كيفية حساب المتوسط والوسيط والمنوال في SAS

يمثل التحليل الاستكشافي للبيانات الركيزة الأساسية التي تنطلق منها كافة الأبحاث العلمية والتحليلات التطبيقية، حيث تتيح مؤشرات النزعة المركزية للباحثين والمحللين تلخيص كتل البيانات المعقدة وتحويلها إلى أرقام مفردة ذات دلالة إحصائية تعبر عن المركز الثقلي للتوزيع. ويعد فهم سلوك المتغيرات عبر استخراج المتوسط الحسابي، والوسيط، والمنوال الخطوة التأسيسية التي لا غنى عنها قبل المضي قدماً نحو النمذجة المتقدمة أو التحليل الاستدلالي. وتتجلى أهمية هذه المقاييس في قدرتها على تقديم رؤية موجزة ودقيقة حول النمط العام للمشاهدات الميدانية، سواء في العلوم الاجتماعية والسلوكية، أو في المجالات الطبية، أو في قطاعات الأعمال والتسويق.

وفي هذا السياق، تبرز بيئة التحليل الإحصائي SAS (Statistical Analysis System) كواحدة من أكثر المنصات الحاسوبية موثوقية وقوة في التعامل مع البيانات الضخمة والمعالجات المعقدة. يوفر نظام SAS منظومة برمجية متكاملة تدمج بين الدقة الحسابية العالية، والقدرة على التحكم في تدفق البيانات عبر بنية برمجية صارمة، مما يجعله الخيار المفضل في المؤسسات الأكاديمية ومراكز البحوث الإكلينيكية والمنظمات المالية الكبرى. يتيح SAS للمحلل الانتقال بسلاسة من تجهيز مجموعات البيانات الخام إلى استخراج تقارير إحصائية معمقة تغطي كافة المؤشرات الوصفية والموقعية بدقة متناهية.

يهدف هذا الدليل الشامل إلى تقديم مرجع تطبيقي ونظري متكامل لكيفية حساب وتفسير مقاييس النزعة المركزية الثلاثة — المتوسط الحسابي، والوسيط، والمنوال — باستخدام لغة وبرمجيات SAS. سنستعرض عبر هذا المقال المبادئ الرياضية التي تحكم كلاً من هذه المقاييس، وكيفية إعداد البيانات وتنظيفها داخل بيئة SAS، والتنفيذ الإجرائي المتقدم عبر الإجراءات التحليلية المتخصصة مثل PROC UNIVARIATE وPROC MEANS، وصولاً إلى كيفية توثيق المخرجات وتصديرها بصيغ أكاديمية رصينة تتوافق مع معايير الجمعية الأمريكية لعلم النفس (APA).

1. مقدمة في مقاييس النزعة المركزية وأهميتها في التحليل الإحصائي عبر SAS

1.1 المفاهيم النظرية للنزعة المركزية: المتوسط والوسيط والمنوال

تُعرف مقاييس النزعة المركزية (Measures of Central Tendency) في الأدبيات الإحصائية بأنها المؤشرات الكمية التي تسعى إلى تحديد النقطة أو القيمة النموذجية التي تتجمع حولها أغلب المشاهدات في مجموعة بيانية معينة. يمثل المتوسط الحسابي (Arithmetic Mean) المقياس الأكثر شيوعاً واستخداماً؛ ويُحسب رياضياً بجمع كافة القيم المرصودة وقسمة هذا المجموع على العدد الإجمالي للمشاهدات (N). ورغم أناقته الجبرية واعتماده على كافة البيانات المتاحة، يتميز المتوسط بحساسيته الشديدة للقيم الشاذة والمتطرفة (Outliers)، حيث تؤدي قيمة واحدة مفرطة في الكبر أو الصغر إلى سحب المتوسط نحوها بصورة قد تشوه الحقيقة الإحصائية للظاهرة المدروسة.

وعلى النقيض من ذلك، يبرز الوسيط (Median) كمقياس موضعي ورتبي متين (Robust Measure)، وهو القيمة التي تفصل النصف الأعلى من البيانات المرتبة تصاعدياً أو تنازلياً عن النصف الأدنى، بحيث يقع 50% من المشاهدات دونه و50% فوقه. ونظراً لأن الوسيط يعتمد على الرتبة الموضعية للقيم بدلاً من مقاديرها المطلقة، فإنه يظل ثابتاً وغير متأثر بالقيم المتطرفة، مما يجعله المعيار المثالي لتمثيل البيانات ذات التوزيعات الملتوية. من جهة أخرى، يمثل المنوال (Mode) القيمة الأكثر تكراراً أو شيوعاً بين المشاهدات، وهو المقياس الوحيد الصالح للاستخدام مع كافة مستويات القياس، بما فيها المتغيرات الاسمية والفئوية والترتيبية والكمية.

إن الفهم العميق للظواهر المعقدة يتطلب الجمع التحليلي بين هذه المقاييس الثلاثة؛ حيث يقدم التباعد أو التقارب بين المتوسط والوسيط والمنوال مؤشراً أولياً بالغ الأهمية حول شكل التوزيع التكراري للبيانات. فعندما تتطابق هذه القيم الثلاث تماماً، يكون التوزيع متماثلاً تماماً، كما هو الحال في التوزيع الطبيعي المعياري. أما إذا تباعدت، فإن الفروق بينها تكشف عن طبيعة الالتواء، مما يمنح الباحثين في العلوم السلوكية والاجتماعية رؤية نقدية حول سلوك العينة واستجابات الأفراد.

1.2 دور بيئة SAS في المعالجة والتحليل الإحصائي المتقدم

يحظى نظام SAS الإحصائي بمكانة ريادية في قطاع التحليلات المتقدمة بفضل بنيته الهندسية القائمة على معالجة البيانات متعددة المستويات، وقدرته الاستثنائية على التعامل مع ملايين السجلات دون استنزاف غير مبرر للذاكرة العشوائية. يتبع SAS معياراً صارماً في الدقة الحسابية يعتمد على تمثيل الأرقام العشرية وفق أعلى معايير الحوسبة العلمية، مما يضمن خلو النتائج الإحصائية من أخطاء التقريب التي قد تظهر في البرمجيات التجارية الأخرى أو جداول البيانات التقليدية.

تتيح بيئة SAS للباحث بناء مسارات عمل قابلة لإعادة الإنتاج والتوثيق الكامل (Reproducible Research) من خلال كتابة الشيفرات البرمجية التي تصف بدقة كل خطوة من خطوات قراءة البيانات، وفرزها، وحساب المقاييس، وإجراء الفحوصات التشخيصية. يضمن هذا النهج إمكانية مراجعة العمليات الحسابية وتدقيقها من قبل الهيئات التنظيمية والمجلات المحكمة، وهو أمر لا غنى عنه في مجالات مثل التجارب السريرية للأدوية والأبحاث السيكومترية المتقدمة التي تتطلب معايير امتثال بالغة الصرامة.

علاوة على ذلك، لا تقتصر قدرات SAS على استخراج القيم العددية المجردة لمقاييس النزعة المركزية، بل تتجاوز ذلك لتوفير منظومة متكاملة من أدوات فحص التوزيعات، وتقدير فترات الثقة للمتوسطات، واختبار فرضيات السواء، وتحديد القيم المتطرفة تلقائياً. هذه البيئة الشاملة تتيح للمحلل الحصول على صورة متكاملة حول جودة القياس قبل اتخاذ القرارات الإحصائية اللاحقة.

1.3 سياقات اختيار المقياس الأنسب وفق طبيعة التوزيع والبيانات

يتوقف اتخاذ القرار المنهجي بشأن اختيار المقياس الأنسب لتمثيل النزعة المركزية على مستوى قياس المتغير (اسمي، رتبي، فئوي، نسبي) وعلى الخصائص التوزيعية للبيانات. يظل المتوسط الحسابي هو الخيار المفضل والأكثر كفاءة رياضياً عندما تكون البيانات كمية ومستمرة، وتتبع توزيعاً يقترب من التوزيع الطبيعي الخالي من الالتواء الحاد والقيم الشاذة. يوفر المتوسط في هذه الحالة أدق تقدير لمعلمة المجتمع الأصلية ويدخل مباشرة في الحسابات الاستدلالية اللاحقة كاختبارات التباين والانحدار.

