كيفية حساب العشيرات في SAS (مع مثال)

تُعد العشيرات الإحصائية (Deciles) إحدى الركائز الجوهرية في التحليل الوصفي والاستدلالي، حيث توفر وسيلة منهجية دقيقة لتقسيم البيانات وتوزيعها وفق معايير رتبية محددة تتيح للباحثين والمحللين فهم التباين والانتشار بدقة فائقة. وفي ظل التطور التقني المتسارع في معالجة البيانات الضخمة، تبرز بيئة البرمجة الإحصائية ساس (SAS – Statistical Analysis System) كأقوى الأنظمة البرمجية وأكثرها موثوقية في تنفيذ العمليات التوزيعية المعقدة، بفضل قدرتها الهائلة على إدارة المصفوفات الرقمية الكبيرة وتطبيق خوارزميات الاستيفاء الرياضي بدقة متناهية تفوق العديد من الحزم الإحصائية الأخرى.

يتناول هذا الدليل الأكاديمي الشامل كيفية حساب العشيرات باستخدام نظام ساس، مستعرضاً الأسس النظرية والمفاهيم الرياضية المرتبطة بالمقاييس التوزيعية ومواقع المئينيات، مع التركيز على تطبيقاتها الحيوية في مجالات القياس النفسي، والتقييم السريري، والعلوم الاجتماعية. كما يقدم المقال شرحاً تفصيلياً لكافة الإجراءات البرمجية ذات الصلة، وفي مقدمتها الإجراء الإحصائي المتقدم PROC UNIVARIATE والإجراء الرديف PROC RANK، مدعوماً بنموذج عملي متكامل يوضح مسار المعالجة الحاسوبية خطوة بخطوة بدءاً من هيكلة مصفوفة البيانات الأولية وصولاً إلى التفسير البياني والكمي المعمق للمخرجات.

سواء كنت باحثاً يسعى لتقنين مقياس سيكومتري جديد، أو محلل بيانات يهدف إلى تقسيم أداء المجموعات السريرية أو المؤسسية إلى فئات متمايزة، فإن هذا المرجع يوفر لك إطاراً معرفياً وعملياً رصيناً يجمع بين الدقة الرياضية، والتطبيق البرمجي الخالي من الأخطاء، والمعايير المنهجية المعتمدة عالمياً في كتابة وتوثيق التقارير البحثية الموثوقة.

1. مقدمة إلى العشيرات والمفاهيم الإحصائية الأساسية

1.1 تعريف العشيرات الإحصائية وطبيعتها الرياضية

تُعرّف العشيرات الإحصائية (Deciles) بأنها تسع نقاط قطع رقمية تقسم مجموعة من البيانات المرتبة ترتيباً تصاعدياً إلى عشرة أجزاء متساوية الحجم من حيث التكرار، بحيث يحتوي كل جزء على عشرة في المائة (10%) من إجمالي المشاهدات أو الحالات المدروسة. وتنتمي العشيرات رياضياً إلى فئة مقاييس الموضع غير المعلمية (Non-parametric Measures of Location)، المعروفة عموماً باسم المقتطعات أو المئينيات المجزأة (Quantiles)، والتي تتميز بعدم اشتراطها خضوع البيانات لأي توزيع احتمالي محدد مسبقاً، كالمنحنى الطبيعي، مما يجعلها أداة بالغة المرونة في دراسة الظواهر الواقعية المتباينة.

ترتبط العشيرات بعلاقة تكاملية وثيقة مع المقاييس التوزيعية الأخرى ضمن نظرية الاحتمالات والإحصاء الوصفي؛ فالعشير الأول (D1) يقابل تماماً المئين العاشر (P10)، في حين يمثل العشير الخامس (D5) نقطة المنتصف الحقيقية للتوزيع، متطابقاً بصورة مطلقة مع المئين الخمسين (P50)، والربيع الثاني (Q2)، والوسيط الإحصائي العام (Median). وتمتد هذه السلسلة التراكمية لتصل إلى العشير التاسع (D9) الذي يوازي المئين التسعين (P90). وتكتسب هذه القيم أهمية خاصة عند دراسة السلوك التراكمي لدوال التوزيع التكراري، حيث يعكس كل عشير النسبة التراكمية للمفحوصين أو العناصر التي تقع درجاتهم دون تلك القيمة المحددة أو تساويها.

تتجلى الأهمية الإحصائية الكبرى للعشيرات في قدرتها الفائقة على تلخيص التوزيعات المعقدة وتخفيف الأثر السلبي للالتواء (Skewness) الشديد في البيانات المجمعة. ففي التوزيعات غير المتماثلة، تفقد مقاييس النزعة المركزية التقليدية، كالمتوسط الحسابي، ومقاييس التشتت كالتباين والانحراف المعياري، قدرتها على تقديم وصف أمين للبيانات بسبب تأثرها البالغ بالقيم المتطرفة. هنا، تعمل العشيرات على تجزئة المدى المتغير إلى شرائح عشرية متوازنة، مما يوفر للمحلل فهماً شاملاً ودقيقاً لكيفية تشتت البيانات عبر كامل قطاعات التوزيع دون الوقوع في شرك التقديرات المضللة.

1.2 الفرق بين العشيرات والمقاييس التوزيعية الأخرى

تختلف العشيرات منهجياً عن الربيعيات (Quartiles) والمئينيات (Percentiles) في مستوى الدقة التحليلية والتجزئة التي توفرها للبيانات. تقسم الربيعيات المجتمع الإحصائي إلى أربعة أجزاء متساوية (25% لكل جزء)، وهو ما قد يُعد أحياناً تقسيماً خشناً أو مجتزأً لا يسمح باكتشاف التغيرات الدقيقة الواقعة في بطن التوزيع أو عند أطرافه القريبة. في المقابل، توفر المئينيات تجزئة مفرطة عبر مائة شريحة (1% لكل شريحة)، وهو ما يتطلب عينات فائقة الضخامة لضمان استقرار التقديرات الإحصائية، وإلا أصبحت النتائج شديدة التأثر بالأخطاء العشوائية في العينات الصغيرة والمتوسطة.

تمثل العشيرات، بناءً على ذلك، التوازن المنهجي الأمثل؛ فهي أكثر تفصيلاً من الربيعيات بثلاثة أضعاف، وتسمح برصد التدرجات الدقيقة للأداء أو السلوك المقاس، دون الغرق في ضجيج البيانات العشوائي الذي قد يرافق المئينيات عند التعامل مع عينات بحثية يتراوح حجمها بين بضع مئات إلى بضعة آلاف من الأفراد. ويُفضل في العديد من الممارسات التحليلية استخدام العشير الخامس كبديل مكافئ تماماً للوسيط الحسابي، مع الاستفادة من المسافة بين العشير الأول والعشير التاسع كمدى عشيري (Interdecile Range) يغطي 80% من مساحة التوزيع المركزية، مما يمنح قراءة أكثر شمولاً من المدى الربيعي (IQR) التقليدي.

يرتبط استقرار تقديرات العشيرات ارتباطاً وثيقاً بحجم العينة وخصائص الخطأ المعياري لكل رتبة مئينية. ففي العينات متواضعة الحجم، تكون التقديرات الواقعة عند الأطراف العليا كالعشير التاسع، أو الدنيا كالعشير الأول، أكثر عرضة للتذبذب العشوائي مقارنة بالعشيرات المركزية. ومع تزايد حجم العينة، تقترب قيم العشيرات المحسوبة تجريبياً من معالم المجتمع النظرية بسرعة ملحوظة، مما يجعلها خياراً تحليلياً مفضلاً في الدراسات الوبائية، ومسوحات الدخل، وبحوث القياس والتقويم التربوي والنفسي.

1.3 الأهمية النظرية والعملية لحساب العشيرات في معالجة البيانات

تتجاوز الأهمية التطبيقية للعشيرات مجرد الوصف الرياضي المجرد للتوزيع، لتلعب دوراً محورياً في المعالجة المتقدمة للبيانات قبل مرحلة النمذجة الإحصائية. تتيح العشيرات للباحث تحديد الموضع النسبي لأي فرد أو حالة بدقة متناهية مقارنة ببقية أفراد المجتمع المدروس؛ فمعرفة أن مفحوصاً معيناً يقع في العشير الثامن تعطي دلالة فورية ومباشرة على أن أداءه يتفوق على ما يقارب 70% إلى 80% من أقرانه، وهو ما يسهل تحويل الأرقام الخام المجردة إلى معلومات ذات قيمة تفسيرية عالية.

علاوة على ذلك، تعد العشيرات أداة منهجية فعالة للكشف المبكر عن القيم الشاذة والمتطرفة (Outliers)؛ فمن خلال دراسة تباعد المسافات الرقمية بين العشيرين الأول والثاني، أو بين الثامن والتاسع، مقارنة بالمسافات المتجانسة بين العشيرات الوسطى، يستطيع المحلل رصد الاستطالة المفاجئة في ذيول التوزيع واكتشاف مؤشرات وجود قيم غير اعتيادية قد تتطلب تدخلاً تنظيفياً أو تحويلاً رياضياً قبل الشروع في التحليلات الاستدلالية المتقدمة كالتحليل العاملي أو انحدار المربعات الصغرى.

تسهم العشيرات كذلك في تسهيل عملية التمييز والتصنيف الرتبي؛ إذ يُلجأ إليها باستمرار لتحويل المتغيرات الكمية المستمرة شديدة التباين إلى متغيرات فئوية رتبية مكونة من عشر طبقات معيارية متكافئة التكرار. وتبرز هذه الممارسة عند بناء درجات المعايير في الاختبارات المرجعية المحك، وتوحيد مقاييس المقارنة بين مجموعات بحثية خضعت لظروف قياس متباينة، مما يجعل العشيرات بمثابة لغة تواصل موحدة تلغي الفروق الناتجة عن اختلاف وحدات القياس الأصلية.

2. دور العشيرات في التحليل الإحصائي والقياس النفسي

2.1 تطبيقات العشيرات في تقنين الاختبارات والمقاييس النفسية

يمثل تقنين المقاييس النفسية والتربوية أحد أهم ميادين القياس السيكومتري (Psychometrics)، حيث يسعى الباحثون إلى بناء معايير معيارية (Normative Standards) تسمح بتفسير الدرجات الخام التي يحصل عليها الأفراد في اختبارات الذكاء، والميول المهنية، وسمات الشخصية، والقدرات المعرفية. وتعد نقاط القطع العشيرية أداة قياسية راسخة في هذا المجال، حيث يتم تقسيم درجات عينة التقنين الشاملة إلى عشرة مستويات متدرجة، تعكس الترتيب الرتبي الدقيق للمفحوصين في السمة المقاسة وفق مرجعية الجماعة (Norm-referenced Interpretation).

يساعد تحويل الدرجات الخام إلى رتب عشيرية في التغلب على معضلة التوزيعات غير السوية التي تتكرر باستمرار في القياسات السيكومترية؛ فمعظم المقاييس النفسية التي تعتمد على تدريج ليكرت (Likert Scale) أو أسئلة التقرير الذاتي تعاني من التواءات واضحة نحو الأطراف، ناجمة عن عوامل الرغبة الاجتماعية أو الانحياز في الإجابة. في مثل هذه البيئات القياسية، يفشل التحويل الخطي القائم على الدرجات التائية (T-scores) أو الدرجات المعيارية الزائية (Z-scores) في نقل صورة دقيقة عن السمة دون تشويه الفروق الفردية، بينما تحافظ الرتب العشيرية على الترتيب الرتبي الطبيعي وتعيد توزيع الأفراد بعدالة عبر فئات نسبية متكافئة التكرار.

