الإحصاء النفسيطرق البحث والقياس السلوكي

اختبارات جودة المطابقة للتوزيعات المنفصلة

دليل أكاديمي شامل حول اختبارات جودة المطابقة للتوزيعات الاحتمالية المنفصلة وتطبيقاتها المنهجية والإحصائية في القياس النفسي والعلوم السلوكية.

تاريخ النشر

تُعد النمذجة الإحصائية للبيانات المنفصلة إحدى الركائز الأساسية في القياس النفسي والتربوي والعلوم السلوكية الحديثة، حيث تتخذ معظم الاستجابات والظواهر الإنسانية المقاسة طابعاً عددياً متقطعاً يعكس تكرار سلوك معين، أو درجات رتبية على مقاييس ليكرت، أو استجابات ثنائية في اختبارات القدرات المعرفية. وعلى خلاف المتغيرات المتصلة التي تفترض استمرارية لانهائية ولا متناهية في الصغر بين أي قيمتين، تفرض البيانات المنفصلة قيوداً رياضية وهندسية محددة على فضاء العينة، مما يجعل افتراض التوزيع الطبيعي التقليدي غير ملائم ويقود إلى استنتاجات سيكومترية مضللة ونتائج إحصائية زائفة.

من هذا المنطلق، تبرز اختبارات جودة المطابقة (Goodness-of-Fit Tests) كأداة تشخيصية وتحليلية لا غنى عنها للتحقق من مدى اتساق البيانات التجريبية المشاهدة مع التوزيعات الاحتمالية النظرية المفترضة، مثل توزيع برنولي، والتوزيع الثنائي، وتوزيع بواسون، وتوزيع ثنائي الحدين السالب، والتوزيع الهندسي. إن تقييم حسن المطابقة ليس مجرد إجراء فني شكلي، بل هو الأساس المعرفي الذي يُبنى عليه صدق النماذج السيكومترية، ودقة تقدير معالم الفقرات، وضمان كفاءة القرارات الإكلينيكية والتشخيصية المستندة إلى الاختبارات والمقاييس النفسية المقننة.

يتناول هذا الدليل المرجعي الشامل الأسس النظرية والتطبيقية العميقة لاختبارات جودة المطابقة الموجهة للتوزيعات المنفصلة، مستعرضاً الاشتقاقات الرياضية، والشروط البارامترية واللابارامترية، والمعالجات الإحصائية المتقدمة للظواهر المعقدة كالتشتت الفائق والتضخم الصفري، مع توضيح آليات التطبيق البرمجي عبر حزم R وSPSS وPython، وتوثيق النتائج وفق المعايير الصارمة لجمعية علم النفس الأمريكية (APA).

جدول المحتويات

1. الأسس النظرية للتوزيعات الاحتمالية المنفصلة في القياس النفسي

1.1 تعريف المتغيرات العشوائية المنفصلة وخصائصها الرياضية

يُعرَّف المتغير العشوائي المنفصل (Discrete Random Variable) في سياق القياس النفسي بأنه اقتران رياضي يربط بين نواتج فضاء العينة السلوكية ومجموعة جزئية من الأعداد الحقيقية القابلة للعد، سواء كانت هذه المجموعة محدودة (Finite) كعدد الإجابات الصحيحة في اختبار مكون من ثلاثين فقرة، أو قابلة للعد ولانهائية (Countably Infinite) كنظريات زمن الرجع المقاس بعدد المحاولات الفاشلة حتى الوصول للحل. يكمن الفارق الجوهري بين المتغيرات المنفصلة والمتصلة في أن الأولى تتميز بوجود فجوات كمية فاصلة بين القيم المتتالية، حيث تأخذ الاحتمالات قيماً نقطية موجبة محددة عند نقاط منفردة، بينما تنعدم احتمالية النقطة المفردة تماماً في المتغيرات المتصلة وتُستبدل بالمساحة تحت منحنى الكثافة الاحتمالية.

تخضع المتغيرات المنفصلة لما يُعرف بـ دالة الكتلة الاحتمالية (Probability Mass Function – PMF)، والتي يُرمز لها بالرمز $P(X = x) = f(x)$، وتحدد احتمالية اتخاذ المتغير العشوائي $X$ لقيمة معينة $x$. تشترط هذه الدالة استيفاء محددين رياضيين رئيسيين: أولهما أن يكون الاحتمال المرتبط بكل قيمة محصوراً في الفترة المغلقة بين الصفر والواحد الصحيح، أي أن $0 le f(x) le 1$ لجميع قيم $x$ الممكنة، وثانيهما تحقيق شرط المجموع الواحدي الذي ينص على أن مجموع احتمالات جميع القيم في فضاء العينة يجب أن يساوي الواحد الصحيح تماماً، وصيغته الرياضية $\sum_{x} f(x) = 1$.

تعتمد الخصائص الوصفية للمتغيرات السيكومترية المنفصلة على مفهوم القيمة المتوقعة (Expected Value) والتباين (Variance). تُعبر القيمة المتوقعة $E(X) = \mu$ عن المركز الثقلي للتوزيع، وتُحسب عبر جمع حواصل ضرب كل قيمة محتملة للمتغير في كتلتها الاحتمالية المقابلة، وفق المعادلة $E(X) = \sum x f(x)$. أما التباين $\sigma^2$ فيعكس مقدار تشتت الاستجابات السلوكية حول هذا المتوسط النظري، ويُشتق رياضياً من خلال العزم المركزي الثاني عبر الصيغة $Var(X) = E[(X – \mu)^2] = \sum (x – \mu)^2 f(x) = E(X^2) – [E(X)]^2$. إن الدقة في تحديد هذه المعالم تمثل اللبنة الأولى لبناء النماذج القياسية واختبار مدى مطابقتها للبيانات الفعلية المستمدة من التطبيقات الميدانية.

1.2 أنماط البيانات المنفصلة الشائعة في البحوث النفسية

تتعدد أشكال وتصنيفات البيانات المنفصلة في البحوث السلوكية والنفسية تبعاً لطبيعة أداة القياس والظاهرة المراد رصدها. يبرز أولاً نمط بيانات العد والتكرارات (Count Data)، وهي قيم عددية صحيحة غير سالبة تمثل تكرار حدوث سلوك نمطي محدد خلال فترة زمنية ثابتة أو داخل بيئة محكومة، مثل تكرار السلوك النمطي الحركي لدى أطفال اضطراب طيف التوحد، أو عدد نوبات الهلع التي يمر بها المريض أسبوعياً، أو عدد مرات مقاطعة الحديث أثناء جلسات العلاج الجمعي. تتسم هذه البيانات بأنها مقيدة بالصفر من الأسفل وتتبع غالباً توزيعات غير متماثلة تلتوي جهة اليمين.

يتمثل النمط الثاني في البيانات الثنائية أو ثنائية التفرع (Binary/Dichotomous Data)، وهي الاستجابات التي لا تحتمل سوى قيمتين فقط، تُرمز عادة بالرقمين (0 و 1)، كما هو الحال في بنود الاختبارات المعرفية واختبارات التحصيل والذكاء (إجابة صحيحة مقابل إجابة خاطئة)، أو في المؤشرات العيادية التشخيصية (وجود العَرَض مقابل غيابه). تشكل هذه البيانات حجر الزاوية في نظرية استجابة المفردة (Item Response Theory) والنماذج اللوجستية كنموذج راش (Rasch Model).

أما النمط الثالث فيشمل بيانات مقاييس ليكرت (Likert Scales) التي تُصنف من الناحية النظرية كبيانات رتبية منفصلة (Ordinal Discrete Data)، حيث يُطلب من المستجيب تحديد درجة موافقته على متصل متدرج يضم خيارات محدودة ومعدودة (مثل: غير موافق بشدة = 1، إلى موافق بشدة = 5). ورغم شيوع معاملة هذه البيانات كمتغيرات متصلة في الممارسات السيكومترية التقليدية، إلا أن المعالجة الرياضية الدقيقة تقتضي التعامل معها كفئات منفصلة ذات ترتيب طبيعي لتجنب الأخطاء القياسية في تقدير التباين والارتباطات البوليكورية (Polychoric Correlations).

وأخيراً، تتجسد البيانات متعددة الفئات الاسمية (Nominal Polytomous Data) في التوزيعات التصنيفية الخالية من الترتيب التفاضلي، كالمجموعات التشخيصية للاضطرابات النفسية وفق الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5)، أو الأنماط المزاجية، أو تفضيل التخصصات الدراسية؛ حيث يتطلب كل نمط من هذه الأنماط معالجة احتمالية متباينة ونموذجاً نظرياً مخصصاً لاختبار جودة مطابقته.

1.3 مبررات التحقق من التوزيع النظري للبيانات التجريبية

إن التحقق الصارم من التوزيع الاحتمالي الذي تتبعه البيانات التجريبية يمثل ركيزة لا غنى عنها في منهجية البحث السيكومتري لعدة أسباب علمية ومنهجية بالغة الأهمية. أولاً، ترتكز عملية بناء وتطوير المقاييس النفسية والاختبارات القياسية على افتراضات توزيعية كامنة؛ فالفشل في مطابقة التوزيع الفعلي للبيانات مع النموذج النظري يفضي إلى تقديرات غير دقيقة لمعاملات الصعوبة والتمييز للفقرات، ويقوض من موثوقية الدرجات المعيارية المشتقة (مثل الدرجات التائية أو المئينات)، مما يؤثر سلباً على عملية اتخاذ القرارات المصيرية المبنية على تلك الاختبارات.

ثانياً، يؤدي سوء تحديد التوزيع الاحتمالي (Distributional Misspecification) إلى الوقوع في أخطاء الاستدلال الإحصائي؛ إذ إن تطبيق اختبارات معلمية تفترض التوزيع الطبيعي على بيانات عد تتبع توزيع بواسون أو ثنائي الحدين يرفع بصورة حادة من معدلات الخطأ من النوع الأول (Type I Error) برفض الفرضية الصفرية الصائبة وزعم وجود فروق أو علاقات وهمية، أو يزيد من معدلات الخطأ من النوع الثاني (Type II Error) بتثبيط القوة الإحصائية (Statistical Power) للاختبار وفقدان القدرة على اكتشاف الآثار الإكلينيكية الحقيقية ذات الدلالة العلمية.

ثالثاً، يُسهم التحقق من جودة المطابقة في التوجيه الدقيق نحو اختيار الأساليب الإحصائية المعلمية واللامعلمية المناسبة؛ فالتحقق من مطابقة البيانات لتوزيع منفصل محدد يفتح المجال لاستخدام النماذج الخطية المعممة (Generalized Linear Models – GLM) كالتحوف البواسوني (Poisson Regression) أو انحدار ثنائي الحدين السالب (Negative Binomial Regression)، وهي نماذج ذات كفاءة رياضية متفوقة وقدرة أعلى على نمذجة البواقي والتنبؤ بالاستجابات السلوكية المعقدة مقارنة بالنماذج الخطية التقليدية المبنية على المربعات الصغرى العادية (OLS).

2. المفاهيم الجوهرية لاختبارات جودة المطابقة (Goodness-of-Fit)

2.1 فلسفة اختبار جودة المطابقة وفرضياته الإحصائية

تتمحور الفلسفة الكامنة وراء اختبارات جودة المطابقة حول فحص درجة التقارب والانسجام بين التوزيع التكراري التجريبي المشاهد (Observed Empirical Distribution) المستخلص من عينة الدراسة الميدانية، والتوزيع الاحتمالي النظري المتوقع (Theoretical Expected Distribution) المشتق من اعتبارات رياضية أو فرضيات سيكومترية قبلية. تنطلق هذه العملية من مبدأ قياس المسافة أو الحيود الرياضي بين ما حدث بالفعل في سياق القياس السلوكي وما كان يُتوقع حدوثه تحت مظلة النموذج الاحتمالي المفترض.

