كيفية حساب الالتواء والتفرطح في جداول بيانات جوجل

يحتل فحص الخصائص التوزيعية للبيانات مكانة جوهرية في مناهج البحث العلمي والتحليل الإحصائي، ولا سيما في حقول العلوم النفسية والسلوكية والتربوية التي تعتمد على قياس سمات وظواهر معقدة وغير مرئية بصورة مباشرة. إن التحقق من مدى اقتراب التوزيع التكراري للدرجات من نموذج التوزيع الطبيعي المعياري (Normal Distribution) ليس مجرد خطوة إجرائية روتينية، بل هو شرط أساسي وحاسم لصلاحية استخدام حزمة واسعة من الاختبارات الإحصائية المعلمية (Parametric Tests) مثل اختبار “ت” (t-test) وتحليل التباين (ANOVA) ومعامل ارتباط بيرسون (Pearson Correlation) ونمذجة المعادلات البنائية (SEM). ومن هنا، يبرز معلما الشكل التوزيعي: الالتواء (Skewness) والتفرطح (Kurtosis)، كأداتين رياضيتين لا غنى عنهما لتوصيف تماثل التوزيع وقمته وثقل ذيوله بدقة متناهية تتجاوز بكثير مجرد الاكتفاء بمقاييس النزعة المركزية والتشتت التقليدية.

مع التحول الرقمي المتسارع وشيوع الحوسبة السحابية في البيئات الأكاديمية والبحثية، غدت منصة جداول بيانات جوجل (Google Sheets) واحدة من أقوى الأدوات المتاحة للباحثين والمحللين لمعالجة البيانات الأولية واستكشافها بصورة فورية وتشاركية. توفر هذه المنصة حزمة متكاملة من الدوال الإحصائية القياسية، التي تمكن الباحث من فحص اعتدالية البيانات وحساب معاملات الالتواء والتفرطح بدقة فائقة وبأقل مجهود برمجي ممكن، فضلاً عن إمكانية بناء نماذج إحصائية ديناميكية ترتبط مباشرة باستجابات المفحوصين المجمعة عبر استمارات الاستبيان الرقمية.

يهدف هذا الدليل الشامل والمفصل إلى تقديم مرجع منهجي وتطبيقي متقدم للباحثين وطلاب الدراسات العليا والمحللين الإحصائيين، يغطي الأبعاد النظرية والرياضية لمفاهيم الالتواء والتفرطح، ويوضح بالخطوات الإجرائية الدقيقة كيفية حسابهما وتفسيرهما داخل بيئة جداول بيانات جوجل، بالإضافة إلى معالجة المشكلات الشائعة وربط النتائج بالمعايير السيكومترية المعتمدة وفق دليل النشر الأكاديمي لجمعية علم النفس الأمريكية (APA).

1. مقدمة نظرية حول الالتواء والتفرطح في التحليل الإحصائي للبيانات النفسية

1.1 أهمية استكشاف شكل التوزيع التكراري في البحوث النفسية والسلوكية

في ميدان القياس النفسي، تمثل الدرجات الخام المستخلصة من المقاييس والاستبيانات النفسية انعكاساً كمياً لسمات شخصية، قدرات عقلية، اتجاهات وجدانية، أو أنماط سلوكية. إن الفهم المعمق لطبيعة هذه الدرجات يبدأ من استكشاف شكل التوزيع التكراري الذي تتخذه؛ فالافتراض النظري الكلاسيكي يفترض أن السمات النفسية تتوزع في المجتمعات الطبيعية توزيعاً جرسياً معتدلاً. ومع ذلك، فإن الواقع الميداني غالباً ما يفرز بيانات تنحرف عن هذا النموذج المثالي نتيجة لطبيعة العينة المدروسة أو لخصائص الأداة المقاسة ذاتها، مما يجعل الفحص الاستكشافي للبيانات خطوة تصديرية لا يمكن تجاوزها قبل الشروع في أي تحليلات استدلالية متقدمة.

تتطلب الاختبارات الإحصائية المعلمية (Parametric Tests) استيفاء افتراض الاعتدالية لضمان بقاء معدلات الخطأ من النوع الأول (Type I Error) عند المستويات المقبولة المحددة سلفاً. إذا تعرض هذا الافتراض لانتهاك جسيم دون اتخاذ التدابير المنهجية التصحيحية اللازمة، فإن القوة الإحصائية (Statistical Power) للاختبار تتراجع بشكل حاد، وتصبح نتائج الدلالة الإحصائية غير موثوقة ومضللة لصانع القرار الأكاديمي أو العيادي.

علاوة على ذلك، يمارس فحص معالم الشكل التوزيعي دوراً كاشفاً للتحيزات المنهجية الكامنة في أدوات القياس والاستبيانات؛ فالالتواء الحاد في درجات مقياس معين قد يشير إلى ظواهر سيكومترية غير مرغوبة مثل تأثير السقف (Ceiling Effect) حيث تكون الفقرات سهلة للغاية أو مرغوبة اجتماعياً بصورة تجعل معظم الأفراد يحصلون على درجات عليا، أو تأثير الأرضية (Floor Effect) حيث تكون الفقرات بالغة الصعوبة أو تصف أعراضاً نادرة الحدوث مما يكدس الدرجات في الطرف الأدنى للمقياس.

1.2 تعريف الالتواء (Skewness) والتفرطح (Kurtosis) كعزوم إحصائية

من المنظور الرياضي الرياضي في الإحصاء الوصفي، يتم وصف التوزيعات الاحتمالية باستخدام نظرية العزوم حول المتوسط (Moments about the Mean). يمثل العزم الأول المتوسط الحسابي كمعبر عن موضع المركز، ويمثل العزم الثاني التباين كمعبر عن مقدار التشتت أو الانتشار. أما العزم الثالث الموزون، فيمثل معامل الالتواء (Skewness)، وهو المقياس الذي يحدد درجة واتجاه عدم التماثل في منحنى التوزيع التكراري حول وسطه الحسابي. إذا كان العزم الثالث غير مساوٍ للصفر، دل ذلك على أن ذيل التوزيع يمتد في أحد الاتجاهين بصورة أطول من الاتجاه الآخر، مما يكسر التناظر المرآتي للبيانات.

أما العزم الرابع حول المتوسط، فيشكل الأساس الرياضي لحساب معامل التفرطح (Kurtosis)، وهو المقياس المعني بدراسة سلوك ذيول التوزيع وتمركز القيم حول القمة. يُعنى التفرطح بقياس مدى ثقل الذيول (Tail Heaviness) واحتوائها على قيم متطرفة وشاذة مقارنة بالتوزيع الطبيعي المعياري؛ فالبيانات ذات التفرطح المرتفع تتميز بذيول سميكة تزيد فيها احتمالية ظهور المشاهدات النادرة والمتباعدة، بينما تشير الذيول الخفيفة إلى توزيع تنحسر فيه الاحتمالية بسرعة مع الابتعاد عن المركز.

يتيح الربط بين هذه العزوم الرياضية وتفسير الأنماط السلوكية للعينات فهماً أعمق للظاهرة موضوع الدراسة؛ إذ إن تحول العزم الثالث نحو الإيجابية في مقياس للأعراض الاكتئابية يوضح أن السمة غير منتشرة بشدة بين غالبية الأفراد، بينما يمثل الأفراد الواقعون في الذيل الأيمن الطويل الحالات الإكلينيكية التي تتطلب تدخلاً علاجياً، وهو ما يعطي الرقم الإحصائي بعداً تفسيرياً وإنسانياً أصيلاً.

1.3 أهمية استخدام جداول بيانات جوجل في المعالجة الإحصائية الاستكشافية

توفر منصة جداول بيانات جوجل بيئة حوسبة سحابية متقدمة ومرنة للغاية تلبي احتياجات الباحثين في العلوم الاجتماعية والسلوكية؛ إذ تسمح لفرق البحث المتعددة بالعمل التشاركي الفوري والمتزامن على نفس قاعدة البيانات المشتركة، مع تتبع دقيق لتاريخ التعديلات، مما يقلل من احتمالات الخطأ الإنساني في نقل البيانات وتكرار إدخالها عبر وسائط تخزين تقليدية.

تحتوي جداول بيانات جوجل على مكتبة مدمجة من الدوال الإحصائية المبرمجة بدقة وفق أعلى المعايير الحسابية القياسية المعتمدة في بيئات البرمجة الإحصائية مثل R وSPSS، مما يضمن سرعة المعالجة ودقتها حتى مع مجموعات البيانات الكبيرة التي تحتوي على آلاف المدخلات والمشاهدات. إن القدرة على إجراء العمليات الحسابية الاستكشافية كحساب الالتواء والتفرطح بنقرة زر واحدة أو بصيغة رياضية بسيطة تسهم في توفير وقت وجهد الباحث الميداني بصورة ملموسة.