يوفر نظام المعايير العشيرية أيضاً وسيلة بالغة الوضوح لتقديم التغذية الراجعة للمفحوصين وأولياء الأمور والمختصين في العيادات النفسية والمراكز الإرشادية. فبدلاً من تقديم درجات معقدة تتطلب فهماً متخصصاً بالانحرافات المعيارية والخطأ القياسي، يسهل على غير المتخصص استيعاب دلالة وجود الطالب في العشير الثالث في مهارة الانتباه، أو وجوده في العشير التاسع في التفكير الابتكاري، مما يجعل القرارات التربوية والتصنيفية أكثر قبولاً وفهماً لدى جميع الأطراف المعنية.

2.2 استخدام العشيرات في تصنيف المجموعات السريرية والبحثية

في ميدان الطب النفسي وعلم النفس الإكلينيكي والأبحاث الوبائية، تبرز الحاجة الملحة إلى وضع نقاط قطع تشخيصية تفصل بين الأفراد ذوي المستويات الطبيعية من الأعراض وأولئك الذين يعانون من تدهور وظيفي يتطلب تدخلاً علاجياً عاجلاً. تُستخدم العشيرات هنا بصورة منهجية؛ إذ يُعتمد العشير التاسع (أعلى 10%)، أو العشير الثامن (أعلى 20%)، كعتبات حرجة لتصنيف الأفراد المعرضين لخطر الاضطرابات النفسية كالقلق الحاد، والاكتئاب الجسيم، أو الاحتراق النفسي والمهني، وذلك استناداً إلى نتائج المسوح الميدانية واسعة النطاق.

يتيح هذا التقسيم للباحثين السريريين إنشاء مجموعات فرعية متمايزة لدراسة الفروق البيولوجية أو الاجتماعية أو المعرفية عبر تدرج شدة العَرَض؛ فبدلاً من المقارنة الثنائية البسيطة بين المصابين وغير المصابين، يمكن للباحث تصنيف العينة إلى ثلاث فئات رئيسية: فئة منخفضة (العشيرات 1 إلى 3)، وفئة متوسطة (العشيرات 4 إلى 7)، وفئة مرتفعة أو سريرية (العشيرات 8 إلى 10). يتيح هذا التصميم فحص العلاقات غير الخطية بين المتغيرات، ورصد التغيرات في الاستجابة للعلاجات النفسية والسلوكية عبر مختلف مستويات الشدة الأولية للمرض.

علاوة على ذلك، تلعب العشيرات دوراً استراتيجياً في تحسين جودة الفرز السريري (Clinical Triage) في المشروعات الصحية والوقائية الضخمة؛ حيث تتيح الموارد المادية والبشرية المحدودة للمؤسسات الصحية توجيه برامج الدعم النفسي المكثف حصرياً للأفراد الذين يقعون في العشير العاشر الأكثر تضرراً، بينما يُوجَّه أفراد العشيرات الوسطى إلى برامج الرعاية الأولية أو الإرشاد الوقائي الجماعي، مما يرفع من كفاءة توظيف الموارد الطبية والمجتمعية بصورة مثلى.

2.3 التحديات السيكومترية المرتبطة بتجزئة البيانات المستمرة

على الرغم من الفوائد المنهجية الجمة لاستخدام العشيرات في القياس النفسي، إلا أن هذه العملية لا تخلو من محاذير إحصائية وسيكومترية جوهرية يجب على الباحث إدراكها والتعامل معها بحذر بالغ. يكمن التحدي الأبرز في مشكلة فقدان التباين الإحصائي (Loss of Information)؛ إذ إن تحويل المتغير الكمي المتصل إلى عشر فئات رتبية مجتزأة يؤدي إلى التضحية بالفروق الفردية الدقيقة الموجودة بين الأفراد المصنفين داخل العشير نفسه، حيث يُعامل الشخص الواقع في أدنى العشير تماماً كالشخص الواقع في أقصاه.

تتمثل المعضلة الثانية في مشكلة الحدود الحرجة أو نقاط التماس بين العشيرات المتتالية؛ فالفارق بين شخصين قد لا يتجاوز جزءاً صغيراً من الدرجة الخام، ومع ذلك قد يقع أحدهما في نهاية العشير الخامس بينما ينتقل الآخر إلى بداية العشير السادس. يكتسب هذا التفريق الاصطناعي خطورة بالغة إذا ما ترتبت عليه قرارات مصيرية كالتأهيل لبرامج الدعم الأكاديمي أو التوظيف، خاصة عند الأخذ في الحسبان الخطأ المعياري للقياس (Standard Error of Measurement – SEM) الملازم لأي اختبار نفسي، والذي يعني أن الدرجة الحقيقية للمفحوص قد تتأرجح عبر أكثر من عشير بمجرد تكرار التطبيق.

يضاف إلى ذلك إشكالية تكرار الدرجات الخام (Ties Problem)، الشائعة للغاية في المقاييس القصيرة أو الاستبيانات ذات البدائل المحدودة. فعندما يتكدس مئات المفحوصين عند نفس الدرجة الخام تماماً، تصبح الخوارزميات الإحصائية غير قادرة على الفصل الدقيق بين العشيرات، مما يؤدي إلى عدم تساوي التكرارات داخل الفئات الناتجة وحدوث تشوهات في نسب التمثيل المئوية. وتتطلب هذه الحالة من المحلل اتباع ممارسات متقدمة كمعايرة الدرجات، أو فحص دقة التقسيم المئيني قبل الاعتماد النهائي لنقاط القطع.

3. نظرة عامة على بيئة برمجة SAS وإجراءاتها الإحصائية

3.1 هيكلية نظام SAS وأسلوب إدارة وتحليل البيانات

يمثل نظام التحليل الإحصائي ساس (SAS) بيئة برمجية متكاملة رائدة في معالجة البيانات، والتحليل الإحصائي المتقدم، وبناء النماذج التنبؤية. تعتمد بنية نظام ساس على ركيزتين جوهريتين تحكمان تدفق العمليات الحسابية: خطوة معالجة البيانات والمعروفة باسم DATA STEP، وخطوات تنفيذ الإجراءات الإحصائية والتحليلية المعروفة باسم PROC STEP. تتيح خطوة DATA للمستخدم بناء مصفوفات البيانات، واستيرادها من مصادر متعددة، وتنظيفها، وإعادة هيكلتها، وتوليد متغيرات جديدة من خلال مجموعة هائلة من الدوال الرياضية والمنطقية، بينما تتولى خطوات PROC استدعاء الخوارزميات المدمجة المتطورة لإجراء التحليلات الوصفية والاستدلالية وعرض التقارير.

تتميز بنية ساس بوجود منظومة فريدة لإدارة وتخزين البيانات تقوم على فكرة المكتبات (SAS Libraries)؛ حيث تُخزن مجموعات البيانات مؤقتاً في مكتبة افتراضية تُدعى WORK، والتي تُحذف محتوياتها تلقائياً بمجرد إنهاء جلسة العمل، في حين يمكن للمستخدم ربط مسارات تخزين دائمة على وسائط التخزين الصلبة عبر أمر LIBNAME لإنشاء مكتبات مخصصة تضمن بقاء البيانات والنتائج ومشاركتها مع مشروعات أخرى. وتعمل هذه البنية التخزينية بتكامل تام مع محركات إدارة الذاكرة، مما يمنح ساس القدرة الأسطورية على التعامل مع جداول بيانات عملاقة تتضمن مليارات السجلات، دون التسبب في انهيار الذاكرة العشوائية للجهاز، بفضل أسلوب المعالجة التتابعية للسجلات من وسائط التخزين مباشرة.

تلتزم بيئة ساس بأعلى معايير الدقة الرياضية ونظم التوثيق الصارمة المعتمدة دولياً، لا سيما في القطاعات الحساسة كصناعة الدواء وإدارة الأبحاث السريرية الخاضعة لرقابة إدارة الغذاء والدواء الأمريكية (FDA). توفر البيئة سجلاً تفصيلياً شاملاً يُعرف باسم SAS LOG، والذي يسجل كل شاردة وواردة في المعالجة البرمجية: من عدد السجلات المقروءة، ووقت التنفيذ، وحجم الموارد المستهلكة، إلى رسائل التحذير والخطأ بدقة متناهية، مما يضمن قابلية تكرار النتائج والتحقق من سلامة العمليات التحليلية في كل خطوة.

3.2 استعراض الإجراءات الإحصائية المستخدمة في استخراج المعالم

يوفر نظام ساس حزمة متنوعة من الإجراءات الإحصائية المخصصة لاستكشاف البيانات واستخراج المعالم الوصفية والتوزيعية، وتتفاوت هذه الإجراءات فيما بينها من حيث العمق التحليلي وحجم المخرجات وطبيعة التركيز الرياضي. في مقدمة هذه الإجراءات، يبرز الإجراء البسيط والشهير PROC MEANS، والإجراء التلخيصي التوأم PROC SUMMARY؛ وهما إجراءان مصممان أساساً لحساب المؤشرات الإحصائية السريعة كالنزعة المركزية (المتوسط، الوسيط)، ومقاييس التشتت الأساسية (الانحراف المعياري، المدى، القيم الصغرى والعظمى) عبر مجموعات تصنيفية مختلفة، إلا أن قدرتهما على التعمق في تفاصيل المئينيات تبقى محدودة بالمقارنة مع الإجراءات الأكثر تخصصاً.

في المقابل، يمثل إجراء PROC UNIVARIATE الأداة الإحصائية الأكثر تطوراً واكتمالاً في ساس لتحليل توزيع المتغيرات الفردية المستمرة؛ إذ لا يكتفي بحساب المؤشرات البسيطة، بل يتجاوزها إلى تقديم تحليل وصفي شامل يتضمن معالم شكل التوزيع كالالتواء والتفرطح، واختبارات الدلالة الإحصائية، وخمسة اختبارات متقدمة لاعتدالية التوزيع (مثل اختبار شابيرو-ويلك وكولموجوروف-سميرنوف)، وجداول تفصيلية لجميع نقاط المئينيات الممكنة، فضلاً عن دعمه لمخططات بيانية وصفية متعددة وإمكانية استخراج القيم إلى جداول مخرجات مخصصة.

يبرز إلى جانب هذه الأدوات إجراء تحليلي رتبي فائق الأهمية يُدعى PROC RANK؛ ويختلف هذا الإجراء في فلسفته عن الإجراءات السابقة بأنه لا يهدف إلى توليد جداول تلخيصية للقيم الإحصائية المجردة، بل يهدف مباشرة إلى تحويل قيم المتغيرات في مصفوفة البيانات الأصلية إلى رتب أو تصنيفات فئوية متكافئة التكرار بناءً على خيارات محددة كالعشيرات أو الخمسيات أو المئينيات. ويعتمد الاختيار بين هذه الإجراءات بصورة كلية على الغاية البحثية: فإذا كان الهدف استخراج نقاط القطع الرقمية المحددة للعشيرات فإن PROC UNIVARIATE هو الخيار الأمثل، أما إذا كان الهدف تصنيف كل فرد مباشرة داخل السجلات إلى عشيره المستحق فإن PROC RANK يقدم الحل المباشر والأسرع.

