كيفية حساب الإحصاء الوصفي للمتغيرات في SPSS

يمثل الإحصاء الوصفي الحجر الأساس والركن المتين الذي تُبنى عليه كافة التحليلات الإحصائية المتقدمة في مختلف حقول المعرفة والبحث العلمي، ولا سيما في العلوم السلوكية والنفسية والتربوية والاجتماعية. فعندما يواجه الباحث ركاماً هائلاً من الأرقام والبيانات الأولية الخام المستقاة من الاستبانات، أو الاختبارات القياسية، أو المقاييس النفسية، يجد نفسه أمام ضرورة منهجية ملحة لاختزال هذا التعقيد العددي وتحويله إلى مؤشرات دقيقة، ذات معنى إبستمولوجي واضح ومحدد، تصف خصائص مجتمع الدراسة أو العينة المسحوبة منه بدقة متناهية.

وفي هذا السياق المعرفي والتقني، يبرز برنامج الحزمة الإحصائية للعلوم الاجتماعية IBM SPSS Statistics بوصفه البيئة البرمجية الأكثر رسوخاً وشيوعاً بين الأكاديميين وعلماء النفس وخبراء القياس النفسي والتربوي. يتيح البرنامج للباحثين أدوات متقدمة لحساب وتلخيص المؤشرات الوصفية بمختلف أبعادها الرياضية، بدءاً من مؤشرات التمركز المكاني والتجمع حول القيم النموذجية، مروراً بمقاييس التباين والتشتت التي تعكس مدى تجانس العينة، وصولاً إلى المقاييس المتقدمة التي تحدد الشكل الهندسي لتوزيع المتغير وتكشف عن مدى ابتعاده عن التوزيع الاعتدالي المعياري.

يتناول هذا الدليل الأكاديمي الشامل كل ما يتعلق بكيفية استخراج، وحساب، وتفسير الإحصاءات الوصفية للمتغيرات عبر برنامج SPSS بصورة تفصيلية وموسعة. سنغطي معاً الخطوات الإجرائية الدقيقة، والأسس النظرية الرياضية للمؤشرات، ومستويات القياس، واستكشاف البيانات المتقدم، وتوليد الجداول والمخططات البيانية، وكيفية توثيق المخرجات الإحصائية وصياغتها الأكاديمية الصارمة وفق معايير جمعية علم النفس الأمريكية في إصدارها السابع الحديث (APA 7th Edition).

1. مقدمة شاملة للإحصاء الوصفي وأهميته في التحليل الإحصائي والنفسي

1.1 تعريف الإحصاء الوصفي ومفهومه الأساسي

يُعرَّف الإحصاء الوصفي (Descriptive Statistics) بأنه ذلك الفرع من علم الإحصاء الذي يُعنى بجمع، وتنظيم، وتلخيص، وتبويب، وعرض البيانات الرقمية أو النوعية بأسلوب منطقي وموجز، دون محاولة تعميم النتائج على مجتمعات أوسع أو اختبار فرضيات سببية معقدة. إن الهدف الجوهري للإحصاء الوصفي يتمثل في تحويل “البيانات الخام” (Raw Data) المبعثرة وغير المفسرة إلى “معلومات منظمة” (Structured Information) تكشف عن الاتجاهات المركزية، والتشتت، والشكل العام لتوزيع الاستجابات، مما يمنح الباحث فهماً حدسياً وتحليلياً عميقاً لطبيعة الظاهرة المدروسة.

وتتجلى الفروق الجوهرية بين الإحصاء الوصفي والإحصاء الاستدلالي (Inferential Statistics) في الوظيفة والغرض المنهجي؛ فالإحصاء الوصفي يقتصر على تقديم صورة وصفية شاملة ودقيقة لخصائص العينة الفعلية المتوفرة بين يدي الباحث، في حين يتجاوز الإحصاء الاستدلالي حدود هذه العينة لتقدير معالم المجتمع الإحصائي الكلي واختبار الفرضيات وقياس العلاقات والارتباطات والفروق الاحتمالية. وفي البحوث النفسية والتربوية المعاصرة، لا يمكن المضي قدماً في إجراء الاختبارات الاستدلالية المتقدمة كاختبارات “ت” (t-tests) أو تحليل التباين (ANOVA) أو النمذجة بالمعادلات البنائية (SEM) دون المرور بفحص وصفي أولي ودقيق للبيانات، لكون هذا الفحص يحدد مدى استيفاء البيانات للافتراضات الإحصائية البارامترية الأساسية.

تكمن الأهمية القصوى للفحص الاستكشافي الأولي للبيانات في حماية الباحث من الوقوع في فخ التحيزات أو الاستنتاجات المضللة الناتجة عن أخطاء الإدخال، أو وجود قيم متطرفة شاذة (Outliers)، أو انحرافات حادة في اعتدالية التوزيع. إن التعرف المسبق على مدى تجانس العينة النفسية ومواقع استجابات الأفراد على المقاييس السلوكية يتيح للباحث اتخاذ قرارات منهجية واعية بشأن ملاءمة المقاييس المستخدمة، وتحديد ما إذا كان المتغير يستوجب تحويلاً رياضياً أو يتطلب الاعتماد على الاختبارات اللابارامترية البديلة، مما يضفي متانة علمية ورصانة منهجية على مجمل أطوار البحث.

1.2 الصور الثلاث الرئيسية لعرض الإحصاءات الوصفية

تتخذ الإحصاءات الوصفية في الممارسة العلمية ثلاث صور متكاملة تسهم كل منها في تزويد الباحث برؤية فريدة حول خصائص المتغيرات. الصورة الأولى هي “المقاييس الرقمية الموجزة” (Numerical Summary Measures)، وهي معاملات عددية مفردة تختزل السمات المعقدة لتوزيع المتغير في مؤشرات محددة بدقة. تتنوع هذه المقاييس لتشمل مقاييس النزعة المركزية التي تحدد نقطة الثقل التي تتجمع حولها البيانات، ومقاييس التشتت التي توضح مدى انتشار أو تباعد الدرجات عن مركز التوزيع، ومقاييس الشكل التي تصف تماثل المنحنى وحدته. إن هذه الأرقام الموجزة تسمح بالمقارنة الرياضية المباشرة بين المجموعات التجريبية والضابطة، أو بين العينات الفرعية المختلفة.

الصورة الثانية تتمثل في “الجداول التكرارية” (Frequency Tables)، والتي تُعد أداة تبويب لا غنى عنها لتنظيم التكرارات والنسب المئوية لاستجابات العينة عبر فئات المتغير المختلفة. تسمح الجداول التكرارية برؤية خريطة التوزيع الكاملة، ومعرفة التكرارات الصريحة، والنسب المئوية العامة، والنسب المئوية الصالحة التي تستبعد الحالات المفقودة، والنسب التراكمية التي تفيد في تحديد مواقع الأفراد على امتداد درجات الاختبار. وتزداد أهمية هذه الجداول عند دراسة المتغيرات الديموغرافية والنوعية كتوزيع الجنس، والمستويات التعليمية، والتصنيفات المهنية، أو عند تقييم توزيع الرتب في مقاييس ليكرت المتعددة.

أما الصورة الثالثة فهي “التمثيل البصري والرسوم البيانية” (Graphical Displays)، والتي تشمل المدرجات التكرارية (Histograms)، والمخططات الصندوقية (Boxplots)، والرسوم الشريطية (Bar Charts)، والقطاعات الدائرية (Pie Charts). تكمن قوة التمثيل البياني في قدرته على منح الباحث نظرة استكشافية بصرية سريعة لا تكشفها الأرقام المجردة بسهولة؛ إذ يمكن عبر الرسوم تشخيص الالتواءات البصرية، واكتشاف الأنماط غير الخطية، وتحديد الفجوات التوزيعية والتكتلات غير المتوقعة في الدرجات، ورصد الحالات الشاذة المتطرفة التي تقبع في أقصى أطراف التوزيع، مما يجعل العرض البياني رفيقاً إلزامياً للتحليل الرقمي والجدولي.

1.3 دور برنامج SPSS في تيسير التحليل الوصفي

يوفر برنامج SPSS بيئة تحليلية تفاعلية متكاملة تلغي تماماً الحاجة إلى الحسابات اليدوية المعقدة والمستنزفة للوقت، والتي كانت عرضة للأخطاء الحسابية في العقود الماضية. تتميز واجهة المستخدم الرسومية للبرنامج بسهولة التعامل وسرعة استيعاب مصفوفات البيانات الضخمة التي قد تضم مئات المتغيرات وعشرات الآلاف من الحالات المفحوصة، حيث يتيح النقر البسيط عبر القوائم المنسدلة توليد أعتى التحليلات الوصفية في أجزاء من الثانية، مع إمكانية التبديل بين محرر البيانات (Data Editor) وعارض المخرجات (Output Viewer) بسلاسة فائقة تضمن للباحث تدقيق المعطيات بشكل فوري.

تتجلى كفاءة البرنامج العالية في قدرته الفائقة على توليد تقارير مخرجات منظمة ودقيقة تتضمن كل ما يحتاجه الباحث من مقاييس التمركز، والتباين، والتفرطح، والالتواء، والمئينات، مع حسابات دقيقة للأخطاء المعيارية المرافقة لكل مؤشر. كما يتيح البرنامج مرونة استثنائية في تخصيص الجداول والمخرجات والتلاعب بخصائصها الجمالية والإحصائية قبل تصديرها، مما يوفر بيئة عمل تتطابق مع المعايير الإحصائية والقياسية العالمية وتلبي تطلعات مجلات النشر الأكاديمي الرصينة في التحقق من دقة النتائج المنشورة.

وعلاوة على الواجهة الرسومية، يتميز برنامج SPSS بإمكانية أتمتة الإجراءات المتكررة والتحليلات الروتينية عبر شفرات الأوامر البرمجية المعروفة بـ SPSS Syntax. تمنح هذه الميزة الباحثين القدرة على كتابة أوامر التحليل الوصفي وتعديلها وحفظها في ملفات نصية مخصصة، مما يضمن إمكانية إعادة تطبيق نفس الخطوات الإحصائية بدقة متطابقة على عينات جديدة أو قواعد بيانات محدثة في المستقبل، وهو ما يعزز مبدأ “قابلية تكرار التحليل العلمي” (Replicability) والشفافية المنهجية التامة، ويقلل احتمالية الوقوع في هفوات التكرار اليدوي للاختيارات المعقدة.

