كيفية حساب الالتواء والتفرطح في SAS

تحظى مسألة التحقق من الخصائص التوزيعية للمتغيرات بأهمية بالغة في التحليل الإحصائي التطبيقي، لا سيما في العلوم السلوكية والنفسية والتربوية؛ حيث يُبنى الحكم على دقة النماذج التنبؤية والاختبارات الفرضية على مدى استيفاء البيانات لشروط التوزيع الطبيعي المعياري. وفي سياق هذا التقييم المنهجي، يبرز معاملا الالتواء (Skewness) والتفرطح (Kurtosis) بوصفهما الركيزتين الأساسيتين لفهم شكل التوزيع الاحتمالي بدقة تتجاوز مجرد حساب مقاييس النزعة المركزية ومقاييس التشتت؛ إذ يتيحان للباحث فحص درجات التماثل وتمركز المشاهدات في أطراف المنحنى وقمته، مما يحول دون الوقوع في استنتاجات مضللة قد تنشأ عن تطبيق أساليب إحصائية بارامترية على بيانات تعاني من انحرافات حادة.

تُعد برمجية التحليل الإحصائي SAS (Statistical Analysis System) واحدة من أقوى المنصات الحاسوبية وأكثرها موثوقية واعتماداً في الأوساط الأكاديمية والمؤسسات البحثية العالمية. وتوفر هذه المنظومة أدوات برمجية متقدمة لا تكتفي بتقدير المعالم الوصفية الكلاسيكية، بل تقدم إجراءات متخصصة ذات كفاءة خوارزمية عالية لاحتساب العزوم الإحصائية العليا بدقة فائقة، ومنها إجراءات شهيرة مثل PROC MEANS وإجراء التحليل الأحادي المعمق PROC UNIVARIATE. تتيح هذه الأدوات إمكانية استخراج معاملات الالتواء والتفرطح المصححة لأخطاء المعاينة، وتوليد مخرجات تشخيصية تساعد الإحصائي على اتخاذ قرارات حاسمة بشأن سلامة البيانات والتحويلات الرياضية الواجب اتخاذها.

يهدف هذا الدليل المرجعي الشامل إلى تقديم معالجة أكاديمية وتطبيقية متكاملة لطرائق حساب وتفسير معاملي الالتواء والتفرطح داخل بيئة SAS. وسنستعرض في ثناياه البنى النظرية والرياضية المنظمة لهذين المفهومين، مروراً بتأسيس بيئة العمل البرمجية واستعراض الأكواد الإجرائية وتحليل المخرجات الناتجة، وصولاً إلى أساليب التمثيل البصري، وحساب الدرجات المعيارية، وتطبيق المعالجات التحويلية عند اختراق افتراضات التوزيع الطبيعي، وصياغة النتائج بما يطابق المعايير الصارمة لجمعية علم النفس الأمريكية (APA).

1. الأسس النظرية لمعاملي الالتواء والتفرطح في التحليل الإحصائي السلوكي

1.1 المفهوم الرياضي لمعامل الالتواء (Skewness) وتفسير عدم التماثل

يُعرَّف معامل الالتواء رياضياً بأنه العزم المركزي الثالث بعد تقييسه وتحويله إلى صيغة لا بعدية عبر قسمته على الانحراف المعياري مرفوعاً إلى القوة الثالثة. ومن منظور بنيوي، يقيس هذا المؤشر درجة لاتماثل (Asymmetry) دالة الكثافة الاحتمالية أو التوزيع التكراري للبيانات حول المتوسط الحسابي. في التوزيعات المتماثلة كلياً، تتطابق قيم المتوسط والوسيط والمنوال، ويكون العزم المركزي الثالث مساوياً للصفر تماماً، مما يعكس توزيعاً متوازناً للبيانات على جانبي القمة المركزية.

ينقسم الالتواء إحصائياً إلى نمطين جوهريين: الالتواء الموجب (Positive Skewness) أو الانحراف نحو اليمين؛ وفيه يمتد ذيل التوزيع الطويل باتجاه القيم المرتفعة مع تركز غالبية المشاهدات في الجانب الأيسر المنخفض، مما يسحب المتوسط الحسابي ليكون أكبر قيمةً من الوسيط والمنوال. في المقابل، يمثل الالتواء السالب (Negative Skewness) أو الانحراف نحو اليسار الحالة التي يستطيل فيها ذيل المنحنى باتجاه القيم المتدنية، بينما تتجمع كتلة البيانات الكبرى في النطاق المرتفع، مما يجعل المتوسط الحسابي أقل من الوسيط الذي يكون بدوره في الغالب أقل من المنوال.

تكتسب القيمة الصفرية لمعامل الالتواء وزناً معيارياً فائقاً في القياس السيكومتري؛ إذ تشير إلى التوازن الأمثل للمفردات المقاسة واقترابها من ملامح المنحنى الجرسي (Bell-shaped curve). وفي سياق تقييم تباين الدرجات في المقاييس النفسية والاستبيانات السلوكية، يكشف الالتواء عن ديناميات سلوكية حرجة؛ فالالتواء الحاد نحو اليمين في مقياس مخصص لقياس أعراض الاكتئاب السريري لدى عينة غير إكلينيكية يُعد مؤشراً طبيعياً على ندرة الأعراض الحادة بين عامة الناس، في حين أن الالتواء في مقاييس الرضا الوظيفي قد يعكس تحيزات استجابة اجتماعية تدفع الأفراد نحو تقييمات مرتفعة بصورة غير متماثلة.

1.2 المفهوم الرياضي لمعامل التفرطح (Kurtosis) وطبيعة الذيول الإحصائية

يستند المفهوم الرياضي لمعامل التفرطح إلى العزم المركزي الرابع المعياري للبيانات مقسوماً على التباين مرفوعاً للتربيع. وعلى خلاف الاعتقاد الشائع الذي يربط التفرطح بقمة المنحنى فقط، فإن الدراسات الإحصائية الحديثة تؤكد أن التفرطح مقياس لثقل الذيول (Tails weight) واستطالتها وتكرار القيم المتطرفة مقارنة بمركز التوزيع، أكثر من كونه مجرد انعكاس لشكل القمة وحدتها. تُقاس الظاهرة عادة بما يُعرف بالتفرطح المفرط (Excess Kurtosis)، وهو حاصل طرح القيمة الثابتة (3) من التفرطح المطلق، ليكون التوزيع الطبيعي المعياري المحايد ذا تفرطح مفرط يساوي صفراً بدقة.

