كيف يعمل اختبار مربع كاي للاستقلالية

يحتل الاستدلال الإحصائي مكانة محورية في بنية البحث العلمي المعاصر، حيث يمثل الجسر المنهجي الذي يربط بين الملاحظات التجريبية الخام والنظريات التفسيرية المجردة. وفي إطار العلوم السلوكية والنفسية، يواجه الباحثون تحدياً ابستمولوجياً فريداً يتمثل في طبيعة الظواهر المدروسة؛ فالعديد من السمات السيكولوجية، والأنماط السلوكية، والتصنيفات الإكلينيكية لا تنطوي بطبيعتها على مقاييس كمية متصلة تخضع للتوزيع الطبيعي المعياري، بل تتبلور في هيئة متغيرات نوعية وفئوية، كالتشخيصات الطبقية، والأنماط الشخصية، والاستجابات الثنائية أو المتعددة للاستبيانات النفسية.

من هذا المنطلق، برزت الحاجة إلى أدوات استدلالية متينة تنتمي إلى عائلة الإحصاء اللامعلمي (Nonparametric Statistics)، والقادرة على معالجة البيانات الاسمية والرتبية دون فرض شروط قاسية تتعلق بتوزيع المجتمع الأصلي أو تجانس التباين. ويأتي اختبار مربع كاي للاستقلالية (Chi-Squared Test of Independence)، الذي وضعه عالم الإحصاء البريطاني كارل بيرسون (Karl Pearson) في مطلع القرن العشرين، في طليعة هذه الأدوات، بوصفه المعيار الأكثر شيوعاً وقوة لاختبار فرضيات الاقتران أو التبعية بين متغيرين فئويين في مصفوفات التوافق.

يهدف هذا الدليل الموسوعي المتقدم إلى تفكيك الأسس النظرية والرياضية العميقة لاختبار مربع كاي للاستقلالية، واستعراض آلياته التطبيقية داخل البيئة البحثية النفسية والاجتماعية. وسنتناول بالتفصيل الدقيق منطلقاته الرياضية، وكيفية اشتقاق التكرارات المتوقعة، وطرائق ضبط المتغيرات الدخيلة، وتفسير أحجام التأثير والتحليلات البعدية المتقدمة، وصولاً إلى المعالجة البرمجية الاحترافية والتوثيق الأكاديمي الرصين وفق معايير جمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة تأسيسية حول اختبار مربع كاي للاستقلالية في العلوم النفسية

1.1 التعريف النظري والمفهوم الجوهري للاختبار

يُعرَّف اختبار مربع كاي للاستقلالية بأنه اختبار فرضي استدلالي لامعلمي يُستخدم لتحديد ما إذا كانت هناك علاقة ارتباطية أو اعتمادية ذات دلالة إحصائية بين متغيرين نوعيين (Categorical Variables). على النقيض من الاختبارات المعلمية مثل اختبار “ت” (t-test) أو تحليل التباين (ANOVA) التي تعتمد على مقارنة المتوسطات الحسابية وتفترض اعتدالية التوزيع، يرتكز اختبار مربع كاي على مقارنة التوزيعات التكرارية للمشاهدات الواقعية عبر مستويات المتغيرات المختلفة.

يقوم المفهوم الجوهري للاختبار على فكرة “الاستقلالية الإحصائية” (Statistical Independence) بين ظاهرتين سيكولوجيتين؛ والتي تعني أن احتمالية وقوع أي مستوى من مستويات المتغير الأول لا تتأثر إطلاقاً بوقوع أي مستوى من مستويات المتغير الثاني. فعلى سبيل المثال، إذا كنا ندرس العلاقة بين “النوع الاجتماعي” و”نمط الاستجابة للضغوط النفسية”، فإن فرضية الاستقلالية تفترض أن توزيع أساليب المواجهة (التركيز على المشكلة مقابل التركيز على الانفعال) متماثل تماماً بين الذكور والإناث في المجتمع الإحصائي المدروس.

من الضروري هنا التمييز الحاسم بين اختبار مربع كاي للاستقلالية (Test of Independence) واختبار مربع كاي لجودة المطابقة (Goodness-of-Fit Test)؛ إذ يركز الأخير على متغير فئوي واحد لمقارنة تكراراته الملاحظة بنسب توزيعية نظرية مسبقة محددة نظرياً، بينما يختص اختبار الاستقلالية بدراسة التفاعل والاقتران المتبادل بين متغيرين فئويين أو أكثر تم قياسهما على العينة ذاتها داخل جدول اقتران ثنائي الأبعاد.

1.2 أهمية الاختبار وسياقات استخدامه في علم النفس

تستمد العلوم النفسية والسلوكية قوتها الاستدلالية من قدرتها على تصنيف الظواهر الإنسانية بدقة ثم دراسة العلاقات البينية التي تربط هذه التصنيفات. يُعد اختبار مربع كاي للاستقلالية الأداة الإحصائية الأكثر استخداماً لفحص العلاقات الاقترانية بين التصنيفات التشخيصية والسمات السلوكية؛ مثل استقصاء ما إذا كان التشخيص باضطراب الاكتئاب الجسيم (موجود / غير موجود) يرتبط بنوع معين من اضطرابات النوم (أرق أولي، استيقاظ مبكر، فرط نوم).

كما يبرز دور الاختبار بصورة حيوية في معالجة بيانات المسوح الميدانية والاستبانات السيكومترية التي تعتمد على مقاييس التقدير المصنفة اسمياً، كتحليل الفروق في الاتجاهات النفسية نحو العلاج النفسي عبر الشرائح الديموغرافية والاجتماعية المتنوعة (مثل المستوى التعليمي، الحالة الاجتماعية، والخلفية الثقافية). يتيح الاختبار للباحثين النفسيين التحقق مما إذا كانت هذه المتغيرات الديموغرافية تمثل محددات حقيقية للسلوك أم أنها تتوزع بطريقة عشوائية بحتة.

علاوة على ذلك، يُستخدم الاختبار في الدراسات الإكلينيكية لتقييم فعالية التدخلات العلاجية المصنفة ثنائياً (مثل: تحسن سريري / عدم تحسن) مقابل نوع البروتوكول العلاجي المتبع (مثل: العلاج المعرفي السلوكي، العلاج الدوائي، أو قائمة الانتظار الضابطة)، مما يقدم مؤشرات كمية واضحة لصناع القرار الإكلينيكي حول فاعلية البرامج العلاجية المقترحة.

1.3 طبيعة المتغيرات الفئوية والبيانات الاسمية ورتبية القياس

تخضع البيانات في البحث النفسي لمستويات القياس الأربعة التي حددها ستانلي ستيفنز: الاسمي (Nominal)، الرتبي (Ordinal)، الفئوي (Interval)، والنسبي (Ratio). صُمم اختبار مربع كاي للاستقلالية خصيصاً للتعامل مع المقياس الاسمي، حيث تُمثل الأرقام مجرد ملصقات أو مسميات لتصنيف الأفراد في فئات متمايزة نوعياً وحصرية تبادلياً (Mutually Exclusive) وشاملة كلياً (Exhaustive)، مثل تصنيف الشخصية وفق نموذج مايرز بريجز (MBTI) أو تصنيف نوع الصدمة النفسية.

بالإضافة إلى ذلك، يمكن تطبيق الاختبار على البيانات المقاسة وفق المقياس الرتبي (Ordinal)، مثل المستويات المتدرجة للقلق (منخفض، متوسط، مرتفع) دون الأخذ بعين الاعتبار المسافات الرياضية المتساوية بين الرتب. في مثل هذه الحالات، يتجاهل اختبار مربع كاي الترتيب المتضمن في البيانات ويعامل الفئات بوصفها مسميات نوعية منفصلة، مما قد يقلل جزئياً من القوة الإحصائية مقارنة باختبارات رتبية متخصصة كاختبار سبيرمان أو مان-وتني، ولكنه يمنح مرونة فائقة عند التحقق من وجود أي نمط اقتراني غير خطي.