في المقابل، يتحول الوسيط إلى الخيار الإلزامي في المواقف التي تعاني فيها البيانات من التواء إيجابي شديد (Right-Skewed) مثل توزيع الدخل والأجور، أو التواء سلبي (Left-Skewed) كأزمنة البقاء على قيد الحياة لبعض العلاجات، وكذلك في وجود قيم متطرفة ناتجة عن خصوصية الظاهرة أو أخطاء جمع البيانات. كما يعد الوسيط مقياس النزعة المركزية المعياري للبيانات الترتيبية (Ordinal Data)، مثل مقاييس ليكرت الخماسية والسباعية الشائعة في العلوم النفسية، حيث لا يمكن افتراض تساوي المسافات بين الرتب بصورة رياضية دقيقة.

أما المنوال، فيبرز استخدامه بشكل أساسي عند دراسة المتغيرات الفئوية والاسمية (Categorical/Nominal Data)، مثل تصنيفات التشخيص الإكلينيكي أو الخيارات السلوكية المفضلة، حيث لا يحمل المتوسط أو الوسيط أي معنى رياضي. كما يلعب المنوال دوراً كاشفاً حاسماً في التوزيعات ثنائية القمة (Bimodal) أو متعددة القمم، إذ يشير وجود أكثر من قمة تكرارية واضحة إلى احتمال وجود مجتمعات فرعية غير متجانسة مدمجة داخل العينة الواحدة، مما يستدعي تفكيك العينة وإجراء تحليلات طبقية متقدمة.

2. البنية التأسيسية لبرنامج SAS وإعداد مجموعات البيانات الإحصائية

2.1 إنشاء مجموعات البيانات عبر كتلة DATA STEP

تمثل كتلة معالجة البيانات (DATA Step) حجر الزاوية في بناء وهيكلة مجموعات البيانات داخل بيئة SAS. تبدأ هذه الكتلة بعبارة DATA متبوعة بالاسم المخصص لمجموعة البيانات التي سيتم تخزينها في مكتبة العمل المؤقتة (Work Library) أو في مكتبة دائمة. يتولى أمر INPUT مهمة تعريف أسماء المتغيرات وأنواعها، حيث يتم إلحاق علامة الدولار ($) بأسماء المتغيرات النصية لتمييزها عن المتغيرات الرقمية التي تعد النوع الافتراضي في البرنامج.

لإدخال البيانات السطرية المباشرة داخل البرنامج، تُستخدم عبارة DATALINES; أو مرادفتها CARDS;، والتي تليها مباشرة صفوف البيانات المرتبة وفقاً لترتيب المتغيرات المعرّفة في أمر الإدخال. يقوم محرك SAS بقراءة كل سطر ومعالجة قيمه تباعاً حتى يصل إلى الفاصلة المنقوطة المنفردة التي تنهي كتلة البيانات. وتُختتم هذه العملية دائماً بأمر التنفيذ RUN;، الذي يعطي إشارة البدء للمعالج لتنفيذ كافة التعليمات وتجميع الجدول في الذاكرة بصيغة جدولية قياسية.

تتميز كتلة DATA Step بمرونتها الفائقة في إجراء التحويلات الحسابية، وتوليد المتغيرات المشتقة، وفلترة السجلات، والتعامل مع الشروط المنطقية المعقدة أثناء مرحلة القراءة. يتيح ذلك للباحث تهيئة البيانات الخام وضبط مقاييسها وتصحيح أي تشوهات هيكلية قبل تمريرها إلى الإجراءات الإحصائية الوصفية أو التحليلية.

2.2 فحص هيكل البيانات والتحقق من صحتها عبر PROC PRINT

بعد إتمام عملية إنشاء وتخزين مجموعة البيانات، تقتضي قواعد التحليل السليم التحقق البصري والمنطقي من سلامة الإدخال ومطابقة القيم للأنواع البيانية المعرفة. يُعد الإجراء PROC PRINT الأداة الأساسية لاستعراض محتويات جداول SAS في نافذة المخرجات؛ حيث يتيح طباعة المشاهدات بالكامل أو اختيار عينات محددة منها لفحص دقة الترتيب والتأكد من عدم حدوث أي إزاحة في الأعمدة أثناء القراءة المباشرة للبيانات.

يمكن تخصيص الإجراء PROC PRINT بإضافة عبارات مساندة، مثل عبارة VAR لحصر الطباعة على متغيرات رقمية معينة، أو استخدام خيار (OBS=n) لتحديد عدد السجلات المعروضة في مجموعات البيانات الضخمة. يسهم هذا الفحص الاستطلاعي في رصد الأخطاء المطبعية الواضحة، مثل إدخال قيم سالبة في متغيرات لا تقبل إلا القيم الموجبة (كالسن أو زمن الاستجابة)، أو رصد النصوص العشوائية التي قد تكون أُدخلت خطأً في حقول رقمية.

إن التأكد من صحة الهيكل البياني عبر PROC PRINT يمنع الوقوع في مشاكل الإسناد الخاطئ للمتغيرات في الإجراءات اللاحقة، ويضمن أن الإجراءات التحليلية ستقرأ المتغيرات ككميات متصلة قابلة للاشتقاق الرياضي وليست كمتغيرات رمزية، مما يمهد الطريق لحساب دقيق للمتوسط والوسيط والمنوال دون انقطاع في تنفيذ البرنامج.

2.3 إدارة أنواع المتغيرات وتجهيزها للتحليل الوصفي

تتطلب الإجراءات الإحصائية الوصفية في SAS تصنيفاً دقيقاً للمتغيرات بحسب طبيعتها الرياضية. تنقسم المتغيرات في SAS إلى نوعين رئيسيين: رقمية (Numeric) ونصية (Character). تخضع المتغيرات الرقمية بدورها لتقسيمات إحصائية إضافية؛ فمنها المتغيرات الكمية المستمرة (Continuous Variables) القابلة للكسور وتصلح مباشرة لحساب المتوسط والوسيط، ومنها المتغيرات المنفصلة أو الفئوية المرمزة رقمياً (Discrete/Coded Variables) التي تتطلب عناية خاصة عند حساب مقاييس النزعة المركزية لتفادي استخراج متوسطات لا معنى لها دلالياً.

يوفر SAS إمكانية استخدام إجراءات مثل PROC FORMAT لإنشاء تنسيقات مخصصة تربط الأكواد الرقمية بدلالاتها النصية (مثل ترميز 1 = “ذكر” و2 = “أنثى”)، مما يحافظ على الطبيعة الرقمية للمتغير أثناء المعالجة الحسابية مع إظهار التسميات الواضحة في جداول المخرجات. كما يتيح استخدام الدوال الرياضية داخل DATA Step (مثل دالة INPUT لتحويل النصوص إلى أرقام، ودالة PUT للتحويل العكسي) إعادة هيكلة المتغيرات غير المتوافقة.

يتضمن تجهيز البيانات أيضاً فحص مستويات القياس وضمان خلو المتغيرات المستهدفة من التضاربات البيانية، وتهيئة مسميات الحقول (Labels) التي تظهر في التقارير النهائية لتعبر بدقة عن المفاهيم السيكومترية أو التجريبية المقاسة، مما يرفع من جودة التوثيق الأكاديمي ويسهل تفسير مؤشرات التمركز.

3. الإجراء الأساسي PROC UNIVARIATE لحساب مقاييس النزعة المركزية الشاملة

3.1 الصيغة الأساسية وبنية أمر PROC UNIVARIATE

يُعد الإجراء PROC UNIVARIATE المحرك الإحصائي الأكثر شمولاً وتفصيلاً في نظام SAS لتحليل المتغيرات الأحادية. تم تصميم هذا الإجراء ليتجاوز مجرد حساب الإحصاءات التلخيصية البسيطة، حيث يقدم تقييماً شاملاً للخصائص التوزيعية للمتغيرات، بما يشمل مقاييس النزعة المركزية، ومقاييس التشتت، والمئينات، واختبارات التوزيع الطبيعي، وتحليل القيم المتطرفة في تقرير موحد.

تتميز الصيغة الأساسية لاستدعاء الإجراء بالبساطة البرمجية العالية، حيث تُكتب العبارة: PROC UNIVARIATE DATA=dataset_name; RUN;. عند تنفيذ هذا الأمر دون قيود إضافية، يقوم SAS بمسح شامل لكافة المتغيرات الرقمية الموجودة في مجموعة البيانات المحددة، ويُنشئ تقريراً إحصائياً مستقلاً لكل متغير يحتوي على خمسة جداول رئيسية تفصل كافة الأبعاد الرياضية للمشاهدات.