يصنف علماء الإحصاء التوزيعات استناداً إلى قيمة التفرطح إلى ثلاثة أنماط رئيسة: التوزيع المدبب ثقيل الذيول (Leptokurtic)، وتكون فيه قيمة التفرطح المفرط موجبة بصورة ملحوظة، مما يعكس ذيولاً سميكة تزداد فيها احتمالية ظهور المشاهدات الشاذة والقصوى مع تركز حاد للبيانات حول المركز؛ والتوزيع المفلطح خفيف الذيول (Platykurtic)، وتكون قيمة التفرطح المفرط فيه سالبة، مما يدل على ذيول خفيفة ونقص في القيم المتطرفة وتشتت أكثر تجانساً للبيانات؛ وأخيراً التوزيع معتدل التفرطح (Mesokurtic) الذي يطابق التوزيع الطبيعي في خصائصه الذيلية.

يرتبط التفرطح المرتفع ارتباطاً وثيقاً بظاهرة التشتت غير المتكافئ وتكرار القيم الشاذة في البيانات السيكومترية. فعندما يعاني مقياس نفسي من تفرطح مرتفع، فإن ذلك يعني وجود تجمعات متطرفة من المستجيبين على أطراف المقياس تفوق ما يتنبأ به التوزيع النظري، مما يرفع تباين العينة بصورة غير مستقرة ويؤثر سلباً على تقديرات معاملات الثبات والصدق العاملي.

1.3 أهمية التحقق من الالتواء والتفرطح قبل تطبيق الاختبارات البارامترية

تتطلب النماذج الخطية العامة (General Linear Models) واختبارات الفروق المعلمية الشهيرة، مثل اختبار “ت” المستقل واختبار تحليل التباين الأحادي والمتعدد (ANOVA/MANOVA)، افتراضاً محورياً مؤداه أن الأخطاء العشوائية أو البيانات قيد القياس تتوزع توزيعاً طبيعياً داخل مجتمع الدراسة. ويؤدي الإخلال الجسيم بهذا الشرط، الناجم عن وجود التواء شديد أو تفرطح حاد، إلى الإخلال بفرضية تجانس التباين، ورفع معدل خطأ النوع الأول (Type I Error) المتمثل في رفض الفرضية الصفرية وهي صحيحة، أو خفض القوة الإحصائية (Statistical Power) مما يعوق اكتشاف التأثيرات الحقيقية الميدانية.

تضع الأدبيات المنهجية المتقدمة حدوداً إرشادية مقبولة لمستويات الالتواء والتفرطح التي يمكن معها افتراض “الاعتدالية التقريبية” دون الإضرار بصلابة الاختبارات الإحصائية. ويشير المعيار الأكاديمي الكلاسيكي الذي صاغه جورج وماليري (George & Mallery) إلى أن القيم الواقعة ضمن المدى من -2.00 إلى +2.00 تُعد مقبولة وممثلة لتوزيع معتدل في معظم التطبيقات السلوكية. بينما يطرح الباحث ريكس كلين (Kline) معياراً مرناً في سياق نمذجة المعادلة البنائية (SEM)، مفاده أن القيمة المطلقة لمعامل الالتواء التي تقل عن 3.00، والقيمة المطلقة لمعامل التفرطح التي تقل عن 8.00 أو 10.00، لا تشكل خطراً جسيماً على كفاءة مقدرات الإمكانية الأعظم (Maximum Likelihood).

2. تهيئة بيئة العمل وإعداد مجموعات البيانات في نظام SAS

2.1 هيكلة البيانات وإنشاء مكتبات العمل داخل برمجية SAS

تمثل إدارة المكتبات الخطوة التأسيسية التي ترتكز عليها جميع معالجات البيانات في بنية نظام SAS البرمجية؛ حيث تتيح تعليمة LIBNAME للمحلل الإحصائي ربط مسار تخزين فيزيائي على وسائط التخزين المحلية أو الخوادم الشبكية بمكتبة بيانات دائمة داخل البرنامج. وتُصنف المكتبات في SAS إلى نوعين: مكتبة العمل المؤقتة المسماة افتراضياً بمكتبة WORK والتي تُفرغ محتوياتها تلقائياً بمجرد إنهاء جلسة العمل، والمكتبات الدائمة المحددة برمز مخصص (Libref) لا يتجاوز ثمانية محارف، وتضمن حفظ مصفوفات البيانات وتحليلاتها لاستدعائها لاحقاً.

تتم هيكلة البيانات النفسية أو السلوكية باستخدام خطوة البيانات (DATA Step)، حيث يتم تحديد اسم ملف البيانات، يليه تعريف أسماء المتغيرات وأنواعها عبر تعليمة INPUT، ثم تغذية السجلات العددية باستخدام تعليمة CARDS أو DATALINES. يتطلب التحليل الإحصائي الدقيق التحقق من أن المتغيرات المستهدفة بحساب العزوم قد عُرّفت كمتغيرات رقمية (Numeric Variables)، خالية من المحارف النصية التي تحول نوع المتغير إلى رمزي (Character Variable)، حيث لا يمكن تطبيق خوارزميات الالتواء والتفرطح على البيانات النصية نهائياً داخل محركات المعالجة في SAS.

تتضمن أفضل الممارسات المنهجية إسناد بطاقات وصفية واضحة للمتغيرات باستخدام تعليمة LABEL لضمان ظهور شروح وافية في جداول المخرجات اللاحقة. يتيح هذا التنسيق توثيق المقاييس الفرعية لدرجات القلق، والاحتراق النفسي، والمهارات المعرفية، مما يمنع حدوث تداخلات أثناء تتبع المتغيرات المتعددة في قواعد البيانات الكبيرة.

2.2 فحص سلامة مصفوفة البيانات والتعامل مع القيم المفقودة

تؤثر القيم المفقودة (Missing Values) تأثيراً مباشراً وحرجاً على دقة تقدير العزوم الرياضية العليا. وفي بيئة SAS، تُمثل القيمة المفقودة للمتغيرات الرقمية افتراضياً برمز النقطة (.)، ويتعامل النظام معها وفق مبدأ الحذف لكل تحليل على حدة (Listwise/Pairwise exclusion) بحسب الإجراء المطبق. وبما أن حسابات التفرطح والالتواء تعتمد على رفع الفروق عن المتوسط إلى القوى التكعيبية والتربيعية، فإن وجود فقد غير عشوائي في البيانات قد يؤدي إلى استبعاد مشاهدات حرجة، أو تزييف تقديرات الأوزان النسبية للذيول الإحصائية.