2. إعداد البيانات وتجهيز المتغيرات في SPSS قبل التحليل الوصفي

2.1 ضبط خصائص المتغيرات في شاشة Variable View

تُعد شاشة “عرض المتغيرات” (Variable View) في برنامج SPSS غرفة التحكم المركزية والعمود الفقري لبناء مصفوفة البيانات؛ حيث يتوجب على الباحث تعريف وضبط الخصائص المنهجية لكل متغير على حدة قبل الشروع في تطبيق أي عملية حسابية. يبدأ هذا الإعداد من عمود الاسم (Name)، حيث يجب إعطاء المتغير اسماً مختصراً فريداً يبدأ بحرف، وخالياً من المسافات والرموز الخاصة، ليكون بمثابة المعرّف البرمجي الداخلي للمتغير أثناء المعالجة وتطبيق الشفرات الإحصائية.

ينتقل الباحث بعد ذلك إلى تحديد “نوع المتغير” (Type)، وغالباً ما يُختار النوع العددي (Numeric) حتى بالنسبة للمتغيرات النوعية والتصنيفية التي يتم ترميزها رقمياً (كاستخدام الرقم 1 للذكور والرقم 2 للإناث)، وذلك لتمكين البرنامج من إدراجها في العمليات الرياضية والإحصائية. يتبع ذلك تحديد عرض العمود والكسور العشرية (Decimals) بما يتناسب مع دقة القياس المستخدمة، فالمتغيرات المنفصلة كالرتب أو التكرارات تتطلب صفراً من الكسور العشرية، بينما تتطلب المقاييس النفسية ذات المتوسطات المحسوبة خانتين عشريتين على الأقل.

تكتمل هذه المرحلة بملء عمود “التسمية التوضيحية” (Label) الذي يتيح كتابة النص الوصفي الكامل للمتغير أو نص السؤال في الاستبانة، وعمود “ملصقات القيم” (Value Labels) الذي يتم فيه فك شفرة الأرقام وتعيين مسمياتها النصية (مثل: 1 = موافق بشدة، 5 = معارض بشدة). كما يجب تعريف “القيم المفقودة” (Missing Values) بدقة في العمود المخصص، سواء بتحديد أكواد رقمية خاصة (مثل 99 أو 999) لتدل على امتناع المفحوص عن الإجابة أو عدم انطباق السؤال، وذلك لضمان عزل هذه القيم تماماً عن حسابات المتوسطات والتباين وتجنب تشويه المؤشرات الإحصائية الوصفية.

2.2 تحديد مستويات القياس الإحصائي بدقة

يمثل التحديد الدقيق لمستويات القياس (Levels of Measurement) في عمود “المقياس” (Measure) خطوة إبستمولوجية حاسمة تحدد مدى صحة ومشروعية العمليات الرياضية اللاحقة. يقسم برنامج SPSS مستويات القياس إلى ثلاثة أنواع رئيسية؛ أولها “المقياس الاسمي” (Nominal)، والذي يُستخدم للمتغيرات الفئوية والنوعية التي لا تنطوي على أي تفاضل عددي أو ترتيب هرمي منطقي بين فئاتها، كالجنس، والحالة الاجتماعية، والتخصص الأكاديمي، والجنسية. في هذه الحالة، تقتصر الأرقام المخصصة للفئات على وظيفة التسمية والتصنيف فقط دون أن تحمل دلالة كمية.

النوع الثاني هو “المقياس الترتيبي” (Ordinal)، وهو ينطبق على المتغيرات التي تتضمن فئاتها تفاضلاً أو ترتيباً متصاعداً أو تنازلياً، ولكن المسافات والفروق الفاصلة بين هذه الرتب ليست متساوية رياضياً ولا يمكن الجزم بتماثلها بدقة. من أبرز تطبيقات هذا المقياس في البحوث النفسية والتربوية: بنود مقاييس ليكرت (Likert Scales) الفردية، والرتب الأكاديمية، ومستويات الرضا، والطبقات الاجتماعية-الاقتصادية. يتعامل SPSS مع هذه البيانات بمقاييس وصفية متخصصة كالوسيط والنسب المئوية والمدى الربيعي، محذراً من الاستخدام غير المنضبط للمتوسطات الحسابية الصرفة معها.

أما النوع الثالث فهو “المقياس الكمي/المقياسي” (Scale)، والذي يدمج بين مستويي القياس: الفاصلي (Interval) والنسبي (Ratio). يتميز هذا المستوى بأن الفروق والمسافات بين وحدات القياس متساوية وثابتة تماماً، كما هو الحال في درجات الاختبارات التحصيلية، وزمن الرجع بالمللي ثانية، ودرجات مقاييس القلق والاكتئاب المقننة، ومقاييس الذكاء المعيارية. يتيح هذا المستوى من القياس تطبيق كافة المقاييس الإحصائية الوصفية البارامترية بما فيها المتوسط الحسابي، والانحراف المعياري، والتباين، والدرجات المعيارية دون أي قيود رياضية.

2.3 فحص البيانات والتأكد من خلوها من أخطاء الإدخال

قبل الشروع في قراءة وتفسير النتائج، يلزم الباحث بفحص دقيق وممنهج لمصفوفة البيانات عبر شاشة “عرض البيانات” (Data View) للتحقق من سلامتها وخلوها من الأخطاء المطبعية التي قد تقع أثناء الإدخال اليدوي. تبرز أخطاء الإدخال بوضوح عندما يُدخل الباحث عن طريق الخطأ رقماً خارج النطاق المنطقي المسموح للمتغير، كإدخال الدرجة “55” في مقياس أقصى مدى له هو “5”، مما يؤدي فوراً إلى تضخيم المتوسط الحسابي وتشتيت الانحراف المعياري للمتغير بشكل وهمي ومضلل.

يستدعي الفحص المبدئي استخدام الإحصاءات الوصفية الاستكشافية السريعة عبر فحص القيمتين الدنيا والعليا (Minimum & Maximum) لكل متغير؛ فظهور أي قيمة تتجاوز حدود الأداة البحثية يعد مؤشراً قاطعاً على وجود خطأ في الإدخال يستوجب الرجوع إلى الاستمارة الورقية أو السجل الأصلي لتصحيحه فوراً. كما يتضمن هذا الإجراء فحص استجابات المفحوصين للتأكد من خلوها من نمط الإجابة العشوائي أو الثابت (Straight-lining)، حيث يختار المفحوص نفس الرقم لجميع الفقرات دون قراءة متأنية، مما يفرض استبعاد استجابته لضمان نقاء البيانات.

كذلك يجب التحقق التام من حجم العينة الفعلي (Sample Size – N) واكتمال استجابات الأفراد عبر مراجعة جدول التكرارات للتأكد من مطابقة عدد الحالات المسجلة للعدد المخطط له في عينة الدراسة. إن الكشف المبكر عن نسب الحالات المفقودة (Missing Cases) وتوزيعها العشوائي أو المنتظم يساعد في اتخاذ القرارات المنهجية اللازمة إما بالتعويض الرياضي (Data Imputation) وفق الأساليب العلمية المعتمدة، أو باستبعاد الحالات غير المكتملة بصورة منهجية تضمن الحفاظ على القوة الإحصائية للاختبارات التالية.

3. حساب الإحصاءات الوصفية عبر أمر Descriptives في SPSS

3.1 خطوات تشغيل أمر Descriptives ونقل المتغيرات

يُعد إجراء “Descriptives” داخل برنامج SPSS الأداة المباشرة والأكثر تركيزاً لتوليد المقاييس الوصفية الأساسية للمتغيرات الكمية المستمرة في تقرير ملخص وسريع. ولتشغيل هذا الإجراء، يتجه الباحث إلى شريط القوائم العلوي ويتبع المسار الإجرائي الآتي: النقر على قائمة Analyze، ثم الانتقال إلى القائمة الفرعية Descriptive Statistics، ثم اختيار الأمر Descriptives.... يؤدي هذا الاختيار إلى فتح نافذة حوارية مخصصة لإدارة التحليل وتحديد المتغيرات المستهدفة.

تحتوي النافذة المنبثقة على قائمتين رئيسيتين؛ القائمة اليسرى وتضم جميع المتغيرات المعرفة في ملف البيانات، والقائمة اليمنى المخصصة للمتغيرات قيد التحليل والمعنونة بـ Variable(s):. يقوم الباحث بتحديد المتغيرات الكمية ذات المستوى المقياسي (Scale) التي يرغب في تحليلها، ثم ينقر على زر السهم الأوسط لنقلها إلى المربع الأيمن. يتيح البرنامج إمكانية نقل متغير واحد أو مجموعة كبيرة من المتغيرات المتصلة دفعة واحدة لتحليلها في جدول مخرجات موحد وشامل.

يطبق برنامج SPSS افتراضياً مجموعة محددة من الإحصاءات الوصفية القياسية بمجرد تشغيل الأمر والضغط على OK، حيث تتضمن هذه الإعدادات الافتراضية حساب حجم العينة الصالحة (N)، والقيمة الصغرى (Minimum)، والقيمة العظمى (Maximum)، والمتوسط الحسابي (Mean)، والانحراف المعياري (Standard Deviation). ورغم أن هذه المؤشرات الافتراضية تقدم ملخصاً سريعاً، إلا أن الباحث الأكاديمي المتمرس غالباً ما يحتاج إلى التوغل في خيارات التخصيص المتقدمة للحصول على صورة إحصائية أعمق وأشمل.