تُصاغ الفرضيات الإحصائية في اختبارات جودة المطابقة بنمط يختلف نوعاً ما عن الاختبارات الاستدلالية التقليدية المقارنة للمتوسطات؛ حيث تُصاغ الفرضية الصفرية ($H_0$) لتنص على أن البيانات المشاهدة تتبع التوزيع النظري المقترح وتتطابق معه تطابقاً إحصائياً تاماً، أي أن:

$$H_0: F(x) = F_0(x) \quad \text{for all } x$$

حيث يمثل $F(x)$ دالة التوزيع الحقيقية للمجتمع، ويمثل $F_0(x)$ دالة التوزيع المحددة وفق النموذج النظري المنفصل المقترح. وتُعبر هذه الفرضية عن تطابق البنية الهيكلية للبيانات مع النموذج.

في المقابل، تُصاغ الفرضية البديلة ($H_1$) لتنص على عدم تطابق التوزيع المشاهد مع التوزيع النظري المفترض لبعض قيم $x$ على الأقل، مما يشير إلى وجود حيود جوهري لا يمكن عزوه لأخطاء المعاينة العشوائية وحدها. في هذا السياق، يسعى الباحث السيكومتري غالباً إلى الاحتفاظ بالفرضية الصفرية (عدم رفض $H_0$) كدليل داعم على جودة وكفاءة النموذج النظري المقترح، مما يجعل مفهوم التباين المتبقي (Residual Variance) مقياساً حرجاً؛ فكلما تضاءل هذا التباين، تعززت الثقة في أن النموذج يفسر النمط السلوكي قيد الدراسة بأعلى درجات الكفاية الإحصائية.

2.2 مقارنة التكرارات المشاهدة بالتكرارات المتوقعة

تستند خوارزمية اختبارات جودة المطابقة على التوليد الرياضي للتكرارات المتوقعة ($E_i$) لكل فئة أو قيمة منفصلة من فئات المتغير، ومقارنتها مباشرة بالتكرارات المشاهدة الفعلية ($O_i$). تُحسب التكرارات المتوقعة عبر ضرب الحجم الكلي للعينة ($N$) في الاحتمال النظري ($p_i$) المناظر لتلك الفئة المشتق من دالة الكتلة الاحتمالية للتوزيع المفترض، وذلك وفق المعادلة الرياضية البديهية:

$$E_i = N \times P(X = x_i) = N \cdot p_i$$

تخضع هذه العملية لشرط المجموع الثابت، حيث يتطابق المجموع الكلي للتكرارات المشاهدة دوماً مع المجموع الكلي للتكرارات المتوقعة، أي أن $\sum O_i = \sum E_i = N$.

يرتبط هذا الإجراء بمفهوم إحصائي جوهري هو درجات الحرية (Degrees of Freedom – $df$)، والتي تمثل عدد القيود المستقلة المفروضة على منظومة الحساب. تُحدد درجات الحرية في الاختبارات البسيطة بالمعادلة $df = k – 1 – m$، حيث يشير $k$ إلى عدد الفئات المنفصلة للمتغير، بينما يمثل الرقم 1 القيد الخطي الحتمي المفروض بواسطة المجموع الكلي للعينة ($\sum O_i = N$)، ويُعبر $m$ عن عدد المعالم الإحصائية غير المعروفة التي تم تقديرها مباشرة من بيانات العينة (مثل تقدير المتوسط $lambda$ في توزيع بواسون، أو احتمال النجاح $p$ في التوزيع الثنائي).

يلعب قرار تجميع الفئات المتطرفة أو النادرة (Category Pooling) دوراً حاسماً في الحفاظ على صحة التوزيع التقاربي للاختبار وتجنب انهيار درجات الحرية، إلا أنه في الوقت ذاته قد يؤدي إلى فقدان التفاصيل الدقيقة للظاهرة المقاسة، مما يفرض على الباحث موازنة دقيقة بين القوة الإحصائية للاختبار والمحافظة على المعنى الإكلينيكي للفئات المجمعة.

2.3 مؤشرات حجم الأثر وحسن المطابقة التكميلية

نظراً لأن اختبارات الدلالة الإحصائية التقليدية لجودة المطابقة تتأثر بشدة بحجم العينة ($N$)؛ حيث تميل العينات الضخمة إلى رفض الفرضية الصفرية حتى في حالات الانحرافات الطفيفة غير ذات الأهمية العملية، يصبح لزاماً على الباحث السيكومتري الاستعانة بمؤشرات حجم الأثر (Effect Size Indices) ومقاييس جودة التوفيق المقارنة لتقييم الدلالة التطبيقية والإكلينيكية للنموذج.

في سياق الجداول التكرارية المنفصلة أحادية البعد ومتعددة الأبعاد، يُستخدم معامل فاي ($phi$) للجداول الثنائية، بينما يبرز معامل كرامر (Cramér’s $V$) أو معامل$W$ لكوهين (Cohen’s $w$) كأحد أهم مقاييس حجم الأثر لاختبار كاي تربيع لجودة المطابقة. يُحسب مؤشر كوهين$w$ عبر الصيغة الرياضية التالية:

$$w = \sqrt{\sum_{i=1}^{k} \frac{(p_{0i} – p_{1i})^2}{p_{0i}}} = \sqrt{\frac{\chi^2}{N}}$$

حيث يمثل $p_{0i}$ الاحتمال النظري المتوقع تحت الفرضية الصفرية، و$p_{1i}$ الاحتمال النسبي المشاهد في العينة. تُفسر قيم $w$ عادة وفق معايير كوهين: 0.10 يمثل أثراً صغيراً، و0.30 يمثل أثراً متوسطاً، و0.50 يمثل أثراً كبيراً.

علاوة على ذلك، تُستخدم معايير المعلومات النظرية للمفاضلة بين النماذج المنفصلة المتنافسة غير المتداخلة، وعلى رأسها معيار أكايكي للمعلومات (Akaike Information Criterion – AIC) والمعيار البايزي للمعلومات (Bayesian Information Criterion – BIC). تُعاقب هذه المعايير تعقيد النموذج الإحصائي بفرض جزاء رياضي على عدد المعلمات المقدرة ($m$)، وتُحسب وفق الصيغتين:

$$AIC = 2m – 2\ln(\hat{L})$$

$$BIC = m\ln(N) – 2\ln(\hat{L})$$

حيث تمثل $\hat{L}$ دالة الإمكان الأعظم المعظمة (Maximized Likelihood). يُعد النموذج الذي يحقق أدنى قيمة لكل من AIC وBIC هو التوزيع المنفصل الأكثر كفاءة وجودة في مطابقة وتمثيل الظاهرة النفسية المقاسة.

3. اختبار كاي تربيع لجودة المطابقة (Chi-Square Goodness-of-Fit Test)

3.1 الاشتقاق الرياضي لمنطق إحصاء كاي تربيع

يستند اختبار كاي تربيع لجودة المطابقة، الذي ابتكره كارل بيرسون عام 1900، إلى منطق رياضي محكم يهدف إلى قياس التباعد بين التكرارات المشاهدة والتكرارات المتوقعة. ينطلق الاشتقاق الرياضي لإحصاء بيرسون ($\chi^2$) من تقريب التوزيع المتعدد الحدود (Multinomial Distribution) بواسطة التوزيع الطبيعي متعدد المتغيرات في ظل العينات الكبيرة. إذا كان لدينا متغير منفصل يضم $k$ من الفئات الحصرية والشاملة، فإن صيغة بيرسون التراكمية تُكتب على النحو التالي:

$$\chi^2 = \sum_{i=1}^{k} \frac{(O_i – E_i)^2}{E_i}$$

حيث يمثل $O_i$ التكرار المشاهد في الفئة $i$، و$E_i$ التكرار المتوقع لنفس الفئة تحت النموذج النظري المفترض.

لتوضيح البنية الرياضية لهذا الإحصاء، يمكن تفكيك كل حد من حدود المجموع كالتالي: يمثل البسط $(O_i – E_i)^2$ مربع الانحراف المطلق عن القيمة المتوقعة، بينما يمثل المقام $E_i$ تباين التوزيع في حالة التوزيعات التي تعتمد على عمليات العد الثنائية والمتعددة تحت تقريب بواسون. بقسمة المربع على التباين، نتحصل على متغير عياري معياري تربيعي يماثل المتغير العشوائي الطبيعي القياسي المربع $Z_i^2 \approx \frac{(O_i – E_i)^2}{Var(O_i)}$. ونظراً لأن مجموع مربعات المتغيرات الطبيعية القياسية المستقلة يتبع توزيع كاي تربيع، فإن الإحصاء الكلي يتقارب تقاربياً (Asymptotically) نحو توزيع كاي تربيع النظري بإنفينيتي درجات الحرية.

تتحدد درجات الحرية المرتبطة بهذا الإحصاء بالمعادلة $df = k – 1 – m$. في حال كانت جميع المعالم محددة سلفاً بناءً على نظرية نفسية مسبقة ($m=0$)، تكون درجات الحرية مساوية لـ $k – 1$. أما إذا قُدرت المعالم من بيانات العينة الاستكشافية باستخدام مقدرات الإمكان الأعظم الفعالة، فإن كل معلمة مقدرة تستهلك درجة حرية إضافية، مما ينقل توزيع الإحصاء المحسوب إلى توزيع كاي تربيع بدرجات حرية أقل، وهو ما يضمن الحفاظ على مستوى الدلالة الاسمي للاختبار ($\alpha$).

3.2 الافتراضات الأساسية والشروط الإحصائية لتطبيق الاختبار

يتطلب التطبيق الصائب لاختبار كاي تربيع لجودة المطابقة استيفاء حزمة من الافتراضات والضوابط المنهجية لضمان سلامة الاستدلال الإحصائي وعدم انتهاك الخصائص التقاربية للتوزيع النظري. يتمثل الافتراض الأول والأهم في استقلالية الملاحظات (Independence of Observations)، مما يعني أن استجابة أي مفحوص أو وحدة تجريبية يجب ألا تؤثر على استجابة أي مفحوص آخر، ويستبعد هذا الشرط تماماً تطبيق الاختبار على القياسات المتكررة (Repeated Measures) أو البيانات الطولية أو العينات العنقودية ما لم تُجرَ تعديلات سيكومترية خاصة.

يرتبط الافتراض الثاني بالحجم الأدنى للتكرارات المتوقعة، وهو ما يُعرف بـ قواعد كوكران (Cochran’s Rules). تنص هذه القواعد المنهجية على ما يلي:

  • يجب ألا تقل التكرارات المتوقعة في أي فئة من الفئات عن 1 على الإطلاق ($E_i ge 1$).
  • يجب ألا تقل التكرارات المتوقعة عن 5 في أكثر من 20% من إجمالي عدد الفئات ($E_i ge 5$ في 80% على الأقل من الخلايا).

يؤدي الإخلال بهذه القواعد إلى انتفاخ قيمة الخطأ المعياري، وتحريف القيمة الاحتمالية المحسوبة ($p$-value)، مما يجعل الاختبار غير محافظ ويميل لرفض الفرضية الصفرية بشكل خاطئ.

يتمثل التحدي الثالث في تأثير الحجم المفرط للعينة (Excessive Sample Size)؛ حيث يتميز إحصاء كاي تربيع بحساسية فائقة للعينات الضخمة ($N > 1000$). في مثل هذه البيئات البحثية، تصبح أدنى الانحرافات الطفيفة وغير الجوهرية بين التكرار المشاهد والمتوقع دالة إحصائياً، مما يقود إلى رفض زائف للنماذج السيكومترية الممتازة. يُوصى في هذه الحالات بالاعتماد المشترك على مؤشرات حجم الأثر وفترات الثقة لمكملات جودة التوفيق بدلاً من الاقتصار على الدلالة الإحصائية النقطية.