يقوم المبدأ التشغيلي للإجراء على قراءة السجلات وتجميع العزوم الإحصائية (Statistical Moments) وبناء جداول الرتب والمئينات في خطوة واحدة فائقة الكفاءة. وتظهر النتائج منظمة بصيغة تفاعلية في نافذة المخرجات (Results Viewer)، مما يمنح المحلل نظرة تشخيصية فورية ودقيقة تسلط الضوء على المركز والتشتت والاعتدالية في آن واحد.

3.2 قراءة وتفكيك جدول ‘Moments’ الإحصائي

يحتل جدول “العزوم” (Moments) صدارة مخرجات إجراء PROC UNIVARIATE، ويمثل البنية الرياضية الأساسية التي تُشتق منها معظم المقاييس الإحصائية المعلمية. يعرض الجدول في مقدمته قيمة حجم العينة الفعلي (N) التي تعبر عن عدد المشاهدات الصالحة الخالية من الفقد، بالإضافة إلى مجموع الأوزان (Sum Weights) الذي يتطابق مع N في غياب استخدام أوزان ترجيحية مخصصة.

يتضمن هذا الجدول المتوسط الحسابي (Mean) إلى جانب الانحراف المعياري (Standard Deviation) والتباين (Variance)، مما يتيح تقييم مدى انتشار البيانات حول قيمتها المركزية. كما يدمج الجدول مقاييس الشكل التوزيعي، وأبرزها معامل الالتواء (Skewness) الذي يقيس درجة عدم التماثل حول المتوسط، ومعامل التفرطح (Kurtosis) الذي يحدد مدى تدبب التوزيع أو تفلطحه مقارنة بالتوزيع الطبيعي المرجعي.

تساعد قراءة جدول Moments الباحث في تقييم مدى صلاحية المتوسط الحسابي كمعيار وحيد للنزعة المركزية؛ فإذا كانت قيم الالتواء تقترب من الصفر، يشير ذلك إلى اعتدالية التوزيع وموثوقية المتوسط. أما إذا ارتفعت قيمة الالتواء بصورة ملحوظة (أكبر من +1 أو أقل من -1)، فإن ذلك ينبه المحلل إلى ضرورة التحول نحو فحص جدول المقاييس الموقعية لتتبع الوسيط والمنوال.

3.3 فهم جدول ‘Basic Statistical Measures’ في مخرجات SAS

يقدم جدول “المقاييس الإحصائية الأساسية” (Basic Statistical Measures) التلخيص الأكثر وضوحاً وتنظيماً لمقاييس النزعة المركزية والتشتت جنباً إلى جنب. ينقسم هذا الجدول إلى جزأين متوازيين: يختص الجزء الأول بمقاييس الموقع (Location)، بينما يركز الجزء الثاني على مقاييس التشتت والتقلب (Variability).

يحتوي قسم مقاييس الموقع مباشرة على القيم الثلاث المستهدفة: المتوسط الحسابي (Mean)، والوسيط (Median)، والمنوال (Mode). يعرض SAS أمام كل مقياس قيمته العددية المحسوبة بدقة، مما يتيح للمحلل إجراء مقارنة بصرية فورية بين القيم الثلاث لتقييم مدى تقاربها. إن تقارب المتوسط والوسيط والمنوال يعكس تماسك وتماثل التوزيع، في حين يشير تباعدها إلى وجود انحراف تركيبي في تمركز البيانات.

في المقابل، يضم قسم التشتت المقابل مقاييس مثل الانحراف المعياري، والتباين، والمدى الكلي (Range)، والمدى الربيعي (Interquartile Range – IQR). يتيح هذا الدمج المتوازي في تقرير SAS ربط كل مقياس نزعة مركزية بمقياس التشتت المناظر له منهجياً؛ حيث يُقرن المتوسط بالانحراف المعياري، بينما يُقرن الوسيط بالمدى الربيعي، مما يمنح الباحث أساساً رصيناً لصياغة التقارير الإحصائية المتكاملة.

4. حساب وتفسير المتوسط الحسابي (Mean) في SAS

4.1 الآلية البرمجية لاستخراج المتوسط وموثوقيته الإحصائية

تعتمد الخوارزميات الداخلية لبرنامج SAS في حساب المتوسط الحسابي على تراكم المجاميع باستخدام تمثيل عالي الدقة للفاصلة العائمة، مما يقلل من تراكم أخطاء الإلغاء (Cancellation Errors) عند التعامل مع مجموعات بيانات تحتوي على ملايين المشاهدات. يقوم البرنامج بجمع كافة القيم المتاحة للمتغير وقسمتها على حجم العينة الفعلي المستبعد منه أي سجلات مفقودة، مع استخراج الخطأ المعياري للمتوسط (Std Error of Mean) بصورة تلقائية.

يقيس الخطأ المعياري للمتوسط مدى دقة تقدير متوسط العينة لمتوسط المجتمع الإجمالي؛ حيث يعكس مقدار التباين المتوقع في المتوسطات لو تكرر سحب العينات من المجتمع ذاته. وتوفر خيارات PROC UNIVARIATE المتقدمة إمكانية حساب فترات الثقة (Confidence Intervals) للمتوسط على مستويات معنوية متعددة (مثل 95% أو 99%) عبر استخدام الخيار CIBASIC في عبارة الإجراء، مما يزود الباحثين بأداة حاسمة للاستدلال الإحصائي.

تتجلى الموثوقية الرياضية للمتوسط في كونه يمثل النقطة التي يتساوى عندها مجموع الانحرافات الموجبة مع مجموع الانحرافات السالبة للمشاهدات حوله، أي أن مجموع (X – Mean) يساوي صفراً دائماً. وتعد هذه الخاصية الأساس الذي تنبني عليه معظم النماذج الإحصائية الخطية، وتحليل الانحدار، وتحليل التباين المتاحة داخل بيئة SAS.

4.2 تأثير القيم المتطرفة على دقة المتوسط الحسابي

على الرغم من الأهمية المركزية للمتوسط، إلا أن حساسيته المفرطة للقيم الشاذة والمتطرفة تمثل نقطة ضعفه الكبرى في التحليل الاستكشافي. فعند وجود مشاهدة واحدة ذات قيمة بالغة الارتفاع أو الانخفاض — سواء كانت ناجمة عن خطأ في القياس والترميز أو كانت تعبيراً عن حالة استثنائية حقيقية — ينجذب المتوسط الحسابي بقوة نحو هذه القيمة، مما يعطي انطباعاً مضللاً بأن معظم أفراد العينة يمتلكون قيماً أعلى أو أدنى من واقعهم الفعلي.

للتعامل مع هذه المعضلة الحسابية، يوفر إجراء PROC UNIVARIATE في SAS خيارات لحساب المتوسطات المتينة (Robust Location Estimates)، وأبرزها المتوسط المشذب (Trimmed Mean) والمتوسط الموينسر (Winsorized Mean). يقوم المتوسط المشذب باستبعاد نسبة مئوية محددة من القيم الصغرى والعظمى (مثل 5% من كل طرف) قبل حساب المتوسط، في حين يقوم المتوسط الموينسر باستبدال تلك القيم المتطرفة بأقرب قيمة غير متطرفة، مما يحد من تأثير التشوهات البيانية.

يمكن للمحلل تفعيل هذه الإحصاءات المتينة عبر إضافة خيار ROBUSTSCALE أو طلب الجداول الخاصة بالمتوسطات المشذبة، مما يتيح له مقارنة المتوسط الحسابي التقليدي بالمتوسط المشذب. فإذا كان الفارق بينهما كبيراً، دل ذلك على أن المتوسط التقليدي يعاني من تحيز ناتج عن القيم المتطرفة، مما يستدعي توخي الحذر عند اعتماده في القرارات التفسيرية.

4.3 تطبيقات المتوسط الحسابي في الدراسات النفسية والسلوكية

يحظى المتوسط الحسابي بمكانة محورية في القياس النفسي والسلوكي، حيث يمثل حجر الزاوية في تدريج وتقنين الاختبارات السيكومترية. يُستخدم المتوسط لتحديد المعايير المرجعية لمقاييس القلق، والاكتئاب، والذكاء، والدافعية، حيث تُحول الدرجات الخام للمفحوصين إلى درجات معيارية (Z-Scores أو T-Scores) تعتمد بشكل مباشر على المسافة الفاصلة بين درجة الفرد ومتوسط درجات عينة التقنين مقسومة على الانحراف المعياري.