3.2 تخصيص المؤشرات المطلوبة عبر زر Options

للحصول على مؤشرات وصفية مخصصة تتجاوز الإعدادات الافتراضية، يقوم الباحث بالنقر على زر Options... الموجود في الزاوية اليمنى من نافذة Descriptives الحوارية. يفتح هذا الزر نافذة فرعية تتيح تحديداً دقيقاً للمقاييس الإحصائية المرغوبة والمصنفة منهجياً إلى: مقاييس النزعة المركزية، ومقاييس التشتت، ومقاييس التوزيع، بالإضافة إلى خيارات ترتيب ظهور المتغيرات في جداول المخرجات النهائية.

في قسم مقاييس التشتت (Dispersion)، يمكن للباحث تفعيل خيارات إضافية ذات أهمية بالغة كحساب “التباين” (Variance)، و”المدى” (Range)، و”الخطأ المعياري للمتوسط” (S.E. mean) الذي يعكس دقة تقدير متوسط العينة بالنسبة لمتوسط المجتمع الأصلي. وفي قسم التوزيع (Distribution)، يُعد تفعيل خياري “معامل الالتواء” (Skewness) و”معامل التفرطح” (Kurtosis) أمراً بالغ الأهمية المنهجية، إذ يزودان الباحث بالأدلة الرياضية الرقمية حول مدى اعتدالية شكل توزيع المتغير وتماثله.

كما تتيح النافذة في قسمها السفلي (Display Order) إمكانية التحكم في الترتيب المنطقي لعرض المتغيرات في جدول المخرجات النهائي. يمكن للباحث اختيار الترتيب الأبجدي للمتغيرات (Alphabetic)، أو ترتيبها تصاعدياً بحسب قيم متوسطاتها الحسابية (Ascending means)، أو تنازلياً بحسب المتوسطات (Descending means)، أو الإبقاء على ترتيب إدراجها في ملف البيانات (Variable list)، وهو ما يسهل قراءة وتفسير الجداول الكبيرة ومقارنة المتغيرات ذات الأولوية بمرونة فائقة.

3.3 حفظ الدرجات المعيارية Z-Scores للمتغيرات

يوفر أمر Descriptives في SPSS وظيفة إحصائية متقدمة بالغة الأهمية تتمثل في إمكانية تحويل الدرجات الخام إلى درجات معيارية معيارية بمتوسط حسابي قدره (0) وانحراف معياري قدره (1). يتم تفعيل هذه الخاصية ببساطة عبر تحديد مربع الاختيار المعنون بـ Save standardized values as variables والموجود في أسفل النافذة الرئيسية للأمر. بمجرد تنفيذ الأمر، يقوم البرنامج بإنشاء متغيرات جديدة في شاشة البيانات تبدأ بحرف “Z” متبوعاً باسم المتغير الأصلي (مثل Zscore: Zvar001).

تكمن الأهمية القياسية للدرجة المعيارية (Z-Score) في قدرتها على توحيد مقاييس القياس المختلفة، مما يتيح للباحث النفسي والتربوي مقارنة أداء الفرد في اختبارين متباينين تماماً في عدد الفقرات وطبيعة التوزيع، كأن تتم مقارنة أداء طالب في اختبار الذكاء (بمتوسط 100 وانحراف 15) مع أدائه في اختبار القلق (بمتوسط 50 وانحراف 10) على مسطرة قياس معيارية واحدة لا تتأثر باختلاف وحدات القياس الأصلية.

وعلاوة على المقارنة المعيارية، تُعد الدرجات المعيارية المحفوظة أداة تشخيصية قاطعة في الكشف عن “القيم الشاذة المتطرفة” (Univariate Outliers) داخل العينة؛ حيث يجمع المنهجيون على أن أي حالة تسجل درجة معيارية تتجاوز (+3.29) أو تقل عن (-3.29) في العينات الكبيرة، أو تتجاوز (+2.58) في العينات المتوسطة، تُصنف بوصفها قيمة متطرفة إحصائياً تؤثر سلباً على نتائج التحليل، وتتطلب فحصاً معمقاً لتحديد سبل معالجتها المنهجية المناسبة.

4. حساب وتفسير مقاييس النزعة المركزية للمتغيرات

4.1 المتوسط الحسابي (Mean) وشروط دقته

يُعد المتوسط الحسابي (Arithmetic Mean) أكثر مقاييس النزعة المركزية شيوعاً واستخداماً في التحليلات الإحصائية والبحوث السلوكية؛ وهو يعبر رياضياً عن نقطة الاتزان الهندسي لتوزيع البيانات، ويُحسب بجمع كافة قيم المفحوصين وقسمة الناتج الإجمالي على العدد الكلي للأفراد الصالحين (N). وفي برنامج SPSS، يتم اشتقاق المتوسط الحسابي آلياً عبر معادلات دقيقة تستبعد القيم المفقودة، ليعكس المركز الرياضي المطلق لدرجات المتغير المدروس.

وعلى الرغم من القوة الرياضية الفائقة للمتوسط الحسابي ودخوله في صلب معظم المعادلات الاستدلالية المتقدمة، إلا أنه يعاني من نقطة ضعف جوهرية تتمثل في حساسيته الشديدة وتأثره البالغ بالقيم المتطرفة والشاذة؛ فوجود درجة واحدة متطرفة جداً في أقصى اليمين أو أقصى اليسار كفيل بسحب المتوسط الحسابي نحوها وجعله مؤشراً مضللاً لا يعبر بصدق عن المستوى العام للأغلبية الساحقة من أفراد العينة، وهو ما يفرض الحذر الشديد عند استخدامه في التوزيعات شديدة الالتواء.

تتحدد المجالات الأكثر ملاءمة لاستخدام المتوسط الحسابي في المتغيرات الكمية المستمرة المقاسة على مستوى فاصلي أو نسبي والتي تقترب توزيعاتها من التوزيع الاعتدالي الطبيعي؛ كالمتوسطات الكلية لدرجات الاختبارات النفسية المقننة، ودرجات التحصيل الأكاديمي، والمقاييس البيولوجية والنفس-عصبية، حيث يقدم المتوسط حينها تقديراً فائق الدقة لمركز الثقل السلوكي أو المعرفي للعينة المدروسة ويوفر أساساً متيناً لمقارنة الفروق بين المجموعات.

4.2 الوسيط (Median) وأهميته في التوزيعات الملتوية

يُعرف الوسيط (Median) بأنه القيمة العددية التي تقسم مصفوفة البيانات المرتبة تصاعدياً أو تنازلياً إلى نصفين متساويين تماماً؛ بحيث يقع 50% من استجابات الأفراد أدنى من هذه القيمة، ويقع الـ 50% الباقية أعلى منها. وبناءً على هذا التعريف الرياضي، يمثل الوسيط النقطة المئينية الخمسين (50th Percentile) في التوزيع، ولا يتأثر الوسيط بالقيم العددية الصريحة للأطراف بل بمواقعها النسبية وترتيبها فقط.

تتجلى الميزة الاستثنائية للوسيط في مناعته وقوته ومقاومته العالية (Robustness) للقيم الشاذة والمتطرفة؛ فالدرجات المتطرفة جداً لا تحدث أي تغيير في قيمة الوسيط طالما بقي ترتيب الحالات ثابتاً في المركز. ولهذا السبب، يُجمع الإحصائيون على أن الوسيط هو المقياس الأنسب والأكثر صدقاً في التعبير عن النزعة المركزية عند التعامل مع التوزيعات الملتوية إيجاباً أو سلباً، كدراسات الدخل الاقتصادي، وفترات زمن الرجع السلوكي، ومقاييس الأعراض المرضية النفسية الحادة التي يتركز أغلب أفرادها عند درجات منخفضة بينما يسجل قلة منهم درجات بالغة الارتفاع.

كذلك تبرز أفضلية استخدام الوسيط كخيار منهجي أول عند تحليل المتغيرات المقاسة بمستوى القياس الترتيبي (Ordinal Data)، بما في ذلك الاستجابات الفردية على بنود مقاييس ليكرت، حيث لا يمكن افتراض تساوي المسافات بين خيارات الإجابة، مما يجعل حساب المتوسط الحسابي غير دقيق رياضياً، في حين يعبر الوسيط بدقة بالغة عن الرتبة الوسيطة التي تمثل الاتجاه العام لخيارات المفحوصين دون انتهاك لمستويات القياس.

4.3 المنوال (Mode) واستخداماته مع البيانات النوعية

يُمثل المنوال (Mode) مقياس النزعة المركزية المخصص لتحديد القيمة أو الفئة الأكثر تكراراً وشيوعاً وظهوراً بين استجابات أفراد العينة. يتميز المنوال ببساطته المفاهيمية وعدم حاجته لأي عمليات حسابية معقدة، إذ يقتصر تحديده على حصر التكرارات ورصد الفئة التي تحظى بأعلى كثافة عددية من الاستجابات ضمن مصفوفة بيانات المتغير في برنامج SPSS.

يتعامل برنامج SPSS بمرونة مع الأنماط التوزيعية المختلفة للمنوال؛ ففي بعض المتغيرات قد يظهر منوال واحد واضح (Unimodal)، بينما قد تتضمن توزيعات أخرى منوالين متساويين في التكرار (Bimodal) أو تتعدد المنوالات (Multimodal) عندما تتساوى عدة قيم في حيازتها لأعلى تكرار، وفي حال تساوت جميع قيم المتغير في التكرار فإن البرنامج يشير إلى عدم وجود منوال، مما يعطي الباحث دلالة تشخيصية حول انقسام العينة إلى فئات فرعية متباينة في خصائصها السلوكية.

يُعد المنوال المقياس الإحصائي الوحيد للنزعة المركزية القابل للتطبيق بصورة مشروعة وذات معنى مع “المتغيرات الاسمية والنوعية” (Nominal Data) كالجنس، والتصنيف التشخيصي للاضطرابات النفسية، والخيارات المهنية؛ حيث يفقد المتوسط والوسيط أي معنى رياضي مع هذه التصنيفات. كما يُستفاد من المنوال في الدراسات الاستطلاعية والتسويقية السريعة لتحديد الرأي الأكثر رواجاً أو السلوك الأكثر شيوعاً بين المستجيبين بكفاءة ومباشرة تامة.

