنتاجات علمية باطلة.

في المقابل، يمنح الإحصاء الاستدلالي المؤشرات الوصفية معناها الوظيفي وأبعادها التفسيرية العميقة؛ إذ ينتشلها من مجرد كونها أرقاماً تلخيصية جامدة ومحصورة في قاعات المختبرات إلى فضاء النماذج المعرفية العامة والقوانين العلمية القابلة للتطبيق الواسع. إن تحليل البيانات هو في جوهره رحلة معرفية مستمرة تبدأ بالاستكشاف والوصف البصري والعددي، وتتعمق بالاختبار الاستدلالي، لتنتهي ببناء النظريات وتطوير الممارسات الإنسانية.

إن إدراك الباحث الواعي لهذه العلاقة التكاملية يحميه من الوقوع في فخ الثنائيات المنهجية العقيمة، ويجعله قادراً على توظيف أدوات كل فرع في موضعها الصحيح وبأعلى درجات الدقة الإبستمولوجية والنزاهة الأكاديمية.

12.2 تحديات وآفاق جديدة في ظل البيانات السلوكية الضخمة (Big Data)

مع تفجر عصر البيانات الضخمة (Big Data) والرقمنة الشاملة للأنشطة البشرية عبر منصات التواصل الاجتماعي، والأجهزة القابلة للارتداء، والتفاعلات السلوكية الرقمية المستمرة، طرأت تحولات بنيوية على المفاهيم الإحصائية التقليدية؛ حيث أصبحت العينات تتجاوز مئات الآلاف والملايين من الملاحظات اللحظية، مما خلق واقعاً منهجياً جديداً.

في ظل هذه العينات المليونية الهائلة، تراجعت القيمة التمييزية للقيمة الاحتمالية التقليدية ($p$-value)؛ نظراً لأن الحجوم الفائقة للعينات تجعل أي فرق ميكروسكوبي تافه دالاً إحصائياً عند مستوى$p < 0.0001$. ومن هنا، انتقل الثقل المنهجي والاستدلالي بالكامل نحو التركيز على حجم التأثير الحقيقي، وفترات الثقة متناهية الدقة، ونماذج التنبؤ الخوارزمي المستقرة التي ترصد الأنماط السلوكية الفعلية وتتجاوز الضوضاء الإحصائية العشوائية.

يتعاظم اليوم التداخل المعرفي بين الإحصاء الاستدلالي وتقنيات تعلم الآلة (Machine Learning) والذكاء الاصطناعي؛ حيث تندمج المفاهيم الاستدلالية لاختبار الفروض مع تقنيات التحقق المتقاطع (Cross-Validation) ونماذج التصنيف والتجميع غير الخطي، مما يفتح آفاقاً رحبة لنمذجة الظواهر السلوكية والنفسية المعقدة بدرجات دقة تنبؤية غير مسبوقة تدمج بين الوصف البصري والتعميم التنبؤي الآلي.

12.3 توصيات منهجية للباحثين والمشتغلين في العلوم النفسية والاجتماعية

بناء على المعالجة النظرية والتطبيقية المعمقة، يوصى بالالتزام بمجموعة من المبادئ المنهجية التوجيهية للارتقاء بجودة التحليلات الإحصائية في الأبحاث المستقبلية:

• تعميق الفهم المفاهيمي الرياضي: تجنب الاعتماد الآلي الأعمى على مخرجات البرمجيات الإحصائية دون فهم الافتراضات الرياضية والمعنى المنهجي الكامن وراء كل مؤشر، والحرص على فحص ملائمة المقياس وطبيعة التوزيع قبل إجراء أي اختبار.
• الشفافية والإفصاح الكامل: تبني ممارسات العلم المفتوح من خلال الإفصاح الشامل عن كافة التحليلات التي أُجريت، وتوزيع البيانات، والبيانات المفقودة، وعدم حجب أي نتائج غير دالة إحصائياً، والابتعاد التام عن ممارسات صيد الدلالة وتجريف البيانات ($p$-hacking).
• تجاوز أحادية القيمة الاحتمالية: الالتزام بالدمج الإجباري بين قيم الدلالة الإحصائية ($p$-values)، ومقاييس أحجام التأثير المعيارية ($d$,$eta^2$,$r$)، وفترات الثقة بنسبة 95% لضمان تقديم تقييم شامل يجمع بين الدقة الاستدلالية والأهمية العملية الإكلينيكية.
• التوسع في تبني الإحصاء البايزي: الاستفادة من المنظومات الإحصائية البايزية الحديثة التي تتيح دمج المعرفة والخبرات السابقة (Priors) مع البيانات الميدانية لتقدير نسب الاحتمال المباشرة للفرضيات بدلاً من الاقتصار على رفض الفرض الصفري التقليدي.

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
• 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.
• Gravetter, F. J., & Wallnau, L. B. (2017). Statistics for the behavioral sciences (10th ed.). Cengage Learning.
• Hays, W. L. (1994). Statistics (5th ed.). Harcourt Brace College Publishers.
• Kline, R. B. (2015). Principles and practice of structural equation modeling (4th ed.). Guilford Publications.
• Navarro, D. (2018). Learning statistics with R: A tutorial for psychology students and other beginners (Version 0.6). University of New South Wales. https://learningstatisticswithr.com
• Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
• علام، صلاح الدين محمود. (2010). الأساليب الإحصائية الاستدلالية في تحليل بيانات البحوث النفسية والتربوية والاجتماعية. دار الفكر العربي.
• أبو حطب، فؤاد، وصادق، آمال. (2008). مناهج البحث وطرق التحليل الإحصائي في العلوم النفسية والتربوية والاجتماعية. مكتبة الأنجلو المصرية.