3.3 متطلبات تهيئة البيانات قبل إجراء العمليات التوزيعية

يتطلب تحقيق نتائج إحصائية دقيقة وموثوقة عند حساب العشيرات في ساس التأكد من استيفاء البيانات لعدة متطلبات منهجية وتنظيمية قبل البدء في كتابة أوامر الإجراءات الإحصائية. يأتي في صدارة هذه المتطلبات التحقق من الترميز الصحيح لنوعية المتغيرات داخل مصفوفة ساس؛ إذ يجب أن تكون المتغيرات المستهدفة بالحساب معرفة بشكل صارم كمتغيرات رقمية (Numeric Variables)، وليست متغيرات نصية (Character Variables). فوجود مسافات فارغة غير منتظمة أو رموز خاصة قد يؤدي بالخطأ إلى تعريف ساس لمتغير القياس كحقل نصي، مما يؤدي فوراً إلى توقف الإجراء الإحصائي وإصدار رسالة خطأ صريحة في السجل تفيد بتعذر إجراء العمليات الرياضية على سلاسل نصية.

تتمثل الخطوة الثانية في الفحص الدقيق والتعامل المنطقي مع القيم المفقودة (Missing Values)، والتي يرمز لها ساس برمز النقطة (.) في المتغيرات الرقمية. تمثل القيم المفقودة عنصراً تشويشياً خطيراً في الحسابات التوزيعية إذا لم تُدرس بعناية؛ فبشكل افتراضي، يستبعد إجراء PROC UNIVARIATE الحالات التي تتضمن قيماً مفقودة في المتغير الخاضع للتحليل من حسابات المئينيات، غير أن على الباحث التأكد من أن هذا الاستبعاد لا يؤثر على تمثيل العينة، وأن آلية الفقد عشوائية بالكامل ولا تخضع لتحيز منهجي قد يغير من طبيعة العشيرات الحقيقية للمجتمع.

أخيراً، يتعين التحقق من سلامة اتساق السجلات وتسلسل المعرفات الفردية لكل مفحوص عبر أدوات الفحص الاستكشافية. يشمل ذلك إزالة التكرارات غير المبررة للسجلات الناتجة عن أخطاء الإدخال الميداني، ومراجعة الحدود المنطقية للقيم للتأكد من عدم وجود أخطاء طباعية كإدخال درجة 999 بدلاً من 99 في مقياس أقصاه مائة نقطة. وتضمن هذه التهيئة الصارمة سلامة البناء الهيكلي لمصفوفة البيانات، مما يجعل التحليلات التوزيعية اللاحقة مستندة إلى قاعدة بيانات متينة خالية من التشوهات الفنية.

4. فهم إجراء PROC UNIVARIATE في SAS

4.1 المحددات الوظيفية والخصائص الإحصائية للإجراء PROC UNIVARIATE

يعد إجراء PROC UNIVARIATE من أكثر الإجراءات الإحصائية ثراءً وتطوراً في بيئة ساس، حيث يجمع بين تقديم التحليلات الوصفية التقليدية والوظائف التشخيصية المعمقة في أمر برمجي واحد متكامل. صُمم هذا الإجراء خصيصاً لفحص الخصائص التوزيعية للمتغيرات الكمية المستمرة بعمق متناهٍ؛ حيث يقوم تلقائياً بحساب مقاييس النزعة المركزية التقليدية (المتوسط، الوسيط، المنوال) جنباً إلى جنب مع مقاييس التشتت المتعددة كالانحراف المعياري، التباين، المدى الكلي، والمدى الربيعي، فضلاً عن حساب عزمي التوزيع الثالث والرابع المتمثلين في معاملي الالتواء والتفرطح لتقييم مدى تناظر وتسطح المنحنى التجريبي.

بالإضافة إلى هذه المقاييس الكلاسيكية، يتميز الإجراء بقدرته على إجراء الاختبارات المعلمية الصارمة، مثل اختبارات الفرضيات القائلة بأن متوسط المجتمع يساوي صفراً، وتقديم اختبارات الاعتدالية الإحصائية المتعددة تلقائياً بمجرد تفعيل خيار NORMAL. وتُعد هذه الخصائص ذات قيمة حاسمة للباحث للتأكد مما إذا كانت البيانات تتبع التوزيع السوي، أم أنها تعاني من انحرافات توزيعية تجعل الاعتماد على المئينيات والعشيرات كأدوات موضعية ضرورة إحصائية حتمية لا غنى عنها.

من المزايا الاستثنائية التي ينفرد بها الإجراء هي قدرته الفائقة على التعامل مع جداول المخرجات؛ فبدلاً من الاكتفاء بعرض آلاف الأرقام الإحصائية في نافذة التقرير، يمنح الإجراء المستخدم مرونة غير محدودة لتخصيص النتائج المستهدفة بدقة واستخراجها وتوجيهها مباشرة إلى جداول بيانات جديدة ومستقلة داخل بيئة ساس عبر منظومة إخراج البيانات (Output Delivery System – ODS) أو عبر عبارة OUTPUT المتخصصة، مما يمهد الطريق لدمج هذه المؤشرات المحسوبة في عمليات معالجة لاحقة بسلاسة تامة وبأعلى درجات الأتمتة الممكنة.

4.2 بنية الأوامر الأساسية داخل إجراء PROC UNIVARIATE

تتبع صياغة الأوامر داخل إجراء PROC UNIVARIATE نسقاً برمجياً منطقياً صارماً يعكس فلسفة ساس الهيكلية. تبدأ الصياغة دائماً بعبارة استدعاء الإجراء الرئيسية، محددةً مصفوفة البيانات المستهدفة بالتحليل عبر خيار DATA=، كما يمكن تضمين خيارات إضافية للتحكم في المخرجات المعروضة في شاشة التقرير مثل خيار NOPRINT، الذي يُعد بالغ الأهمية عند التعامل مع خطوط الأنابيب البرمجية المؤتمتة؛ حيث يقوم هذا الخيار بإلغاء طباعة التقارير الوصفية المطولة وتوجيه الموارد بالكامل لسرعة إنتاج وحفظ جدول المخرجات الرقمية المستهدفة دون إبطاء للنظام.

تلي عبارة الاستدعاء جملة التحديد الأساسية VAR (Variable)، والتي يُسند إليها اسم المتغير أو قائمة المتغيرات الكمية المستمرة المراد إخضاعها للفرز التوزيعي وحساب معالمها. وبدون هذه العبارة، سيعمل الإجراء تلقائياً على تحليل جميع المتغيرات الرقمية الموجودة في الجدول المدخل، وهو ما قد يستهلك وقتاً وموارداً حاسوبية ضخمة لا مبرر لها إذا كان الجدول يحتوي على عشرات الحقول الرقمية غير المعنية بالتحليل العشيري.

تمثل عبارة OUTPUT حجر الزاوية في استخلاص النتائج الحسابية؛ حيث تتضمن هذه العبارة إسناد اسم جدول البيانات الجديد المراد إنشاؤه عبر أمر OUT=، متبوعاً بمجموعة متخصصة من الكلمات المفتاحية التي تحدد المؤشرات الإحصائية المراد تخزينها داخل الجدول. كما يمكن للباحث استخدام عبارات التصفية والشروط المنطقية المعتادة مثل عبارة WHERE لتنقية العينة واقتصار حساب العشيرات على فئة محددة من المشاهدات التي تستوفي شروطاً تجريبية معينة، وتنتهي الكتلة البرمجية دائماً بأمر التنفيذ الإلزامي RUN; الذي يُخطر مترجم ساس ببدء المعالجة.

4.3 طرق حساب المئينيات المعتمدة داخل خوارزميات SAS

عند حساب نقاط القطع للمئينيات والعشيرات في عينة من البيانات المتقطعة أو المستمرة، تبرز معضلة رياضية تتعلق بماهية القيمة الدقيقة للمئين في حال لم تقابل رتبته النسبية موقعاً عددياً صحيحاً لمشاهدة فعلية في العينة. ولمعالجة هذه المعضلة الحسابية، يدعم نظام ساس خمس طرق رياضية متقدمة لتقدير المئينيات والاستيفاء بين النقاط، يمكن للمستخدم التبديل بينها عبر الخيار الرياضي المتخصص PCTLDEF= (Percentile Definition) المضاف إلى سطر أمر PROC UNIVARIATE، وتتدرج هذه الخيارات من القيمة 1 إلى 5 وفق الآتي:

• PCTLDEF=1 (الاستيفاء الخطي الموزون – Weighted Average at X(t)): تعتمد هذه الطريقة، وهي المفضلة تاريخياً في العديد من البرمجيات الإحصائية، على حساب الرتبة النسبية للمئين واستخدام الاستيفاء الخطي المباشر بين المشاهدتين المتجاورتين، مع إعطاء وزن نسبي يتناسب مع البعد الكسري للموقع المحسوب.
• PCTLDEF=2 (الملاحظة الأقرب – Observation Closest to t): تقوم هذه الخوارزمية باختيار قيمة المشاهدة الحقيقية الأقرب للموقع النسبي المحسوب، دون اللجوء إلى توليد قيم كسرية اصطناعية عبر الاستيفاء، وتنتقل للقيمة الأعلى في حال كان الكسر مساوياً لنصف تماماً.
• PCTLDEF=3 (دالة التوزيع التجريبي للرتبة الصغرى – Empirical Distribution Function): تعتمد على القيمة التي تضمن أن النسبة المئوية للمشاهدات التي تقل عنها أو تساويها تطابق تماماً أو تتجاوز النسبة المطلوبة، دون استخدام أي استيفاء خطي بين النقاط.
• PCTLDEF=4 (الاستيفاء الخطي الكلاسيكي بين المشاهدات – Linear Interpolation with Linear Distribution): وهو الخيار القياسي الافتراضي (Default) الأكثر استخداماً وتطبيقاً في ساس ومعظم المراجع الإحصائية المعاصرة. يقوم هذا الخيار بفرض توزيع مستمر ومنتظم بين المشاهدات المتتالية ويطبق معادلة استيفاء متناسبة تعطي تقديراً متزناً وغير متحيز لمعالم المجتمع.
• PCTLDEF=5 (دالة التوزيع التجريبي مع المتوسط الحسابي – Empirical Distribution Function with Averaging): تشبه الطريقة الثالثة ولكنها تطبق حساب المتوسط الحسابي للمشاهدتين الحرجتين عند ثبات الاحتمال التراكمي، وتُستخدم بكثرة في مجالات القياس غير المعلمي المتقدم.

في العينات الضخمة التي تضم آلاف المشاهدات، تتلاشى الفروق العملية بين هذه الخيارات الخمسة وتتقارب قيم العشيرات بصورة شبه مطلقة. غير أن تأثير اختيار PCTLDEF يبرز بوضوح شديد في العينات الصغيرة والمتوسطة الحجم؛ حيث قد يؤدي اختلاف طريقة الاستيفاء إلى تباين طفيف في الكسور العشرية لنقاط القطع. وفي سياق أبحاث العلوم النفسية والاجتماعية والتربوية، يُنصح دائماً بالاعتماد على الخيار الافتراضي PCTLDEF=4 أو توثيق الخيار المتبع بشفافية كاملة في منهجية البحث لضمان قابلية التحقق العلمي المستقل للنتائج.