5. حساب وتفسير مقاييس التشتت لتقييم تجانس العينة

5.1 الانحراف المعياري والتباين (Standard Deviation & Variance)

يُشكل كل من الانحراف المعياري (Standard Deviation) والتباين (Variance) حجر الزاوية في قياس درجة تشتت أو تقارب درجات الأفراد حول المتوسط الحسابي. يُعرف التباين رياضياً بأنه متوسط مربعات انحرافات الدرجات عن متوسطها الحسابي، بينما يمثل الانحراف المعياري الجذر التربيعي الموجب لقيمة التباين، وهو ما يعيده إلى نفس وحدة القياس الأصلية للمتغير المدروس، مما يجعله أكثر قابلية للتفسير المباشر والمقارنة العملية في الأبحاث النفسية والاجتماعية.

يطبق برنامج SPSS معادلة “تباين العينة” (Sample Variance) المعتمدة على قسمة مجموع مربعات الانحرافات على درجات الحرية (N – 1) بدلاً من (N) المستخدمة في حساب تباين المجتمع؛ وتُعرف هذه التعديلة رياضياً بتصحيح بيسل (Bessel’s Correction) الذي يهدف إلى إزالة التحيز وضمان تقديم تقدير غير متحيز (Unbiased Estimate) لتباين المجتمع الأصلي، وهو ما يجب أن يدركه الباحث بدقة عند مقارنة مخرجات البرنامج بالحسابات اليدوية البسيطة.

تتجلى الدلالة المنهجية التطبيقية للانحراف المعياري في تقييم مدى “تجانس العينة” (Sample Homogeneity)؛ فالانحراف المعياري الصغير يعكس تقارب درجات الأفراد وتمركزها الشديد حول المتوسط، مما يدل على تجانس المفحوصين في السمة المقاسة، في حين يشير الانحراف المعياري الكبير إلى تشتت واسع وتباعد حاد في الدرجات، مما يعكس تبايناً فردياً هائلاً يستوجب الحذر عند محاولة تعميم متوسط المجموعة على كافة أفرادها.

5.2 المدى والمدى الربيعي (Range & Interquartile Range)

يُمثل المدى (Range) أبسط مقاييس التشتت وأكثرها مباشرة في الحساب؛ وهو يعبر عن المسافة الإجمالية التي تنتشر عبرها البيانات من خلال حساب الفرق الحسابي المطلق بين أعلى قيمة (Maximum) وأدنى قيمة (Minimum) مسجلة في المتغير. ورغم سهولة استخراجه وقدرته على إعطاء فكرة سريعة عن اتساع التوزيع، إلا أنه مقياس شديد التأثر بالقيم الشاذة كونه يعتمد كلياً على قيمتين طرفيتين فقط ويهمل كافة الدرجات الواقعة بينهما.

وللتغلب على هذا القصور الهيكلي، يُستخدم “المدى الربيعي” (Interquartile Range – IQR) بوصفه مقياس تشتت متيناً ومقاوماً للقيم المتطرفة. يُحسب المدى الربيعي بطرح قيمة الربيع الأول أو المئين 25 (Q1) من قيمة الربيع الثالث أو المئين 75 (Q3)، مما يجعله يمثل المدى المطلق الذي تنتشر فيه درجات الـ 50% من الحالات الواقعة في قلب ومركز التوزيع، مستبعداً بذلك تأثير الـ 25% الأدنى والـ 25% الأعلى من البيانات المتطرفة.

يُعد المدى الربيعي الرفيق المثالي للوسيط؛ ففي حال كانت البيانات تحتوي على التواءات حادة أو قيماً شاذة أدت إلى تفضيل الوسيط على المتوسط الحسابي، يتوجب على الباحث منهجياً تقديم المدى الربيعي كبديل للانحراف المعياري لوصف التشتت، مما يوفر تقييماً أميناً وموضوعياً لمدى تباين درجات العينة المركزية دون التعرض للتضليل الناتج عن الحالات القصوى.

5.3 الخطأ المعياري للمتوسط (Standard Error of the Mean)

يُعد الخطأ المعياري للمتوسط (Standard Error of the Mean – SE Mean) مؤشراً استدلالياً منبثقاً من صلب التحليل الوصفي، وهو يقيس مدى تشتت متوسطات العينات المتعددة الممكن سحبها من نفس المجتمع حول المتوسط الحقيقي لذلك المجتمع الإحصائي. وبمعنى تطبيقي مباشر، يعبر الخطأ المعياري عن مقدار الخطأ أو التذبذب العشوائي المتوقع في تقدير متوسط العينة الحالي لمعلمة المجتمع غير المعلومة.

تتضح العلاقة الرياضية للخطأ المعياري من معادلته التي تساوي الانحراف المعياري للعينة مقسوماً على الجذر التربيعي لحجم العينة (SE = SD / √N)؛ وتكشف هذه الصيغة عن وجود علاقة عكسية وطيدة بين حجم العينة ومقدار الخطأ المعياري؛ فكلما ازداد حجم العينة المفحوصة كلما انخفض الخطأ المعياري وتزايدت دقة متوسط العينة في تمثيل متوسط المجتمع بدقة ووثوقية أعلى، مما يسهم في تضييق فترات الثقة المحيطة بالمتوسط.

من الضروري للباحث التمييز الإحصائي الدقيق بين “الانحراف المعياري” و”الخطأ المعياري”؛ فالانحراف المعياري هو مقياس وصفي بحت يصف درجة تشتت وتباين درجات الأفراد المفحوصين داخل العينة الواحدة، بينما الخطأ المعياري هو مقياس دقة ووثوقية استدلالية يصف مدى استقرار وتباين المتوسطات عبر العينات المحتملة، واستخدامهما المشترك في جداول المخرجات يمنح القارئ فهماً شاملاً لتشتت البيانات ودقة القياس في آن واحد.

6. قياس شكل التوزيع الإحصائي: الالتواء والتفرطح للمتغيرات

6.1 حساب وتفسير معامل الالتواء (Skewness)

يقيس معامل الالتواء (Skewness) درجة عدم تماثل أو لا تناظر توزيع درجات المتغير حول المتوسط الحسابي مقارنة بمنحنى التوزيع الطبيعي المتماثل تماماً. في التوزيع الطبيعي المتماثل، تكون قيمة الالتواء مساوية للصفر (Skewness = 0)، حيث يتطابق المتوسط والوسيط والمنوال في النقطة المركزية، وتتوزع الدرجات على جانبي المنحنى بشكل متطابق كصورة المرآة.

ينقسم الالتواء إلى نمطين رئيسيين؛ الأول هو “الالتواء الموجب” (Positive Skewness / Right-skewed)، وفيه يمتد ذيل التوزيع الطويل جهة اليمين (القيم المرتفعة)، حيث تتركز غالبية درجات الأفراد عند القيم المنخفضة ويسجل قلة منهم درجات بالغة الارتفاع، مما يدفع المتوسط الحسابي ليكون أكبر من الوسيط. أما النمط الثاني فهو “الالتواء السالب” (Negative Skewness / Left-skewed)، وفيه يمتد ذيل التوزيع نحو اليسار (القيم المنخفضة)، وتتركز غالبية الدرجات عند القيم المرتفعة، مما يجعل المتوسط الحسابي أقل من الوسيط كما في الاختبارات التحصيلية السهلة جداً.

يقدم برنامج SPSS قيمة الالتواء مصحوبة بقيمة “الخطأ المعياري للالتواء” (Std. Error of Skewness). وللتحقق الإحصائي الصارم من دلالة الالتواء، يقوم الباحث بقسمة قيمة معامل الالتواء على خطئه المعياري؛ فإذا كانت النتيجة المحسوبة تقع ضمن المدى (-1.96 إلى +1.96) عند مستوى دلالة 0.05، يُعتبر الالتواء غير دال إحصائياً وتُعد البيانات قريبة من التماثل الطبيعي. وفي التطبيقات النفسية والتربوية الموسعة، تُعتبر القيم المطلقة للالتواء المحصورة بين (-1 و +1) دليلاً كافياً على اعتدالية ممتازة، بينما تشير القيم بين (-2 و +2) إلى اعتدالية مقبولة لتطبيق الاختبارات البارامترية.

6.2 حساب وتفسير معامل التفرطح (Kurtosis)

يُعنى معامل التفرطح (Kurtosis) بقياس درجة حدة قمة منحنى التوزيع وسماكة أو ثقل ذيوله (Tail Weight) مقارنة بمنحنى التوزيع الطبيعي المعياري. يعتمد برنامج SPSS صيغة “التفرطح الإضافي” (Excess Kurtosis) التي تطرح القيمة 3 تلقائياً من التفرطح الرياضي، مما يجعل التوزيع الطبيعي المعياري يمتلك قيمة تفرطح مساوية تماماً للصفر (Kurtosis = 0)، ويُعرف هذا النمط بالتوزيع متوسط التفرطح (Mesokurtic).

عندما يسجل معامل التفرطح في SPSS قيمة موجبة تفوق الصفر، يُوصف التوزيع بأنه “توزيع مدبب” (Leptokurtic)؛ ويتميز بقمة حادة مرتفعة وتمركز كثيف جداً للدرجات حول المركز مع وجود ذيول ثقيلة وطويلة تضم قيماً قصوى متباعدة. وفي المقابل، إذا كانت قيمة التفرطح سالبة دون الصفر، يُوصف التوزيع بأنه “توزيع مفلطح” (Platykurtic)؛ ويتسم بقمة مسطحة ومنخفضة وتشتت عريض للدرجات مع ذيول خفيفة ونحيفة تعكس غياب التمركز الحاد حول نقطة واحدة.

يتم تقييم الدلالة الإحصائية للتفرطح بقسمة قيمة التفرطح على خطئها المعياري المرفق في جدول SPSS (Std. Error of Kurtosis)؛ وتعد النتيجة غير دالة إذا وقعت بين (-1.96 و +1.96). وتُعد قيم التفرطح التي تتراوح بين (-2 و +2) أو (-3 و +3) في المقاييس النفسية مؤشرات مقبولة منهجياً لعدم انتهاك شرط الاعتدالية البارامتري، ما لم تكن هناك قيم متطرفة مفرطة تؤدي إلى تشويه التحليل وتتطلب معالجة خاصة.

