كيفية حساب مسافة ماهالانوبيس في برنامج SPSS

تُعد معالجة البيانات الإحصائية والتحقق من سلامة افتراضاتها الركيزة الجوهرية التي تضمن دقة النتائج وموثوقيتها في البحوث النفسية والتربوية والاجتماعية. في ظل تعقيد الظواهر الإنسانية وتعدد أبعادها، لم يعد التحليل أحادي المتغير كافياً للإحاطة بطبيعة العلاقات المتشابكة بين المتغيرات النفسية، الأمر الذي دفع الباحثين إلى الاعتماد المتزايد على الأساليب الإحصائية المتقدمة متعددة المتغيرات (Multivariate Statistics). ومع هذا التحول المنهجي، برزت معضلة تشخيص القيم الشاذة متعددة المتغيرات (Multivariate Outliers) كواحدة من أدق العقبات التي قد تؤدي إلى تشويه معاملات الارتباط، وتضخيم الأخطاء المعيارية، ونسف صدق النماذج السببية والتنبؤية برمتها.

تُمثل مسافة ماهالانوبيس (Mahalanobis Distance) المعيار الإحصائي والرياضي الأرقى لرصد وتحديد هذه الملاحظات الشاذة في الفضاء متعدد الأبعاد. فعلى النقيض من مقاييس المسافة التقليدية التي تتعامل مع المتغيرات بمعزل عن بعضها البعض وبافتراض استقلاليتها التامة، تنفرد مسافة ماهالانوبيس بقدرتها الفائقة على أخذ مصفوفة التباين والتباين المشترك (Covariance Matrix) في الحسبان، مقلّمةً تأثير الارتباطات البينية وموحّدةً المقاييس المتغايرة لوحدات القياس. يتيح برنامج IBM SPSS Statistics بيئة متكاملة ومرنة لتنفيذ هذا الإجراء الرياضي المعقد عبر مسارات إجرائية ميسرة، سواء من خلال نماذج الانحدار المتعدد أو التحليل التمييزي أو لغة البرمجة سينتاكس (Syntax).

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك نظري وتطبيقي معمق لكيفية حساب وتفسير مسافة ماهالانوبيس في برنامج SPSS خطوة بخطوة. سنستعرض الأسس الرياضية للمسافة، ونقارنها بالمسافات الإقليدية، ونشرح الافتراضات الإحصائية الضرورية، قبل أن نخوض في التفاصيل الإجرائية الدقيقة المدعومة بدراسة حالة سيكولوجية واقعية، وصولاً إلى استراتيجيات اتخاذ القرارات المنهجية حيال الحالات الشاذة وتوثيق النتائج وفق أحدث معايير دليل جمعية علم النفس الأمريكية (APA 7th Edition).

1. مدخل نظري ومفاهيمي إلى مسافة ماهالانوبيس (Mahalanobis Distance)

1.1 تعريف مسافة ماهالانوبيس وأصولها الإحصائية

تعود الجذور التاريخية لمسافة ماهالانوبيس إلى عام 1936، عندما قدمها العالم والإحصائي الهندي البارز براسانتا شاندرا ماهالانوبيس (Prasanta Chandra Mahalanobis) في سياق أبحاثه المقارنة للقياسات الأنثروبومترية والجمجمية بين المجموعات السكانية المختلفة في الهند. عُرفت هذه المسافة رياضياً بأنها مقياس لمدى تباعد نقطة معينة عن مركز التوزيع متعدد الأبعاد (Centroid)، مع الأخذ في الاعتبار تباينات كل متغير ومقدار التباين المشترك بين كافة أزواج المتغيرات في النموذج الرياضي.

في الفضاء متعدد الأبعاد، لا يمكن الاكتفاء بمتوسطات المتغيرات المفردة لتحديد المركز؛ بل يتم بناء متجه المتوسطات (Mean Vector) الذي يشكل مركز الثقل الإحصائي للبيانات. تقيس مسافة ماهالانوبيس تباعد كل مفحوص أو حالة عن هذا المركز ليس بخط مستقيم مجرد، وإنما بمسار يمر عبر البنية الارتباطية للبيانات. يتم التعبير عن الصيغة الرياضية لمسافة ماهالانوبيس ($D^2$) بين المتجه الملاحظ $X$ ومتجه المتوسطات $\mu$ وفق المعادلة المصفوفية الآتية:

$$D^2 = (X – \mu)^T \Sigma^{-1} (X – \mu)$$

حيث تُمثل $(X – \mu)^T$ منقول متجه الفروق بين قيم الملاحظة ومتوسطات المتغيرات، وتُمثل $\Sigma^{-1}$ معكوس مصفوفة التباين والتباين المشترك، في حين تُمثل $(X – \mu)$ متجه الفروق نفسه. يبرز دور معكوس المصفوفة هنا كعامل معايرة ووزن نسبي يقوم بمط وتدوير الفضاء الإحصائي بناءً على درجة الارتباط والتباين، مما يجعل المسافة مقياساً عديم الأبعاد يتسم بالدقة العالية في كشف التموضع النسبي للحالة ضمن البنية الكلية للظاهرة المدروسة.

1.2 المقارنة بين المسافة الإقليدية ومسافة ماهالانوبيس

لفهم القيمة المضافة لمسافة ماهالانوبيس، يجب مقارنتها بنظيرتها التقليدية: المسافة الإقليدية (Euclidean Distance). تعتمد المسافة الإقليدية على نظرية فيثاغورس لحساب أقصر خط مستقيم بين نقطتين في الفضاء الإقليدي، وتفترض ضمناً شرطين جوهريين نادراً ما يتحققان في البيانات النفسية: التساوي التام في تباينات جميع المتغيرات، والاستقلال الخطي المطلق (انعدام الارتباط) بين المتغيرات قيد الدراسة.

عند وجود ارتباطات بين المتغيرات، تصبح البيانات موزعة في أشكال بيضاوية مائلة (Ellipsoids) بدلاً من الكرات المتناظرة. في هذه الحالة، تفشل المسافة الإقليدية تماماً؛ إذ قد تعتبر نقطة معينة قريبة من المركز لمجرد أن مسافتها الهندسية قصيرة، في حين أنها إحصائياً تمثل قيمة متطرفة لأنها تقع في اتجاه لا يتطابق مع البنية الارتباطية العامة للمتغيرات. إضافة إلى ذلك، تتأثر المسافة الإقليدية بشدة باختلاف وحدات القياس؛ فإذا قيس أحد المتغيرات بالميلي ثانية وقيس متغير آخر بالسنوات، فإن المتغير ذو الأرقام المطلقة الأكبر سيهيمن بالكامل على حساب المسافة.

تتجاوز مسافة ماهالانوبيس هذه القصور عبر خطوتين رياضيتين متكاملتين: أولاً، تقييس المتغيرات تلقائياً عبر قسمة الفروق على الانحرافات المعيارية؛ وثانياً، تدوير المحاور الإحداثية لإلغاء الارتباطات المشتركة عبر استخدام معكوس مصفوفة التباين والتباين المشترك. في التصنيفات النفسية المعقدة—كالتمييز بين الأنماط الإكلينيكية للشخصية—تضمن مسافة ماهالانوبيس عدم تصنيف مفحوص بشكل خاطئ نتيجة فروق شكلية في وحدات مقاييس التقرير الذاتي أو بسبب التداخل الطبيعي بين أبعاد المقاييس المتعددة.

1.3 أهمية مسافة ماهالانوبيس في القياس والبحوث النفسية والتربوية

تحظى مسافة ماهالانوبيس بمكانة استثنائية في منهجيات البحث السلوكي والنفسي والتربوي نظراً لطبيعة البيانات السيكومترية التي تتميز بكثافة الارتباطات البينية وتعدد الأبعاد المفاهيمية. في دراسات النمذجة الإحصائية، مثل تحليل المسار والنمذجة بالمعادلات البنائية، يضمن استخراج مسافة ماهالانوبيس حماية النماذج التفسيرية من الانهيار الرياضي أو التقدير المشوه لمعاملات التأثير المباشر وغير المباشر الناجم عن تلوث البيانات بحالات غير ممثلة للمجتمع الأصلي.