وفي الدراسات التجريبية التي تدرس أثر التدخلات العلاجية أو البرامج التدريبية، يُعتمد المتوسط الحسابي لمقارنة الأداء القبلي والبعدي للمجموعات. ومع ذلك، تشدد المعايير المنهجية المعاصرة على عدم جواز الاعتماد الحصري على المتوسط الحسابي دون تقديم تقرير وافٍ عن التشتت والانحراف المعياري، نظراً لأن مجموعتين قد تمتلكان المتوسط ذاته تماماً ولكنهما تختلفان جذرياً في تجانس الأداء ودرجة تباين الأفراد.

يتعين على الباحث النفسي عند استخدام SAS التحقق من أن درجات الاختبارات النفسية تقترب من التوزيع الطبيعي قبل تبني المتوسط الحسابي كمقياس أساسي؛ فإذا أظهرت استجابات المرضى على مقياس معين تجمعات حادة في أحد الأطراف (مثل درجات الاكتئاب في عينة غير إكلينيكية حيث يحصل الأغلبية على الصفر)، يصبح استخدام المتوسط مضللاً، ويتعين استكماله أو استبداله بالوسيط.

5. حساب الوسيط (Median) والتعامل مع التوزيعات الملتوية في SAS

5.1 استخراج الوسيط الموضعي والربيعات في SAS

يُعامل برنامج SAS الوسيط بوصفه المئين الخمسين (50th Percentile / P50)، وهو النقطة التوزيعية التي تقسم كتلة البيانات المرتبة إلى قطاعين متكافئين في الحجم. يستخرج إجراء PROC UNIVARIATE قيمة الوسيط ضمن جدول “Basic Statistical Measures”، كما يفرد له قسماً تفصيلياً في جدول “Quantiles” (المئينات والربيعات)، الذي يضم الربيع الأول (Q1 / 25th Percentile) والربيع الثالث (Q3 / 75th Percentile) والوسيط كربيع ثانٍ (Q2).

يرتبط الوسيط ارتباطاً وثيقاً بالمدى الربيعي (Interquartile Range – IQR)، والذي يُحسب بطرح قيمة الربيع الأول من الربيع الثالث (Q3 – Q1). يمثل المدى الربيعي النطاق الذي تقع ضمنه نسبة 50% الوسطى من المشاهدات، ويعمل كمقياس التشتت الطبيعي المرافق للوسيط في كافة التقارير الإحصائية التي تتعامل مع بيانات غير معلمية أو ملتوية.

تعتمد خوارزمية SAS في تحديد الوسيط عند تساوي عدد المشاهدات الفردية على اختيار القيمة المركزية الدقيقة بعد الفرز، بينما تأخذ المتوسط الحسابي للقيمتين المركزيتين في حال كان عدد المشاهدات زوجياً (وفق طريقة التعريف الافتراضية للمئينات في البرنامج). يضمن هذا الإجراء الحصول على قيمة موضعية دقيقة تعبر بصدق عن نقطة الانتصاف التوزيعي للعينة.

5.2 قوة الوسيط الإحصائية في التوزيعات غير السوية

تتمثل القوة المنهجية للوسيط (Statistical Robustness) في مناعته المطلقة ضد التأثر بالقيم الشاذة والأخطاء الطرفية؛ إذ لا يتغير موقع الوسيط مهما بلغت القيمة القصوى من الارتفاع، طالما أن عدد القيم التي تعلوه يظل ثابتاً. هذه الخاصية تجعل الوسيط المعيار المفضل عالمياً في معالجة المتغيرات السلوكية ذات الحساسية الزمنية، مثل زمن الرجع (Reaction Time) وزمن الاستجابة الحركية في التجارب المعرفية، حيث تتكرر استجابات شاذة ناتجة عن السهو أو التشتت اللحظي للمفحوص.

تتيح المقارنة بين الوسيط والمتوسط داخل مخرجات SAS تحديد اتجاه الالتواء التوزيعي بدقة نوعية؛ فإذا كانت قيمة المتوسط أعلى بكثير من الوسيط (Mean > Median)، دل ذلك على وجود التواء موجب (Right Skewed) ناجم عن وجود قيم متطرفة في الجانب الأيمن تسحب المتوسط نحو الأعلى. أما إذا كان المتوسط أقل من الوسيط (Mean < Median)، دل ذلك على التواء سالب (Left Skewed) ناتج عن ذيل ممتد نحو القيم الدنيا.

وعندما يتقارب المتوسط والوسيط إلى حد التطابق، يستنتج المحلل أن التوزيع يتمتع بدرجة عالية من التماثل حول مركزه. يوفر هذا الفحص المزدوج داخل SAS دليلاً تشخيصياً سريعاً يوجه الباحث نحو اختيار الاختبارات الإحصائية الملائمة، سواء كانت اختبارات معلمية (Parametric) تعتمد على المتوسطات، أو اختبارات لا معلمية (Non-parametric) تعتمد على الرتب والوسائط.

5.3 تطبيقات الوسيط في القياسات الترتيبية والبيانات النفسية

يبرز الوسيط كمقياس النزعة المركزية الوحيد المقبول إبستمولوجياً ومنهجياً عند التعامل مع البيانات الترتيبية، وأشهرها بنود مقياس ليكرت (Likert Scale) المستخدمة بكثافة في استبانات الرضا، والاتجاهات النفسية، والتقييم المؤسسي. نظراً لأن الفروق بين خيارات الإجابة (مثل: أعارض بشدة، أعارض، محايد، أوافق، أوافق بشدة) ليست متساوية بالضرورة على مقياس مسافي رياضي، فإن حساب المتوسط الحسابي لتلك الاستجابات يعد تجاوزاً لافتراضات القياس، ويكون الوسيط هو المقياس الأدق لتمثيل النزعة العامة للمفحوصين.

وفي السياقات الإكلينيكية والطبية النفسية، تتعامل الدراسات غالباً مع عينات صغيرة أو غير متجانسة تضم مرضى بدرجات تدهور متفاوتة بشدة. يؤدي استخدام المتوسط في مثل هذه العينات إلى تضليل القرارات التشخيصية أو العلاجية؛ إذ قد ترفع حالة متدهورة واحدة متوسط الدرجة الكلية للمجموعة وتوحي بفاعلية منخفضة لبرنامج علاجي معين، بينما يعكس الوسيط حقيقة أن غالبية المرضى قد أظهروا تحسناً ملموساً واستقرت درجاتهم في النطاق الإيجابي.

لذلك، تشدد التوجيهات الأكاديمية على توثيق الوسيط جنباً إلى جنب مع المدى الربيعي عند نشر النتائج السلوكية غير الموزعة اعتدالياً، ويقدم نظام SAS الأدوات البرمجية الكفيلة بحساب هذه المؤشرات بدقة متناهية وإدراجها في تقارير جاهزة للنشر المباشر في المجلات النفسية المحكمة.

6. حساب المنوال (Mode) وتحليل التكرارات والقيم الأكثر شيوعاً

6.1 كيفية تحديد قيمة المنوال في مخرجات PROC UNIVARIATE

يمثل المنوال الركيزة الثالثة لمقاييس النزعة المركزية، ويعبر عن المشاهدة أو الدرجة الأكثر تكراراً وكثافة داخل التوزيع البياني. يُدرج إجراء PROC UNIVARIATE قيمة المنوال المحسوبة تلقائياً في السطر الأخير من قسم مقاييس الموقع (Location) داخل جدول “Basic Statistical Measures”، متبوعاً بعدد مرات تكراره في العينة (Count).

يعمل الإجراء بكفاءة تامة عند التعامل مع التوزيعات أحادية المنوال (Unimodal Distributions)، حيث يرصد القيمة ذات التردد الأعلى ويقدمها كإحصائية موقعية واضحة. يتميز المنوال بكونه قيمة فعلية موجودة أصلاً داخل مجموعة البيانات المرصودة (على عكس المتوسط الذي غالباً ما يكون رقماً كسرياً لا يطابق أي مفردة واقعية)، مما يمنحه معنى ملموساً في التقارير الوصفية المباشرة.