بالإضافة إلى ذلك، تتميز جداول بيانات جوجل بقدرتها الفائقة على التكامل السلس والآني مع أدوات جمع البيانات مثل استمارات جوجل (Google Forms) ومنصات التحليل والتصور المتقدمة مثل Google Looker Studio وتصدير البيانات المهيكلة إلى حزم البرمجيات المتخصصة؛ مما يجعلها منصة محورية في إدارة دورة حياة البيانات البحثية من لحظة الجمع وحتى التقرير النهائي.

2. المفهوم الإحصائي والرياضي لمعامل الالتواء (Skewness)

2.1 التوزيع المتماثل والالتواء الصفري (Zero Skewness)

يوصف التوزيع التكراري بأنه متماثل تماماً (Symmetric Distribution) عندما ينقسم المنحنى البياني إلى نصفين متطابقين تماماً حول خط عمودي يمر بنقطة المنتصف. في هذا التوزيع المثالي، تكون قيمة معامل الالتواء مساوية للصفر رياضياً ($Skewness = 0$)، وتتطابق فيه مقاييس النزعة المركزية الثلاثة تطابقاً تاماً بحيث يكون: المتوسط الحسابي = الوسيط = المنوال.

يتخذ هذا التوزيع شكل المنحنى الجرسي المتناسق (Bell-Shaped Curve)، حيث تتوزع نصف المشاهدات تماماً على يمين المتوسط الحسابي والنصف الآخر على يساره، وتتراجع التكرارات تدريجياً وبنفس المعدل كلما ابتعدنا عن المركز نحو الطرفين. يعد هذا النموذج حجر الزاوية في نظرية القياس النفسي الكلاسيكي (Classical Test Theory)، حيث يفترض أن الأخطاء العشوائية في القياس تتوزع توزيعاً طبيعياً معتدلاً حول القيمة الحقيقية للسمة المقاسة.

إن الوصول إلى التوزيع المتماثل ذي الالتواء الصفري يمثل الحالة النظرية المعيارية المرجعية التي يسعى الباحثون لمقارنة توزيعاتهم التجريبية بها؛ إذ إن تماثل البيانات يعطي أعلى درجات الموثوقية للمتوسط الحسابي والانحراف المعياري كمؤشرين معبرين تعبيراً صادقاً وغير مشوه عن الموقع والتشتت لكافة أفراد العينة.

2.2 الالتواء الموجب (Positive / Right-Skewed)

يحدث الالتواء الموجب أو الالتواء نحو اليمين (Right-Skewed Distribution) عندما يمتد ذيل التوزيع التكراري نحو القيم المرتفعة والموجبة على خط الأعداد، في حين تتكدس غالبية الدرجات والمشاهدات في الطرف الأدنى (الأيسر) من المنحنى البياني. في هذه الحالة، تكون قيمة معامل الالتواء الناتجة قيمة عددية موجبة ($Skewness > 0$).

تتأثر مقاييس النزعة المركزية بالقيم المرتفعة المتطرفة الواقعة في الذيل الأيمن بدرجات متفاوتة؛ حيث ينجذب المتوسط الحسابي بقوة نحو تلك القيم المتطرفة باعتباره يتأثر بكافة القيم في حسابه، بينما يبدي الوسيط مقاومة أكبر لهذا التأثير، ويظل المنوال معبراً عن القيمة الأكثر تكراراً في الجانب المنخفض. ينتج عن ذلك علاقة ترتيبية كلاسيكية في التوزيع الموجب الالتواء تأخذ الشكل التالي: المتوسط الحسابي > الوسيط > المنوال.

في الأبحاث النفسية والطبية، يعد الالتواء الموجب ظاهرة مألوفة وشائعة للغاية؛ فعند قياس المتغيرات والسمات المرضية أو الإكلينيكية في عينة من عامة السكان (Non-clinical Community Sample) — مثل مقاييس الاكتئاب الحاد، أو درجات القلق المرضي، أو معدلات الرهاب الاجتماعي — يحصل السواد الأعظم من الأفراد الأصحاء على درجات منخفضة جداً تقترب من الصفر، بينما ينفرد عدد قليل من المفحوصين بدرجات مرتفعة للغاية تمتد بالذيل نحو اليمين معلنة عن وجود حالات تشخيصية مميزة.

2.3 الالتواء السالب (Negative / Left-Skewed)

على النقيض تماماً، يظهر الالتواء السالب أو الالتواء نحو اليسار (Left-Skewed Distribution) عندما يمتد ذيل المنحنى التكراري نحو القيم المنخفضة جداً والطرف الأدنى من المقياس، بينما تتجمع وتتمركز الغالبية العظمى من درجات المفحوصين في الطرف الأعلى (الأيمن) للتوزيع. تكون قيمة معامل الالتواء المحسوبة في هذا النمط قيمة عددية سالبة ($Skewness < 0$).

ينعكس امتداد الذيل الأيسر على العلاقة بين مقاييس النزعة المركزية، حيث ينسحب المتوسط الحسابي نحو الأسفل متأثراً بالدرجات المنخفضة المتطرفة، مما يجعله أصغر من الوسيط، بينما يظل المنوال محتلاً النقطة الأكثر ارتفاعاً في الجانب الأيمن للتوزيع؛ وتصبح العلاقة الرياضية الحاكمة: المتوسط الحسابي < الوسيط < المنوال.

تتكرر هذه الحالة في القياس النفسي والتربوي عند تطبيق اختبارات تحصيلية تتسم بدرجة عالية من السهولة (Easy Tests)، حيث ينجح معظم الطلاب في الإجابة على كافة الأسئلة محققين درجات قريبة من النهاية العظمى بينما يتعثر عدد ضئيل جداً في القاع. كما ترصد هذه الظاهرة بصورة واضحة في مقاييس الرضا العام عن الخدمات أو استبانات الالتزام الأخلاقي التي تشهد ارتفاعاً مصطنعاً في الاستجابات نحو أقصى المقياس نتيجة الرغبة الاجتماعية وتجنب التقييم السلبي.

3. المفهوم الإحصائي والرياضي لمعامل التفرطح (Kurtosis)

3.1 التفرطح المتوسط أو المعياري (Mesokurtic)

يشير التفرطح المتوسط (Mesokurtic) إلى الحالة المعيارية التي يتطابق فيها شكل قمة المنحنى وثقل ذيوله مع منحنى التوزيع الطبيعي النظري. في هذا التوزيع، تتوزع الاحتماليات في الذيول وفي المركز بنسب متوازنة ودقيقة للغاية تحكمها الدالة الرياضية للتوزيع الغاوسي (Gaussian Distribution).

وفق التعريف الإحصائي المطلق المعتمد على العزم الرابع المباشر، تكون قيمة التفرطح المطلق للتوزيع المعتدل مساوية للعدد 3 تماماً ($Kurtosis = 3$). ولكن لتسهيل المقارنة والتفسير، طوّر الإحصائيون مفهوم التفرطح الإضافي (Excess Kurtosis)، والذي يُحسب بطرح القيمة 3 من التفرطح المطلق، مما يجعل قيمة التفرطح الإضافي للتوزيع المعتدل مساوية للصفر تماماً ($Excess Kurtosis = 0$).

يمثل التفرطح المعياري النقطة المرجعية الأساسية التي تُقاس على أساسها كافة التوزيعات التجريبية الأخرى في البحوث العلمية؛ إذ إن ثبوت انتماء التوزيع إلى هذه الفئة يضمن أن احتمالية حدوث القيم الشاذة والمتطرفة تقع ضمن النطاق المتوقع نظرياً، مما يمنح الباحث ثقة كاملة في دقة حساب فترات الثقة ومستويات الدلالة الإحصائية.

3.2 التفرطح المدبب أو الموجب (Leptokurtic)

يتميز التوزيع المدبب (Leptokurtic) بوجود قمة حادة ومرتفعة في المركز، يرافقها بصورة حتمية ثقل واضح وسماكة في الذيول (Heavy Tails) مقارنة بالتوزيع الطبيعي. في هذه الحالة، تتجاوز قيمة التفرطح المطلق القيمة 3، وتكون قيمة التفرطح الإضافي موجبة تماماً ($Excess Kurtosis > 0$).

إن السمة الجوهرية للتوزيع اللبتوكورتي لا تكمن فقط في مدببية القمة، بل في تركيبة البيانات التي تنتج احتماليات أعلى من المتوقع لظهور القيم المتطرفة والشاذة في أطراف المنحنى (Outliers). تنشأ هذه الحالة عندما تتجمع كتلة كبيرة من المفحوصين حول نقطة مركزية محددة جداً، بينما ينفرد قطاع ضئيل ولكن مؤثر باستجابات متباعدة وشديدة التطرف على الجانبين.

في التقييم النفسي، يُفسر التفرطح المدبب غالباً بوجود تماثل كبير بين أفراد العينة في الاستجابة لسمة معينة مع وجود فئة فرعية متميزة تسلك مسلكاً متطرفاً للغاية. ومثال ذلك قياس استجابات الأفراد نحو سلوك إدماني معين؛ حيث تتكدس غالبية العينة عند الدرجة صفر مع وجود حالات إدمان شديدة تنحدر نحو أقصى الذيل، مما يرفع من ثقل الذيول ويزيد من معامل التفرطح بشكل لافت.