إن معالجة البيانات غير المتصلة (Discrete Data) التي لا تخضع لقوانين التوزيع الطبيعي عبر اختبار مربع كاي تمنح الباحثين حصانة ضد التحيزات الناشئة عن انتهاك شروط الاختبارات المعلمية، إلا أنها تفرض في الوقت ذاته التزاماً صارماً بالقواعد الاحتمالية لحساب التكرارات لتفادي القراءات المضللة للارتباط والاعتمادية بين المتغيرات النفسية.

2. المنطق الرياضي والإحصائي الكامن وراء اختبار مربع كاي

2.1 مبدأ المقارنة بين التكرار الملاحظ والتكرار المتوقع

يقوم المنطق الرياضي الأساسي لاختبار بيرسون لمربع كاي على قياس المسافة أو الانحراف بين ما تمت ملاحظته فعلياً في الواقع التجريبي وما كان ينبغي ملاحظته رياضياً في حال تحقق فرضية العدم (أي فرضية الاستقلالية التامة). تُعبر الصيغة الرياضية الكلاسيكية للاختبار عن هذا المنطق بدقة بالغة:

χ² = Σ [ (O_ij – E_ij)² / E_ij ]

حيث يرمز O_ij إلى التكرار الملاحظ (Observed Frequency) في الخلية الواقعة عند الصف i والعمود j، بينما يرمز E_ij إلى التكرار المتوقع (Expected Frequency) المحسوب للخلية ذاتها بموجب قوانين الاحتمال المستقل، ويرمز الرمز Σ إلى حاصل الجمع عبر جميع خلايا مصفوفة التوافق.

يبرز الأساس المنطقي لتربيع الفروق (O_ij – E_ij)² في معالجة الإشكالية الجبرية المتمثلة في أن مجموع الانحرافات البسيطة بين القيم الملاحظة والمتوقعة في أي جدول اقتران يساوي دائماً الصفر؛ فالتربيع يحول جميع الانحرافات إلى قيم موجبة ويعطي وزناً أكبر للانحرافات الكبيرة. ولما كانت قيمة الفرق المطلق تعتمد على الحجم الإجمالي للتكرار داخل كل فئة، يُعاد توحيد هذه الفروق المربعة ومعايرتها بقسمتها على التكرار المتوقع E_ij لكل خلية على حدة، مما يجعل الناتج يعبر عن وزن نسبي موحد ومعياري لقيمة التباعد عن الاستقلالية.

2.2 التوزيع الاحتمالي لمربع كاي وخصائصه الهندسية

يُعد توزيع مربع كاي (Chi-Square Distribution) توزيعاً احتمالياً متصلاً مشتقاً من مجموع مربعات متغيرات معيارية عشوائية مستقلة تتبع التوزيع الطبيعي Z. رياضياً، إذا كانت Z_1, Z_2, …, Z_k متغيرات طبيعية معيارية مستقلة، فإن مجموع مربعاتها Σ Z_i² يتبع توزيع مربع كاي بعدد درجات حرية يساوي k.

يمتاز منحنى توزيع مربع كاي بخصائص هندسية محددة؛ فهو يبدأ دائماً من الصفر ويمتد نحو اللانهاية الموجبة (حيث لا يمكن لقيمته أن تكون سالبة إطلاقاً نظراً لعملية التربيع). ويكون التوزيع ملت Mystique-ياً بشدة نحو اليمين (Positive Skewness) عندما تكون درجات الحرية صغيرة، ولكن مع تزايد درجات الحرية تدريجياً، يقل الالتواء ويتسع المنحنى ويقترب شكله الهندسي تقارباً كبيراً من منحنى التوزيع الطبيعي المتماثل (Bell-shaped Curve).

نظراً لطبيعة صياغة الاختبار التي تبحث عن الفروق المربعة الإيجابية التي تبتعد عن الصفر وتدل على وجود اقتران بين المتغيرين، فإن منطقة الرفض (Rejection Region) للفرضية الصفرية تقع دائماً في الذيل الأيمن الأعلى (Right-tailed test) من التوزيع الاحتمالي، حيث يُعتبر تجاوز القيمة المحسوبة للقيمة الحرجة دليلاً قاطعاً على انخفاض احتمالية حدوث تلك الفروق بالصدفة البحتة.

2.3 مبرهنة النهاية المركزية ونظرية الاحتمالات المرتبطة بالاختبار

يرتبط اختبار مربع كاي للاستقلالية ارتباطاً وثيقاً بـ مبرهنة النهاية المركزية (Central Limit Theorem) وقوانين التقارب الاحتمالي؛ فالبيانات الفئوية تتبع في الأصل التوزيع ثنائي الحدين (Binomial) أو التوزيع متعدد الحدود (Multinomial Distribution). ومع تزايد حجم العينة الإجمالي، تتقارب التوزيعات المنفصلة لهذه التكرارات تقارباً مقاربياً (Asymptotically) نحو التوزيع الطبيعي المتصل، وتتحول الفروق المعايرة إلى مربعات لمتغيرات شبه معيارية تتبع توزيع مربع كاي النظري بدقة فائقة.

ترتكز فلسفة الاستقلالية الإحصائية على قواعد الاحتمال المشترك (Joint Probability) والاحتمال الشرطي (Conditional Probability). ينص قانون الاحتمالات على أنه إذا كان الحدثان A و B مستقلين تماماً، فإن الاحتمال المشترك لوقوعهما معاً يساوي حاصل ضرب احتماليهما الفرديين: P(A ∩ B) = P(A) × P(B). وبالمثل، يكون الاحتمال الشرطي P(A|B) = P(A)، مما يعني أن معرفة حدوث المتغير B لا توفر أي معلومة إضافية للتنبؤ باحتمال حدوث المتغير A.

يشكل هذا المبدأ الرياضي حجر الزاوية في بناء التكرارات المتوقعة؛ حيث يعكس أي انزياح ذي دلالة بين الاحتمال الملاحظ والاحتمال المستقل انهياراً لفرضية الاستقلالية ووجود اعتمادية إحصائية متبادلة تتطلب تفسيراً سيكولوجياً وميدانياً.

3. جداول الاقتران (التوافق) وآلية تنظيم البيانات

3.1 هيكلية وتصميم جداول الاقتران المتقاطعة (r × c)

تُمثل جداول الاقتران (Contingency Tables)، أو الجداول المتقاطعة (Cross-tabulations)، المصفوفة الهيكلية المنظمة التي يتم فيها تفريغ وتصنيف البيانات الفئوية المزدوجة. يُشار إلى حجم الجدول رياضياً بالصيغة (r × c)، حيث يمثل r عدد الصفوف (Rows) التي تعكس مستويات المتغير الأول (المستقل عادة)، ويمثل c عدد الأعمدة (Columns) التي تعكس مستويات المتغير الثاني (التابع عادة).

تبدأ هذه الجداول من أبسط بنياتها وهي جداول (2 × 2) التي تقاطع متغيرين ثنائيي التقسيم (مثل: نمط التفكير: حدسي/تحليلي مقابل الرضا المهني: راضٍ/غير راضٍ)، وتمتد لتشمل الجداول المتعددة الأبعاد كجداول (3 × 3) أو (4 × 5) لاستيعاب التصنيفات التشخيصية المعقدة ومستويات الاستجابة المتعددة. تحتوي كل خلية داخل الجدول المتقاطع على التكرار الملاحظ المشترك للأفراد الذين يمتلكون في آن واحد صفة الصف وصفة العمود المتقاطعين عندها.

تتضمن البنية المحيطية للجدول مجاميع الصفوف الإجمالية (Row Marginals) في نهايات الصفوف جهة اليسار أو اليمين، ومجاميع الأعمدة الإجمالية (Column Marginals) في أسفل كل عمود، في حين يمثل الركن السفلي الأخير حاصل الجمع الكلي لحجم العينة N، وهو ما يضمن سلامة التوازن التكراري للمصفوفة.

