كيفية حساب الارتباط الجزئي في برنامج SPSS

يمثل التحليل الإحصائي حجر الزاوية في استنباط الحقائق العلمية وفحص الفرضيات النظرية عبر شتى حقول العلوم السلوكية، والاجتماعية، والتربوية، والطبية. وفي هذا السياق، تعد دراسة العلاقات الارتباطية بين المتغيرات من أكثر الإجراءات الإحصائية شيوعاً؛ إلا أن الواقع الإنساني والاجتماعي يتسم بالتعقيد والتداخل، حيث نادراً ما تقتصر الظواهر على علاقة ثنائية معزولة بين متغيرين فقط دون أن تتأثر بحزمة من المتغيرات الوسيطة، أو الدخيلة، أو المربكة. من هنا تبرز الأهمية المنهجية القصوى لتقنية الارتباط الجزئي (Partial Correlation)، والتي تمنح الباحثين أداة رياضية رصينة لتفكيك التشابك بين المتغيرات وعزل أثر متغير ثالث (أو عدة متغيرات) إحصائياً، بهدف الكشف عن الطبيعة الحقيقية والصافية للعلاقة المستهدفة.

تكمن المعضلة الأساسية في استخدام معاملات الارتباط البسيطة (مثل معامل ارتباط بيرسون) في قابليتها للتأثر بالتباين المشترك المنسوب لمتغيرات أخرى لم تُدرج في المعادلة الثنائية المباشرة، مما قد يقود الباحث إلى استنتاجات مضللة كإثبات علاقة زائفة لا وجود لها في الواقع، أو إخفاء علاقة حقيقية قائمة بالفعل ولكنها محجوبة بتأثير متغير كابت. يوفر برنامج IBM SPSS Statistics بيئة متقدمة ومرنة لتنفيذ تحليلات الارتباط الجزئي بدقة متناهية، متيحاً للمشتغلين بالبحث العلمي إمكانات واسعة لمعالجة البيانات، والتحقق من الافتراضات البارامترية، وقراءة الجداول والمصفوفات الإحصائية باحترافية تسهم في تعزيز الصدق الداخلي للدراسات.

يقدم هذا الدليل المرجعي الشامل تفصيلاً معمقاً وممنهجاً لكل ما يتصل بالارتباط الجزئي؛ بدءاً من أصوله النظرية واشتقاقاته الرياضية، مروراً بمقارنته الدقيقة مع المقاييس الإحصائية المجاورة، واستعراض شروطه وافتراضاته الصارمة، وصولاً إلى التطبيق العملي خطوة بخطوة داخل بيئة برنامج SPSS عبر الواجهة الرسومية وكود الأوامر البرمجية (Syntax). كما يغطي الدليل كيفية قراءة المخرجات وتفسيرها، وحساب حجوم الأثر وفترات الثقة، والتعامل مع انتهاك الافتراضات، وتوثيق النتائج وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition)، مع تجنب المزالق المنهجية الشائعة لضمان سلامة الاستدلال الإحصائي.

1. مفهوم الارتباط الجزئي وأهميته في البحوث النفسية والاجتماعية

1.1 التعريف النظري لمعامل الارتباط الجزئي

يُعرف معامل الارتباط الجزئي بأنه مقياس إحصائي بارامتري يقيس قوة واتجاه العلاقة الخطية الصافية بين متغيرين كميين مستمرين بعد إزالة وعزل التباين (Variance) المشترك الذي يعود إلى متغير ثالث أو مجموعة من المتغيرات الأخرى المعرفة كمتغيرات ضابطة (Control Variables). يستند هذا المفهوم على مبدأ تحييد التغاير الرياضي، حيث يقوم النموذج بضبط الارتباط المتبادل عن طريق إسقاط أثر المتغير الضابط على كلا المتغيرين الأصليين، ومن ثم حساب الارتباط بين البواقي (Residuals) الناتجة عن انحدار كل منهما على المتغير الضابط.

من الناحية الرياضية، إذا كان لدينا ثلاثة متغيرات: $X$ (المتغير المستقل)، و$Y$ (المتغير التابع)، و$Z$ (المتغير الضابط)، فإن معامل الارتباط الجزئي بين $X$ و$Y$ بعد عزل أثر $Z$، والذي يُرمز له بالرمز$r_{xy.z}$، يتم اشتقاقه من معاملات ارتباط بيرسون الصفرية (Zero-Order Correlations) بين أزواج المتغيرات الثلاثة ($r_{xy}$,$r_{xz}$,$r_{yz}$) وفق الصيغة الآتية:

$$r_{xy.z} = \frac{r_{xy} – (r_{xz} \cdot r_{yz})}{\sqrt{(1 – r_{xz}^2)(1 – r_{yz}^2)}}$$

توضح هذه المعادلة بجلاء أن بسط الكسر يمثل التغاير المتبقي بين $X$ و$Y$ بعد طرح حاصل ضرب ارتباطيهما بالمتغير $Z$، بينما يمثل المقام تصحيحاً لتباين المتغيرين بعد استبعاد التباين الذي يفسره المتغير$Z$ في كل منهما. وبذلك، يلغي الارتباط الجزئي أي مساهمة تباينية مباشرة أو غير مباشرة للمتغير $Z$، مانحاً الباحث تقديراً دقيقاً ومجرداً للعلاقة الخطية بين المتغيرين محل الاهتمام، وهو ما يمثل الأداة الإحصائية الأساسية لضبط المتغيرات المربكة والدخيلة (Confounding Variables) التي لا يمكن ضبطها تجريبياً في البيئات الواقعية الميدانية.

1.2 دواعي استخدام الارتباط الجزئي في العلوم النفسية

تتعامل العلوم النفسية والتربوية والاجتماعية مع بنيات افتراضية وظواهر سلوكية شديدة التعقيد والتداخل، حيث تتأثر الاستجابات الإنسانية بطيف واسع من العوامل البيولوجية، والنفسية، والديموغرافية المتزامنة. يتيح الارتباط الجزئي للباحثين النفسيين التغلب على قيود الدراسات الارتباطية البسيطة من خلال عزل المتغيرات الديموغرافية الشائعة مثل العمر الزمني، والجنس، والمستوى الاجتماعي والاقتصادي، وسنوات التعليم، والتي تعمل في كثير من الأحيان كمتغيرات مشوشة تحجب طبيعة العلاقات الحقيقية بين المتغيرات المستهدفة.

على سبيل المثال، عند فحص العلاقة بين القلق الأكاديمي والتحصيل الدراسي لدى طلبة الجامعات، قد يلاحظ الباحث وجود ارتباط سلبي قوي؛ إلا أن هذا الارتباط قد يكون مدفوعاً جزئياً بمستوى القدرة المعرفية العامة (الذكاء) التي تؤثر إيجاباً في التحصيل وتقلل في الوقت ذاته من حدة القلق. باستخدام الارتباط الجزئي، يستطيع الباحث عزل أثر الذكاء كمتغير ضابط لمعرفة ما إذا كان القلق بحد ذاته يؤثر سلباً في التحصيل الدراسي بمعزل عن القدرات الذهنية للمتعلم.

علاوة على ذلك، يعد الارتباط الجزئي أداة منهجية حاسمة لاختبار النماذج النظرية التفسيرية واستبعاد الارتباطات الزائفة (Spurious Correlations). تنشأ الارتباطات الزائفة عندما يظهر ارتباط إحصائي قوي ودال بين متغيرين لا يرتبطان سببياً بأي شكل، بل يشتركان في كونهما نتاجاً لمتغير ثالث مشترك. فعند ضبط هذا المتغير المشترك، ينخفض معامل الارتباط بين المتغيرين الأصليين ليقترب من الصفر ويفقد دلالته الإحصائية، مما يحمي الباحث من الوقوع في فخ التفسيرات الخاطئة ويضمن بناء استنتاجات قائمة على أرضية تجريبية وإحصائية صلبة.

1.3 مراتب الارتباط الجزئي (Orders of Partial Correlation)

يُصنف معامل الارتباط الجزئي وفقاً لعدد المتغيرات الضابطة التي يتم تحييد أثرها الإحصائي في النموذج، وهو ما يُعرف اصطلاحاً بمرتبة أو درجة الارتباط (Order of Correlation). يُطلق على الارتباط البسيط غير المضبوط مصطلح الارتباط من المرتبة الصفرية (Zero-order Correlation)؛ نظراً لعدم وجود أي متغير ضابط في معادلته، حيث تُقاس العلاقة بين المتغيرين كما هي في الواقع الإحصائي المباشر للبيانات الخام.

عندما يقوم الباحث بضبط متغير وسيط أو دخيل واحد فقط (مثل ضبط الذكاء في العلاقة بين القلق والتحصيل)، يُطلق على المعامل الناتج الارتباط الجزئي من الدرجة الأولى (First-order Partial Correlation)، ويُرمز له بالرمز $r_{xy.z}$. أما إذا تطلب التصميم المنهجي عزل أثر متغيرين ضابطين في آن واحد (مثل ضبط العمر والمستوى الاقتصادي معاً)، فإن التحليل ينتقل إلى الارتباط الجزئي من الدرجة الثانية (Second-order Partial Correlation)، ويُرمز له بـ $r_{xy.z_1 z_2}$. وبالمثل، يُطلق مصطلح الارتباطات الجزئية ذات الرتب العليا (Higher-order Partial Correlations) على أي تحليل يتضمن ضبط ثلاثة متغيرات ضابطة أو أكثر ($r_{xy.z_1 z_2 … z_k}$).