3.3 تطبيق عملي: التحقق من التوزيع المنتظم للاستجابات السلوكية

لتوضيح التطبيق الإجرائي لاختبار كاي تربيع، نفترض دراسة سيكومترية إكلينيكية أُجريت على عينة عشوائية مكونة من 200 مريض يعانون من اضطراب القلق العام، حيث خُيِّر كل مريض لاختيار نمط واحد مفضل من بين أربعة برامج تدريبية علاجية متاحة: (أ) العلاج المعرفي السلوكي التقليدي، (ب) العلاج بالقبول والالتزام، (ج) العلاج باليقظة الذهنية، (د) العلاج التحليلي الديناميكي القصير. تهدف الفرضية الصفرية إلى التحقق مما إذا كان تفضيل المرضى يتبع التوزيع المنتظم المنفصل (Discrete Uniform Distribution)، أي أن جميع الخيارات متساوية الجاذبية الإكلينيكية باحتمال متساوٍ $p_i = 1/4 = 0.25$.

أظهرت البيانات الميدانية التكرارات المشاهدة التالية: اختار النمط (أ) 65 مريضاً، والنمط (ب) 45 مريضاً، والنمط (ج) 55 مريضاً، والنمط (د) 35 مريضاً. بناءً على فرضية التوزيع المنتظم، يكون التكرار المتوقع الثابت لكل فئة مساوياً لـ:

$$E_i = N \times p_i = 200 \times 0.25 = 50$$

نلاحظ أن جميع التكرارات المتوقعة تفوق الحد الأدنى لكوكران ($50 ge 5$). نقوم الآن بحساب مكونات كاي تربيع عبر الفئات الأربع:

  • الفئة (أ): $\frac{(65 – 50)^2}{50} = \frac{15^2}{50} = \frac{225}{50} = 4.50$
  • الفئة (ب): $\frac{(45 – 50)^2}{50} = \frac{(-5)^2}{50} = \frac{25}{50} = 0.50$
  • الفئة (ج): $\frac{(55 – 50)^2}{50} = \frac{5^2}{50} = \frac{25}{50} = 0.50$
  • الفئة (د): $\frac{(35 – 50)^2}{50} = \frac{(-15)^2}{50} = \frac{225}{50} = 4.50$

بجمع هذه القيم نحصل على الإحصاء الكلي: $\chi^2 = 4.50 + 0.50 + 0.50 + 4.50 = 10.00$. تُحسب درجات الحرية بالمعادلة $df = 4 – 1 – 0 = 3$. بالرجوع إلى التوزيع النظري لكاي تربيع عند مستوى دلالة $\alpha = 0.05$، نجد أن القيمة الحرجة المقابلة هي $\chi^2_{crit(3, 0.05)} = 7.815$. وبما أن القيمة المحسوبة (10.00) تفوق القيمة الحرجة ($10.00 > 7.815$) وبقيمة احتمالية$p = 0.0186$، فإننا نرفض الفرضية الصفرية ونستنتج عدم تطابق تفضيلات المرضى مع التوزيع المنتظم، مع وجود تفضيل دال لصالح العلاج المعرفي السلوكي ونفور نسبي من العلاج الديناميكي، مع حجم أثر كوهين$w = sqrt{10/200} = 0.224$، وهو ما يمثل حجماً صغيراً إلى متوسط الأهمية إكلينيكياً.

4. اختبار جودة المطابقة للتوزيع الثنائي وتوزيع برنولي

4.1 خصائص التوزيع الثنائي في قياس الاستجابة للمفردات الاختبارية

يمثل التوزيع الثنائي (Binomial Distribution) وتوأمه الأساسي توزيع برنولي (Bernoulli Distribution) الأساس الرياضي الأكثر انتشاراً في القياس السلوكي وتحليل بنود الاختبارات الموضوعية. يصف توزيع برنولي محاولة تجريبية واحدة ذات ناتجين متناقضين وثنائيين: إما “نجاح” (يُرمز له بالرقم 1) باحتمال حدوث $p$، أو “فشل” (يُرمز له بالرقم 0) باحتمال$q = 1 – p$. ويتوسع هذا النموذج ليشكل التوزيع الثنائي الكلي$B(n, p)$ الذي يمثل المجموع التراكمي لعدد مرات النجاح المتحققة ($k$) في عدد ثابت ومستقل من المحاولات المتماثلة قدره$n$.

تُصاغ دالة الكتلة الاحتمالية للتوزيع الثنائي باستخدام التوافيق الرياضية على النحو التالي:

$$P(X = k) = \binom{n}{k} p^k (1-p)^{n-k} = \frac{n!}{k!(n-k)!} p^k q^{n-k}$$

حيث تتراوح قيم $k$ الممكنة بين $0$ و $n$. تتسم الخصائص الرياضية لهذا التوزيع بمتوسط حسابي يُعطى بالمعادلة$mu = E(X) = np$، وتباين يُحسب عبر الصيغة$sigma^2 = Var(X) = np(1-p) = npq$. نلاحظ هنا أن تباين التوزيع الثنائي يعتمد اعتماداً بنيوياً مطلقاً على قيمة المتوسط$p$؛ حيث يصل التباين إلى أقصى قيمة ممكنة له عندما تكون المفردة متوازنة تماماً عند مستوى صعوبة$p = 0.50$ ($Var = 0.25n$)، بينما يتقلص التباين تدريجياً كلما اقتربت الفقرة من الصعوبة الشديدة ($p to 0$) أو السهولة المفرطة ($p to 1$).

في سيكومترية القدرات المعرفية، يُفترض أن مجموع الدرجات الخام للمفحوص في مقياس فرعي متجانس يضم فقرات متطابقة الصعوبة والاستقلالية يتبع توزيعاً ثنائياً تاماً. تمثل دالة التوزيع التراكمي $F(x) = P(X le x)$ احتمالية تحقيق أداء لا يتجاوز عتبة معينة، وتُستخدم كنقطة ارتكاز لمقارنة التوزيعات التجريبية للمختبرين وتحديد ما إذا كان الاختبار يقيس سمة أحادية البعد دون تدخل لعوامل التخمين أو الترابط الموضعي بين الفقرات.

4.2 الإجراءات المنهجية لاختبار مطابقة التوزيع الثنائي

تعتمد الإجراءات المنهجية لاختبار مطابقة البيانات لتوزيع ثنائي على حجم العينة وعدد الفئات الملاحظة. في حالة العينات الصغيرة أو دراسة الفقرات الفردية المعزولة، يُستخدم الاختبار الثنائي الدقيق (Exact Binomial Test). يستند هذا الاختبار إلى الحساب التوافقي المباشر للقيمة الاحتمالية التراكمية الدقيقة للذيلين دون الحاجة لأي تقريب لامتناهٍ، مما يضمن دقة استدلالية مطلقة وثباتاً في معدل الخطأ من النوع الأول حتى في أصغر أحجام المعاينة الإكلينيكية.

أما عند اختبار مجموع الدرجات لعدة محاولات ومقارنة التكرارات المشاهدة لكل درجة $k$ بالتكرارات النظرية الثنائية، فإن اختبار كاي تربيع لجودة المطابقة يُعد الأسلوب الأكثر ملاءمة. يتم إجراء الاختبار عبر الخطوات المنهجية التالية:

  1. تقدير معلمة الاحتمال $\hat{p}$ من بيانات العينة إذا لم تكن محددة سلفاً، عبر قسمة المتوسط المشاهد على عدد المحاولات: $\hat{p} = \frac{\bar{X}}{n}$.
  2. حساب الاحتمالات الثنائية النظرية $P(X = k)$ لكل قيمة $k in {0, 1, dots, n}$.
  3. توليد التكرارات المتوقعة عبر ضرب كل احتمال في حجم عينة المفحوصين الكلية: $E_k = N \times P(X = k)$.
  4. دمج الفئات الطرفية المتطرفة (التي يقل فيها التكرار المتوقع عن 5) مع الفئات المجاورة لضمان التقريب الطبيعي.
  5. حساب إحصاء كاي تربيع وتحديد درجات الحرية المعدلة بمقدار $df = k’ – 1 – 1 = k’ – 2$ (حيث $k’$ هو عدد الفئات بعد الدمج، والخصم الإضافي لدرجة حرية واحدة ناتج عن تقدير المعلمة $\hat{p}$).

يتطلب التطبيق الحذر معالجة انحياز التقدير لمعلمة الاحتمال، والتنبه إلى أن رفض مطابقة التوزيع الثنائي في مقاييس القدرة يُعزى غالباً إلى عدم تجانس صعوبة البنود داخل المقياس الواحد، أو وجود تباين بين المفحوصين في السمة الكامنة، مما يستدعي الانتقال إلى نماذج مركبة مثل نموذج ثنائي الحدين البيتاوي (Beta-Binomial Distribution).

4.3 دراسة حالة: مطابقة معدلات الشفاء من الرهاب الاجتماعي لنموذج برنولي

في دراسة تقييمية لفعالية تدخل علاجي سلوكي معرفي جديد للرهاب الاجتماعي (Social Anxiety Disorder)، طُبق البروتوكول على عينة قوامها 120 مريضاً. تم قياس نتيجة العلاج بعد انقضاء 12 أسبوعاً كمتغير برنولي ثنائي: إما “تحسن إكلينيكي ملحوظ ومستدام” (1) أو “عدم تحسن كافٍ” (0). تشير الأدبيات النفسية السابقة والمعايير المعيارية الوطنية إلى أن النسبة القياسية المرجعية للتحسن في مثل هذه التدخلات هي $p_0 = 0.60$ (أي 60%). تهدف الدراسة إلى التحقق مما إذا كانت نتائج الفوج التجريبي الجديد تطابق هذا التوزيع المرجعي المحدد سلفاً أم تختلف عنه جوهرياً.

أظهرت نتائج المتابعة الإكلينيكية تسجيل 86 مريضاً تحسناً ملحوظاً ($O_1 = 86$)، بينما لم يحقق 34 مريضاً عتبة التحسن المرجوة ($O_0 = 34$). لاختبار الفرضية الصفرية $H_0: p = 0.60$ مقابل الفرضية البديلة $H_1: p \neq 0.60$، نقوم بحساب التكرارات المتوقعة النظرية:

$$E_1 = N \times p_0 = 120 \times 0.60 = 72$$

$$E_0 = N \times (1 – p_0) = 120 \times 0.40 = 48$$

نطبق معادلة كاي تربيع لجودة المطابقة:

$$\chi^2 = \frac{(86 – 72)^2}{72} + \frac{(34 – 48)^2}{48} = \frac{14^2}{72} + \frac{(-14)^2}{48} = \frac{196}{72} + \frac{196}{48} = 2.722 + 4.083 = 6.805$$

نظراً لأن المعلمة $p_0$ محددة نظرياً مسبقاً ولم تُقدر من العينة، فإن درجات الحرية هي $df = 2 – 1 = 1$. بالبحث في جداول كاي تربيع، نجد أن القيمة الحرجة عند $\alpha = 0.05$ هي $\chi^2_{crit(1)} = 3.841$. وبما أن القيمة المحسوبة ($6.805$) تتجاوز القيمة الحرجة بوضوح، وبقيمة احتمالية دقيقة$p = 0.0091$، فإننا نرفض الفرضية الصفرية. نستنتج إكلينيكياً أن التدخل العلاجي الجديد يحقق معدل استجابة يختلف بصورة دالة إحصائياً عن المعدل المرجعي القياسي، وحيث إن النسبة المشاهدة في العينة بلغت$hat{p} = frac{86}{120} = 71.67%$، فإن التدخل الجديد يتفوق إيجابياً وبشكل ملحوظ على التوقعات السريرية السابقة بحجم أثر كوهين$w = sqrt{6.805/120} = 0.238$.