ومع ذلك، يمتلك إجراء PROC UNIVARIATE الافتراضي حداً تقنياً يجب التنبه له؛ فعند وجود توزيع متعدد المنوال (Multimodal) تتساوى فيه أكثر من قيمة في تحقيق أعلى تكرار، يقوم الإجراء الافتراضي باختيار وعرض أصغر هذه القيم المنوالية حسابياً، مع الإشارة في التقرير إلى وجود قيم أخرى منافسة، مما يستدعي تدخل المحلل لاستخراج الصورة التكرارية الكاملة عبر أدوات مساندة داخل SAS.

6.2 معالجة التوزيعات متعددة المنوال (Multimodal) في SAS

عندما تشير الفحوصات الاستكشافية إلى أن التوزيع يحتوي على أكثر من قمة تكرارية (Bimodal أو Multimodal)، يصبح الاعتماد على مخرجات جدول Basic Statistical Measures الفردية قاصراً عن الإحاطة بطبيعة الظاهرة. في هذه الحالة، يبرز الإجراء PROC FREQ كأداة لا غنى عنها لاستخراج التوزيعات التكرارية البسيطة والنسب المئوية لكافة قيم المتغير المستهدف.

تتم صياغة الأمر عبر الكود: PROC FREQ DATA=dataset_name; TABLES variable_name / ORDER=FREQ; RUN;. يتيح الخيار ORDER=FREQ ترتيب المخرجات تنازلياً وفقاً لكثافة التكرار؛ مما يضع كافة القيم المنوالية المتنافسة في قمة الجدول مع بيان تكرار كل منها ونسبتها المئوية والنسبة المئوية التراكمية، كاشفاً البنية التكرارية للعينة بوضوح تام.

إن اكتشاف تعدد القمم التكرارية داخل SAS يعد كشفاً إحصائياً بالغ الأهمية؛ فهو يدل في الأبحاث النفسية والاجتماعية على عدم تجانس مجتمع الدراسة واحتوائه على مجموعتين فرعيتين متباينتين (مثل وجود نمطين سلوكيين متمايزين داخل العينة ذاتها). ويوجه هذا الاكتشاف الباحث نحو فرز البيانات وإجراء تحليلات مقارنة عبر متغيرات وسيطة بدلاً من التعامل مع العينة ككتلة صماء واحدة.

6.3 أهمية المنوال في الأبحاث السلوكية والاجتماعية

يحظى المنوال بأهمية خاصة وفريدة في العلوم السلوكية والأبحاث التسويقية والاجتماعية، نظراً لكونه المقياس الوحيد الصالح للاستخدام عند التعامل مع المتغيرات الاسمية والفئوية البحتة (Nominal Variables) التي لا تخضع لمنطق الترتيب أو العمليات الحسابية الجبرية. فعند دراسة متغيرات مثل نمط الشخصية الأكثر انتشاراً، أو الاضطراب النفسي السائد في عينة إكلينيكية، أو التخصص الدراسي الأكثر تفضيلاً بين الطلاب، يصبح المنوال هو التعبير الإحصائي الدقيق والمباشر عن السلوك الجمعي النمطي.

كما يلعب المنوال دوراً تفسيرياً بارزاً في دراسات استطلاعات الرأي والتصويت؛ حيث يسعى الباحث إلى تحديد “الاستجابة النمطية” التي اختارتها الأغلبية البسيطة من المفحوصين. ويوفر المنوال في هذا السياق مؤشراً مباشراً على التوافق المجتمعي أو السلوكي حول قضية معينة.

ولتحقيق أقصى درجات الرصانة العلمية، يوصى بدمج المنوال مع مقاييس التشتت النوعي والفئوي (مثل نسبة التباين النوعي أو نسب التردد النسبي)، مما يتيح وصف درجة تركيز الإجابات حول المنوال أو تشتتها عبر الفئات الأخرى، وهو ما تقدمه جداول التكرار المتقاطعة في SAS بمنتهى الشمولية والوضوح.

7. تطبيق عملي: تحليل متغيرات متعددة دفعة واحدة باستخدام كود SAS

7.1 بناء مجموعة بيانات تجريبية متعددة الأبعاد

لتوضيح التطبيق العملي الشامل لحساب مقاييس النزعة المركزية الثلاثة، سنقوم بإنشاء مجموعة بيانات تجريبية تمثل قياسات الأداء الرياضي والبدني لعينة من الرياضيين، وتضم متغيرات رقمية متعددة تعكس جوانب مختلفة من الأداء: النقاط المسجلة (Points)، والمتابعات (Rebounds)، والتمريرات الحاسمة (Assists). تتيح هذه البيانات فحص سلوك التوزيعات المختلفة ومقارنة مقاييسها المركزية في بيئة تطبيقية حية.

يتم بناء مجموعة البيانات عبر كتابة كتلة DATA Step التالية في نافذة محرر SAS (SAS Program Editor):

DATA sports_data;
    INPUT PlayerID $ Points Rebounds Assists;
    DATALINES;
P01 18 8 5
P02 24 12 7
P03 24 6 4
P04 18 9 6
P05 32 15 10
P06 18 5 3
P07 26 5 8
;
RUN;

تتضمن هذه الكتلة تعريف متغير نصي للمعرف (PlayerID) وثلاثة متغيرات كمية رقمية، مع تغذية البرنامج بسبعة سجلات متنوعة تحتوي على تكرارات متعمدة وقيم متباينة لاختبار حساسية المتوسط والوسيط والمنوال لكل متغير على حدة.

7.2 تنفيذ إجراء التحليل الأحادي الشامل وتوليد النتائج

بعد تجميع مجموعة البيانات في الذاكرة بنجاح، يتم استدعاء إجراء التحليل الأحادي الشامل عبر تنفيذ الشيفرة البرمجية المباشرة:

PROC UNIVARIATE DATA=sports_data;
RUN;

بمجرد تشغيل هذا الأمر، يقوم محرك SAS بمعالجة المتغيرات الرقمية الثلاثة (Points وRebounds وAssists) بالتوازي، وتوليد تقرير إحصائي متكامل لكل متغير على حدة في نافذة النتائج (Results Viewer). يتضمن كل تقرير جداول العزوم، ومقاييس الموقع والتشتت، والمئينات، والقيم المتطرفة الخمس العليا والدنيا.

يتيح هذا التنفيذ المباشر استعراض المخرجات التفصيلية والانتقال بين المتغيرات عبر شجرة النتائج التفاعلية في واجهة البرنامج، مما يمكن الباحث من فحص النتائج الإحصائية العامة قبل الشروع في تخصيص التقارير أو استخراج الجداول الفرعية.

7.3 التحليل المقارن لنتائج المتغيرات المختلفة في العينة

بفحص مخرجات الإجراء للمتغيرات الثلاثة في العينة التجريبية، نصل إلى استنتاجات إحصائية وموقعية دقيقة توضح الفروق الهيكلية بين كل متغير:

• متغير النقاط (Points): يُظهر جدول Basic Statistical Measures أن المتوسط الحسابي يبلغ 22.86، في حين يستقر الوسيط عند 24.00، ويبرز المنوال بقيمة 18.00 (بتكرار بلغ 3 مرات). يعكس تباعد المنوال (18) عن الوسيط (24) والمتوسط (22.86) توزيعاً يتسم بوجود تجمع كثيف عند الدرجات الدنيا مع وجود قيمة عليا (32) رفعت المتوسط فوق قيمة المنوال ولكنها لم تستطع سحب الوسيط الموضعي.
• متغير المتابعات (Rebounds): يسجل التقرير متوسطاً حسابياً يبلغ 8.57، ووسيطاً قدره 8.00، ومنوالاً يستقر عند 5.00 (بتكرار مرتين). يشير التقارب النسبي بين المتوسط والوسيط إلى اعتدالية أفضل في هذا المتغير مقارنة بمتغير النقاط، مع بقاء أثر القيمة المرتفعة (15) كعامل جذب طفيف للمتوسط نحو الأعلى.
• متغير التمريرات (Assists): يُظهر التحليل متوسطاً قدره 6.14، ووسيطاً مطابقاً تقريباً يبلغ 6.00، مع غياب منوال أحادي مسيطر (أو تكرارات متساوية لكافة القيم المنفردة). يدل هذا التوافق الدقيق بين المتوسط والوسيط على تماثل خطي ممتاز في توزيع تمريرات اللاعبين حول المركز التوزيعي.