تتطلب زيادة مرتبة الارتباط الجزئي وعياً إحصائياً عميقاً؛ إذ إن كل متغير ضابط إضافي يتم إدخاله في النموذج يترتب عليه استهلاك درجة واحدة من درجات الحرية (Degrees of Freedom)، حيث تُحسب درجات الحرية لمعامل الارتباط الجزئي بالصيغة: $df = N – k – 2$، حيث يمثل $N$ حجم العينة الكلي، بينما يمثل $k$ عدد المتغيرات الضابطة المعزولة. يترتب على استنزاف درجات الحرية انخفاض مباشر في القوة الإحصائية (Statistical Power) للاختبار، مما يستلزم توفر أحجام عينات كافية لتعويض الفقد وضمان دقة اختبارات الدلالة الإحصائية.

2. المقارنة المنهجية بين الارتباط البسيط والجزئي وشبه الجزئي

2.1 الارتباط البسيط (Zero-Order Correlation) مقابل الارتباط الجزئي

يرتكز الارتباط البسيط (ارتباط بيرسون) على قياس التباين المشترك الإجمالي بين متغيرين دون أدنى مراعاة للمتغيرات المحيطة؛ فهو يصف السلوك الاقتراني المباشر بين المتغير $X$ والمتغير $Y$ ضمن مصفوفة البيانات الخام. هذا الاقتران يعكس التداخل الإحصائي الكلي، والذي يشمل كلاً من التأثير المباشر بين المتغيرين والتأثيرات المشتركة الناتجة عن تشابكهما مع متغيرات سياقية أو ديموغرافية أو نفسية أخرى.

في المقابل، يحدث الارتباط الجزئي تحولاً جوهرياً في بنية التباين المفحوص؛ إذ يعمل على تقسيم تباين كل من $X$ و$Y$ إلى جزء يرتبط بالمتغير الضابط $Z$ وجزء مستقل تماماً عنه، ثم يقوم بحساب الاقتران الخطي بين الأجزاء المستقلة فقط. يترتب على عملية الضبط الإحصائي هذه ثلاثة سيناريوهات رئيسية تقود التحليل المنهجي:

• سيناريو الانخفاض الحاد أو التلاشي: تنخفض قيمة معامل الارتباط وتفقد دلالتها الإحصائية بعد الضبط، مما يشير إلى أن العلاقة الأصلية كانت علاقة زائفة أو مفسرة بالكامل بالمتغير الضابط.
• سيناريو الثبات والاستقرار: تظل قيمة معامل الارتباط ومستواها الدلالي دون تغيير جوهري، مما يؤكد أن العلاقة بين المتغيرين مستقلة وأصيلة ولا تتأثر بالمتغير المعزول.
• سيناريو الظهور أو التعزيز (تأثير المتغير الكابت): تزداد قيمة المعامل أو تنعكس إشارتها وتكتسب دلالة إحصائية كانت محجوبة سابقاً، مما يكشف عن وجود متغير كابت (Suppressor Variable) كان يخفي العلاقة الحقيقية في الارتباط الصفري.

2.2 الارتباط شبه الجزئي (Semi-Partial / Part Correlation)

يُمثل الارتباط شبه الجزئي—والذي يُعرف غالباً في أدبيات الانحدار ومخرجات SPSS باسم ارتباط الجزء (Part Correlation)—مفهوماً إحصائياً دقيقاً يختلف في جوهره الرياضي والتطبيقي عن الارتباط الجزئي الكامل. فبينما يعمل الارتباط الجزئي على إزالة التباين المنسوب للمتغير الضابط $Z$ من كلا المتغيرين المستهدفين ($X$ و$Y$)، فإن الارتباط شبه الجزئي يزيل أثر المتغير الضابط$Z$ من متغير واحد فقط (غالباً المتغير المستقل $X$) مع الإبقاء على المتغير الآخر ($Y$) بكامل تباينه الأصلي دون تعديل.

تظهر الأهمية الاستثنائية للارتباط شبه الجزئي عند تطبيق نماذج الانحدار الخطي المتعدد (Multiple Linear Regression)؛ حيث يُستخدم مربع معامل الارتباط شبه الجزئي ($sr^2$) لتحديد مقدار الزيادة الفريدة في التباين المفسر ($R^2$ Change) التي يضيفها متغير مستقل معين بمفرده إلى النموذج بعد إدخال جميع المتغيرات المستقلة والضابطة الأخرى. يُقاس الارتباط شبه الجزئي بالصيغة الرياضية الآتية:

$$sr_{y(x.z)} = \frac{r_{xy} – (r_{xz} \cdot r_{yz})}{\sqrt{1 – r_{xz}^2}}$$

يتضح من المقارنة بين مقامي المعادلتين أن مقام الارتباط شبه الجزئي لا يحتوي على الحد $(1 – r_{yz}^2)$، مما يجعل قيمة الارتباط شبه الجزئي دائماً مساوية لمعامل الارتباط الجزئي أو أصغر منه عدداً ($|sr| le |pr|$)، نظراً لأن تباين المتغير التابع لم يُقلص بالتحييد الإحصائي.

2.3 معايير الاختيار بين أنواع الارتباط المختلفة في التصميم البحثي

يتوقف الاختيار المنهجي الرصين بين الارتباط الصفري، والارتباط الجزئي، والارتباط شبه الجزئي على البنية الفلسفية للأسئلة البحثية وطبيعة الأهداف التحليلية للدراسة. يوضح الجدول والتحليل الآتي معايير التمييز المنهجي والتطبيقي بين هذه الأنواع الثلاثة:

• الارتباط الصفري (Zero-Order): يُستخدم في الدراسات الاستكشافية والوصفية الأولية للإجابة عن سؤال: “هل يقترن المتغير $X$ بالمتغير $Y$ في الواقع الإحصائي العام؟” دون محاولة للتدخل في آليات هذا الاقتران أو تفسير مساراته.
• الارتباط الجزئي (Partial Correlation): يُستخدم في الدراسات التفسيرية والارتباطية المتقدمة للإجابة عن سؤال: “ما هي القوة الحقيقية للعلاقة بين $X$ و$Y$ إذا افترضنا نظرياً ثبات المتغير $Z$ لجميع أفراد العينة؟” وهو الأنسب لاختبار العلاقات المعرفية والسلوكية المحددة.
• الارتباط شبه الجزئي (Semi-Partial Correlation): يُستخدم ضمن أطر النمذجة التنبؤية واختبارات التسلسل الهرمي للمتغيرات للإجابة عن سؤال: “ما هو المقدار الفريد من التباين في $Y$ الذي يفسره المتغير $X$ وحده بعد السيطرة على المتغيرات الأخرى؟”

ينبغي على الباحثين تجنب الاعتماد على الارتباط الجزئي لإثبات العلاقات السببية الصارمة؛ فالتحييد الإحصائي للتباين لا يُغني منهجياً عن التصميم التجريبي القائم على التعيين العشوائي والتحكم الفيزيائي في بيئة التجربة، وإن كان يمثل أفضل محاكاة ممكنة للضبط التجريبي في التصاميم الارتباطية الميدانية.

3. الافتراضات الإحصائية والشروط المسبقة لتطبيق الارتباط الجزئي

3.1 مستوى قياس المتغيرات (Level of Measurement)

يُعد الارتباط الجزئي اختباراً معلمياً (Parametric Test) صارماً، ويشترط في شكله القياسي أن تكون جميع المتغيرات الداخلة في التحليل—سواء المتغيرات الرئيسية المراد دراستها أو المتغيرات الضابطة—متغيرات كمية مستمرة مقاسة على مستوى مقياس الفواصل (Interval Scale) أو مقياس النسبة (Ratio Scale). تشمل هذه المتغيرات درجات الاختبارات التحصيلية، والدرجات الكلية للاستبيانات المقننة، والأزمنة، والقياسات الفسيولوجية، والمؤشرات الديموغرافية المستمرة كالعمر والدخل المالي الفعلي.

في بعض الحالات التطبيقية المحددة، يُسمح بإدراج متغيرات تصنيفية ثنائية التفرع الحقيقي (Dichotomous Variables) كمتغيرات ضابطة (مثل: الجنس: ذكر/أنثى)، شريطة أن يتم ترميزها اصطناعياً كمتغيرات وهمية (Dummy Variables) باستخدام القيمتين (0 و1). في هذا السياق، يقوم النموذج بضبط الفروق بين المجموعتين بدقة مماثلة لضبط المتغير المستمر.

في المقابل، يُحظر إدراج المتغيرات الاسمية متعددة الفئات (Nominal Variables) مثل التخصص الأكاديمي أو الجنسية، أو المتغيرات الرتبية العادية (Ordinal Variables) ذات الفئات القليلة (مثل مقياس ليكرت الثلاثي أو الخماسي المكون من مفردة واحدة) دون معالجة مسبقة؛ إذ يؤدي استخدامها المباشر إلى انتهاك خطي حاد وتشوه مصفوفات التغاير، مما ينتج عنه معاملات ارتباط جزئية غير موثوقة وفاقدة للدلالة الحقيقية.

3.2 الاعتدالية والتوزيع الطبيعي متعدد المتغيرات (Multivariate Normality)

يشترط التحليل الإحصائي للارتباط الجزئي خضوع المتغيرات للتوزيع الطبيعي المشترك أو ما يُعرف بـ التوزيع الطبيعي متعدد المتغيرات (Multivariate Normality). يعني هذا الافتراض نظرياً أن أي توليفة خطية من المتغيرات تتوزع توزيعاً طبيعياً، وأن التوزيع الشرطي لأي متغير عند أي قيمة محددة للمتغيرات الأخرى يتبع أيضاً المنحنى الجرسي المعتدل.