علاوة على ذلك، تُعد هذه المسافة أداة سيكومترية لا غنى عنها للتحقق من جودة استجابات المفحوصين على مقاييس الشخصية والميول والاتجاهات ومقاييس الأداء الأقصى. في المسوح الميدانية وتطبيقات الاختبارات الإلكترونية عبر الإنترنت، يميل بعض أفراد العينة إلى الإجابة بعشوائية أو بنمطية مفرطة، مما يُفرز توليفات إجابة تتناقض مع النمط النفسي العام للمجتمع. فحص المسافات يُمكّن الباحث من اكتشاف أولئك الأفراد الذين قد يمتلكون درجات فردية تبدو طبيعية جداً ومقبولة، ولكن توليفة استجاباتهم عبر الأبعاد الفرعية تمثل استحالة سيكولوجية أو نمطاً شديد الغرابة.

إن حماية الدراسات النفسية من الانحرافات الناتجة عن الاستجابات العشوائية تعزز الصدق البنائي (Construct Validity) وثبات الاتساق الداخلي لأدوات القياس. إن استبعاد أو معالجة الحالات التي تسجل مسافات ماهالانوبيس شاذة يضمن للباحث التربوي والنفسي تقديم توصيات مبنية على أدلة إمبريقية رصينة تعكس الخصائص السلوكية الحقيقية للعينة المستهدفة بعيداً عن التشويش الإحصائي.

2. مفهوم القيم الشاذة المتعددة المتغيرات (Multivariate Outliers)

2.1 التمييز بين الشذوذ أحادي المتغير والمتعدد المتغيرات

يقتضي الفهم الإحصائي الرصين التفريق القاطع بين القيم الشاذة أحادية المتغير (Univariate Outliers) وتلك متعددة المتغيرات (Multivariate Outliers). تشير القيمة الشاذة أحادية المتغير إلى مشاهدة تتطرف في متغير منفرد ومعزول عن باقي المتغيرات، مثل حصول طالب على درجة ذكاء غير مألوفة تتجاوز ثلاث انحرافات معيارية أعلى أو أدنى المتوسط الحسابي. يتم الكشف عن هذا النوع بسهولة ويسر عبر تحويل الدرجات الخام إلى درجات معيارية زائية (Z-Scores)، حيث تُصنف أي قيمة تتجاوز $\pm 3.0$ أو $\pm 3.29$ كقيمة شاذة أحادية وفق التوصيات المنهجية الشائعة لتاباتشنيك وفيديل (Tabachnick & Fidell).

في المقابل، تتولد القيمة الشاذة متعددة المتغيرات من توليفة غير معتادة وشديدة الغرابة بين درجتين أو أكثر، على الرغم من أن درجة المفحوص في كل متغير على حدة قد تكون متوسطة تماماً وتقع ضمن النطاق الطبيعي للاعتدالية. تكمن خطورة هذا النوع من الشذوذ في أنه يتخفى وراء الفحوصات الإحصائية البسيطة ولا يمكن رصده بمجرد فحص الرسوم البيانية الأحادية كالمخططات الصندوقية (Boxplots) أو المدرجات التكرارية (Histograms).

لتقريب هذا المفهوم سيكولوجياً: لنتخيل دراسة تفحص العلاقة بين “قلق الاختبار” و”مستوى التحصيل الدراسي” و”الدافعية للإنجاز”. إذا أظهر أحد المفحوصين مستوى مرتفعاً جداً من قلق الاختبار (ضمن أعلى 15% من التوزيع) ومستوى مرتفعاً جداً من التحصيل الدراسي (ضمن أعلى 10% من التوزيع) مع دافعية شبه منعدمة، فإن درجاته في كل مقياس مفرد تعتبر طبيعية وغير شاذة سيكومترياً. ولكن اجتماع هذه الدرجات الثلاث معاً في شخص واحد يمثل توليفة متناقضة إحصائياً وسيكولوجياً تخالف البنية الارتباطية السائدة في العينة، مما يجعل هذه الحالة شاذة متعددة المتغيرات لا تكشفها إلا مسافة ماهالانوبيس.

2.2 تأثير القيم الشاذة متعددة المتغيرات على الاختبارات البارامترية

تترك القيم الشاذة متعددة المتغيرات تداعيات كارثية على نتائج التحليلات الإحصائية الاستدلالية البارامترية، إذ تستند هذه الاختبارات في خوارزمياتها الرياضية إلى المتوسطات ومصفوفات التباين المشترك، وهي معالم سريعة التأثر والتلوث بأي تطرف إحصائي. في سياق الانحدار الخطي المتعدد (Multiple Linear Regression)، يمكن لملاحظة شاذة واحدة تمتلك رافعة إحصائية عالية (High Leverage) أن تؤرجح خط الانحدار باتجاهها، مما يؤدي إما إلى تضخيم زائف لمعاملات الانحدار ومستويات الدلالة، أو العكس بطمس علاقات ارتباطية حقيقية وجوهرية بين المتغيرات النفسية.

تمتد هذه التأثيرات السلبية إلى تضخيم الخطأ المعياري للتقدير (Standard Error)، وهو ما يؤدي بالتبعية إلى تقليص القوة الإحصائية (Statistical Power) للاختبارات الفرضية؛ فتفشل النماذج في رفض الفرضيات الصفرية الخاطئة، مما يقع بالباحث في الخطأ من النوع الثاني (Type II Error). يظهر ذلك جلياً في تحليل التباين متعدد المتغيرات (MANOVA)، حيث يؤدي وجود الشواذ إلى انتهاك افتراض تجانس مصفوفات التباين والتباين المشترك (Box’s M Test)، مما يفسد اختبارات الدلالة الكلية كأثر بيلاي (Pillai’s Trace) ولامبدا ويلكس (Wilks’ Lambda).

أما في النمذجة بالمعادلات البنائية (SEM) والتحليل العاملي التوكيدي (CFA)، فإن الشواذ المتعددة تؤدي إلى تشويه مؤشرات جودة المطابقة (Fit Indices) مثل مؤشر المطابقة المقارن (CFI) وجذر متوسط مربع خطأ الاقتراب (RMSEA)، وتُنتج قيماً متطرفة لتقديرات المعالم، وقد تقود إلى ظهور مشكلات رياضية معقدة مثل التباينات السالبة غير المنطقية (Heywood Cases)، مما يحكم على النموذج النظري بالفشل الإحصائي ظلماً.

2.3 مبررات استخدام مسافة ماهالانوبيس في اكتشاف التطرف الإحصائي

تبرز مسافة ماهالانوبيس كأفضل منهجية كمية موضوعية لاكتشاف الشذوذ متعدد المتغيرات، متفوقةً على الفحص البصري لمخططات التشتت الثنائية (Scatterplots). يعجز الفحص البصري عن الإحاطة بالأبعاد عند تجاوزها متغيرين أو ثلاثة، حيث يستحيل على العين البشرية إدراك الأنماط التوزيعية في فضاءات رباعية أو خماسية الأبعاد، في حين تتعامل مسافة ماهالانوبيس بكفاءة رياضية متماثلة مع أي عدد من المتغيرات مهما تعقد الفضاء الهندسي للدراسة.

توفر مسافة ماهالانوبيس معياراً رقمياً دقيقاً وقابلاً للاختبار الدلالي الصارم؛ فبما أن هذه المسافة تتبع تقاربياً توزيع كاي تربيع ($\chi^2$)، يستطيع الباحث تحديد نقطة قطع احتمالية محددة بدقة رياضية صارمة للحكم على كل حالة في العينة دون تحيز ذاتي. هذا المعيار الموضوعي يحمي الباحث من الوقوع في شرك القرارات العشوائية القائمة على التخمين حول إبقاء أو استبعاد المشاركين.

تتكامل هذه المبررات مع طبيعة المقاييس النفسية والتربوية، حيث تتداخل المفاهيم السلوكية وتترابط أبعادها بدرجات متفاوتة. إن قدرة مسافة ماهالانوبيس على ترويض هذا التداخل والاعتماد على معكوس مصفوفة التباين المشترك يجعلها الأداة القياسية المعيارية الأكثر موثوقية وأماناً في ترسانة الباحث النفسي لضمان خلو بياناته من التشوهات الإحصائية الخفية.