3.3 التفرطح المفلطح أو السالب (Platykurtic)

يتصف التوزيع المفلطح أو المسطح (Platykurtic) بقمة عريضة ومستوية نسبياً، تترافق مع ذيول خفيفة ونحيلة (Light Tails) تتلاشى بسرعة أكبر بكثير مما يحدث في التوزيع الطبيعي. تكون قيمة التفرطح المطلق في هذه التوزيعات أقل من 3، في حين تكتسب قيمة التفرطح الإضافي إشارة سالبة ($Excess Kurtosis < 0$).

تدل الذيول النحيفة في التوزيع البلاتيكورتي على غياب شبه تام للقيم المتطرفة أو الشاذة، حيث تتوزع البيانات وتنتشر بشكل متجانس نسبياً عبر المدى المقاس دون أن تتكدس بكثافة شديدة في نقطة مركزية وحيدة ودون أن تبتعد هوامشها نحو الأطراف. يقترب هذا التوزيع في حالاته القصوى من التوزيع المنتظم (Uniform Distribution).

من الناحية السيكومترية، يعكس التفرطح المفلطح وجود تباين وتنوع حقيقي ومتزن في الفروق الفردية داخل العينة المدروسة دون وجود قطبية حادة، مما يشير إلى أن أداة القياس قادرة على التمييز المتكافئ بين مختلف المستويات الوسيطة للسمة دون أن تعاني من قفزات عشوائية أو انحرافات حادة في الاستجابات الفردية للمفحوصين.

4. إعداد بيئة العمل وهيكلة البيانات في جداول بيانات جوجل (Google Sheets)

4.1 استيراد وتنظيم البيانات السيكومترية

تبدأ المعالجة الإحصائية الناجحة بإنشاء وتجهيز ورقة عمل مهيكلة بدقة على منصة جداول بيانات جوجل. يستقبل الباحثون عادة البيانات الأولية كملفات ممتدة بصيغة CSV أو أوراق عمل Excel مصدّرة من منصات جمع البيانات السيكومترية والاستبيانات الرقمية مثل نماذج جوجل أو منصات Qualtrics. للاستيراد السليم، يتم فتح ملف جديد في Google Sheets، ثم الانتقال إلى قائمة ملف (File) ثم اختيار استيراد (Import)، وتحديد خيار “استبدال الورقة الحالية” أو “إدراج ورقة جديدة” مع التأكد من ضبط فاصل البيانات بدقة.

تقتضي المعايير الإحصائية الصارمة تنظيم مصفوفة البيانات بحيث تخصص الأعمدة (Columns) كمتغيرات مستقلة وتابعة وبنود للمقاييس (Variables/Items)، بينما تخصص الصفوف (Rows) لتمثيل المفحوصين أو وحدات التحليل الفردية (Cases/Participants). يجب أن يحتوي الصف الأول دائماً على أسماء واضحة وموجزة للمتغيرات (Variable Headers) دون مسافات معقدة أو رموز خاصة، مثل: ID، Age، Depression_Total، Anxiety_Score.

لتعزيز كفاءة كتابة الدوال واستدعائها لاحقاً، يفضل تحديد نطاقات البيانات المهمة وتسميتها من خلال ميزة “النطاقات المسماة” (Named Ranges) عبر الذهاب إلى قائمة بيانات (Data) ثم النطاقات المسماة (Named ranges)، وإطلاق اسم وصفي على عمود الدرجات الكلية مثل DepressionData، مما يجعل كتابة الصيغ الحسابية أكثر وضوحاً وسهولة في التدقيق.

4.2 فحص وتجهيز البيانات وحذف المدخلات المعيبة

قبل الشروع في كتابة دوال الالتواء والتفرطح، يتعين إجراء عملية تدقيق وتطهير شاملة للبيانات (Data Cleaning). من أكبر التحديات التي تواجه الباحثين وجود القيم المفقودة (Missing Values)، والتي قد تظهر على شكل خلايا فارغة أو رموز نصية مثل “NA” أو “null”. على الرغم من أن دوال Google Sheets تتجاهل الخلايا الفارغة تلقائياً، إلا أن وجود نصوص داخل الأعمدة الرقمية قد يؤدي إلى أخطاء في الحساب أو تشويه أحجام العينات الفعلية.

يجب التأكد التام من تنسيق كافة أعمدة الدرجات بتنسيق رقمي صحيح عبر تحديد الأعمدة والانتقال إلى تنسيق (Format) ثم رقم (Number) واختيار “رقم عادي” (Automatic or Number). هذا الإجراء يمنع التعامل مع الأرقام كنصوص مصفوفة محاذاتها لليمين أو اليسار بطرق قد تعيق الدوال الإحصائية.

كما ينبغي تصفية البيانات واستبعاد القيم غير المنطقية الناتجة عن أخطاء الإدخال البشري أو محاولات الاستجابة العشوائية؛ فإذا كان المدى النظري لمقياس نفسي يتراوح بين 0 و63، فإن وجود قيمة مثل 99 أو درجات سالبة يعد خطأً جسيماً يتطلب التصحيح أو الحذف المباشر باستخدام أدوات التحقق من صحة البيانات (Data Validation) عبر وضع شروط صارمة تقيد النطاق المقبول لكل خلية.

4.3 إنشاء جدول ملخص للمؤشرات الوصفية الأولية

يوصى منهجياً بإنشاء جدول جانبي أو ورقة عمل مخصصة في جداول بيانات جوجل لاحتواء ملخص الإحصاءات الوصفية، وذلك لربط قراءات الالتواء والتفرطح ببقية المؤشرات الإحصائية الكلاسيكية. يساعد هذا الجدول في إعطاء صورة شمولية وفورية عن خصائص التوزيع.

يتضمن جدول الملخص الوصفي كتابة الدوال الأساسية التالية في خلايا متجاورة:

• حساب حجم العينة الفعلي للمتغير باستخدام دالة العد: =COUNT(C2:C101)
• حساب المتوسط الحسابي للدرجات باستخدام دالة: =AVERAGE(C2:C101)
• حساب الوسيط لتحديد نقطة المنتصف باستخدام دالة: =MEDIAN(C2:C101)
• حساب المنوال (القيمة الأكثر شيوعاً) باستخدام دالة: =MODE(C2:C101)
• حساب الانحراف المعياري للعينة باستخدام دالة: =STDEV.S(C2:C101)
• حساب التباين الإحصائي للعينة باستخدام دالة: =VAR.S(C2:C101)
• حساب المدى عبر دالتي القيمة العظمى والدنيا: =MAX(C2:C101)-MIN(C2:C101)

يتم تخصيص صفين إضافيين داخل هذا الجدول لاستقبال قيم دالتي الالتواء والتفرطح اللتين سيتم حسابهما في الأقسام التالية، مما يوفر بيئة تحليل موحدة ومرتبة وفق الأصول المنهجية المتبعة في مراكز البحوث.

5. خطوات حساب الالتواء باستخدام دالة SKEW في جداول بيانات جوجل

5.1 الصيغة الرياضية وبنية الدالة SKEW

توفر منصة جداول بيانات جوجل دالة قياسية مخصصة لحساب معامل الالتواء للعينة يطلق عليها اسم SKEW. تأخذ الجملة النحوية والبرمجية العامة للدالة الشكل التالي:

=SKEW(value1, [value2, ...])

حيث تمثل value1 النطاق الأساسي للخلايا الذي يحتوي على البيانات الرقمية المراد فحص التوائها، بينما تمثل value2, ... نطاقات أو قيماً إضافية اختيارية يمكن تضمينها في الحساب.

تعتمد الدالة برمجياً على خوارزمية إحصائية غير متحيزة لحساب الالتواء في العينات، وتستند إلى المعادلة الرياضية المعيارية التالية:

$$G_1 = \frac{n}{(n-1)(n-2)} \sum_{i=1}^{n} \left( \frac{x_i – \bar{x}}{s} \right)^3$$

حيث يمثل $n$ حجم العينة الفعلي (عدد المشاهدات المستوفية للشروط)، و$x_i$ تمثل الدرجة الفردية لكل مفحوص، و$\bar{x}$ هو المتوسط الحسابي للعينة، و$s$ هو الانحراف المعياري المحسوب للعينة. يضمن معامل التصحيح المضروب في المجموع التخلص من التحيز الحسابي المرتبط بصغر أحجام العينات، مما يجعل ناتج دالة SKEW في Google Sheets متطابقاً تماماً مع مخرجات الحزم الإحصائية الكبرى مثل SPSS وSAS.

تتجاهل دالة SKEW تلقائياً أي خلايا فارغة أو قيم نصية موجودة داخل النطاق المحدد، لكنها تتطلب وجود ما لا يقل عن ثلاث قيم عددية صالحة ($n ge 3$) لإتمام العملية الحسابية؛ نظراً لأن المعادلة تتضمن في مقامها المقدار $(n-1)(n-2)$ والذي يتحول إلى صفر في حال كان عدد المدخلات أقل من ذلك مما يمنع رياضياً إتمام القسمة.