5. اختبار جودة المطابقة لتوزيع بواسون في القياس السلوكي

5.1 طبيعة ظواهر بواسون في علم النفس المرضي والتجريبي

يختص توزيع بواسون (Poisson Distribution) بنمذجة بيانات العد والتكرارات المنفصلة التي تعبر عن أحداث سلوكية أو سيكارترية نادرة الحدوث نسبياً، وتحدث بصورة عشوائية ومستقلة عبر نافذة زمنية أو مساحية محددة وثابتة. يتجلى هذا النمط بوضوح في علم النفس المرضي والعيادي عند قياس وتيرة السلوكيات الاندفاعية، مثل عدد محاولات إيذاء النفس غير الانتحاري خلال فترة ستة أشهر، أو تكرار نوبات الغضب الشديد لدى الأطفال المصابين باضطراب المسلك، أو عدد الهفوات الانتباهية في اختبارات الأداء المستمر (Continuous Performance Tests).

تُصاغ دالة الكتلة الاحتمالية لتوزيع بواسون للمتغير العشوائي المنفصل $Y in {0, 1, 2, dots}$ بالصيغة الأسية الرياضية التالية:

$$P(Y = y) = \frac{e^{-\lambda} \lambda^y}{y!}$$

حيث يمثل $lambda$ (لامدا) معدل الحدوث المتوقع في الفترة المحددة، وهو معلمة التوزيع الوحيدة والمركزية، ويمثل $e$ الثابت النيبيري الرياضي ($e \approx 2.71828$).

تنبع السمة الهيكلية الأكثر خصوصية للتوزيع البواسوني من خاصية رياضية حتمية تُعرف باسم “تساوي التشتت” أو التشتت المتساوي (Equidispersion)، والتي تفرض التساوي الرياضي المطلق بين المتوسط الحسابي للتوزيع وتباينه النظري، بحيث يكون:

$$E(Y) = Var(Y) = \lambda$$

تُعد هذه الخاصية بمثابة الفرضية البنيوية التي يقوم عليها التوزيع. ومن الناحية السيكومترية، يعني تحقق هذا الافتراض أن التباين في تكرار حدوث السلوك بين الأفراد يعود فقط إلى الصدفة الاحتمالية البحتة لعملية التوليد البواسونية، دون وجود فروق فردية غير ملاحظة أو تأثيرات لتجميع الاستجابات، مما يجعل اختبار جودة مطابقة بواسون خطوة فاحصة للتحقق من خلو الظاهرة من مصادر التباين الكامنة الزائدة.

5.2 تطبيق اختبار كاي تربيع لمطابقة توزيع بواسون

يتطلب إجراء اختبار جودة المطابقة لتوزيع بواسون في القياسات السلوكية تنفيذ بروتوكول تحليلي دقيق لتقدير المعالم واشتقاق التكرارات المتوقعة. تبدأ الخطوات بتقدير المعلمة الوحيدة $lambda$ من بيانات العينة الملاحظة باستخدام مقدر الإمكان الأعظم، والذي يطابق تماماً المتوسط الحسابي للعينة المشاهدة:

$$\hat{\lambda} = \bar{Y} = \frac{\sum_{i=1}^{k} y_i O_i}{N}$$

بمجرد تقدير $\hat{\lambda}$، تُحسب الاحتمالات النظرية $p_y = P(Y = y)$ لكل قيمة من قيم العد المشاهدة عبر دالة بواسون. ومن الضروري حساب احتمال الفئة الأخيرة المفتوحة كاحتمال تراكمي تكميلي لضمان استيفاء شرط المجموع الواحدي، وذلك وفق الصيغة $P(Y ge y_{\max}) = 1 – \sum_{y=0}^{y_{\max}-1} P(Y = y)$. تُضرب هذه الاحتمالات بعد ذلك في حجم العينة الإجمالي $N$ لإنتاج مصفوفة التكرارات المتوقعة $E_y$.

نظراً لأن التوزيع البواسوني يمتلك ذيلاً طويلاً ممتداً جهة اليمين مع انخفاض حاد في التكرارات عند القيم المرتفعة، فإن التكرارات المتوقعة للفئات المتقدمة غالباً ما تقل عن عتبة كوكران الإحصائية ($E_y < 5$). يفرض هذا دمج الفئات الطرفية العليا في فئة تراكمية واحدة موحدة. عندئذ، يُحسب إحصاء كاي تربيع التراكمي وتُحدد درجات الحرية بالقانون الصارم:

$$df = k’ – 1 – 1 = k’ – 2$$

حيث يمثل $k’$ عدد الفئات التكرارية بعد الدمج النهائي، ويُخصم الرقم 1 الأول للقيد الخطي لحجم العينة، ويُخصم الرقم 1 الثاني كتعويض رياضي مباشر عن استهلاك درجة حرية في تقدير المعلمة $\hat{\lambda}$ من بيانات العينة ذاتها.

5.3 تشخيص مشكلة التشتت الفائق (Overdispersion) وكسر فرضيات بواسون

تتمثل العقبة الإحصائية والسيكومترية الأكثر شيوعاً عند نمذجة البيانات السلوكية بواسطة توزيع بواسون في ظاهرة التشتت الفائق (Overdispersion)، وهي الحالة التجريبية التي يتجاوز فيها التباين المشاهد للبيانات ($s^2$) المتوسط الحسابي المشاهد ($\bar{Y}$) بمقدار كبير وذي دلالة ($s^2 gg \bar{Y}$)، مما يشكل انتهاكاً صارخاً ومباشراً لخاصية التشتت المتساوي البواسونية ($Var(Y) = \mu$).

تنشأ هذه المشكلة في الأبحاث النفسية نتيجة مصدرين بنيويين أساسيين:

  • التباين الفردي غير الملاحظ (Unobserved Individual Heterogeneity): اختلاف الأفراد في استعداداتهم الكامنة وسماتهم الشخصية، مما يجعل معدل الحدوث $lambda$ متغيراً بين المفحوصين وليس ثابتاً كما يفترض نموذج بواسون البسيط.
  • الترابط السلوكي الإيجابي (Contagion/Clustering): حدوث السلوك في مرة معينة يزيد من احتمالية تكرار حدوثه لاحقاً لدى نفس المفحوص (مثل تكرار نوبات الغضب أو تعاطي المهدئات).

لتشخيص هذه الظاهرة كمياً واختبار كسر فرضية التشتت المتساوي، يُستخدم إحصاء مؤشر التشتت (Index of Dispersion – $D$) الذي يُحسب بالمعادلة:

$$D = \frac{(N – 1) s^2}{\bar{Y}}$$

يتبع هذا الإحصاء تقاربياً توزيع كاي تربيع بدرجات حرية $df = N – 1$. إذا كانت القيمة الاحتمالية لهذا الاختبار دالة إحصائياً ($p N-1$، فإننا نرفض رسمياً فرضية التشتت المتساوي، وتصبح مطابقة توزيع بواسون مضللة؛ حيث يؤدي الإصرار على استخدام نموذج بواسون في ظل وجود التشتت الفائق إلى التقليل الشديد وغير الحقيقي من قيم الأخطاء المعيارية للمعالم، مما ينتج عنه تضخيم زائف للدلالة الإحصائية، ويحتم منهجياً الانتقال المباشر إلى توزيعات أكثر مرونة كنموذج ثنائي الحدين السالب.

6. اختبار جودة المطابقة لتوزيع ثنائي الحدين السالب

6.1 الأسس الرياضية لتوزيع ثنائي الحدين السالب في البيانات المشتتة

يمثل توزيع ثنائي الحدين السالب (Negative Binomial Distribution) التوسيع الرياضي والنموذج البارامتري البديل لتوزيع بواسون في مواجهة ظاهرة التشتت الفائق وتفاوت التباين في القياسات السلوكية والطبنفسية. يُشتق هذا التوزيع رياضياً عبر صيغة توزيع مركب (Compound Distribution) يجمع بين توزيع بواسون وتوزيع غاما (Poisson-Gamma Mixture)؛ حيث يُفترض أن تكرار السلوك لكل مفحوص يتبع توزيع بواسون بمعدل $\lambda_i$، بينما تتوزع هذه المعدلات الفردية نفسها بين المفحوصين وفق توزيع غاما المستمر بمعلمة شكل ومعلمة مقياس تعكس التباين الفردي الكامن.

تُكتب دالة الكتلة الاحتمالية لتوزيع ثنائي الحدين السالب بالصيغة التوافقية التالية:

$$P(Y = y) = \frac{\Gamma(y + r)}{y! , \Gamma(r)} \left(\frac{r}{r + \mu}\right)^r \left(\frac{\mu}{r + \mu}\right)^y, \quad y = 0, 1, 2, dots$$

حيث تمثل $\Gamma(\cdot)$ دالة غاما الرياضية المعممة، ويمثل $\mu$ المتوسط الحسابي للتوزيع، بينما تمثل $r$ (أو مقلوبها $\alpha = 1/r$) “معلمة التشتت” (Dispersion Parameter). وتتضح مرونة هذا النموذج وقوته الفائقة عند استعراض دالتي المتوسط والتباين النظريتين:

$$E(Y) = \mu$$

$$Var(Y) = \mu + \frac{\mu^2}{r} = \mu + \alpha \mu^2$$

يتضح من معادلة التباين أن التباين في نموذج ثنائي الحدين السالب يشتمل على الحد البواسوني الخطي ($\mu$) مضافاً إليه حد تربيعي غير خطي إضافي ($\alpha \mu^2$) مخصص لامتصاص التشتت الفائق الكامن في الاستجابات السلوكية. وعندما تقترب معلمة التشتت $\alpha$ من الصفر ($r to \infty$)، يتلاشى الحد التربيعي تماماً ويتقارب التوزيع تقاربياً ليتطابق مع توزيع بواسون القياسي، مما يجعله إطاراً شاملاً ومرناً لنمذجة سلوكيات مثل تكرار السلوك العدواني، والغياب عن العمل، والوساوس السلوكية المتطرفة.

6.2 خطوات اختبار جودة المطابقة لنموذج ثنائي الحدين السالب

يتبع اختبار جودة المطابقة لنموذج ثنائي الحدين السالب نسقاً تحليلياً متقدماً يتطلب تقدير معلمتين إحصائيتين أساسيتين هما المتوسط $\mu$ ومعلمة التشتت $r$. ورغم إمكانية تقدير المعلمات باستخدام طريقة العزوم (Method of Moments) عبر الصيغتين:

$$\hat{\mu} = \bar{Y}$$

$$\hat{r}_{MoM} = \frac{\bar{Y}^2}{s^2 – \bar{Y}}$$

إلا أن الممارسة السيكومترية الحديثة تعتمد حصراً على طريقة الإمكان الأعظم (Maximum Likelihood Estimation – MLE) لحل المعادلات غير الخطية المشتركة، لما توفره من كفاءة وملاءمة ومقدرات ذات تباين أدنى تقاربياً.

تتلخص الخطوات التنفيذية للاختبار فيما يلي:

  1. تقدير المعلمات $\hat{\mu}$ و $\hat{r}$ باستخدام خوارزميات التعظيم العددي (مثل خوارزمية Newton-Raphson أو BFGS) المطبقة على دالة الإمكان اللوغاريتمية الكاملة للعينة المشاهدة.
  2. استخدام المعلمات المقدرة لحساب الاحتمالات النظرية $P(Y = y)$ لكل فئة من فئات العد التكراري عبر دالة الكتلة الاحتمالية لثنائي الحدين السالب.
  3. ضرب الاحتمالات في حجم العينة الكلي لإنتاج التكرارات المتوقعة $E_y = N \times P(Y = y)$.
  4. دمج الفئات التي تقل فيها التكرارات المتوقعة عن 5 لضمان سلامة التقريب الإحصائي.
  5. تطبيق صيغة كاي تربيع لحساب إحصاء المطابقة مع مراعاة التعديل الصارم لدرجات الحرية، والتي تُحسب بالمعادلة:
    $$df = k’ – 1 – 2 = k’ – 3$$
    حيث يُخصم الرقم 2 لتعويض تقدير المعلمتين ($\hat{\mu}$ و $\hat{r}$).