3.2 حساب التكرارات الهامشية وتوزيعاتها النسبية

تلعب التكرارات الهامشية دوراً حاسماً في فهم الأوزان النسبية لكل مستوى من مستويات المتغيرات بصورة منفصلة، وتُشتق منها التوزيعات الاحتمالية غير المشروطة (Unconditional Probabilities). ومن خلال هذه المجاميع الهامشية، يقوم الباحث النفسي بحساب ثلاثة أنماط رئيسية من النسب المئوية التي تمنح فهماً عميقاً للبيانات قبل إجراء الاختبار الاستدلالي:

• النسب المئوية للصفوف (Row Percentages): وتُحسب بقسمة تكرار كل خلية على المجموع الإجمالي للصف الخاص بها وضرب الناتج في 100. تتيح هذه النسب مقارنة توزيع الاستجابات عبر فئات المتغير المستقل وملاحظة الفروق بين المجموعات.
• النسب المئوية للأعمدة (Column Percentages): وتُحسب بقسمة تكرار الخلية على المجموع الإجمالي للعمود وضرب الناتج في 100. تُظهر هذه النسب مساهمة كل فئة من فئات المتغير المستقل في تكوين مستويات المتغير التابع.
• النسب المئوية الكلية (Total Percentages): وتُحسب بقسمة تكرار الخلية على حجم العينة الكلي N، وتوضح الوزن النسبي لكل اقتران ثنائي محدد بالنسبة للمجتمع البحثي الكلي المدروس.

3.3 الجداول المعقدة والطبقية للتحكم في المتغيرات الدخيلة

عند دراسة العلاقات السيكولوجية والاجتماعية المعقدة، قد تظهر علاقات ارتباطية زائفة بين متغيرين فئويين نتيجة تأثير متغير ثالث خفي أو وسيط (Confounding Variable). في هذه الحالات، يلجأ الباحث المتقدم إلى بناء “الجداول الطبقية” (Stratified Contingency Tables) ثلاثية الأبعاد (r × c × k)، حيث يتم تقسيم العينة الكلية إلى طبقات فرعية استناداً إلى مستويات المتغير الضابط k (مثل تقسيم العينة حسب المستوى الاجتماعي والاقتصادي).

تسمح هذه الجداول بتطبيق اختبارات متقدمة مثل اختبار كوشران-مانتل-هينزل (Cochran-Mantel-Haenszel Test)، الذي يختبر استقلالية المتغيرين الأساسيين بعد تحييد وضبط أثر المتغير الطبقي الثالث، والتأكد من ثبات العلاقة عبر مختلف السياقات الفرعية.

يساعد التحليل الطبقي في الكشف المبكر عن ظاهرة مفارقة سيمبسون (Simpson’s Paradox) الإحصائية الشهيرة؛ حيث قد يظهر اقتران إيجابي دال بين متغيرين عند تحليل الجدول الإجمالي المجمع، لكنه ينعكس تماماً إلى اتجاه سلبي أو يختفي كلياً بمجرد تفكيك البيانات وضبط المتغير الوسيط عبر الجداول الطبقية، وهو ما يقي الباحث النفسي من استخلاص استنتاجات سريرية مضللة.

4. حساب التكرارات المتوقعة خطوة بخطوة

4.1 الاشتقاق الرياضي لصيغة التكرار المتوقع

ينبع الاشتقاق الرياضي لصيغة التكرار المتوقع (E_ij) مباشرة من مبدأ الاحتمال المشترك لحدثين مستقلين. فإذا افترضنا صحة الفرضية الصفرية، فإن احتمال أن ينتمي فرد تم اختياره عشوائياً إلى الصف i هو ببساطة مجموع تكرارات الصف i مقسوماً على الحجم الكلي للعينة: P(Row_i) = R_i / N.

وبالمثل، فإن احتمال أن ينتمي الفرد إلى العمود j هو مجموع تكرارات العمود j مقسوماً على الحجم الكلي: P(Col_j) = C_j / N. واستناداً إلى قاعدة ضرب الاحتمالات للأحداث المستقلة، فإن احتمال وقوع الفرد في الخلية المشتركة (i, j) في ظل استقلالية تامة هو حاصل ضرب الاحتمالين:

P(Row_i ∩ Col_j) = (R_i / N) × (C_j / N) = (R_i × C_j) / N²

ولتحويل هذا الاحتمال النظري المشترك إلى تكرار متوقع للأفراد (E_ij)، نقوم بضرب الاحتمال المشترك في إجمالي حجم العينة N:

E_ij = N × [ (R_i × C_j) / N² ] = (R_i × C_j) / N

وبذلك نصل إلى القاعدة التطبيقية العامة: التكرار المتوقع لأي خلية = (مجموع الصف الخاص بها × مجموع العمود الخاص بها) ÷ الحجم الإجمالي للعينة. وتُمثل هذه القيمة التكرار الحتمي الذي يجب أن نشاهده في تلك الخلية إذا لم يكن هناك أي ارتباط إطلاقاً بين المتغيرين المدروسين.

4.2 أمثلة حسابية يدوية وتطبيقية على خلايا الجدول

لتوضيح هذه العملية الحسابية، نفترض أن باحثاً نفسياً يدرس العلاقة بين الجنس (ذكور / إناث) ومستوى القلق الامتحاني (مرتفع / منخفض) على عينة قوامها N = 100 طالب. كانت المجاميع الهامشية المسجلة هي: عدد الذكور = 40، عدد الإناث = 60، عدد الذين يعانون من قلق مرتفع = 50، وعدد الذين يعانون من قلق منخفض = 50.

لحساب التكرار المتوقع لخلية (الذكور ذوي القلق المرتفع): نضرب مجموع صف الذكور (40) في مجموع عمود القلق المرتفع (50) ثم نقسم الناتج على 100، فتكون النتيجة: (40 × 50) / 100 = 20 فرداً. وبالمثل، لخلية (الإناث ذوات القلق المرتفع): (60 × 50) / 100 = 30 فردة.

تنسحب هذه القاعدة البسيطة ذاتها على الجداول الأكبر متطابقة الخصائص كالجداول المتعددة (3 × 3). ومن الخصائص الجبرية الصارمة للتكرارات المتوقعة أن مجموع التكرارات المتوقعة داخل أي صف أو عمود يجب أن يتطابق تطابقاً مطلقاً مع المجموع الهامشي الملاحظ لذلك الصف أو العمود، كما أن مجموع كل التكرارات المتوقعة في كامل الجدول يجب أن يساوي بالضبط الحجم الكلي للعينة N.

4.3 التعامل مع التكرارات الصفرية والقيم المتوقعة الصغيرة

تمثل القيم المتطرفة والتكرارات المتناهية في الصغر إحدى أبرز العقبات الحسابية والمنهجية في تطبيق اختبار مربع كاي. إذا كان التكرار الملاحظ O_ij في إحدى الخلايا صفراً، فإن الحسابات تظل ممكنة رياضياً طالما أن التكرار المتوقع E_ij أكبر من الصفر، حيث تصبح قيمة البسط (0 – E_ij)² = E_ij²، ويكون ناتج مساهمة الخلية في مربع كاي مساوياً لقيمة E_ij ذاتها.

ومع ذلك، تكمن الخطورة المنهجية الكبرى عندما يكون التكرار المتوقع E_ij صغيراً جداً (أقل من 5 أو مقترباً من الصفر)، حيث يؤدي وجود مقام شديد الصغر في المعادلة (O_ij – E_ij)² / E_ij إلى تضخيم اصطناعي هائل لقيمة χ² المحسوبة، مما يرفع احتمالية الوقوع في الخطأ من النوع الأول ورفض فرضية العدم بشكل زائف ومضلل.

ولمعالجة هذه الإشكالية، يلجأ الباحثون إلى استراتيجيات منهجية رصينة، من أبرزها “دمج الفئات المتجاورة ذات المعنى المشترك” (Collapsing Categories)؛ كدمج فئتي “غير موافق بشدة” و”غير موافق” في فئة موحدة، لرفع التكرار الهامشي والمتوقع للخلية المشتركة دون الإخلال بالبنية المنطقية والسيكولوجية للمتغير المدروس.