5.2 تطبيق الدالة على متغير فردي خطوة بخطوة

لحساب معامل الالتواء لمتغير نفسي معين داخل جداول بيانات جوجل، يمكن اتباع الخطوات الإجرائية التالية بدقة متناهية:

1. الانتقال إلى ورقة العمل التي تتضمن البيانات المنظمة، والوقوف على الخلية المراد إظهار النتيجة بداخلها (ولتكن الخلية F8 مثلاً).
2. كتابة علامة التساوي لبدء إدخال الصيغة الحسابية: = ثم كتابة اسم الدالة بحروف إنجليزية سواء كانت كبيرة أو صغيرة: SKEW(.
3. تحديد نطاق الخلايا الفعلي المحتوي على البيانات، إما بسحب مؤشر الفأرة فوق الخلايا من C2 إلى C101، أو بكتابة النطاق يدوياً ليصبح: =SKEW(C2:C101).
4. إذا كنت قد أنشأت نطاقاً مسمى مسبقاً كما وضحنا سابقاً، يمكنك ببساطة كتابة: =SKEW(DepressionData).
5. إغلاق القوس البرمجي والضغط على مفتاح الإدخال (Enter) في لوحة المفاتيح.
6. ستقوم المنصة بحساب المعادلة فوراً وعرض معامل الالتواء العددي بدقة متناهية. يمكن ضبط عدد المنازل العشرية للخلية من خلال شريط الأدوات العلوي واختيار “تقليل المنازل العشرية” لتثبيتها على منزلتين أو ثلاث منازل عشرية وفق متطلبات تقارير APA.

5.3 تعميم المعادلة على مصفوفة متغيرات متعددة

عند إجراء دراسة سيكومترية واسعة تتضمن أبعاداً فرعية متعددة أو عدداً كبيراً من فقرات المقياس المرتبة في أعمدة متجاورة (من العمود C إلى العمود K مثلاً)، فإن إعادة كتابة الدالة يدوياً لكل عمود يعد هدراً كبيراً للوقت والجهد.

توفر جداول بيانات جوجل آليات متقدمة لتعميم المعادلات عبر السلاسل البيانية؛ الطريقة الأكثر بساطة وشيوعاً هي استخدام مقبض التعبئة التلقائية (Fill Handle). يتم ذلك بتحديد الخلية الأولى التي تحتوي على صيغة الالتواء للعمود الأول، ثم النقر المستمر على المربع الأزرق الصغير الكائن في الزاوية السفلية اليسرى (أو اليمنى حسب لغة الواجهة) للخلية وسحبه أفقياً عبر الأعمدة المستهدفة. ستقوم المنصة بتحديث مراجع الأعمدة نسبياً وبصورة ديناميكية لتصبح الصيغ في الأعمدة التالية: =SKEW(D2:D101)، و=SKEW(E2:E101)، وهكذا دواليك.

أما إذا كان المطلوب حساب الالتواء لنطاقات تتطلب مراجع ثابتة لا تتغير مع السحب، فيمكن استخدام إشارة الدولار $ لتثبيت مراجع الصفوف أو الأعمدة (Absolute References)، مثل: =SKEW(C$2:C$101)، لضمان استقرار حدود النطاق الرأسي عند تكرار المعالجات الرياضية في اتجاهات مختلفة.

6. خطوات حساب التفرطح باستخدام دالة KURT في جداول بيانات جوجل

6.1 الصيغة الرياضية وبنية الدالة KURT

لحساب معامل التفرطح داخل بيئة جداول بيانات جوجل، تُستخدم الدالة الإحصائية القياسية KURT. تتطابق البنية النحوية لهذه الدالة مع معظم الدوال الإحصائية المتقدمة وتأخذ الصيغة البرمجية التالية:

=KURT(value1, [value2, ...])

تعتمد دالة KURT في جداول بيانات جوجل على خوارزمية إحصائية غير متحيزة مخصصة لحساب التفرطح الإضافي للعينة (Sample Excess Kurtosis)، وتخضع للمعادلة الرياضية الدقيقة التالية:

$$G_2 = \frac{n(n+1)}{(n-1)(n-2)(n-3)} \sum_{i=1}^{n} \left( \frac{x_i – \bar{x}}{s} \right)^4 – \frac{3(n-1)^2}{(n-2)(n-3)}$$

توضح هذه المعادلة المعقدة أن الدالة تحسب العزم الرابع المصحح لأخطاء العينات الصغيرة وتطرح منه حداً تصحيحياً يؤول إلى الرقم 3 مع زيادة حجم العينة ($n$). يترتب على هذا التكوين الرياضي أن الناتج الذي يظهر في الخلية يمثل مباشرة درجة الانحراف عن التفرطح الطبيعي (أي التفرطح الإضافي)؛ حيث تشير النتيجة الصفرية إلى تفرطح طبيعي تماماً، والموجبة إلى تفرطح مدبب، والسالطة إلى تفرطح مفلطح.

تتطلب دالة KURT توفر ما لا يقل عن أربع مشاهدات عددية صحيحة ($n ge 4$) داخل النطاق المستهدف؛ نظراً لاحتواء مقام معادلتها على الحدود $(n-1)(n-2)(n-3)$، والتي تتسبب في خطأ القسمة على الصفر في حال كانت العينة أصغر من أربعة مدخلات.

6.2 تطبيق دالة KURT عملياً على مجموعة البيانات

لتنفيذ حساب التفرطح الإضافي عملياً على درجات أحد المتغيرات، يتم اتباع الخطوات التالية:

1. تحديد الخلية المستهدفة لوضع نتيجة التفرطح (لتكن الخلية F9 أسفل خلية الالتواء مباشرة).
2. كتابة علامة المساواة ثم استدعاء دالة التفرطح: =KURT(.
3. تمرير نطاق البيانات المراد تحليله، وليكن عمود درجات المقياس: C2:C101، لتكتمل الصيغة كالتالي: =KURT(C2:C101).
4. في حال استخدام النطاقات المسماة، تُكتب الصيغة بالشكل: =KURT(DepressionData).
5. الضغط على زر Enter، حيث تُجري المنصة العمليات الحسابية المتطورة على العزم الرابع وتُظهر القيمة الناتجة في الحال.
6. تنسيق الخلية رقمياً لعرض النتيجة بدقة منزلتين أو ثلاث منازل عشرية لتسهيل قراءتها ومقارنتها بالمعايير الإحصائية.

6.3 المقارنة الرياضية بين ناتج الدالة والتفرطح المطلق

من الضروري جداً أن ينتبه الباحث الإحصائي إلى الفرق الجوهري بين التفرطح المطلق (Absolute / Proper Kurtosis) والتفرطح الإضافي (Excess Kurtosis). في بعض المدارس الإحصائية التقليدية والبرمجيات المتخصصة في الرياضيات البحتة، يُعرف التفرطح بالعزم الرابع غير المطروح منه 3، مما يجعل قيمة التوزيع الطبيعي مساوية لـ 3.0.

تقوم دالة KURT في جداول بيانات جوجل (وعلى غرار برنامج Microsoft Excel) بطرح القيمة 3 تلقائياً ضمن بنيتها الخوارزمية؛ وبالتالي فإن النتيجة المستخرجة تمثل دائماً التفرطح الإضافي. فإذا أظهرت الدالة قيمة قدرها 0.45، فإن هذا يعني أن التفرطح الإضافي يساوي +0.45، بينما يبلغ التفرطح المطلق لنفس هذه البيانات 3.45 ($0.45 + 3 = 3.45$).

إذا كانت هناك حاجة منهجية لتقديم التفرطح المطلق في البحث الأكاديمي، يمكن للباحث تعديل الصيغة داخل الخلية بإضافة الرقم 3 يدوياً كالتالي: =KURT(C2:C101) + 3. ومع ذلك، فإن العرف السائد في الأبحاث السلوكية والاجتماعية يفضل الاعتماد على التفرطح الإضافي مع ضرورة التصريح الواضح بذلك في منهجية البحث وجداول الإحصاء الوصفي لمنع أي لبس في التفسير.

7. تطبيق عملي متكامل: تحليل درجات مقياس نفسي في جداول بيانات جوجل

7.1 توصيف بيانات النموذج التطبيقي (درجات مقياس الاكتئاب)

لتجسيد الخطوات السابقة في سياق بحثي واقعي، نفترض أن باحثاً في علم النفس العيادي قام بتطبيق مقياس بيك للاكتئاب (BDI-II) على عينة غير إكلينيكية قوامها 100 طالب جامعي ($N = 100$). تتراوح الدرجة الكلية للمقياس نظرياً بين 0 و63 درجة، حيث تشير الدرجات من 0 إلى 13 إلى اكتئاب في حدوده الدنيا، ومن 14 إلى 19 إلى اكتئاب طفيف، ومن 20 إلى 28 إلى اكتئاب متوسط، ومن 29 إلى 63 إلى اكتئاب شديد.