نظراً لصعوبة التحقق المباشر من التوزيع الطبيعي متعدد المتغيرات في الممارسة الميدانية، يعتمد الباحثون منهجياً على فحص التوزيع الطبيعي أحادي المتغير (Univariate Normality) لكل متغير على حدة كشرط أولي وضروري. يتم ذلك من خلال الاختبارات الإحصائية المعيارية مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) للعينات الصغيرة والمتوسطة ($N < 50$)، واختبار كولموجوروف-سميرنوف المصحح بواسطة ليلفورس (Kolmogorov-Smirnov Test) للعينات الكبيرة ($N ge 50$).

بالإضافة إلى الاختبارات الفرضية، يجب تقييم المعاملات الوصفية للشكل التوزيعي؛ حيث يُفضل أن تقع قيم الالتواء (Skewness) والتفرطح (Kurtosis) لجميع المتغيرات ضمن المدى المقبول إحصائياً بين $-1.0$ و $+1.0$ (أو بين $-2.0$ و $+2.0$ في المعايير الأكثر تسامحاً للعينات الكبيرة). يؤدي انتهاك افتراض الاعتدالية إلى تضخيم الخطأ المعياري لمعامل الارتباط وتقدير خاطئ لمستويات الدلالة الإحصائية (p-values)، مما قد ينتج عنه ارتكاب خطأ من النوع الأول (Type I Error) أو الثاني (Type II Error).

3.3 الخطية وتجانس التباين وغياب القيم المتطرفة

تتضمن الافتراضات الأساسية للارتباط الجزئي مجموعة من الشروط الهندسية والتوزيعية الإضافية التي تضمن كفاءة التقدير الرياضي:

• الخطية (Linearity): يجب أن تكون العلاقة بين كل زوج من المتغيرات علاقة خطية مستقيمة وليست علاقة منحنية (Curvilinear). يتم فحص هذا الافتراض بصرياً من خلال إنشاء مصفوفة مخططات التشتت (Scatterplot Matrix) لكافة أزواج المتغيرات والتحقق من عدم وجود أنماط أسية أو تربيعية أو شكل حرف U.
• تجانس التشتت والبواقي (Homoscedasticity): يشترط أن يكون تشتت تباين المتغير $Y$ متساوياً عبر جميع مستقيمات المتغير $X$ والمتغير الضابط $Z$؛ حيث يؤدي عدم التجانس (Heteroscedasticity) إلى تشويه حسابات التباين المتبقي.
• غياب القيم المتطرفة أحادية ومتعددة المتغيرات (Outliers): يتميز معامل بيرسون بحساسيته المفرطة للقيم الشاذة التي قد تغير اتجاه المعامل أو تضخمه بصورة مصطنعة. يجب فحص القيم المتطرفة الأحادية باستخدام الدرجات المعيارية ($Z-scores > \pm 3.29$)، وفحص القيم المتطرفة متعددة المتغيرات باستخدام مقياس مسافة ماهالانوبيس (Mahalanobis Distance) مقارنة بقيم التوزيع الكاي-تربيعي ($\chi^2$) عند درجات حرية مطابقة لعدد المتغيرات وبمستوى دلالة $p < .001$.

4. إعداد وتجهيز مصفوفة البيانات في برنامج SPSS

4.1 تعريف وترميز المتغيرات في شاشة Variable View

تبدأ الخطوة الأولى للتحليل الإحصائي السليم داخل بيئة برنامج IBM SPSS Statistics بتهيئة شاشة متغيرات البيانات (Variable View) بطريقة معيارية تمنع حدوث أخطاء المعالجة الرقمية. يتطلب ذلك إدخال كل متغير في صف مستقل وضبط خصائصه البرمجية بدقة فائقة.

يجب تعيين عمود النوع (Type) على الخيار الافتراضي Numeric لجميع المتغيرات الكمية. كما يتم ضبط عمود العرض (Width) والمنازل العشرية (Decimals) بما يتناسب مع دقة القياس المستخدمة. في عمود التسمية (Label)، يوصى بكتابة الاسم التوضيحي الموسع للمتغير (مثال: “الدرجة الكلية على مقياس قلق الاختبار”)، حيث تسهم التسميات الدقيقة في وضوح مخرجات الجداول الإحصائية وتسهيل قراءتها لاحقاً.

يعد عمود مستوى القياس (Measure) أهم حقل يجب ضبطه بعناية؛ حيث يجب التأكد من تعيينه على Scale لجميع المتغيرات المستمرة المراد تضمينها في معادلة الارتباط الجزئي والمتغيرات الضابطة، أو تعيينه على Nominal في حال استخدام متغير ضابط ثنائي مرمز (0 و1). كذلك، ينبغي تعريف نظام الترميز للقيم المفقودة في عمود Missing Values لتجنب احتساب الأكواد الخاصة بالمفقودات كبيانات فعلية داخل العمليات الحسابية.

4.2 إدخال البيانات والتحقق من سلامتها في Data View

بعد إتمام تهيئة شاشة المتغيرات، ينتقل الباحث إلى شاشة عرض البيانات (Data View) لإدخال القيم المرصودة من أفراد العينة، حيث يمثل كل صف مستجيباً واحداً (Case)، ويمثل كل عمود أحد المتغيرات المقاسة. يجب توخي الحذر الشديد لتجنب أخطاء الإدخال الرقمي مثل تكرار الأرقام أو إدخال قيم تتجاوز الحدود المنطقية لمقاييس البحث.

يتعين على الباحث إجراء تدقيق بصري وإحصائي للمصفوفة للكشف عن الخلايا الفارغة أو القيم المفقودة (Missing Data). وفي حال وجود بيانات مفقودة، يجب تحديد نمط الفقدان: هل هو عشوائي تماماً (MCAR) أم عشوائي (MAR) أم غير عشوائي (MNAR). تُستخدم الإجراءات الوصفية الاستكشافية المبدئية مثل استخراج المتوسطات الحسابية، والانحرافات المعيارية، والقيم الدنيا والقصوى (Min/Max) عبر قائمة Analyze -> Descriptive Statistics -> Descriptives للتأكد من منطقية التوزيع وعدم وجود إدخالات شاذة تخالف مقاييس الأدوات المطبقة.

4.3 فحص الافتراضات عملياً داخل بيئة SPSS

قبل الشروع في استخراج معامل الارتباط الجزئي، يجب التحقق عملياً من سلامة الافتراضات الإحصائية لضمان عدم انتهاكها. يتيح برنامج SPSS أدوات متكاملة لإجراء هذه الفحوصات عبر خطوات متسلسلة:

1. فحص التوزيع الطبيعي والقيم الشاذة عبر Explore:

   من القائمة الرئيسية، يتم التوجه إلى Analyze -> Descriptive Statistics -> Explore. يتم نقل جميع المتغيرات المستهدفة والضابطة إلى مربع Dependent List، ثم النقر على زر Plots واختيار Normality plots with tests وتفعيل Histogram، ثم الضغط على Continue ثم OK. تُظهر الجداول الناتجة قيم اختبارات Shapiro-Wilk ومخططات Q-Q Plots التي تكشف مدى مطابقة البيانات للمنحنى الطبيعي.

2. فحص الخطية عبر مصفوفة مخططات التشتت:

   يتم الانتقال إلى Graphs -> Chart Builder، ومن قسم Scatter/Dot يتم اختيار Scatterplot Matrix وسحبها إلى نافذة العرض. يتم نقل جميع المتغيرات المستقلة والتابعة والضابطة معاً إلى حقل Matrix Variables، ثم الضغط على OK. يتم فحص المصفوفة البصرية الناتجة للتأكد من أن جميع العلاقات الثنائية تتخذ شكلاً خطياً إهليلجياً مستقيماً وخالياً من الالتواءات غير الخطية.

إذا أظهرت هذه الفحوصات الاستكشافية ملاءمة البيانات وخلوها من الانتهاكات الجسيمة، يكون ملف البيانات جاهزاً تماماً لإجراء تحليل الارتباط الجزئي بموثوقية إحصائية عالية.

5. الخطوات التطبيقية لحساب الارتباط الجزئي في برنامج SPSS

5.1 الوصول إلى نافذة الارتباط الجزئي في القوائم الرئيسية

يوفر برنامج SPSS واجهة مستخدم رسومية بديهية ومباشرة لتنفيذ تحليل الارتباط الجزئي دون الحاجة إلى كتابة معادلات برمجية معقدة. للوصول إلى نافذة التحليل المخصصة، يتبع الباحث المسار القياسي الآتي عبر شريط الأوامر العلوي:

يتم النقر بالزر الأيسر للفأرة على قائمة Analyze، ثم تمرير المؤشر فوق الخيار الفرعي Correlate، لتظهر قائمة منسدلة جانبية تحتوي على أنواع تحليلات الارتباط المدعومة؛ يتم النقر مباشرة على خيار Partial… كما هو موضح في الخطوات الآتية:

• Analyze (التحليل)
• Correlate (الارتباط)
• Partial... (الارتباط الجزئي)

بمجرد النقر على هذا الخيار، تنبثق نافذة الحوار الرئيسية المعنونة بـ Partial Correlations، والتي تحتوي على قائمة بجميع متغيرات ملف البيانات في الجانب الأيسر، وحقلين إدخال رئيسيين في الجانب الأيمن مخصصين لتوزيع المتغيرات حسب النموذج البحثي.

