الافتراضات الأربعة لاختبار مربع كاي

تُعد النمذجة الإحصائية وتحليل البيانات الكمية الركيزة الأساسية التي تستند إليها الأبحاث المعاصرة في العلوم النفسية، والسلوكية، والتربوية، والاجتماعية. وعندما يواجه الباحث بيانات وصفية مصنفة ضمن فئات نوعية، تبرز الحاجة إلى أدوات استدلالية لا معلمية تمتلك القدرة على اختبار العلاقات الفرضية دون الاعتماد على افتراضات التوزيع الطبيعي الصارمة التي تتطلبها الاختبارات المعلمية مثل اختبار “ت” (t-test) أو تحليل التباين (ANOVA). وفي هذا المضمار، يتربع اختبار مربع كاي للاستقلالية (Chi-Square Test of Independence) على قمة الأدوات الإحصائية الأكثر استخداماً وشيوعاً لدراسة الجداول المتقاطعة وفحص الارتباط بين المتغيرات الفئوية.

ومع ذلك، فإن الطبيعة اللامعلمية لاختبار مربع كاي لا تعني بأي حال من الأحوال تحرره المطلق من الشروط والضوابط المنهجية؛ بل على العكس تماماً، يستند هذا الاختبار إلى منظومة رياضية رصينة تفترض استيفاء أربعة افتراضات جوهرية قبل الشروع في حسابه وتفسير مخرجاته. إن تجاهل هذه الافتراضات أو التساهل في التحقق منها يقود بالضرورة إلى استنتاجات مضللة، وتضخيم للأخطاء الإحصائية بنوعيها الأول والثاني، مما يهدد الصدق الإحصائي والتجريبي للبحث العلمي برُمّته، ويجعل القرارات الإكلينيكية والسلوكية المستندة إليه فاقدة للموثوقية والأثر التطبيقي.

يهدف هذا الدليل المرجعي الشامل إلى تفكيك وشرح الافتراضات الأربعة لاختبار مربع كاي بعمق منهجي ونظري وتطبيقي غير مسبوق، مع التركيز على تطبيقاته في البحوث النفسية والاجتماعية. سنستعرض بدقة البناء الرياضي لكل افتراض، والآثار المترتبة على انتهاكه، وطرق التحقق الإجرائي منه عبر البرمجيات الإحصائية الحديثة، إضافة إلى تقديم البدائل المنهجية المعيارية عند تعذر استيفاء الشروط، وصياغة النتائج وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة تأسيسية: ماهية اختبار مربع كاي وموقعه في الإحصاء النفسي

1.1 التعريف النظري باختبار مربع كاي للاستقلالية

يرجع الفضل في تأسيس اختبار مربع كاي إلى عالم الإحصاء البريطاني الشهير كارل بيرسون (Karl Pearson) الذي قدمه في مطلع القرن العشرين وتحديداً في عام 1900، ليمثل نقلة نوعية في معالجة البيانات الاسمية والترتيبية. يقوم الاختبار في جوهره على مقارنة التكرارات الملاحظة فعلياً في عينة الدراسة بالتكرارات المتوقعة نظرياً في حال تحقق الفرضية الصفرية التي تنص على “عدم وجود علاقة ارتباطية” أو “استقلالية المتغيرين تماماً” داخل المجتمع الإحصائي المسحوبة منه العينة.

تتمحور فكرة الاستقلالية الإحصائية (Statistical Independence) حول مبدأ الاحتمالات المركبة؛ فإذا كان المتغيران مستقلين، فإن احتمال حدوث حدثين معاً يساوي حاصل ضرب احتمالي حدوثهما الفردي. ومن هذا المنطلق، يعمل اختبار بيرسون على تجميع الفروق المربعة بين التكرار الملاحظ والتكرار المتوقع مقسوماً على التكرار المتوقع لكل خلية في جدول الاقتران (Contingency Table)، بهدف إنتاج قيمة إحصائية تلخص مدى انحراف الواقع الميداني عن النموذج النظري المفترض للاستقلالية التامة.

في ميدان العلوم النفسية، يحظى الاختبار بأهمية استثنائية لدراسة الأنماط السلوكية والتوزيعات التشخيصية؛ كأن يدرس الباحث العلاقة بين النمط التشخيصي لاضطرابات القلق ونوع الجنس، أو فحص التباين في تفضيل الأساليب العلاجية باختلاف المراحل العمرية المصنفة فئوياً. وينبغي التمييز الدقيق بين صورتين رئيسيتين للاختبار: اختبار حسن المطابقة (Goodness-of-Fit) الذي يدرس متغيراً فئوياً واحداً ليقارن توزيعه بتوزيع نظري محدد مسبقاً، واختبار الاستقلالية (Test of Independence) الذي يعالج متغيرين فئويين على الأقل لتحديد ما إذا كانت صفوف الجدول وأعمدته تقترن بأنماط غير عشوائية.

1.2 أهمية استيفاء الافتراضات المسبقة قبل إجراء الاختبار

تنبع أهمية الفحص الصارم لافتراضات اختبار مربع كاي من الحماية المنهجية التي يوفرها للباحث ضد الوقوع في خطأين استدلاليين قاتلين: الخطأ من النوع الأول (Type I Error)، المتمثل في رفض الفرضية الصفرية الصحيحة والادعاء الزائف بوجود علاقة بين المتغيرات النفسية، والخطأ من النوع الثاني (Type II Error)، الذي يتمثل في الفشل في اكتشاف علاقة حقيقية قائمة بالفعل في مجتمع الدراسة بسبب ضعف القوة الإحصائية الناتج عن سوء تطبيق الاختبار.

إن دقة القيمة الاحتمالية المحسوبة (p-value) تعتمد اعتماداً كلياً على مطابقة بيانات العينة للشروط الرياضية التي اشتق منها توزيع مربع كاي النظري. فإذا كان هناك خلل في تلك الافتراضات، فإن القيمة الاحتمالية تفقد دلالتها التفسيرية، مما يؤدي إلى استنتاجات خاطئة حول الفعالية العلاجية أو الفروق الفردية. وهذا يمس بشكل مباشر معايير الصدق الداخلي (Internal Validity) والصدق الإحصائي (Statistical Conclusion Validity) في الأبحاث النفسية المحكمة التي تشترط سلامة البناء الاستدلالي.

علاوة على ذلك، ترتبط صلاحية تعميم النتائج من العينة إلى المجتمعات السلوكية المستهدفة بمدى احترام هذه الافتراضات؛ إذ إن النماذج الإحصائية التي تُبنى على انتهاكات صريحة للافتراضات تفشل تماماً في دراسات إعادة الإنتاج (Replication Studies)، وهو ما يزيد من تفاقم ما يُعرف في علم النفس الحديث بـ “أزمة التكرارية” (Replication Crisis)، مما يفرض على الباحثين تدقيقاً صارماً قبل الشروع في التحليلات النهائية.

1.3 نظرة عامة موجزة على الافتراضات الأربعة الأساسية

يتطلب اختبار مربع كاي للاستقلالية تحقق أربعة افتراضات رئيسية متكاملة لضمان صحة الاستدلال الإحصائي، وتتمثل هذه الافتراضات في الآتي:

• الافتراض الأول: طبيعة ومستوى قياس المتغيرات (Categorical Variables): يجب أن يكون كلا المتغيرين موضع الدراسة متغيرين فئويين، مقاسين إما على مستوى اسمي (Nominal) أو رتبي (Ordinal).
• الافتراض الثاني: استقلالية الملاحظات (Independence of Observations): يجب أن تسهم كل حالة أو مفحوص بملاحظة واحدة فقط، دون وجود أي ارتباط أو اقتران أو قياسات متكررة عبر الزمن.
• الافتراض الثالث: حصرية الخلايا وشمولها (Mutual Exclusivity and Exhaustiveness): يجب أن يُصنف كل مشارك في خلية واحدة وفقط داخل جدول التوافق، بحيث تستوعب خيارات التصنيف كافة أفراد العينة دون تداخل أو ازدواجية.
• الافتراض الرابع: الحد الأدنى للتكرارات المتوقعة (Adequate Expected Cell Frequencies): يجب أن تمتلك خلايا جدول التوافق حجماً كافياً من التكرارات المتوقعة نظرياً، وفق قاعدة كوشران الشهيرة (Cochran’s Rule).

تشكل هذه الافتراضات منظومة متكاملة؛ حيث يتعامل الافتراضان الأول والثالث مع بنية المتغيرات وتصميم أدوات القياس، بينما يتعامل الافتراض الثاني مع تصميم المعاينة وجمع البيانات، ويحدد الافتراض الرابع الملاءمة الرياضية لحجم العينة بالنسبة لأبعاد جدول الاقتران.

2. الافتراض الأول: تصنيف المتغيرات كمتغيرات فئوية

2.1 طبيعة المتغيرات الاسمية والرتبية في علم النفس

يقتضي الافتراض الأول لاختبار مربع كاي أن تكون المتغيرات موضع التحليل مصنفة كمتغيرات نوعية فئوية (Categorical Data). تنقسم هذه المتغيرات في القياس النفسي والسلوكي إلى نوعين رئيسيين: المتغيرات الاسمية (Nominal Variables) التي تعبر عن تصنيفات نوعية محضة لا تحمل أي ترتيب تفاضلي ضمني، مثل: النوع الاجتماعي (ذكر/أنثى)، والحالة الاجتماعية (أعزب/متزوج/مطلق/أرمل)، والتشخيص الإكلينيكي وفق الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5) مثل (اكتئاب جسيم/قلق عام/وسواس قهري).