3. المتطلبات والافتراضات الإحصائية لحساب مسافة ماهالانوبيس

3.1 شرط التوزيع الطبيعي المتعدد (Multivariate Normality)

يتطلب التطبيق الإحصائي السليم لمسافة ماهالانوبيس واختبار دلالتها خضوع مصفوفة البيانات لافتراض التوزيع الطبيعي المتعدد (Multivariate Normality). يعني هذا الافتراض أن أي توليفة خطية من المتغيرات يجب أن تكون موزعة توزيعاً طبيعياً، وأن التوزيع المشترك لكافة أزواج المتغيرات يتبع التوزيع الطبيعي ثنائي المتغير. يضمن هذا الافتراض أن تتبع مربعات مسافات ماهالانوبيس المحسوبة توزيع كاي تربيع النظري، مما يمنح اختبارات الدلالة الإحصائية مصداقيتها وصحتها الاستدلالية.

يؤدي الانتهاك الحاد للتوزيع الطبيعي المتعدد—والناجم عن الالتواء الشديد (Skewness) أو التفرطح العالي (Kurtosis) في المتغيرات الفردية—إلى تشويه تقديرات مصفوفة التباين المشترك، وبالتالي توليد قيم مضخمة لمسافات ماهالانوبيس قد تقود الباحث إلى تصنيف حالات طبيعية كقيم شاذة بالخطأ (تضخيم الخطأ من النوع الأول). في البيئة الإحصائية لبرنامج SPSS، ورغم عدم توفر اختبار مباشر صريح للتوزيع الطبيعي المتعدد في القوائم الأساسية، يمكن للباحث التحقق من التوزيع الطبيعي أحادي المتغير لكافة المقاييس باستخدام اختباري شابيرو-ويلك (Shapiro-Wilk) وكولموجوروف-سميرنوف (Kolmogorov-Smirnov)، إلى جانب فحص مؤشرات الالتواء والتفرطح والتي يجب أن تقع قيمتها بين $\pm 2.0$ أو اللجوء إلى حزم متقدمة لتقييم معامل مرديا (Mardia’s Coefficient) للالتواء والتفرطح المتعدد.

3.2 مصفوفة التباين والتباين المشترك وغياب التعددية الخطية (Multicollinearity)

يرتكز الحساب الرياضي لمسافة ماهالانوبيس على إمكانية إيجاد معكوس مصفوفة التباين والتباين المشترك ($\Sigma^{-1}$). تقتضي هذه العملية الحسابية أن تكون المصفوفة ذات رتبة كاملة (Full Rank) وموجبة التعريف (Positive Definite)، وهو ما يشترط رياضياً غياب مشكلة الارتباط الخطي المتعدد التام أو الشديد جداً (Multicollinearity) والازدواج الخطي (Singularity) بين المتغيرات المدرجة في التحليل.

عندما يكون هناك متغيران أو أكثر يرتبطان ارتباطاً شبه تام (مثلاً $r ge 0.90$)، أو عندما يُدرج الباحث الدرجة الكلية لمقياس ما جنباً إلى جنب مع درجات أبعاده الفرعية المكونة له، يقترب محدد المصفوفة (Determinant) من الصفر الرياضي، وتصبح المصفوفة مفردة (Singular Matrix). يؤدي هذا الانهيار إلى تعذر حساب معكوس المصفوفة بدقة، أو إنتاج قيم مسافات هائلة ومتقلبة للغاية تجعل النتائج الإحصائية باطلة تماماً.

لتجنب هذا الانتهاك، يجب على الباحث فحص مؤشرات الارتباط الخطي المتعدد قبل حساب مسافات ماهالانوبيس، وذلك من خلال فحص مصفوفة ارتباط بيرسون، والتحقق من مؤشر عامل تضخم التباين (VIF) ومؤشر السماحية (Tolerance) عبر إجراء الانحدار؛ حيث يُشترط ألا تتجاوز قيمة VIF الرقم 10 (ويُفضل أقل من 5 في الدراسات السيكولوجية الصارمة)، وألا تقل قيمة السماحية عن 0.10 أو 0.20 لضمان استقرار مصفوفة التباين المشترك.

3.3 حجم العينة المناسب وقوة الاختبار الإحصائي في الدراسات النفسية

يلعب حجم العينة (Sample Size) دوراً حاسماً في استقرار تقديرات مصفوفة التباين والتباين المشترك. في العينات الصغيرة، تتسم تقديرات التباينات المشتركة بين المتغيرات بدرجة عالية من عدم الاستقرار والتقلب، مما يترتب عليه حساسية مفرطة لمسافة ماهالانوبيس تجاه أي تذبذب عشوائي في البيانات، منتجة مسافات مضللة وتأثيراً مقنعاً (Masking Effect) أو إخفاءً للقيم الشاذة الحقيقية.

يوصي خبراء القياس والإحصاء المنهجي (مثل Tabachnick & Fidell, 2019) بضرورة الالتزام بحد أدنى لنسبة عدد الحالات إلى عدد المتغيرات؛ بحيث لا تقل العينة بأي حال من الأحوال عن 20 حالة لكل متغير مستقل كحد أدنى مطلق، مع تفضيل نسبة تتراوح بين 30:1 إلى 50:1 في الدراسات النفسية والتربوية لضمان استقرار التوزيعات التكرارية. علاوة على ذلك، في التحليلات متعددة المتغيرات ذات المتغيرات المتعددة ($k ge 5$)، يُستحسن ألا يقل الحجم الكلي للعينة عن 100 إلى 200 مشارك لضمان تحقيق القوة الإحصائية الكافية وموثوقية مصفوفة التباين المشترك عند عكسها حسابياً.

4. إعداد وتنظيم البيانات النفسية في برنامج SPSS قبل التحليل

4.1 ترميز المتغيرات وتحديد مستويات القياس الإحصائي

تتطلب المعالجة السليمة في برنامج SPSS تهيئة متغيرات الدراسة في شاشة عرض المتغيرات (Variable View) بصورة منهجية قبل الشروع في إجراء التحليل. يجب التأكد من أن جميع المتغيرات النفسية والتربوية المراد فحص شذوذها المتعدد قد عُرّفت ضمن مستوى القياس الكمي النسبي أو الفئوي (Scale)، حيث لا يجوز إدخال المتغيرات الاسمية (Nominal) أو الرتبية البسيطة غير المجمعة (Ordinal) ضمن مصفوفة حساب المسافة الرياضية.

ينبغي تسمية المتغيرات برموز واضحة ومختصرة في خانة (Name)، مثل: Anxiety_Total وDepression_Score وSelf_Efficacy، مع توفير توصيف تفصيلي دقيق في خانة الوصف (Label) يوضح ماهية المقياس والأبعاد الفرعية التي يقيسها. تضمن هذه الخطوة التنظيمية تجنب الخلط أثناء إدخال المتغيرات في النوافذ المنبثقة، وتسهيل قراءة المخرجات وتفسير الجداول النهائية بدقة واحترافية.

4.2 فحص البيانات المفقودة (Missing Data) واستراتيجيات التعامل معها

تُمثل البيانات المفقودة معضلة تقنية عند حساب مسافة ماهالانوبيس في SPSS؛ حيث يعتمد البرنامج افتراضياً على الحذف التام للحالة من التحليل (Listwise Deletion) بمجرد وجود قيمة مفقودة واحدة في أي من المتغيرات المضمنة. هذا السلوك البرمجي قد يؤدي إلى تقليص حاد في حجم العينة واستبعاد حالات جوهرية كان من الضروري فحص مدى شذوذها النسبي.

قبل إجراء الحساب، يتعين على الباحث فحص نسب ونمط القيم المفقودة باستخدام أدوات تحليل البيانات المفقودة (Missing Value Analysis) في SPSS. إذا تبين أن نسبة الفقد ضئيلة جداً (أقل من 5%) وموزعة عشوائياً تماماً (MCAR)، يمكن قبول الحذف القائم على الحالات الكاملة. أما إذا كانت النسبة أعلى من ذلك، فيُوصى باللجوء إلى الأساليب المتقدمة للتعويض الإحصائي، مثل تعويض التوقع الأقصى (Expectation-Maximization) أو التعويض المتعدد (Multiple Imputation)، للحفاظ على البنية المصفوفية للعينة السيكولوجية وتجنب التحيزات الناجمة عن الاستبعاد الانتقائي للمفحوصين.