5.2 توزيع المتغيرات في الحقول المخصصة

تحتوي نافذة حوار الارتباط الجزئي (Partial Correlations) على حقلين أساسيين يجب نقل المتغيرات إليهما بعناية تامة تتوافق مع التصميم المنهجي للفرضيات:

• حقل المتغيرات (Variables): يتم تحديد المتغيرين الرئيسيين المراد دراسة العلاقة الارتباطية الصافية بينهما ونقلهما إلى هذا المربع باستخدام السهم العلوي. على سبيل المثال، إذا كانت الفرضية تدرس العلاقة بين “ساعات استخدام وسائل التواصل الاجتماعي” و“التحصيل الأكاديمي”، يتم نقلهما معاً إلى هذا الحقل. (ملاحظة: يمكن إدخال أكثر من متغيرين في هذا المربع إذا رغب الباحث في حساب مصفوفة ارتباطات جزئية متعددة بين مجموعة من المتغيرات تحت تأثير نفس المتغير الضابط).
• حقل الضبط والتحييد (Controlling for): يتم تحديد المتغير أو مجموعة المتغيرات الدخيلة/المربكة المراد عزل تباينها ونقلها إلى هذا المربع باستخدام السهم السفلي (مثل: “القلق” أو “مستوى الذكاء” أو “العمر”).

يجب مراجعة تموضع المتغيرات في الحقول المخصصة بدقة؛ إذ إن وضع متغير رئيسي في حقل المتغيرات الضابطة بالخطأ سيغير جوهر التحليل الرياضي بالكامل وينتج عنه مخرجات تفسر علاقات مغايرة تماماً لأهداف البحث الأصيلة.

5.3 استخدام كود الأوامر (SPSS Syntax) لإجراء التحليل

إلى جانب الواجهة التفاعلية، يدعم برنامج SPSS إجراء التحليلات المتقدمة وتوثيقها من خلال محرر الأوامر البرمجية (SPSS Syntax). يحقق استخدام الـ Syntax فوائد منهجية بالغة الأهمية؛ فهو يوفر توثيقاً دقيقاً وقابلاً للأرشفة لجميع خطوات المعالجة الإحصائية، ويتيح إمكانية تكرار التحليل على عينات مستقبلية أو إعادة تطبيقه بضغطة زر واحدة، مما يعزز معايير الشفافية وقابلية التكرار العلمي (Reproducibility).

تعتمد الصيغة الرياضية والبرمجية الأساسية لتنفيذ أمر الارتباط الجزئي في SPSS على التركيب الآتي:

PARTIAL CORR
/VARIABLES = VarX VarY BY VarZ
/SIGNIFICANCE = TWOTAIL
/STATISTICS = DESCRIPTIVES CORR
/MISSING = LISTWISE.

في هذا التركيب البرمجي، تُستخدم الكلمة المفتاحية /VARIABLES لتحديد المتغيرات المستهدفة قبل كلمة BY، بينما توضع المتغيرات الضابطة المعزولة مباشرة بعد كلمة BY. تحدد الجملة الفرعية /STATISTICS = DESCRIPTIVES CORR استخراج الإحصاءات الوصفية ومصفوفة الارتباط الصفري البسيط للمقارنة، في حين تضبط الجملة /MISSING استراتيجية التعامل مع البيانات المفقودة. لتنفيذ الكود، يقوم الباحث بتظليله بالكامل داخل نافذة المحرر والضغط على الزر الأخضر (Run Selection) أو استخدام اختصار لوحة المفاتيح Ctrl + R.

6. الخيارات الإحصائية المتقدمة وتحديد اتجاه الفرضية

6.1 تحديد اتجاه الاختبار: أحادي الطرف مقابل ثنائي الطرف

تتضمن نافذة الارتباط الجزئي خياراً لتحديد اتجاه اختبار الدلالة الإحصائية (Test of Significance)، ويجب أن يرتكز هذا الاختيار على الصياغة النظرية المسبقة لفرضيات البحث:

• اختبار ثنائي الطرف (Two-tailed Test): يُعد الخيار الافتراضي والأكثر تحفظاً وملاءمة في معظم البحوث العلمية. يُستخدم هذا الخيار عندما تكون الفرضية البحثية غير موجهة (Non-directional)، أي عندما يفترض الباحث وجود علاقة ارتباطية ذات دلالة إحصائية بين المتغيرين دون التنبؤ الصريح باتجاه هذه العلاقة (ما إذا كانت موجبة طردية أم سالبة عكسية). يقوم هذا الاختبار بتوزيع منطقة الرفض الحرج للفرضية الصفرية بالتساوي على طرفي التوزيع الاحتمالي ($2.5%$ في كل طرف عند مستوى دلالة $\alpha = 0.05$).
• اختبار أحادي الطرف (One-tailed Test): يُستخدم حصراً عندما تستند الدراسة إلى إطار نظري ودراسات سابقة قوية تبرر صياغة فرضية موجهة (Directional Hypothesis) تتنبأ باتجاه محدد للعلاقة الارتباطية الصافية (مثال: “توجد علاقة ارتباطية جزئية سالبة بين الاحتراق النفسي والالتزام الوظيفي”). يركز هذا الاختبار القوة الإحصائية بالكامل في طرف واحد من التوزيع ($5%$ في الطرف المستهدف).

تجدر الإشارة إلى أن قيمة مستوى الدلالة المحسوبة في الاختبار أحادي الطرف تكون مساوية تماماً لنصف قيمتها في الاختبار ثنائي الطرف لنفس قيمة المعامل ($p_{\text{one-tailed}} = p_{\text{two-tailed}} / 2$). ومع ذلك، يوصى دائماً بتجنب الانتقال إلى الاختبار أحادي الطرف بأثر رجعي لمجرد الحصول على دلالة إحصائية زائفة، والالتزام بالخيار ثنائي الطرف ما لم يكن التوجيه النظري مبرراً بشكل صارم ومسبق في خطة البحث.

6.2 تخصيص الإحصاءات الإضافية عبر زر Options

يتيح النقر على زر Options… في نافذة الارتباط الجزئي تخصيص مخرجات إحصائية بالغة الأهمية تسهم في تعميق الفهم الإحصائي للبيانات ومقارنة النموذج قبل الضبط وبعده. تنقسم هذه الخيارات إلى مجموعتين رئيسيتين:

• الإحصاءات الوصفية (Means and standard deviations): يؤدي تفعيل هذا الخيار إلى استخراج جدول وصفي تفصيلي يتضمن المتوسط الحسابي، والانحراف المعياري، وعدد الحالات الفعلية ($N$) لكل متغير من المتغيرات الرئيسية والضابطة الداخلة في التحليل. يتيح هذا الجدول للباحث مراجعة التمركز والتشتت العام للبيانات وتضمين هذه المؤشرات في كتابة التقرير النهائي.
• مصفوفة الارتباطات الصفرية (Zero-order correlations): يُعد هذا الخيار أهم ميزة إضافية في التحليل؛ حيث يقوم بإنتاج مصفوفة معاملات ارتباط بيرسون البسيطة بين جميع المتغيرات قبل إجراء أي ضبط إحصائي. يتيح هذا الخيار للباحث فرصة المقارنة المباشرة واللحظية بين قيم الارتباط البسيط والارتباط الجزئي في نفس جدول المخرجات، مما يسهل رصد التغيرات التي طرأت على قوة العلاقة واتجاهها فور عزل المتغير الضابط.

6.3 معالجة البيانات المفقودة داخل خيارات التحليل

توفر نافذة الخيارات (Options) طريقتين منهجيتين للتعامل مع الحالات التي تحتوي على بيانات مفقودة (Missing Values) أثناء حساب مصفوفات الارتباط، وتترتب على كل طريقة آثار إحصائية متباينة:

• الحذف الكلي للحالة المفقودة (Exclude cases listwise): بموجب هذا الخيار الافتراضي والأكثر صرامة، يستبعد برنامج SPSS أي مفحوص أو حالة تحتوي على قيمة مفقودة في أي متغير من المتغيرات المدرجة في التحليل (سواء كانت رئيسية أو ضابطة). يضمن هذا الأسلوب احتساب جميع معاملات الارتباط الصفرية والجزئية على نفس العينة الثابتة تماماً وبنفس درجات الحرية، مما يمنح المقارنات ثباتاً منهجياً، ولكنه قد يؤدي إلى انخفاض ملحوظ في حجم العينة الفعلي إذا كان الفقدان منتشراً عبر متغيرات متعددة.
• الحذف الزوجي للبيانات المفقودة (Exclude cases pairwise): يقوم هذا الخيار باستبعاد الحالات المفقودة فقط عند حساب الارتباط بين الزوج المحدد من المتغيرات التي تحتوي على نقص، مع الاحتفاظ بالحالة في حساب ارتباطات الأزواج الأخرى التي تتوفر بياناتها كاملة. يؤدي هذا الإجراء إلى تعظيم الاستفادة من البيانات المتاحة، إلا أنه ينتج مصفوفة ارتباطات مبنية على أحجام عينات ودرجات حرية متفاوتة بين الخلايا، مما قد يسبب تشوهاً رياضياً في حساب مصفوفة التغاير للارتباط الجزئي النهائي.

من الناحية المنهجية، يُفضل دائماً الاعتماد على أسلوب Listwise Deletion للحفاظ على تماسك النموذج الإحصائي، ما لم يتم اللجوء مسبقاً إلى أساليب التعويض الإحصائي المتقدمة (Imputation Techniques) مثل التعويض المتعدد (Multiple Imputation).