5. صياغة الفرضيات الإحصائية في بحوث علم النفس

5.1 بناء الفرضية الصفرية (Null Hypothesis – H0)

تُمثل الفرضية الصفرية (H0) نقطة الانطلاق التأسيسية في منهجية اختبار الفرضيات الإحصائية لنيومان وبيرسون. وفي سياق اختبار مربع كاي للاستقلالية، تُصاغ الفرضية الصفرية دائماً لتنص على “عدم وجود علاقة ارتباطية أو اعتمادية بين المتغيرين الفئويين في المجتمع المدروس”، مما يعني أن التوزيع التكراري لأحد المتغيرين مستقل استقلالاً تاماً عن المتغير الآخر.

تُعبر الصياغة الرمزية الدقيقة للفرضية الصفرية عن التساوي التام للاحتمالات المشروطة عبر جميع مستويات المتغير:

H0: P(A_i ∩ B_j) = P(A_i) × P(B_j) لكل قيم i و j

من الناحية النفسية والسلوكية، تفترض الفرضية الصفرية أن أي فروق مرصودة بين التكرارات الملاحظة في العينة والتكرارات المتوقعة رياضياً لا تعدو كونها تباينات عشوائية طفيفة ناجمة عن خطأ المعاينة (Sampling Error) والتقلبات العشوائية، ولا تعكس وجود نمط سيكولوجي حقيقي في المجتمع الأصلي.

5.2 صياغة الفرضية البديلة (Alternative Hypothesis – H1)

تُمثل الفرضية البديلة (H1)، وتُسمى أحياناً بفرضية البحث (Research Hypothesis)، الموقف المعاكس تماماً لفرضية العدم، حيث تنص على “وجود علاقة اقتران أو اعتمادية ذات دلالة إحصائية بين المتغيرين الفئويين في المجتمع”. وتُصاغ رمزياً بأن شرط الاستقلالية لا يتحقق لخلية واحدة على الأقل:

H1: P(A_i ∩ B_j) ≠ P(A_i) × P(B_j) لخلية واحدة على الأقل

تتميز الفرضية البديلة في اختبار مربع كاي التقليدي بكونها فرضية “غير موجهة” (Non-directional) وحتمية بطبيعتها؛ فالطبيعة التربيعية للاختبار تجمع الانحرافات في جميع الاتجاهات دون تمييز مباشر لاتجاه الارتباط (إيجابي أو سلبي). وتقتصر دلالة رفض الفرضية الصفرية على إثبات أن التوزيعين غير مستقلين، تاركة للباحث مهمة إجراء تحليلات لاحقة لاستكشاف بنية وطبيعة هذا الاقتران.

5.3 تحديد مستوى الدلالة الإحصائية (ألفا) والخطأ من النوع الأول

يُعرَّف مستوى الدلالة الإحصائية (Alpha – α) بأنه أقصى احتمال يقبله الباحث للوقوع في الخطأ من النوع الأول (Type I Error)، والمتمثل في رفض الفرضية الصفرية بينما هي في الواقع صحيحة تماماً في المجتمع (أي استنتاج وجود اقتران زائف).

يحدد الباحثون النفسيون عتبة α = 0.05 كمعيار كلاسيكي متفق عليه في أغلب الدراسات الاستكشافية، مما يعني قبول مخاطرة نسبتها 5% في أن تكون الفروق الملاحظة ناتجة عن الصدفة. وفي الدراسات الإكلينيكية الحساسة أو التشخيصات الفارقة التي تترتب عليها قرارات علاجية مصيرية، يُرفع معيار التحوط المنهجي لتصبح α = 0.01 أو α = 0.001 للحد الصارم من احتمالية القرارات الخاطئة.

يرتبط بمستوى الدلالة مفهوم “القوة الإحصائية” (Statistical Power: 1 – β)، وهي قدرة الاختبار على رصد الاقتران والاعتمادية بين المتغيرات النفسية ورفض الفرضية الصفرية عندما تكون خاطئة بالفعل، وتجنب الخطأ من النوع الثاني (Type II Error – Failure to reject a false H0). وتتأثر هذه القوة طردياً بحجم العينة الكلي وبحجم التأثير الحقيقي الكامن في مجتمع الظاهرة.

6. حساب درجات الحرية وتحديد القيمة الحرجة

6.1 المفهوم الرياضي لدرجات الحرية (Degrees of Freedom)

تُعبر درجات الحرية (Degrees of Freedom – df) في الاستدلال الإحصائي عن عدد القيم أو التكرارات داخل مصفوفة البيانات التي تمتلك حرية التغير والتباين المستقل بعد فرض القيود الرياضية الهامشية الثابتة. في جداول الاقتران، تفرض المجاميع الهامشية للصفوف والأعمدة قيوداً جبرية على الخلايا؛ فبمجرد معرفة قيم عدد معين من الخلايا، تُحسب باقي الخلايا جبرياً لتطابق المجاميع الثابتة.

تُحسب درجات الحرية لأي جدول اقتران ثنائي الأبعاد بالمعادلة الرياضية التالية:

df = (r – 1) × (c – 1)

حيث يمثل r عدد الصفوف، ويمثل c عدد الأعمدة. يتجلى هذا المنطق بوضوح في جدول (2 × 2) البسيط؛ حيث تكون درجات الحرية: df = (2 – 1) × (2 – 1) = 1 × 1 = 1. ويعني هذا أننا إذا علمنا قيمة تكرار خلية واحدة فقط داخل الجدول وعرفنا مجاميع الصفوف والأعمدة، فإن تكرارات الخلايا الثلاث المتبقية تصبح محددة حتمياً ومقيدة رياضياً ولا تملك أي حرية للتغير المستقل.

6.2 استخدام جداول توزيع مربع كاي واستخراج القيمة الحرجة

تُمثل القيمة الحرجة (Critical Value) نقطة القطع الرياضية الفاصلة على منحنى توزيع مربع كاي بين “منطقة القبول” (المنطقة التي تفشل في دحض الفرضية الصفرية) و”منطقة الرفض” الإحصائي. لاستخراج القيمة الحرجة يدوياً، يتقاطع صف درجات الحرية (df) مع عمود مستوى الدلالة المختار (α) في جداول التوزيع المرجعية.

على سبيل المثال، عند مستوى دلالة α = 0.05 ودرجة حرية df = 1، نجد أن القيمة الحرجة تساوي بدقة 3.841. وإذا كانت درجة الحرية df = 4 (كما في جدول 3×3)، فإن القيمة الحرجة المقابلة عند نفس مستوى الدلالة تصبح 9.488.

تتم المقارنة الاستدلالية واتخاذ القرار المنهجي وفق القاعدة التالية:

• إذا كانت قيمة مربع كاي المحسوبة (χ²_calc) ≥ القيمة الحرجة (χ²_crit): نرفض الفرضية الصفرية H0 ونقبل الفرضية البديلة H1، مما يدل على وجود علاقة اقتران ذات دلالة إحصائية.
• إذا كانت قيمة مربع كاي المحسوبة (χ²_calc) < القيمة الحرجة (χ²_crit): نفشل في رفض الفرضية الصفرية، ونستنتج عدم كفاية الأدلة الإحصائية لإثبات الاقتران بين المتغيرين عند ذلك المستوى من الدلالة.

6.3 تأثير حجم الجدول وأبعاده على القيمة الحرجة ودقة الاختبار

ترتبط أبعاد جدول الاقتران ارتباطاً طردياً بقيمة درجات الحرية؛ فكلما تزايدت مستويات المتغيرات وتعددت فئاتها (كما في جدول 4×5 ذي df = 12)، زادت تبعاً لذلك القيمة الحرجة المطلوبة لرفض الفرضية الصفرية (تصل إلى 21.026 عند α = 0.05). ويعود ذلك إلى أن التوزيع النظري يمتد تدريجياً جهة اليمين ويزداد متوسطه، الذي يساوي رياضياً قيمة درجات الحرية df ذاتها.

ومع ذلك، فإن التوسع المفرط في أبعاد الجداول المتقاطعة ينطوي على كلفة إحصائية سلبية؛ إذ يؤدي تفتيت العينة الكلية على عدد هائل من الخلايا إلى تشتت التكرارات الملاحظة وصغر التكرارات المتوقعة، مما يقلل بشكل دراماتيكي من القوة الإحصائية للاختبار ويزيد من صعوبة رفض الفرضية الصفرية حتى وإن كانت هناك علاقة اقتران واقعية طفيفة.