4.3 هيكلة متغيرات الاستبيان كمتغيرات تنبؤية ومتغير استجابة

نظراً لأن برنامج SPSS لا يحتوي على أمر مستقل ومباشر في واجهته الرسومية بعنوان “حساب مسافة ماهالانوبيس”، فإن الطريقة القياسية المتبعة تعتمد على توظيف أداة الانحدار الخطي المتعدد لتوليد هذه المسافات. يتطلب هذا الإجراء تنظيم مصفوفة البيانات في شاشة عرض البيانات (Data View) وفهم الدور الهندسي لكل متغير في النموذج.

يتم تصنيف كافة المقاييس النفسية المراد فحص شذوذها كمتغيرات مستقلة أو تنبؤية (Independent Variables). أما بالنسبة للمتغير التابع أو متغير الاستجابة (Dependent Variable)، فإذا كانت الدراسة تحتوي بالفعل على متغير تابع حقيقي في إطار الفرضيات البحثية، يتم إدراجه في خانته المخصصة. وفي حال كان الهدف مجرد الفحص الاستكشافي للشذوذ في مجموعة مقاييس دون وجود متغير تابع نظري محدد، يمكن للباحث استخدام رقم هوية المبحوث (Subject ID / Case ID) أو إنشاء متغير رمزي مصطنع (Dummy Variable) يتضمن أرقاماً عشوائية أو تسلسلية، حيث إن خوارزمية حساب مسافة ماهالانوبيس في SPSS تعتمد حصرياً على مصفوفة المتغيرات المستقلة ولا تتأثر قيمتها إطلاقاً بالمتغير التابع المختار كما سنوضح بالتفصيل لاحقاً.

5. الخطوات الإجرائية التفصيلية لحساب مسافة ماهالانوبيس عبر الانحدار في SPSS

5.1 الوصول إلى أداة الانحدار الخطي (Linear Regression)

يُعد نموذج الانحدار الخطي الوسيلة التقنية الأسهل والأكثر انتشاراً لحساب مسافات ماهالانوبيس في SPSS. للوصول إلى هذه الأداة، يتبع الباحث الخطوات الإجرائية الآتية عبر شريط القوائم الرئيسي:

• الضغط على قائمة Analyze (تحليل) في الشريط العلوي للبرنامج.
• التوجه بمؤشر الفأرة نحو الخيار Regression (انحدار).
• اختيار الخيار الفرعي Linear… (خطي) لفتح نافذة إعداد نموذج الانحدار الخطي الرئيسية.

يُفتح صندوق الحوار المخصص للانحدار الخطي، والذي يتضمن نافذة لاختيار المتغير التابع (Dependent)، ونافذة أخرى لتحديد قائمة المتغيرات المستقلة (Independent(s))، بالإضافة إلى مجموعة من الأزرار الجانبية المتقدمة لإدارة الإحصاءات والرسوم والحفظ والخيارات.

5.2 تعيين المتغير التابع والمتغيرات المستقلة بدقة

في هذه المرحلة، يقوم الباحث بنقل كافة المتغيرات النفسية أو التربوية التي يرغب في فحص التوزيع متعدد الأبعاد لها واكتشاف الشذوذ بين توليفاتها إلى المربع المسمى Independent(s)، وذلك بالضغط على زر السهم الأوسط بعد تظليل المتغيرات المطلوبة.

بعد ذلك، يتم نقل المتغير التابع النظري للدراسة، أو متغير رقم الحالة (Case_ID)، إلى المربع المسمى Dependent. من المهم جداً استيعاب المبدأ الرياضي الكامن وراء هذا التعيين: تقوم الخوارزمية البرمجية في SPSS بحساب مسافة ماهالانوبيس لكل حالة قياساً على مصفوفة التغاير للمتغيرات المستقلة المدخلة في خانة (Independent(s)) فقط. إن المتغير التابع هنا ليس سوى أداة تفعيل برمجية لتشغيل خوارزمية الانحدار، ولن تُدرج قيمه في مصفوفة المسافات المحسوبة، مما يضمن حيادية المسافات المستخرجة واستقلالها التام عن المتغير التابع الشكلي.

5.3 تفعيل خيار حفظ مسافة ماهالانوبيس (Save Mahalanobis Distance)

لكي يقوم برنامج SPSS بحفظ قيم المسافات المحسوبة كمتغير جديد في ملف البيانات، يجب تفعيل الخيار الإحصائي الخاص بالحفظ وفق الخطوات المنهجية التالية:

• الضغط على زر Save… الموجود في اللوحة الجانبية اليمنى لنافذة الانحدار الخطي.
• تظهر نافذة فرعية منبثقة تتضمن خيارات حفظ متعددة مقسمة وفق خصائص إحصائية متنوعة (Predicted Values, Residuals, Distances, Influence Statistics).
• التوجه إلى القسم المخصص للمسافات Distances، ووضع علامة صح داخل المربع الصغير بجانب الخيار Mahalanobis.
• الضغط على زر Continue للعودة إلى النافذة الرئيسية للانحدار الخطي.
• الضغط على زر OK لتنفيذ الإجراء الحسابي وتطبيق النموذج.

5.4 تنفيذ التحليل وتوليد المتغير الجديد (MAH_1)

بمجرد الضغط على OK، يقوم SPSS بإجراء المعالجة وتظهر شاشة المخرجات (Output Viewer) التي تتضمن جداول الانحدار الاعتيادية (ملخص النموذج ANOVA، وجداول المعاملات Coefficients). يجب على الباحث في هذا السياق تجاهل هذه الجداول مؤقتاً؛ لأن الغاية الأساسية ليست تفسير علاقة الانحدار، وإنما استخراج مؤشر الشذوذ.

عند العودة إلى شاشة عرض البيانات (Data View)، يلاحظ الباحث فوراً إضافة عمود جديد تم توليده وتسميته تلقائياً بواسطة البرنامج باسم MAH_1 (أو MAH_2 إذا كُرر الإجراء). يمثل كل رقم في هذا العمود الجديد مسافة ماهالانوبيس المربعة الخاصة بكل مشارك أو مفحوص في العينة. تعكس هذه القيمة مدى ابتعاد تلك الحالة المحددة عن المركز متعدد الأبعاد للمتغيرات المستقلة التي تم تضمينها في خطوة التحليل، وهي القيمة الخام التي ستخضع لاختبار الدلالة الإحصائية لاحقاً.

6. الطرق البديلة والمتقدمة لحساب مسافة ماهالانوبيس في SPSS

6.1 استخدام التحليل التمييزي (Discriminant Analysis)

يُعد التحليل التمييزي (Discriminant Function Analysis) أحد البدائل الإحصائية المتقدمة لحساب مسافات ماهالانوبيس، لا سيما عندما تتضمن مشكلة البحث مقارنة بين مجموعات متمايزة (كالمقارنة الإكلينيكية بين الأسوياء والمكتئبين ومرضى القلق). للوصول إلى هذا الإجراء عبر القوائم:

• اختيار Analyze ثم Classify ثم Discriminant…
• تعيين متغير المجموعات في خانة المتغير التجميعي (Grouping Variable) وتحديد مجاله الرقمي.
• نقل المتغيرات النفسية المتعددة إلى خانة المتغيرات المستقلة (Independents).
• الضغط على زر Statistics واختيار مقاييس المسافات بين المجموعات (Inter-group Distances) ومسافات ماهالانوبيس المربعة.

يتميز التحليل التمييزي بقدرته على توفير مصفوفة مسافات ماهالانوبيس بين مراكز المجموعات التصنيفية (Centroid-to-Centroid)، فضلاً عن حساب المسافة لكل حالة فردية عن مركز مجموعتها النوعية، مما يقدم رؤية معمقة حول ما إذا كانت الحالة شاذة عن مجتمعها الفرعي مقارنة بالعينة الكلية للدراسة.