أما النوع الثاني فهو المتغيرات الرتبية (Ordinal Variables) التي تمتلك فئاتها ترتيباً هرمياً أو منطقياً متصاعداً أو متنازلاً، ولكن دون أن تكون الفروق بين الرتب متساوية بالضرورة رياضياً؛ مثل: مستويات التحصيل الأكاديمي (منخفض/متوسط/مرتفع)، أو شدة الأعراض النفسية (طفيفة/معتدلة/شديدة). يمكن لاختبار مربع كاي معالجة المتغيرات الرتبية بكفاءة، إلا أنه يعاملها من زاوية التكرارات الفئوية دون الاستفادة الكاملة من خاصية الترتيب ما لم يتم استخدام اختبارات مخصصة للاتجاه الرتبي مثل اختبار كوشران-أرميتاج (Cochran-Armitage Test for Trend).

في المقابل، يُحظر استخدام البيانات المتصلة أو الفترية (Interval/Ratio Data) مباشرة في اختبار مربع كاي مثل الدرجات الخام على مقياس الذكاء (IQ) أو درجات مقياس بيك للاكتئاب دون تحويلها المنهجي. إلا أن التحويل القسري للمتغيرات المتصلة إلى فئات مصطنعة (Artificial Dichotimization) كتقسيم درجات القلق عند المتوسط الحسابي إلى (مرتفع/منخفض) يُعد ممارسة محفوفة بالمخاطر المنهجية، لأنها تؤدي إلى فقدان كم هائل من التباين الحقيقي للبيانات وخفض القوة الإحصائية بشكل كبير.

2.2 مستويات القياس المؤهلة لاختبار كاي تربيع

تحدد نظريات القياس الإحصائي، ولا سيما تصنيف ستانلي سميث ستيفنز (Stanley Smith Stevens) الشهير، أربعة مستويات رئيسية للقياس: الاسمي، والرتبي، والفتري، والنسبي. يُعد المستويان الاسمي والرتبي وحدهما المؤهلين للدخول في نموذج مربع كاي التقليدي، حيث يتم تجميع البيانات في صورة جداول تقاطعية تعكس تكرار الأفراد الذين يستوفون شروط تقاطع كل صف مع كل عمود.

يتطلب البناء المنهجي للاختبار أن تكون التعريفات الإجرائية لفئات المتغيرات محددة بدقة بالغة تمنع أي التباس مفاهيمي. فإذا كان الباحث يدرس “أنماط التعلق العاطفي”، يجب أن تكون المستويات (آمن، قلق، متجنب، فوضوي) محددة بمحكات قياسية واضحة لا تقبل اللبس. كما أن عدد المستويات داخل كل متغير يؤثر تأثيراً مباشراً على حساب درجات الحرية (Degrees of Freedom)، والتي تُحسب بالمعادلة التالية:

$$\text{df} = (r – 1) \times (c – 1)$$

حيث يمثل $r$ عدد الصفوف و $c$ عدد الأعمدة في جدول الاقتران. كلما زاد عدد المستويات والفئات داخل المتغيرات، زادت درجات الحرية، مما يفرض متطلبات عينة أكبر حجماً لتفادي فراغ الخلايا الإحصائية.

تختلف معالجة المتغيرات ثنائية التفرع (Dichotomous Variables) مثل (ناجح/راسب) التي تنتج جداول رباعية من النمط $(2 \times 2)$ عن المتغيرات متعددة الفئات (Polytomous Variables) التي تولد جداول ذات أبعاد أكبر مثل $(3 \times 4)$ أو $(5 \times 2)$. ففي الجداول الثنائية تبلغ درجة الحرية دائماً 1، ويكون تفسير الارتباط مباشراً ومقترناً بمقاييس دقيقة مثل معامل فاي (Phi Coefficient) أو نسبة الأرجحية (Odds Ratio)، بينما تتطلب الجداول الأكبر فحوصاً بعدية للمربعات المعيارية وفحصاً لمعامل كرامر (Cramer’s V).

2.3 أخطاء تصنيف المتغيرات وتأثيرها على صحة النموذج

تتكرر في الأبحاث النفسية أخطاء جسيمة ناتجة عن سوء فهم الافتراض الأول؛ ولعل أبرزها هو قيام الباحث بتغذية البرمجيات الإحصائية ببيانات كمية مستمرة على أنها تكرارات فئوية. على سبيل المثال، إدخال درجات العمر الزمني للمفحوصين مباشرة كأرقام في خانات المتغير، مما يجعل البرنامج يتعامل مع كل عمر كفئة منفصلة، فينتج جدول توافق هائل الحجم مليء بالخلايا الصفرية التي تدمر الصلاحية الرياضية للاختبار تماماً.

كذلك تبرز معضلة التجزئة الاعتباطية للمقاييس السيكومترية المقننة؛ حيث يلجأ بعض الباحثين إلى تحويل مقياس ليكرت الخماسي المكون من 30 بنداً والذي يقيس “الاحتراق النفسي” إلى تصنيف ثنائي (محترق / غير محترق) استناداً إلى نقطة قطع غير مبررة نظرياً. هذا الإجراء، وإن كان يجعل البيانات ملائمة شكلياً لاختبار مربع كاي، إلا أنه يمثل إهداراً للخصائص السيكومترية للمقياس ويخفض الارتباط الحقيقي ويؤدي إلى تشويه حجم الأثر الفعلي في المجتمع المدروس.

لضمان المعالجة السليمة للمقاييس المتعددة البنود، ينبغي الاعتماد على الاختبارات المعلمية المناسبة للبيانات المتصلة مثل معامل ارتباط بيرسون أو اختبار “ت”، ولا يتم اللجوء لمربع كاي إلا إذا كانت بنود المقياس الفردية مصممة أصلاً بطبيعة اسمية تصنيفية، أو إذا كانت هناك معايير تشخيصية إكلينيكية معتمدة ومقننة عالمياً تحدد فئات نوعية واضحة تستند إلى أدلة تجريبية قاطعة.

3. الافتراض الثاني: استقلالية الملاحظات والبيانات

3.1 المفهوم الإحصائي لاستقلالية الملاحظات

يُعد افتراض استقلالية الملاحظات (Independence of Observations) الشرط الأكثر حساسية وصرامة في بناء النماذج الإحصائية الاستدلالية عموماً، واختبار مربع كاي على وجه الخصوص. يعني هذا الافتراض من الناحية الرياضية والسلوكية أن استجابة أو سلوك أو تصنيف أي فرد في العينة لا يرتبط ولا يتأثر ولا يؤثر بأي شكل من الأشكال باستجابة أو سلوك أي مشارك آخر ضمن نفس العينة أو عبر المجموعات المختلفة.

يتحقق هذا الافتراض منهجياً من خلال اعتماد أساليب المعاينة العشوائية البسيطة (Simple Random Sampling)، حيث يمتلك كل فرد في المجتمع المستهدف فرصة متكافئة ومستقلة تماماً في الاختيار ضمن العينة. كما يتطلب استيفاؤه ضبط بيئة جمع البيانات؛ بحيث يتم تطبيق المقاييس والاستبيانات في ظروف تمنع التشاور، أو تبادل الإجابات، أو المحاكاة السلوكية بين المفحوصين، وهو ما يضمن نقاء المشاهدات الفردية من أي تلوث تفاعلي دخيل.

إن خرق استقلالية الملاحظات يؤدي رياضياً إلى تقويض تقدير التباين الحقيقي للعينة، وينتج عنه خفض مصطنع في قيمة الخطأ المعياري (Standard Error). يؤدي ذلك بدوره إلى تضخيم زائف للإحصاء المحسوب $ chi^2 $، مما يجعل القيمة الاحتمالية تتدنى بصورة وهمية تعطي انطباعاً مضللاً بوجود دلالة إحصائية قاطعة لعلاقات قد تكون في الأصل معدومة في الواقع الظاهراتي.

3.2 سيناريوهات خرق استقلالية الملاحظات في البحوث النفسية

تتعدد صور انتهاك استقلالية البيانات في البحوث النفسية والتربوية، ولعل من أبرزها تطبيق اختبار مربع كاي على التصاميم الطولية (Longitudinal Designs) أو تصاميم القياسات المتكررة (Repeated Measures). فإذا قام الباحث بقياس الاتجاه النفسي لعينة من 100 مريض نحو العلاج النفسي قبل وبعد برنامج إرشادي، فإن مقارنة تكرارات الاستجابة في القياس القبلي بتكرارات القياس البعدي باستخدام مربع كاي التقليدي يُعد خطأً منهجياً فادحاً، لأن درجات القياس البعدي صادرة عن نفس الأفراد وتعتمد عضوياً على استجاباتهم القبلية.

يتمثل السيناريو الشائع الثاني في التأثيرات العنقودية (Clustering Effects)؛ وتحدث عندما يقوم الباحث بجمع البيانات من مجموعات طبيعية مغلقة مثل أفراد نفس الأسرة، أو طلاب داخل نفس الفصل الدراسي، أو أعضاء نفس جماعة العلاج النفسي الجمعي. ففي هذه الحالات، يتشارك الأفراد في بيئة موحدة وتأثيرات متبادلة تجعل استجاباتهم مترابطة بدرجة عالية، مما ينتهك شرط الاستقلالية التامة للمشاهدات الفردية المنفصلة.