للمفاضلة المباشرة بين نموذج بواسون ونموذج ثنائي الحدين السالب، يُستخدم اختبار نسبة الإمكان (Likelihood Ratio Test – LRT) لاختبار الفرضية الصفرية المقيدة $H_0: \alpha = 0$، والذي يمثل برهاناً قاطعاً على مدى الحاجة الحتمية لإدخال معلمة التشتت الإضافية في النموذج النفسي المعتمد.

6.3 تطبيقات نفسية: تحليل تكرار السلوكيات القهرية لدى مرضى الوسواس

في بحث سيكومتري إكلينيكي متخصص، أجرى باحثون دراسة لتقييم وتيرة السلوكيات القهرية (Compulsive Rituals) كغسل اليدين المتكرر لدى عينة تتألف من 150 مريضاً تم تشخيصهم باضطراب الوسواس القهري (OCD). تم تسجيل عدد مرات تكرار السلوك القهري لكل مريض خلال فترة زمنية موحدة مدتها 4 ساعات في بيئة علاجية محكومة. أظهرت المعاينات الوصفية الأولية للبيانات أن المتوسط الحسابي المشاهد هو $\bar{Y} = 3.20$ سلوكاً، في حين بلغ التباين المشاهد $s^2 = 8.64$، مما يكشف فوراً عن وجود تشتت فائق حاد حيث يفوق التباين المتوسط بأكثر من مرتين ونصف ($s^2 / \bar{Y} = 2.70$).

أدى تطبيق اختبار جودة المطابقة الأولي لتوزيع بواسون ($\hat{\lambda} = 3.20$) إلى رفض الفرضية الصفرية برفض قاطع ($\chi^2 = 48.32, df = 6, p < 0.0001$)، مما يؤكد الفشل التام لتوزيع بواسون في استيعاب التباين العيادي العريض بين المرضى. بناءً على ذلك، تم الانتقال لتقدير نموذج ثنائي الحدين السالب عبر طريقة الإمكان الأعظم، مما أسفر عن تقدير المعلمات التالية: $\hat{\mu} = 3.20$، ومعلمة التشتت $\hat{r} = 1.88$ (أي أن $\hat{\alpha} = 0.532$).

أظهرت مقارنة التكرارات المشاهدة بالتكرارات المتوقعة لنموذج ثنائي الحدين السالب توافقاً كبيراً؛ حيث تم حساب إحصاء كاي تربيع بعد تجميع الفئات الطرفية العليا ($Y ge 8$) عند درجات حرية معدلة $df = 9 – 1 – 2 = 6$. بلغت قيمة إحصاء كاي تربيع المحسوبة لنموذج ثنائي الحدين السالب $\chi^2 = 5.12$ مع قيمة احتمالية غير دالة إحصائياً $p = 0.528$، مما قاد الباحثين للقبول التام بالفرضية الصفرية وتأكيد جودة وملاءمة نموذج ثنائي الحدين السالب للبيانات.

يوفر هذا التطابق دلالات سيكومترية وإكلينيكية حاسمة؛ إذ يثبت أن السلوك القهري لدى مرضى الوسواس ليس مجرد عملية عد عشوائية بواسونية متجانسة، بل هو ظاهرة تحكمها فروق فردية متجذرة في شدة القلق الكامن، مما يوجه المعالجين السلوكيين إلى ضرورة تفريد خطط التدخل والعلاج المعرفي السلوكي (CBT) وفقاً لمستويات التشتت المتباينة وليس اعتماداً على متوسطات المجموعة العامة المضللة.

7. اختبارات جودة المطابقة للتوزيعات الهندسية وفوق الهندسية

7.1 اختبار التوزيع الهندسي ومفهوم زمن الانتظار حتى أول استجابة

يختص التوزيع الهندسي (Geometric Distribution) بنمذجة “أزمنة الانتظار المنفصلة” (Discrete Waiting Times) أو عدد المحاولات المستقلة الفاشلة المتتالية التي تسبق تحقيق أول نجاح في تجارب برنولي المتكررة. في القياس المعرفي وسيكولوجية التعلم وحل المشكلات، يمثل التوزيع الهندسي النموذج المثالي لتحليل عدد المحاولات التجريبية التي يستغرقها المفحوص قبل التوصل إلى الاستراتيجية الإدراكية الصحيحة في اختبارات التفكير المنطقي أو متاهات التعلم الإجرائي.

تُصاغ دالة الكتلة الاحتمالية للتوزيع الهندسي للمتغير العشوائي المنفصل $X$ (الذي يمثل عدد المحاولات الكلية حتى أول نجاح، $X in {1, 2, 3, dots}$) بالمعادلة التالية:

$$P(X = k) = (1 – p)^{k-1} p = q^{k-1} p$$

حيث يمثل $p$ احتمال النجاح الثابت في كل محاولة مستقلة. يتميز التوزيع الهندسي بخاصية رياضية ونفسية فريدة تُعرف باسم خاصية انعدام الذاكرة (Memoryless Property)، والتي تُصاغ شرطياً على النحو التالي:

$$P(X > s + t mid X > s) = P(X > t)$$

تعني هذه الخاصية سيكولوجياً أن احتمالية تحقيق النجاح في المحاولة التالية تظل ثابتة ومستقلة تماماً عن عدد المحاولات الفاشلة السابقة؛ أي أن المفحوص لا يستفيد تراكمياً من أخطائه السابقة ولا يعاني من الإنهاك أو تراجع الدافعية. يتطلب اختبار جودة المطابقة للتوزيع الهندسي تقدير المعلمة $\hat{p}$ عبر مقلوب المتوسط الحسابي للعينة المشاهدة ($\hat{p} = 1 / \bar{X}$)، ثم حساب التكرارات المتوقعة ومقارنتها بالتكرارات المشاهدة عبر اختبار كاي تربيع بدرجات حرية $df = k’ – 2$. إن فشل مطابقة التوزيع الهندسي في مهام التعلم يُعد دليلاً سيكومترياً تجريبياً حاسماً على حدوث “التعلم التراكمي” (Cumulative Learning) وكسر فرضية انعدام الذاكرة السلوكية.

7.2 اختبار التوزيع فوق الهندسي في العينات المسحوبة دون إرجاع

يمثل التوزيع فوق الهندسي (Hypergeometric Distribution) النموذج الرياضي الإلزامي لوصف احتمالات البيانات المنفصلة عندما تُسحب العينات من مجتمعات إحصائية محدودة وصغيرة دون إرجاع (Sampling Without Replacement). على النقيض من التوزيع الثنائي الذي يفترض ثبات احتمالية النجاح واستقلالية المحاولات نتيجة إرجاع المفردات أو كبر حجم المجتمع، يؤدي السحب دون إرجاع في التوزيع فوق الهندسي إلى تغير ديناميكي ومستمر في احتمالات النجاح مع كل استجابة جديدة تصدر عن المفحوص.

تُصاغ دالة الكتلة الاحتمالية للتوزيع فوق الهندسي لحساب احتمالية رصد $k$ من النجاحات في عينة مسحوبة بحجم $n$ من مجتمع كلي محدود بحجم $N$ يحتوي على $K$ من النجاحات الإجمالية بالصيغة التوافقية المحكمة:

$$P(X = k) = \frac{\binom{K}{k} \binom{N – K}{n – k}}{\binom{N}{n}}$$

تبرز أهمية هذا النموذج في الاختبارات السيكومترية الإسقاطية، واختبارات فرز البطاقات كاختبار ويسكونسن لتصنيف البطاقات (Wisconsin Card Sorting Test – WCST)، والمهام التي يُلزم فيها المفحوص باختيار عدد ثابت ومحدد من البدائل من قائمة مغلقة؛ حيث تتغير بنية الاحتمالات الناتجة مع كل خيار يتخذه المفحوص.

يتم اختبار جودة المطابقة للتوزيع فوق الهندسي عبر المقارنة المباشرة للتوزيع التكراري المشاهد مع الاحتمالات التوافقية الصارمة للتوزيع دون الحاجة لتقدير معالم حرة إذا كانت معالم المجتمع الإجمالي ($N, K, n$) محددة بتصميم التجربة؛ وتُستخدم عندها الاختبارات التوافقية الدقيقة لاختبار الفرضية الصفرية للتوزيع، مما يوفر أداة رياضية موثوقة لتقييم العشوائية والتحيز في القرارات السلوكية المقيدة.

7.3 أمثلة تطبيقية في التعلم المعرفي وحل المشكلات

لتجسيد التطبيق العملي لاختبار التوزيع الهندسي، أُجريت تجربة في علم النفس المعرفي على 100 طفل لتقييم كفاءة استراتيجيات حل المشكلات عبر لعبة ألغاز إلكترونية جديدة. تم تسجيل عدد المحاولات التجريبية ($X$) التي احتاجها كل طفل للوصول إلى الحل الصحيح للمرة الأولى. صُممت التجربة لاختبار ما إذا كان حل اللغز يتم بطريقة المحاولة والخطأ العشوائية البحتة دون وعي بالاستراتيجية (مما يطابق التوزيع الهندسي بانعدام الذاكرة)، أم أن الأطفال يطورون استراتيجيات معرفية تراكمية تسرع الوصول للحل عبر تراكم الخبرة.

أظهرت البيانات التجريبية المشاهدة أن الأطفال توزعوا وفق عدد المحاولات حتى النجاح الأول كالتالي:

  • المحاولة الأولى ($X=1$): 42 طفلاً
  • المحاولة الثانية ($X=2$): 28 طفلاً
  • المحاولة الثالثة ($X=3$): 16 طفلاً
  • المحاولة الرابعة ($X=4$): 8 أطفال
  • المحاولة الخامسة فما فوق ($X ge 5$): 6 أطفال

بلغ المتوسط الحسابي لعدد المحاولات المشاهدة $\bar{X} = 2.10$ محاولة. بناءً عليه، تم تقدير معلمة احتمال النجاح تحت الفرضية الهندسية الصفرية: $\hat{p} = 1 / 2.10 = 0.4762$. وباستخدام دالة التوزيع الهندسي $P(X = k) = (1 – 0.4762)^{k-1} (0.4762)$، تم اشتقاق التكرارات المتوقعة للعينة ($N=100$) كالتالي:

  • $E_1 = 100 \times 0.4762 = 47.62$
  • $E_2 = 100 \times (0.5238)^1 (0.4762) = 24.94$
  • $E_3 = 100 \times (0.5238)^2 (0.4762) = 13.07$
  • $E_4 = 100 \times (0.5238)^3 (0.4762) = 6.85$
  • $E_{ge 5} = 100 \times (0.5238)^4 = 7.52$

بحساب إحصاء كاي تربيع لجودة المطابقة نجد أن:

$$\chi^2 = \frac{(42 – 47.62)^2}{47.62} + \frac{(28 – 24.94)^2}{24.94} + \frac{(16 – 13.07)^2}{13.07} + \frac{(8 – 6.85)^2}{6.85} + \frac{(6 – 7.52)^2}{7.52} = 0.663 + 0.375 + 0.657 + 0.193 + 0.307 = 2.195$$

تُحسب درجات الحرية بالمعادلة $df = 5 – 1 – 1 = 3$. وبالرجوع إلى القيمة الحرجة عند مستوى $\alpha = 0.05$ نجدها $\chi^2_{crit(3)} = 7.815$. وبما أن القيمة المحسوبة ($2.195$) أقل بكثير من القيمة الحرجة ($p = 0.533$)، فإننا نقبل بالفرضية الصفرية لمطابقة التوزيع الهندسي. يقود هذا الاستنتاج السيكولوجي إلى أن أداء الأطفال في هذه المهمة الخاصة خضع لعمليات الاستكشاف العشوائي المستقل دون أن يُظهر استراتيجية تعلم بنائي تراكمي منظمة تؤدي إلى زيادة تسارع احتمال النجاح مع تقدم المحاولات.