6.3 الأهمية المنهجية لفحص شكل التوزيع في الدراسات النفسية

يمثل التحقق من شكل التوزيع وفحص مؤشري الالتواء والتفرطح خطوة مفصلية ملزمة في منهجية البحث العلمي؛ حيث تشترط الاختبارات الإحصائية الاستدلالية البارامترية (كـ t-test و ANOVA و Pearson Correlation) اعتدالية توزيع درجات المتغيرات التابعة كشرط بنيوي لصحة افتراضاتها الرياضية وصدق مستويات الدلالة الناتجة عنها. إن تجاهل هذا الفحص قد يقود الباحث إلى ارتكاب أخطاء من “النوع الأول” (رفض فرضية صفرية صحيحة) أو أخطاء من “النوع الثاني” (قبول فرضية صفرية خاطئة).

وفي حال كشف الفحص الوصفي عن وجود التواءات حادة وتفرطح شديد ينتهك معايير التوزيع الطبيعي، يقف الباحث أمام خيارين منهجيين رئيسيين؛ الخيار الأول يتمثل في اللجوء إلى “التحويلات الرياضية للبيانات” (Data Transformations) عبر نافذة Transform > Compute Variable في SPSS، مثل تطبيق التحويل اللوغاريتمي (Log Transformation) لمعالجة الالتواء الموجب الحاد، أو تحويل الجذر التربيعي (Square Root)، أو تحويل مقلوب القيمة (Inverse Transformation) لإعادة التوزيع إلى مسار الاعتدالية.

أما الخيار الثاني، وهو الأكثر أماناً وشيوعاً عند تعذر تعديل التوزيع أو عند استخدام مقاييس ذات عينات صغيرة، فيتمثل في التحول المنهجي المباشر نحو تطبيق الاختبارات اللابارامترية البديلة (Non-parametric Tests)؛ كاستخدام اختبار مان-ويتني (Mann-Whitney U) كبديل لاختبار “ت” لعينتين مستقلتين، أو اختبار كروسكال-واليس (Kruskal-Wallis) كبديل لتحليل التباين الأحادي، مما يحافظ على النزاهة العلمية للنتائج المتمخضة عن الدراسة.

7. إنشاء الجداول التكرارية وتحليل النسب عبر أمر Frequencies

7.1 تنفيذ إجراء Frequencies للمتغيرات الفئوية والكمية

يُعد أمر “Frequencies” الإجراء الأكثر تنوعاً وشمولية في برنامج SPSS؛ حيث يجمع بين القدرة على بناء الجداول التكرارية التفصيلية للمتغيرات التصنيفية، وحساب كافة المؤشرات الإحصائية الوصفية وتوليد الرسوم البيانية للمتغيرات الكمية في خطوة إجرائية واحدة. وللوصول إلى هذا الأمر، يتبع الباحث المسار: Analyze > Descriptive Statistics > Frequencies....

تفتح هذه الخطوة نافذة Frequencies الحوارية، حيث ينقل الباحث المتغيرات المراد دراستها من القائمة اليسرى إلى مربع Variable(s):. تحتوي النافذة على خيار افتراضي محدد يُدعى Display frequency tables؛ وعند الإبقاء على تفعيله، يقوم البرنامج بإنشاء جداول تكرارية تفصيلية لكل متغير، وهو خيار مثالي للمتغيرات الاسمية والترتيبية ذات الفئات المحدودة، بينما يُنصح بإلغاء تفعيله عند تحليل متغيرات كمية مستمرة ذات قيم فردية شديدة التعدد لتجنب إنتاج جداول تكرارية عملاقة وغير مفيدة تحليلياً.

يتيح النقر على زر Statistics... داخل نافذة Frequencies فتح قائمة شاملة تتيح للمستخدم تحديد كل ما يرغب به من مقاييس النزعة المركزية (Mean, Median, Mode, Sum)، ومقاييس التشتت (Std. deviation, Variance, Range, Minimum, Maximum, S.E. mean)، ومقاييس التوزيع (Skewness, Kurtosis)، مما يمنح الباحث تحكماً مطلقاً في طبيعة المخرجات المطلوبة وتوليدها بضغطة زر واحدة.

7.2 تخصيص المئينات ونقاط التقسيم (Percentiles & Cut Points)

توفر نافذة إحصاءات Frequencies أدوات قياس استثنائية لحساب الرتب المئينية ونقاط القطع المعيارية، وهي أدوات ذات قيمة بالغة في مجالات القياس والتقويم النفسي والتربوي. يتيح خيار “الربيعيات” (Quartiles) تقسيم بيانات العينة بدقة إلى أربعة أجزاء متساوية يمثل كل منها 25% من التوزيع، وهي الربيع الأول (Q1 = 25%)، والربيع الثاني (الوسيط = 50%)، والربيع الثالث (Q3 = 75%)، وهو ما يفيد في تحديد مستويات الأداء الضعيف والمتوسط والمتميز لدى المفحوصين.

كما يوفر خيار “نقاط التقسيم” (Cut points for n equal groups) إمكانية تجزئة العينة تلقائياً إلى عدد محدد من المجموعات المتساوية الحجم؛ كأن يطلب الباحث تقسيم العينة إلى 10 مجموعات متساوية لحساب “العشيرات” (Deciles)، أو تقسيمها إلى 3 مجموعات لحساب نقاط القطع التي تفصل العينة إلى مستويات (منخفض، متوسط، مرتفع) وفق معايير إحصائية دقيقة مستمدة من توزيع درجات العينة الفعلية دون فرض تصنيفات تحكمية مسبقة.

وبالإضافة إلى ذلك، يمكن للباحث استخدام خيار “المئينات المحددة” (Percentiles) لإدخال قيم مئينية خاصة يحتاجها في بناء معايير الاختبارات (Norms)؛ كحساب المئين 5 والمئين 95 لتحديد الحالات المرضية أو الموهوبة في المقاييس النفسية، حيث يقوم البرنامج بحساب الدرجات الخام المناظرة لتلك النسب بدقة رياضية متناهية تسهم في التقنين المعياري لأدوات القياس النفسي.

7.3 قراءة جدول التكرارات وتفسير النسب المئوية

يحتوي جدول التكرارات الناتج عن أمر Frequencies في SPSS على خمسة أعمدة رئيسية تتطلب قراءة منهجية واعية؛ العمود الأول يضم فئات المتغير (المعرفة مسبقاً في Value Labels)، ويليه عمود “التكرار البسيط” (Frequency) الذي يوضح عدد الأفراد الذين ينتمون لكل فئة، ثم عمود “النسبة المئوية الإجمالية” (Percent) الذي يمثل نسبة تكرار كل فئة منسوبة إلى الحجم الكلي للعينة بما في ذلك الحالات المفقودة.

العمود الرابع والأكثر أهمية في التحليل الأكاديمي هو “النسبة المئوية الصالحة” (Valid Percent)؛ وتتميز هذه النسبة بأنها تستبعد الحالات المفقودة تماماً من مقام الحساب، وتحسب نسبة كل فئة منسوبة فقط إلى إجمالي عدد المستجيبين الفعليين الصالحين (Valid N). وفي حال وجود بيانات مفقودة، يجب على الباحث الاعتماد حصرياً على عمود Valid Percent وتوثيقه في تقارير بحثه تجنباً لتقليل النسب الحقيقية بفعل الحالات غير المستجيبة.

أما العمود الخامس فهو “النسبة المئوية التراكمية” (Cumulative Percent)، وهو يعبر عن التراكم المتتالي للنسب المئوية الصالحة بدءاً من الفئة الأولى وحتى الفئة الأخيرة التي تصل حتماً إلى 100%. يُعد هذا العمود الأداة المباشرة لتحديد الرتب المئينية، حيث يمكن للباحث أن يحدد بنظرة سريعة النسبة المئوية للأفراد الذين حصلوا على درجة معينة أو أقل منها، وهو ما يسهل تفسير التوزيعات التراكمية في الاستبانات ومقاييس الاتجاهات.

8. الفحص الاستكشافي المتعمق للبيانات عبر أمر Explore في SPSS

8.1 تشغيل أمر Explore وتوزيع المتغيرات في القوائم

يُمثل أمر “Explore” الأداة الإحصائية الأكثر قوة وتعمقاً في برنامج SPSS لتنفيذ ما يُعرف بـ “تحليل استكشاف البيانات” (Exploratory Data Analysis – EDA) وفق أسس الإحصائي الشهير جون توكي (John Tukey). يتيح هذا الإجراء فحصاً مجهرياً متكاملاً للمتغيرات الكمية من خلال توليد عشرات المؤشرات الوصفية المتقدمة، واختبارات الاعتدالية الصارمة، والرسوم التشخيصية المتقدمة. يتم الوصول للأمر عبر: Analyze > Descriptive Statistics > Explore....

تتضمن نافذة Explore قائمة لإدراج “المتغيرات التابعة” (Dependent List) وقائمة أخرى مخصصة لـ “عوامل التصنيف” (Factor List). عندما يدرج الباحث متغيراً كمياً في Dependent List دون تحديد أي عامل في Factor List، يقوم البرنامج بحساب التحليل الاستكشافي للدرجة الكلية للعينة بأكملها. أما إذا أدرج متغيراً تصنيفياً كالجنس أو المجموعة في Factor List، فإن البرنامج يقوم ببراعة بتقسيم العينة وحساب كافة الإحصاءات الوصفية المقارنة لكل مجموعة فرعية على حدة (مثل وصف القلق لدى الذكور مقارنة بالإناث بشكل منفصل ومفصل).

تتيح النافذة في قسمها السفلي (Display) الاختيار بين عرض الإحصاءات فقط (Statistics)، أو الرسوم فقط (Plots)، أو الجمع بينهما معاً (Both). ويُنصح دائماً باختيار Both للحصول على التقرير الاستكشافي الكامل الذي يدمج بين المؤشرات العددية والمخططات البصرية الكاشفة لشكل التوزيع ومواقع القيم الشاذة، مما يمنح الباحث رؤية متكاملة لخصائص مصفوفة بياناته.