كما يبرز خرق الاستقلالية في ظروف الضغط الجمعي والامتثال الاجتماعي (Social Conformity)؛ فعند توزيع استبيانات ورقية في قاعات جماعية مفتوحة دون فواصل تمنع رؤية إجابات الزملاء، يميل المفحوصون إلى مواءمة استجاباتهم لتطابق السلوك السائد في المجموعة، مما يدمر استقلالية البيانات من الناحية الميدانية السيكومترية. وينطبق الأمر نفسه على دراسات الحالات والشواهد (Case-Control Studies) إذا تم تطبيق أسلوب المطابقة المزدوجة الفردية (Matched Pairs) دون استخدام الاختبارات المخصصة للبيانات المقترنة.

3.3 طرق التحقق الإجرائي من استقلالية البيانات

على عكس بعض الافتراضات الإحصائية التي يمكن فحصها باختبارات رقمية مباشرة بعد جمع البيانات، فإن افتراض استقلالية الملاحظات هو في الأساس افتراض تصميمي ومنهجي يُحسم في مرحلة إعداد البحث وتخطيط المعاينة الميدانية. يجب على الباحث فحص بروتوكول جمع البيانات والتحقق من أن حجم العينة الإجمالي ($N$) يساوي بدقة مجموع الأفراد المنفصلين المشاركين في الدراسة دون أدنى تكرار في هوية المشاركين.

إجرائياً، يقوم الباحث بفحص مصفوفة البيانات الأولية للتأكد من عدم وجود تكرار في أرقام الهوية التعريفية للمفحوصين (Subject IDs). كما يمكن فحص الارتباط الذاتي للمشاهدات في الدراسات التي تعتمد على الترتيب الزمني للتطبيق لضمان عدم وجود نزعة خطية أو ارتباط تسلسلي في الإجابات يؤشر على تفاعل الأفراد أو تأثرهم بتسلسل المقابلات.

يتعين على الباحث النفسي توثيق الإجراءات الاحترازية التي اتخذها في قسم المنهجية والأدوات في تقريره الأكاديمي، بما في ذلك عزل المفحوصين أثناء التطبيق، واستخدام المنصات الرقمية المؤمنة التي تمنع تقديم أكثر من استجابة من نفس عنوان البروتوكول الشبكي (IP Address)، والتأكيد على أن كل صف في مصفوفة البيانات يمثل كينونة بشرية مستقلة تماماً عن بقية الصفوف.

4. الافتراض الثالث: حصرية الخلايا في جداول التوافق (Mutually Exclusive)

4.1 مفهوم الحصرية المتبادلة في جداول الاقتران

ينص الافتراض الثالث على وجوب أن تكون خلايا جدول الاقتران مانعة تبادلياً (Mutually Exclusive) ومستوعبة كلياً (Exhaustive). ويعني مبدأ الحصرية المتبادلة أن كل مشارك في عينة البحث يجب أن يُصنف في خلية واحدة وفقط من خلايا الجدول المتقاطع، بحيث يستحيل منطقياً وإجرائياً أن يُحسب نفس الفرد مرتين أو ينتمي إلى فئتين متزامنتين من فئات المتغير الواحد داخل مصفوفة التحليل.

أما مبدأ الشمول والاستيعاب الكلي (Exhaustiveness)، فيعني أن منظومة التصنيف المعتمدة من قِبل الباحث يجب أن تغطي كافة الحالات والأنماط الممكنة لجميع أفراد العينة دون استثناء، بحيث لا يتبقى أي مشارك خارج نطاق الفئات المحددة مسبقاً. إن التكامل بين الحصرية والشمول يضمن أن المجموع الكلي للتكرارات في جدول الاقتران يساوي تماماً وبدقة متناهية الحجم الفعلي للعينة المسحوبة ($ sum O_{ij} = N $).

تتجلى أهمية هذا الافتراض في الدراسات السريرية؛ فإذا كان الباحث يدرس توزيع المرضى حسب “الفئة التشخيصية الرئيسية”، يجب أن تضمن معايير الاشتمال والاستبعاد تصنيف المريض بدقة إما ضمن فئة “اضطرابات المزاج” أو “اضطرابات القلق” أو “اضطرابات الشخصية” بناءً على التشخيص الأساسي المحوري، دون السماح بتسجيل المفحوص في أكثر من فئة ضمن نفس جدول مربع كاي.

4.2 الأخطاء المنهجية التي تؤدي إلى تكرار الحالات بين الخلايا

يقع كثير من الباحثين في خرق صريح لهذا الافتراض عند استخدام الأسئلة متعددة الاستجابات (Multiple Response Questions) في الاستبانات النفسية. على سبيل المثال، توجيه سؤال للمفحوصين: “ما هي استراتيجيات التعامل مع الضغوط التي تستخدمها؟ (اختر كل ما ينطبق: الرياضة، التأمل، الحديث مع صديق، القراءة)”. إذا قام الباحث بإنشاء جدول توافق بمقارنة هذه الاستجابات بمتغير النوع الاجتماعي، فإن الفرد الواحد قد يختار خيارين أو ثلاثة، مما يؤدي إلى حسابه عدة مرات في خلايا مختلفة، وهو ما يبطل استخدام اختبار مربع كاي التقليدي بشكل كامل.

كما تبرز هذه الإشكالية في الأبحاث السريرية التي تتناول التشخيص المزدوج أو التواكب المرضي (Comorbidity). فإذا كان المريض يعاني من اضطراب الاكتئاب المتزامن مع الإدمان، فإن إدخاله في فئة “المكتئبين” وإدخاله مرة أخرى في فئة “المدمنين” داخل نفس التحليل يمثل انتهاكاً جسيماً لقاعدة الحصرية، ويؤدي إلى تضخيم وهمي لحجم العينة واختلال الموازين الاحتمالية لدرجات الحرية.

تشمل الأخطاء المنهجية الأخرى حالات التغير الفئوي للمشاركين أثناء فترة التجربة؛ كأن ينتقل مفحوص من فئة “غير مدخن” إلى فئة “مدخن” خلال التدخل السلوكي ويتم احتسابه في كلا الوضعين ضمن نفس الجدول الثابت، أو المعالجة الخاطئة للمشاركين متعددي الخلفيات الثقافية أو المهنية بالسماح لهم بتمثيل أكثر من انتماء في وقت واحد دون تحديد فئة رئيسية منضبطة.

4.3 استراتيجيات إعادة الهيكلة التصنيفية لضمان الحصرية

لمعالجة التحديات المرتبطة بخرق مبدأ الحصرية المتبادلة، يمتلك الباحث النفسي عدة استراتيجيات منهجية رصينة لإعادة هيكلة البيانات. أولى هذه الاستراتيجيات هي “إنشاء الفئات المركبة” (Composite Categories)؛ فبدلاً من السماح بالازدواجية التشخيصية، يمكن صياغة فئات تشخيصية منفصلة مثل: (اكتئاب نقي، إدمان نقي، تشخيص مزدوج: اكتئاب وإدمان معاً)، وبذلك تصبح كل حالة منتمية لخلية واحدة مستقلة تماماً تلغي التداخل.

الاستراتيجية الثانية هي اعتماد “معيار الفئة السائدة إكلينيكياً” (Primary Diagnosis Criterion)، حيث يستند الباحث إلى تقييم إكلينيكي محكم يحدد الاضطراب الأساسي المسبب للمراجعة الطبية أو الأكثر تأثيراً على الأداء الوظيفي للمريض، ويتم تصنيف الحالة بموجبه فقط مع استبعاد الاضطرابات الثانوية من هذا التحليل المحدد وتناولها في تحليلات تابعة مستقلة.

أما على مستوى تصميم أدوات جمع البيانات الرقمية، فيتعين على الباحث ضبط واجهة الاستجابة البرمجية لمنع اختيار أكثر من إجابة في الأسئلة المعدة لاختبار مربع كاي، باستخدام أزرار الاختيار الأحادية (Radio Buttons) بدلاً من مربعات الاختيار المتعددة (Checkboxes)، وضمان تضمين خيار “أخرى / غير ذلك” لتحقيق شرط الشمولية الكاملة دون الإخلال بالحصرية.

5. الافتراض الرابع: حجم التكرارات المتوقعة في جداول التوافق

5.1 قاعدة كوشران للتكرارات المتوقعة ومعاييرها الرياضية

يُعد افتراض كفاية التكرارات المتوقعة (Adequate Expected Frequencies) الافتراض الرياضي الأكثر شهرة ومناقشة في الأدبيات الإحصائية. وقد صاغ هذا المعيار عالم الإحصاء وليام جيميل كوشران (William Gemmell Cochran) في ورقته البحثية الكلاسيكية عام 1954، والتي وضعت القواعد الذهبية لضمان تقارب التوزيع المتقطع للبيانات مع التوزيع المستمر لمربع كاي.

تنص قاعدة كوشران المعيارية على شرطين أساسيين متلازمين في جداول الاقتران التي تزيد أبعادها عن $(2 \times 2)$:

1. يجب ألا تقل التكرارات المتوقعة عن 5 في ما لا يقل عن 80% من خلايا جدول التوافق الكلي.
2. يجب ألا تحتوي أي خلية على الإطلاق في الجدول على تكرار متوقع يقل عن 1 (أي أن الحد الأدنى المطلق للتكرار المتوقع في أي خلية هو $E_{ij} ge 1.0$).