7. قراءة وتفسير مخرجات جدول الارتباط الجزئي (SPSS Output)

7.1 تحليل جدول الإحصاءات الوصفية ومصفوفة الارتباط الصفري

عند تنفيذ التحليل مع تفعيل الخيارات المتقدمة، تظهر شاشة مخرجات SPSS (Viewer) مقسمة إلى جداول إحصائية منظمة تبدأ بجدول الإحصاءات الوصفية (Descriptive Statistics)، يليه جدول الارتباطات الشامل (Correlations).

يتضمن جدول الإحصاءات الوصفية القيم الأساسية لجميع المتغيرات المعنية:

• Mean: المتوسط الحسابي الذي يعكس النزعة المركزية للبيانات.
• Std. Deviation: الانحراف المعياري الذي يقيس مدى تشتت الدرجات حول المتوسط.
• Count ($N$): عدد الاستجابات الصحيحة المحتسبة في التحليل بعد تطبيق خيار معالجة المفقودات.

أما جدول الارتباطات، فينقسم أفقياً إلى مستويين رئيسيين؛ المستوى الأول هو None (Zero-order correlations)، والذي يعرض مصفوفة ارتباط بيرسون البسيط بين كل زوج من المتغيرات دون ضبط. يجب على الباحث فحص هذا الجزء لتسجيل قيمة المعامل الأساسي ($r$)، ومستوى الدلالة المقترن به ($Sig.$)، ودرجات الحرية ($df = N – 2$). يساعد هذا الفحص في تحديد ما إذا كانت العلاقة المباشرة بين المتغيرين المستهدفين دالة إحصائياً في الأصل، وتحديد طبيعة ارتباط المتغير الضابط بكل من المتغيرين المستقل والتابع.

7.2 تفسير مصفوفة الارتباط الجزئي الرئيسية

يمثل المستوى الثاني من جدول المخرجات، والذي يحمل عنوان اسم المتغير الضابط تحت وسم Controlling for: [اسم المتغير]، جوهر التحليل ومحط تركيز التقرير الإحصائي.

لقراءة هذا الجدول وتفسيره بدقة، يتم التركيز على التقاطع الخطي بين المتغيرين المستهدفين، والذي يحتوي على ثلاثة مؤشرات رقمية حاسمة:

1. معامل الارتباط الجزئي (Correlation Coefficient): القيمة العددية ($r$) المحصورة بين$-1.00$ و $+1.00$. تشير الإشارة الموجبة إلى علاقة طردية صافية (بمعنى أن الزيادة في المتغير المستقل تقترن بزيادة في المتغير التابع حتى بعد تثبيت المتغير الضابط)، بينما تشير الإشارة السالبة إلى علاقة عكسية صافية. وتعكس القيمة المطلقة للمعامل قوة هذا الاقتران.
2. مستوى الدلالة الإحصائية (Significance / $Sig.$): القيمة الاحتمالية ($p-value$) المقترنة بالمعامل. إذا كانت هذه القيمة أصغر من مستوى الدلالة المعتمد ($\alpha = 0.05$ أو $\alpha = 0.01$)، يتم رفض الفرضية الصفرية وقبول الفرضية البديلة، مما يؤكد أن العلاقة الارتباطية الجزئية المتبقية علاقة حقيقية ذات دلالة إحصائية وليست ناتجة عن خطأ المعاينة العشوائية.
3. درجات الحرية (Degrees of Freedom / $df$): تُحسب بالمعادلة $df = N – k – 2$. يلاحظ الباحث هنا انخفاض درجات الحرية بمقدار عدد المتغيرات الضابطة ($k$) مقارنة بدرجات الحرية في مصفوفة الارتباط الصفري السابقة، وهو ما يفسر تقييد النموذج الرياضي.

7.3 تقييم التغير بين الارتباط الصفري والارتباط الجزئي

تكتمل القراءة التحليلية للمخرجات بإجراء مقارنة استنتاجية معمقة بين معامل الارتباط الصفري البسيط ومعامل الارتباط الجزئي الناتج؛ إذ تكشف الفروق بينهما عن الدور المنهجي والوظيفي الذي يلعبه المتغير المعزول في البنية المفاهيمية للظاهرة المدروسة:

• حالة التراجع الكبير للدلالة والمعامل (تفسير التداخل / التوسط): إذا كان الارتباط الصفري قوياً ودالاً (مثال: $r = 0.58, p < .001$)، ثم انخفضت قيمة معامل الارتباط الجزئي بشكل حاد بعد عزل المتغير الضابط لتصبح قريبة من الصفر وفاقدة للدلالة (مثال: $r_{\partial} = 0.09, p = .240$)، فإن هذا يدل بشكل قاطع على أن العلاقة الأصلية كانت علاقة غير أصيلة ناتجة بالكامل عن تأثير التباين المشترك للمتغير الضابط، أو أن المتغير المعزول يعمل كمتغير وسيط حاسم ينقل التأثير بينهما.
• حالة الاستقرار والثبات (استقلالية المسار): إذا ظلت قيمة المعامل ثابتة أو طرأ عليها تغير طفيف جداً لا يؤثر في دلالتها (مثال: الارتباط الصفري $r = 0.45$ والارتباط الجزئي $r_{\partial} = 0.42$)، فإن هذا يثبت أن العلاقة بين المتغيرين علاقة صلبة ومستقلة تماماً عن المتغير المحيد.
• حالة التعزيز أو التأثير الكابت (Suppressor Effect): تظهر هذه الحالة النادرة والمثيرة للاهتمام عندما يكون الارتباط الصفري منخفضاً أو غير دال (مثال: $r = 0.12, p = .15$)، ولكن بعد ضبط المتغير الثالث يقفز المعامل الجزئي ليصبح قوياً ودالاً إحصائياً (مثال: $r_{\partial} = -0.48, p < .001$). يُعرف المتغير الضابط في هذه الحالة بالمتغير الكابت؛ حيث كان تباينه الخارجي غير ذي الصلة يحجب ويخفي العلاقة الحقيقية الصافية الكامنة بين المتغيرين.

8. تقدير حجم الأثر والقوة الإحصائية للارتباط الجزئي

8.1 معايير كوهين (Cohen’s Criteria) لتفسير حجم أثر الارتباط الجزئي

في المنهجية الإحصائية الحديثة، لا يكفي الاقتصار على إثبات الدلالة الإحصائية ($p < .05$) للاستدلال على أهمية النتيجة؛ إذ إن الدلالة الإحصائية شديدة الحساسية لحجم العينة، حيث يمكن لأي معامل ارتباط متناهي الصغر أن يكتسب دلالة إحصائية مصطنعة إذا كانت العينة ضخمة جداً. من هنا تبرز الضرورة الملحة لتقييم حجم الأثر (Effect Size) لتحديد الأهمية العملية والتطبيقية للعلاقة الصافية المكتشفة.

يُستخدم معامل الارتباط الجزئي ($r_{\partial}$) نفسه كمعيار مباشر لحجم الأثر. ولتفسير هذه القوة، يعتمد الباحثون على المعايير الإرشادية الموسعة التي وضعها جاكوب كوهين (Jacob Cohen) للعلوم السلوكية:

• حجم أثر صغير (Small Effect): عندما تتراوح القيمة المطلقة لمعامل الارتباط الجزئي $|r_{\partial}|$ حول $0.10$ (من $0.10$ إلى $0.29$). يشير هذا الحجم إلى وجود علاقة صافية طفيفة ذات تطبيقات محدودة.
• حجم أثر متوسط (Medium Effect): عندما تتراوح القيمة المطلقة $|r_{\partial}|$ حول $0.30$ (من $0.30$ إلى $0.49$). يعكس هذا الحجم ارتباطاً نفسياً واجتماعياً ملموساً وواضح الأهمية في الواقع العملي.
• حجم أثر كبير (Large Effect): عندما تبلغ القيمة المطلقة $|r_{\partial}|$ أو تتجاوز $0.50$ (من $0.50$ إلى $1.00$). يمثل هذا المستوى دليلاً قوياً على وجود ارتباط صافٍ عميق ومؤثر جداً بين البنيات النفسية المفحوصة.

مع ذلك، يجب على الباحثين مراعاة السياق الموضوعي للبحث؛ ففي بعض مجالات البحوث الوبائية أو السلوكية المعقدة، قد يمثل حجم الأثر الصغير ($r = 0.15$) قيمة تطبيقية بالغة الأهمية إذا كان يرتبط بظواهر حيوية تؤثر في قطاعات سكانية واسعة.

8.2 حساب معامل التحديد الجزئي (Partial Coefficient of Determination)

يُشتق معامل التحديد الجزئي من خلال حساب مربع معامل الارتباط الجزئي، ويُرمز له بالرمز $r_{\partial}^2$ أو $R_{p}^2$. يُعد هذا المقياس من أكثر المؤشرات الإحصائية بلاغة وقدرة على توفير تفسير كمي بديهي لنتائج البحث.

يعبر معامل التحديد الجزئي عن: “النسبة المئوية للتباين الفريد المشترك بين المتغيرين $X$ و$Y$ من إجمالي التباين المتبقي غير المفسر بواسطة المتغير الضابط $Z$”. على سبيل المثال، إذا كانت قيمة معامل الارتباط الجزئي بين الرضا الوظيفي والإنتاجية بعد ضبط سنوات الخبرة هي $r_{\partial} = 0.40$، فإن معامل التحديد الجزئي يكون:

$$r_{\partial}^2 = (0.40)^2 = 0.16$$

يُفسر هذا الرقم إحصائياً بأن الرضا الوظيفي يفسر بمفرده ما نسبته $16%$ من التباين في إنتاجية الموظفين بعد استبعاد وتحييد التباين المرتبط بخبراتهم المهنية بالكامل. يوفر هذا المقياس للباحث أرضية رقمية متينة لدعم المناقشة النظرية للنتائج، متفادياً المبالغة في تضخيم الارتباطات الضعيفة.