8.2 استخراج الإحصاءات الوصفية المقاومة والمتوسطات المقتطعة

يقدم أمر Explore حزمة فريدة من المؤشرات الإحصائية “المقاومة” (Robust Statistics) التي لا تتوفر في أوامر Descriptives أو Frequencies التقليدية. ومن أبرز هذه المؤشرات “المتوسط المقتطع بنسبة 5%” (5% Trimmed Mean)، وهو متوسط حسابي خاص يتم توليده بعد حذف أعلى 5% وأدنى 5% من أطراف درجات التوزيع لإلغاء تأثير القيم المتطرفة القصوى؛ وتفيد مقارنة هذا المتوسط المقتطع بالمتوسط الحسابي العام في قياس مدى التشويه الذي أحدثته الأطراف، فإذا كان الفرق بينهما ضئيلاً دل ذلك على سلامة المتوسط الأصلي من التحيز الشديد.

كما يتيح النقر على زر Statistics... وتفعيل خيار M-estimators توليد مقاييس تمركز مركزية متقدمة وفائقة المتانة مثل (Huber’s M-estimator, Tukey’s biweight, Hampel’s M-estimator). تقوم هذه التقديرات بإعطاء أوزان ترجيحية متناقصة للدرجات كلما ابتعدت عن مركز التوزيع بدلاً من حذفها كلياً، مما يوفر تقديراً فائق الصدق لنقطة تمركز العينة في الدراسات الإكلينيكية والسلوكية التي تتسم بوجود تشتت لا نمطي في الدرجات.

وعلاوة على ذلك، يولد جدول Explore فترات الثقة للمتوسط الحسابي عند مستوى ثقة 95% (95% Confidence Interval for Mean)، محددة بحدها الأدنى (Lower Bound) وحدها الأعلى (Upper Bound). يتيح هذا المؤشر للباحث تقييم المدى الرياضي الذي يقع فيه متوسط المجتمع الحقيقي باحتمال يقين يبلغ 95%، وهو متطلب أساسي في التوثيق الأكاديمي الحديث لتوضيح حجم التأثير ودقة القياس المقترنة بمتوسط العينة.

8.3 إجراء اختبارات التوزيع الطبيعي واستخراج الرسوم

تُعد وظيفة اختبار الاعتدالية المدمجة في أمر Explore الأداة المعيارية الأولى للفصل في طبيعة توزيع البيانات. يتم تفعيل هذه الخاصية بالنقر على زر Plots... داخل نافذة Explore، ثم تحديد مربع الاختيار المسمى Normality plots with tests. يؤدي هذا الإجراء إلى توليد جدول إحصائي مخصص يُدعى “Tests of Normality” يضم أشهر اختبارين للاعتدالية: اختبار كولمجروف-سميرنوف (Kolmogorov-Smirnov Test) واختبار شابيرو-ويلك (Shapiro-Wilk Test).

تعتمد القاعدة الإحصائية في هذين الاختبارين على فرضية صفرية تنص على أن “توزيع درجات العينة يطابق التوزيع الطبيعي”. وبالتالي، إذا كانت القيمة الاحتمالية الدلالية (Sig. أو p-value) “أكبر من 0.05″، فإننا “نقبل الفرضية الصفرية” ونستنتج أن البيانات تتوزع اعتدالياً بصورة مقبولة إحصائياً. أما إذا كانت الدلالة “أقل من 0.05″، فإننا نرفض الفرضية الصفرية ويكون التوزيع غير اعتدالي. ويُعد اختبار شابيرو-ويلك الأكثر دقة وحساسية وقوة للعينات الصغيرة والمتوسطة (أقل من 50 حالة)، بينما يناسب كولمجروف-سميرنوف العينات الضخمة.

وبالإضافة للاختبارات الرقمية، يولد هذا الإجراء مخططات الاحتمال الطبيعي (Normal Q-Q Plots) ومخططات الاحتمال المنزوعة الاتجاه (Detrended Q-Q Plots). في مخطط Q-Q، تُرسم درجات العينة الفعلية كنقاط مقابل خط مستقيم يمثل التوزيع الطبيعي المثالي؛ وكلما انطبقت النقاط على طول الخط المستقيم دون انحرافات مقوسة أو تشتت حاد في الأطراف، كان ذلك دليلاً بيانياً قاطعاً على تحقق فرضية التوزيع الطبيعي للمتغير.

9. التمثيل البياني للإحصاءات الوصفية وتوزيع المتغيرات في SPSS

9.1 المدرجات التكرارية (Histograms) ومنحنى التوزيع الطبيعي

يُمثل المدرج التكراري (Histogram) الأداة البصرية المثالية لعرض التوزيع التكراري للمتغيرات الكمية المتصلة؛ حيث يقسم مدى البيانات إلى فترات متساوية (Bins) تُرسم كأعمدة متلاصقة تماماً لتعكس استمرارية المقياس، ويدل ارتفاع كل عمود على كثافة وعدد الحالات الواقعة ضمن تلك الفترة. يمكن إنشاء المدرج بسهولة عبر زر Charts في نافذة Frequencies، أو من خلال منشئ الرسوم البيانية المتقدم عبر مسار: Graphs > Chart Builder....

تزداد القيمة التشخيصية للمدرج التكراري عند تفعيل خيار “إظهار منحنى التوزيع الطبيعي” (Show normal curve on chart). يقوم البرنامج برسم المنحنى الجرسي النظري المتطابق مع متوسط وانحراف درجات المتغير فوق أعمدة المدرج مباشرة، مما يتيح للباحث المقارنة البصرية الفورية بين توزيع عينته الفعلي والتوزيع الطبيعي المثالي، ورصد أي فجوات توزيعية أو بروز لقمم متعددة تكشف عن عدم تجانس العينة بدقة بالغة.

يتيح محرر الرسوم في SPSS (Chart Editor) النقر المزدوج على المدرج التكراري للتحكم في عدد الفئات وعرضها وتعديل الألوان والتسميات؛ حيث يساعد تعديل اتساع الفئات الباحث في كشف التكتلات الدقيقة للاستجابات السلوكية أو التأكد من خلو الدرجات من فجوات غير مبررة قد تشير إلى خلل في أداة جمع البيانات أو في عملية الترميز الرقمي للمتغير.

9.2 المخططات الصندوقية (Boxplots) لتحديد القيم الشاذة

يُعد المخطط الصندوقي (Boxplot) أو “مخطط الصندوق والساعدين” من أرقى وأشمل وسائل الاستكشاف البصري لتلخيص البيانات وتحديد الشذوذ الإحصائي، وهو يجسد بيانيا ما يُعرف بـ “الملخص الخماسي للبيانات” (Five-Number Summary). يتكون المخطط من صندوق مركزي يمثل حدّه السفلي الربيع الأول (Q1) وحدّه العلوي الربيع الثالث (Q3)، وبذلك يحتوي الصندوق على الـ 50% الوسطى من البيانات، بينما يشطر الخط العريض داخل الصندوق موقع الوسيط (Median).

تمتد من الصندوق خطوط مستقيمة تُعرف بـ “الساعدين” (Whiskers) لتصل إلى أدنى وأعلى قيمة لا تُعد متطرفة. تكمن القوة التشخيصية للمخطط الصندوقي في قدرته الآلية على رصد وتمييز القيم الشاذة وفق معايير رياضية صارمة؛ حيث يرمز البرنامج للقيم “المتطرفة البسيطة” (Outliers) بدائرة صغيرة (o) مصحوبة برقم الحالة في ملف البيانات، وهي الحالات التي تبعد عن حافة الصندوق بمسافة تتراوح بين 1.5 إلى 3 أضعاف المدى الربيعي (IQR).

أما الحالات التي تبعد بمسافة تتجاوز 3 أضعاف المدى الربيعي عن حافة الصندوق، فيرمز لها البرنامج برمز النجمة (*) ويطلق عليها “القيم الشاذة القصوى” (Extreme Values). إن ظهور هذه الرموز المرفقة بأرقام صفوف الحالات في شاشة المخرجات يمنح الباحث دليلاً قاطعاً وتحديداً فورياً للحالات التي تستوجب الفحص والتدقيق في مصفوفة البيانات لدراسة أسباب شذوذها واتخاذ الإجراء المنهجي المناسب حيالها.

9.3 الأعمدة البيانية والقطاعات الدائرية للمتغيرات النوعية

تُعد الأعمدة البيانية (Bar Charts) الأداة الأكثر ملاءمة لتمثيل المتغيرات الاسمية والترتيبية المنفصلة كفئات الجنس والمراحل العمرية والمستويات الوظيفية؛ وتتميز بوجود مسافات وفواصل بصرية واضحة بين الأعمدة لتعكس انفصال الفئات وعدم اتصالها الرياضي. يمكن تهيئة الأعمدة لتمثل التكرارات الصريحة (Counts) لكل فئة أو لتمثل النسب المئوية (Percentages)، مما يمنح القارئ إدراكاً بصرياً فورياً للحجم النسبي لكل فئة ضمن عينة الدراسة.

وفي المقابل، تُستخدم “القطاعات الدائرية” (Pie Charts) لعرض الأوزان النسبية والمكونات الجزئية للمتغير التصنيفي كأجزاء من الكل (100%). تُعد القطاعات الدائرية مثالية عندما تكون فئات المتغير محدودة للغاية (من 2 إلى 5 فئات على الأكثر)، مثل توزيع العينة بين الذكور والإناث أو بين التخصصات الرئيسية؛ حيث يؤدي الإفراط في عدد الشرائح إلى تعقيد المخطط وتراجع قدرته على التوصيل البصري الواضح للبيانات.

يوفر برنامج SPSS خيارات متقدمة لتخصيص هذه الأشكال وتنسيقها بما يطابق المعايير الأكاديمية الصارمة؛ مثل إدراج تسميات البيانات الرقمية داخل الأعمدة والشرائح، وضبط لوحة الألوان لتكون بتدرجات الرمادي المقبولة في النشر الورقي المحكم، وتعديل خطوط المحاور وعناوين الأشكال لتكون جاهزة للإدراج المباشر في أطروحات الماجستير والدكتوراه والبحوث المنشورة.