8. اختبار نسبة الإمكان واختبار G للبيانات المنفصلة

8.1 البنية النظرية لاختبار نسبة الإمكان (Likelihood Ratio Test – G-Test)

يمثل اختبار نسبة الإمكان المعروف باختبار $G$ (G-Test of Goodness-of-Fit) البديل الرياضي الأقوى والأكثر تماسكاً لاختبار كاي تربيع التقليدي لبيرسون. يعتمد اختبار $G$ على المقارنة المباشرة بين دالة الإمكان الأعظم في ظل الفرضية الصفرية المقيدة ($L_0$) ودالة الإمكان الأعظم في ظل النموذج المشبع أو غير المقيد ($L_1$). صيغته الرياضية لحساب إحصاء المطابقة المنفصل تُكتب على النحو التالي:

$$G = 2 \sum_{i=1}^{k} O_i \ln\left(\frac{O_i}{E_i}\right)$$

حيث يشير $ln$ إلى اللوغاريتم الطبيعي للأساس $e$، ويمثل$O_i$ و $E_i$ التكرارات المشاهدة والمتوقعة على التوالي، مع تطبيق الاصطلاح الرياضي الصارم $0 ln(0/E) = 0$ عند التعامل مع الخلايا الصفرية المشاهدة.

يتقارب إحصاء $G$ تقاربياً مع اتساع حجم العينة ليتطابق توزيعياً مع توزيع كاي تربيع بنفس درجات الحرية المقابلة لبيرسون ($df = k – 1 – m$). تنبع الميزة الرياضية الاستثنائية لاختبار $G$ من خاصية “قابلية التفكيك والجمع اللوغاريتمي المباشر” (Additivity and Decomposability)؛ حيث يمكن تقسيم القيمة الكلية لإحصاء $G$ لجدول تكراري متعدد الأبعاد بدقة رياضية متناهية إلى مكونات فرعية متعامدة تمثل التأثيرات الرئيسية والتفاعلات المنفصلة بين المتغيرات النفسية، وهو ما يتعذر إنجازه بدقة متطابقة باستخدام صيغة كاي تربيع لبيرسون بسبب طبيعة المجموع التربيعي المباشر في بسط بيرسون.

8.2 المقارنة المنهجية بين اختبار كاي تربيع لبيرسون واختبار G

تخضع المفاضلة الإحصائية بين اختبار كاي تربيع لبيرسون واختبار $G$ لنسبة الإمكان لاعتبارات تتعلق بحجم العينة وبنية التكرارات في خلايا الجدول المنفصل:

  • في العينات الكبيرة المتوازنة ($N to \infty$): يتكافأ الاختباران تماماً ويقودان إلى نفس النتائج الاستدلالية بدقة متطابقة تقريباً، نظراً لأن مفكوك تايلور الرياضي لدالة اللوغاريتم في اختبار $G$ يؤدي إلى المعادلة التربيعية لبيرسون كتقريب خطي من الدرجة الأولى.
  • في العينات الصغيرة إلى المتوسطة: أثبتت دراسات المحاكاة الرياضية (Monte Carlo Simulations) أن اختبار بيرسون التقليدي ($\chi^2$) يقدم تقريباً أفضل لتوزيع كاي تربيع النظري ويكون أقل تحيزاً في معدل الخطأ من النوع الأول مقارنة باختبار $G$ الذي يميل إلى التضخم الطفيف في القيم المحسوبة عند صغر التكرارات المتوقعة ($E_i < 5$).
  • في الجداول المعقدة والنماذج المتقدمة: يتفوق اختبار $G$ تفوقاً ساحقاً عند تطبيق النماذج اللوغاريتمية الخطية (Log-Linear Models) والتحليلات متعددة المتغيرات المنفصلة؛ بفضل قدرته الحصرية على تفكيك التباين واختبار الفروق بين النماذج المتداخلة (Nested Models) عبر الطرح المباشر لقيم $G$ ودرجات حريتها المقابلة.

يوصي المنهجيون المعاصرون بتطبيق كلا الاختبارين كأداة للتحقق التبادلي (Sensitivity Analysis)؛ فإذا تطابقت القرارات الإحصائية لكلا الاختبارين، كان الاستدلال السيكومتري راسخاً، أما في حال تعارضهما، فيجب فحص الخلايا التكرارية ذات القيم المنخفضة أو المتطرفة بعناية فائقة وتطبيق التصحيحات الدقيقة المناسبة.

8.3 التطبيق العملي لاختبار G في النماذج اللوغاريتمية الخطية

تتجسد القوة التطبيقية لاختبار $G$ في النمذجة اللوغاريتمية الخطية للبيانات النفسية المنفصلة متعددة الفئات الاسمية. لتوضيح ذلك، نفترض دراسة تبحث في نمذجة التوافق بين ثلاثة متغيرات نفسية اسمية لدى عينة من 400 مفحوص: (1) نمط الشخصية الكامن [انبساطي / انطوائي]، (2) أسلوب مواجهة الضغوط [مركّز على المشكلة / مركّز على الانفعال]، و(3) مستوى التكيف النفسي [مرتفع / منخفض]. تهدف الدراسة إلى اختبار جودة مطابقة النموذج التفاعلي الثنائي المتداخل (الذي يفترض وجود تفاعلات ثنائية بين المتغيرات مع انعدام التفاعل الثلاثي المركب).

عند بناء النموذج اللوغاريتمي الخطي المشبع وتطبيق خوارزمية الملائمة التكرارية للنسب (Iterative Proportional Fitting – IPF)، يتم توليد التكرارات المتوقعة $E_{ijk}$ لكل خلية في الجدول التكراري الثلاثي ($2 times 2 times 2 = 8$ خلايا). بعد حساب اللوغاريتمات الطبيعية لنسب التكرارات المشاهدة إلى المتوقعة وضربها في المشاهدات، أسفر إحصاء جودة المطابقة الكلي عن:

$$G = 2 \sum_{i=1}^{2}\sum_{j=1}^{2}\sum_{k=1}^{2} O_{ijk} \ln\left(\frac{O_{ijk}}{E_{ijk}}\right) = 1.842$$

تُحسب درجات الحرية لهذا النموذج المتداخل بالمعادلة $df = (2-1)(2-1)(2-1) = 1$. بالرجوع إلى القيمة الحرجة عند $\alpha = 0.05$ وهي $\chi^2_{crit(1)} = 3.841$، نجد أن إحصاء $G$ المحسوب ($1.842$) أقل بكثير من القيمة الحرجة، محققاً قيمة احتمالية دالة على جودة التوافق قدرها$p = 0.1747$.

يؤكد هذا الاختبار قبول النموذج المقترح وتطابقه مع البيانات السيكومترية؛ مما يعني إمكانية تفسير التكيف النفسي لدى الأفراد بدقة بالغة من خلال التفاعلات الثنائية البسيطة بين نوع الشخصية وأسلوب المواجهة المتبع، دون الحاجة لتحميل النموذج عبء التفاعل الثلاثي المعقد، وهو ما يجسد مبدأ الاقتصاد المعرفي والإحصائي (Parsimony) في النمذجة السلوكية المتقدمة.

9. اختبار كولموجوروف-سميرنوف المعدل للبيانات المنفصلة

9.1 حدود تطبيق اختبار كولموجوروف-سميرنوف التقليدي على التوزيعات المنفصلة

يُعد اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test – KS) أحد أشهر الاختبارات اللامعلمية لمطابقة التوزيعات التراكمية، إلا أن تطبيقه التقليدي يقتصر رياضياً على المتغيرات المتصلة تماماً ذات دوال التوزيع التراكمي المستمرة ($F(x)$ المستمرة دون انقطاع). يرتكز اختبار KS الكلاسيكي على حساب أقصى مسافة رأسية مطلقة ($D$) بين دالة التوزيع التجريبية المشاهدة للعينة ($F_n(x)$) ودالة التوزيع التراكمي النظرية المقترحة ($F_0(x)$)، عبر المعادلة:

$$D = \sup_{x} |F_n(x) – F_0(x)|$$

تكمن المعضلة المنهجية الحرجة عند تطبيق هذا الاختبار الكلاسيكي على المتغيرات والبيانات المنفصلة في طبيعة دالة التوزيع التراكمي المنفصلة التي تأخذ شكل “دالة درَجية متقطعة” (Step Function) تتخللها قفزات فجائية حادة عند كل قيمة صحيحة للمتغير، وتتخللها فترات أفقية مستوية بين النقاط. يؤدي هذا التقطع الرياضي إلى جعل الاختبار التقليدي اختباراً “شديد التحفظ” (Extremely Conservative)؛ حيث تصبح القيم الاحتمالية المحسوبة ($p$-values) أكبر بكثير من حقيقتها الرياضية، مما يؤدي إلى انخفاض حاد ومأساوي في القوة الإحصائية للاختبار (Statistical Power) وعجزه عن رفض النماذج التوزيعية الخاطئة، وهو ما يشكل انتهاكاً خطيراً لسلامة القياس السلوكي.

9.2 التعديلات الرياضية والبدائل المتاحة للبيانات المنفصلة

لمعالجة هذا القصور المنهجي، طوّر الإحصائيون تعديلات متقدمة تتيح الاستفادة من اختبار KS مع الحفاظ على دقته الاسمية عند التعامل مع التوزيعات المنفصلة. برز في هذا المجال تعديل كونوفَر (W. J. Conover) وتعديلات كاسيلّا (Casella) التي أعادت حساب القيم الحرجة الدقيقة للاختبار عبر أخذ مواقع القفزات الاحتمالية المنفصلة في الحسبان مباشرة.

تتمثل المقاربة الرياضية المعاصرة الأكثر كفاءة في تطبيق اختبار كولموجوروف-سميرنوف الدقيق القائم على التباديل والمحاكاة الحاسوبية العشوائية (Parametric Bootstrap KS Test)؛ حيث تُتبع الخطوات التالية:

  1. حساب إحصاء المسافة القصوى $D_{obs}$ بين دالة التوزيع التجريبية المنفصلة المشاهدة $F_n(x)$ والتوزيع المنفصل النظري $F_0(x)$.
  2. توليد آلاف العينات العشوائية التماثلية (مثلاً $B = 10,000$ عينة) مباشرة من التوزيع المنفصل النظري بالمعلمات المقدرة ذاتها.
  3. حساب إحصاء المسافة القصوى $D_b$ لكل عينة مولدة لإنشاء التوزيع التجريبي الدقيق للإحصاء $D$ في ظل الفرضية الصفرية المنفصلة.
  4. استخراج القيمة الاحتمالية الدقيقة ($p$-value) بحساب النسبة المئوية للعينات المولدة التي تجاوزت فيها قيمة المسافة المحاكاة المسافة المشاهدة في العينة الأصلية:
    $$p = \frac{1}{B} \sum_{b=1}^{B} I(D_b ge D_{obs})$$

يضمن هذا الأسلوب الحسابي التخلص التام من التحفظ الزائف والحفاظ على القوة الاستدلالية للاختبار بغض النظر عن حجم التقطع في فضاء العينة.

9.3 مقارنة دقة KS المنفصل باختبار كاي تربيع التقليدي

يوفر الجدول المفاهيمي والمنهجي التالي مقارنة شاملة بين اختبار كولموجوروف-سميرنوف المعدل للبيانات المنفصلة واختبار كاي تربيع الكلاسيكي لبيرسون لمساعدة الباحث السيكومتري في اختيار الأداة الإحصائية الفضلى:

أوجه المقارنة والمعايير المنهجية:

  • طبيعة البيانات وترتيبها: يمتلك اختبار KS المعدل تفوقاً ملحوظاً في البيانات المنفصلة ذات الترتيب الطبيعي (كبيانات ليكرت والدرجات السيكومترية الرتبية)؛ نظراً لاعتماده على دالة التوزيع التراكمي الحافظة للترتيب، بينما يعامل اختبار كاي تربيع الفئات كفئات اسمية غير متراتبة ويهمل المعلومات المضمنة في تسلسل الرتب.
  • حجم العينة وتجميع الخلايا: لا يتطلب اختبار KS المعدل تجميع الفئات الطرفية ذات التكرارات الصغيرة، مما يحافظ على كامل تفاصيل وحجم فضاء العينة الأصلي، على عكس اختبار كاي تربيع الذي يفرض دمج الفئات النادرة للوفاء بشروط كوكران.
  • حساسية الاختبار وموقعه: يتسم اختبار كاي تربيع بحساسية متوازنة لاكتشاف الانحرافات عبر جميع الفئات التكرارية الفردية، بينما يركز اختبار KS المعدل حساسيته القصوى على منتصف التوزيع التراكمي وموقع الوسيط، وتقل حساسيته تدريجياً عند الذيول المتطرفة، مما يجعل اختبارات بديلة مثل أندرسون-دارلينج المعدل للمنفصل (Discrete Anderson-Darling Test) أفضل إذا كان الاهتمام منصباً على دقة مطابقة الذيول الإكلينيكية المتطرفة.