يتطلب فحص سلامة المصفوفة التحقق المسبق من عدم وجود أخطاء إدخال ميدانية ناتجة عن الطباعة اليدوية؛ كأن تظهر درجة (99) في مقياس ليكرت خماسي يتراوح بين (1 و5)، إذ يؤدي وجود مثل هذه القيمة الشاذة الزائفة إلى تضخيم فوري غير مبرر في معامل التفرطح وجر ذيل التوزيع ليظهر التواءً موجباً خادعاً. يمكن توظيف إجراءات التحقق المسبق عبر الفحص المنطقي في جملة IF-THEN أو الاستعانة بإجراء PROC FREQ للتأكد من انحصار كافة الاستجابات ضمن المدى المنطقي المسموح به للمقياس.

كما يُنصح بمراجعة سجل العمليات البرمجي لنظام SAS بعد تشغيل مرحلة إدخال البيانات؛ للتأكد من تطابق عدد السجلات المقروءة مع العدد الفعلي لمشاركي العينة، والتأكد من عدم توليد النظام لتحذيرات تفيد بتحويل غير مقصود للمتغيرات من قيم عددية إلى سلاسل نصية جراء وجود رموز خاصة في خانات الاستجابة.

3. حساب الالتواء والتفرطح باستخدام إجراء PROC MEANS الأساسي

3.1 البنية البرمجية لتعليمتي SKEWNESS وKURTOSIS

يُعد إجراء PROC MEANS الأداة الأساسية والأكثر شيوعاً في بيئة SAS لاستخراج الإحصاءات الوصفية التلخيصية بكفاءة حسابية وسرعة فائقة في معالجة مصفوفات البيانات الضخمة. وتعتمد الصياغة العامة للإجراء على تضمين الإحصاءات المطلوبة صراحة في السطر الافتتاحي للتعليمة؛ حيث يتيح النظام استدعاء معاملي الالتواء والتفرطح عبر الكلمات المفتاحية الكاملة SKEWNESS وKURTOSIS، أو باستخدام الكلمات المفتاحية المختصرة المعتمدة رسمياً SKEW وKURT لتسهيل الكتابة البرمجية.

يتميز إجراء PROC MEANS بمرونة فائقة تسمح للمحلل بدمج مقاييس النزعة المركزية ومقاييس التشتت والعزوم العليا في أمر تنفيذي واحد متماسك؛ كأن يُطلب حساب المتوسط الحسابي (MEAN)، والانحراف المعياري (STD)، والوسيط (MEDIAN)، والمدى الربيعي، جنباً إلى جنب مع الالتواء والتفرطح، وعدد المشاهدات الصالحة (N). يُمكّن هذا الدمج الشامل الباحث من إجراء مقارنة متزامنة وسريعة بين المتوسط والوسيط، وقراءة مؤشرات التشتت بالتوازي مع معاملات شكل المنحنى.

عند عدم تحديد أي إحصاءات بعد اسم الإجراء PROC MEANS، يقوم نظام SAS تلقائياً بطباعة مجموعة من المؤشرات الافتراضية تشمل العدد والمتوسط والانحراف المعياري وأدنى قيمة وأعلى قيمة، دون إظهار الالتواء والتفرطح. لذا، يتعين على المحلل كتابة الرموز الخاصة بالعزوم صراحة لفرض إدراجها ضمن جدول النتائج الرئيسي، مع إمكانية التحكم بعدد الخانات العشرية المعروضة باستخدام خيار MAXDEC=.

3.2 تطبيق عملي: كود SAS لحساب المعاملين لمتغير نفسي أحادي

لتطبيق هذه المبادئ عملياً، نفترض وجود دراسة سيكومترية تقيس مستوى “القلق الإكلينيكي” لدى عينة من المراجعين، حيث تم تسجيل الدرجات في متغير رقمي يسمى Anxiety_Score. يتم بناء الكود النموذجي داخل بيئة SAS وفق الهيكل الإجرائي التالي:

PROC MEANS DATA=Work.PsychStudy N MEAN STD SKEWNESS KURTOSIS MAXDEC=3;
    VAR Anxiety_Score;
RUN;

يقوم هذا الكود البرمجي باستدعاء مصفوفة البيانات المخزنة في مكتبة العمل باسم PsychStudy، وتوجيه معالج SAS لحساب الإحصاءات الخمس المحددة للمتغير المعرف في تعليمة VAR، مع تقريب النتائج النهائية إلى ثلاثة أرقام عشرية لتعزيز وضوح القراءة. تُعد تعليمة VAR (Variable) عنصراً حاسماً في الكود؛ إذ تحصر التحليل في المتغير النفسي المستهدف وتمنع إهدار الموارد الحاسوبية في محاولة حساب العزوم لكافة المتغيرات الرقمية المسجلة في قاعدة البيانات.

عقب إرسال الكود للتنفيذ، يتعين على الباحث التحقق من نافذة سجل العمليات (SAS Log) للتأكد من ظهور الإشعار باللون الأزرق المعتاد الذي يؤكد نجاح العملية دون ملاحظات تحذيرية (Warnings) أو أخطاء باللون الأحمر (Errors). يضمن هذا الإجراء البرمجي خلو البيانات من أي تشوهات شكلية قد تفسد دقة العمليات الحسابية المنجزة في الخلفية البرمجية للمنظومة.

3.3 قراءة وتفكيك جدول النتائج الافتراضي الصادر عن PROC MEANS

تنتج نافذة المخرجات (Output Window) أو نظام تسليم المخرجات في SAS جدولاً ملخصاً شديد الوضوح، يحتوي على أعمدة متسلسلة تعكس الترتيب الذي طُلب في التعليمة البرمجية. يظهر في العمود الأول اسم المتغير قيد التحليل وبطاقته الوصفية إن وُجدت، يليه عمود N الذي يوضح عدد الأفراد الذين يمتلكون قيماً صالحة خالية من الفقد، وهو رقم جوهري لتحديد درجات الحرية وخطأ المعاينة المرتبط بالتقديرات.