أما في الجداول الرباعية الصغيرة من النمط $(2 \times 2)$، فإن المعيار يصبح أكثر صرامة ومحافظة؛ حيث يشترط معظم الإحصائيين ألا يقل التكرار المتوقع في أي من الخلايا الأربع عن 5، وإلا تعين اللجوء الفوري للبدائل الدقيقة.

يتم حساب التكرار المتوقع ($E_{ij}$) للخلية الواقعة في الصف $i$ والعمود $j$ رياضياً من خلال ضرب مجموع الصف الخاص بها في مجموع العمود الخاص بها، مقسوماً على الحجم الإجمالي الكلي للعينة، وفق المعادلة التالية:

$$E_{ij} = \frac{R_i \times C_j}{N}$$

حيث يمثل $R_i$ إجمالي تكرارات الصف $i$، و $C_j$ إجمالي تكرارات العمود $j$، و $N$ حجم العينة الإجمالي. تتضح هنا حقيقة حاسمة: إن الشرط يتعلق بالتكرارات المتوقعة الناتجة عن هذه المعادلة الحسابية، وليس بالتكرارات الملاحظة فعلياً في بيانات العينة.

5.2 العلاقة بين التكرارات المتوقعة والتقريب التوزيعي لكاي تربيع

لفهم الأساس الرياضي لاشتراط كوشران، يجب إدراك أن التوزيع الاحتمالي النظري لمربع كاي هو توزيع احتمالي مستمر (Continuous Probability Distribution)، في حين أن تكرارات جداول التوافق هي بيانات عددية منفصلة ومتقطعة (Discrete Multinomial Data). يعتمد اختبار بيرسون على افتراض تقارب المنحنى المتقطع تدريجياً ليطابق المنحنى المستمر وفق مبرهنة النهاية المركزية (Central Limit Theorem).

عندما تكون التكرارات المتوقعة في الخلايا صغيرة جداً (أقل من 5)، فإن التوزيع التكراري التجريبي يصبح شديد التقطع والالتواء، مما يؤدي إلى انهيار دقة التقريب الرياضي. في هذه الحالة، تفشل دالة الكثافة الاحتمالية النظرية في مطابقة الواقع، مما يؤدي إلى تذبذب غير منضبط في ذيول التوزيع (Distribution Tails)، وهي المنطقة الدقيقة التي تُحسب منها القيمة الاحتمالية ($p$-value).

يتأثر هذا التقريب التوزيعي بشدة عند وجود تفاوت هائل وعدم توازن في التوزيع الهامشي للصفوف أو الأعمدة (Marginal Imbalance)؛ فإذا كانت إحدى فئات المتغير نادرة الحدوث جداً في المجتمع (مثل اضطراب نفسي يصيب 1% فقط من السكان)، فإن حاصل ضرب المجاميع الهامشية سينتج تلقائياً قيماً متوقعة متناهية في الصغر، مما يجعل تطبيق نموذج بيرسون القياسي غير دقيق إحصائياً حتى لو كان حجم العينة الكلي متوسطاً.

5.3 كيفية فحص التكرارات المتوقعة في المخرجات الإحصائية

توفر حزم البرمجيات الإحصائية المتقدمة أدوات واضحة ومباشرة لفحص ومراقبة استيفاء هذا الافتراض بدقة متناهية. فعند استخراج جدول التوافق، يجب على الباحث طلب إظهار التكرارات المتوقعة (Expected Counts) بجانب التكرارات الملاحظة (Observed Counts) داخل كل خلية، ومقارنة التوزيع الإحصائي للقيمتين.

في المخرجات القياسية لبرنامج SPSS على سبيل المثال، يظهر تذييل نصي تحذيري أسفل جدول نتائج مربع كاي الرئيسي يُلخص حالة هذا الافتراض بوضوح حاسم، مثل العبارة التالية: “0 cells (0.0%) have expected count less than 5. The minimum expected count is 8.42”. تُعد هذه العبارة بمثابة وثيقة أمان إحصائية تؤكد استيفاء شرط كوشران بنسبة 100%.

إذا أظهر التقرير الإحصائي أن النسبة المئوية للخلايا ذات التكرار المتوقع الأقل من 5 تتجاوز 20% (مثلاً: “3 cells (37.5%) have expected count less than 5”) أو إذا وُجدت خلية واحدة بقيمة متوقعة أقل من 1.0، فإن ذلك يُعد بمثابة إشعار منهجي قاطع بانتهاك الافتراض الرابع، ويحظر على الباحث عندئذ الاعتماد على قيمة مربع كاي لبيرسون المعتادة، ويفرض عليه التحول إلى البدائل المصححة أو الدقيقة.

6. التحقق العملي من استيفاء الافتراضات الأربعة خطوة بخطوة

6.1 مرحلة ما قبل جمع البيانات: التحقق التصميمي

تبدأ الممارسة الإحصائية الرصينة للتحقق من افتراضات مربع كاي قبل النزول إلى الميدان والشروع في جمع البيانات، وذلك عبر هندسة تصميمية محكمة لأدوات الدراسة ومنهجية المعاينة. يتضمن ذلك صياغة الأسئلة والاستبيانات بأسلوب يضمن قياس المتغيرات بمستويات فئوية واضحة، مع تجنب الأسئلة المفتوحة الفضفاضة أو الأسئلة متعددة الاستجابات التي تؤدي إلى تداخل التصنيفات.

يتعين على الباحث إجراء تحليل القوة الإحصائية المسبق (A Priori Power Analysis) باستخدام برمجيات متخصصة مثل G*Power لتحديد حجم العينة الأدنى المطلوب لضمان استيفاء التكرارات المتوقعة. يتطلب هذا التحليل تحديد أربعة معايير مسبقة:

• مستوى الدلالة الإحصائية المستهدف ($\alpha = 0.05$).
• القوة الإحصائية المطلوبة ($1 – \beta = 0.80$ أو $0.95$).
• حجم الأثر المتوقع وفق معامل $\omega$ أو $w$ لكوهين (Effect Size: صغير = 0.1، متوسط = 0.3، كبير = 0.5).
• درجات الحرية ($\text{df}$) المعتمدة على عدد صفوف وأعمدة الجدول المستهدف.

كما تشمل مرحلة التخطيط وضع بروتوكول المعاينة العشوائية الذي يضمن استقلالية المفحوصين، وتحديد المعايير الميدانية التي تمنع التواصل بين المشاركين أثناء جلسات القياس والتقييم السلوكي، مما يضمن تحصين البيانات مسبقاً ضد انتهاك الافتراضين الثاني والثالث.

6.2 مرحلة المعالجة الإحصائية: التدقيق في مصفوفة البيانات

بمجرد الانتهاء من جمع البيانات وإدخالها في البيئة الإحصائية، تبدأ مرحلة التدقيق الرقمي في مصفوفة البيانات الخام (Data Cleaning and Screening). تبدأ هذه المرحلة بفحص كودات المعرفات الفردية للتأكد من عدم وجود تكرار لأي مشارك، وحذف الاستجابات المزدوجة الناتجة عن الأخطاء التقنية في المنصات الإلكترونية.

يلي ذلك توليد جداول التكرارات البسيطة (Frequencies) لكل متغير فئوي على حدة للتحقق من عدم وجود قيم مفقودة (Missing Values) أو أخطاء إدخال شاذة (Out-of-range codes) كأن يظهر الرقم “3” في متغير ثنائي مُرمز فقط بـ (1 و 2). يساعد هذا التنظيف الأولي في تثبيت الحدود الفئوية الصحيحة للمتغيرات.

الخطوة التالية هي إنشاء جدول الاقتران التمهيدي (Cross-tabulation) وتفعيل خيار توليد مصفوفة التكرارات المتوقعة ($E_{ij}$). يقوم الباحث بمسح شامل لكافة خلايا المصفوفة ومقارنتها بالمعايير الرياضية: حصر عدد الخلايا التي يقل تكرارها المتوقع عن 5 وحساب نسبتها المئوية من إجمالي خلايا الجدول، والتأكد المطلق من عدم وجود أي خلية تحمل قيمة متوقعة تقل عن 1.0.

6.3 قائمة مراجعة معيارية للباحث النفسي للتحقق من الافتراضات

لتسهيل الممارسة التطبيقية في المختبرات والرسائل الأكاديمية، يمكن للباحث الاسترشاد بـ قائمة التحقق المنهجية (Checklist) التالية قبل اعتماد نتائج مربع كاي للاستقلالية:

• [ ] التحقق من الفئوية: هل كلا المتغيرين مقاسان على مستوى اسمي أو رتبي حقيقي، وليسا بيانات متصلة مجزأة عشوائياً؟
• [ ] التحقق من الاستقلالية: هل تم جمع كل ملاحظة من مشارك مستقل تماماً، مع خلو التصميم من القياسات المتكررة أو الاقتران؟
• [ ] التحقق من الحصرية: هل ينتمي كل مفحوص إلى خلية واحدة وفقط، وهل مجموع تكرارات الخلايا يساوي بالضبط حجم العينة الكلي ($N$)؟
• [ ] التحقق من عدم الصفرية المطلقة: هل جميع التكرارات المتوقعة في كافة الخلايا تبلغ 1.0 أو أكثر ($E_{ij} ge 1$ لجميع الخلايا)؟
• [ ] التحقق من شرط كوشران (80%): هل تبلغ نسبة الخلايا التي تحتوي على تكرارات متوقعة $ge 5$ ما يعادل 80% أو أكثر من إجمالي خلايا الجدول؟
• [ ] جداول 2×2 خاصة: في حالة الجداول الرباعية، هل جميع الخلايا الأربع تمتلك تكراراً متوقعاً $ge 5$؟ (إذا كانت الإجابة لا، توجه مباشرة لاختبار فيشر الدقيق).