5. بناء الجملة البرمجية الأساسية لحساب العشيرات في SAS

5.1 التحليل التفصيلي لعبارة OUTPUT OUT=

تُعد عبارة OUTPUT الملحقة بإجراء PROC UNIVARIATE الأداة البرمجية الأهم لنقل نتائج التوزيع من مجرد تقرير نصي مقروء إلى مصفوفة رقمية قابلة للاستخدام في خطوات التحليل اللاحقة. تتصدر العبارة المعامل OUT= متبوعاً بالاسم المرغوب لجدول البيانات الجديد، والذي يُحفظ افتراضياً في المكتبة المؤقتة WORK ما لم يُسبق باسم مكتبة دائمة معرفة مسبقاً (مثل: OUT=MYLIB.DECILE_RESULTS). تلعب هذه الخطوة دوراً حاسماً في تنظيم الذاكرة وتسهيل خطوط تدفق العمليات البرمجية داخل بيئة ساس المتكاملة.

تعمل عبارة OUTPUT كمرشح استراتيجي لعزل المؤشرات الإحصائية المستهدفة؛ فعوضاً عن إغراق النظام بمئات المعالم غير الضرورية التي ينتجها الإجراء تلقائياً، تسمح هذه العبارة للباحث باختيار مؤشرات محددة بدقة، كأن يطلب فقط العشيرات مع المتوسط الحسابي، أو العشيرات وحدها. يُبنى الجدول الناتج بحيث يمثل كل سطر فيه مجموعة تحليلية مستقلة (أو سطراً وحيداً لكامل العينة)، بينما تمثل الأعمدة المقاييس الإحصائية التي طُلبت في سطر الأوامر، وهو ما يجعله هيكلاً مثالياً للدمج (Merging) اللاحق مع جداول المعايير أو مصفوفات البيانات الأصلية.

يضمن التحكم الدقيق في صياغة عبارة OUTPUT سلاسة الربط البنيوي مع دوال إدارة البيانات التكرارية. فعلى سبيل المثال، عند إجراء تحليلات طويلة تتضمن مئات المتغيرات عبر دراسات المسح الوطني، فإن استخراج العشيرات في جداول مخرجات قياسية صغيرة الحجم وخفيفة التحميل يرفع من كفاءة المعالجة الحسابية بعشرات المرات مقارنة بنقل النتائج يدوياً أو محاولة استخلاصها من ملفات التقرير النصية، مما يمنع حدوث أخطاء النقل البشري الشائعة.

5.2 تفكيك صياغة خيار PCTLPTS لتحديد العشيرات

يمثل الخيار PCTLPTS (اختصاراً لعبارة Percentile Points) الركيزة البرمجية المباشرة التي تُملي على خوارزمية ساس نقاط القطع التوزيعية المطلوبة بدقة متناهية داخل عبارة OUTPUT. للوصول إلى التجزئة العشيرية المتكاملة، يستخدم المبرمج الصيغة التكرارية الرياضية: PCTLPTS = 10 TO 100 BY 10. تُترجم هذه الصياغة المختصرة داخل مترجم ساس إلى طلب حساب المئينيات: 10، 20، 30، 40، 50، 60، 70، 80، 90، وصولاً إلى 100، وهي السلسلة الرياضية المطابقة تماماً لمفهوم العشيرات التسع بالإضافة إلى نقطة النهاية القصوى للتوزيع.

يوفر خيار PCTLPTS مرونة تشغيلية بالغة؛ فالباحث غير ملزم بطلب السلسلة التكرارية كاملة إذا كانت خطته البحثية تقتضي التركيز على فئات بعينها. فإذا كان الهدف هو دراسة الأطراف المتطرفة والوسط فقط، يمكن صياغة الأمر بصورة مخصصة كالتالي: PCTLPTS = 10 50 90، حيث سيتكفل الإجراء بحساب العشير الأول (10%)، والعشير الخامس (50%)، والعشير التاسع (90%) حصرياً، متجاهلاً بقية النقاط لتوفير الوقت وتقليص حجم جدول النتائج المستخرج وفقاً لأهداف الدراسة المحددة.

من الضروري فهم الدلالة الإحصائية للحدود القصوى عند استخدام هذا الخيار؛ فالنقطة 100 المذكورة في الصيغة التكرارية لا تمثل عشيراً إحصائياً بالمعنى النظري التقليدي الصارم (إذ تنتهي نقاط التجزئة الفعلية عند العشير التاسع الذي يترك خلفه أعلى 10% من العينة)، بل ترمز إلى المئين المائة (P100)، وهو ما يتطابق حسابياً مع القيمة العظمى المطلقة (Maximum Value) المسجلة في المتغير المحلل، مما يكمل النطاق التوزيعي الشامل للعينة المدروسة من أدنى نقطة إلى أقصى حد ممكن.

5.3 استخدام خيار PCTLPRE لتسمية متغيرات العشيرات تلقائياً

عند تكليف خوارزمية ساس بحساب سلسلة من المئينيات التراكمية، تبرز الحاجة التقنية إلى تسمية الحقول والأعمدة الجديدة المتولدة داخل جدول البيانات الناتج بصورة نظامية ومفهومة. هنا يأتي دور الخيار البرمجي الذكي PCTLPRE= (اختصاراً لعبارة Percentile Prefix)، والذي يسمح للباحث بتحديد بادئة نصية (Prefix) تسبق تلقائياً رقم كل مئين مطلوب لتكوين اسم المتغير الجديد في جدول المخرجات. فعلى سبيل المثال، عند تحديد PCTLPRE = D_، يقوم ساس بدمج البادئة مع أرقام المئينيات المحددة في PCTLPTS لإنشاء المتغيرات: D_10، D_20، D_30، وصولاً إلى D_100.

تخضع هذه التسمية التلقائية لقواعد ساس الصارمة في تسمية المتغيرات؛ حيث يجب ألا يتجاوز طول الاسم الكلي الناتج 32 حرفاً، ويجب أن يبدأ بحرف هجائي لاتيني أو رمز الشرطة السفلية (_) دون مسافات أو رموز خاصة محظورة. ويساعد استخدام بادئات قياسية دالة، كالحرف D المشير إلى العشير (Decile) متبوعاً بشرطة سفلية ورقم المئين، في تجنب أي تضارب محتمل مع أسماء الحقول الأصلية الموجودة مسبقاً في جدول البيانات، مما يضمن استقرار الكود البرمجي البرمجي وعدم توقفه بسبب تكرار الأسماء.

تزداد أهمية هذا الخيار التنظيمي عند قيام الباحث بحساب العشيرات لعدة متغيرات كمية في استدعاء تحليلي واحد؛ حيث يمكن للمستخدم إسناد قائمة من البادئات المتمايزة تقابل كل متغير في عبارة VAR عبر خيار التسمية المتقدم، مثل تخصيص البادئة D_ATT_ لمتغير الانتباه، والبادئة D_MEM_ لمتغير الذاكرة، مما ينتج جدول مخرجات غاية في التنسيق والمقروئية يتيح للمحلل تمييز معايير كل مقياس بسهولة متناهية عند استدعاء هذه الحقول في التحليلات الإحصائية أو الرسوم البيانية اللاحقة.

6. إعداد وتجهيز مجموعة البيانات التوضيحية في SAS

6.1 إنشاء جدول البيانات التوضيحي باستخدام DATA STEP

لتقديم شرح عملي تطبيقي متكامل يجسد كيفية تنفيذ هذه المفاهيم البرمجية خطوة بخطوة، سنقوم بإنشاء مصفوفة بيانات تجريبية تحاكي درجات مسابقة أداء أو تقييم قدرات لمجموعتين متباينتين. تتكون هذه المصفوفة من متغير تصنيفي نوعي يمثل الفرق المشاركة، ومتغير كمي مستمر يمثل النقاط أو الدرجات المحرزة. تُبنى هذه المجموعة باستخدام خطوة DATA STEP القياسية، عبر كتابة الكود البرمجي الموضح تفصيلاً في النص الآتي:

DATA ORIGINAL_DATA;
    INPUT TEAM $ POINTS;
    DATALINES;
A 12
A 15
A 15
A 18
A 20
A 22
A 25
A 29
B 10
B 14
B 16
B 19
B 24
B 28
B 31
B 35
;
RUN;

يبدأ البناء بتحديد اسم جدول البيانات المؤقت ORIGINAL_DATA. يلي ذلك سطر الإدخال المحوري INPUT، الذي يعرف مترجم ساس بطبيعة المتغيرات المقروءة؛ حيث عُرّف المتغير TEAM وأُتبع برمز الدولار ($) للإشارة الصريحة إلى كونه متغيراً نصياً فئوياً يتضمن أحرفاً تعبر عن أسماء المجموعات، بينما تُرك المتغير POINTS مجرداً ليعامله النظام كمتغير كمي رقمي مستمر صالح لإجراء العمليات الإحصائية والحسابية. ثم تأتي عبارة DATALINES للإعلان عن بدء تدفق أسطر البيانات المضمنة مباشرة داخل البرنامج، وصولاً إلى الفاصلة المنقوطة المستقلة وأمر RUN الذي يختم مرحلة تجميع وبناء الجدول في ذاكرة ساس المؤقتة.

6.2 تحليل خصائص عينة البيانات المستخدمة في الشرح

تتميز مصفوفة البيانات التجريبية المصممة بعناية بخصائص إحصائية مقصودة تهدف إلى توضيح سلوك خوارزميات الاستيفاء والتوزيع في ساس. تتألف العينة من 16 مشاهدة رقمية مقسمة بالتساوي بين مجموعتين: الفريق (A) ويضم 8 مشاهدات، والفريق (B) ويضم 8 مشاهدات أيضاً. يتراوح المدى الكلي للدرجات المسجلة في العينة الشاملة بين أدنى درجة مسجلة وهي (10) وأعلى درجة محققة وهي (35)، مما يوفر تبايناً عددياً ملحوظاً يسمح برصد حركة التجزئة العشيرية بوضوح.

يُلاحظ في بيانات الفريق (A) تكرار الدرجة (15) مرتين متتاليتين، وهو ما يمثل محاكاة واقعية لظاهرة تكرار القيم وتشابه الرتب (Ties) التي تواجه الباحثين دائماً في الميدان السيكومتري والتربوي. وتتيح هذه البنية فحص كيفية تعامل خوارزمية ساس مع النقاط التكرارية عند حساب العشيرات الأدنى. في المقابل، تظهر بيانات الفريق (B) تشتتاً أوسع وتباعداً أكبر بين المشاهدات الفردية، مع امتداد ملحوظ نحو القيم العليا (درجات 31 و35)، مما يوفر بيئة مثالية لمقارنة التوزيعات الفرعية لاحقاً عند استخدام أوامر التصنيف الجمعي.

يعد الحجم الصغير نسبياً لهذه العينة (16 مشاهدة) خياراً تعليمياً مثالياً؛ إذ يسمح للقارئ والباحث بالربط الذهني المباشر بين خطوات الحساب الآلي الذي يجريه ساس في ثوانٍ معدودة، وبين مبادئ الاستيفاء الرياضي اليدوي الكلاسيكي. فمن خلال تتبع المشاهدات الست عشرة المرتبة، يسهل فهم لماذا ظهرت الكسور العشرية في نقاط قطع معينة، وكيف تحسب رتب المئينيات في خلفية البرنامج البرمجية، مما يبدد الغموض الذي يرافق المخرجات الآلية عادة عند التعامل مع قواعد البيانات الضخمة التي يتعذر فحصها يدوياً.