لذا يوصي علماء القياس السيكومتري بالموازنة الرصينة بين الشمول المفهومي للتصنيفات النفسية من جهة، والحرص على بساطة النموذج التوافقي وضبط عدد خلاياه من جهة أخرى، لضمان استقرار تقديرات الاختبار ودقة نتائجه الاستدلالية.

7. الشروط والافتراضات المنهجية لصلاحية تطبيق الاختبار

7.1 افتراض الاستقلالية التامة للملاحظات الفردية

يُعد افتراض استقلالية المشاهدات (Independence of Observations) الشرط الأكثر صرامة وأهمية على الإطلاق في تطبيق اختبار مربع كاي للاستقلالية. يقضي هذا الافتراض بأن ينتمي كل فرد أو وحدة تجريبية في العينة إلى خلية واحدة فقط من خلايا الجدول المتقاطع، دون وجود أي تداخل أو تكرار متقاطع للقياسات عبر الزمن أو بين الفئات.

يمنع هذا الشرط منعاً باتاً استخدام اختبار مربع كاي التقليدي في تصاميم القياسات المتكررة (Repeated Measures) أو دراسات المقارنة “قبل / بعد” (Pretest-Posttest Designs) المطبقة على نفس العينة السيكولوجية، لأن درجات الملاحظات تكون مرتبطة داخلياً ببعضها البعض، مما ينسف الأساس الاحتمالي للتوزيع المستقل. وفي مثل هذه التصاميم المرتبطة، يجب استبدال الاختبار باختبارات متخصصة كاختبار ماكنيمار.

كما يشترط أن تُجمع البيانات من خلال المعاينة الاحتمالية العشوائية (Random Sampling) لضمان تمثيل العينة لمجتمع البحث الأصلي بشكل عادل وتفادي الانحيازات المنهجية التي تشوه التوزيع التكراري للخلايا المدروسة.

7.2 معيار كوشران لحجم التكرارات المتوقعة (Cochran’s Rule)

نظراً لأن التقارب الرياضي من التوزيع المنفصل إلى توزيع مربع كاي المتصل يعتمد على كفاية أوزان الخلايا، صاغ عالم الإحصاء ويليام كوشران (William G. Cochran) معايير ذهبية صارمة تضمن صلاحية الاختبار وتمنع تضخم الخطأ الإحصائي، وتتمثل هذه القواعد فيما يلي:

• ألا يقل التكرار المتوقع (E) عن 5 في أكثر من 20% من إجمالي عدد خلايا جدول الاقتران المتقاطع.
• ألا يقل التكرار المتوقع (E) عن 1 في أي خلية فردية داخل الجدول على الإطلاق (أي يجب أن يكون E_ij ≥ 1 لجميع الخلايا بلا استثناء).
• في الجداول البسيطة من نوع (2 × 2)، يُفضل ألا يقل التكرار المتوقع في أي خلية من الخلايا الأربع عن 5، وفي حال النزول عن ذلك، يصبح استخدام الاختبار الدقيق أمراً إلزامياً.

إن خرق هذه المعايير يؤدي مباشرة إلى جعل قيمة الاحتمالية الناتجة (p-value) غير دقيقة ومضللة، مما يرفع احتمالية الاستنتاج الخاطئ بوجود علاقات اقترانية وهمية.

7.3 حجم العينة الكلي والتوزيع العادل للحالات

يتطلب اختبار مربع كاي حجماً كلياً كافياً من العينة N لضمان توليد تكرارات متوقعة تتوافق مع معيار كوشران المذكور سابقاً. وبشكل عام، يُعتبر الحد الأدنى المقبول لحجم العينة الكلي في جداول (2 × 2) هو N = 20 إلى N = 40 فرداً على الأقل، مع اشتراط التوزيع المتوازن نسبياً للحالات عبر الخلايا.

على الجانب الآخر، تبرز إشكالية منهجية معاكسة عند التعامل مع العينات الضخمة جداً (Big Data) التي تتجاوز آلاف الأفراد؛ حيث يتسم اختبار مربع كاي بحساسية مفرطة لحجم العينة، مما يجعله قادراً على إعطاء دلالة إحصائية عالية (مثل p < 0.001) لفروق طفيفة للغاية وهامشية بين التكرارات الملاحظة والمتوقعة، وهي فروق تفتقر كلياً إلى أي معنى تطبيقي أو أهمية سريرية في الميدان النفسي.

لذلك، يتوجب على الباحثين إجراء تحليل أولي لحجم العينة والقوة الإحصائية المطلوبة (A-priori Power Analysis) باستخدام برمجيات مثل G*Power قبل الشروع في جمع البيانات، لتحديد الحجم الأمثل الذي يكشف التأثيرات السيكولوجية ذات المعنى دون الوقوع في فخ التضخيم الإحصائي للعينات المفرطة.

8. تفسير الدلالة الإحصائية وحجم التأثير والتحليل البعدي

8.1 تفسير القيمة الاحتمالية (p-value) واتخاذ القرار الإحصائي

تُعرَّف القيمة الاحتمالية (p-value) بأنها احتمال الحصول على قيمة محسوبة لمربع كاي مساوية أو أكثر تطرفاً من القيمة الناتجة في بيانات العينة، بافتراض أن الفرضية الصفرية صحيحة تماماً في المجتمع الأصلي. ولا تعبر هذه القيمة بأي حال عن “احتمالية صحة الفرضية الصفرية”، بل هي مقياس لقوة الدليل الإحصائي ضدها.

يتم اتخاذ القرار الإحصائي بمقارنة قيمة p المحسوبة بدقة بمستوى الدلالة المسبق α:

• إذا كانت p ≤ α: نرفض الفرضية الصفرية، ونستنتج وجود اقتران دال إحصائياً بين المتغيرين النفسيين.
• إذا كانت p > α: نفشل في رفض الفرضية الصفرية، مما يشير إلى أن التباينات المشاهدة تقع ضمن نطاق التقلب العشوائي المتوقع.

يجب التمييز الجذري في التقرير النفسي بين “الدلالة الإحصائية” (Statistical Significance) التي تجيب عن سؤال: “هل العلاقة حقيقية وليست وليدة الصدفة؟”، و”الدلالة العملية أو الإكلينيكية” (Clinical Significance) التي تجيب عن سؤال: “ما مدى قوة وجدوى وتأثير هذا الارتباط في الواقع المعاش؟”.

8.2 مقاييس حجم التأثير للمتغيرات الفئوية (Effect Size)

نظراً لتأثر قيمة χ² بحجم العينة، وضعت الأدبيات الإحصائية مقاييس موحدة ومستقلة لحجم التأثير (Effect Size) لقياس القوة الحقيقية للاقتران، وأبرزها:

1. معامل فاي (Phi Coefficient – φ): يُستخدم حصرياً للجداول الثنائية (2 × 2)، ويُحسب بالصيغة: φ = √(χ² / N). تتراوح قيمته بين 0 و 1 (أو بين -1 و +1 عند تحديد الاتجاه). وتُفسر قيمه عموماً وفق معايير جاكوب كوهين: 0.10 (تأثير صغير)، 0.30 (تأثير متوسط)، 0.50 (تأثير كبير).

2. معامل كرامر للارتباط (Cramer’s V): يُعد المقياس المعياري المعتمد للجداول الأكبر من (2 × 2) كجداول (3 × 3)، ويُحسب بالمعادلة:

V = √[ χ² / (N × (k – 1)) ]

حيث تمثل k القيمة الأصغر بين عدد الصفوف وعدد الأعمدة: k = min(r, c). تتراوح قيمة V دائماً بين 0 (انعدام الاقتران التام) و 1 (الاقتران والاعتماد التام بين المتغيرات).

3. نسبة الأرجحية (Odds Ratio – OR) ونسبة الخطر (Relative Risk – RR): تُستخدمان بكثافة في علم النفس الإكلينيكي والصحة النفسية لتقييم احتمالية ظهور عرض مرضي معين في وجود عامل خطورة محدد مقارنة بغيابه، مما يوفر ترجمة كمية مباشرة للمخاطر السريرية.