7. الآثار المترتبة على خرق الافتراضات الأربعة على الصدق الإحصائي

7.1 مخاطر خرق افتراضي الفئوية والحصرية

يؤدي الإخلال بالافتراض الأول المتعلق بفئوية المتغيرات واللجوء غير المبرر إلى تصنيف البيانات المستمرة قسرياً إلى تشويه بنيوي في العلاقات السلوكية الحقيقية. تفقد البيانات في هذه الحالة ما يُعرف بـ “التباين الداخلي للمجموعات” (Within-group Variance)، حيث يتم التعامل مع الأفراد القريبين جداً من نقطة القطع وكأنهم متطابقون مع الأفراد في أقصى أطراف التوزيع، مما يقلل من حجم الارتباط الحقيقي ويؤدي في كثير من الأحيان إلى خفض القوة الإحصائية بنسبة تصل إلى أكثر من 35%.

أما خرق افتراض الحصرية المتبادلة وتكرار احتساب المفحوص في أكثر من خلية، فيقود إلى تضخيم زائف ومصطنع لحجم العينة الفعلي ($N$). هذا التضخيم يرفع درجات الحرية الفعلية للبيانات ويزيد من قيمة إحصاء مربع كاي بشكل وهمي لا يعكس الواقع التجريبي.

يترتب على ذلك زيادة هائلة في احتمالية ارتكاب الخطأ من النوع الأول (Type I Error)، حيث يخلص الباحث إلى وجود علاقة ارتباطية ذات دلالة إحصائية بين المتغيرات النفسية ويوصي بتطبيقات إكلينيكية بناءً عليها، بينما الحقيقة أن هذه النتيجة ليست سوى أثر مصطنع ناتج عن الازدواجية الحسابية لتكرار نفس الأفراد عبر الخلايا المتقاطعة.

7.2 عواقب انتهاك استقلالية المشاهدات

يمثل انتهاك استقلالية الملاحظات التهديد الأخطر والأكثر تدميراً للصدق الإحصائي على الإطلاق. من الناحية الرياضية، يفترض اشتقاق توزيع مربع كاي أن كل تكرار يمثل درجة حرية إحصائية مستقلة للمعلومات المتاحة. عند وجود ترابط بين الملاحظات (كما في القياسات القبلية والبعدية أو البيانات العنقودية)، تصبح المعلومات مكررة ومرتبطة ذاتياً.

يؤدي هذا الترابط إلى التقليل الشديد من تقدير الخطأ العشوائي، مما يجعل القيمة المحسوبة لمربع كاي تتضخم بأضعاف حجمها الحقيقي. في هذه البيئة المشوهة، تصبح فترات الثقة (Confidence Intervals) ضيقة بصورة مضللة، وتتدنى القيمة الاحتمالية ($p$-value) لتصل إلى مستويات دلالة متطرفة ($p < .001$) توحي بوجود أثر حاسم، في حين أن الارتباط الحقيقي غير دال إحصائياً.

ينهار في هذا السياق البناء المنطقي لاختبار الفرضيات؛ إذ تصبح القرارات المستندة إلى النموذج الرياضي فاقدة لأي صلاحية استدلالية، مما يؤدي إلى استنتاجات خاطئة تماماً حول فاعلية التدخلات العلاجية أو البرامج التربوية، ويهدم إمكانية تعميم نتائج الدراسة على أي مجتمع واقعي.

7.3 تأثير خرق شرط التكرارات المتوقعة على دقة التوزيع

عند خرق الافتراض الرابع وتدني التكرارات المتوقعة في الخلايا، ينحرف التوزيع الاحتمالي الفعلي للإحصاء المحسوب انحرافاً حاداً عن منحنى التوزيع النظري المستمر لمربع كاي لبيرسون. يتجلى هذا الانحراف في تشوه الذيول الاحتمالية، حيث تصبح القيمة الاحتمالية المحسوبة ($p$-value) غير مستقرة وشديدة الحساسية لأي تغير طفيف في تكرار ملاحظ واحد.

قد يؤدي هذا التشوه في بعض الحالات إلى رفع معدل الخطأ من النوع الأول وتوليد دلالات زائفة، ولكنه في أغلب الحالات يؤدي إلى العكس تماماً: انهيار القوة الإحصائية (Statistical Power) وفشل الاختبار في كشف الفروق والارتباطات الحقيقية الموجودة بالفعل في المجتمع (الخطأ من النوع الثاني). يفقد الاختبار في هذه الظروف قدرته على التمييز السيكومتري الدقيق، وتصبح النتائج عاجزة عن تقديم أي سند إكلينيكي موثوق.

8. البدائل الإحصائية عند انتهاك افتراضات اختبار مربع كاي

8.1 اختبار فيشر الدقيق (Fisher’s Exact Test) وتطبيقاته

عند انتهاك الافتراض الرابع وصغر التكرارات المتوقعة في جداول الاقتران الرباعية $(2 \times 2)$، يُعد اختبار فيشر الدقيق (Fisher’s Exact Test) البديل الرياضي المعياري الأمثل عالمياً. ابتكره عالم الإحصاء الشهير رونالد فيشر (Ronald Fisher)، ويتميز الاختبار بأنه لا يعتمد على أي تقريب توزيعي مستمر، بل يحسب الاحتمال التوافقي الدقيق (Exact Hypergeometric Probability) للجدول الملاحظ مباشرة في ظل ثبات المجاميع الهامشية.

تُحسب القيمة الاحتمالية الدقيقة لجدول $(2 \times 2)$ يحتوي على التكرارات $a, b, c, d$ وفق الصيغة الرياضية التوافقية التالية:

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

يقوم الاختبار بجمع احتمالات كافة الجداول الافتراضية الأكثر تطرفاً من الجدول الملاحظ للحصول على القيمة الاحتمالية النهائية الدقيقة للفرضيتين أحادية أو ثنائية الذيل.

أما في الجداول التوافقية الكبيرة من النمط $(R \times C)$ التي تعاني من صغر التكرارات المتوقعة، فيتم تطبيق امتداد فيشر المتقدم المعروف باسم اختبار فيشر-فريمان-هالتون (Fisher-Freeman-Halton Test). يُعد هذا الاختبار أداة لا غنى عنها في الأبحاث النفسية الإكلينيكية والطبية التي تتعامل مع عينات نادرة الحدوث أو اضطرابات نفسية شديدة الندرة تصعب فيها مضاعفة حجم العينة ميدانياً.

8.2 تصحيح ييتس للاستمرارية (Yates’ Continuity Correction)

اقترح عالم الإحصاء فرانك ييتس (Frank Yates) عام 1934 تعديلاً رياضياً على معادلة مربع كاي التقليدية المطبقة على جداول $(2 \times 2)$ لمعالجة فجوة التقريب الناتجة عن مقارنة التوزيع المتقطع بالتوزيع المستمر. يُعرف هذا الإجراء بـ تصحيح ييتس للاستمرارية (Yates’ Correction for Continuity).

يقوم التعديل على طرح ثابت مقداره $0.5$ من القيمة المطلقة للفرق بين التكرار الملاحظ والتكرار المتوقع في كل خلية قبل تربيع الفرق، وفق المعادلة التالية:

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

يهدف هذا الطرح إلى خفض قيمة مربع كاي المحسوبة بشكل طفيف، مما يرفع القيمة الاحتمالية ويجعل الاختبار أكثر أماناً ضد رفض الفرضية الصفرية بشكل خاطئ.

ورغم شهرة تصحيح ييتس وتوفره كخيار تلقائي في البرمجيات الإحصائية، إلا أنه واجه انتقادات منهجية واسعة في الأدبيات الحديثة؛ حيث أثبتت الدراسات التجريبية أنه يميل إلى “الإفراط في التحفظ” (Overly Conservative)، مما يؤدي إلى خفض القوة الإحصائية للاختبار ورفع معدلات الخطأ من النوع الثاني. ونتيجة لذلك، يوصي معظم خبراء الإحصاء المعاصرين بتجاوز تصحيح ييتس والاعتماد المباشر على اختبار فيشر الدقيق كبديل أدق وأكثر موثوقية في الجداول الرباعية الصغيرة.

8.3 اختبار ماكنيمار والنماذج اللوغاريتمية الخطية للبيانات المترابطة

عند حدوث انتهاك صريح للافتراض الثاني المتعلق باستقلالية المشاهدات ووجود بيانات مترابطة ناتجة عن تصاميم القياسات المتكررة (قبلي / بعدي) لمتغير فئوي ثنائي، يصبح البديل الإحصائي المعتمد هو اختبار ماكنيمار (McNemar’s Test). يركز اختبار ماكنيمار حصرياً على الخلايا غير المتوافقة (Discordant Cells) التي يغير فيها المفحوصون استجاباتهم عبر الزمن، مهملاً الخلايا الثابتة التي لم يحدث فيها تغيير.