عند الانتقال إلى عمود Skewness، يجد الباحث القيمة العددية الناتجة؛ فإذا كانت القيمة مثلاً (+0.852)، فإنها تشير إلى التواء موجب معتدل يعكس ميل درجات القلق للتجمع عند المستويات الدنيا والمتوسطة، مع امتداد ذيل ضيق من الأفراد الذين يعانون من مستويات قلق حادة جداً. وفي العمود المجاور المخصص لـ Kurtosis، تعكس القيمة المحسوبة (مثلاً: -0.341) تفرطحاً مفرطاً سالباً خفيفاً، يشير إلى أن التوزيع أقل حدة بقليل من التوزيع الطبيعي المعياري، ولكنه يقع ضمن الحدود الآمنة للتحليلات الإحصائية دون خطر الإضرار بدقة النماذج البارامترية.

من الأهمية بمكان إدراك أن SAS تحسب معامل التفرطح تلقائياً بالصيغة المفرطة (Excess Kurtosis) التي تطرح القيمة (3)، مما يعني أن القيمة المستخرجة تُقارن مباشرة بنقطة الصفر كمعيار للاعتدالية، دون الحاجة إلى إجراء أي عمليات طرح يدوية من قبل الباحث. ويجب دوماً ربط هذه القيم بحجم العينة الفعلي؛ حيث تكتسب الفروق الطفيفة عن الصفر دلالة مختلفة بناءً على ما إذا كانت العينة محدودة (عشرات الحالات) أو عينة مسحية ضخمة تضم آلاف المشاهدات.

4. إجراء PROC UNIVARIATE والتحليل التشخيصي المعمق للتوزيعات

4.1 مزايا استخدام PROC UNIVARIATE مقابل PROC MEANS

على الرغم من الكفاءة التلخيصية التي يوفرها إجراء PROC MEANS، إلا أن الباحث الإحصائي المتخصص يجد في إجراء PROC UNIVARIATE المنصة الأكثر تكاملاً وعمقاً لإجراء التحليلات التشخيصية للبيانات. يكمن الفارق الجوهري الأول في أن PROC UNIVARIATE يُدرج معاملي الالتواء والتفرطح تلقائياً ضمن مخرجاته القياسية التفصيلية دون الحاجة إلى كتابة أوامر صريحة تطلب حسابهما، مما يجعله الإجراء الافتراضي للتشخيص الاستكشافي للبيانات.

تتمثل الميزة الكبرى الثانية في تزويد الباحث بما لا يستطيع PROC MEANS تقديمه، وهو الأخطاء المعيارية لمعاملات الالتواء والتفرطح (Standard Errors of Skewness and Kurtosis). تكتسب هذه الأخطاء المعيارية أهمية استثنائية؛ إذ تمثل حجر الزاوية لاختبار الدلالة الإحصائية للانحراف عن التوزيع الطبيعي وتحويل المعاملات إلى درجات معيارية، فضلاً عن حساب فترات الثقة حول العزوم المقدرة لمجتمع الدراسة، مما ينقل التحليل من مجرد التوصيف السطحي إلى الاستدلال الإحصائي الدقيق.

علاوة على ذلك، يولد الإجراء جداول متقدمة وشاملة تتضمن اختبارات الموقع، ومقاييس التشتت المتينة، والمئينات، ونطاقات الربيعات الخمسة، وجداول حصرية ترصد المشاهدات الأكثر تطرفاً على طرفي التوزيع الإحصائي الأدنى والأعلى، مما يمنح الباحث رؤية بانورامية تشريحية متكاملة لخصائص العينة.

4.2 صياغة الكود البرمجي المتقدم لتقييم شكل المنحنى الاحتمالي

لتشغيل الإمكانات التحليلية الكاملة لإجراء PROC UNIVARIATE، يُصاغ الكود البرمجي بتضمين خيارات إحصائية وتشخيصية متقدمة تدعم التقييم البصري والعددي لفرضي الاعتدالية، كما في النموذج التالي:

PROC UNIVARIATE DATA=Work.PsychStudy NORMAL PLOT;
    VAR Anxiety_Score;
    ID Participant_ID;
RUN;

يؤدي إدراج الخيار NORMAL إلى قيام SAS بإجراء اختبارات إحصائية رسمية لصلاحية المطابقة مع التوزيع الطبيعي، ومن أبرزها اختبار شابيرو-ويلك (Shapiro-Wilk) للعينات التي تقل عن 2000 مشاهدة، واختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov) المقترن بتعديل ليلفور للعينات الكبيرة. في حين يوفر الخيار PLOT رسومات تشخيصية سريعة ومخططات الجذع والورقة والمخططات الصندوقية المدمجة في بيئة العرض المباشر.

تؤدي تعليمة ID دوراً تشخيصياً فائق الأهمية بالاقتران مع جداول القيم المتطرفة (Extreme Observations)؛ فحينما يكتشف التحليل وجود تفرطح شاذ ناتج عن حالات متطرفة، يربط النظام تلك القيم الشاذة مباشرة بالرقم التعريفي للمشارك Participant_ID الموضح في تعليمة ID، مما يسهل على الباحث العودة فوراً إلى استمارات هؤلاء الأفراد المحددين لفحص أسباب الانحراف وتدقيق بياناتهم الميدانية.

4.3 استخراج معاملات الالتواء والتفرطح وحفظها في جداول بيانات مستقلة

في بيئات البحوث المتقدمة، لا يقتصر عمل المحلل على استعراض الجداول على الشاشة، بل يحتاج غالباً إلى حفظ الإحصاءات المستخرجة ضمن مصفوفة بيانات جديدة قابلة لإعادة التوظيف في معالجات لاحقة. يتحقق هذا الغرض عبر تضمين تعليمة OUTPUT OUT= داخل إجراء PROC UNIVARIATE، كما يوضح البناء البرمجي التالي:

PROC UNIVARIATE DATA=Work.PsychStudy NOPRINT;
    VAR Anxiety_Score;
    OUTPUT OUT=Work.ShapeStatistics
        N=SampleSize
        MEAN=MeanValue
        SKEWNESS=SkewVal
        KURTOSIS=KurtVal
        STD=StdDev;
RUN;

يساعد خيار NOPRINT الملحق بسطر البداية على كبح جماح إخراج الجداول المطولة إلى الشاشة، مما يرفع كفاءة المعالجة وسرعتها ويوفر الموارد الحاسوبية للنظام، خصوصاً عند تكرار التحليل على مئات المتغيرات. وتقوم تعليمة OUTPUT بإنشاء جدول بيانات جديد في مكتبة العمل يسمى ShapeStatistics، يحتوي على متغيرات جديدة بأسماء مخصصة للمتوسط والالتواء والتفرطح وحجم العينة.