10. حساب الإحصاء الوصفي للمتغيرات المتقاطعة عبر أمر Crosstabs

10.1 إعداد الجداول المزدوجة وتقاطع المتغيرات

يُعد إجراء “Crosstabs” في برنامج SPSS الأداة الأساسية لدراسة وتلخيص الإحصاءات الوصفية المشتركة لمتغيرين تصنيفيين أو أكثر في وقت واحد عبر ما يُعرف بـ “جداول التوافق المزدوجة” أو “الجداول المتقاطعة” (Contingency Tables). يُتيح هذا الإجراء للباحث تجاوز الوصف الأحادي المنعزل للمتغير والتعرف على الكيفية التي تتوزع بها فئات متغير ما عبر فئات متغير آخر. يتم تشغيل الإجراء باتباع المسار: Analyze > Descriptive Statistics > Crosstabs....

تتضمن نافذة Crosstabs خيارين رئيسيين؛ قائمة الصفوف (Row(s)) وقائمة الأعمدة (Column(s)). يقتضي العرف المنهجي والإحصائي إدراج المتغير المستقل أو المتغير التصنيفي الأولي (كالجنس أو المجموعة التجريبية والضابطة) في مربع الصفوف، بينما يُدرج المتغير التابع أو النمطي (كمستوى الرضا أو التشخيص المرضي) في مربع الأعمدة، مما يسهم في بناء جدول مصفوفي واضح المنطق يعكس التوزيع التكراري المشترك بين المتغيرين في خلايا مقاطعة منظمة.

يتيح البرنامج إمكانية تعميق التحليل المتقاطع بإضافة متغير تصنيفي ثالث في مربع “الطبقات” (Layer)؛ مما يسمح بفحص العلاقة المزدوجة بين المتغيرين تحت ضبط وتحكم متغير وسيط أو ديموغرافي إضافي (مثل تقاطع التخصص مع الرضا الوظيفي مقسماً بصورة منفصلة للذكور والإناث)، وهو ما يزود الباحث بفهم وصفي غني ودقيق للظواهر الاجتماعية والسلوكية المتشابكة.

10.2 حساب النسب المئوية وتفسير العلاقات الوصفية

تكتمل القوة الوصفية للجداول المتقاطعة من خلال الاستخدام الممنهج لخيارات حساب النسب المئوية المتوفرة عبر زر Cells... داخل نافذة Crosstabs. تتيح هذه النافذة تحديد ثلاثة أنماط مختلفة من النسب المئوية التي تخدم كل منها غرضاً تحليلياً محدداً: نسب الصفوف (Row Percentages)، ونسب الأعمدة (Column Percentages)، والنسب الإجمالية (Total Percentages).

تُحسب “نسب الصفوف” (Row %) بقسمة تكرار كل خلية على المجموع الكلي لصفها، وهي الأداة المثالية للمقارنة؛ إذ تتيح للباحث مقارنة سلوك أو استجابات الفئات المختلفة للمتغير المستقل (مثل معرفة نسبة المؤيدين لقرار ما بين فئة الذكور مقارنة بنسبة المؤيدين بين فئة الإناث بشكل منفصل). أما “نسب الأعمدة” (Column %) فتُحسب بقسمة تكرار الخلية على المجموع الكلي لعمودها، وتفيد في معرفة التركيبة الديموغرافية لكل فئة استجابة.

أما “النسب الإجمالية” (Total %) فتوضح الوزن النسبي لكل خلية منسوباً إلى الحجم الكلي الإجمالي للعينة (N). يجب على الباحث عند كتابة تقريره الأكاديمي اختيار النمط الذي يجيب بدقة عن أسئلة دراسته، مع الحرص التام على عدم الخلط بين نسب الصفوف ونسب الأعمدة في التفسير اللفظي لتجنب الوقوع في أخطاء المقارنات الإحصائية المغلوطة.

10.3 استخراج معاملات الارتباط والاقتران الوصفية

يتيح إجراء Crosstabs عبر زر Statistics... استخراج طيف واسع من معاملات الارتباط والاقتران الوصفية غير البارامترية التي تقيس شدة واتجاه الاقتران بين المتغيرات الفئوية. للمتغيرات الاسمية ثنائية التقسيم (2×2)، يوفر البرنامج حساب “معامل فاي” (Phi Coefficient)، بينما يوفر “معامل كرامر V” (Cramer’s V) للجداول الأكبر التي تتضمن أكثر من صفين أو عمودين، وهي معاملات تتراوح قيمتها بين (0 و 1) وتدل القيمة القريبة من الواحد على اقتران وثيق وشديد بين المتغيرين.

وفي الدراسات التقويمية والتشخيصية التي تتطلب قياس درجة الاتفاق والموثوقية بين محكّمين اثنين يقومان بتصنيف حالات معينة، يتيح البرنامج خيار حساب “معامل كابا لكوهين” (Cohen’s Kappa). يقيس معامل كابا درجة التوافق الفعلي بين المقيّمين بعد استبعاد وتصحيح نسبة التوافق التي يمكن أن تحدث بمحض الصدفة العشوائية، وتعد قيمة كابا التي تفوق 0.70 دليلاً على اتفاق ممتاز بين الملاحظين.

أما بالنسبة للمتغيرات الترتيبية المتقاطعة، يتيح البرنامج حساب معاملات ارتباط متخصصة مثل معامل جاما (Gamma)، ومعاملات تاو لكيندال (Kendall’s tau-b & tau-c)، وسومرز دي (Somers’ d)؛ وهي معاملات تقيس رتابة العلاقة الوصفية واتجاهها، مما يمنح الباحث توصيفاً رقمياً دقيقاً لطبيعة الترابط الرتبي بين المتغيرات دون الحاجة إلى افتراض خطية العلاقة أو اعتدالية التوزيع.

11. قراءة وتفسير مخرجات SPSS وصياغة النتائج وفق أسلوب APA

11.1 تحليل الجداول الناتجة في نافذة SPSS Viewer

تظهر نتائج كافة العمليات الحسابية في نافذة مستقلة تُعرف بنافذة “عارض المخرجات” (SPSS Viewer)؛ وتتطلب القراءة العلمية السليمة لهذه المخرجات فحصاً دقيقاً للجداول للتأكد من مطابقتها للتوقعات المنهجية وخلوها من الأخطاء الخفية. يبدأ الفحص دائماً بمراجعة جدول “ملخص معالجة الحالات” (Case Processing Summary) للتأكد من عدد الحالات الصالحة (Valid N) والحالات المفقودة (Missing N) ونسبها المئوية، لضمان عدم حدوث استبعاد غير مقصود لبيانات جوهرية.

ينتقل الباحث بعد ذلك إلى تدقيق جدول “Descriptive Statistics” أو جدول “Statistics” الصادر عن أمر Frequencies؛ حيث يجب التأكد من قيم الحد الأدنى والأقصى للتأكد من بقائها داخل الحدود المنطقية للمقياس، ومقارنة قيمة المتوسط بقيمة الوسيط؛ فالتطابق أو التقارب الشديد بينهما يشير إلى اعتدالية التوزيع، بينما التباعد الملحوظ يعكس وجود التواء يستوجب مراجعة قيمتي Skewness و Kurtosis في نفس الجدول للتحقق من سلامة البيانات.

كما يجب الانتباه إلى مؤشر “الخطأ المعياري” المرفق بالمتوسطات، والتأكد من عدم وجود مؤشرات سالبة غير مقبولة رياضياً (كالتباين السالب مثلاً، والذي لا يحدث إلا في حالات الخطأ الحسابي النادر أو الإدخال غير السليم). إن المراجعة المتأنية لهذه المخرجات تمنح الباحث الثقة الكاملة في صحة بياناته قبل الانتقال إلى مرحلة التوثيق النهائي وصياغة التقرير الإحصائي للبحث.

11.2 صياغة وتوثيق الإحصاء الوصفي وفق الإصدار السابع لـ APA

تفرض جمعية علم النفس الأمريكية في دليلها الأكاديمي السابع (APA 7th Edition) قواعد صارمة ومحددة لكتابة وتوثيق المؤشرات الإحصائية الوصفية في متن البحث وفي الجداول المستقلة. عند ذكر المتوسط الحسابي والانحراف المعياري داخل النص السردي، يجب كتابة الرموز الإحصائية بحروف مائلة (Italics) واستخدام الاختصارات المعتمدة: حرف (M) للمتوسط، وحرف (SD) للانحراف المعياري، وحرف (N) لحجم العينة الكلي، وحرف (n) لحجم العينة الفرعية.

تتم الصياغة النصية القياسية بأسلوب مباشر وموضوعي، كأن يُكتب: “أظهرت النتائج أن أفراد العينة سجلوا مستوى مرتفعاً من المرونة النفسية (M = 42.65, SD = 5.82)، في حين بلغ متوسط درجات القلق لديهم (M = 18.20, SD = 3.14)”. وعند الإشارة إلى الوسيط والمدى الربيعي، يُكتب: “(Mdn = 20.00, IQR = 6.50)”. ويُشترط في أسلوب APA تقريب الأرقام العشرية إلى خانتين عشريتين فقط بانتظام في كافة أجزاء التقرير، ما لم تكن هناك متطلبات دقة خاصة تفرض غير ذلك.

أما عند بناء الجداول الإحصائية المجمعة وفق أسلوب APA 7، فيجب الالتزام بالبساطة التامة والتصميم الأكاديمي النظيف؛ حيث يُمنع منعاً باتاً استخدام الخطوط العمودية في الجداول، ويقتصر التنسيق على ثلاثة خطوط أفقية رئيسية فقط: خط أعلى ترويسة الجدول، وخط أسفل الترويسة، وخط يقفل أسفل الجدول. ويجب وضع عنوان الجدول في الأعلى بخط مائل وتحته رقم الجدول الصريح، مع كتابة ملاحظة توضيحية (Note.) في أسفل الجدول إذا تطلب الأمر فك شفرة أي اختصارات أو رموز مستخدمة.