8.3 تحليل البواقي المعيارية المعدلة (Adjusted Standardized Residuals)

عندما يسفر اختبار مربع كاي عن دلالة إحصائية في جدول كبير، فإنه يخبرنا بوجود ارتباط إجمالي فقط، دون تحديد الخلايا المسؤولة فعلياً عن هذا الارتباط. هنا يبرز دور “تحليل البواقي” (Residuals Analysis) بوصفه تحليلاً بعدياً دقيقاً (Post-hoc Analysis).

يُحسب الباقي المعياري المعدل (Adjusted Standardized Residual – ASR / z-residual) لكل خلية ليعبر عن الفرق بين التكرار الملاحظ والمتوقع مقسوماً على تقدير لخطئه المعياري، مما يجعله يتبع توزيع الدرجة المعيارية الطبيعية Z. وتتم مقارنة الناتج بنقاط القطع المعيارية الشهيرة:

• إذا كان ASR > +1.96: فإن تكرار الملاحظات في هذه الخلية أعلى بكثير مما تفرضه الصدفة عند مستوى α = 0.05 (وهو اقتران إيجابي مميز).
• إذا كان ASR < -1.96: فإن تكرار الملاحظات أقل بكثير من المتوقع بالصدفة (نفور أو تجنب اقتراني).
• إذا تجاوزت القيمة ±2.58 أو ±3.29، فإن ذلك يدل على دلالة فائقة عند α = 0.01 و α = 0.001 على التوالي.

يمكّن هذا التحليل الباحث السيكولوجي من تفكيك الأنماط السلوكية المحددة داخل المصفوفة، واكتشاف أي التركيبات التشخيصية التي تقود الدلالة الكلية للاختبار.

9. تطبيق عملي ونموذج تطبيقي متكامل في البحوث النفسية

9.1 وصف المشكلة النفسية وفرضيات الدراسة الميدانية

لتجسيد كافة المفاهيم السابقة في سياق واقعي متكامل، نفترض إجراء دراسة ميدانية في علم النفس التنظيمي والإكلينيكي لفحص العلاقة بين نمط الشخصية ومستوى الاحتراق النفسي (Burnout) لدى عينة قوامها N = 300 من الأخصائيين النفسيين العاملين في المستشفيات العامة.

تم تصنيف المتغير المستقل (نمط الشخصية) إلى ثلاث فئات: (نمط أ: التنافسي والمندفع، نمط ب: الهادئ والمرن، نمط ج: المتكتم والتفصيلي). وتم قياس المتغير التابع (الاحتراق النفسي) وتصنيفه إلى ثلاثة مستويات: (منخفض، متوسط، مرتفع) وفق مقياس ماسلاش للاحتراق النفسي.

تتم صياغة الفرضيات الإحصائية للدراسة كما يلي:

• الفرضية الصفرية (H0): لا توجد علاقة اقتران ذات دلالة إحصائية بين نمط الشخصية ومستوى الاحتراق النفسي (المتغيران مستقلان في مجتمع الأخصائيين).
• الفرضية البديلة (H1): توجد علاقة اقتران دالة إحصائياً بين نمط الشخصية ومستوى الاحتراق النفسي (توزيع مستويات الاحتراق يختلف باختلاف نمط الشخصية).
• مستوى الدلالة المعتمد: α = 0.05.

9.2 التنفيذ الحسابي الكامل لبيانات النموذج خطوة بخطوة

تم تفريغ البيانات المجمعة ميدانياً في جدول اقتران (3 × 3) يوضح التكرارات الملاحظة (O) والمجاميع الهامشية كما يلي:

• النمط (أ) [مجموع الصف = 100]: منخفض = 15 | متوسط = 35 | مرتفع = 50
• النمط (ب) [مجموع الصف = 100]: منخفض = 55 | متوسط = 30 | مرتفع = 15
• النمط (ج) [مجموع الصف = 100]: منخفض = 30 | متوسط = 45 | مرتفع = 25
• مجاميع الأعمدة: الاحتراق المنخفض = 100 | المتوسط = 110 | المرتفع = 90 | المجموع الكلي N = 300

الخطوة الأولى: حساب التكرارات المتوقعة (E) لجميع الخلايا التسع:

• خلية (نمط أ × منخفض): (100 × 100) / 300 = 33.33
• خلية (نمط أ × متوسط): (100 × 110) / 300 = 36.67
• خلية (نمط أ × مرتفع): (100 × 90) / 300 = 30.00
• خلية (نمط ب × منخفض): (100 × 100) / 300 = 33.33
• خلية (نمط ب × متوسط): (100 × 110) / 300 = 36.67
• خلية (نمط ب × مرتفع): (100 × 90) / 300 = 30.00
• خلية (نمط ج × منخفض): (100 × 100) / 300 = 33.33
• خلية (نمط ج × متوسط): (100 × 110) / 300 = 36.67
• خلية (نمط ج × مرتفع): (100 × 90) / 300 = 30.00

(نلاحظ تحقق شرط كوشران بنسبة 100%؛ فجميع القيم المتوقعة تفوق بكثير الحد الأدنى 5).

الخطوة الثانية: حساب قيمة مساهمة كل خلية في مربع كاي [ (O – E)² / E ]:

• نمط أ × منخفض: (15 – 33.33)² / 33.33 = (-18.33)² / 33.33 = 336.11 / 33.33 = 10.08
• نمط أ × متوسط: (35 – 36.67)² / 36.67 = (-1.67)² / 36.67 = 2.78 / 36.67 = 0.08
• نمط أ × مرتفع: (50 – 30.00)² / 30.00 = (20.00)² / 30.00 = 400.00 / 30.00 = 13.33
• نمط ب × منخفض: (55 – 33.33)² / 33.33 = (21.67)² / 33.33 = 469.44 / 33.33 = 14.08
• نمط ب × متوسط: (30 – 36.67)² / 36.67 = (-6.67)² / 36.67 = 44.44 / 36.67 = 1.21
• نمط ب × مرتفع: (15 – 30.00)² / 30.00 = (-15.00)² / 30.00 = 225.00 / 30.00 = 7.50
• نمط ج × منخفض: (30 – 33.33)² / 33.33 = (-3.33)² / 33.33 = 11.11 / 33.33 = 0.33
• نمط ج × متوسط: (45 – 36.67)² / 36.67 = (8.33)² / 36.67 = 69.44 / 36.67 = 1.89
• نمط ج × مرتفع: (25 – 30.00)² / 30.00 = (-5.00)² / 30.00 = 25.00 / 30.00 = 0.83

الخطوة الثالثة: حساب القيمة الإجمالية لمربع كاي ودرجات الحرية:

χ² = Σ [ (O – E)² / E ] = 10.08 + 0.08 + 13.33 + 14.08 + 1.21 + 7.50 + 0.33 + 1.89 + 0.83 = 49.33

df = (3 – 1) × (3 – 1) = 2 × 2 = 4

9.3 قراءة النتائج واستخلاص الاستنتاجات السيكولوجية

بالرجوع إلى جدول التوزيع الاحتمالي لمربع كاي عند درجات حرية df = 4 ومستوى دلالة α = 0.05، نجد أن القيمة الحرجة (χ²_crit) = 9.488. وبما أن القيمة المحسوبة (χ²_calc = 49.33) تفوق بكثير القيمة الحرجة، وبما أن القيمة الاحتمالية الناتجة (p < 0.00001)، فإننا نرفض الفرضية الصفرية (H0) قطيعاً ونقبل الفرضية البديلة (H1).

ولتقدير حجم التأثير العملي، نقوم بحساب معامل كرامر (Cramer’s V):

V = √[ 49.33 / (300 × (3 – 1)) ] = √[ 49.33 / 600 ] = √[ 0.0822 ] ≈ 0.287

تشير قيمة V = 0.29 إلى وجود حجم تأثير متوسط إلى قوي يربط بين الأنماط الشخصية ومستويات الاحتراق النفسي وفق المعايير السيكومترية المعتمدة.