6.2 الحساب المباشر عبر لغة أوامر سينتاكس (SPSS Syntax)

توفر لغة أوامر SPSS Syntax كفاءة فائقة وسرعة ومرونة عالية، فضلاً عن كونها التوثيق البرمجي المعياري الذي يضمن إمكانية تكرار البحث (Reproducibility) في الأبحاث السيكولوجية المنشورة عالمياً. لتوليد مسافات ماهالانوبيس عبر السينتاكس، يفتح الباحث نافذة الأوامر عبر (File > New > Syntax) ويكتب الكود المباشر التالي:

REGRESSION
/MISSING LISTWISE
/STATISTICS DEFAULTS
/DEPENDENT Case_ID
/METHOD=ENTER Var1 Var2 Var3 Var4
/RESIDUALS=MAHAL.

يقوم أمر /RESIDUALS=MAHAL بتوجيه البرنامج فوراً لحساب مسافات ماهالانوبيس وتخزينها في عمود جديد في ملف البيانات النشط دون الحاجة للتنقل عبر النوافذ الرسومية المتعددة. كما يتيح استخدام مصفوفات السينتاكس المتقدمة (Matrix Syntax) عبر دالة MSPECT حساب المسافات يدوياً بالضرب المصفوفي المباشر للباحثين الإحصائيين الذين يرغبون في إجراء معايرات رياضية مخصصة للبيانات شديدة التواء.

6.3 مقارنة الطرق واختيار الأنسب لطبيعة البيانات السيكولوجية

يتطلب الاختيار بين الواجهة الرسومية التفاعلية وطريقة السينتاكس والتحليل التمييزي موازنة منهجية تستند إلى خبرة الباحث وحجم البيانات وطبيعة التصميم التجريبي. توفر الطريقة القائمة على الانحدار عبر الواجهة الرسومية حلاً مثالياً وبديهياً للباحث المبتدئ والمسوح النفسية البسيطة نظراً لسهولة خطواتها وقلة احتمالات الخطأ البرمجي في كتابة الأكواد.

في المقابل، تبرز لغة السينتاكس كالخيار الأرقى والأكثر فاعلية في المسوح النفسية الوطنية الكبرى ذات العينات الضخمة والمتغيرات المتعددة، حيث تتيح معالجة دفعات متكررة من البيانات بضغطة زر واحدة مع ضمان أرشفة دقيقة لجميع العمليات الإحصائية. أما طريقة التحليل التمييزي، فتظل المنهجية المثلى التي لا غنى عنها في البحوث المقارنة ودراسات التصنيف الإكلينيكي والتشخيص الفارق حيث يكون التمييز بين مجموعات مرضية قائمة بالفعل هو محور التساؤل السيكولوجي.

7. تحديد القيمة الحرجة واختبار الدلالة الإحصائية لمسافة ماهالانوبيس

7.1 استخدام توزيع كاي تربيع (Chi-Square Distribution) كمعيار مرجعي

لا يُمثل الرقم الخام المستخرج في عمود MAH_1 حكماً نهائياً بحد ذاته ما لم تتم مقارنته بمعيار إحصائي مرجعي. وفقاً للبرهان الرياضي، تتبع مسافة ماهالانوبيس المربعة ($D^2$) تقاربياً توزيع كاي تربيع ($\chi^2$) عند افتراض اعتدالية التوزيع متعدد المتغيرات في المجتمع الأصلي.

بناءً على هذه الخاصية التوزيعية، يتم تقييم درجة شذوذ كل حالة من خلال مقارنة قيمة مسافة ماهالانوبيس الخاصة بها بالقيمة الحرجة (Critical Value) المستخرجة من جدول توزيع كاي تربيع عند درجات حرية محددة ومستوى دلالة مرجعي معين. إذا تجاوزت المسافة المحسوبة للحالة تلك القيمة الحرجة المجدولة ($D^2 > \chi^2_{critical}$)، يُستدل على أن تلك الملاحظة تقع في الذيل المتطرف للتوزيع باحتمالية منخفضة جداً، مما يسوغ تصنيفها إحصائياً كقيمة شاذة متعددة المتغيرات.

7.2 تحديد درجات الحرية (df) ومستوى الدلالة (Alpha Level)

يقتضي الاختبار الإحصائي الدقيق لمسافة ماهالانوبيس ضبط محددين رياضيين رئيسيين:

• درجات الحرية (Degrees of Freedom – df): وتساوي حصرياً عدد المتغيرات المستقلة (أو المتغيرات النفسية) التي أُدرجت في حساب المسافة ($k$). فإذا تضمن التحليل أربعة مقاييس نفسية، تكون درجات الحرية$df = 4$.
• مستوى الدلالة (Alpha Level – $\alpha$): على النقيض من الاختبارات الفرضية التقليدية التي تعتمد مستوى دلالة ($\alpha = 0.05$)، يُجمع خبراء الإحصاء المنهجي (مثل Tabachnick & Fidell; Stevens; Kline) على ضرورة استخدام مستوى دلالة شديد الصرامة والتحفظ هو:
  $$p < 0.001$$
  أي مستوى ثقة $99.9%$.

يُعزى هذا التحفظ الشديد وتجنب مستوى $0.05$ المعتاد إلى الرغبة في خفض احتمالية الخطأ من النوع الأول (Type I Error) إلى أدنى حد ممكن؛ إذ إن مستوى الدلالة المتساهل ($0.05$) سيؤدي حتماً في العينات الكبيرة إلى تصنيف خاطئ لنسبة 5% من أفراد العينة الأسوياء كقيم شاذة متعددة المتغيرات، مما يترتب عليه هدر غير مبرر للبيانات وفقدان لحالات تمثل التنوع الطبيعي للسلوك البشري.

7.3 حساب الاحتمالية الدقيقة (p-value) عبر دالة CDF.CHISQ في SPSS

بدلاً من اللجوء إلى الجداول المطبوعة لتوزيع كاي تربيع ومقارنة كل قيمة يدوياً، يتيح برنامج SPSS حساب مستوى الدلالة الاحتمالي الدقيق ($p$-value) لكل مسافة ماهالانوبيس في ملف البيانات عبر أداة تحويل المتغيرات الحسابية. يتم ذلك وفق الخطوات الرياضية التالية:

• الذهاب إلى القائمة Transform (تحويل) ثم اختيار Compute Variable… (حساب متغير).
• في خانة متغير الهدف Target Variable، كتابة اسم للمتغير الجديد مثل: p_value_mah.
• في خانة التعبير العددي Numeric Expression، كتابة المعادلة الرياضية التراكمية التالية:
  1 - CDF.CHISQ(MAH_1, df)
  (مع استبدال df بعدد المتغيرات النفسية المستخدمة فعلياً في التحليل، فمثلاً إذا كان لدينا 3 متغيرات نكتب: 1 - CDF.CHISQ(MAH_1, 3)).
• الضغط على زر OK.

تقوم الدالة CDF.CHISQ بحساب دالة التوزيع التراكمي لكاي تربيع، وبطرح الناتج من الرقم 1، نحصل على المساحة المتبقية في الذيل الأيمن للتوزيع، وهي القيمة الاحتمالية الدقيقة لانتماء الحالة للمركز المتعدد. تُسجل هذه القيم في العمود الجديد، مما يمنح الباحث القدرة على الفرز الدقيق للحالات الشاذة بصورة مؤتمتة وقاطعة.

8. قراءة وتفسير مخرجات مسافة ماهالانوبيس في ملف بيانات SPSS

8.1 فحص قيم متغير المسافة (MAH_1) وترتيبها تصاعدياً وتنازلياً

عقب إتمام الحساب وتوليد متغير المسافة MAH_1 ومتغير الاحتمالية p_value_mah، تبدأ مرحلة التشخيص السيكومتري للبيانات في شاشة عرض البيانات (Data View). الخطوة الأولى والموصى بها منهجياً هي إعادة ترتيب ملف البيانات تنازلياً وفق قيم المسافة لرصد الحالات الأكثر تطرفاً في قمة الجدول.

يتم ذلك بالضغط بزر الفأرة الأيمن (Right-Click) على رأس العمود MAH_1 واختيار الأمر Sort Descending (فرز تنازلي). يتيح هذا الترتيب للباحث فحصاً أولياً للقيم القصوى، ومقارنة أعلى مسافة مسجلة بمتوسط مسافات باقي أفراد العينة؛ حيث يظهر التباعد الفج بين الحالات المتطرفة وبقية أفراد العينة كقفزة رقمية حادة في قيم المسافات المربعة، مما يوجه الانتباه فوراً نحو أرقام الحالات (Case IDs) المشبوهة.