أما في الحالات التي يتعامل فيها الباحث مع هياكل بيانات فئوية متعددة المستويات والأبعاد مع وجود اعتمادية أو تفاعلات معقدة بين أكثر من متغيرين نوعيين، فإن الأداة المنهجية المتقدمة تتمثل في النماذج الخطية اللوغاريتمية (Log-Linear Models) أو نماذج الانحدار اللوجستي للبيانات المرتبطة (Generalized Estimating Equations – GEE).

كما توفر الأساليب الإحصائية الحاسوبية الحديثة حلاً فعالاً عبر تطبيق “أسلوب إعادة المعاينة بمحاكاة البوتستراب” (Bootstrap Chi-Square). يقوم هذا الأسلوب بتوليد آلاف العينات العشوائية التكرارية من بيانات العينة الأصلية لإنشاء توزيع تجريبي مخصص لا يعتمد على الافتراضات التوزيعية القياسية، مما يسمح بتقدير فترات الثقة ومستويات الدلالة في ظل الانتهاكات المعقدة.

8.4 استراتيجيات إعادة تجميع الفئات (Collapsing Categories)

تُمثل استراتيجية إعادة تجميع الفئات أو دمجها (Collapsing Categories) حلاً براغماتياً واسع الاستخدام لمعالجة مشكلة تضاؤل التكرارات المتوقعة في الجداول الكبيرة $(R \times C)$. تقوم هذه الطريقة على دمج فئتين أو أكثر من فئات المتغير الواحد ذات التكرارات المنخفضة لتشكيل فئة جديدة موحدة أكبر حجماً، مما يرفع المجاميع الهامشية وتلقائياً التكرارات المتوقعة في كافة الخلايا الناتجة.

ومع ذلك، تفرض المعايير المنهجية الصارمة عدم اللجوء إلى الدمج إلا بشرطين حاسمين:

1. التبرير النظري والمنطقي: يجب أن تكون الفئات المدمجة متقاربة جداً في المعنى السيكولوجي أو التوصيف الإكلينيكي؛ كأن يتم دمج فئتي “قلق شديد جداً” و”قلق شديد” في فئة واحدة تسمى “قلق حاد”، في حين يُحظر تماماً دمج فئات متنافرة مفاهيمياً لمجرد رفع الأرقام الإحصائية.
2. القرار القبلي المسبق: يجب أن يتم اتخاذ قرار الدمج استناداً إلى المنطق العلمي وبنية المتغير، وتجنب الدمج الانتقائي البعدي (Post-hoc Selective Collapsing) الذي يهدف بشكل متحيز إلى الوصول إلى دلالة إحصائية منشودة، لأن ذلك يندرج تحت ممارسات القرصنة الاحتمالية (p-hacking) المرفوضة أكاديمياً.

يجب على الباحث الإفصاح الكامل في قسم المنهجية عن أسباب الدمج وكيفية إعادة ترميز المتغيرات وتقديم التحليلات قبل وبعد الدمج لضمان الشفافية الأكاديمية المطلقة وتيسير المراجعة العلمية الرصينة للنتائج.

9. تطبيق وفحص الافتراضات الأربعة في البرمجيات الإحصائية

9.1 التحقق من الافتراضات في برنامج SPSS

يوفر برنامج IBM SPSS واجهة تفاعلية قوية تتيح استخراج كافة المؤشرات اللازمة لفحص الافتراضات وتطبيق البدائل في خطوة تحليلية واحدة. لتنفيذ الإجراء، يتبع الباحث المسار التالي من القوائم الرئيسية:

Analyze -> Descriptive Statistics -> Crosstabs

في نافذة التحليل، يتم إدخال المتغير الفئوي المستقل في مربع الصفوف (Rows) والمتغير الفئوي التابع في مربع الأعمدة (Columns). بعد ذلك، يضغط الباحث على زر Statistics ويقوم بتفعيل الخيارات التالية: Chi-square لحساب إحصاء مربع كاي، وPhi and Cramer’s V لتقدير حجم الأثر التداخلي.

الخطوة الأكثر أهمية لفحص الافتراض الرابع تتم بالضغط على زر Cells؛ حيث يتعين تفعيل كل من: Observed (التكرارات الملاحظة) وExpected (التكرارات المتوقعة)، مع تفعيل النسب المئوية للصفوف والأعمدة لتسهيل القراءة السيكومترية. كما يمكن تفعيل خيار Standardized Residuals لكشف الخلايا التي تمثل مصادر الانحراف الأساسية في الجدول.

عند ظهور المخرجات، يتجه الباحث فوراً لقراءة الجدول الرئيسي المعنون Chi-Square Tests؛ حيث يراجع الصف الأول Pearson Chi-Square، ويفحص التذييل السفلي الذي يحدد بدقة النسبة المئوية للخلايا ذات التكرار المتوقع الأقل من 5 والحد الأدنى المتوقع. وفي حال كان الجدول من النمط $(2 \times 2)$، يقدم البرنامج تلقائياً قيم Continuity Correction وFisher’s Exact Test، مما يتيح اتخاذ القرار السليم مباشرة.

9.2 فحص الافتراضات وتطبيق البدائل باستخدام لغة R

تمنح بيئة التحليل الإحصائي عبر لغة R الباحثين مرونة برمجية فائقة للتحقق من الافتراضات واستخراج البدائل بدقة حسابية متناهية. يتم البدء ببناء جدول الاقتران باستخدام دالة table() الأساسية، ثم تمرير الجدول إلى دالة اختبار مربع كاي القياسية:

يتم استدعاء الاختبار عبر الأمر: chi_result <- chisq.test(my_table). توفر الدالة خاصية استخراج مصفوفة التكرارات المتوقعة مباشرة عبر فحص الكائن: chi_result$expected. يمكن للباحث برمجة سطر بسيط لحساب النسبة المئوية للخلايا المخالفة لاشتراط كوشران:

mean(chi_result$expected < 5) * 100

إذا احتوت البيانات على خلايا بتكرارات متوقعة منخفضة، تطلق بيئة R تحذيراً تلقائياً شهيراً في نافذة المخرجات: “Warning message: Chi-squared approximation may be incorrect”. يُعد هذا التحذير إشارة مباشرة للانتقال إلى الدوال البديلة.

لتطبيق اختبار فيشر الدقيق في بيئة R للجداول الثنائية أو المتعددة $(R \times C)$، يتم استخدام الأمر المباشر: fisher.test(my_table). كما يمكن الاستفادة من حزم متقدمة مثل حزمة vcd لإنشاء الرسوم البيانية الفسيفسائية (Mosaic Plots) وحزمة rstatix لحساب مصفوفات بقايا كاي تربيع المعيارية وتوثيق استيفاء الافتراضات بأسلوب أنيق.

9.3 تطبيق الافتراضات عبر لغة Python ومكتبة SciPy

في بيئة علم البيانات والبرمجة بلغة Python، توفر مكتبة SciPy العلمية حزمة متكاملة لمعالجة الجداول الفئوية عبر موديول scipy.stats. يُستخدم التابع الرئيسي chi2_contingency لتحليل مصفوفات الاقتران.

يستقبل التابع مصفوفة البيانات المتقاطعة ويعيد أربعة مخرجات أساسية بالترتيب: قيمة إحصاء مربع كاي المحسوبة ($\chi^2$)، والقيمة الاحتمالية ($p$-value)، ودرجات الحرية ($\text{df}$)، ومصفوفة التكرارات المتوقعة كاملة ($E_{ij}$). يتيح ذلك للباحث فحص التكرارات المتوقعة برمجياً عبر مكتبة numpy من خلال فحص شرطين:

• التحقق من أن أقل قيمة متوقعة ليست أصغر من 1: np.min(expected) >= 1.0
• حساب نسبة الخلايا التي تقل عن 5 والتأكد أنها لا تتجاوز 20%: (np.sum(expected < 5) / expected.size) <= 0.20

في حال انتهاك الشروط في الجداول الرباعية، توفر المكتبة تابع اختبار فيشر الدقيق عبر استدعاء: scipy.stats.fisher_exact، والذي يعيد مباشرة نسبة الأرجحية (Odds Ratio) والقيمة الاحتمالية الدقيقة المستندة إلى التوزيع فوق الهندسي، مما يوفر بيئة استدلالية متكاملة لمهندسي البيانات والباحثين النفسيين.

10. دراسات حالة وأمثلة تطبيقية من واقع الأبحاث النفسية والسلوكية

10.1 دراسة حالة مستوفية للافتراضات: العلاقة بين نمط الشخصية وأسلوب التكيف

أجرى فريق بحثي دراسة نفسية هدفت إلى فحص العلاقة بين نمط الشخصية السائد وفق نظرية العوامل الخمسة الكبرى (مقسم إلى ثلاث فئات: الانبساطي، العصابي، الضميري) والأسلوب المفضل للتكيف مع الضغوط الأكاديمية (مقسم إلى فئتين: التكيف الموجه نحو المشكلة، والتكيف الموجه نحو الانفعال). تم سحب عينة عشوائية مستقلة قوامها $N = 300$ طالب جامعي، طبق عليهم مقياس الشخصية واستبانة أساليب التكيف المقننة.