وعند فحص البواقي المعيارية المعدلة، يتبين بوضوح أن أصحاب النمط (أ) يظهرون ميلاً دالاً إحصائياً للتركز في فئة الاحتراق النفسي “المرتفع” (Z = +4.56)، بينما يتركز أصحاب النمط (ب) بصورة جوهرية في فئة الاحتراق “المنخفض” (Z = +4.73)، في حين يتوزع أصحاب النمط (ج) بشكل متوازن مع ميل طفيف للاحتراق المتوسط. يقدم هذا التحليل دليلاً تطبيقياً حاسماً لبرامج التدخل الإكلينيكي والوقاية المهنية لتوجيه برامج إدارة الضغوط للأخصائيين المصنفين ضمن النمط (أ) كفئة ذات خطورة مهنية مرتفعة.

10. تشخيص الأخطاء الشائعة والانتهاكات المنهجية وتصحيحها

10.1 الأخطاء المفاهيمية في تفسير نتائج مربع كاي

يقع العديد من الباحثين المبتدئين في فخاخ مفاهيمية شائعة عند تفسير مخرجات اختبار مربع كاي، وأخطر هذه الأخطاء هو افتراض علاقة سببية حتمية (Causality) استناداً إلى دلالة الاقتران الإحصائي. إن اختبار مربع كاي يثبت فقط وجود “تزامن اقتراني” أو اعتمادية متبادلة في التوزيع بين المتغيرات، ولا يمتلك أي قدرة منهجية على إثبات أن المتغير الأول يسبب حدوث المتغير الثاني؛ إذ قد يعود هذا الاقتران كلياً إلى تأثير متغيرات كامنة غير مقاسة.

يتمثل الخطأ الثاني في الاعتماد الحصري والمطلق على القيمة الاحتمالية (p-value) مع إهمال حساب وتفسير حجم التأثير؛ فالقيمة الاحتمالية المنخفضة جداً لا تعني بالضرورة أن العلاقة ذات وزن سيكولوجي ملموس، خاصة في ظل العينات الضخمة. كما يُعد استخدام الاختبار مع البيانات المتكررة أو العينات المزدوجة خطأً فادحاً ينسف صلاحية الاستدلال نتيجة خرق افتراض الاستقلالية الذاتية للمشاهدات.

10.2 تعديل ييتس للاستمرارية (Yates’ Continuity Correction)

نظراً لأن توزيع مربع كاي توزيع متصل (Continuous)، في حين أن جداول الاقتران تقوم على تكرارات عددية منفصلة (Discrete Counts)، اقترح عالم الإحصاء فرانك ييتس (Frank Yates) تعديلاً رياضياً لجداول (2 × 2) البسيطة لتقليل الخطأ الناشئ عن هذا التباين، ويُعرف بـ “تصحيح ييتس للاستمرارية”.

تعتمد صيغة ييتس الرياضية على طرح المقدار 0.5 من القيمة المطلقة للفرق بين التكرار الملاحظ والمتوقع لكل خلية قبل إجراء عملية التربيع، كما توضح المعادلة التالية:

χ²_Yates = Σ [ (|O_ij – E_ij| – 0.5)² / E_ij ]

يهدف هذا التعديل إلى تقليص قيمة χ² المحسوبة وزيادة القيمة الاحتمالية المقابلة، مما يحد من المبالغة في رفض الفرضية الصفرية. ورغم شيوع استخدام تصحيح ييتس في المخرجات التلقائية لبرامج مثل SPSS، إلا أن هناك جدلاً إحصائياً واسعاً حوله؛ إذ أثبتت الدراسات المحاكية أنه يميل إلى “الإفراط في التحفظ” (Over-conservatism)، مما يقلل بشكل مبالغ فيه من القوة الإحصائية للاختبار ويزيد من احتمالية ارتكاب الخطأ من النوع الثاني. ويوصي معظم المنهجيين المعاصرين بالاعتماد المباشر على اختبار فيشر الدقيق في العينات الصغيرة بدلاً من تصحيح ييتس.

10.3 معالجة مشكلة المقارنات المتعددة والتضخم الإحصائي

عندما يقوم الباحث النفسي بإجراء سلسلة متكررة من اختبارات مربع كاي على نفس العينة أو إجراء مقارنات بعدية متعددة بين خلايا جدول كبير (Family of Tests)، يواجه الاختبار خطراً داهماً يُعرف بـ تضخم الخطأ من النوع الأول (Family-wise Error Rate Inflation). فإذا أُجريت 10 اختبارات مستقلة بمستوى α = 0.05، فإن الاحتمال التراكمي للوقوع في خطأ إحصائي واحد على الأقل يصل إلى: 1 – (1 – 0.05)¹⁰ ≈ 40%.

ولمعالجة هذا التضخم وضبط معدل الخطأ، تُطبق منهجيات تصحيحية صارمة، أبرزها:

• تصحيح بونفيروني (Bonferroni Correction): ويقوم على قسمة مستوى الدلالة المستهدف على عدد المقارنات المنجزة: α_adjusted = α / k. ورغم صرامته، فإنه يوفر حماية فائقة ضد النتائج الإيجابية الزائفة.
• معدل الاكتشاف الخاطئ (False Discovery Rate – FDR): باستخدام طريقة بينجاميني-هوشبرغ (Benjamini-Hochberg)، التي توفر توازناً مثالياً بين ضبط الخطأ والحفاظ على القوة الإحصائية في الدراسات النفسية الواسعة.

11. المقارنة بين اختبار مربع كاي والاختبارات الإحصائية البديلة

11.1 اختبار فيشر الدقيق (Fisher’s Exact Test)

يُعد اختبار فيشر الدقيق (Fisher’s Exact Test) البديل الرياضي المعياري والكامل لاختبار مربع كاي في جداول (2 × 2)، لا سيما عندما تنتهك البيانات شروط كوشران لحجم التكرارات المتوقعة (وجود تكرارات متوقعة أقل من 5)، أو عندما يكون الحجم الإجمالي للعينة شديد الصغر (مثل الدراسات الإكلينيكية النادرة).

يتميز اختبار فيشر بأنه لا يعتمد على أي تقريب توزيعي متصل؛ بل يحسب الاحتمال الدقيق المباشر لمشاهدة التوزيع التكراري المعين بموجب التوزيع فائق الهندسة (Hypergeometric Distribution)، عبر تثبيت المجاميع الهامشية وحساب التوافيق الرياضية باستخدام المضروب (Factorials):

p = [ (R1! × R2! × C1! × C2!) ] / [ N! × a! × b! × c! × d! ]

وقد أتاحت الخوارزميات الحاسوبية الحديثة توسيع تطبيق اختبار فيشر-فريمان-هالتون ليشمل الجداول المتعددة الأبعاد (r × c) ذات العينات الصغيرة، موفراً حلاً استدلالياً فائق الدقة لا يحده حجم العينة.

11.2 اختبار ماكنيمار للبيانات الفئوية المرتبطة (McNemar Test)

عندما تكون البيانات الفئوية صادرة عن عينات مرتبطة أو قياسات متكررة (مثل فحص وجود أعراض الاكتئاب: نعم / لا لنفس المشاركين قبل تلقي برنامج العلاج المعرفي وبعده)، يصبح اختبار مربع كاي التقليدي غير صالح منهجياً لخرق شرط استقلالية الملاحظات.

يُمثل اختبار ماكنيمار (McNemar Test) الأداة المتخصصة لمعالجة هذا التصميم التوافقي المزدوج؛ حيث يركز تحليله الحسابي حصرياً على “الخلايا المتغيرة أو غير المتطابقة” (Discordant Cells) داخل جدول الاقتران (2 × 2)، وهي الخلايا التي تحول فيها تشخيص الأفراد من (نعم إلى لا) أو من (لا إلى نعم)، مهملاً الخلايا التي بقيت ثابتة دون تغيير، وفق المعادلة التالية:

χ²_McNemar = (|b – c| – 1)² / (b + c)

يسمح هذا الإجراء باختبار دلالة التحول والنمو السلوكي عبر الزمن بدقة بالغة تحافظ على بنية البيانات المزدوجة.