8.2 تفسير قيم الاحتمال P-value المصاحبة لكل استجابة

يمثل متغير الاحتمالية p_value_mah الفيصل الإحصائي القاطع في الحكم على الحالات. عند فحص هذا العمود، يقوم الباحث بالبحث عن الحالات التي تسجل قيماً احتمالية تحقق الشرط الصارم:

$$p < 0.001$$

يُفسر حصول مفحوص معين على قيمة $p = 0.0002$ على سبيل المثال بأن هناك احتمالاً يقل عن اثنين من عشرة آلاف بأن تكون توليفة درجات هذا المفحوص ناتجة عن التوزيع الطبيعي المتعدد للمجتمع الذي سُحبت منه العينة. هذا الاحتمال المتناهي في الصغر يدعم بقوة فرضية أن الحالة لا تنتمي لذات المجتمع السلوكي، وتُصنف رسمياً كقيمة شاذة متعددة المتغيرات.

من الضروري التمييز الإحصائي بين الحالات المتطرفة بوضوح ($p < 0.001$) والحالات الحدية أو الهامشية (Borderline Cases) التي تقع قيمها الاحتمالية بين $0.001$ و $0.01$. توصي الأدبيات المنهجية بالتعامل بحذر شديد مع الحالات الحدية وعدم التسرع في استبعادها، مع الاكتفاء بتسجيلها ومراقبة سلوكها في الفحوصات التشخيصية الأخرى (مثل مسافة كوك Cook’s Distance ونسب الرافعة Leverage Values).

8.3 اتخاذ القرار الإحصائي بشأن تصنيف الملاحظة كقيمة شاذة

يجب أن يستند القرار النهائي بتصنيف الحالة كشاذة متعددة المتغيرات إلى قواعد استدلالية مسبقة وموثقة في بروتوكول البحث. يُحظر منهجياً الاعتماد على الانطباعات البصرية الذاتية أو تغيير العتبات الدلالية بصورة انتقائية لتبرير استبعاد حالات معينة رغبةً في تحسين النتائج الفرضية للبحث.

يتم توثيق الحالة كقيمة شاذة إذا وفقط إذا تجاوزت المسافة المربعة القيمة الحرجة لتوزيع كاي تربيع عند مستوى دلالة $0.001$ ودرجات الحرية المطابقة، مع تدوين رقم هوية المبحوث وقيمة المسافة الدقيقة والقيمة الاحتمالية في سجل المعالجة الإحصائية لضمان الشفافية العلمية الكاملة تمهيداً لاتخاذ الإجراء المنهجي المناسب للتعامل معها.

9. دراسة حالة تطبيقية في علم النفس: فحص استجابات مقياس القلق والأداء الأكاديمي

9.1 وصف العينة النفسية والمتغيرات المرصودة في التجربة

لتجسيد التطبيق العملي لمسافة ماهالانوبيس في البحوث النفسية والتربوية، نفترض دراسة تجريبية ميدانية أُجريت على عينة قوامها 20 طالباً جامعياً في كلية التربية، استهدفت فحص البنية متعددة المتغيرات للسلوك الأكاديمي وعلاقته بقلق الامتحان. رصدت الدراسة ثلاثة متغيرات كمية مقاسة على مقاييس متصلة لكل طالب:

• درجة قلق الامتحان (Exam_Anxiety): مقاسة بمقياس ليكرت من 0 إلى 100، حيث تعكس الدرجة المرتفعة مستوى قلق شديد.
• ساعات الاستذكار الأسبوعية (Study_Hours): عدد الساعات الفعلية المخصصة للدراسة أسبوعياً (من 0 إلى 40 ساعة).
• معدل درجات الاختبار التحصيلي (Exam_Score): الدرجة الفعلية في الاختبار النهائي من 0 إلى 100.

الهدف السيكومتري هو التحقق من خلو مصفوفة هذه المتغيرات الثلاثة من أي توليفات استجابة غير منطقية أو شاذة إحصائياً قد تؤثر سلباً على نموذج الانحدار اللاحق الذي يتنبأ بالتحصيل الدراسي.

9.2 التطبيق العملي للخطوات خطوة بخطوة على مجموعة البيانات

تم إدخال بيانات الطلاب العشرين في برنامج SPSS، ثم نُفذت الخطوات المنهجية المشروحة سابقاً: اختيار إجراء الانحدار الخطي، تعيين رقم الطالب (Student_ID) كمتغير تابع، وإدخال المتغيرات الثلاثة (Exam_Anxiety, Study_Hours, Exam_Score) كمتغيرات مستقلة، ثم تفعيل خيار حفظ مسافة ماهالانوبيس (Mahalanobis Distance)، وتوليد متغير الاحتمالية باستخدام دالة كاي تربيع عند $df = 3$ بالصيغة: 1 - CDF.CHISQ(MAH_1, 3).

بالرجوع إلى جدول توزيع كاي تربيع الإحصائي عند درجات حرية $df = 3$ ومستوى دلالة $\alpha = 0.001$، نجد أن القيمة الحرجة تساوي:

$$\chi^2_{critical} (3, 0.001) = 16.266$$

يوضح الجدول التالي البيانات الكاملة للعينة متضمنة القيم الخام ومسافات ماهالانوبيس الناتجة ومستويات الدلالة الاحتمالية المقابلة لكل طالب:

رقم الطالب (ID)	قلق الامتحان	ساعات الدراسة	درجة الاختبار	مسافة ماهالانوبيس (MAH_1)	مستوى الدلالة ($p$-value)	التصنيف الإحصائي
1	45	15	78	1.452	0.6934	طبيعية
2	85	6	52	2.314	0.5098	طبيعية
3	30	25	92	3.105	0.3757	طبيعية
4	60	12	68	0.894	0.8269	طبيعية
5	92	38	40	18.421	0.00036	قيمة شاذة متعددة ($p < 0.001$)
6	40	18	82	1.120	0.7723	طبيعية
7	75	8	60	1.850	0.6041	طبيعية
8	20	30	95	4.210	0.2396	طبيعية
9	50	14	70	0.450	0.9298	طبيعية
10	80	10	58	1.640	0.6503	طبيعية
11	35	22	88	1.980	0.5766	طبيعية
12	65	16	72	1.050	0.7892	طبيعية
13	90	5	48	2.890	0.4089	طبيعية
14	25	28	90	3.450	0.3273	طبيعية
15	55	15	75	0.620	0.8918	طبيعية
16	70	11	65	1.150	0.7650	طبيعية
17	38	20	80	1.340	0.7197	طبيعية
18	82	7	55	2.010	0.5703	طبيعية
19	48	17	76	0.780	0.8543	طبيعية
20	62	13	66	0.910	0.8230	طبيعية

9.3 التحليل التفصيلي للنتائج واكتشاف الحالات المتطرفة في العينة

يكشف الفحص الدقيق لمخرجات الجدول التطبيقي أن الحالة رقم (5) سجلت مسافة ماهالانوبيس مربعة قدرها $MAH_1 = 18.421$ بمستوى دلالة احتمالي دقيق $p = 0.00036$. عند مقارنة هذه المسافة بالقيمة الحرجة المحددة سلفاً ($\chi^2_{critical} = 16.266$)، يتبين بوضوح أن مسافة هذه الحالة تجاوزت العتبة الحرجة، وتوافق ذلك مع قيمة احتمالية أقل بكثير من معيار القطع الصارم ($p < 0.001$).

عند التفكيك السيكولوجي لدرجات الطالب رقم (5)، نلاحظ أنه سجل درجة مرتفعة جداً في قلق الامتحان (92 من 100)، وكرس في الوقت ذاته عدداً هائلاً من ساعات الاستذكار (38 ساعة أسبوعياً)، لكن درجته في الاختبار النهائي جاءت متدنية للغاية ومحبطة (40 من 100). على الرغم من أن كل درجة من هذه الدرجات منفردة تقع ضمن المدى الطبيعي المقبول للمقاييس ولا تمثل شذوذاً أحادياً، فإن هذا التناقض الصارخ—الجمع بين أقصى ساعات استذكار وأدنى تحصيل دراسي مع قلق فائق—يمثل توليفة نادرة الحدوث تخالف الاتجاه العام للعلاقة الارتباطية المتعددة في العينة.