يوضح هذا التحليل المقارن كيف تمنح القراءة المشتركة للمتوسط والوسيط والمنوال فهماً عميقاً لا يمكن لمتوسط حسابي منفرد أن يوفره بمفرده.

8. تخصيص المخرجات واستخراج مقاييس محددة عبر عبارات VAR وOUTPUT

8.1 حصر التحليل في متغيرات مستهدفة باستخدام عبارة VAR

في قواعد البيانات الميدانية والضخمة التي قد تحتوي على مئات المتغيرات، يؤدي تنفيذ PROC UNIVARIATE العام إلى توليد تقارير هائلة الحجم تستهلك موارد المعالجة وتصعب من مهمة التدقيق والبحث. لمعالجة ذلك، يوفر SAS عبارة VAR (Variable Selection Statement) التي تتيح للمحلل حصر المعالجة الإحصائية على متغيرات رقمية معينة واستبعاد بقية الحقول غير المستهدفة.

تتم صياغة الكود المخصص كالتالي:

PROC UNIVARIATE DATA=sports_data;
    VAR Points Rebounds;
RUN;

يضمن استخدام عبارة VAR توجيه المحرك الإحصائي لتركيز العمليات الحسابية على متغيري النقاط والمتابعات فقط، متجاهلاً متغير التمريرات والمتغيرات النصية الأخرى. يسهم ذلك في تبسيط نافذة المخرجات وتقليص حجم التقارير الصادرة، وتجنب حساب مؤشرات لا تخدم الفرضيات البحثية قيد الاختبار.

8.2 تصدير المقاييس المحسوبة إلى جدول بيانات جديد عبر OUTPUT

تقتضي العديد من مسارات العمل الإحصائية المتقدمة حفظ مقاييس النزعة المركزية المستخرجة داخل جدول بيانات جديد (SAS Data Set) للاستفادة منها في عمليات لاحقة مثل الدمج، أو بناء نماذج تنبؤية، أو تحويل الدرجات الخام إلى درجات معيارية ممركزة. يوفر SAS عبارة OUTPUT فائقة المرونة لتحقيق هذا الغرض.

تتم كتابة عبارة التصدير وفق الصيغة الهيكلية التالية:

PROC UNIVARIATE DATA=sports_data NOPRINT;
    VAR Points;
    OUTPUT OUT=points_summary
        MEAN=Avg_Points
        MEDIAN=Med_Points
        MODE=Mode_Points
        STD=Std_Points;
RUN;

يقوم الخيار NOPRINT في عبارة الإجراء بإلغاء طباعة التقارير الورقية أو البصرية في نافذة النتائج، وتوجيه الطاقة الحسابية بالكامل لإنشاء الجدول الجديد points_summary. يحتوي هذا الجدول على أعمدة مخصصة تحمل مسميات واضحة للمتوسط والوسيط والمنوال والانحراف المعياري، مما يجعله جاهزاً للأرشفة الرقمية أو التصدير نحو برمجيات خارجية.

8.3 التحكم في تقارير SAS وحجب المخرجات غير الضرورية عبر ODS SELECT

يوفر نظام تسليم المخرجات ODS (Output Delivery System) في SAS قدرة متقدمة للتحكم الدقيق في الجداول والمخططات التي تظهر في شاشة النتائج. نظراً لأن PROC UNIVARIATE يُنتج افتراضياً خمسة جداول ضخمة لكل متغير، يمكن للباحث استخدام تعليمة ODS SELECT لاختيار جدول مقاييس النزعة المركزية حصراً وحجب بقية الجداول غير المرغوبة.

يتم تنفيذ ذلك عبر الشفرة التالية:

ODS SELECT BasicMeasures;
PROC UNIVARIATE DATA=sports_data;
    VAR Points;
RUN;

بموجب هذه التعليمة، يعزل نظام ODS جدول BasicMeasures الذي يحتوي على المتوسط والوسيط والمنوال ومقاييس التشتت الأساسية، ويمنع ظهور جداول العزوم والمئينات والقيم الشاذة. يؤدي هذا الإجراء إلى تنقية التقارير الإحصائية وتسهيل قراءتها السريعة من قبل الباحثين وصناع القرار دون الغرق في تفاصيل رياضية ثانوية.

9. مقارنة إجراء PROC UNIVARIATE مع إجراء PROC MEANS في SAS

9.1 الفروق الجوهرية في الوظائف والمخرجات بين الإجراءين

يعد الإجراءان PROC UNIVARIATE وPROC MEANS الركيزتين الأساسيتين للتحليل الوصفي في SAS، ولكنهما صُمما لخدمة أهداف تحليلية متباينة في العمق والتفصيل. يركز إجراء PROC MEANS على إنتاج ملخصات إحصائية سريعة وموجزة ومدمجة في جدول أحادي مضغوط، وهو مصمم أساساً لتقديم نظرة عامة خاطفة على البيانات التجميعية دون الخوض في التفاصيل الدقيقة لشكل التوزيع.

في المقابل، يتميز PROC UNIVARIATE بطابعه التشخيصي الشامل؛ فهو لا يكتفي بحساب المتوسطات، بل يفحص المئينات الدقيقة، والمقاييس المتينة، ويختبر الفرضيات الإحصائية للاعتدالية (مثل اختبارات Shapiro-Wilk وKolmogorov-Smirnov)، فضلاً عن استخراج المنوال تلقائياً مع تكراره الدقيق، وهو ما لا يقدمه PROC MEANS بصيغته الافتراضية المبسطة.

ومن الناحية البرمجية، يُعد PROC MEANS الخيار الأسرع حوسبياً عند التعامل مع قواعد البيانات الضخمة التي تضم عشرات الملايين من السجلات حيث يكون المطلوب فقط استخراج المتوسط والانحراف المعياري لتقارير الأداء الروتينية، في حين يظل PROC UNIVARIATE الخيار الأكاديمي الإلزامي عندما تستهدف الدراسة بناء فهم سيكومتري أو توزيعي متكامل لمتغيرات البحث.

9.2 حساب المتوسط والوسيط باستخدام PROC MEANS

يمكن تطويع إجراء PROC MEANS لحساب مقاييس النزعة المركزية بكفاءة عالية عبر تضمين الكلمات المفتاحية للمقاييس المطلوبة مباشرة في سطر الإجراء. يتيح ذلك تجاوز المخرجات الافتراضية وتحديد المتوسط والوسيط والمنوال بصورة انتقائية وموجزة.

يتم تنفيذ ذلك عبر الكود التالي:

PROC MEANS DATA=sports_data MEAN MEDIAN MODE STD CLM;
    VAR Points Rebounds;
RUN;

ينتج عن هذا الأمر جدول موجز وموحد يضم كافة المتغيرات المطلوبة في صفوف متتالية، وتظهر أمامها أعمدة المتوسط والوسيط والمنوال والانحراف المعياري، بالإضافة إلى حدود فترة الثقة للمتوسط (CLM). يوفر هذا التنسيق المدمج مساحة تقريرية كبيرة ويسمح للمحلل بمقارنة أداء المتغيرات المختلفة داخل جدول مرجعي واحد مريح للعين.

9.3 جدول مقارنة شامل لمعايير الاختيار بين أدوات التحليل الوصفي في SAS

لتسهيل اتخاذ القرار التحليلي المناسب للباحثين والمحللين، يوضح الجدول التالي المقارنة المنهجية الشاملة بين الإجراءين عبر أهم المعايير الإحصائية والتشغيلية:

المعيار الإحصائي والتشغيلي	إجراء PROC UNIVARIATE	إجراء PROC MEANS
حساب المتوسط والوسيط	تلقائي وشامل مع فترات الثقة والمقاييس المتينة	متاح كخيار برمجي إضافي في سطر الإجراء
حساب وتحديد المنوال (Mode)	تلقائي في جدول Basic Measures مع حساب التكرار	يتطلب طلباً صريحاً عبر كلمة MODE في الأمر
اختبارات التوزيع الطبيعي (Normality)	مدعومة بالكامل (Shapiro-Wilk, Anderson-Darling وغيرها)	غير مدعومة داخل الإجراء
الرسوم البيانية المدمجة (Histograms/Plots)	مدعومة مباشرة عبر خيارات الإجراء التوليدية	محدودة للغاية وتتطلب إجراءات رسومية منفصلة
الكفاءة والسرعة مع البيانات المليونية	تستهلك موارد أكبر نظراً لعمق العمليات والفرز	فائقة السرعة ومثالية للبيانات الضخمة والتلخيص السريع
طبيعة الاستخدام الموصى بها	الأبحاث الأكاديمية المعمقة، القياس النفسي، التجارب الإكلينيكية	التقارير الإدارية السريعة، تلخيص قواعد البيانات، التدقيق الروتيني

10. التعامل مع القيم المفقودة (Missing Values) وتأثيرها على المقاييس

10.1 سلوك برنامج SAS التلقائي تجاه القيم المفقودة (Missing Data)

تعتبر مشكلة البيانات المفقودة من التحديات الشائعة في الأبحاث الميدانية، سواء لامتناع المفحوص عن الإجابة، أو لخلل في أجهزة القياس والتسجيل. يتبع نظام SAS منطقاً حاسوبياً صارماً ومحدداً في تمثيل ومعالجة البيانات المفقودة؛ حيث يمثل القيمة الرقمية المفقودة بنقطة منفردة (.) في جداول البيانات، وتُعامل رياضياً كأصغر قيمة ممكنة في عمليات الفرز والترتيب.