تم إدخال البيانات في ورقة عمل Google Sheets بحيث يمثل العمود A الرقم التعريفي للمشارك (ID من 1 إلى 100)، والعمود B يمثل الجنس (Gender)، والعمود C يمثل الدرجة الكلية للاكتئاب (Depression_Total) الممتدة من الخلية C2 إلى C101. الهدف المنهجي للباحث هو فحص الخصائص التوزيعية للدرجة الكلية والتحقق من مدى اعتداليتها قبل اتخاذ القرار باستخدام اختبارات معلمية مثل اختبار “ت” للفروق بين الجنسين.

7.2 التنفيذ الإجرائي للمعادلات واستخراج النتائج

قام الباحث ببناء جدول إحصائي تحليلي في النطاق E1:F10 لتوليد مخرجات التحليل الاستكشافي للدرجة الكلية للاكتئاب. تم إدخال الدوال الحسابية بالصيغ الموضحة في الجدول التالي:

المؤشر الإحصائي	الصيغة المكتوبة في جداول جوجل	النتيجة الافتراضية المحسوبة
حجم العينة (Sample Size – n)	=COUNT(C2:C101)	100
المتوسط الحسابي (Mean)	=AVERAGE(C2:C101)	12.45
الوسيط (Median)	=MEDIAN(C2:C101)	10.00
الانحراف المعياري (Std. Deviation)	=STDEV.S(C2:C101)	7.82
معامل الالتواء (Skewness)	=SKEW(C2:C101)	+1.18
معامل التفرطح الإضافي (Kurtosis)	=KURT(C2:C101)	+1.42

توضح الخطوات أن كتابة الدوال تمت بكل سلاسة، وأنتجت جداول بيانات جوجل قيماً دقيقة لكافة المؤشرات في أجزاء من الثانية، مما يتيح الانتقال الفوري للخطوة التالية وهي التفسير السيكومتري والتحليلي لهذه المخرجات الرقمية.

7.3 التحليل السيكومتري الأولي لنتائج النموذج التطبيقي

يكشف الفحص الأولي للنتائج المستخرجة عن مجموعة من الخصائص التوزيعية الجديرة بالاهتمام؛ حيث نلاحظ أولاً أن قيمة المتوسط الحسابي (12.45) أعلى بصورة واضحة من قيمة الوسيط (10.00). هذا التباعد بين المتوسط والوسيط يعطي أول مؤشر بديهي على وجود التواء موجب في درجات المقياس.

يتأكد هذا الاستنتاج الرياضي بصورة قاطعة من خلال قيمة معامل الالتواء المحسوبة بدالة SKEW والتي بلغت +1.18. تشير هذه الإشارة الموجبة والقيمة التي تتجاوز الصفر إلى أن توزيع درجات الاكتئاب في العينة الجامعية يمتلك ذيلاً يمتد نحو الطرف الأيمن المرتفع؛ وهو ما يتطابق كلياً مع الفرضيات السيكومترية لعينات المجتمع العام غير الإكلينيكي، حيث يتمتع أغلب الطلاب بصحة نفسية جيدة وتتمركز درجاتهم في النطاق الأدنى للاكتئاب (بين 0 و13)، في حين يمثل الطلاب ذوو الدرجات المرتفعة فئة محدودة كشفت عنها استطالة الذيل الأيمن.

من جهة أخرى، بلغت قيمة التفرطح الإضافي المستخرجة بدالة KURT نحو +1.42. هذه القيمة الموجبة تشير إلى توزيع لبتوكورتي مدبب نسبياً يتميز بذيول أثقل وقيمة قمة أعلى من التوزيع الطبيعي المعتدل؛ مما يعكس تركزاً كبيراً لدرجات الغالبية العظمى من الطلاب حول درجات منخفضة محددة مع وجود حالات استثنائية متباعدة في الذيل الأيمن ساهمت في رفع قيمة التفرطح الإضافي فوق الصفر.

8. المعايير المنهجية لتفسير قيم الالتواء والتفرطح في القياس النفسي

8.1 محكات التوزيع الطبيعي وفق الأدبيات الإحصائية (Kline, Hair, George & Mallery)

تعددت آراء المنهجيين والإحصائيين حول الحدود الرقمية الفاصلة التي يمكن عندها اعتبار البيانات ممتثلة للافتراض الطبيعي أو منحرفة عنه بصورة تستوجب التدخل. في كتاباتهم المرجعية واسعة الانتشار، يقدم جورج وماليري (George & Mallery, 2010) قاعدة إرشادية شهيرة تصنف قيم الالتواء والتفرطح على النحو التالي: القيم المحصورة بين -1.0 و +1.0 تعتبر ممتازة وتدل على اقتراب شديد من التوزيع الطبيعي، بينما تعتبر القيم المحصورة بين -2.0 و +2.0 مقبولة لمعظم التطبيقات والتحليلات الإحصائية المعلمية المعتادة.

في سياق النمذجة الإحصائية المتقدمة ونمذجة المعادلات البنائية (SEM)، يضع كلاين (Kline, 2016) محكات أكثر تفصيلاً، حيث يرى أن البيانات لا تعاني من انتهاك جسيم لافتراض الاعتدالية ما لم يتجاوز معامل الالتواء المطلق القيمة 3.0 ($|Skewness| < 3$)، وألا يتجاوز معامل التفرطح الإضافي المطلق القيمة 8.0 أو 10.0 ($|Kurtosis| < 10$). من جانبه، يشير هير وزملاؤه (Hair et al., 2010) إلى أن النطاق الآمن لتحليلات التباين والانحدار المتعدد يقع عموماً بين -2.0 و +2.0 لكل من الالتواء والتفرطح.

يجدر بالباحث دائماً مراعاة حجم العينة؛ ففي العينات الكبيرة جداً ($N > 300$)، تعمل نظرية النهاية المركزية (Central Limit Theorem) على توفير حصانة للاختبارات المعلمية ضد الانحرافات الطفيفة والمعتدلة في الالتواء والتفرطح، مما يجعل التسامح الإحصائي أكبر بكثير مقارنة بالعينات الصغيرة ($N < 50$) التي تتطلب صرامة تامة في مطابقة شروط الاعتدالية.

8.2 حساب الخطأ المعياري لكل من الالتواء والتفرطح

لا يكتمل التقييم الإحصائي للالتواء والتفرطح بالاكتفاء بالقيمة المطلقة فقط، بل يجب تقدير الدقة الإحصائية لهذين المعاملين من خلال حساب الخطأ المعياري للالتواء (Standard Error of Skewness – SES) والخطأ المعياري للتفرطح (Standard Error of Kurtosis – SEK). ترتبط هذه الأخطاء المعيارية مباشرة بحجم العينة وتتناقص كلما كبرت العينة.

تُحسب الصيغ التقريبية المعيارية الأكثر شيوعاً في القياس النفسي وفق المعادلات الرياضية التالية:

$$SES \approx \sqrt{\frac{6}{n}}$$

$$SEK \approx \sqrt{\frac{24}{n}}$$

يمكن برمجة هذه المعادلات الرياضية بكل سهولة داخل جداول بيانات جوجل لحساب الأخطاء المعيارية تلقائياً لأي حجم عينة. إذا كان حجم العينة في الخلية F2، يتم إدخال الصيغ التالية:

• لحساب الخطأ المعياري للالتواء: =SQRT(6/F2)
• لحساب الخطأ المعياري للتفرطح: =SQRT(24/F2)

في نموذجنا التطبيقي السابق بحجم عينة $n = 100$، ينتج أن $SES = \sqrt{6/100} = \sqrt{0.06} \approx 0.245$، وينتج أن $SEK = \sqrt{24/100} = \sqrt{0.24} \approx 0.490$.

8.3 حساب الدرجة المعيارية (Z-Score) للتحقق من الدلالة الإحصائية

لاختبار الفرضية الصفرية القائلة بأن معامل الالتواء أو التفرطح في المجتمع الأصلي يساوي صفراً ($H_0: Skewness = 0$ و $H_0: Excess Kurtosis = 0$)، يتم تحويل المعاملات المحسوبة إلى درجات معيارية تسمى $Z_{skew}$ و $Z_{kurt}$ بقسمة كل معامل على خطئه المعياري الخاص به وفق الصيغتين:

$$Z_{skew} = \frac{Skewness}{SES}$$

$$Z_{kurt} = \frac{Kurtosis}{SEK}$$

في جداول بيانات جوجل، يمكن حساب هذه القيم بكتابة الصيغ التالية مباشرة في الخلايا المخصصة:

• الدرجة المعيارية للالتواء: =F8/F12 (بقسمة خلية الالتواء على خلية SES)
• الدرجة المعيارية للتفرطح: =F9/F13 (بقسمة خلية التفرطح على خلية SEK)

يتم مقارنة الدرجة المعيارية $Z$ المحسوبة بالقيمة الحرجة للتوزيع الطبيعي المعياري عند مستوى دلالة $\alpha = 0.05$، وهي $\pm 1.96$ (أو $\pm 2.58$ عند مستوى دلالة $\alpha = 0.01$). في مثالنا العملي:

$$Z_{skew} = \frac{1.18}{0.245} = 4.82$$

$$Z_{kurt} = \frac{1.42}{0.490} = 2.90$$

بما أن كلا القيمتين ($4.82$ و $2.90$) تتجاوزان القيمة الحرجة $+1.96$، فإننا نرفض الفرضية الصفرية ونستنتج بدلالة إحصائية عند مستوى 0.05 أن توزيع درجات الاكتئاب في هذا المجتمع ينحرف انحرافاً دالاً إحصائياً عن التوزيع الطبيعي من حيث الالتواء والتفرطح. ومع ذلك، وبما أن القيم المطلقة الأصلية (1.18 و 1.42) تقع ضمن نطاق George & Mallery ($\pm 2$)، يظل بالإمكان استخدام الاختبارات المعلمية بحذر مع التنويه على حدود الاعتدالية في التقرير البحثي.