10. معالجة التحديات الإحصائية: العينات المتناثرة والتضخم الصفري

10.1 مشكلة التكرارات الصغيرة والمتوقعة الصفرية (Sparse Counts)

تُمثل التكرارات المتناثرة والخلايا شبه الفارغة (Sparse Contingency Tables) تحدياً منهجياً متكرراً في القياس النفسي والعيادي، وتحدث تحديداً عند نمذجة اضطرابات نادرة جداً في المجتمع العام أو عند استخدام مقاييس ذات فئات استجابة متعددة وتفصيلية في عينات بحثية صغيرة أو متوسطة الحجم. يتسبب وجود تكرارات متوقعة منعدمة أو بالغة الصغر ($E_i < 1$) في تشويه المقام الرياضي لإحصاء كاي تربيع، مما يقود إلى تضخيم زائف لقيمة الإحصاء، وانهيار التوزيع التقاربي المستمر، وارتفاع معدلات رفض الفرضية الصفرية دون مبرر علمي.

تتمثل المعالجة التقليدية في دمج الخلايا المتجاورة (Cell Collapsing) لرفع التكرارات المتوقعة فوق عتبة كوكران؛ إلا أن هذا الإجراء يتطلب حذراً سيكومترياً بالغاً، إذ يجب أن يقتصر الدمج على الفئات المتقاربة منطقياً وسلوكياً لعدم طمس التمايزات الإكلينيكية الجوهرية. وفي الجداول الثنائية ذات التكرار المنخفض ($2 times 2$)، يُطبق تصحيح ييتس للاستمرارية (Yates’ Continuity Correction) بطرح $0.5$ من القيمة المطلقة للفرق بين المشاهد والمتوقع:

$$\chi^2_{\text{Yates}} = \sum \frac{(|O_i – E_i| – 0.5)^2}{E_i}$$

أما في الحالات الأكثر تعقيداً للجداول متعددة الفئات، فإن الحل المعاصر يكمن في التخلي عن الاختبارات التقاربية والاعتماد الكامل على اختبار فيشر الدقيق الموسع (Fisher-Freeman-Halton Exact Test) أو طرق إعادة المعاينة باستخدام مونت كارلو (Monte Carlo Exact Tests) التي تحسب الاحتمال التوافقي الدقيق لجميع التباديل الممكنة للجدول التكراري المشاهد مع تثبيت هوامش المجموع.

10.2 النماذج المتضخمة بالصفر (Zero-Inflated Models) وجودة مطابقتها

تتميز العديد من الظواهر النفسية المرضية والسلوكية بما يُعرف بظاهرة “التضخم الصفري” (Zero-Inflation)، وهي الحالة التي يُسجل فيها فضاء العينة فائضاً هائلاً وغير طبيعي من الأصفار يفوق بكثير ما يمكن للتوزيعات المنفصلة القياسية (كبواسون أو ثنائي الحدين السالب) استيعابه أو التنبؤ به. تتجلى هذه المشكلة بوضوح في مقاييس تعاطي المخدرات، وسلوكيات التنمر المدرسي، ومحاولات الانتحار؛ حيث تسجل الغالبية العظمى من الأفراد في المجتمع غير الإكلينيكي قيمة الصفر المطلق دلالة على الانعدام التام لممارسة السلوك.

يقتضي التحليل السيكومتري الدقيق التمييز الحاسم بين نوعين متمايزين هيكلياً من الأصفار:

  • الأصفار البنيوية الحقيقية (Structural / True Zeros): وتمثل المفحوصين الذين يستحيل صدور السلوك عنهم بحكم التعريف أو الطبيعة الكامنة (كالامتناع المطلق الدائم عن الكحول لأسباب عقائدية، حيث يمثل الصفر سمة مستقرة لا تخضع للاحتمال البواسوني العشوائي).
  • الأصفار العارضة أو أصفار المعاينة (Sampling / Incidental Zeros): وتمثل المفحوصين المعرضين للظاهرة والقابلين لإظهار السلوك، ولكن تصادف عدم حدوثه خلال نافذة القياس الزمنية للمسح (كالمدمن المتقطع الذي لم يتعاطَ خلال أسبوع القياس فقط).

لنمذجة هذه التركيبة المزدوجة، طُوّرت نماذج التضخم الصفري مثل: نموذج بواسون المتضخم بالصفر (Zero-Inflated Poisson – ZIP) ونموذج ثنائي الحدين السالب المتضخم بالصفر (Zero-Inflated Negative Binomial – ZINB). تفترض هذه النماذج دالة كتلة احتمالية هجينة مركبة تتألف من مسارين احتماليين؛ الأول يتبع توزيع لوجستي لتحديد احتمالية الانتماء لفئة الصفر البنيوي ($\pi$)، والمسار الثاني يتبع توزيع عد منفصل تقليدي باحتمال ($1 – pi$) لنمذجة استجابات بقية المفحوصين.

10.3 اختبار فونغ (Vuong Test) للمفاضلة بين النماذج غير المتداخلة

عند الرغبة في التحقق من جودة مطابقة نماذج التضخم الصفري والمفاضلة المنهجية بين نموذج العد القياسي البسيط (Standard Count Model كنموذج بواسون القياسي) والنموذج الهجين المتضخم بالصفر المناظر له (مثل ZIP)، لا يمكن استخدام اختبار نسبة الإمكان (LRT) التقليدي؛ نظراً لأن هذين النموذجين يمثلان نماذج إحصائية غير متداخلة (Non-Nested Models) بسبب اختلاف آليات توليد دالة الاحتمال والمسارات الهيكلية.

في هذا السياق، يبرز اختبار فونغ (Vuong Non-Nested Test) كأداة إحصائية قياسية حاسمة للمفاضلة. ينطلق اختبار فونغ من حساب الفروق في لوغاريتمات الإمكان الفردية لكل مفحوص ($i$) بين النموذجين المتنافسين، وفق المعادلة:

$$m_i = \ln\left(\frac{f_A(y_i mid x_i, \hat{\theta}_A)}{f_B(y_i mid x_i, \hat{\theta}_B)}\right)$$

حيث يمثل $f_A$ التوزيع الاحتمالي للنموذج المتضخم بالصفر (ZIP)، ويمثل $f_B$ التوزيع الاحتمالي لنموذج العد القياسي البسيط (Poisson). يُحسب إحصاء فونغ المعياري ($V$) عبر قسمة متوسط هذه الفروق اللوغاريتمية على خطئها المعياري المشاهد:

$$V = \frac{\sqrt{N} \left(\frac{1}{N} \sum_{i=1}^N m_i\right)}{\sqrt{\frac{1}{N} \sum_{i=1}^N (m_i – \bar{m})^2}}$$

يتبع إحصاء $V$ تقاربياً التوزيع الطبيعي القياسي $N(0, 1)$. وتُتخذ القرارات الإحصائية وفق القواعد الصارمة التالية عند مستوى دلالة $\alpha = 0.05$ (القيمة الحرجة $\pm 1.96$):

  • إذا كانت $V > +1.96$: يُعد النموذج المتضخم بالصفر (النموذج A) متفوقاً تفوقاً دالاً إحصائياً وأفضل مطابقة للبيانات من النموذج القياسي البسيط.
  • إذا كانت $V < -1.96$: يُعد نموذج العد القياسي البسيط (النموذج B) متفوقاً، ويُرفض افتراض التضخم الصفري لعدم وجود مبرر لتعقيد النموذج.
  • إذا كانت $|V| le 1.96$: لا يوجد دليل إحصائي كافٍ للمفاضلة بين النموذجين، ويُفضل عندها اعتماد النموذج الأكثر اقتصاداً وبساطة في المعلمات.

11. التطبيق البرمجي لاختبارات جودة المطابقة باستخدام R وSPSS وPython

11.1 تنفيذ الاختبارات في بيئة لغة R الإحصائية

توفر لغة R الإحصائية بيئة برمجية وحسابية متكاملة لإجراء كافة اختبارات جودة المطابقة للتوزيعات المنفصلة البسيطة والمتقدمة. بالنسبة لاختبار كاي تربيع الكلاسيكي لجودة المطابقة للتوزيع المنتظم أو التوزيعات محددة الاحتمالات مسبقاً، تُستخدم الدالة الأساسية chisq.test بتمرير متجهات التكرارات المشاهدة مع تخصيص متجه الاحتمالات النظرية p. أما في الحالات التي تتطلب ملاءمة وتطابق توزيعات معقدة وتقدير معلماتها، فإن الحزم المتخصصة مثل حزمة vcd (Visualizing Categorical Data) وحزمة fitdistrplus تقدم ترسانة تحليلية فائقة الدقة.

تتيح دالة goodfit المضمنة في حزمة vcd تقدير معلمات التوزيعات المنفصلة الأساسية (مثل Poisson, Binomial, Negative Binomial) عبر مقدرات الإمكان الأعظم، مع حساب درجات الحرية المعدلة وإحصاء كاي تربيع وإحصاء $G$ تلقائياً. علاوة على ذلك، تتميز البيئة بقدرتها على توليد المخططات البيانية التشخيصية عالية الجودة، مثل “مخططات الجذور المعلقة” (Hanging Rootograms) المبتكرة بواسطة جون توكي (John Tukey)؛ حيث يُعرض التكرار المشاهد معلقاً على المحور الرأسي بعد تحويله بالجذر التربيعي لمقارنته بالمنحنى النظري، مما يجعل الانحرافات والأنماط الشاذة في التوزيعات المنفصلة مرئية وفورية التشخيص للباحث السيكومتري.

ولمعالجة مشكلة التضخم الصفري والمفاضلة بين النماذج، تُستخدم حزمة pscl عبر تطبيق الدالتين zeroinfl و hurdle لنمذجة التضخم البواسوني وثنائي الحدين السالب، يتبعها التطبيق المباشر لدالة vuong لإجراء اختبار فونغ وحساب الدلالة التقاربية بدقة وسلاسة برمجية كاملة.

11.2 إجراء الاختبارات عبر الحزمة الإحصائية للعلوم الاجتماعية (SPSS)

توفر الحزمة الإحصائية للعلوم الاجتماعية (SPSS) واجهة رسومية وقوائم أمرية مرنة لإجراء اختبارات جودة المطابقة للتوزيعات المنفصلة ضمن منظومة الاختبارات اللامعلمية (Nonparametric Tests). لتنفيذ اختبار كاي تربيع التقليدي لجودة المطابقة، يسلك الباحث المسار القائم التالي:

Analyze -> Nonparametric Tests -> Legacy Dialogs -> Chi-Square...

في نافذة التحليل المنبثقة، يتم نقل المتغير السلوكي المنفصل إلى قائمة المتغيرات المختبرة (Test Variable List). تتيح الواجهة خيارين لتحديد الفرضية الصفرية لتوزيع الفئات:

  • تحديد خيار “All categories equal” لاختبار فرضية التوزيع المنتظم المنفصل بالتساوي التام.
  • تحديد خيار “Values” لإدخال الاحتمالات أو التكرارات النسبية المتوقعة لكل فئة يدوياً بالتسلسل المشفر للفئات في حال اختبار توزيعات نظرية محددة سلفاً كتوزيع برنولي أو النسب الوراثية أو المعايير السيكومترية المقننة.