عند تنفيذ إجراءات النزعة المركزية مثل PROC UNIVARIATE أو PROC MEANS، يقوم SAS تلقائياً باستبعاد السجلات المفقودة لكل متغير على حدة (Pairwise Deletion) عند حساب المتوسط والوسيط والمنوال؛ مما يعني أن حساب متوسط متغير معين لن يتأثر بوجود قيم مفقودة في متغير آخر داخل السجل ذاته. ويُفرد PROC UNIVARIATE قسماً خاصاً في نهاية تقريره يحمل اسم “Missing Values”، يوضح فيه العدد المطلق للقيم المفقودة، ونسبتها المئوية من إجمالي حجم العينة، مما يوفر تشخيصاً فورياً لمستوى اكتمال البيانات.

يضمن هذا السلوك التلقائي سلامة المعالجة الحسابية للمشاهدات المكتملة دون توقف البرنامج عن العمل، ولكنه يضع على عاتق المحلل مسؤولية فحص أنماط هذا الفقد وتداعياته المنهجية قبل تبني النتائج وتفسيرها.

10.2 تقييم أثر البيانات المفقودة على تحيز مقاييس النزعة المركزية

ينطوي الاستبعاد التلقائي للحالات المفقودة على مخاطر منهجية قد تؤدي إلى تشويه خطير في مقاييس النزعة المركزية إذا لم تكن آلية الفقد خاضعة للشرط الإحصائي المعروف بالفقد العشوائي التام (Missing Completely at Random – MCAR). فإذا كان الفقد غير عشوائي (Missing Not at Random – MNAR) — كأن يمتنع أصحاب الدخول المرتفعة جداً أو المنخفضة جداً عن الإفصاح عن مداخيلهم — فإن حذف هذه المشاهدات يؤدي إلى انحراف المتوسط الحسابي المحسوب في SAS عن متوسط المجتمع الحقيقي، مما يولد تحيزاً بنيوياً في النتائج.

كما يؤدي الفقد إلى تقليص حجم العينة الفعلي (Effective N)، مما يرفع من قيمة الخطأ المعياري للمتوسط ويوسع فترات الثقة، وبالتالي تنخفض القوة الإحصائية (Statistical Power) للاختبارات اللاحقة. أما بالنسبة للوسيط والمنوال، فإن الفقد الانتقائي لقيم تقع في قطاع معين من التوزيع يؤدي إلى إزاحة رتبة الوسيط وتغيير القيمة المنوالية الأكثر تكراراً، مما يرسم صورة مضللة عن السلوك النمطي لمجتمع الدراسة.

لذلك، يتوجب على الباحث في العلوم السلوكية فحص نمط الفقد ومقارنة خصائص الأفراد الذين استجابوا للمقياس مع أولئك الذين فقدت بياناتهم، لضمان عدم وجود فوارق نظامية تفسر ظاهرة الامتناع أو الانقطاع.

10.3 خيارات المعالجة والتعويض في SAS قبل استخراج المقاييس

يوفر نظام SAS ترسانة متقدمة من الإجراءات الرياضية المتخصصة لمعالجة البيانات المفقودة والتعويض عنها (Imputation) قبل الشروع في حساب مقاييس النزعة المركزية. يمكن استخدام إجراءات بسيطة مثل PROC STDIZE لاستبدال القيم المفقودة بمتوسط المتغير أو وسيطه الحسابي، على الرغم من أن هذا النهج الأحادي البسيط يؤدي إلى خفض مصطنع في تباين البيانات وقد يشوه العلاقات الارتباطية بين المتغيرات.

ولتحقيق أعلى درجات الدقة الإحصائية الموصى بها في الأبحاث الحديثة، يوفر SAS الإجراء المتقدم PROC MI (Multiple Imputation) لإجراء التعويض المتعدد؛ حيث يقوم بإنشاء عدة مجموعات بيانات مكتملة عبر نمذجة احتمالية للقيم المفقودة استناداً إلى كافة المتغيرات المتاحة في النموذج. يتم بعد ذلك حساب المتوسطات والوسائط لكل مجموعة بيانات معوضة ودمج النتائج عبر الإجراء PROC MIANALYZE للحصول على تقديرات غير متحيزة وفترات ثقة موثوقة تعكس بدقة حالة عدم اليقين الناتجة عن الفقد.

يتعين على الباحث توثيق الاستراتيجية المتبعة في التعامل مع البيانات المفقودة داخل قسم المنهجية، وتبرير استخدام أي أسلوب تعويضي وفقاً لحجم الفقد وطبيعته، لضمان الشفافية العلمية وإمكانية تكرار التحليل في الدراسات المستقبلية.

11. التحليل المتقدم للنزعة المركزية عبر الفئات والمجموعات (BY و CLASS)

11.1 تجزئة التحليل باستخدام عبارة CLASS المقارنة

تتطلب الأبحاث المقارنة غالباً فحص وتتبع مقاييس النزعة المركزية عبر مجموعات فرعية مستقلة (مثل مقارنة الذكور والإناث، أو مقارنة المجموعة الضابطة بالمجموعة التجريبية). تتيح عبارة CLASS داخل إجراء PROC UNIVARIATE تجزئة التحليل الموقعي والتوزيعي وفقاً لمتغير تصنيفي فئوي محدد في خطوة برمجية واحدة وأنيقة دون الحاجة لفرز البيانات مسبقاً.

تتم كتابة كود التحليل المقارن كالتالي:

PROC UNIVARIATE DATA=sports_data;
    CLASS Gender;
    VAR Points;
RUN;

يقوم محرك SAS عند تنفيذ هذا الأمر ببناء تقارير إحصائية متوازية داخل الجدول ذاته؛ حيث يضع إحصاءات المجموعة الأولى في مواجهة إحصاءات المجموعة الثانية. يتيح هذا العرض المقارن للمحلل رصد التباينات الفورية في المتوسط والوسيط والمنوال بين المجموعتين، مما يمهد الطريق لتقييم أثر المتغير الفئوي المستقل على المتغير التابع قبل الانتقال للاختبارات الفرضية المعلمية أو اللامعلمية.

11.2 التحليل الطبقي المنفصل باستخدام عبارة BY والفرز المسبق

تمثل عبارة BY البديل التشغيلي والطبقي لعبارة CLASS، وتُستخدم لتوليد تقارير إحصائية منفصلة ومستقلة تماماً لكل فئة من فئات المتغير التصنيفي. تشترط بيئة SAS لاستخدام عبارة BY أن تكون مجموعة البيانات الأصلية مرتبة ومفروزة مسبقاً وفقاً للمتغير التصنيفي ذاته، ويتم ذلك باستدعاء إجراء الفرز PROC SORT كخطوة تمهيدية إلزامية.

يتم تنفيذ المسار البرمجي المتكامل عبر الخطوات التالية:

PROC SORT DATA=sports_data OUT=sorted_sports;
    BY Team;
RUN;

PROC UNIVARIATE DATA=sorted_sports;
    BY Team;
    VAR Points;
RUN;

يولد هذا النهج تقريراً كاملاً ومستقلاً لكل فريق رياضي (Team) على حدة، بما يشمل كافة الجداول التشخيصية والمئينات والقيم الشاذة الخاصة بكل فريق بمعزل عن الآخر. يُعد هذا التحليل الطبقي المنفصل مثالياً في الدراسات الإكلينيكية التي تتابع مراكز علاجية متعددة (Multi-center Trials) وتتطلب إصدار تقارير تدقيق مستقلة لكل مركز على حدة.