6.3 التحقق من سلامة البيانات المدخلة عبر PROC PRINT

يمثل التحقق الاستكشافي للبيانات خطوة احترازية لا غنى عنها في الممارسة الإحصائية الاحترافية للتأكد من خلو مصفوفة المدخلات من أخطاء الإزاحة أو التحريف قبل تطبيق الإجراءات التحليلية المتقدمة. يُنفذ هذا الفحص الأولي في ساس ببساطة عبر استدعاء إجراء الطباعة والعرض المكتبي PROC PRINT من خلال الكود الآتي:

PROC PRINT DATA=ORIGINAL_DATA NOOBS;
RUN;

يقوم هذا الأمر بعرض محتويات الجدول ORIGINAL_DATA كاملة في نافذة النتائج المخرجة، مع استخدام خيار NOOBS (No Observation Numbers) لمنع طباعة عمود الترقيم التلقائي الافتراضي، مما يمنح التقرير مظهراً جداولياً نقياً يقتصر على المتغيرين الأساسيين TEAM وPOINTS. تتيح مراجعة هذا الجدول للمحلل التأكد البصري من محاذاة البيانات، وصحة تخصيص كل درجة لفريقها المقابل، وعدم تحول المتغير الرقمي إلى مفقود بفعل خطأ في الترميز المكتبي.

يتكامل هذا الفحص البصري مع ضرورة إلقاء نظرة فاحصة على نافذة السجل SAS LOG؛ حيث يجب أن يظهر السجل رسالة تأكيد تفيد بقراءة 16 سجلاً بنجاح من خطوط البيانات المدخلة، وإنشاء جدول البيانات في المكتبة المستهدفة دون صدور أي رسائل خطأ برمجية (Errors) أو تحذيرات شكلية (Warnings). يضمن هذا التوثيق الأولي الانتقال إلى مرحلة الحساب الإحصائي الفعلي على أرضية صلبة من الموثوقية البيانية التامة.

7. التطبيق العملي: حساب العشيرات خطوة بخطوة في SAS

7.1 كتابة وتنفيذ الكود البرمجي لحساب العشيرات للمتغير POINTS

بعد تجهيز البيانات بنجاح والتحقق من سلامتها الهيكلية، ننتقل إلى مرحلة التطبيق الإحصائي الفعلي لاستخراج العشيرات للمتغير الكمي POINTS عبر كامل العينة المشتركة دون تقسيم. نستخدم هنا الإجراء الإحصائي المحوري PROC UNIVARIATE مقترناً بخيار حجب التقارير الوصفية الشاملة NOPRINT لتفادي إغراق الشاشة بمئات الجداول غير المطلوبة، مع التركيز على استخراج جدول العشيرات المخصص وتخزينه في جدول بيانات مستقل باسم DECILE_DATA كما يوضح الكود التالي:

PROC UNIVARIATE DATA=ORIGINAL_DATA NOPRINT;
    VAR POINTS;
    OUTPUT OUT=DECILE_DATA
        PCTLPTS = 10 TO 100 BY 10
        PCTLPRE = D_;
RUN;

يقوم هذا النص البرمجي بتوجيه محرك ساس التحليلي لقراءة سجلات الجدول ORIGINAL_DATA، ثم يقوم بتوجيه الفرز والتحليل المئيني حصرياً نحو المتغير POINTS المحدد في عبارة VAR. وتقوم عبارة OUTPUT المضمنة ببناء الجدول الجديد DECILE_DATA وتكليف الخوارزمية بحساب المئينيات من 10 إلى 100 بقفزات متساوية مقدارها 10 نقاط كما هو مبين في PCTLPTS، مع إلصاق البادئة D_ بأسماء الحقول العشرية المتولدة في الجدول الجديد وفقاً لأمر PCTLPRE، ليختتم التنفيذ بالكلمة المفتاحية RUN.

7.2 تتبع مسار المعالجة الحاسوبية في سجل التشغيل SAS LOG

بمجرد النقر على زر التشغيل أو تنفيذ الكود، يجب على المحلل فوراً فحص سجل التشغيل SAS LOG لمتابعة العمليات الدقيقة التي نفذها المحرك الإحصائي. يُظهر السجل رسائل توثيقية بالغة الأهمية تؤكد قراءة الست عشرة مشاهدة المدخلة بنجاح كامل دون استبعاد أي حالة، مما يعكس غياب القيم المفقودة في المتغير المستهدف. كما يسجل السجل قيام الإجراء بإنشاء مجموعة البيانات الجديدة WORK.DECILE_DATA متضمنة سطراً واحداً (1 Observation) وعشرة متغيرات جديدة (10 Variables).

يمثل سطر التوثيق هذا في السجل دليلاً قاطعاً على نجاح البنية البرمجية في تحقيق الغرض منها؛ فالجدول المستخرج لا يكرر السجلات الفردية، بل يحتوي على سطر أفقي وحيد يلخص المعالم التوزيعية للعشيرات التسع بالإضافة إلى نقطة المئين المائة. ويؤكد السجل أيضاً خلو العملية من أي أخطاء متعلقة بعدم توافق أنواع المتغيرات أو أخطاء الصياغة النحوية (Syntax Errors)، مع تسجيل زمن المعالجة ووحدات المعالجة المركزية (CPU Time) المستهلكة، والتي تكون عادة أجزاء متناهية الصغر من الثانية في مثل هذه التطبيقات المتوازنة.

يُعد هذا الفحص المنهجي لسجل التشغيل ركناً أساسياً في ثقافة البرمجة الموثوقة؛ فالاعتماد فقط على ظهور الجداول في نافذة المخرجات دون مراجعة السجل قد يخفي وراءه رسائل تحذيرية حرجة قد تشير إلى تجاهل بعض الحالات أو استخدام خوارزميات بديلة غير مقصودة في حال وجود تناقضات برمجية خفية، مما يجعل فحص السجل صمام الأمان الأول لسلامة البحث الإحصائي.

7.3 عرض وطباعة جدول نتائج العشيرات المستخرجة

لمعاينة النتائج الرقمية النهائية التي أنتجتها خوارزمية ساس وفحص القيم العددية للعشيرات المحسوبة، نستدعي مجدداً إجراء الطباعة PROC PRINT مستهدفين هذه المرة جدول المخرجات الجديد DECILE_DATA، وذلك من خلال الأسطر البرمجية التالية:

PROC PRINT DATA=DECILE_DATA NOOBS;
RUN;

يؤدي تنفيذ هذا الأمر إلى طباعة جدول أفقي أنيق في نافذة التقارير، يضم عشرة أعمدة مرتبة تصاعدياً تعكس البادئة المحددة وأرقام المئينيات: D_10, D_20, D_30, D_40, D_50, D_60, D_70, D_80, D_90, D_100. وتظهر القيم العددية الدقيقة لكل عشير في سياقها الرياضي المتصل، متدرجة من أدنى شريحة مئينية إلى القيمة العظمى المطلقة للبيانات. يتيح هذا العرض الجدولي المنظم للباحث البدء الفوري في التحليل الكمي، وتفسير دلالة كل رقم ضمن السياق النظري للدراسة، ومقارنة التوزيع المحسوب بالمعايير النظرية المقترحة.

8. تفسير وتحليل مخرجات جدول العشيرات

8.1 القراءة التحليلية المعمقة لكل عشير في المثال العملي

عند فحص القيم الرقمية الناتجة في جدول المخرجات لبيانات المثال العملي المشترك، نجد أن خوارزمية ساس (التي طبقت افتراضياً طريقة الاستيفاء الخطي PCTLDEF=4) قد استخرجت قيماً تعكس بدقة التدرج التراكمي لنقاط الدرجات عبر المشاهدات الست عشرة. تتضح هذه القراءة من خلال تفكيك الدلالة الإحصائية لكل نقطة حاسمة في السلسلة التوزيعية وفق المعطيات الآتية:

• العشير الأول (D_10 = 11.4): يمثل نقطة القطع المئينية التي تترك خلفها بالضبط 10% من إجمالي المفحوصين أو الحالات. وتعني القيمة (11.4) أن عشرة في المائة من العينة قد حصلوا على درجات تساوي 11.4 نقطة أو أقل من ذلك، في حين حقق 90% من المفحوصين درجات تتجاوز هذه العتبة الدنيا.
• العشير الثالث (D_30 = 15.0): تظهر هنا القيمة (15.0) كرقم صحيح ثابت نتيجة لتكرار هذه الدرجة في مصفوفة البيانات الأصلية، مما يشير بوضوح إلى أن 30% من أفراد العينة لم تتجاوز درجاتهم الحد (15) نقطة.
• العشير الخامس (D_50 = 19.5): يمثل هذا العشير وسيط التوزيع ونقطة الانتصاف التراكمية الحقيقية (50%). تدل القيمة (19.5) على أن نصف أفراد العينة بالضبط يقع أداؤهم دون درجة 19.5، بينما يتجاوز النصف الآخر هذه القيمة، وتعمل كنقطة ارتكاز مركزية لتقييم تماثل البيانات حول الوسط.
• العشير السابع (D_70 = 24.9): يحدد هذا العشير العتبة المئينية التي تفصل أدنى 70% من العينة عن أعلى 30% منها، حيث تدل القيمة (24.9) على أن المفحوصين الذين أحرزوا 25 نقطة فما فوق ينتمون حصرياً إلى الشريحة العليا المتفوقة في التوزيع.
• العشير التاسع (D_90 = 30.8): يمثل أحد أهم معايير الفرز النخبوي في القياس؛ حيث تترك قيمة العشير التاسع (30.8) خلفها 90% من مجمل العينة، مما يعني أن أعلى 10% من المشاركين فقط هم الذين تمكنوا من تسجيل درجات تتجاوز 30.8 نقطة.
• العشير العاشر / المئين المائة (D_100 = 35.0): يمثل نقطة النهاية العظمى للتوزيع (Maximum)، وهي الدرجة القصوى التي حققها المتسابق الأعلى أداءً في العينة قاطبة وتطابق الدرجة (35).

8.2 تأثير خوارزميات الاستيفاء على القيم العشرية الناتجة

يثير ظهور الكسور العشرية في قيم العشيرات المستخرجة (مثل 11.4 في العشير الأول و 19.5 في العشير الخامس) تساؤلاً جوهرياً لدى بعض الباحثين، لا سيما وأن كافة الدرجات الأصلية المدخلة في مصفوفة البيانات كانت أعداداً صحيحة مطلقة خالية تماماً من أي كسور. يرجع تفسير هذه الظاهرة الحسابية إلى تطبيق خوارزمية الاستيفاء الخطي (Linear Interpolation) المعتمدة داخل خيار PCTLDEF=4 الافتراضي في ساس، والتي تفترض أن المتغير المقاس يمثل سمة متصلة مستمرة في الواقع، وأن التباعد بين القيم المتقطعة المسجلة يمكن ملؤه بنقاط احتمالية متصلة.