9. التمثيل البياني والتأكيد البصري للشكل التوزيعي في جداول بيانات جوجل

9.1 إنشاء المدرج التكراري (Histogram) لفحص التوزيع

لا يكتمل التحليل الرقمي للالتواء والتفرطح دون تعزيزه بالتأكيد البصري والتمثيل البياني؛ فالرسوم البيانية تتيح للباحث استكشاف الأنماط غير الخطية والشذوذ التوزيعي الذي قد تعجز الأرقام المجردة وحدها عن توضيحه بصورة شاملة. يعد المدرج التكراري (Histogram) الأداة البيانية الأساسية لتمثيل التوزيعات التكرارية للبيانات المتصلة.

لإنشاء مدرج تكراري احترافي داخل جداول بيانات جوجل، يمكن اتباع الخطوات المنهجية التالية:

1. تحديد عمود البيانات المراد تمثيله (مثلاً من C1 إلى C101 بما في ذلك اسم المتغير في الصف الأول).
2. الانتقال إلى القائمة العلوية واختيار إدراج (Insert) ثم النقر على مخطط (Chart).
3. في نافذة “محرر المخططات” (Chart Editor) التي تظهر على يمين الشاشة، الانتقال إلى تبويب إعداد (Setup) وفتح القائمة المنسدلة “نوع المخطط” (Chart type) ثم التمرير لأسفل واختيار مخطط المدرج التكراري (Histogram Chart).
4. لتحسين دقة التمثيل، الانتقال إلى تبويب تخصيص (Customize) واختيار قسم المدرج التكراري (Histogram)، ثم ضبط خيار “حجم الفئة” (Bucket size) ليناسب مدى البيانات (مثلاً تحديد حجم الفئة بـ 5 درجات بدلاً من التحديد التلقائي).
5. تسمية محاور المخطط بدقة من خلال قسم عناوين المخططات والمحاور (Chart & axis titles)؛ حيث يُسمى المحور الأفقي “درجات مقياس الاكتئاب” والمحور الرأسي “التكرار” (Frequency).

تتيح المعاينة البصرية للمدرج التكراري مطابقة فورية بين ميلان الأعمدة وقيمة الالتواء المحسوبة؛ حيث سيظهر امتداد واضح للأعمدة المنخفضة نحو اليمين وتكدس الأعمدة الطويلة نحو اليسار، مؤكداً بصرياً صحة معامل الالتواء الموجب.

9.2 رسم مخطط الصندوق وطرفيه (Box Plot) لتحديد الذيول والقيم الشاذة

يعد مخطط الصندوق وطرفيه (Box Plot أو Box-and-Whisker Plot) من أقوى الأدوات الاستكشافية التي تقدم تلخيصاً بيانياً خماسياً للبيانات يشتمل على: القيمة الصغرى، الربيع الأول ($Q_1$)، الوسيط ($Q_2$)، الربيع الثالث ($Q_3$)، والقيمة العظمى، بالإضافة إلى رصد دقيق لنقاط القيم الشاذة والمتطرفة المنفصلة.

يدعم مخطط الصندوق الكشف عن ملامح الالتواء والتفرطح بصورة فائقة؛ فإذا كان خط الوسيط داخل الصندوق ينزاح نحو الأسفل (أقرب إلى الربيع الأول $Q_1$) وكان الطرف العلوي (Whisker) أطول بكثير من الطرف السفلي، دل ذلك بصرياً على الالتواء الموجب. بينما تدل النقاط المتناثرة خارج نطاق الطرفين العلوي والسفلي على القيم المتطرفة والشاذة المسؤولة مباشرة عن زيادة التفرطح وثقل الذيول.

لإنشاء مخطط الصندوق في Google Sheets، يمكن تحديد عمود البيانات وإدراج مخطط واختيار “مخطط الشموع / الصندوق” (Candlestick chart) من قائمة المخططات، مع التأكد من تنظيم بيانات الملخص الخماسي أو استخدام المخططات المحدثة لتوليده تلقائياً، مما يمنح الباحث رؤية متكاملة لمدى تماثل وتشتت استجابات المفحوصين.

9.3 تراكب منحنى التوزيع الطبيعي النظري مع البيانات الفعلية

لتقديم تقرير سيكومتري متقدم، يفضل بعض الباحثين دمج منحنى التوزيع الطبيعي النظري المتوقع فوق الأعمدة التكرارية للبيانات الفعلية لإجراء مقارنة بصرية حاسمة بين التوزيع الواقعي والتوزيع النموذجي.

يمكن تحقيق ذلك داخل جداول بيانات جوجل باتباع الخطوات الرياضية التالية:

1. إنشاء عمود جديد يمثل فئات الدرجات من أدنى قيمة إلى أعلى قيمة بزيادات منتظمة (مثلاً من 0 إلى 60 بخطوة 2 في العمود E).
2. حساب كثافة الاحتمال الطبيعي المتوقعة لكل فئة باستخدام دالة التوزيع الطبيعي NORMDIST بكتابة الصيغة التالية في العمود F:
   
   =NORMDIST(E2, AVERAGE(C$2:C$101), STDEV.S(C$2:C$101), FALSE)
3. ضرب قيمة الكثافة الاحتمالية في حجم العينة وعرض الفئة لتحويلها إلى تكرارات متوقعة تتناسب مع مقياس الرسم.
4. تحديد عمود التكرارات الفعلية وعمود التكرارات الطبيعية المتوقعة وإدراج “مخطط مختلط” (Combo Chart) يجمع بين الأعمدة التكرارية للبيانات الفعلية وخط منحنى ناعم (Smooth Line) يمثل التوزيع الطبيعي النظري.

يكشف هذا التراكب البصري الاحترافي بدقة متناهية عن الفجوات التي يبتعد فيها المنحنى الفعلي عن المنحنى المعياري، سواء ببروز قمة البيانات فوق المنحنى النظري (التفرطح المدبب) أو بانحراف قمة التوزيع نحو اليسار واستطالة ذيله نحو اليمين (الالتواء الموجب).

10. معالجة الأخطاء الشائعة واستكشاف المشكلات وإصلاحها في جداول بيانات جوجل

10.1 أخطاء الصيغ الحسابية (#DIV/0! و #VALUE!) وأسبابها

أثناء معالجة البيانات الإحصائية في جداول بيانات جوجل، قد تظهر فجأة بعض رموز الأخطاء البرمجية التي توقف الحسابات. يعد فهم المسببات الرياضية والبرمجية لهذه الأخطاء شرطاً أساسياً للتعامل الاحترافي مع البيانات:

• خطأ القسمة على الصفر #DIV/0!: يظهر هذا الخطأ عند تطبيق دالة SKEW على نطاق يحتوي على أقل من 3 مشاهدات رقمية، أو عند تطبيق دالة KURT على نطاق يحتوي على أقل من 4 مشاهدات رقمية؛ حيث تؤدي المقامات الصفرية في معادلات العزوم إلى استحالة القسمة رياضياً. كما يظهر الخطأ أيضاً إذا كانت جميع قيم النطاق متطابقة تماماً؛ لأن الانحراف المعياري ($s$) في المقام سيساوي صفراً.
• خطأ القيمة #VALUE!: يظهر عادة عندما يحتوي النطاق الممرر للدالة على أحرف أو رموز نصية خاطئة ناتجة عن عدم توافق التنسيق، أو عند استخدام فواصل غير صحيحة داخل بنية المعادلة (مثل استخدام النقطة الفاصلة ; بدلاً من الفاصلة العادية , أو العكس وفقاً للإعدادات الإقليمية لورقة العمل).

لضمان استقرار ورقة العمل وتجنب تشويه التقارير الإحصائية بظهور هذه الأخطاء، يُنصح دائماً بتغليف دوال الالتواء والتفرطح بدالة الحماية البرمجية IFERROR كالتالي:

=IFERROR(SKEW(C2:C101), "بيانات غير كافية")

=IFERROR(KURT(C2:C101), "بيانات غير كافية")

10.2 تأثير تباين القيم الصفري على المعادلات

من المشكلات السيكومترية الشائعة في البحوث الميدانية مشكلة “انعدام التباين” (Zero Variance) في بعض بنود المقاييس النفسية؛ وتحدث هذه الحالة عندما يختار جميع المفحوصين دون استثناء نفس خيار الاستجابة (كأن يجيب كافة أفراد العينة بالرقم 1 على بند معين).