11.3 تحليل الفروق المركزية وتفسير التباين بين المجموعات الفرعية

يقدم التحليل المقارن لمقاييس النزعة المركزية عبر المجموعات الفرعية رؤى سيكومترية وسلوكية بالغة العمق؛ إذ لا تقتصر المقارنة على معرفة أي المجموعات تمتلك متوسطاً أعلى، بل تمتد لفحص تماثل الأشكال التوزيعية عبر المجموعات. فعلى سبيل المثال، قد يتساوى متوسط درجات التحصيل الدراسي بين الذكور والإناث في عينة معينة، ولكن يظهر فحص الوسيط والمنوال أن توزيع درجات الذكور يتسم بوجود منوالين وقيم متطرفة في الطرفين، بينما يتمركز توزيع الإناث بانتظام متماثل حول الوسيط.

تساعد هذه الملاحظات الوصفية المقارنة في تجنب الاستنتاجات المتعجلة حول تكافؤ المجموعات؛ فالتباين في الالتواء أو تعدد المنوالات بين المجموعات الفرعية ينبه الباحث إلى أن تطبيق اختبارات الفروق المعلمية القياسية مثل اختبار (T-test) أو تحليل التباين (ANOVA) قد ينتهك افتراض تجانس التوزيعات والتباينات (Homogeneity of Variance).

في مثل هذه الحالات، يوجه التقرير الاستكشافي لـ SAS المحلل نحو استخدام اختبارات بديلة متينة مثل اختبار ويلكوكسون-مان-ويتني (Wilcoxon-Mann-Whitney) للمقارنة المعتمدة على الرتب والوسائط، مما يعزز الرصانة المنهجية للدراسة ويحمي الاستنتاجات العلمية من التحيز التفسيري.

12. أفضل الممارسات وتفسير التقارير الإحصائية الناتجة وتصدير النتائج

12.1 التمثيل البصري لمقاييس النزعة المركزية داخل SAS

يكتمل التحليل الإحصائي الرصين بالدمج بين المؤشرات العددية والتمثيل البياني البصري الذي يجسد موقع المتوسط والوسيط والمنوال بصورة بديهية وواضحة. يتيح إجراء PROC UNIVARIATE إنشاء مخططات بيانية فائقة الدقة مباشرة عبر إضافة خيارات الرسم التوليدية مثل عبارة HISTOGRAM وعبارة PROBPLOT.

يمكن تنفيذ ذلك عبر صياغة الكود التالي:

PROC UNIVARIATE DATA=sports_data NOPRINT;
    VAR Points;
    HISTOGRAM Points / NORMAL(COLOR=red) KERNEL;
    INSET MEAN MEDIAN MODE STD / POSITION=NE;
RUN;

يقوم هذا الأمر برسم المدرج التكراري (Histogram) لمتغير النقاط مع مطابقة منحنى التوزيع الطبيعي النظري (باللون الأحمر) ومنحنى الكثافة الفعلي (Kernel Density Curve). كما تقوم عبارة INSET بإدراج مستطيل معلوماتي أنيق داخل زاوية الرسم البياني يحتوي على القيم العددية للمتوسط والوسيط والمنوال والانحراف المعياري، مما يسمح بمطابقة قمة المدرج (المنوال) ونقطة الانتصاف (الوسيط) ومركز الثقل (المتوسط) بصرياً، ورصد درجة الالتواء بدقة بالغة.

12.2 صياغة وتوثيق نتائج النزعة المركزية وفق معايير APA

تفرض المعايير الأكاديمية الصادرة عن الجمعية الأمريكية لعلم النفس (APA Style – الإصدار السابع) قواعد صارمة لتوثيق مقاييس النزعة المركزية والتشتت داخل المتن والجداول الإحصائية للأبحاث المنشورة. تهدف هذه المعايير إلى ضمان الوضوح وتوحيد الرموز وتفادي اللبس في قراءة الأرقام.

عند كتابة التقارير للمتغيرات ذات التوزيع الطبيعي، يُقرن المتوسط الحسابي دائماً بالانحراف المعياري، وتُكتب الرموز مائلة باللغة الإنجليزية مع تقريب القيم لمنزلتين عشريتين: “بلغ متوسط درجات الأداء الرياضي (M = 22.86, SD = 4.88)…”. أما في حال كانت البيانات ملتوية أو ترتيبية واعتمد الباحث على الوسيط، فيتم توثيق الوسيط مقترناً بالمدى الربيعي أو المدى الكلي: “سجلت درجات المتابعات وسيطاً قدره (Mdn = 8.00, IQR = 6.00)…”.

وفيما يخص المنوال، يُشار إليه في المتن عند مناقشة الاستجابات الأكثر تكراراً بصيغة واضحة: “وكان المنوال لعدد النقاط المسجلة هو 18 نقطة (بتكرار f = 3)…”. وعند تصميم الجداول التلخيصية، يوصى بإنشاء جدول إحصائي وصفي يجمع بين (M, SD, Mdn, Mode) لتقديم صورة بانورامية متكاملة تلبي شروط النشر في المجلات العالمية المحكمة.

12.3 تصدير الجداول والمخرجات الإحصائية إلى تنسيقات خارجية (Word, Excel, PDF)

تتطلب المرحلة النهائية من التحليل نقل الجداول والمخرجات الإحصائية من بيئة SAS الخام إلى تنسيقات مكتبية قياسية تتيح للمحلل دمجها بسلاسة في التقارير الأكاديمية ومسودات النشر دون الحاجة إلى النسخ واللصق اليدوي المعرض للخطأ. يتيح نظام تسليم المخرجات (ODS) تصدير الجداول بجودة طباعة فائقة إلى صيغ Microsoft Word (عبر ODS RTF) وصيغ Microsoft Excel (عبر ODS EXCEL) وصيغ Adobe PDF.

يتم تنفيذ مسار التصدير المؤتمت عبر الكود النموذجي التالي:

ODS RTF FILE="C:ReportsCentralTendencyReport.rtf" STYLE=Journal;
ODS SELECT BasicMeasures Moments;
PROC UNIVARIATE DATA=sports_data;
    VAR Points Rebounds Assists;
RUN;
ODS RTF CLOSE;

يقوم نمط التنسيق STYLE=Journal بتهيئة المخرجات طبقاً للمواصفات التيبوغرافية للمجلات الأكاديمية، حيث يتم حجب الألوان الخلفية غير الضرورية وضبط خطوط الجداول والحدود بما يتوافق مع المعايير المعملية. يضمن هذا الإجراء أتمتة إعداد التقارير الدورية بكفاءة وسرعة ودقة مطلقة.

خاتمة

يمثل استخراج وفهم مقاييس النزعة المركزية — المتوسط الحسابي، والوسيط، والمنوال — عبر منظومة SAS الإحصائية حجر الأساس لأي تحليل كمي رصين. أظهرت المحاور التفصيلية لهذا الدليل أن القوة التحليلية لا تكمن في استخراج رقم مفرد، بل في القراءة النقدية المقارنة للعلاقة التبادلية بين المتوسط بحساسيته الشديدة، والوسيط بحصانته وموقعيته، والمنوال بتعبيره عن النمطية والتكرار. ومن خلال توظيف أدوات SAS المتخصصة كإجراءي PROC UNIVARIATE وPROC MEANS، والاستفادة من آليات الفرز والتعويض وتوجيه المخرجات عبر ODS، يستطيع الباحث والمحلل الانتقال ببياناته من مجرد أرقام مبعثرة إلى رؤى علمية دقيقة تدعم اتخاذ القرارات المنهجية والإكلينيكية السليمة، وتضمن الامتثال لأعلى معايير التوثيق الأكاديمي الدولي.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cody, R. (2018). Learning SAS by example: A programmer’s guide (2nd ed.). SAS Institute Inc.
• Delwiche, L. D., & Slaughter, S. J. (2019). The little SAS book: A primer (6th ed.). SAS Institute Inc.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Little, R. J. A., & Rubin, D. B. (2019). Statistical analysis with missing data (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781119013563
• SAS Institute Inc. (2021). Base SAS 9.4 procedures guide: Statistical procedures (5th ed.). SAS Institute Inc. https://support.sas.com/documentation/onlinedoc/stat/index.html
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.