تم تدقيق البيانات للتحقق من الافتراضات الأربعة خطوة بخطوة:

1. الافتراض الأول (الفئوية): كلا المتغيرين مصنفان اسمياً في فئات نوعية واضحة محددة سلفاً.
2. الافتراض الثاني (الاستقلالية): تم جمع البيانات في جلسات فردية مستقلة مع التأكد من أن كل طالب شارك مرة واحدة فقط دون تكرار في الهويات.
3. الافتراض الثالث (الحصرية والشمول): تم تصنيف كل مشارك بناءً على الدرجة التائيا المعيارية الأعلى في بعد واحد فقط للشخصية وأسلوب تكيف رئيسي واحد، فكان مجموع تكرارات الخلايا $300$ مساوياً بدقة لحجم العينة.
4. الافتراض الرابع (التكرارات المتوقعة): في جدول الأبعاد $(3 \times 2)$ الذي يضم 6 خلايا، كانت التكرارات المتوقعة المحسوبة تتراوح بين $38.5$ و $64.2$. وبالتالي بلغت نسبة الخلايا ذات التكرار المتوقع الأقل من 5 صفر% ($0.0%$)، مما مثل استيفاءً مثالياً لقاعدة كوشران.

أظهرت النتائج الإحصائية وجود علاقة ارتباطية دالة إحصائياً بين نمط الشخصية وأسلوب التكيف المعتمد ($\chi^2(2, N = 300) = 28.45, p < .001$). ولتحديد حجم الأثر، تم حساب معامل كرامر للارتباط متعدد الفئات فبلغ $V = 0.308$، مما يشير إلى أثر متوسط إلى كبير وفق معايير كوهين، مبيناً ميل أصحاب النمط الانبساطي والضميري نحو التكيف الموجه للمشكلة مقارنة بالنمط العصابي الذي مال نحو التكيف الانفعالي.

10.2 دراسة حالة تعاني من انتهاك التكرارات المتوقعة: استجابة نادرة للعلاج

في دراسة إكلينيكية تجريبية استكشافية، فحص باحثون الاستجابة السريرية لبروتوكول علاجي نفسي جديد مطبق على عينة نادرة من المرضى المصابين باضطراب كرب ما بعد الصدمة المعقد (Complex PTSD). تكونت العينة من $N = 24$ مريضاً فقط، تم تقسيمهم عشوائياً إلى مجموعتين: مجموعة تلقت العلاج المعرفي السلوكي المطور ($n_1 = 12$)، ومجموعة تلقت العلاج المعياري التقليدي ($n_2 = 12$). تم تصنيف النتيجة السريرية بعد 6 أشهر إلى فئتين: (تحسن إكلينيكي كامل / عدم تحسن).

أسفرت النتائج الملاحظة في جدول $(2 \times 2)$ عن التوزيع التالي: في المجموعة المطورة تحسن 10 مرضى ولم يتحسن 2، بينما في المجموعة التقليدية تحسن 4 مرضى ولم يتحسن 8. عند حساب التكرارات المتوقعة وفق المجاميع الهامشية، جاءت النتائج كالتالي: الخلية الأولى $7.0$، والخلية الثانية $5.0$، والخلية الثالث $7.0$، والخلية الرابعة $5.0$، ولكن مع هامش خطأ هامشي أدنى بلغ تكراره المتوقع الفعلي في حسابات البرامج $3.5$ في خليتين نظراً لقلة الحالات غير المتحسنة في المجموعة الأولى، مما يعني أن 50% من الخلايا كانت ذات تكرار متوقع أقل من 5.

يُعد تطبيق مربع كاي التقليدي لبيرسون في هذه الحالة خرقاً صريحاً للافتراض الرابع يقود إلى قيمة $\chi^2 = 6.00$ و $p = .014$ وهي قيمة غير موثوقة توزيعياً. لجأ الفريق المنهجي إلى اختبار فيشر الدقيق (Fisher’s Exact Test)، والذي أظهر قيمة احتمالية دقيقة ثنائية الذيل بلغت $p = .039$. ورغم بقاء النتيجة دالة إحصائياً عند مستوى $\alpha = 0.05$، إلا أن الفارق بين القيمة المشوهة لمربع كاي ($0.014$) والقيمة الدقيقة لفيشر ($0.039$) كان جوهرياً وحاسماً لعدم تضخيم فاعلية التدخل السريري، وتم توثيق نسبة الأرجحية بدقة ($\text{OR} = 10.0, 95% \text{ CI } [1.32, 75.8]$).

10.3 دراسة حالة تعاني من انتهاك استقلالية البيانات: القياس القبلي والبعدي

قام باحث في الإرشاد النفسي بتقييم فاعلية ورشة تدريبية في تعزيز مهارات التفاوض وحل النزاعات لدى عينة من $N = 80$ موظفاً. تم تقييم مستوى امتلاك المهارة كمتغير ثنائي (يمتلك المهارة / لا يمتلك المهارة) في مرحلتين: قبل بدء الورشة التدريبية مباشرة (قياس قبلي)، وبعد انتهاء الورشة بشهرين (قياس بعدي).

قام الباحث المبتدئ بإنشاء جدول توافق $(2 \times 2)$ وضع في صفوفه زمن القياس (قبلي / بعدي) وفي أعمدته حالة المهارة (نعم / لا)، وأدخل تكرارات القياسين في برنامج التحليل وطبق اختبار مربع كاي للاستقلالية، فحصل على قيمة $\chi^2 = 14.22, p < .001$، واستنتج نجاح البرنامج التدريبي بدلالة إحصائية مرتفعة.

يُمثل هذا الإجراء خطأً منهجياً كارثياً؛ نظراً لأن درجات القياسين صادرة عن نفس المجموعة المكونة من 80 فرداً، مما يشكل انتهاكاً مطلقاً للافتراض الثاني (استقلالية المشاهدات) والافتراض الثالث (حيث تم احتساب كل مشارك مرتين في الجدول). تم تصحيح التحليل برفض نموذج كاي تربيع بالكامل واللجوء إلى اختبار ماكنيمار للعينات المترابطة (McNemar’s Test). ركز التحليل المصحح على الأفراد الذين غيروا حالتهم السلوكية: 25 موظفاً اكتسبوا المهارة بعد التدريب، مقابل 3 موظفين فقدوها، وأعطى اختبار ماكنيمار قيمة $\chi^2_{\text{McNemar}} = 17.28, p < .001$، موفراً تقييماً دقيقاً ومطابقاً للشروط الرياضية السليمة لتصاميم القياس المتكرر.

11. الأخطاء الشائعة والمفاهيم المغلوطة حول افتراضات كاي تربيع

11.1 الخلط الشائع بين التكرارات الملاحظة والتكرارات المتوقعة

يُعد الخلط بين التكرارات الملاحظة (Observed Frequencies) والتكرارات المتوقعة (Expected Frequencies) من أكثر المفاهيم المغلوطة شيوعاً بين طلاب الدراسات العليا والباحثين المبتدئين. يعتقد البعض خطأً أن وجود أي خلية في جدول البيانات الخام تحتوي على تكرار ملاحظ يساوي صفراً أو أقل من 5 يعني تلقائياً بطلان اختبار مربع كاي.

الحقيقة الإحصائية الصارمة هي أن قاعدة كوشران تتعلق حصرياً بـ التكرارات المتوقعة نظرياً المحسوبة رياضياً من المجاميع الهامشية ($E_{ij} = \frac{R_i \times C_j}{N}$). وبالتالي، فإنه من المقبول إحصائياً تماماً أن تحتوي خلية ما في الواقع العملي على تكرار ملاحظ قدره $O_{ij} = 0$، شريطة أن يكون التكرار المتوقع المحسوب لنفس الخلية $E_{ij} ge 5.0$. إن الصفر الملاحظ لا يمثل خرقاً للافتراض بل يمثل دليلاً ميدانياً قوياً على انحراف الواقع عن الفرضية الصفرية للاستقلالية.

11.2 المغالطات المتعلقة بحجم العينة الكلي واستقلالية الملاحظات

تسود في بعض الأوساط الأكاديمية مغالطة مفادها أن الحصول على “حجم عينة كبير جداً” (مثلاً $N > 1000$) يمنح الباحث حصانة تلقائية من انتهاكات الافتراضات الإحصائية الأخرى. هذه الفكرة مضللة تماماً؛ فحجم العينة الكبير لا يعوض ولا يصحح على الإطلاق انتهاك استقلالية البيانات أو خرق مبدأ الحصرية المتبادلة.

بل على النقيض من ذلك، فإن زيادة حجم العينة في ظل وجود بيانات مترابطة أو قياسات متكررة تؤدي إلى تفاقم التضخيم الزائف لقيمة كاي تربيع وزيادة احتمالية الخطأ من النوع الأول بصورة أشد خطورة. علاوة على ذلك، فإن العينات الضخمة جداً تجعل اختبار مربع كاي شديد الحساسية للفروق الطفيفة التافهة التي لا تحمل أي قيمة أو معنى سيكولوجي أو تطبيقي، مما يفرض دائماً إقران الدلالة الإحصائية بمؤشرات حجم الأثر (Effect Size).

11.3 سوء استخدام البدائل وتعديلات الاختبار

يقع بعض الباحثين في خطأ التطبيق العشوائي للبدائل الإحصائية دون مراعاة السياق المنهجي؛ مثل التطبيق التلقائي لتصحيح ييتس للاستمرارية على كافة الجداول الرباعية، متجاهلين أن هذا التصحيح يفرط في التحفظ ويخفض قوة الاختبار بشكل غير مبرر عندما تكون أحجام العينات كافية وتستوفي التكرارات المتوقعة بالكامل.