11.3 تصدير النتائج والجداول إلى برامج معالجة النصوص

يوفر برنامج SPSS أدوات متقدمة لتصدير الجداول والمخرجات مباشرة إلى برامج معالجة النصوص مثل Microsoft Word أو جداول Excel أو ملفات PDF، مما يوفر على الباحث عناء إعادة كتابة الأرقام يدوياً ويجنبه مخاطر النقل غير الدقيق. يتم ذلك بالنقر بزر الفأرة الأيمن على الجدول المراد تصديره واختيار Export... أو اختيار أمر Export من قائمة File لتصدير كامل ملف المخرجات دفعة واحدة.

تتميز الإصدارات الحديثة من SPSS بإمكانية نسخ الجداول وتنسيقها المسبق بأسلوب APA؛ حيث يمكن للباحث النقر بالزر الأيمن على الجدول في شاشة المخرجات واختيار Copy As > APA Style Table، وعند لصق الجدول داخل برنامج Word يظهر فوراً بالتنسيق الأكاديمي المعتمد من حيث الخطوط الأفقية وترتيب الأعمدة وحجم الخطوط، مما يقلل بشكل ملموس من الوقت المستغرق في إعادة التنسيق اليدوي.

ورغم دقة التصدير الآلي، يتوجب على الباحث مراجعة الجدول المصدر داخل برنامج معالجة النصوص للتأكد من محاذاة الأرقام باتجاه اليمين أو اليسار بحسب لغة البحث، وتعريب مسميات المتغيرات الإنجليزية إذا كان البحث يُكتب باللغة العربية، ومطابقة الخطوط مع تعليمات التنسيق المعتمدة في الكلية أو المجلة العلمية المحكمة المستهدفة للنشر.

12. أفضل الممارسات والأخطاء الشائعة عند حساب الإحصاء الوصفي في SPSS

12.1 تجنب تطبيق المقاييس غير المتوافقة مع مستوى القياس

من أكثر الأخطاء المنهجية والإحصائية شيوعاً وفداحة في البحوث العلمية هو تطبيق مقاييس إحصائية وصفية لا تتوافق بنيوياً مع مستوى قياس المتغير المدروس؛ كأن يقوم الباحث بحساب المتوسط الحسابي والانحراف المعياري لمتغير اسمي كالجنس أو التخصص الأكاديمي لمجرد أنه قام بترميز الذكور برقم (1) والإناث برقم (2). إن ناتج المتوسط هنا (مثل 1.45) هو رقم زائف تماماً وخالٍ من أي معنى رياضي أو علمي، إذ لا وجود لكائن يحمل الرقم 1.45، وكان الواجب المنهجي يقتصر على استخدام الجداول التكرارية والنسب المئوية والمنوال.

يتكرر هذا الخطأ أيضاً عند التعامل مع مقاييس ليكرت الفردية ذات الطبيعة الترتيبية الصريحة؛ حيث يندفع بعض الباحثين لحساب المتوسطات الحسابية لفقرات منفردة وتفسيرها بفروق كسرية دقيقة لا تحتملها طبيعة المقياس الترتيبي، والأصح منهجياً في هذه الحالات هو الاعتماد على الوسيط، والمدى الربيعي، والنسب المئوية لكل خيار استجابة، والاحتفاظ بالمتوسط الحسابي للمجموع الكلي للمقياس فقط عندما تثبت الأدلة القياسية أنه يرقى إلى المقياس الفاصلي المتصل.

يجب على الباحث التمييز الصارم بين المتغيرات الفاصلة (Interval) والمتغيرات النسبية (Ratio) عند استخراج معاملات متقدمة كمعامل الاختلاف (Coefficient of Variation)؛ حيث يشترط الأخير وجود “صفر مطلق” حقيقي للمتغير، مما يجعله غير قابل للتطبيق على درجات الذكاء أو مقاييس التوافق النفسي التي تمتلك صفراً اعتبارياً غير مطلق، وهو ما يستدعي وعياً إبستمولوجياً عميقاً بالبنية الرياضية للمقاييس المستخدمة.

12.2 التعامل المنهجي السليم مع القيم المتطرفة والمفقودة

يُمثل التعامل العشوائي أو غير المنهجي مع القيم الشاذة والمتطرفة (Outliers) خطأ بحثياً جسيماً؛ فبعض الباحثين يبادر فوراً إلى حذف أي حالة متطرفة يكتشفها المخطط الصندوقي ظناً منه أن ذلك يطهر البيانات، في حين أن القيم المتطرفة قد تكون استجابات حقيقية وصادقة تعكس التنوع الطبيعي للظاهرة السلوكية في المجتمع، وحذفها دون مبرر علمي يُعد تزييفاً للواقع وتلاعباً غير مشروع بنتائج البحث.

تقتضي الممارسة المنهجية الرشيدة فحص القيمة المتطرفة أولاً؛ فإذا تبين أنها ناتجة عن خطأ إدخال كُتب سهواً يتم تصحيحه، وإذا كانت تعود لمفحوص لا ينتمي لمجتمع الدراسة الأصلي يتم استبعاده مع توثيق ذلك مبرراً في منهجية البحث. أما إذا كانت القيمة حقيقية وصادقة، فإن أفضل ممارسة تتمثل في تقديم “تقرير إحصائي مزدوج” (Dual Reporting)؛ بحيث يعرض الباحث الإحصاءات الوصفية متضمنة القيم المتطرفة، ثم يعرضها بعد تطبيق أسلوب المعالجة (كالقطع Trim أو التعديل بنظام Winsorizing)، مما يمنح القارئ والمحكّم شفافية تامة حول مدى تأثير تلك القيم على النتائج العامة.

وبالمثل، يتطلب التعامل مع القيم المفقودة (Missing Data) تدقيقاً في طبيعة الفقد؛ هل هو فقد عشوائي تماماً (MCAR) أم فقد غير عشوائي (MNAR) يرتبط بطبيعة بنود حساسة أحجم المفحوصون عن الإجابة عليها؟ إن استخدام خاصية الاستبعاد الإجمالي (Listwise Deletion) قد يؤدي إلى خسارة نسبة هائلة من حجم العينة الكلي، لذا يُفضل استخدام الاستبعاد الجزئي (Pairwise Deletion) في الأوصاف البسيطة، أو اللجوء للتعويض الإحصائي المتعدد (Multiple Imputation) عند توفر شروطه لضمان الحفاظ على تمثيل العينة وتماسكها.

12.3 ضمان قابلية تكرار التحليل والنزاهة الأكاديمية

تُعد قابلية تكرار النتائج والتحليلات (Reproducibility) الركيزة الأخلاقية والمعيارية الأهم في البحث العلمي الرصين؛ ولتحقيق ذلك في برنامج SPSS، يجب على الباحث التخلي عن الاعتماد الكلي على النقر اليدوي غير الموثق، والحرص الدائم على استخدام زر Paste بدلاً من OK عند إعداد أي تحليل وصفي. يؤدي هذا الإجراء إلى نسخ شفرة التحليل البرمجية (Syntax) إلى ملف نصي مخصص يمكن حفظه وأرشفته مع بيانات البحث.

يتيح حفظ ملف الـ Syntax للباحث وللمحكمين ولأي باحث مستقل في المستقبل إعادة تشغيل نفس التحليلات بدقة مطلقة والوصول إلى نفس النتائج الرقمية بنقرة واحدة، وهو ما يوفر حماية قاطعة للباحث ضد أي شكوك حول نزاهة معالجة البيانات، كما يسهل تكرار التحليل في حال تم تعديل مصفوفة البيانات أو إضافة حالات جديدة لاحقاً دون الحاجة لإعادة ضبط الخيارات اليدوية المعقدة من البداية.

وأخيراً، يتوجب على الباحث الاحتفاظ الدائم بنسخة خام أصلية وغير معدلة (Raw Master Dataset) من ملف البيانات، وتطبيق أي عمليات تنظيف أو ترميز أو حذف على نسخ عمل فرعية فقط، مع كتابة سجل منهجي توثيقي (Codebook / Data Log) يسجل كافة القرارات الإجرائية التي تم اتخاذها أثناء مرحلة التحليل الوصفي، مع المراجعة الدقيقة لمطابقة كل رقم مكتوب في التقرير مع مخرجات SPSS المعتمدة لضمان النزاهة الأكاديمية والوثوقية العلمية للبحث.

خاتمة

تناول هذا الدليل المتكامل الإحصاء الوصفي بوصفه المدخل الأساسي لأي تحليل كمي رصين في بيئة برنامج IBM SPSS Statistics. إن استيعاب المقاييس الرقمية للنزعة المركزية والتشتت وشكل التوزيع، والتمكن من أدوات البرنامج المتعددة بدءاً من أمر Descriptives السريع، مروراً بأمر Frequencies الشامل، ووصولاً إلى الفحص الاستكشافي المعمق عبر Explore، يمنح الباحث رؤية إحصائية متكاملة لخصائص عينته، ويحصّنه ضد التفسيرات المضللة للبيانات.

إن إتقان هذه الإجراءات، والالتزام بالضوابط المنهجية ومستويات القياس وقواعد التوثيق الصارمة وفق الإصدار السابع لـ APA، يمثل الفارق الحقيقي بين المعالجة الإحصائية السطحية والتحليل الأكاديمي المحكم. نوصي دائماً بالجمع المتوازن بين المؤشرات الرقمية والتمثيل البصري البياني، مع توثيق كافة خطوات التحليل عبر شفرات الـ Syntax، لضمان أعلى درجات النزاهة والدقة والشفافية في مسيرتكم البحثية والأكاديمية.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Gravetter, F. J., & Wallnau, L. B. (2017). Statistics for the behavioral sciences (10th ed.). Cengage Learning.
• IBM Corporation. (2021). IBM SPSS Statistics 28 Brief Guide. IBM Corp. https://www.ibm.com/docs/en/spss-statistics
• Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS (7th ed.). Routledge. https://doi.org/10.4324/9781003117452
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.