من المنظور الرياضي، إذا كانت جميع القيم متطابقة ($x_1 = x_2 = … = x_n$)، فإن المتوسط الحسابي يتطابق مع كل المشاهدات، مما يجعل الانحراف المعياري مساوياً للصفر تماماً ($s = 0$). وعند تعويض هذه القيمة في معادلتي SKEW وKURT، تفشل الخوارزمية في إتمام العملية الحسابية نظراً للقسمة على الصفر، مما يولد خطأ #DIV/0! فوري في الخلية.

إجرائياً، يجب على الباحث فحص مصفوفة البيانات لاكتشاف المتغيرات والبنود عديمة التباين باستخدام دالة التباين =VAR.S(C2:C101). إذا كانت النتيجة مساوية لصفر، يجب استبعاد هذا البند فوراً من التحليلات السيكومترية المتقدمة؛ حيث إنه لا يقدم أي قدرة تمييزية بين المفحوصين ويعتبر متغيراً ميتاً إحصائياً يشوه الحسابات الكلية للمقياس.

10.3 معالجة مشكلات النطاقات الديناميكية وتحديث البيانات

في كثير من المشاريع البحثية المستمرة، تتدفق البيانات بصورة يومية ومتتابعة من استمارات الاستبيان الإلكترونية المرتبطة بالورقة، مما يتطلب تحديث مؤشرات الالتواء والتفرطح تلقائياً دون الحاجة لتعديل مراجع الخلايا يدوياً في كل مرة يتم فيها تسجيل استجابة جديدة.

إذا استخدم الباحث نطاقاً مفتوحاً غير محدد النهاية مثل =SKEW(C2:C)، فقد تنشأ مشكلات غير متوقعة إذا كانت هناك صفوف فارغة في الأسفل تحتوي على مسافات غير مرئية أو إذا تم تضمين نصوص تعليقية. للتغلب على هذه المعضلة باحترافية، تُستخدم دالة FILTER المتقدمة لتنقية النطاق وتمرير القيم الرقمية الحقيقية فقط لدالتي الالتواء والتفرطح وفق الصيغ الذكية التالية:

=SKEW(FILTER(C2:C, ISNUMBER(C2:C)))

=KURT(FILTER(C2:C, ISNUMBER(C2:C)))

تضمن هذه الصيغة البرمجية الرصينة قيام Google Sheets بتحديث معاملات الالتواء والتفرطح فورياً وبأعلى درجات الموثوقية الحسابية مع كل استجابة جديدة تضاف للعمود، مع تجاهل تام لأي خلايا فارغة أو مدخلات غير رقمية قد تتخلل مصفوفة البيانات.

11. إجراءات التعامل مع البيانات النفسية غير الطبيعية (Non-Normal Data)

11.1 طرق تحويل البيانات (Data Transformation) لتحسين الاعتدالية

عندما تكشف تحليلات الالتواء والتفرطح عن انتهاك جسيم لا يمكن التغاضي عنه لافتراض التوزيع الطبيعي ($|Skewness| > 2$ أو $|Kurtosis| > 7$)، يكون أمام الباحث خيار منهجي معتمد يتمثل في تطبيق “تحويلات البيانات” الرياضية (Data Transformations) لإعادة تشكيل التوزيع وتقريبه من الاعتدالية دون الإخلال بالترتيب النسبي للمفحوصين.

تعتمد نوعية التحويل الرياضي المستخدم على طبيعة وشدة الالتواء المرصود في جداول بيانات جوجل:

• التحويل اللوغاريثمي (Logarithmic Transformation): يعتبر الحل الأمثل لمعالجة حالات الالتواء الموجب الشديد (Positive Skewness). يتم تطبيقه في عمود جديد عبر دالة اللوغاريتم العشري LOG10 أو الطبيعي LN. وإذا كانت البيانات تحتوي على قيم صفرية، يتم إضافة ثابت عددي (مثل 1) لتجنب خطأ لوغاريتم الصفر كالتالي:
  
  =LOG10(C2 + 1)
• تحويل الجذر التربيعي (Square Root Transformation): يناسب حالات الالتواء الموجب المعتدل إلى المتوسط، ويتميز بأنه أقل قوة وضغطاً للبيانات من اللوغاريتم. يتم تطبيقه بالصيغة:
  
  =SQRT(C2)
• تحويل معكوس القيمة (Inverse / Reciprocal Transformation): يُستخدم في حالات الالتواء الموجب الحاد جداً، ويحسب بقسمة 1 على الدرجة: =1 / (C2 + 1). يلاحظ هنا أن هذا التحويل يقلب ترتيب الدرجات، مما يستدعي عكس الإشارة لاحقاً لاستعادة الاتجاه التفسيري الأصلي.
• معالجة الالتواء السالب (Negative Skewness Transformation): لعلاج الالتواء السالب، يتم أولاً “عكس درجات المتغير” (Reflect Data) بطرح كل درجة من أعلى قيمة ممكنة مضافاً إليها 1 ($K – x$)، ثم تطبيق التحويل اللوغاريثمي أو الجذر التربيعي على النتيجة المعكوسة كالتالي:
  
  =LOG10((MAX(C$2:C$101) + 1) - C2)

بعد إجراء التحويل، يعيد الباحث حساب دالتي SKEW وKURT على العمود الجديد المحول للتحقق من نجاح المعالجة الرياضية في خفض قيم الالتواء والتفرطح إلى النطاق الطبيعي المقبول قبل الانتقال لتطبيق الاختبارات المعلمية.

11.2 التعامل المنهجي مع القيم الشاذة والمتطرفة (Outliers)

تمثل القيم المتطرفة والشاذة السبب الرئيسي وراء الارتفاع الحاد في معاملات التفرطح والالتواء؛ نظراً لأن حسابات العزوم تعتمد على رفع الفروق عن المتوسط إلى الأسين الثالث والرابع، مما يضخم تأثير المشاهدات الفردية المتباعدة بصورة هائلة.

يتعين على الباحث النفسي أولاً تقييم طبيعة هذه القيم الشاذة؛ فإذا كانت ناتجة عن خطأ في الإدخال أو عدم التزام المفحوص بالتعليمات، يتم حذفها وتصحيحها فوراً. أما إذا كانت تمثل استجابة نفسية أصيلة وموثوقة لشخص يعاني بالفعل من سمة حادة، فإن الحذف التعسفي قد يشوه التمثيل الحقيقي لتباين الظاهرة في المجتمع.

في مثل هذه الحالات، يمكن اللجوء إلى تقنيات المعالجة السيكومترية المتقدمة مثل:

• أسلوب تعويض الأطراف (Winsorizing): يتم فيه استبدال القيم المتطرفة الواقعة خارج حدود معينة (مثل القيم التي تتجاوز 3 انحرافات معيارية عن المتوسط) بأقوى قيمة مسموحة ضمن النطاق المقبول. يمكن تطبيق ذلك في جداول جوجل باستخدام دالتي IF وMEDIAN لتقييد الهوامش دون إلغاء الحالات من العينة.
• أسلوب قطع الأطراف (Trimming): يتضمن استبعاد نسبة مئوية متناظرة من أعلى وأسفل التوزيع (مثل حذف أعلى 5% وأدنى 5% من الدرجات) لتنقية مقاييس المركز والالتواء من تأثيرات الذيول السميكة.

11.3 الانتقال إلى التحليلات اللامعلمية (Non-Parametric Tests)

إذا باءت محاولات تحويل البيانات بالفشل، أو إذا كانت طبيعة المتغيرات السيكومترية تقاس على مستوى رتبي (Ordinal Scale) لا يحتمل بطبيعته الافتراض الطبيعي، فإن الخيار المنهجي الأكثر أماناً وموثوقية هو التخلي تماماً عن الاختبارات المعلمية والانتقال إلى الحزمة المقابلة من الاختبارات الإحصائية اللامعلمية (Non-Parametric Tests) أو اختبارات التوزيع الحر (Distribution-Free Tests).

تتميز الاختبارات اللامعلمية بعدم اشتراطها لأي شكل توزيعي محدد، واعتمادها على رتب الدرجات (Ranks) بدلاً من قيمها العددية المطلقة، مما يجعلها منيعة تماماً ضد تأثيرات الالتواء والتفرطح والقيم الشاذة. تشمل البدائل المنهجية الرئيسية ما يلي:

• استخدام اختبار مان-ويتني (Mann-Whitney U Test) كبديل لاختبار “ت” للعينات المستقلة (Independent Samples t-test) عند مقارنة مجموعتين.
• استخدام اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank Test) كبديل لاختبار “ت” للعينات المترابطة (Paired Samples t-test).
• استخدام اختبار كروسكال-واليس (Kruskal-Wallis H Test) كبديل لتحليل التباين الأحادي (One-Way ANOVA) عند مقارنة ثلاث مجموعات أو أكثر.
• استخدام معامل ارتباط الرتب لسبيرمان (Spearman’s Rho) أو كندال (Kendall’s Tau) كبديل لمعامل ارتباط بيرسون (Pearson r).