8.3 فترات الثقة لمعامل الارتباط الجزئي (Confidence Intervals)

تؤكد توصيات الجمعية الأمريكية لعلم النفس (APA) ومبادئ الإحصاء الاستدلالي المتقدم على ضرورة تضمين فترات الثقة 95% (95% Confidence Intervals) لمعاملات الارتباط لتجاوز أوجه القصور المرتبطة بالاعتماد الحصري على التقدير النقطي (Point Estimate) وقيم $p$. تعبر فترة الثقة عن المدى المتوقع لمعامل الارتباط في المجتمع الأصلي بدرجة يقين تبلغ $95%$.

نظراً لأن توزيع عينات معاملات الارتباط لا يتبع التوزيع الطبيعي المعياري عندما تختلف قيمة $r$ عن الصفر، يتم استخدام تحويل فيشر للـ Z (Fisher’s $z$ Transformation) لتحويل المعامل الجزئي إلى قيمة $z_r$ معتدلة التوزيع، وفق الصيغة:

$$z_r = \frac{1}{2} \ln\left(\frac{1 + r_{\partial}}{1 – r_{\partial}}\right) = \text{arc\tanh}(r_{\partial})$$

يُحسب الخطأ المعياري لتحويل فيشر في حالة الارتباط الجزئي بالاعتماد على درجات الحرية الفعلية بعد خصم عدد المتغيرات الضابطة ($k$):

$$SE_z = \frac{1}{\sqrt{N – k – 3}}$$

تُحسب حدود الثقة ($z_{lower}$ و $z_{upper}$) على مقياس $z$ بإضافة وطرح هامش الخطأ ($1.96 cdot SE_z$)، ثم يتم تطبيق التحويل العكسي للوصول إلى حدود فترة الثقة الفعلية لمعامل الارتباط الجزئي الأصلي. في الإصدارات الحديثة لبرنامج SPSS، يمكن استخراج هذه الفترات مباشرة عبر نماذج الانحدار الخطي أو من خلال تفعيل خوارزميات المحاكاة بإعادة المعاينة (Bootstrapping).

9. تطبيقات ونماذج عملية في البحوث النفسية والتربوية

9.1 مثال تطبيقي: العلاقة بين ساعات الدراسة والتحصيل مع ضبط القلق

لفهم الآلية التطبيقية المتكاملة، نفترض دراسة ميدانية أجريت على عينة من طلاب المرحلة الثانوية ($N = 120$) بهدف اختبار الفرضية الآتية: “توجد علاقة ارتباطية موجبة ذات دلالة إحصائية بين عدد ساعات المذاكرة الأسبوعية والتحصيل الدراسي في مادة الرياضيات بعد عزل أثر قلق الاختبار كمتغير ضابط”.

تم إدخال المتغيرات الثلاثة في برنامج SPSS كمتغيرات كمية (Scale):

• Study_Hours: ساعات المذاكرة الأسبوعية (المتغير المستقل).
• Math_Score: درجة اختبار الرياضيات النهائي (المتغير التابع).
• Test_Anxiety: الدرجة على مقياس قلق الاختبار المقنن (المتغير الضابط).

تم تنفيذ الإجراء عبر القوائم بنقل Study_Hours و Math_Score إلى حقل Variables، ونقل Test_Anxiety إلى حقل Controlling for، مع اختيار اختبار الدلالة ثنائي الطرف وتفعيل الإحصاءات الوصفية والارتباطات الصفرية في نافذة الخيارات.

قراءة النتائج الميدانية:

• مصفوفة الارتباط الصفري: أظهرت النتائج الأولية وجود ارتباط إيجابي متوسط ودال إحصائياً بين ساعات المذاكرة والتحصيل ($r = 0.38, p < .001$)، وارتباط سلبي دال بين قلق الاختبار والتحصيل ($r = -0.42, p < .001$)، وارتباط سلبي بين ساعات المذاكرة وقلق الاختبار ($r = -0.30, p = .001$).
• مصفوفة الارتباط الجزئي: بعد عزل أثر قلق الاختبار إحصائياً، انخفضت درجات الحرية لتصبح ($df = 117$)، وارتفع معامل الارتباط الجزئي الصافي بين ساعات المذاكرة ودرجة الرياضيات ليصل إلى ($r_{\partial} = 0.48, p < .001$).

التفسير العلمي: كشف الارتباط الجزئي أن العلاقة الإيجابية بين الجهد الدراسي والتحصيل الأكاديمي أقوى وأوضح في الواقع مما كانت تبدو عليه في الارتباط البسيط؛ حيث كان قلق الاختبار يعمل كمتغير مشوش يخفض من الأثر الفعلي للمذاكرة لدى الطلاب القلقين. وبحساب معامل التحديد الجزئي ($r_{\partial}^2 = 0.2304$)، يتضح أن ساعات المذاكرة تفسر بمفردها ما نسبته $23%$ من التباين الصافي في درجات الرياضيات للطلاب الذين يتساوون في مستوى القلق.

9.2 مثال تطبيقي: العلاقة بين الرضا الوظيفي والإنتاجية مع ضبط سنوات الخبرة

في سياق بحوث علم النفس التنظيمي والإداري، تم تصميم دراسة استهدفت فحص الفرضية القائلة: “ترتبط مستويات الرضا الوظيفي إيجابياً بإنتاجية موظفي الشركات التقنية بعد ضبط متغير سنوات الخبرة المهنية”، وذلك على عينة قوامها ($N = 250$) موظفاً.

أظهرت نتائج الارتباط البسيط من الدرجة الصفرية وجود ارتباط إيجابي قوي ودال إحصائياً بين الرضا الوظيفي ومعدلات الإنتاجية الإجمالية ($r = 0.52, p < .001$). ومع ذلك، كشفت مصفوفة الارتباطات الصفرية أيضاً أن سنوات الخبرة ترتبط ارتباطاً وثيقاً بكل من الرضا الوظيفي ($r = 0.60$) ومعدل الإنتاجية ($r = 0.65$).

عند إدخال متغير سنوات الخبرة في حقل Controlling for واستخراج مصفوفة الارتباط الجزئي من الدرجة الأولى ($df = 247$):

• انخفضت قيمة معامل الارتباط الجزئي انخفاضاً دراماتيكياً لتصل إلى ($r_{\partial} = 0.18, p = .004$).
• على الرغم من بقاء العلاقة دالة إحصائياً عند مستوى $\alpha = 0.05$ بفضل كبر حجم العينة، إلا أن حجم الأثر تراجع من مستوى كبير ($r = 0.52$) إلى مستوى صغير جداً ($r_{\partial} = 0.18$).

الاستنتاج الإداري: يبرهن هذا التراجع الحاد على أن الارتباط الظاهري القوي بين الرضا والإنتاجية كان مضللاً ومدفوعاً في غالبيته بعامل الخبرة؛ فالموظفون الأكثر خبرة هم في الواقع الأكثر إنتاجية بحكم مهاراتهم المتراكمة والأكثر رضا بحكم استقرارهم الوظيفي وامتيازاتهم. وبذلك، لا يفسر الرضا الوظيفي بذاته سوى ($r_{\partial}^2 = 0.0324$) أي حوالي $3.2%$ فقط من التباين الصافي في الإنتاجية بعد تحييد عامل الخبرة المهنية.

9.3 الارتباط الجزئي متعدد المتغيرات الضابطة (Higher-Order Case)

تتطلب الظواهر النفسية المعقدة في كثير من الأحيان ضبط أكثر من متغير دخيل في آن واحد للوصول إلى أعلى درجات النقاء التفسيري. لنفترض دراسة تبحث العلاقة بين “أعراض الاكتئاب” و“جودة الحياة المدركة” لدى كبار السن ($N = 180$)، مع الحاجة إلى عزل التأثير المتزامن لثلاثة متغيرات ضابطة: (1) Age: العمر الزمني، (2) Social_Support: الدعم الاجتماعي، (3) Physical_Health: مستوى الصحة البدنية.

لإجراء هذا التحليل من الدرجة الثالثة (Third-order Partial Correlation) في SPSS:

1. يتم إدراج Depression و Quality_of_Life في مربع Variables.
2. يتم إدراج المتغيرات الثلاثة: Age، Social_Support، و Physical_Health معاً في مربع Controlling for.
3. تُحسب درجات الحرية في المخرجات بالصيغة: $df = 180 – 3 – 2 = 175$.

أظهرت مخرجات البرنامج أن معامل الارتباط الصفري البسيط بين الاكتئاب وجودة الحياة كان ($r = -0.68, p < .001$). وبعد الضبط المتزامن للمتغيرات الثلاثة، بلغت قيمة معامل الارتباط الجزئي من الدرجة الثالثة ($r_{\partial} = -0.39, p < .001$).

يكشف التحليل أنه على الرغم من المساهمة الكبيرة للصحة البدنية والدعم الاجتماعي والعمر في جودة الحياة، إلا أن أعراض الاكتئاب تحتفظ بتأثير سلبي مباشر ومستقل ذي حجم أثر متوسط إلى كبير ($r_{\partial}^2 = 0.152$ أو $15.2%$) على جودة الحياة لدى كبار السن، مما يعزز الفرضيات الإكلينيكية التي تؤكد أولوية التدخل العلاجي النفسي المباشر لتحسين حياة المسنين بغض النظر عن حالتهم البدنية أو ظروفهم الديموغرافية.