لحساب العشير الأول تجريبياً لعينة تتكون من (N = 16) مشاهدة مرتبة تصاعدياً، تبدأ الخوارزمية بحساب الرتبة النسبية للموقع المئيني (Rank) عبر المعادلة الكلاسيكية: الرتبة = P × (N + 1) / 100 أو عبر معادلة الفترات الجزئية المتناسبة وفق نوع الخوارزمية المعتمدة. ينتج عن هذه المعادلة رتبة موضعية تقع بين المشاهدة الأولى (قيمتها 10) والمشاهدة الثانية (قيمتها 12). وبما أن الموضع يقع في مسافة كسرية بين هاتين المشاهدتين، فإن الخوارزمية لا تختار أياً منهما تعسفياً، بل تجري عملية استيفاء خطي نسبي تحسب بموجبها النقطة الافتراضية الواقعة على ذلك البعد النسبي، وهو ما أثمر عن القيمة الدقيقة (11.4).

تختلف هذه النتيجة الآلية المتقدمة عن بعض أساليب الحساب اليدوي البسيطة الشائعة في الكتب المدرسية، والتي تلجأ أحياناً إلى تقريب الرتب الكسرية إلى أقرب عدد صحيح تجنباً للعمليات الحسابية الطويلة. غير أن النهج الحاسوبي الصارم المتبع في ساس يوفر تقديراً رياضياً فائق النزاهة يقلل من تشويه معالم المجتمع ويمنح المئينيات استقراراً إحصائياً أعلى، مما يفرض على الباحثين في تقاريرهم العلمية تقديم القيم العشرية الناتجة بدقة، أو تقريبها لأقرب منزلة عشرية واحدة وفقاً للمعايير المعتمدة في دليل النشر الأكاديمي.

8.3 كيفية توظيف قيم العشيرات في تصنيف الملاحظات الفردية

بمجرد استخراج جدول نقاط القطع العشيرية المرجعية، يصبح بمقدور الباحث توظيف هذه القيم في اتخاذ قرارات تصنيفية وتشخيصية محددة تجاه الحالات أو الأفراد في مصفوفة الدراسة. يتم ذلك بمقارنة الدرجة الفردية المسجلة لكل مفحوص بنقاط القطع المستخرجة لمعرفة الشريحة العشرية الدقيقة التي يستقر فيها أداؤه، مما يحول الدرجة الخام المجردة إلى موقع نسبي دال يسهل اتخاذ القرارات الإجرائية بناءً عليه.

في سياق التدخل التربوي أو العلاجي، تتيح هذه القيم للمؤسسة فرز المشاركين الذين حققوا درجات تقع دون العشير الأول (11.4 نقطة) أو ضمن نطاق العشير الثاني لتوجيههم تلقائياً إلى برامج التقوية والدعم المركز، بوصفهم الشريحة الأكثر ضعفاً وتأخراً مقارنة بأقرانهم. وفي المقابل، يُمكّن العشير التاسع (30.8 نقطة) مسؤولي البرامج من تحديد فئة الموهوبين أو المتفوقين الذين تجاوزوا هذه العتبة بدقة وتعيينهم في مسارات رعاية المتميزين أو تقديم المكافآت التقديرية بناءً على معيار نسبي موضوعي غير متحيز.

يفتح هذا التصنيف الباب أيضاً أمام الدراسات التتبعية الطولية؛ حيث يمكن للباحث مقارنة مواقع المفحوصين عبر العشيرات في فترتي قياس زمنيتين مختلفتين (قبل البرنامج العلاجي وبعده). فإذا أظهرت النتائج أن مريضاً نفسياً كان يقع في العشير العاشر للاكتئاب (أعلى 10% في شدة المرض) قد تراجع بعد التدخل العلاجي ليستقر في نطاق العشير الرابع، فإن ذلك يوفر دليلاً سيكومترياً حاسماً على الكفاءة العلاجية للبرنامج، بصورة تتجاوز مجرد فحص الفروق البسيطة في الدرجات الخام.

9. حساب العشيرات للمجموعات الفرعية باستخدام عبارة BY في SAS

9.1 ضرورة فرز البيانات مسبقاً باستخدام إجراء PROC SORT

في كثير من البحوث الميدانية والمقارنات السريرية، لا يكتفي الباحث بحساب العشيرات الإجمالية لكامل العينة، بل يسعى إلى استخراج معايير عشرية مستقلة لكل مجموعة فرعية على حدة (مثل الذكور مقابل الإناث، أو مجموعة العلاج مقابل مجموعة الضبط، أو مقارنة المدارس الريفية بالحضرية). يوفر نظام ساس أداة قوية للغاية لتنفيذ هذا التحليل المقسم عبر إدراج عبارة BY داخل الإجراءات الإحصائية. غير أن تطبيق هذه العبارة يخضع لشرط تنظيمي حتمي وصارم في بيئة ساس، وهو وجوب فرز البيانات وترتيبها تصاعدياً وفق متغير التقسيم مسبقاً قبل استدعاء إجراء التحليل.

إذا حاول المستخدم تشغيل عبارة BY TEAM داخل إجراء PROC UNIVARIATE دون إجراء الفرز المسبق، فإن ساس سيوقف المعالجة فوراً ولن ينتج أي نتائج، مطلقاً رسالة خطأ صريحة في السجل تفيد بأن البيانات غير مرتبة وفق المتغير المحدد. ولمعالجة هذا المطلب المنهجي، يُستدعى إجراء الفرز الترتيبي PROC SORT، الذي يقوم بإعادة ترتيب سجلات مصفوفة البيانات فيزيائياً داخل الذاكرة بناءً على المتغير الفئوي المختار كما هو مبين في الكود التالي:

PROC SORT DATA=ORIGINAL_DATA;
    BY TEAM;
RUN;

يقوم هذا الكود البسيط بقراءة الجدول ORIGINAL_DATA وإعادة تنظيمه بحيث تتجمع كافة السجلات الخاصة بالفريق (A) معاً في كتلة متتابعة تليها مباشرة كافة السجلات الخاصة بالفريق (B). يتيح هذا الترتيب المتسلسل لمحرك ساس قراءة البيانات بكفاءة استثنائية وبدء معالجة تتابعية للمجموعات الفرعية دون تداخل، مما يمهد الطريق لتطبيق عبارة BY في الخطوة الإحصائية التالية بنجاح وأمان تامين.

9.2 تطبيق عبارة BY TEAM داخل إجراء PROC UNIVARIATE

بعد إتمام عملية الفرز المكتبي وتجميع بيانات كل فريق في كتلة متسلسلة، يمكننا الآن استدعاء إجراء PROC UNIVARIATE لحساب العشيرات بصورة مستقلة تماماً لكل فريق من الفريقين المشاركين، مع حفظ النتائج في جدول مقارن جديد نطلق عليه اسم DECILE_BY_TEAM، كما يوضح النص البرمجي الآتي:

PROC UNIVARIATE DATA=ORIGINAL_DATA NOPRINT;
    BY TEAM;
    VAR POINTS;
    OUTPUT OUT=DECILE_BY_TEAM
        PCTLPTS = 10 TO 100 BY 10
        PCTLPRE = D_;
RUN;

يتمثل التغيير الجوهري هنا في إضافة السطر البرمجي BY TEAM; داخل كتلة الإجراء؛ حيث تُعطي هذه العبارة توجيهاً صريحاً لخوارزمية ساس بإعادة ضبط مؤشراتها الحسابية عند الانتقال من فئة إلى أخرى داخل المتغير TEAM، والتعامل مع بيانات كل فريق كعينة إحصائية مغلقة ومستقلة بحجم (N = 8) مشاهدات. وتتولى عبارة OUTPUT تخزين النتائج في جدول مخرجات منظم يحتوي على سطرين منفصلين يمثل كل سطر منهما فريقاً، مع الحفاظ على متغير التصنيف TEAM كعمود تعريفي أول يسبق أعمدة العشيرات المستخرجة D_10 إلى D_100.

9.3 مقارنة السلوك التوزيعي بين الفئات الفرعية

لعرض ومقارنة المعايير التوزيعية التي أنتجها الكود السابق بين الفريقين، نستدعي إجراء الطباعة عبر الأمر المباشر التالي:

PROC PRINT DATA=DECILE_BY_TEAM NOOBS;
RUN;

يكشف التقرير المخرج عن فروق جوهرية ومثيرة للاهتمام في السلوك التوزيعي ومستويات الأداء بين الفريقين (A) و(B)، يمكن استجلاؤها من خلال المقارنة التحليلية المباشرة لنقاط القطع العشيرية المستخرجة لكلا المجموعتين وفق الجدول التالي والتحليلات اللاحقة:

• مقارنة النزعة المركزية والوسيط (D_50): سجل الفريق (A) عشيراً خامساً مقداره (19.0) نقطة، في حين حقق الفريق (B) عشيراً خامساً بلغ (21.5) نقطة. تكشف هذه الفجوة المباشرة عن تفوق هيكلي واضح للمستوى المتوسط لأداء الفريق (B) بمقدار نقطتين ونصف على الفريق (A)، وهو ما يعكس تحولاً إيجابياً في تمركز البيانات نحو المستويات العليا.
• تحليل المدى والتشتت التوزيعي: يظهر التباين الأعمق عند فحص المسافة بين العشير الأول (D_10) والعشير التاسع (D_90). في الفريق (A)، نجد أن العشير الأول يقف عند (12.9) بينما يصل العشير التاسع إلى (28.6) بمدى عشيري قدره (15.7) نقطة، مما يعكس تجانساً نسبياً وتماسكاً في درجات أفراده. في المقابل، ينحدر العشير الأول للفريق (B) إلى (10.4) بينما يقفز عشيره التاسع إلى (34.6) بمدى عشيري واسع يبلغ (24.2) نقطة، مما يدل بوضوح على تشتت مفرط وتباين كبير في إمكانات أفراد الفريق (B) بين مستويات شديدة الضعف ومستويات فائقة التقدم.
• تمثيل الفئات العليا والنخبوية: على الرغم من أن الفريق (A) يتمتع بأرضية أداء أدنى أكثر تماسكاً، إلا أن الفريق (B) ينفرد باحتكار العتبات العليا للتفوق المطلق؛ حيث يصل المئين المائة لديه إلى (35) مقابل (29) فقط للفريق (A).

يقود هذا التحليل التوزيعي المقارن المستند إلى العشيرات إلى استنتاجات سيكومترية وإدارية لا يمكن للتحليلات البسيطة للمتوسطات الحسابية كشفها بمفردها؛ فهو يثبت أن متوسط الفريق (B) المرتفع لا يعود إلى تفوق جماعي لكافة أفراده، بل يعود إلى وجود قلة متميزة جذبت التوزيع نحو الأعلى، في حين يعاني جزء كبير من أعضائه من تدنٍ ملحوظ يستدعي تدخلاً تدريبياً نوعياً مستقلاً.

10. طرق بديلة لحساب وتصنيف العشيرات في SAS: إجراء PROC RANK

10.1 مفهوم التقسيم الرتبي باستخدام إجراء PROC RANK

بينما يركز إجراء PROC UNIVARIATE بصورة أساسية على استخراج نقاط القطع الرقمية التلخيصية وحفظها في مصفوفات وصفية مستقلة، يوفر نظام ساس نهجاً بديلاً مكملاً وموجهاً نحو إدارة البيانات المباشرة عبر الإجراء الرتبي المتخصص PROC RANK. لا يهدف هذا الإجراء إلى إنشاء جداول لخصائص المجتمع، بل يهدف مباشرة إلى التدخل في مصفوفة السجلات الفردية، وتعيين رتبة نسبية جديدة لكل ملاحظة أو مفحوص تعكس موقعه التوزيعي بين بقية الأفراد.