يتيح هذا التصدير المنهجي دمج جدول المؤشرات التوزيعية مع مصفوفات بيانات كبرى أخرى عبر تعليمات MERGE، أو استخدامه لاحقاً في برمجة وحدات الماكرو (SAS Macros) لأتمتة فحص الاعتدالية عبر عشرات المقاييس النفسية بصورة خوارزمية ذكية لا تتطلب تدخلاً يدوياً في كل خطوة.

5. حساب الالتواء والتفرطح عبر المجموعات الفرعية والتصنيفات الديموغرافية

5.1 تطبيق تعليمة CLASS للتحليل المقارن للمجموعات

يتطلب البحث السلوكي في كثير من الأحيان مقارنة التوزيعات التكرارية للسمات النفسية بين مجموعات فرعية متباينة؛ مثل المقارنة بين الذكور والإناث، أو بين الفئات العمرية المتعددة، أو تقييم الفروق التوزيعية بين المجموعة التجريبية والمجموعة الضابطة في التصاميم شبه التجريبية. وتُعد تعليمة CLASS الخيار البرمجي الأكثر فاعلية لتحقيق هذا الغرض داخل إجرائي PROC MEANS وPROC UNIVARIATE.

تتميز تعليمة CLASS بقدرتها على تصنيف البيانات وتحليلها حسب المتغير التصنيفي دون اشتراط أن تكون البيانات مرتبة سلفاً في الذاكرة. يوضح الكود التالي كيفية حساب الالتواء والتفرطح لمقياس “الاكتئاب” عبر فئات المجموعات البحثية:

PROC MEANS DATA=Work.ClinicalTrial SKEW KURT MEAN STD MAXDEC=2;
    CLASS Treatment_Group;
    VAR Depression_Score;
RUN;

ينتج عن هذا الإجراء جدول مدمج يقسم البيانات بدقة حسب مستويات المتغير Treatment_Group، مما يتيح للباحث قراءة ومقارنة معاملات شكل التوزيع بين أفراد المجموعة الضابطة ونظرائهم في المجموعات العلاجية المختلفة. وتكشف هذه المقارنة عما إذا كان التدخل العلاجي قد أسفر عن تحول في بنية التوزيع ككل؛ كأن يتحول التوزيع من النمط المفلطح أو المتماثل المرتفع إلى نمط ملتوي التواءً موجباً حاداً يعكس تعافي أغلب الحالات وانحسار الدرجات المرتفعة نحو الصفر.

5.2 استخدام تعليمة BY للتحليل الشرطي المتسلسل

تمثل تعليمة BY البديل الكلاسيكي المتقدم لتعليمة CLASS؛ ورغم أنها تتطلب خطوة تمهيدية إلزامية تتمثل في فرز البيانات وترتيبها ترتيباً تصاعدياً أو تنازلياً باستخدام إجراء PROC SORT، إلا أنها تقدم مميزات تحليلية وتنظيمية تجعلها الخيار المفضل في التقارير الإحصائية الموسعة ذات التفريعات المعقدة متعددة المستويات.

لتطبيق هذا الأسلوب، يتم تشغيل إجراء الفرز أولاً ثم استدعاء الإجراء الإحصائي المقترن بتعليمة BY:

PROC SORT DATA=Work.ClinicalTrial OUT=Work.SortedTrial;
    BY Gender Diagnostic_Category;
RUN;

PROC UNIVARIATE DATA=Work.SortedTrial;
    BY Gender Diagnostic_Category;
    VAR Depression_Score;
RUN;

ينشئ هذا الترتيب المعماري تقارير إحصائية مستقلة تماماً لكل توليفة تصنيفية؛ حيث يخصص جدولاً كاملاً لكل فئة من فئات التشخيص داخل كل نوع اجتماعي. وتساعد هذه التجزئة المستقلة على عزل الانحرافات التوزيعية بدقة متناهية؛ فقد يكتشف المحلل أن اختراق اعتدالية التوزيع لا يعم كامل مصفوفة البيانات، بل ينحصر في فئة تشخيصية فرعية محددة تتميز بحساسية مفرطة أو تباين شاذ، مما يوجه الباحث نحو تطبيق معالجات مخصصة لتلك الفئة تحديداً دون المساس بباقي العينة المستقرة.

6. التمثيل البياني والتصوير البصري لشكل التوزيع في SAS

6.1 إنشاء المدرجات التكرارية مع منحنى التوزيع الطبيعي باستخدام PROC SGPLOT

لا يكتمل التحليل الإحصائي الرصين دون تدعيم المعايير الرقمية بتصوير بصري دقيق يتيح للعين المجردة معاينة الخصائص التوزيعية للمتغير. ويمثل إجراء الرسوم البيانية الإحصائية المتقدمة PROC SGPLOT بيئة متطورة لإنشاء مدرجات تكرارية عالية الدقة ذات معايير نشر أكاديمية عالمية. يتم دمج رسم الهيستوغرام مع منحنى الكثافة الاحتمالية النظري للتوزيع الطبيعي لمعاينة مدى التوافق البصري بين الواقع الميداني والنموذج المعياري.