10. التعامل مع انتهاك الافتراضات الإحصائية والبدائل المنهجية

10.1 معالجة عدم اعتدالية البيانات والقيم الشاذة

عندما تكشف الفحوصات الاستكشافية المبدئية عن انتهاك جسيم لافتراض التوزيع الطبيعي (مثل التواء شديد يتجاوز $\pm 2.0$) أو وجود قيم شاذة مؤثرة لا يمكن استبعادها عشوائياً، يجب على الباحث اتباع استراتيجيات علاجية منهجية قبل تنفيذ الارتباط الجزئي البارامتري القياسي.

تتمثل الاستراتيجية الأولى في تطبيق التحويلات الرياضية غير الخطية (Data Transformations) لإعادة مواءمة التوزيع مع المنحنى الطبيعي عبر قائمة Transform -> Compute Variable:

• تحويل الجذر التربيعي (Square Root Transformation): يُستخدم في حالات الالتواء الموجب المعتدل ($SQRT(X)$).
• التحويل اللوغاريتمي (Logarithmic Transformation): يُستخدم في حالات الالتواء الموجب الشديد ($LG10(X)$ أو $LN(X + 1)$ في حال وجود أصفار).
• تحويل المعكوس (Inverse Transformation): يُستخدم في حالات الالتواء الموجب البالغ الشدة ($1 / X$).
• تحويل الانعكاس مع اللوغاريتم: يُستخدم لمعالجة الالتواء السالب ($LG10(K – X)$ حيث $K$ ثابت يساوي أعلى قيمة + 1).

فيما يتعلق بالقيم الشاذة المتباعدة، يمكن استخدام أسلوب التذبيل (Winsorizing)، والذي يقضي بإعادة ترميز القيمة المتطرفة واستبدالها بأعلى (أو أدنى) قيمة تقع ضمن حدود التوزيع الطبيعي المقبول ($\pm 3$ انحرافات معيارية)، مما يحد من تشويهها لمعامل الارتباط دون التقليل من حجم العينة الكلي.

10.2 أسلوب إعادة المعاينة (Bootstrapping) للارتباط الجزئي

يُمثل أسلوب إعادة المعاينة الذاتية (Bootstrapping) ثورة حقيقية في الإحصاء اللامعلمي الحديث؛ فهو يوفر حلاً استدلالياً فائق الدقة لا يتطلب أي افتراضات مسبقة حول طبيعة التوزيع الاحتمالي للمجتمع أو شكل الاعتدالية متعددة المتغيرات. تعتمد هذه التقنية على توليد آلاف العينات العشوائية المتكررة بالاسترجاع (Resampling with Replacement) من نفس عينة الدراسة الأصلية لتقدير توزيع المعاينة التجريبي مباشرة وحساب الأخطاء المعيارية وفترات الثقة بدقة متناهية.

لتفعيل هذه التقنية داخل برنامج SPSS أثناء إجراء الارتباط الجزئي (أو عبر نماذج الانحدار المكافئة):

1. يتم النقر على زر Bootstrap… المتاح في نوافذ التحليل المتقدمة.
2. تحديد عدد العينات التكرارية (Number of samples) برقم كبير، ويُوصى معيارياً باختيار 1000 أو 5000 عينة لتأمين استقرار التقديرات.
3. اختيار أسلوب حساب فترات الثقة المصححة للتحيز والمتسارعة: Bias-corrected and accelerated (BCa) عند مستوى ثقة $95%$.

تُظهر مخرجات الـ Bootstrap جدولاً يشتمل على الخطأ المعياري التجريبي وحدود فترة الثقة (Lower and Upper Bounds). فإذا كانت فترة الثقة $95%$ الناتجة لـ BCa لا تشتمل على قيمة الصفر (مثال: $CI_{95%} [0.142, 0.485]$)، يستنتج الباحث بثقة إحصائية راسخة وجود علاقة ارتباطية جزئية دالة في المجتمع حتى في ظل وجود تشوهات توزيعية شديدة في البيانات الأصلية.

10.3 الارتباط الجزئي اللامعلمي (Non-parametric Partial Correlation)

في الحالات التي تكون فيها المتغيرات مقاسة برتب ترتيبية (Ordinal Variables) أو عند تعذر تصحيح الانتهاكات التوزيعية عبر التحويلات، تبرز الحاجة إلى استخدام الارتباط الجزئي اللامعلمي (Non-parametric Partial Correlation)، والمعتمد رياضياً على رتب سبيرمان (Spearman’s Rank Correlation) بدلاً من قيم بيرسون الفاصلية.

على الرغم من أن برنامج SPSS لا يوفر أمراً مباشراً مستقلاً باسم Spearman Partial Correlation في واجهته الرسومية، إلا أنه يمكن تنفيذه بخطوتين معياريتين متسلسلتين:

1. تحويل البيانات إلى رتب (Rank Transformation): من القائمة الرئيسية يتم اختيار Transform -> Rank Cases، ثم نقل جميع المتغيرات المستهدفة والضابطة، ليقوم البرنامج بإنشاء متغيرات جديدة مرمزة برتبها التسلسلية (تحمل بادئة R).
2. تطبيق الارتباط الجزئي القياسي على الرتب: يتم التوجه إلى Analyze -> Correlate -> Partial واستخدام المتغيرات الرتبية الجديدة المنتجة في الخطوة الأولى لإجراء التحليل الاعتيادي.

يُطلق على المعامل الناتج في هذه الحالة معامل ارتباط سبيرمان الجزئي للرتب ($r_{s.\partial}$)، ويُفسر بنفس الطريقة المعلمية مع التمتع بالحصانة الكاملة ضد انتهاك افتراضات الاعتدالية والخطية الصارمة.

11. توثيق وكتابة نتائج الارتباط الجزئي وفق دليل الجمعية الأمريكية لعلم النفس (APA 7)

11.1 قواعد الصياغة النصية للنتائج الإحصائية

يحدد دليل النشر العلمي الصادر عن الجمعية الأمريكية لعلم النفس في إصداره السابع (APA 7th Edition) معايير موحدة وصارمة لتوثيق معاملات الارتباط الجزئي في متون الأبحاث والتقارير الأكاديمية لضمان الوضوح والشفافية. تتضمن القواعد الأساسية ما يأتي:

• تُكتب جميع الرموز الإحصائية بالحروف اللاتينية المائلة (Italics)، مثل رمز معامل الارتباط ($r$)، ومستوى الدلالة ($p$)، وحجم العينة ($N$).
• توضع درجات الحرية الفعلية بعد خصم المتغيرات الضابطة بين قوسين ملتصقين برمز المعامل مباشرة: $r(df) = \text{value}$.
• تُكتب قيم المعاملات ومستويات الدلالة مقربة إلى منزلتين أو ثلاث منازل عشرية، مع تجنب كتابة الصفر قبل الفاصلة العشرية للقيم التي لا يمكن نظرياً أن تتجاوز الواحد الصحيح (مثل: $.45$ وليس $0.45$).
• تُكتب القيمة الاحتمالية بدقة (مثال: $p = .014$)، ويُمنع كتابة ($p = .000$) في حال ظهورها في SPSS بل تُكتب بالصيغة القياسية ($p < .001$).
• يجب تحديد المتغيرات الضابطة التي تم عزلها بوضوح تام في نفس الجملة التقريرية، مع الإشارة إلى فترات الثقة $95%$ ومقدار التباين المفسر ($r^2$).

11.2 نماذج عملية لصياغة فقرات النتائج باللغة العربية والإنجليزية

نورد فيما يأتي نماذج صياغة نصية احترافية مطابقة لمعايير APA 7 لتغطية سيناريوهات النتائج المختلفة:

النموذج الأول: صياغة علاقة دالة إحصائياً بعد الضبط (باللغة العربية):
“أشارت نتائج تحليل الارتباط الجزئي من الدرجة الأولى إلى وجود علاقة ارتباطية إيجابية دالة إحصائياً وذات حجم أثر متوسط بين ساعات المذاكرة الأسبوعية والتحصيل الدراسي في الرياضيات بعد عزل التباين المنسوب لقلق الاختبار، $r(117) = .48$، $p < .001$، $95% text{ CI } [.33, .61]$. وقد فسر هذا الارتباط الصافي ما نسبته $23.04%$ من التباين في درجات التحصيل بعد ضبط أثر القلق."

النموذج الثاني: صياغة علاقة فقدت دلالتها بعد الضبط (باللغة العربية):
“بينت نتائج الارتباط البسيط وجود ارتباط إيجابي دال بين المتغير (أ) والمتغير (ب) في الأصل، $r(148) = .32$، $p < .001$. إلا أنه بعد إجراء تحليل الارتباط الجزئي وضبط متغير الذكاء المعرفي، تراجعت العلاقة لتصبح غير دالة إحصائياً، $r(147) = .08$، $p = .332$، مما يبرهن على أن العلاقة الأولية كانت مفسرة بالكامل بالتباين المشترك مع القدرة المعرفية."

النموذج الثالث: الصياغة القياسية باللغة الإنجليزية (Standard APA Format):
“A first-order partial correlation was conducted to examine the relationship between study hours and academic achievement while controlling for test anxiety. The results revealed a statistically significant, positive partial correlation between the two variables, r(117) = .48, p < .001, 95% CI [.33, .61], with study hours uniquely accounting for 23.0% of the variance in academic achievement."