يتميز إجراء PROC RANK بوجود الخيار الرياضي الحاسم GROUPS=، والذي يتيح للمحلل تقسيم البيانات مباشرة إلى عدد متساوٍ من الفئات الرتبية المحددة. وعند إسناد القيمة 10 لهذا الخيار، أي كتابة GROUPS=10، تصدر الأوامر لمحرك ساس بفرز المتغير الكمي تصاعدياً، وتقسيم إجمالي عدد السجلات بالتساوي إلى عشر مجموعات رتبية متكافئة التكرار، وتعيين قيمة رقمية صحيحة ترمز إلى الشريحة العشرية لكل فرد داخل مصفوفة البيانات الجديدة.

تكتسب هذه الطريقة أهمية استثنائية في التحليلات الإحصائية المتقدمة وتطبيقات تعلم الآلة ونمذجة الانحدار؛ حيث يحتاج الباحث في كثير من الأحيان إلى استبدال المتغيرات المستمرة شديدة الالتواء بمتغيرات رتبية فئوية عشيرية لاستخدامها كعوامل تنبؤية أو متغيرات تصنيفية خالية من أثر القيم المتطرفة، وهو ما ينجزه إجراء PROC RANK في خطوة برمجية واحدة وفائقة السرعة.

10.2 الصياغة البرمجية لتصنيف المشاهدات إلى عشيرات عبر PROC RANK

لتطبيق هذا النهج الرتبي على جدول البيانات التجريبي ORIGINAL_DATA وتصنيف كل ملاحظة فردية إلى عشيرها المستحق، نقوم بكتابة الكود البرمجي التالي، والذي ينشئ جدولاً جديداً باسم RANKED_DATA يضم مصفوفة البيانات الأصلية مضافاً إليها حقل الرتبة العشيرية:

PROC RANK DATA=ORIGINAL_DATA OUT=RANKED_DATA GROUPS=10;
    VAR POINTS;
    RANKS DECILE_RANK;
RUN;

يبدأ الكود باستدعاء الإجراء مع تحديد جدول المدخلات واسم جدول المخرجات الجديد، مقترناً بالأمر GROUPS=10. وتحدد عبارة VAR POINTS المتغير الكمي المراد تقسيمه، بينما تُعرف عبارة RANKS DECILE_RANK اسم المتغير الجديد الذي سيحتوي على قيم التصنيف العشيري لكل سطر.

من الضروري للغاية الانتباه إلى قاعدة ترقيم الفئات الافتراضية المتبعة في خوارزمية PROC RANK؛ حيث يبدأ ترقيم المجموعات دائماً من الصفر (0) وينتهي بالرقم (9)، وليس من (1) إلى (10) كما قد يتوقع المبتدئون. يمثل الرقم (0) العشير الأول الأدنى (أدنى 10% من الدرجات)، بينما يمثل الرقم (9) العشير العاشر الأعلى (أعلى 10% من الدرجات). وإذا كان الباحث يفضل الترقيم التقليدي من 1 إلى 10، فيمكنه ببساطة تعديل ذلك عبر خطوة DATA تالية تزيد قيمة المتغير بمقدار واحد (DECILE_RANK = DECILE_RANK + 1;)، لضمان التوافق مع متطلبات التقارير المعتادة.

10.3 المفاضلة المنهجية بين PROC UNIVARIATE وPROC RANK

يعتمد الاختيار بين الإجرائين الإحصائيين PROC UNIVARIATE وPROC RANK على الهدف البحثي الدقيق والوظيفة المرجوة من النتائج؛ فكلا الإجرائين يمثلان وجهين لعملة إحصائية واحدة ولكنهما يخدمان غايات تطبيقية متباينة، كما يتضح من المقارنة المنهجية الموضحة في النقاط الآتية:

• طبيعة المخرجات وحجم الجداول: ينتج PROC UNIVARIATE جدولاً ملخصاً صغيراً يتكون من سطر واحد (أو عدة أسطر للمجموعات) يحتوي على القيم الرقمية المطلقة لنقاط القطع، مما يجعله الإجراء الوحيد المناسب عند الرغبة في إعداد جداول المعايير ونشر أدلة المقاييس النفسية والتربوية. في المقابل، ينتج PROC RANK جدولاً مطابقاً لحجم مصفوفة البيانات الأصلية، حيث يحتفظ بكافة السجلات ويضيف عموداً تصنيفياً لكل حالة.
• الأهداف التحليلية والتطبيقية: يُفضل PROC RANK بصورة حاسمة عندما يكون الهدف هو استخدام التصنيف العشيري كمتغير وسيط أو تفسيري في تحليلات تالية؛ مثل إجراء تحليل التباين (ANOVA) للمقارنة بين العشيرات، أو دراسة مسارات التحول الرتبي في نماذج الانحدار اللوجستي ومخاطر البقاء، حيث يغني عن كتابة شروط منطقية معقدة لفرز الأفراد.
• التعامل مع الاستيفاء وتشابه الرتب: يطبق PROC UNIVARIATE معادلات استيفاء خطي مرنة تحسب نقاط القطع حتى وإن لم تكن موجودة فعلياً في البيانات، بينما يركز PROC RANK على الفرز الموضعي للمشاهدات الحقيقية ويوزع التكرارات المتشابهة استناداً إلى خيارات الرتب المعيارية المتاحة كالمتوسط أو الرتبة الصغرى.

وتقتضي الممارسة التحليلية المثلى في المشروعات الكبرى دمج كلا الإجرائين في خطة متكاملة؛ حيث يُستخدم PROC UNIVARIATE لاستكشاف التوزيع بدقة واستخراج نقاط القطع وتوثيقها، يليه استخدام PROC RANK لتصنيف أفراد العينة وإدراج رتبهم في قواعد البيانات المركزية لمتابعة أدائهم التطبيقي لاحقاً.

11. الأخطاء الشائعة واستكشاف الأخطاء وإصلاحها عند حساب العشيرات في SAS

11.1 أخطاء البناء النحوي والصياغة البرمجية الشائعة

تتسم لغة ساس بالصرامة الشديدة فيما يتعلق بالبناء النحوي (Syntax)، ويعد إغفال هذه القواعد سبباً رئيساً في فشل تنفيذ الأوامر وظهور رسائل الخطأ في السجل. يأتي في مقدمة الأخطاء الأكثر شيوعاً نسيان كتابة الفاصلة المنقوطة (Semicolon – ;) في نهايات الجمل البرمجية. يؤدي هذا السهو الصغير إلى دمج ساس للجملة الموالية مع الجملة السابقة واعتبارها أمراً واحداً غير مفهوم، مما يتسبب في تعطيل كامل خطوة التحليل وظهور رسائل تحذيرية مضللة تشير إلى وجود أخطاء في عبارات برمجية صحيحة في الأصل.

من الأخطاء الإملائية الشائعة أيضاً الخطأ في كتابة الكلمات المفتاحية المعقدة في عبارة OUTPUT؛ كأن يكتب المبرمج PCTLPT= بحذف حرف (S)، أو يكتب PCTLPFX= بدلاً من PCTLPRE=. في مثل هذه الحالات، لن يتمكن مترجم ساس من التعرف على الأمر، وسيقوم بإصدار رسالة تنبيه تفيد بأن الكلمة المفتاحية غير صالحة، أو يتجاهل الأمر تماماً وينشئ جدولاً خالياً من متغيرات العشيرات، مما يضيع الوقت والجهد في محاولة استكشاف أسباب غياب النتائج.

يضاف إلى ذلك خطأ تحديد متغير نصي بالصدفة داخل عبارة VAR؛ مثل إدراج المتغير TEAM بدلاً من POINTS في إجراء PROC UNIVARIATE. وبما أن الإجراء مصمم حصرياً لتحليل البيانات الكمية المستمرة، فإنه سيتوقف على الفور مصدراً رسالة خطأ باللون الأحمر في السجل توضح أن المتغير المحدد هو متغير نصي ولا يمكن إجراء العمليات التوزيعية عليه، مما يستوجب فحص أنواع الحقول في مصفوفة البيانات الأولية وتصحيح استدعاء المتغيرات المعنية بدقة.

11.2 التعامل السليم مع القيم المفقودة والمتطرفة

تشكل القيم المفقودة (Missing Values) تحدياً منهجياً بالغ الحساسية في العمليات الإحصائية. عند وجود خلايا فارغة في المتغير المستهدف، يقوم إجراء PROC UNIVARIATE تلقائياً باستبعاد تلك الملاحظات من حسابات المئينيات، ويسجل في التقرير عدد الملاحظات المفقودة ونسبتها. ويكمن الخطر في عدم انتباه الباحث إلى حجم هذا الاستبعاد؛ فإذا كانت نسبة الفقد كبيرة أو مركزة في شريحة معينة من العينة، فإن نقاط القطع العشيرية المحسوبة ستكون مشوهة ومتحيزة، ولا تمثل المجتمع الحقيقي تمثيلاً أميناً، مما يفرض فحص مصفوفة الفقد أولاً عبر إجراء PROC FREQ أو PROC MEANS قبل اعتماد النتائج.

أما فيما يتعلق بالقيم الشاذة والمتطرفة (Extreme Outliers) الناتجة عن أخطاء الإدخال البشري (كإدخال درجة 200 في مقياس نهايته 20)، فإنها قد تؤدي إلى تشويه حاد في العشيرين التاسع والعاشر على وجه الخصوص. لمواجهة هذه المشكلة، يجب تضمين خطوات تنظيف استباقية في خطوة DATA STEP لعزل الدرجات غير المنطقية، أو استخدام خيارات الفرز المشروط في الإجراء الإحصائي مثل تضمين عبارة WHERE (POINTS BETWEEN 0 AND 40); لضمان قصر الحسابات على النطاق المقبول قياسياً ومنطقياً.

يوصى كذلك بتوثيق حجم العينة الفعلي الصافي (Valid N) المستند إليه في استخراج كل عشير في جداول التقارير النهائية؛ حيث يسهم هذا التوثيق في تفادي التفسيرات المضللة للمقاييس ويمنح القارئ فهماً دقيقاً لمستوى تمثيل العشيرات، خصوصاً عند إجراء تحليلات المقارنة بين المجموعات الفرعية التي قد تتفاوت تفاوتاً كبيراً في معدلات استكمال أدوات القياس.

11.3 مشكلات تكرار القيم وتشابه الرتب (Ties Problem)

تنشأ مشكلة تشابه الرتب (Ties Problem) عندما يشترك عدد كبير من الملاحظات أو المفحوصين في نفس الدرجة الرقمية تماماً، وهي ظاهرة متكررة للغاية في الاستبيانات النفسية والتربوية التي تستخدم مقاييس ذات مدى محدود (مثل مقاييس ليكرت الخماسية أو السباعية). عند تراكم مئات الحالات عند درجة معينة تقع في موضع أحد العشيرات، تجد خوارزميات التقسيم نفسها عاجزة عن الفصل الرياضي النقي بين الشرائح المتجاورة، مما قد يؤدي إلى ظهور نفس القيمة العددية لأكثر من عشير متتالٍ (مثل أن يصبح D_30 و D_40 متطابقين تماماً عند الدرجة 15).