يتم تحرير الكود البرمجي لإنشاء المدرج التكراري وضبط الكثافة كما يلي:

PROC SGPLOT DATA=Work.PsychStudy;
    HISTOGRAM Anxiety_Score / FILLATTRS=(COLOR=SteelBlue) BINWIDTH=5;
    DENSITY Anxiety_Score / TYPE=NORMAL LINEATTRS=(COLOR=DarkRed THICKNESS=2);
    TITLE “التوزيع التكراري لمقياس القلق الإكلينيكي مقارنة بالمنحنى الطبيعي”;
    XAXIS LABEL=”درجات القلق الإكلينيكي”;
    YAXIS LABEL=”الكثافة الاحتمالية النسبية”;
RUN;

يوفر خيار HISTOGRAM توزيعاً شريطياً يعكس التكرارات التجريبية، بينما تركب تعليمة DENSITY مع الخيار TYPE=NORMAL منحنى التوزيع الطبيعي بالاستناد إلى المتوسط والانحراف المعياري الفعليين للبيانات. يتيح تراكب هذين العنصرين تمييز الالتواء بوضوح؛ حيث يُلاحظ ابتعاد أشرطة الهيستوغرام عن مركز المنحنى الأحمر الجرسي واستطالة الذيول نحو الأطراف، في حين يكشف التفرطح عن تجاوزه لقمة المنحنى النظري أو انخفاضه الواضح عنها وتمدد أطرافه الجانبية.

6.2 توليد مخططات الاحتمال الطبيعي (Q-Q Plots) عبر PROC UNIVARIATE

تُعد مخططات التجزيء المقابل أو مخططات الاحتمال الطبيعي (Quantile-Quantile Plots / Q-Q Plots) إحدى أرقى الأدوات التشخيصية الرياضية لتقييم الالتواء والتفرطح؛ حيث تمثل النقاط التجريبية المحسوبة من مصفوفة البيانات في مقابل نقاط التجزيء المتوقعة في حال كان التوزيع يتبع التوزيع الطبيعي المعياري تماماً. في ظل الاعتدالية التامة، تصطف جميع النقاط بدقة متناهية على امتداد خط قطري مرجعي مائل بزاوية تقارب 45 درجة.

يمكن توليد هذا المخطط المتقدم مباشرة عبر تضمين تعليمة QQPLOT في إجراء PROC UNIVARIATE كما يلي:

PROC UNIVARIATE DATA=Work.PsychStudy NOPRINT;
    QQPLOT Anxiety_Score / NORMAL(MU=EST SIGMA=EST) SQUARE;
RUN;

يقوم خيار MU=EST وSIGMA=EST بتوجيه النظام لتقدير المعالم المرجعية مباشرة من بيانات العينة لإنشاء الخط المعياري المثالي. ويمكن تفكيك شكل انحراف النقاط عن هذا الخط بدقة استثنائية:

• الالتواء الإيجابي: تظهر نقاط البيانات منحنية ومقوسة باتجاه الأعلى، بحيث تكون تحت الخط عند الطرف الأدنى وفوقه عند الطرف الأعلى.
• الالتواء السلبي: يظهر الانحناء مقعراً نحو الأسفل، بحيث تعلو النقاط الخط المرجعي عند الطرف الأدنى وتهبط تحته عند الطرف الأعلى.
• التفرطح المدبب (Leptokurtic): تتخذ النقاط شكلاً ملتوياً يشبه الحرف الإنجليزي (S)، حيث تبتعد أطراف الذيول ابتعاداً واضحاً عن الخط المرجعي بما يعكس ثقل الذيول الإحصائية.
• التفرطح المفلطح (Platykurtic): تتقاطع النقاط مع الخط المرجعي بشكل عكسي ينم عن غياب أو نقص في الحالات المتطرفة عند الذيول.

6.3 المخططات الصندوقية (Box Plots) لدعم تشخيص التفرطح والقيم المتطرفة

يوفر المخطط الصندوقي المرجعي (Box Plot) فحصاً استكشافياً بصرياً بالغ الدقة لموقع الوسيط والمدى الربيعي (Interquartile Range – IQR) وتشخيص القيم المتطرفة المسببة لارتفاع التفرطح. تتيح تعليمة VBOX في إجراء PROC SGPLOT رسم الصندوق العمودي الذي يلخص بنية البيانات بدقة وفق قواعد جون توكي المعيارية.

PROC SGPLOT DATA=Work.PsychStudy;
    VBOX Anxiety_Score / CATEGORY=Gender BOXWIDTH=0.4;
    TITLE “المخطط الصندوقي لتشخيص تماثل وتفرطح درجات القلق”;
RUN;

يساعد هذا التمثيل على فحص التماثل بمراقبة موقع خط الوسيط داخل المستطيل الصندوقي؛ فإذا كان الوسيط أقرب إلى الربيع الأول (Q1)، فإن ذلك يشير إلى التواء موجب، بينما يدل اقترابه من الربيع الثالث (Q3) على التواء سالب. وفيما يخص التفرطح، تظهر القيم التي تبعد أكثر من 1.5 ضعف من المدى الربيعي على شكل نقاط منفصلة خارج شاربي الصندوق (Whiskers)، معتبرة قيماً شاذة (Outliers). ويؤدي تكرار هذه النقاط المنفصلة إلى رفع تفرطح العينة بصورة آلية، مما يمنح الباحث دليلاً بصرياً فورياً يفسر سبب القراءات المرتفعة للتفرطح المفرط المستخرجة من الإجراءات الوصفية.

7. التفسير الإحصائي والدلالة الميدانية لقيم الالتواء والتفرطح

7.1 حساب درجات z المعيارية (z-scores) للالتواء والتفرطح

في العينات الصغيرة والمتوسطة (أقل من 300 حالة تقريباً)، لا يكفي الاكتفاء بالنظر إلى القيمة المطلقة لمعاملي الالتواء والتفرطح، بل يتعين اختبار دلالتهما الإحصائية للتأكد مما إذا كان الانحراف عن التوزيع الطبيعي ناتجاً عن تباين خطأ المعاينة العشوائي أم أنه يعكس لاتماثلاً حقيقياً في مجتمع الدراسة. يتحقق ذلك من خلال تحويل المعاملات إلى درجات معيارية تسمى $z_{skew}$ و$z_{kurt}$ عبر قسمة قيمة المعامل المحسوب على خطئه المعياري المقابل، كما في الصيغتين:

z_skew = Skewness / SE_Skewness
z_kurt = Kurtosis / SE_Kurtosis

تتم مقارنة درجة $z$ المعيارية المحسوبة بالقيم الحرجة لجدول التوزيع الطبيعي المعياري؛ حيث تدل الدرجة التي تتجاوز القيمة المطلقة (1.96) على وجود انحراف دال إحصائياً عن الاعتدالية عند مستوى معنوية ($\alpha = 0.05$). أما إذا تجاوزت القيمة المطلقة (2.58)، فإن الانحراف يكون دالاً عند مستوى دقيق للغاية ($\alpha = 0.01$).