كما يبرز خطأ شائع آخر يتمثل في اللجوء المتعجل لدمج الفئات (Collapsing) بمجرد ملاحظة انخفاض طفيف في التكرار المتوقع لإحدى الخلايا، دون دراسة الأثر المفاهيمي لهذا الدمج على التعريف الإجرائي للمتغير النفسي. يُعد اللجوء للدمج تشويهاً للبحث إذا كان يؤدي إلى طمس فروق إكلينيكية دقيقة بين فئات متباينة كان ينبغي الحفاظ عليها وتحليلها عبر اختبار فيشر-فريمان-هالتون بدلاً من دمجها قسرياً.

12. دليل التوثيق الأكاديمي ومعايير تقارير APA للافتراضات والنتائج

12.1 كيفية كتابة قسم التحقق من الافتراضات في الرسائل والأبحاث

تشترط معايير النشر في المجلات العلمية المحكمة التابعة لجمعية علم النفس الأمريكية (American Psychological Association) الإفصاح المنهجي الشفاف عن فحص الافتراضات الإحصائية في قسم النتائج أو المنهجية قبل استعراض القيم الاستدلالية. يتعين على الباحث تضمين فقرة مخصصة توثق سلامة البيانات.

يجب أن تتضمن الصياغة إشارة واضحة إلى:

• طبيعة المتغيرات وتصنيفها الفئوي الاسمي أو الرتبي.
• تأكيد استقلالية المشاهدات وخلو التصميم من القياسات المتكررة أو التداخل.
• حالة التكرارات المتوقعة: تحديد النسبة المئوية للخلايا ذات التكرار المتوقع الأقل من 5 بدقة، وذكر القيمة الرقمية الصغرى لأقل تكرار متوقع في الجدول (Minimum Expected Count).
• التبرير المنهجي الصريح للجوء إلى الاختبارات البديلة (مثل اختبار فيشر الدقيق) في حال تم خرق أي من شروط كوشران.

12.2 صياغة نتائج اختبار مربع كاي وفق دليل جمعية علم النفس الأمريكية (APA 7th)

يحدد دليل النشر الأكاديمي (APA 7th Edition) نسقاً قياسياً موحداً لتوثيق نتائج اختبار مربع كاي للاستقلالية في المتن الإحصائي. تتضمن الصيغة القياسية كتابة الرمز الإغريقي لكاي تربيع مائلاً ($\chi^2$)، متبوعاً بأقواس تحتوي على درجات الحرية وحجم العينة الإجمالي، ثم علامة المساواة وقيمة الإحصاء المحسوبة مقربة لأقرب منزلتين عشريتين، ثم القيمة الاحتمالية الدقيقة ($p$-value)، وأخيراً قيمة معامل حجم الأثر الملائم (معامل فاي $phi$ للجداول الثنائية $2 \times 2$، أو معامل كرامر $V$ للجداول الأكبر $R \times C$).

تأخذ الصيغة الرياضية العامة في المتن النسق التالي:

$$\chi^2(\text{df}, N = dots) = dots, p = dots, V = dots$$

وفيما يلي نماذج تطبيقية للصياغة الأكاديمية المعتمدة باللغتين العربية والإنجليزية:

النموذج الأول: حالة استيفاء الافتراضات (جدول 3×2):

باللغة العربية: “تم إجراء اختبار مربع كاي لبيرسون للاستقلالية لفحص العلاقة بين نمط الشخصية (انبساطي، عصابي، ضميري) والأسلوب المفضل للتكيف مع الضغوط (مشكلة، انفعال). تم التحقق من كافة الافتراضات؛ حيث كانت جميع التكرارات المتوقعة أكبر من 5، وبلغت أدنى قيمة متوقعة 38.50 (0.0% من الخلايا أقل من 5). أظهرت النتائج وجود علاقة ارتباطية دالة إحصائياً بين المتغيرين، $\chi^2(2, N = 300) = 28.45, p < .001, V = .31$، مما يشير إلى حجم أثر متوسط.”

باللغة الإنجليزية: “A Pearson’s chi-square test of independence was conducted to examine the relationship between personality traits and stress coping styles. All assumptions were met; no cells had expected counts less than 5, and the minimum expected count was 38.50. The association was statistically significant, $\chi^2(2, N = 300) = 28.45, p < .001, V = .31$, indicating a moderate effect size.”

النموذج الثاني: حالة انتهاك الافتراض واللجوء لاختبار فيشر الدقيق (جدول 2×2):

باللغة العربية: “نظراً لصغر حجم العينة وانخفاض التكرارات المتوقعة عن 5 في خليتين (50.0% من الخلايا، بأدنى تكرار متوقع بلغ 3.50)، تم استخدام اختبار فيشر الدقيق بدلاً من مربع كاي لبيرسون لفحص الفروق في الاستجابة العلاجية بين المجموعتين. أظهر الاختبار تفوقاً دالاً إحصائياً للمجموعة التجريبية في نسب التحسن الإكلينيكي ($p = .039$, Two-tailed)، مع نسبة أرجحية بلغت $\text{OR} = 10.00, 95% \text{ CI } [1.32, 75.82]$.”

باللغة الإنجليزية: “Because the expected cell count assumption was violated (50% of cells had expected counts < 5; minimum expected count = 3.50), Fisher’s exact test was used. The proportion of patients showing clinical improvement was significantly higher in the experimental group compared to the control group ($p = .039$, two-tailed, $\text{OR} = 10.00, 95% \text{ CI } [1.32, 75.82]$).”

12.3 أفضل الممارسات للشفافية وتكرارية البحوث (Reproducibility)

استجابة للتوجهات المعاصرة في تعزيز الشفافية وقابلية التكرار في الأبحاث السلوكية، يتعين على الباحثين الالتزام بعدد من الممارسات الفضلى عند تقديم نتائج اختبارات مربع كاي. تشمل هذه الممارسات إدراج جداول التوافق كاملة متضمنة التكرارات الملاحظة والتكرارات المتوقعة والنسب المئوية داخل ملاحق البحث أو في متنه الرئيسي.

كما يُوصى بشدة بمشاركة الأكواد والبرمجيات النصية المستخدمة في التحليل (سواء كانت أكواد R Script أو أوامر Syntax في SPSS أو أكواد Python) عبر مستودعات البيانات المفتوحة مثل منصة Open Science Framework (OSF). يتيح ذلك للمحكمين والباحثين المستقلين التحقق المباشر من استيفاء الافتراضات وإعادة توليد نفس المخرجات الإحصائية بدقة تامة، مما يعزز الثقة الأكاديمية في المعرفة العلمية المنتجة.

خاتمة واستنتاجات منهجية

يظل اختبار مربع كاي للاستقلالية أحد أعمدة التحليل الاستدلالي اللامعلمي في العلوم النفسية والاجتماعية والتربوية، موفراً نافذة إحصائية دقيقة لسبر أغوار العلاقات بين المتغيرات النوعية والفئوية. ومع ذلك، فإن القوة التفسيرية لهذا الاختبار تظل مشروطة تماماً بمدى التزام الباحث بالتحقق الصارم من استيفاء افتراضاته الأربعة الأساسية: فئوية المتغيرات، واستقلالية المشاهدات، وحصرية الخلايا في جداول التوافق، وكفاية التكرارات المتوقعة وفق معايير كوشران الرياضية.

إن التحقق من هذه الافتراضات ليس مجرد إجراء روتيني أو قيد تقني، بل هو صمام الأمان الذي يحمي البحث السيكولوجي من الانزلاق إلى الاستنتاجات المضللة والقرارات الإكلينيكية الخاطئة. وعندما تفرض طبيعة الميدان السلوكي قيوداً تجعل استيفاء الشروط أمراً متعذراً، فإن الترسانة الإحصائية الحديثة توفر بدائل متينة وعالية الدقة؛ بدءاً من اختبار فيشر الدقيق وتصحيح ييتس، وصولاً إلى اختبار ماكنيمار والنماذج اللوغاريتمية الخطية وأساليب البوتستراب.

إن التزام الباحث النفسي بالصرامة المنهجية، والشفافية في الإفصاح عن حالة الافتراضات وتوثيق النتائج وفق المعايير العالمية المعاصرة (APA 7th)، هو السبيل الأوحد لبناء صروح علمية موثوقة تسهم بفاعلية في فهم السلوك الإنساني وتطوير التدخلات العلاجية والتربوية المستندة إلى الأدلة الإحصائية الراسخة.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/Categorical+Data+Analysis%2C+3rd+Edition-p-9780470463635
• Cochran, W. G. (1952). The $\chi^2$ test of goodness of fit. The Annals of Mathematical Statistics, 23(3), 315–345. https://doi.org/10.1214/aoms/1177729380
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://uk.sagepub.com/en-gb/eur/discovering-statistics-using-ibm-spss-statistics/book257683
• Fisher, R. A. (1922). On the interpretation of $\chi^2$ from contingency tables, and the calculation of P. Journal of the Royal Statistical Society, 85(1), 87–94. https://doi.org/10.2307/2340521
• McHugh, M. L. (2013). The chi-square test of independence. Biochemia Medica, 23(2), 143–149. https://doi.org/10.11613/BM.2013.018
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill. https://www.worldcat.org/title/nonparametric-statistics-for-the-behavioral-sciences/oclc/17412248
• 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
• Yates, F. (1934). Contingency tables involving small numbers and the $\chi^2$ test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217–235. https://doi.org/10.2307/2983604