إن إبقاء الطالب رقم (5) ضمن تحليلات الانحدار الخطي المتعدد سيمارس قوة رافعة (Leverage) مشوهة تسحب خط الانحدار نحو الأسفل، وتضخم تباين البواقي (Residual Variance)، وتقلل بشكل زائف من دلالة المتغيرات التنبؤية، مما يؤكد الضرورة المنهجية لمعالجة هذه الملاحظة لضمان صدق الاستدلال الإحصائي للدراسة.

10. استراتيجيات التعامل مع القيم الشاذة المكتشفة في البحوث النفسية

10.1 التحقق من أخطاء إدخال البيانات والاستجابات غير المكترثة

تتمثل الخطوة الأولى والمحورية فور تشخيص قيمة شاذة متعددة المتغيرات في إجراء تدقيق استقصائي شامل لأصل البيانات. يجب على الباحث الرجوع إلى استمارات الاستبيان الورقية الأصلية أو سجلات الاستجابة الإلكترونية للتحقق من عدم وجود أخطاء مادية ناتجة عن الإدخال اليدوي أو الترميز الرقمي الخاطئ (مثل إدخال درجة 99 بدلاً من 9 نتيجة خطأ في الطباعة).

كما ينبغي فحص الاستمارة النفسية للمفحوص المعني للكشف عن “الاستجابات غير المكترثة” (Careless Responding) أو النمطية المسارية (Straight-lining)، حيث يعمد بعض المفحوصين إلى اختيار نمط شكلي هندسي على ورقة الإجابة (مثل اختيار الخيار رقم 5 لجميع الأسئلة دون قراءة المحتوى). إذا ثبت أن الشذوذ ناجم عن خطأ مادي يتم تصحيحه فوراً، أما إذا تبين أنه ناتج عن استجابة عشوائية غير مكترثة، فيُحذف المفحوص بالكامل مبرراً ذلك بفساد مصداقية بروتوكول الاستجابة السيكومترية.

10.2 خيار حذف المشاهدات مقابل الإبقاء عليها وتأثيره على صدق الدراسة

في الحالات التي تكون فيها البيانات صحيحة تماماً وتمثل استجابة حقيقية لشخص فريد في خصائصه النفسية، يواجه الباحث معضلة منهجية دقيقة بين خياري الحذف والإبقاء. يحقق استبعاد الحالات الشاذة ميزة ضمان تلبية افتراضات التوزيع الطبيعي المتعدد واستقرار نماذج الانحدار، ولكنه في الوقت عينه قد يقلص من التنوع السلوكي الحقيقي في العينة، ويحد من الصدق الخارجي والقدرة على تعميم النتائج على الأفراد ذوي الخصائص النفسية المعقدة في المجتمع الأصلي.

تتمثل أفضل الممارسات المنهجية في مثل هذه المواقف في تطبيق استراتيجية “التحليل الإحصائي المزدوج” (Sensitivity Analysis)، حيث يقوم الباحث بإجراء التحليلات الإحصائية الرئيسية مرتين: الأولى بوجود الحالات الشاذة، والثانية بعد حذفها واستبعادها. إذا تطابقت النتائج والقرارات الاستدلالية في الحالتين، يُطمئن الباحث إلى متانة واستقرار نموذجه ويذكر ذلك في التقرير. أما إذا اختلفت النتائج جذرياً، فيتعين على الباحث الإفصاح بشفافية عن كلا التحليلين ومناقشة الكيفية التي أثرت بها تلك الحالات الفريدة على النتيجة الكلية للدراسة.

10.3 استخدام التحويلات الرياضية والأساليب الإحصائية الحصينة (Robust Methods)

كبديل منهجي راقٍ لحذف الحالات وفقدان حجم العينة، يمكن للباحث اللجوء إلى التحويلات الرياضية (Data Transformations) لتقليص أثر المسافات المتطرفة؛ مثل التحويل اللوغاريتمي ($Log_{10}$)، أو تحويل الجذر التربيعي (Square Root)، أو تحويل بوكس-كوكس (Box-Cox Transformation)، والتي تعمل على ضغط الذيول المتطرفة وإعادة البيانات نحو التوزيع الطبيعي المتعدد.

علاوة على ذلك، يتيح التحليل الإحصائي الحديث استخدام الأساليب الإحصائية الحصينة (Robust Statistical Methods)، مثل نماذج الانحدار الحصين (Robust Regression) وتقديرات هوبر (Huber M-Estimators)، والتي تقوم بوزن المشاهدات تلقائياً وإعطاء أوزان منخفضة للحالات ذات مسافات ماهالانوبيس المرتفعة بدلاً من حذفها كلياً. كما يمكن تطبيق أسلوب “التوسيع الوينزوري” (Winsorizing) أو التقليم (Trimming)، حيث تُستبدل القيم المتطرفة بأقرب قيمة مقبولة إحصائياً عند حدود النسب المئوية المحددة مسبقاً (مثل المئين 99 أو 95)، مما يحافظ على حجم العينة الأصلي ويحمي النماذج من التشويه الإحصائي في آن واحد.

11. الأخطاء الشائعة والتحذيرات المنهجية عند استخدام مسافة ماهالانوبيس في SPSS

11.1 الخلط بين المتغير التابع الحقيقي والمتغير الاصطناعي في إجراء الانحدار

من أكثر الأخطاء التقنية والمنهجية شيوعاً بين طلبة الدراسات العليا والباحثين المبتدئين هو التوهم بأن المخرجات الرقمية المتعلقة بنموذج الانحدار (مثل قيمة معامل التحديد $R^2$ وجدول ANOVA واختبارات $t$ للمعاملات) تمثل نتائج جوهرية للدراسة عند استخدام الانحدار كأداة لحساب المسافات. يجب الفصل القاطع بين تشغيل الانحدار كوسيلة تقنية لتوليد المسافات وبين اختبار الفرضيات التنبؤية الحقيقية.

عند إنشاء متغير تابع رمزي أو استخدام رقم الحالة (Case ID) لإتمام الحساب، يجب على الباحث التركيز الحصري على عمود المسافات المولد MAH_1 في ملف البيانات وإهمال كافة الجداول والنصوص الإحصائية الظاهرة في نافذة المخرجات (Output Viewer) الخاصة بهذا الإجراء، إذ إن تلك المخرجات لا تحمل أي معنى علمي أو سيكولوجي وإنما هي نتائج حسابية وسيطة لا علاقة لها بأهداف البحث الموضوعية.

11.2 سوء تقدير درجات الحرية في اختبار كاي تربيع

يقع بعض الباحثين في خطأ كارثي أثناء حساب مستويات الدلالة الاحتمالية ($p$-value) لمسافة ماهالانوبيس، ويتمثل في إدخال درجات حرية غير صحيحة في دالة التوزيع CDF.CHISQ. يخلط البعض بين عدد المتغيرات المستقلة والعدد الإجمالي لمتغيرات الدراسة متضمناً المتغير التابع الشكلي، أو يستخدمون حجم العينة الكلي ($N – 1$) كدرجات حرية قياساً على اختبارات أحادية أخرى.

إن تحديد درجات حرية خاطئة يؤدي إلى حساب قيمة حرجة مغايرة تماماً للواقع الرياضي؛ فاستخدام درجات حرية أكبر من الحقيقي يرفع القيمة الحرجة بصورة مفرطة ويؤدي إلى عدم اكتشاف قيم شاذة متطرفة وفادحة (خطر الحالات غير المكتشفة)، في حين أن استخدام درجات حرية أقل يقلص القيمة الحرجة ويصنف حالات طبيعية كقيم شاذة. القاعدة الصارمة التي لا تقبل الاستثناء: درجات الحرية تساوي بدقة متناهية عدد المتغيرات المستقلة ($k$) الداخلة في حساب مسافة ماهالانوبيس فقط.

11.3 إهمال تأثير حجم العينة والتجميع العنقودي في العينات السيكولوجية

ينطوي تطبيق مسافة ماهالانوبيس على عينات غير متجانسة تحتوي على فئات فرعية متباينة جوهرياً (مثل دمج عينة إكلينيكية مع عينة من الأسوياء في مصفوفة واحدة) على خطأ منهجي فادح؛ حيث يؤدي اختلاف المراكز المتعددة للمجموعات إلى اعتبار الأفراد الأسوياء شواذ قياساً على مركز العينة المختلطة المشوه، والعكس صحيح.