يوفر هذا المعيار إطاراً حاسماً للحكم المنهجي على صلاحية استخدام الاختبارات المعلمية. فإذا كانت درجة $z$ للالتواء أو التفرطح غير دالة (أي تقع في المجال بين -1.96 و+1.96)، يستطيع الباحث أن يدعي بثقة عالية أن البيانات مستوفية لشرط الاعتدالية من الناحية الإحصائية الصارمة، مما يعزز شرعية تطبيق تحليلات الانحدار واختبارات الفروق دون قلق منهجي.

7.2 محددات حجم العينة في تقييم معنويات الالتواء والتفرطح

على الرغم من الرصانة الرياضية لاختبارات الدلالة القائمة على الدرجات المعيارية $z$، إلا أنها تعاني من مشكلة منهجية جوهرية تُعرف بحساسية حجم العينة المفرطة (Sample Size Sensitivity). فكلما تضخم حجم العينة البحثية (مثلاً: $N > 500$ أو آلاف الحالات كما في المسوح الوطنية)، يقترب الخطأ المعياري المقدر من الصفر بصورة حادة ومستمرة، مما يؤدي بالضرورة الرياضية إلى تضخيم درجات $z$ الناتجة لتتجاوز القيم الحرجة بسهولة فائقة، حتى لو كانت الانحرافات الطفيفة جداً عن التوزيع الطبيعي بلا أي أهمية علمية أو ميدانية تُذكر.

لذلك، أجمعت المدارس الإحصائية الحديثة وتوصيات خبراء القياس النفسي، مثل التوصيات المعيارية الصادرة عن تاباشنيك وفيديل (Tabachnick & Fidell)، على أنه في ظل العينات الكبيرة، يجب على الباحث التوقف عن استخدام درجات $z$ واختبارات الدلالة الصفرية للاعتدالية (كنتائج شابيرو-ويلك أيضاً)، والاعتماد الحصري بدلاً من ذلك على القيمة المطلقة المباشرة للمعامليْن. وتعتبر القيم التي لا تتجاوز الحدود المرجعية المطلقة (مثل $\pm 2$ أو $\pm 1.5$) دليلاً كافياً على متانة التوزيع وصلاحيته للتطبيق المعلمي.

يتطلب هذا الفهم النقدي وعياً إحصائياً متقدماً يحول دون رفض الباحثين لاستخدام النماذج المعلمية القوية في دراساتهم ذات العينات الضخمة بداعي “سقوط اختبار الاعتدالية”، بينما يرجع هذا السقوط في حقيقته إلى قوة العينة المفرطة وليس إلى خلل تشريحي في انتظام البيانات.

7.3 التفسير السلوكي والسيكومتري لانحراف شكل التوزيع

لا يقتصر انحراف الالتواء والتفرطح على كونه مشكلة إحصائية بحتة، بل يحمل في طياته دلالات سيكومترية وسلوكية بالغة الأهمية تكشف عن خصائص أداة القياس وطبيعة العينة المستهدفة. فالالتواء الموجب الحاد في الاختبارات التحصيلية أو اختبارات القدرات العقلية والذكاء يشير بوضوح إلى ظاهرة صعوبة الاختبار، والتي تُعرف في القياس باسم “تأثير القاع” (Floor Effect)؛ حيث عجزت غالبية العينة عن حل الأسئلة وتكدست الدرجات عند القيم المتدنية، مما يقتضي مراجعة صعوبة الفقرات وإعادة ضبط تدرجها.

وعلى النقيض تماماً، يشير الالتواء السالب الحاد في تقييمات الأداء الأكاديمي أو الرضا الخدمي إلى ظاهرة سهولة الاختبار أو “تأثير السقف” (Ceiling Effect)؛ حيث تمكنت الغالبية الساحقة من تسجيل الدرجات القصوى بسهولة، مما يُفقد المقياس قدرته التمييزية الأساسية على التفريق بين المتفوقين والعباقرة، أو تصنيف المستويات العليا تصنيفاً دقيقاً.

أما التفرطح المفرط الحاد (Leptokurtic) في المؤشرات النفسية غير المعيارية، كاستبيانات الذهان، أو الأفكار الانتحارية، أو السلوك الإدماني لدى عامة المجتمع، فإنه يعكس بنية توزيعية طبيعية ترتكز على وجود كتلة هائلة وسليمة تسجل الصفر أو درجات شبه معدومة، في مقابل شريحة هامشية ضيقة ونادرة تسجل انحرافات قصوى وخطيرة. ويعد محاولة “تصحيح” هذا التفرطح قسرياً في مثل هذه السياقات تشويهاً للطبيعة الواقعية للظاهرة الإنسانية المقاسة.

8. المعالجات الإحصائية والتحويلات الرياضية عند اختراق الاعتدالية في SAS

8.1 تطبيق التحويلات الرياضية الكلاسيكية عبر خطوة البيانات (DATA Step)

عندما تسفر التحليلات التشخيصية عن وجود التواء أو تفرطح حاد يتجاوز المستويات المقبولة أكاديمياً ويهدد دقة التحليلات المعلمية في عينات لا تتحمل مثل هذا الانحراف، يلجأ الإحصائي إلى تطبيق التحويلات الرياضية (Data Transformations) لإعادة تشكيل مصفوفة البيانات نحو نمط أقرب إلى التوزيع الطبيعي. وتتيح خطوة البيانات DATA Step في SAS مرونة برمجية كاملة لتنفيذ أعقد المعادلات الحسابية بسلاسة تامة.