11.3 تصميم جداول مصفوفات الارتباط وفق معايير APA

عند تضمين جداول الارتباط الجزئي في الأوراق البحثية، يجب الالتزام بالهيكل الشكلي المعياري لـ APA، والذي يمنع استخدام الخطوط الرأسية نهائياً ويقتصر على ثلاثة خطوط أفقية رئيسية (أعلى وأسفل رأس الجدول، وأسفل قاع الجدول). يُفضل غالباً دمج مصفوفة الارتباطات الصفرية والجزئية في جدول موحد لتسهيل المقارنة المباشرة، كما هو موضح في النموذج الآتي:

جدول 1: مصفوفة الإحصاءات الوصفية ومعاملات الارتباط الصفري والجزئي بين المتغيرات

المتغير	$M$	$SD$	1	2	3
1. ساعات المذاكرة	18.45	4.20	—	.48***	-.30**
2. درجات الرياضيات	76.80	11.50	.38***	—	-.42***
3. قلق الاختبار (الضابط)	24.15	6.80	-.30**	-.42***	—

ملاحظة: تمثل القيم الموجودة أسفل القطر الرئيسي معاملات الارتباط الصفري البسيط (Zero-order correlations)، بينما تمثل القيمة الموضحة أعلى القطر الرئيسي ($r = .48$) معامل الارتباط الجزئي من الدرجة الأولى بين ساعات المذاكرة ودرجات الرياضيات بعد ضبط أثر قلق الاختبار. درجات الحرية للارتباط الجزئي $df = 117$.
$*p < .05. \quad **p < .01. \quad ***p < .001.$

12. الأخطاء الشائعة والاعتبارات المنهجية المتقدمة

12.1 الخلط بين الارتباط والسببية في تفسير الارتباط الجزئي

يقع كثير من الباحثين المبتدئين في خطأ منهجي فادح يتمثل في تفسير معامل الارتباط الجزئي الدال كدليل قاطع على وجود علاقة سببية حتمية بين المتغير المستقل والمتغير التابع. يجب التأكيد على أن الارتباط الجزئي، بالرغم من قدرته الفائقة على عزل تباين المتغيرات المحددة، يظل في جوهره تقنية ارتباطية وصفية محكومة ببيانات مقطعية (Cross-sectional Data) لا توفر شروط إثبات السببية المنهجية.

يتطلب إثبات السببية العلمية ثلاثة شروط متلازمة:

1. وجود اقتران وتغاير إحصائي دال (وهو ما يقيسه الارتباط الجزئي).
2. إثبات الأسبقية الزمنية للمتغير المستقل على المتغير التابع (Temporal Precedence).
3. استبعاد كافة التفسيرات البديلة والمتغيرات المربكة الممكنة في الكون البحثي (Non-spuriousness).

لا يستطيع الارتباط الجزئي وحده تحقيق الشرط الثالث بصورة مطلقة؛ نظراً لوجود ما يُعرف بـ المتغيرات المربكة غير المقاسة (Unmeasured Confounders)، وهي متغيرات تؤثر في العلاقة ولكن لم يتم جمع بيانات حولها أو لم تخطر على بال الباحث أثناء تصميم الدراسة. لذلك، يجب صياغة الاستنتاجات بلغة ارتباطية رصينة (مثل: “يقترن”، “يتنبأ”، “يرتبط صافياً”) والابتعاد عن المصطلحات السببية المباشرة (مثل: “يؤدي إلى”، “يسبب”).

12.2 الضبط المفرط (Over-controlling) وظاهرة التصادم (Collider Bias)

تسود في بعض الأوساط الأكاديمية قناعة خاطئة بأن إدراج أكبر عدد ممكن من المتغيرات الضابطة في النموذج التحليلي يعزز دائماً من دقة الدراسة وصلاحيتها. تكمن خطورة هذا التوجه في الوقوع في مأزق الضبط المفرط (Over-controlling) الذي قد يفسد الاستدلال الإحصائي بالكامل عبر مسارين خطيرين:

• ضبط المتغيرات الوسيطة في مسار التأثير (Mediators): إذا قام الباحث بضبط متغير يقع في المسار السببي الفعلي الذي ينتقل عبره تأثير المتغير المستقل إلى المتغير التابع ($X \rightarrow Z \rightarrow Y$)، فإن إزالة أثر $Z$ ستؤدي إلى طمس وإلغاء التأثير الحقيقي لـ $X$، مما يقود الباحث إلى استنتاج خاطئ ينفي وجود علاقة أصيلة قائمة بالفعل.
• انحياز المتغير المتصادم (Collider Bias): يحدث هذا الانحياز الكارثي عندما يقوم الباحث بضبط متغير يمثل نتيجة مشتركة لكل من المتغير المستقل والمتغير التابع ($X \rightarrow Z \leftarrow Y$). في هذه الحالة، يؤدي التحييد الإحصائي للمتغير $Z$ إلى خلق ارتباط اصطناعي زائف أو عكس اتجاه العلاقة الحقيقية بين $X$ و$Y$، وهو ما يعرف إحصائياً بمفارقة بيركسون (Berkson’s Paradox).

لتفادي هذه المزالق التفسيرية، يُوصى بالاعتماد على المخططات السببية الموجهة اللاحلقية (Directed Acyclic Graphs – DAGs) لبناء الفرضيات بصرياً وتحديد المتغيرات التي ينبغي ضبطها وتلك التي يُحظر ضبطها بدقة متناهية قبل البدء في التحليل الإحصائي.

12.3 قضايا حجم العينة وقوة الاختبار الإحصائي

يرتبط نجاح تحليل الارتباط الجزئي ارتباطاً وثيقاً بمدى كفاية حجم العينة المستخدمة لضمان الحصول على قوة إحصائية كافية ($1 – beta ge 0.80$) قادرة على رصد العلاقات الحقيقية ذات حجوم الأثر الصغيرة والمتوسطة وتفادي أخطاء النوع الثاني (Type II Errors).

تؤدي زيادة عدد المتغيرات الضابطة ($k$) إلى استنزاف مستمر لدرجات الحرية وتضخيم الأخطاء المعيارية للمعاملات المحسوبة؛ ففي العينات الصغيرة ($N < 50$)، قد يؤدي إدخال عدة متغيرات ضابطة إلى فقدان الاختبار لقدرته على إثبات الدلالة الإحصائية حتى وإن كانت العلاقة قوية في المجتمع الأصلي. لحساب حجم العينة الأدنى المطلوب قبلياً (A Priori Sample Size)، يُنصح باستخدام البرمجيات المتخصصة مثل برنامج G*Power عبر تحديد المعايير الآتية:

• عائلة الاختبارات: Exact tests.
• الاختبار الإحصائي: Correlation: Partial.
• نوع التحليل: A priori: Compute required sample size.
• إدخال حجم الأثر المتوقع ($r_{\partial} = 0.30$)، ومستوى ألفا ($\alpha = 0.05$)، والقوة المطلوبة ($Power = 0.80$)، وعدد المتغيرات الضابطة المعزولة.

تضمن هذه المعايرة القبلية حماية التصميم البحثي من الهشاشة الإحصائية والموازنة المنهجية المثالية بين متطلبات الضبط النظري وكفاءة النموذج الإحصائي.

خاتمة

يُعد الارتباط الجزئي (Partial Correlation) أحد أبرز الإجراءات الإحصائية البارامترية وأكثرها رسوخاً في ترسانة التحليل المنهجي المعاصر، متيحاً للباحثين في مجالات العلوم النفسية والتربوية والاجتماعية وسيلة فعالة للغوص خلف المظاهر الارتباطية السطحية وتفكيك التباينات المتشابكة لعزل أثر المتغيرات المربكة والدخيلة بدقة وموضوعية. ومن خلال الفهم النظري لمراتب الارتباط والتمييز بينه وبين الارتباط شبه الجزئي، يستطيع الباحث صياغة نماذج تفسيرية تعكس جوهر العلاقات الواقعية بين البنيات المفاهيمية المعقدة.

يتطلب التطبيق العملي الناجح للارتباط الجزئي في بيئة IBM SPSS Statistics التزاماً منهجياً صارماً؛ يبدأ من الإعداد الدقيق لمصفوفات البيانات ومراجعة مستويات القياس، مروراً بالتحقق الإحصائي والبياني من افتراضات الاعتدالية والخطية وغياب القيم المتطرفة، وصولاً إلى استخراج المخرجات عبر القوائم التفاعلية أو الأوامر البرمجية (Syntax). كما يكتمل التحليل بالتقييم الرصين لحجم الأثر، وحساب معاملات التحديد الجزئية وفترات الثقة، وصياغة التقارير الإحصائية وفق ضوابط دليل APA 7 مع الحذر من مغالطات السببية والتصادم.

إن إتقان هذه المهارات الإحصائية والمنهجية المتقدمة يمنح الباحثين القدرة على تقديم مساهمات علمية موثوقة تتسم بالنزاهة التحليلية والقابلية للتكرار، مما يعزز الصدق الداخلي والخارجي للدراسات ويدفع عجلة المعرفة الإنسانية في فهم السلوك والظواهر المجتمعية المعقدة على أسس علمية متينة.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Faul, F., Erdfelder, E., Buchner, A., & Lang, A. G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149–1160. https://doi.org/10.3758/BRM.41.4.1149
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• IBM Corporation. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal inference in statistics: A primer. John Wiley & Sons.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.