12. توثيق وكتابة نتائج الالتواء والتفرطح وفق معايير جمعية علم النفس الأمريكية (APA)

12.1 الصياغة النصية القياسية لتقرير الالتواء والتفرطح

يفرض دليل النشر الأكاديمي الصادر عن جمعية علم النفس الأمريكية في طبعته السابعة (APA 7th Edition) قواعد صارمة ودقيقة لتوثيق المؤشرات الإحصائية في متن التقارير والأطروحات الأكاديمية. يجب كتابة الرموز الإحصائية بحروف مائلة (Italicized)، مع تقديم قيم المؤشرات والخطأ المعياري بدقة منزلتين أو ثلاث منازل عشرية مسبوقة بإشارتها الرياضية الجبرية (+ أو -).

فيما يلي نماذج لصياغة نتائج التحقق من الاعتدالية في متن البحث الأكاديمي:

“تم فحص الخصائص التوزيعية وافتراض الاعتدالية لدرجات مقياس الاكتئاب الكلي ($N = 100$). أظهرت التحليلات الاستكشافية أن البيانات تتمتع بدرجة مقبولة من التماثل والاعتدالية التوزيعية؛ حيث بلغت قيمة معامل الالتواء $Skewness = 0.42$ ($SE = 0.24$)، بينما بلغت قيمة معامل التفرطح الإضافي $Kurtosis = -0.31$ ($SE = 0.49$). وبما أن قيمتي الالتواء والتفرطح تقعان ضمن النطاق المعياري المقبول الممتد بين $-1.0$ و $+1.0$، فقد تم استيفاء افتراض التوزيع الطبيعي بما يتيح استخدام الاختبارات المعلمية بثقة.”

وفي حالة وجود التواء دال يستوجب التبرير المنهجي، تتم الصياغة كالتالي:

“أظهرت درجات مقياس القلق التواءً موجباً ملحوظاً ($Skewness = 1.68, SE = 0.24, Z = 7.00$) وتفرطحاً مدبباً ($Kurtosis = 2.15, SE = 0.49, Z = 4.39$). وعلى الرغم من انحراف التوزيع دلالياً عن التوزيع الطبيعي المعياري عند مستوى $\alpha = 0.01$، إلا أن المعاملات بقيت ضمن الحدود الآمنة القصوى المقترحة في الأدبيات السيكومترية ($|Skewness| < 2, |Kurtosis| < 7$؛ انظر Hair et al., 2010)، مما يسمح بالمضي قدماً في إجراء نموذج الانحدار الخطي المتعدد."

12.2 تصميم جداول الإحصاء الوصفي الشاملة في جداول بيانات جوجل

تتطلب معايير APA تنسيقاً متميزاً للجداول الإحصائية يتميز بالبساطة الأكاديمية والابتعاد عن الخطوط الرأسية والزخارف غير الضرورية؛ حيث يقتصر الجدول على ثلاثة خطوط أفقية رئيسية: خط أعلى ترويسة الأعمدة، وخط أسفل الترويسة، وخط ختامي أسفل الجدول.

يمكن بناء هذا الجدول بسهولة داخل Google Sheets وتنسيقه ليكون جاهزاً للتصدير المباشر إلى برامج معالجة النصوص (مثل Microsoft Word أو Google Docs) كما يوضح النموذج الشامل التالي:

المتغير (Variable)	n	M	SD	Skewness	SEskew	Kurtosis	SEkurt
1. الاكتئاب (Depression)	100	12.45	7.82	+1.18	0.24	+1.42	0.49
2. القلق (Anxiety)	100	18.30	9.15	+0.65	0.24	-0.22	0.49
3. الرضا عن الحياة (SWLS)	100	24.60	5.40	-0.85	0.24	+0.58	0.49
4. المرونة النفسية (Resilience)	100	33.10	6.20	-0.15	0.24	-0.45	0.49

ملاحظة: M = المتوسط الحسابي، SD = الانحراف المعياري، SE = الخطأ المعياري للتقدير. تم حساب التفرطح كقيمة تفرطح إضافي (Excess Kurtosis).

يمكن للباحث الاستفادة من ميزة التنسيق الشرطي (Conditional Formatting) في Google Sheets لتمييز أي خلية تتجاوز قيمتها النطاق المحدد للاعتدالية (مثلاً تلوين القيم التي تزيد عن $+2.0$ أو تقل عن $-2.0$ باللون البرتقالي التنبيهي الفاتح)؛ مما يمنح الباحث نظام فحص رقابي بصري فوري وشديد الفعالية أثناء إدخال وتحديث البيانات.

12.3 بناء لوحة معلومات تفاعلية للتحليل الوصفي في جداول بيانات جوجل

لتحقيق أقصى استفادة من الإمكانيات البرمجية لجداول بيانات جوجل، يمكن للباحث تصميم لوحة معلومات تفاعلية (Interactive Dashboard) تتيح فحص أي متغير داخل الدراسة بمجرد اختياره من قائمة منسدلة دون الحاجة لإعادة كتابة المعادلات مراراً وتكراراً.

يتم تنفيذ ذلك من خلال الخطوات البرمجية الذكية التالية:

1. إنشاء قائمة منسدلة لأسماء المتغيرات في خلية التحكم (ولتكن الخلية I2) باستخدام ميزة “التحقق من صحة البيانات” واختيار “قائمة من نطاق” تضم أسماء الأعمدة (C1:F1).
2. استخدام دالة البحث والمطابقة الديناميكية INDIRECT وADDRESS وMATCH لسحب عمود البيانات المقابل للمتغير المختار تلقائياً في عمود وسيط.
3. ربط دوال الإحصاء الوصفي الأساسية (AVERAGE، MEDIAN، STDEV.S، SKEW، KURT) بهذا العمود الوسيط المستدعى ديناميكياً.
4. برمجة خلية تشخيص نصي ذكي باستخدام دالة IFS التراكمية لتقديم تقييم وصفي فوري لحالة التوزيع التكراري، كأن يُكتب بداخلها المعادلة التالية:
   
   =IFS(AND(ABS(F8)<1, ABS(F9)=1, "التواء موجب ملحوظ", F8<=-1, "التواء سالب ملحوظ", TRUE, "توزيع يحتاج لمراجعة سيكومترية")
5. ربط هذا التحليل التفاعلي بمدرج تكراري ديناميكي يتغير شكله تلقائياً فور تغيير اسم المتغير من القائمة المنسدلة.

يوفر هذا النموذج التفاعلي المتقدم أداة عمل مؤسسية ومختبرية فائقة القوة تخدم فرق البحث متعددة التخصصات والمشاريع الميدانية الكبرى في معالجة وفحص مئات المتغيرات السلوكية بسرعة وموثوقية منهجية متكاملة.

خاتمة

في الختام، يُشكل فحص معالم الشكل التوزيعي — الالتواء والتفرطح — خطوة منهجية مفصلية وركيزة أساسية لا غنى عنها في بنية التحليل الإحصائي السليم للبيانات النفسية والسلوكية. إن التهاون في استكشاف هذه الخصائص قد يقود إلى الوقوع في فخ التحيزات المنهجية وتطبيق اختبارات استدلالية غير ملائمة، مما يفضي بالتبعية إلى نتائج مضللة واستنتاجات سيكومترية تفتقر إلى الدقة والأصالة العلمية.

أثبتت منصة جداول بيانات جوجل (Google Sheets) كفاءتها الفائقة كأداة حوسبة إحصائية سحابية متقدمة، تجمع بين دقة الخوارزميات الرياضية وسهولة التطبيق والتكامل التشاركي. من خلال الدوال القياسية SKEW وKURT، وبالاقتران مع أدوات التطهير والتنسيق والتمثيل البياني، أصبح بمقدور الباحثين وطلاب الدراسات العليا استكشاف بياناتهم بدقة متناهية، والتحقق من افتراضات الاعتدالية، واتخاذ قرارات واعية ومبنية على أدلة رياضية رصينة بشأن مسار التحليلات الإحصائية وتوثيقها وفق أرقى المعايير الأكاديمية العالمية.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cramer, D. (1998). Fundamental statistics for social research: Step-by-step calculations and computer techniques using SPSS for Windows. Routledge.
• George, D., & Mallery, P. (2010). SPSS for Windows step by step: A simple guide and reference, 17.0 update (10th ed.). Pearson.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis: A global perspective (7th ed.). Pearson Prentice Hall.
• Joanes, D. N., & Gill, C. A. (1998). Comparing measures of sample skewness and kurtosis. The Statistician: Journal of the Royal Statistical Society (Series D), 47(1), 183–189. https://doi.org/10.1111/1467-9884.00122
• Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
• Micceri, T. (1989). The unicorn, the normal curve, and other improbable creatures. Psychological Bulletin, 105(1), 156–166. https://doi.org/10.1037/0033-2909.105.1.156
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.