في مثل هذه التصاميم، يتعين على الباحث إجراء فحص مسافات ماهالانوبيس بشكل مستقل داخل كل مجموعة فرعية على حدة (Split File / Within-groups). بالإضافة إلى ذلك، يجب الحذر من ظاهرة “التأثير المقنع” (Masking Effect) في العينات الصغيرة، حيث تتكاتف مجموعات من القيم الشاذة المتجاورة لجذب المركز الحسابي ومتجه المتوسطات نحوها، مما يؤدي إلى تقليل مسافاتها المحسوبة ذاتياً وتضخيم مسافات الحالات الطبيعية، الأمر الذي يفرض ضرورة الجمع بين الفحص الكمي والتحليل الاستكشافي المتأني للبنية الكلية للبيانات.

12. توثيق وتقرير نتائج مسافة ماهالانوبيس وفق معايير جمعية علم النفس الأمريكية (APA)

12.1 صياغة فقرة فحص الافتراضات الإحصائية في منهجية البحث

تقتضي معايير الدليل الإرشادي لجمعية علم النفس الأمريكية (APA 7th Edition) الإفصاح المنهجي الدقيق والشفاف عن كافة خطوات فحص الافتراضات الإحصائية للشذوذ متعدد المتغيرات في قسم “الإجراءات والتحليل الإحصائي” (Method / Data Analysis) أو في مطلع قسم “النتائج” (Results) في الرسائل العلمية والأبحاث المحكمة.

يجب أن تتضمن الصياغة النصية توضيحاً صريحاً لاستخدام مسافة ماهالانوبيس ($D^2$)، وتحديد القيمة الحرجة المعتمدة بالاستناد إلى توزيع كاي تربيع ($\chi^2$)، ومستوى الدلالة الصارم المطبق ($p < 0.001$)، ودرجات الحرية المحددة بعدد المتغيرات. كما يُلزم الباحث ببيان عدد الحالات التي تم تشخيصها كشواذ متعددة المتغيرات بدقة، وتوضيح المسار المنهجي الذي تم اتباعه في معالجتها (سواء بالحذف أو التعديل أو التحليل الحصين) مدعوماً بالمبررات العلمية المنطقية.

12.2 التمثيل الجدولي والبياني للقيم الشاذة المكتشفة ومبررات استبعادها

عندما تسفر الفحوصات عن اكتشاف حالات شاذة متعددة، يُستحسن تنظيم النتائج في جدول إحصائي ملخص يتبع تنسيق APA القياسي (خطوط أفقية رئيسية وبدون خطوط رأسية)، يوضح أرقام الحالات المشخصة، وقيم مسافة ماهالانوبيس المربعة لكل منها، والقيم الاحتمالية الدقيقة ($p$-values)، وموجزاً يفسر سبب التناقض السلوكي في توليفة استجاباتها، والقرار المتخذ بشأنها.

يمكن دعم التقرير برسم بياني استكشافي مثل المخطط الصندوقي لمسافات ماهالانوبيس أو رسم التشتت متعدد المتغيرات، حيث يُرسم خط أفقي متقطع يوضح عتبة القيمة الحرجة لكاي تربيع ($\chi^2_{critical}$)، وتظهر الحالات الشاذة بوضوح كنقاط متفرقة تعلو هذا الخط الحرج، مما يمنح القارئ والمحكم فهماً بصرياً فورياً لطبيعة التطرف الإحصائي في مصفوفة البيانات ومبررات المعالجة المنهجية المتخذة.

12.3 نماذج عملية جاهزة لكتابة التقارير في رسائل الماجستير والدكتوراه

لتسهيل مهمة الباحثين في إعداد تقاريرهم الأكاديمية باحترافية وتوافق تام مع المعايير الدولية، نستعرض فيما يلي نموذجين نصيين جاهزين للتطبيق باللغتين العربية والإنجليزية:

النموذج العربي المقترح:
“قبل الشروع في اختبار الفرضيات الإحصائية للنموذج، تم فحص البيانات للتأكد من خلوها من القيم الشاذة متعددة المتغيرات (Multivariate Outliers) باستخدام مسافة ماهالانوبيس ($D^2$) لمصفوفة المتغيرات التنبؤية الأربعة في الدراسة. وبمقارنة المسافات المحسوبة بالقيمة الحرجة لتوزيع كاي تربيع عند درجات حرية $df = 4$ ومستوى دلالة صارم $p < 0.001$ ($\chi^2_{crit} = 18.47$)، أظهرت النتائج وجود حالتين شاذتين تجاوزت مسافاتهما القيمة الحرجة؛ حيث سجلت الحالة رقم 42 مسافة ($D^2 = 23.15, p < 0.001$)، وسجلت الحالة رقم 118 مسافة ($D^2 = 19.82, p < 0.001$). وبعد التحقق من استمارات الاستجابة وتأكيد خلوها من أخطاء الإدخال المادي، تبين وجود نمط استجابة عشوائي متناقض في استجاباتهما، وبناءً عليه تقرر استبعاد الحالتين من التحليلات اللاحقة لضمان دقة وسلامة افتراضات النمذجة الإحصائية.”

النموذج الإنجليزي القياسي (APA 7th Format):
“Prior to conducting the primary multivariate analyses, the data were screened for multivariate outliers using Mahalanobis distance ($D^2$) across the four predictor variables. Mahalanobis distances were evaluated against the critical value of the chi-square distribution with 4 degrees of freedom at a conservative alpha level of $p < .001$ ($\chi^2_{critical} = 18.47$). The evaluation revealed two multivariate outliers: Case #42 ($D^2 = 23.15, p < .001$) and Case #118 ($D^2 = 19.82, p < .001$). Inspection of the raw protocols indicated contradictory response patterns consistent with careless responding. Consequently, these two cases were removed from subsequent analyses, resulting in a final analytical sample of $N = 248$.”

خاتمة

تمثل مسافة ماهالانوبيس الأداة الإحصائية المعيارية والأكثر إحكاماً لتشخيص وفحص القيم الشاذة متعددة المتغيرات في البيانات النفسية والتربوية والسلوكية. من خلال قدرتها المتفردة على دمج مصفوفة التباين والتباين المشترك ومحايدة الارتباطات البينية، توفر هذه المنهجية صمام أمان حقيقي يحمي النماذج البارامترية المتقدمة كالانحدار المتعدد والتحليل التمييزي ونمذجة المعادلات البنائية من التشويه وفقدان القوة الإحصائية.

إن إتقان الباحث لخطوات حساب مسافة ماهالانوبيس في برنامج SPSS—سواء عبر إجراء الانحدار الخطي أو لغة الأوامر المباشرة سينتاكس—والالتزام بالمعايير الاستدلالية الدقيقة المعتمدة على توزيع كاي تربيع بمستوى دلالة $p < 0.001$، يشكل ركيزة أساسية لتعزيز الأمانة العلمية ورفع جودة الإنتاج البحثي. وفي النهاية، لا ينبغي أن ينظر الباحث إلى رصد الشواذ كمجرد خطوة تقنية للتخلص من البيانات، بل كفرصة استكشافية لفهم الطبيعة المتشابكة للسلوك البشري واتخاذ قرارات منهجية ناضجة تضمن صدق وموثوقية النتائج المستخلصة.

References

• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://edge.sagepub.com/field5e
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning. https://www.cengage.com
• IBM Corporation. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Publications. https://www.guilford.com/books/Principles-and-Practice-of-Structural-Equation-Modeling/Rex-Kline/9781462551910
• Mahalanobis, P. C. (1936). On the generalized distance in statistics. Proceedings of the National Institute of Sciences of India, 2(1), 49–55. https://en.wikipedia.org/wiki/Mahalanobis_distance
• Mertler, C. A., & Reinhart, R. V. (2016). Advanced and multivariate statistical methods: Practical application and interpretation (6th ed.). Routledge. https://doi.org/10.4324/9781315647838
• Stevens, J. P. (2012). Applied multivariate statistics for the social sciences (5th ed.). Routledge. https://doi.org/10.4324/9780203843130
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson. https://www.pearson.com