تُظهر مخرجات البرنامج (SPSS Output Viewer) جدولين رئيسيين؛ الأول يُفصل التكرارات المشاهدة ($O$)، والتكرارات المتوقعة ($E$)، وفروق البواقي الإحصائية ($Residual = O – E$) لكل مستوى من مستويات المتغير المنفصل. بينما يعرض الجدول الثاني إحصاء كاي تربيع المحسوب، ودرجات الحرية ($df$)، والدلالة الإحصائية المقاربة (Asymptotic Significance). كما ينبه البرنامج الباحث في حواشي الجدول إلى نسبة وموقع الخلايا التي لم تستوفِ شرط الحد الأدنى للتكرارات المتوقعة وفق ضوابط كوكران، لتمكينه من اتخاذ القرار المنهجي بدمج الفئات أو التحول إلى الاختبارات الدقيقة.

11.3 التحليل الإحصائي للتوزيعات المنفصلة باستخدام Python

تُعد لغة بايثون (Python) خياراً مثالياً لأتمتة اختبارات جودة المطابقة وبناء خوارزميات المحاكاة وتوليد التوزيعات العشوائية، مدعومة بمنظومة متكاملة من المكتبات العلمية الرائدة مثل SciPy و Statsmodels و NumPy. يُنفذ اختبار كاي تربيع لمطابقة البيانات المنفصلة من خلال وحدة الإحصاء في ساي باي عبر الدالة scipy.stats.chisquare، والتي تستقبل مصفوفة التكرارات المشاهدة f_obs ومصفوفة التكرارات المتوقعة المقابلة f_exp المحسوبة بناءً على دالة الكتلة الاحتمالية، مع إمكانية تعديل درجات الحرية عبر معامل ddof لخصم المعلمات المقدرة من العينة.

أما لنمذجة التوزيعات المتقدمة والانحدار المنفصل، فتوفر مكتبة statsmodels.discrete.discrete_model فئات متطورة للتعامل مع نماذج العد مثل Poisson و NegativeBinomial و ZeroInflatedPoisson، حيث تتيح هذه الفئات استخراج لوغاريتم الإمكان الأعظم، ومصفوفة التغاير والخطأ المعياري، ومعايير المعلومات المقارنة (AIC و BIC) عبر بضعة أسطر برمجية منظمة.

إضافة إلى ذلك، توفر بايثون مرونة عالية لبناء دوال إعادة المعاينة وحساب القيم الاحتمالية الدقيقة (Parametric Bootstrap Exact P-values) لاختبار كولموجوروف-سميرنوف المنفصل وتوليد فترات الثقة غير البارامترية لمؤشرات حجم الأثر، مما يمنح الباحثين في القياس النفسي والذكاء الاصطناعي السلوكي قدرات تحليلية متقدمة تتجاوز قيود البرمجيات الإحصائية المغلقة.

12. إرشادات كتابة التقارير وتفسير النتائج وفق معايير الجمعية الأمريكية لعلم النفس (APA)

12.1 صياغة وتوثيق نتائج جودة المطابقة وفق دليل APA (الإصدار السابع)

تفرض معايير الجمعية الأمريكية لعلم النفس في دليلها المرجعي السابع (APA 7th Edition) ضوابط تنسيقية وإحصائية صارمة لتوثيق نتائج اختبارات جودة المطابقة في المجلات والتقارير الأكاديمية المحكمة. يجب أن يتضمن التقرير النصي بدقة متكاملة كلاً من: اسم الاختبار الإحصائي المستخدم، ودرجات الحرية بين قوسين كرمز فرعي أو ملازم للإحصاء، والقيمة العددية المحسوبة للإحصاء مقربة إلى منزلتين أو ثلاث منازل عشرية، والقيمة الاحتمالية الدقيقة ($p$-value)، ومؤشر حجم الأثر المصاحب (مثل$w$ لكوهين أو $V$ لكرامر) مع فترات الثقة المرافقة له (Confidence Intervals) متى ما أمكن.

تُكتب الرموز الإحصائية بحروف مائلة لاتينية (Italics) باستثناء الرموز اليونانية؛ حيث يُكتب رمز كاي تربيع بالشكل $\chi^2$، بينما تُكتب درجات الحرية والحجم العيني بالحروف المائلة ($df$ و $N$). يُوثق مستوى الدلالة بصيغة القيمة الدقيقة (مثال:$p = .014$) وتُستبدل بـ$p < .001$ فقط عندما تكون القيمة الاحتمالية متناهية الصغر، مع حذف الصفر الذي يسبق الفاصلة العشرية في القيم التي لا يمكن رياضياً أن تتجاوز الواحد الصحيح.

نماذج الصياغة المعيارية في المتن:

  • في حالة رفض الفرضية الصفرية (وجود اختلاف دال عن التوزيع النظري): “أظهرت نتائج اختبار كاي تربيع لجودة المطابقة عدم تطابق التفضيلات العلاجية للمفحوصين مع التوزيع المنتظم المفترض بالتساوي، $\chi^2(3, N = 200) = 10.00, p = .019, w = 0.22, 95% \text{ CI } [0.08, 0.36]$، مما يشير إلى وجود تفضيل دال إحصائياً لخيارات علاجية محددة.”
  • في حالة قبول الفرضية الصفرية (تحقق جودة المطابقة): “أكد اختبار جودة المطابقة لتوزيع ثنائي الحدين السالب ملاءمة النموذج النظري لتكرارات السلوك القهري المشاهدة، $\chi^2(6, N = 150) = 5.12, p = .528, w = 0.18$، مما يدعم كفاية التوزيع المقترح في تمثيل بنية التشتت الكامنة في البيانات.”

12.2 العرض البياني والجدولي لنتائج التوزيعات المنفصلة

يقتضي التوثيق الأكاديمي الرصين للبيانات المنفصلة تصميماً بيانياً وجدولياً يلتزم بضوابط APA الصارمة، والتي تمنع استخدام الخطوط العمودية الفاصلة داخل الجداول وتكتفي بالخطوط الأفقية الرئيسية الثلاثة (أعلى رأس الجدول، وأسفل الرأس، وأسفل قاعدة الجدول). يجب أن يتضمن الجدول الأكاديمي المقارن أعمدة مخصصة توضح: الفئات المنفصلة ($k$)، والتكرارات المشاهدة ($O$)، والنسب المئوية المشاهدة ($%$), والتكرارات المتوقعة نظرياً ($E$)، والبواقي المعيارية المعدلة (Adjusted Standardized Residuals -$z$) لتحديد الفئات المسؤولة نوعياً عن الانحراف الإحصائي.

أما على الصعيد البياني، فتوصي جمعية علم النفس الأمريكية باستخدام الأعمدة البيانية المزدوجة (Grouped Bar Charts) أو المخططات التكرارية النقطية المعلقة للمقارنة البصرية المباشرة؛ حيث يُرسم التكرار المشاهد كعمود مصمت بجانب التكرار المتوقع الذي يُرسم كعمود شفاف أو خط بياني عريض، مع تضمين أشرطة الخطأ (Error Bars) التي تمثل فترات الثقة 95% لكل فئة منفصلة.

يجب أن تتسم التسميات التوضيحية للمحاور (Axis Labels) بالوضوح السيكومتري التام، وتجنب استخدام الرسوم ثلاثية الأبعاد (3D Effects) أو التظليلات البصرية الزائدة التي تشوه الإدراك البصري لدقة الفروق الكمية بين التكرارات المشاهدة والمتوقعة في الفئات المنفصلة.

12.3 الآثار المنهجية والإكلينيكية لنتائج اختبارات حسن المطابقة

تمتد الآثار المترتبة على نتائج اختبارات حسن المطابقة إلى ما هو أبعد من مجرد القرار الرياضي برفض أو قبول فرضية صفرية مجردة، لتلقي بظلالها المباشرة على مجمل الممارسات السيكومترية والقرارات الإكلينيكية اليومية في العيادات النفسية والمؤسسات التعليمية. إن فشل مطابقة التوزيع المفترض للبيانات يعني بوضوح أن النماذج القياسية المشتقة لمعايرة بنود الاختبار، وتحديد صدق التكوين الفرضي، وتقدير خطأ القياس المعياري تصبح جميعها مشوبة بالتحيز ولا تعكس الحقيقة السلوكية للمفحوصين.

فعلى سبيل المثال، يؤدي الفشل في رصد وتصحيح التشتت الفائق أو التضخم الصفري في مقاييس الأعراض المرضية إلى تصنيف غير دقيق للأفراد على متصل السمة الكامنة؛ مما قد يقود إما إلى تفويت حالات مرضية حقيقية بحاجة ماسة للتدخل (False Negatives) نتيجة تضخيم الأخطاء المعيارية، أو إلى وصم أفراد أسوياء باضطرابات نفسية خطيرة (False Positives) نتيجة استخدام معايير ومئينات مستمدة من نماذج توزيعية غير ملائمة لطبيعة الاستجابات المنفصلة المقاسة.

يُلزم هذا الواقع الباحثين والممارسين الإكلينيكيين بضرورة التعامل مع اختبارات جودة المطابقة كفحص تشخيصي مسبق وإلزامي، يوجه مسار التحليل نحو استخدام النماذج الإحصائية المعممة المتقدمة (كالنماذج المختلطة، ونماذج التضخم الصفري، والتوزيعات المركبة) كلما أظهرت البيانات انفصالاً عن النماذج التوزيعية البسيطة، مما يرسخ مبادئ الممارسة السيكومترية القائمة على الأدلة الإحصائية والعيادية الصارمة.

خاتمة شاملة

تمثل اختبارات جودة المطابقة للتوزيعات المنفصلة البوصلة المنهجية التي تضمن سلامة وموثوقية التحليلات السيكومترية في القياس النفسي والعلوم السلوكية المعاصرة. لقد استعرض هذا الدليل المتعمق المسار التحليلي الكامل بدءاً من الخصائص الرياضية للمتغيرات المنفصلة، مروراً بالاشتقاقات النظرية لاختبار كاي تربيع، وتوزيع برنولي، وتوزيع بواسون، وثنائي الحدين السالب، والتوزيعات الهندسية، وصولاً إلى المعالجات الحسابية المتقدمة للعينات المتناثرة وظاهرة التضخم الصفري باستخدام اختبارات نسبة الإمكان، واختبارات كولموجوروف-سميرنوف المعدلة، واختبار فونغ للمفاضلة غير المتداخلة.

إن الانتقال من مجرد افتراض التوزيعات الاحتمالية إلى الفحص والتحقق التجريبي الصارم لجودة مطابقتها يمثل الفارق الجوهري بين البحث السيكومتري الاستكشافي السطحي والبحث الرصين القائم على الأدلة الكمية المحكمة. ومن خلال استيعاب المنطق الإحصائي لهذه الاختبارات وإتقان تطبيقها عبر المنصات البرمجية المتخصصة كـ R وSPSS وPython، وتوثيقها وفق المعايير المعاصرة لـ APA، يكتسب الباحث النفسي والمحلل الإحصائي القدرة على بناء نماذج قياسية دقيقة تعكس الواقع الإنساني والسلوكي بأعلى مستويات الصدق والموضوعية الإكلينيكية.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 26). اختبارات جودة المطابقة للتوزيعات المنفصلة. عرب سايكلوجي. https://arabpsychology.com/statistics/goodness-of-fit-tests-discrete-distributions/
looti, Mohammed. “اختبارات جودة المطابقة للتوزيعات المنفصلة.” عرب سايكلوجي, 26 أغسطس 2026, https://arabpsychology.com/statistics/goodness-of-fit-tests-discrete-distributions/.
looti, Mohammed. “اختبارات جودة المطابقة للتوزيعات المنفصلة.” عرب سايكلوجي. أغسطس 26, 2026. https://arabpsychology.com/statistics/goodness-of-fit-tests-discrete-distributions/.