في إجراء PROC RANK، تؤدي هذه المشكلة إلى عدم تساوي أعداد الحالات المصنفة داخل الفئات العشرية؛ إذ لا يمكن للخوارزمية كسر التماثل بين الأفراد المتطابقين في الدرجة تعسفياً لوضع بعضهم في فئة وإرسال الآخرين إلى فئة أخرى دون مبرر رياضي. يقدم ساس خيارات متعددة للتعامل مع هذا التماثل عبر الخيار TIES= داخل PROC RANK، ومنها:

• TIES=MEAN: يعطي الدرجات المتشابهة متوسط رتب المواقع التي تشغلها، وهو الخيار الأكثر شيوعاً في الإحصاء اللامعلمي.
• TIES=LOW: يعطي كافة الدرجات المتشابهة أدنى رتبة موضعية في المجموعة.
• TIES=HIGH: يسند للقيم المتطابقة أعلى رتبة موضعية ممكنة.

يتعين على الباحث السيكومتري دراسة تداعيات هذه الخيارات بعناية؛ فإذا كان الاختبار يعاني من تكرار مكثف يطمس الفروق بين العشيرات، فإن ذلك يمثل مؤشراً على تدني الحساسية التمييزية (Discriminative Power) لأداة القياس المستخدمة، مما يستوجب إعادة النظر في بناء بنود المقياس أو زيادة مداه التقييمي بدلاً من الاعتماد الأعمى على المعايير العشيرية المستخرجة من توزيعات شديدة التكتل.

12. التطبيقات المتقدمة والممارسات الفضلى للتعامل مع العشيرات في SAS

12.1 أتمتة حساب العشيرات عبر وحدات الماكرو SAS MACRO

في بيئات العمل الاحترافية والمراكز البحثية التي تتعامل مع مئات المتغيرات وتجري تحليلات دورية متكررة، يصبح تكرار كتابة الكود البرمجي يدوياً لكل متغير عبئاً تشغيلياً عقيماً ومصدراً للأخطاء البشرية. هنا تتجلى قوة لغة SAS MACRO في تحويل الإجراءات الإحصائية الروتينية إلى وحدات برمجية ذكية ومؤتمتة بالكامل يمكن استدعاؤها بمرونة فائقة لتنفيذ الحسابات التوزيعية وتوليد الجداول بلمسة واحدة. يُظهر الكود المتقدم التالي نموذجاً لبناء ماكرو مرن لحساب العشيرات لأي متغير في أي جدول:

%MACRO CALCULATE_DECILES(IN_DATA=, OUT_DATA=, VAR_NAME=, PREFIX=D_);
    PROC UNIVARIATE DATA=&IN_DATA NOPRINT;
        VAR &VAR_NAME;
        OUTPUT OUT=&OUT_DATA
            PCTLPTS = 10 TO 100 BY 10
            PCTLPRE = &PREFIX;
    RUN;
    PROC PRINT DATA=&OUT_DATA NOOBS;
        TITLE “Decile Summary for &VAR_NAME from dataset &IN_DATA”;
    RUN;
    TITLE;
%MEND CALCULATE_DECILES;

يتيح هذا الماكرو للمستخدم إسناد اسم جدول المدخلات، وجدول المخرجات، والمتغير المستهدف، والبادئة المطلوبة كمعاملات متغيرة (Macro Parameters). وبمجرد تعريف الماكرو لمرة واحدة في الجلسة، يمكن استدعاؤه لمعالجة متغيرات متعددة بسطر واحد فقط، كما في المثال الآتي:

%CALCULATE_DECILES(IN_DATA=ORIGINAL_DATA, OUT_DATA=PTS_DECILES, VAR_NAME=POINTS, PREFIX=PT_);

يسهم هذا الأسلوب المتقدم في توحيد المعايير الإحصائية المتبعة عبر كامل المؤسسة البحثية، وضمان عدم حدوث انحراف في صياغة خوارزميات الاستيفاء بين المحللين المختلفين، فضلاً عن رفع كفاءة وسرعة خطوط أنابيب معالجة البيانات الضخمة بصورة جذرية تختصر ساعات العمل إلى دقائق معدودة.

12.2 التمثيل البصري البياني للعشيرات ومناطق التوزيع

يمثل التمثيل البياني وسيلة تواصل بصرية لا غنى عنها لتحويل الجداول الرقمية الصامتة إلى لوحات بيانية ناطقة تسهل استيعاب شكل التوزيع ومواقع العشيرات من قبل الباحثين ومتخذي القرارات. يوفر نظام ساس أداة رسومية متطورة للغاية تُعرف باسم PROC SGPLOT، والتي تتيح رسم مخططات التوزيع البياني، والمخططات الصندوقية (Box Plots)، ورسوم دالة التوزيع التراكمي (Empirical Cumulative Distribution Function – ECDF) وتوضيح خطوط العشيرات عليها بدقة جمالية عالية.

يمكن للمحلل استخدام الإجراء لرسم المنحنى التراكمي لدرجات العينة، وإسقاط خطوط مرجعية أفقية وعمودية ملونة (Reference Lines) تقابل كل عشير باستخدام عبارات REFLINE المدمجة. يتيح هذا التمثيل البصري إظهار كيف تتسارع وتيرة تراكم الدرجات في بطن التوزيع، وأين تبدأ الفجوات العريضة بين العشيرات عند الذيول، مما يقدم برهاناً حسياً واضحاً على مدى تماثل أو التواء البيانات المدروسة.

علاوة على ذلك، تُعد المخططات الصندوقية المعلمة بالعشيرات أداة فائقة القوة للمقارنة البصرية الفورية بين المجموعات السريرية والتجريبية؛ حيث يسهل رصد تباعد العشيرات الوسطى والعليا بين المجموعات جنباً إلى جنب على شاشة واحدة، مما يدعم التقارير الطبية والتربوية ويسهل عرض النتائج في المؤتمرات العلمية وأمام اللجان غير المتخصصة في التحليل الرقمي المجرد.

12.3 المعايير المنهجية لتوثيق نتائج العشيرات في التقارير الأكاديمية

تقتضي الأمانة العلمية والدقة المنهجية في كتابة الرسائل الجامعية والبحوث المحكمة التزام الباحث بالمعايير العالمية المعتمدة لتوثيق المخرجات الإحصائية، لا سيما الإرشادات الصادرة عن جمعية علم النفس الأمريكية (APA Style – 7th Edition). عند إعداد وتضمين جداول العشيرات في التقارير الأكاديمية، يتعين مراعاة مجموعة من القواعد التوثيقية الصارمة التي تضمن الشفافية وقابلية التكرار:

• الإفصاح عن الخوارزمية وحجم العينة: يجب على الباحث أن يوضح صراحة في متن المنهجية خوارزمية الاستيفاء المتبعة في حساب المئينيات (مثل: تم حساب العشيرات باستخدام إجراء PROC UNIVARIATE في برنامج SAS وفق خيار الاستيفاء الخطي الافتراضي PCTLDEF=4)، مع التحديد الدقيق لحجم العينة الصافي (N) بعد استبعاد القيم المفقودة.
• تنسيق الجداول وتسمية الأعمدة: تُنظم جداول العشيرات بحيث تتضمن رؤوساً دالة وواضحة، مع تجنب الاختصارات الغامضة؛ فيُفضل كتابة “العشير الأول (10%)” بدلاً من الرموز المجردة فقط، مع توضيح وحدات القياس المستخدمة، وإدراج إحصاءات النزعة المركزية المقارنة كالمتوسط والانحراف المعياري لتمكين القارئ من تقييم درجة الالتواء.
• الدقة التفسيرية والتعليق الإحصائي: يجب أن تتضمن النصوص التفسيرية المرافقة للجداول قراءة نوعية دقيقة لقيم القطع الحرجة، لا سيما العشير الخامس (الوسيط) والعشيرين الأول والتاسع، مع ربط هذه الأرقام بالدلالات السيكومترية أو السريرية الحقيقية وتجنب التعميم المفرط الذي يتجاوز حدود خصائص عينة التقنين.
• أرشفة الأكواد المصدرية: تدعو الممارسات العلمية الحديثة ومبادئ العلم المفتوح (Open Science) إلى حفظ الأكواد المصدرية الكاملة (SAS Scripts) وسجلات المعالجة غير المعدلة ضمن ملاحق البحث أو في مستودعات البيانات العامة الموثوقة، بما يتيح للباحثين الآخرين إعادة إنتاج النتائج والتحقق المستقل من سلامة الخطوات الإحصائية.

خاتمة

يمثل حساب العشيرات الإحصائية في بيئة ساس (SAS) مهارة منهجية وتحليلية فارقة تجمع بين عمق النظرية الرياضية وقوة التنفيذ البرمجي الدقيق. فمن خلال قدرته المتفوقة على إدارة التوزيعات الملتوية، وتجاوز قيود المقاييس المعلمية التقليدية، وتوفير معايير رتبية عادلة ومفهومة، يقدم التحليل العشيري حلولاً سيكومترية وإحصائية بالغة الأهمية للباحثين في مجالات القياس النفسي، والتقييم السريري، والعلوم الاجتماعية والسلوكية على حد سواء.

لقد أظهر هذا الدليل الشامل أن التوظيف الواعي والمتقن لإجراءات ساس الرائدة، وبخاصة الإجراء الاستكشافي المتطور PROC UNIVARIATE والإجراء الرتبي الرديف PROC RANK، يمنح الباحث مرونة لا متناهية في استخراج نقاط القطع التوزيعية، وإدارة عمليات الاستيفاء الخطي الرياضي، وتصنيف المجموعات الفرعية ومقارنتها عبر عبارات الفرز المتقدمة. كما بين الدليل أهمية التحقق المستمر من سجلات التشغيل، ومعالجة القيم المفقودة وتكرار الرتب بحذر منهجي صارم يضمن موثوقية القرارات التشخيصية والبحثية المستندة إلى هذه المقاييس.

ختاماً، فإن إتقان كتابة الأكواد البرمجية لحساب العشيرات وأتمتتها عبر وحدات الماكرو وتوثيقها وفق المعايير الأكاديمية العالمية ليس مجرد مهارة تقنية مجردة، بل هو تجسيد للممارسة العلمية الرصينة التي تسعى إلى استنطاق البيانات بأقصى درجات النزاهة والموضوعية، مما يرتقي بجودة البحوث والدراسات الميدانية ويسهم في بناء معايير تقويمية موثوقة تخدم العلم والمجتمع.

المراجع

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cody, R. (2018). Learning SAS by example: A programmer’s guide (2nd ed.). SAS Institute Inc.
• Elliott, A. C., & Woodward, W. A. (2020). SAS essentials: Mastering SAS for data analytics (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/9781119616511
• Hyndman, R. J., & Fan, Y. (1996). Sample quantiles in statistical packages. The American Statistician, 50(4), 361–365. https://doi.org/10.1080/00031305.1996.10473566
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• SAS Institute Inc. (2021). Base SAS 9.4 procedures guide: Statistical procedures (5th ed.). SAS Institute Inc. https://documentation.sas.com/
• SAS Institute Inc. (2023). The UNIVARIATE procedure: Percentile computational methods. SAS Institute Inc. https://support.sas.com/documentation/
• Urbina, S. (2014). Essentials of psychological testing (2nd ed.). John Wiley & Sons.