11.3 النماذج الخطية اللوغاريتمية والتحليل اللوجستي (Log-Linear Models)

تتجلى المحدودية الكبرى لاختبار مربع كاي الكلاسيكي في عجزه المنهجي عن التعامل مع التفاعلات المعقدة التي تنشأ بين أكثر من متغيرين فئويين في وقت واحد (مثل دراسة التفاعل المشترك بين: الجنس، التشخيص السريري، ونوع التدخل العلاجي).

تمثل النماذج الخطية اللوغاريتمية (Log-Linear Models) الامتداد الرياضي متعدد المتغيرات لاختبار مربع كاي؛ حيث تحول التكرارات المتوقعة إلى صيغ خطية عبر أخذ اللوغاريتم الطبيعي لها، مما يتيح عزل التأثيرات الرئيسية والتفاعلات البينية المتعددة (Main Effects & Interaction Effects) بطريقة تماثل تحليل التباين (ANOVA) ولكن للبيانات الفئوية.

وفي السياقات التنبؤية التي يتم فيها التمييز بوضوح بين متغير مستقل ومتغير تابع فئوي، ينتقل التحليل من مجرد اختبارات الاستقلالية البسيطة إلى نماذج الانحدار اللوجستي (Logistic Regression)، التي تتيح التنبؤ باحتمالية وقوع الحدث السلوكي وضبط المتغيرات المتصلة والفئوية في آن واحد.

12. إجراء الاختبار عبر البرمجيات الإحصائية وتوثيق النتائج وفق معايير APA

12.1 خطوات التنفيذ وقراءة المخرجات في برنامج SPSS

يُعد برنامج IBM SPSS Statistics البيئة البرمجية الأكثر استخداماً في أقسام العلوم النفسية لإجراء التحليلات الإحصائية. لتنفيذ اختبار مربع كاي للاستقلالية، يتبع الباحث المسار المعياري التالي:

• من القائمة العلوية، يتم اختيار: Analyze → Descriptive Statistics → Crosstabs.
• نقل المتغير المستقل إلى مربع Row(s) والمتغير التابع إلى مربع Column(s).
• النقر على زر Statistics وتفعيل خياري: Chi-square و Phi and Cramer’s V.
• النقر على زر Cells وتفعيل خيارات: Observed، Expected، Row / Column Percentages، وتفعيل خيار Adjusted Standardized أسفل قسم البواقي (Residuals).

عند فحص جدول المخرجات الرئيسي الموسوم بـ Chi-Square Tests، يركز الباحث على الصف الأول المعنون Pearson Chi-Square، ويقرأ قيمة الاختبار في عمود Value، ودرجات الحرية في عمود df، والدلالة الإحصائية الدقيقة في عمود Asymptotic Significance (2-sided). وإذا كان الجدول (2 × 2)، يوفر البرنامج نتائج Continuity Correction و Fisher’s Exact Test تلقائياً في الصفوف اللاحقة.

12.2 تطبيق الاختبار باستخدام لغة البرمجة R وبايثون (Python)

في بيئة البحث الحسابي المتقدم ولغة R الإحصائية، يُنفذ الاختبار باستدعاء الدالة الأساسية chisq.test() على مصفوفة التوافق التكرارية. تتيح هذه الدالة استخراج كائن إحصائي كامل يحتوي على الملاحظات، القيم المتوقعة، البواقي، والدلالة الاحتمالية، مع إمكانية تفعيل محاكاة مونت كارلو لتقدير p-value بدقة في العينات الصغيرة عبر المعامل simulate.p.value = TRUE.

أما في بيئة لغة بايثون (Python)، فيتم استدعاء الدالة المتخصصة chi2_contingency من مكتبة scipy.stats، والتي تستقبل مصفوفة البيانات المتقاطعة وتُرجع مباشرة أربعة مخرجات رئيسية: (قيمة مربع كاي المحسوبة، القيمة الاحتمالية p، درجات الحرية، ومصفوفة التكرارات المتوقعة بالكامل).

تُدمج هذه التحليلات البرمجية بأدوات التصور البياني، كإنشاء الخرائط الحرارية التفاعلية (Heatmaps) باستخدام مكتبة seaborn أو حزمة ggplot2، لإبراز التوزيع البصري للبواقي المعيارية وشدة الاقتران بين المستويات التشخيصية بأسلوب علمي جذاب وواضح.

12.3 صياغة وتوثيق نتائج الاختبار وفق الدليل الإرشادي لجمعية علم النفس الأمريكية (APA 7th)

يفرض الدليل الإرشادي السابع الصادر عن جمعية علم النفس الأمريكية (APA 7th Edition) قواعد صارمة لصياغة نتائج اختبار مربع كاي داخل المتن البحثي وفي الجداول التوافقية الملحقة. تتبع الصيغة النصية القياسية داخل الفقرة التفسيرية النموذج التالي:

“أظهرت نتائج اختبار مربع كاي للاستقلالية وجود علاقة ارتباطية ذات دلالة إحصائية بين نمط الشخصية ومستوى الاحتراق النفسي لدى الأخصائيين النفسيين، χ²(4, N = 300) = 49.33, p < .001, V = .29.”

المعايير المنهجية لتوثيق الرموز وفق APA 7th:

• كتابة الحرف اليوناني χ بخط مائل متبوعاً بعلامة التربيع ² دون مسافة.
• وضع درجات الحرية وحجم العينة بين قوسين متتاليين مفصولين بفاصلة: (df, N = …).
• كتابة الرموز الإحصائية الأساسية بخط مائل: p, N, V, φ.
• عدم وضع صفر قبل الفاصلة العشرية للقيم الاحتمالية وقيم معاملات التأثير التي لا يمكن رياضياً أن تتجاوز الرقم واحد (مثل: p < .001 و V = .29).
• تصميم الجداول المتقاطعة بخطوط أفقية نظيفة خالية تماماً من أي خطوط رأسية عمودية، مع ذكر التكرارات الملاحظة والنسب المئوية المحسوبة وتضمين البواقي المعيارية لتعزيز دقة التقرير السيكولوجي.

خاتمة واستنتاجات ختامية

يمثل اختبار مربع كاي للاستقلالية ركيزة أساسية ومنهجية لا غنى عنها في ترسانة التحليل الإحصائي السلوكي والنفسي؛ حيث يوفر حلاً استدلالياً أنيقاً ومتيناً للتعامل مع البيانات الاسمية والفئوية التي تشكل النسيج الأساسي للعديد من الظواهر الإنسانية والتشخيصية. ومن خلال تفكيك التباين بين التكرارات الملاحظة وتلك المتوقعة بموجب قوانين الاحتمال المستقل، يستطيع الباحثون رصد الاقترانات السلوكية بدقة وموثوقية عالية.

ومع ذلك، فإن الكفاءة الاستدلالية لتطبيق هذا الاختبار لا تتوقف عند مجرد تشغيل البرمجيات وحساب المعادلات، بل ترتبط ارتباطاً وثيقاً بوعي الباحث بشروطه المنهجية الصارمة؛ بدءاً من استقلالية المشاهدات، والتحقق من كفاية التكرارات المتوقعة وفق معيار كوشران، وصولاً إلى استيعاب حدود الدلالة الإحصائية واستكمالها بحساب أحجام التأثير وتحليل البواقي المعيارية المعدلة لتفادي الوقوع في فخ التفسيرات السببية الزائفة.

إن الاستخدام الرشيد والموجه لاختبار مربع كاي، المدعوم بالبرمجيات الإحصائية المتقدمة والتوثيق الأكاديمي الدقيق وفق معايير جمعية علم النفس الأمريكية، يضمن للعلوم النفسية المضي قدماً في إنتاج معارف تجريبية تتسم بالرصانة المنهجية والقدرة على دعم الممارسات الإكلينيكية والقرارات الميدانية بثقة واستناد علمي متين.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://www.wiley.com/
• Cochran, W. G. (1954). Some methods for strengthening the common χ² tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://us.sagepub.com/
• Fisher, R. A. (1922). On the interpretation of χ² from contingency tables, and the calculation of P. Journal of the Royal Statistical Society, 85(1), 87–94. https://doi.org/10.2307/2340521
• 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.
• Yates, F. (1934). Contingency tables involving small numbers and the χ² test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217–235. https://doi.org/10.2307/2983604