تُطبق التحويلات الكلاسيكية وفقاً لطبيعة وشدة الالتواء على النحو التالي:

• التحويل اللوغاريتمي الطبيعي (LOG): يُعد العلاج المثالي لحالات الالتواء الإيجابي الحاد والبيانات التي يتسع تباينها مع تزايد المتوسطات. يُصاغ الكود كالتالي: Transformed_Var = LOG(Original_Var + C); حيث يمثل (C) ثابتاً يُضاف لضمان أن تكون القيم جميعها موجبة قطعية وغير صفرية.
• تحويل الجذر التربيعي (SQRT): يوصى به في حالات الالتواء الموجب المعتدل والبيانات ذات طابع العد والترددات: Transformed_Var = SQRT(Original_Var);.
• تحويل مقلوب القيمة (Inverse Transformation): يُطبق في حالات الالتواء الموجب الشديد والقاسي للغاية، حيث تُقسم القيمة الثابتة (1) على المتغير: Transformed_Var = 1 / (Original_Var + C);.
• معالجة الالتواء السالب (Reflect Transformation): نظراً لأن التحويلات أعلاه تعالج الذيل الأيمن الطويل، يتوجب على المحلل “عكس” المتغير ذي الالتواء السلبي أولاً عبر طرح جميع الدرجات من أعلى قيمة مسجلة مضافاً إليها واحد صحيح (Max + 1)، ثم تطبيق التحويل اللوغاريتمي أو الجذري على القيمة المعكوسة.

8.2 تحويل بوكس-كوكس المتقدم (Box-Cox Transformation) باستخدام PROC TRANSREG

بدلاً من التجربة العشوائية للتحويلات الكلاسيكية، يقدم إجراء التحويلات الانحدارية المتقدم PROC TRANSREG في SAS أسلوباً رياضياً أمثل يُعرف بتحويل “بوكس-كوكس” (Box-Cox Transformation). تقوم هذه الخوارزمية بتقدير المعامل الأمثل الذي يرمز له رياضياً بـ لامدا ($lambda$) عبر أسلوب الإمكانية الأعظم (Maximum Likelihood)، حيث يحدد هذا المعامل نوع التحويل الرياضي الأكثر دقة ومطابقة لجعل المتغير يتبع التوزيع الطبيعي بدرجة متناهية.

يُصاغ الكود التنفيذي لتقدير وتطبيق تحويل بوكس-كوكس كما في النموذج التالي:

PROC TRANSREG DATA=Work.PsychStudy;
    MODEL BOXCOX(Anxiety_Score / LAMBDA=-2 TO 2 BY 0.1) = IDENTITY(Predictor_Var);
    OUTPUT OUT=Work.TransformedData;
RUN;

ينشئ الإجراء جدولاً تكرارياً ومخططاً تفصيلياً لدالة لوغاريتم الإمكانية، موضحاً قيمة $lambda$ المثلى وفترة الثقة المرتبطة بها (95%). فإذا كانت قيمة لامدا المقدرة قريبة من الصفر، فإن ذلك يثبت رياضياً أن التحويل اللوغاريتمي هو الأنسب، في حين تشير قيمة (0.5) إلى تفضيل الجذر التربيعي، وقيمة (-1) إلى تفضيل مقلوب القيمة، بينما تعني القيمة (1) أن البيانات لا تحتاج إلى أي تحويل على الإطلاق. وتُحفظ المتغيرات المحولة مباشرة في ملف المخرجات TransformedData لتكون جاهزة للتحليل الفوري.

8.3 البدائل اللابارامترية عند تعذر تصحيح الالتواء والتفرطح

في حالات منهجية متقدمة، قد تفشل التحويلات الرياضية في تقليص التفرطح المفرط أو القضاء على الالتواء، أو قد يرفض الباحث السيكومتري تطبيقها لصعوبة تفسير النتائج المستخلصة من بيانات محولة تفقد معناها القياسي الأصلي المقترن بوحدات القياس الأولية. في ظل هذه الظروف، يفرض المنطق الإحصائي الانتقال إلى الاختبارات اللابارامترية (Non-parametric Tests) المتينة التي لا تشترط أي شكل احتمالي لتوزيع البيانات.

يوفر نظام SAS إجراء PROC NPAR1WAY كأداة مرجعية شاملة لاختبار الفروق اللابارامترية، حيث يتيح إجراء اختبار ويلكوكسون (Wilcoxon Rank-Sum Test) المكافئ لاختبار مان-ويتني (Mann-Whitney U)، واختبار كروسكال-واليس (Kruskal-Wallis) كبديل متين لتحليل التباين الأحادي، فضلاً عن اختبارات الوسيط واختبار فان دير فاردن لعزوم الرتب.

وعلاوة على الأساليب اللابارامترية الكلاسيكية، تتيح بيئة SAS الحديثة توظيف أساليب إعادة توليد العينات (Bootstrapping) التي تعيد تقدير الأخطاء المعيارية وفترات الثقة عبر آلاف العينات العشوائية المولدة من البيانات ذاتها دون الرضوخ لقيود التوزيع الطبيعي، بالإضافة إلى إمكانية تطبيق نماذج الانحدار المتين عبر إجراء PROC ROBUSTREG الذي يُقلل بصورة خوارزمية من أوزان المشاهدات الشاذة ذات الذيول الثقيلة المسببة للتفرطح الشاذ.

9. أخطاء شائعة وتحديات برمجية عند حساب الالتواء والتفرطح في SAS

9.1 الخلط بين مفهوم التفرطح المطلق والتفرطح المفرط في مخرجات النظام

يقع عدد كبير من الباحثين ومحللي البيانات في خطأ منهجي وتفسيري فادح ناجم عن عدم التمييز بين مفهوم التفرطح المطلق المستند إلى العزم الرابع غير المصحح ($Kurtosis_{Absolute}$)، ومفهوم التفرطح المفرط ($Excess Kurtosis$). تعتمد خوارزميات برمجية SAS، سواء في PROC MEANS أو PROC UNIVARIATE، على حساب التفرطح المفرط تلقائياً من خلال طرح القيمة الثابتة (3) من التفرطح المحسوب، وذلك لمواءمة المخرجات مع معيارية التوزيع الطبيعي التي تتخذ من الصفر أساساً للمقارنة.

يظهر الخطأ عندما يقارن الباحث مخرجات SAS بمراجع كلاسيكية قديمة أو برمجيات إحصائية أخرى، أو وحدات معينة في لغة R تحسب التفرطح التام بقيمته المطلقة المتمركزة حول الرقم (3). فعندما يجد الباحث قيمة مساوية لـ (0.5) في مخرجات SAS، قد يظن خطأً أنها أقل من 3 بكثير وبالتالي فإن التوزيع مفلطح بشدة، في حين أنها في واقع الأمر تمثل تفرطحاً مفرطاً موجباً يشير إلى تدبب التوزيع وزيادة ثقل الذيول عن الحالة الطبيعية بمقدار نصف وحدة.

لتجنب هذا اللبس المفاهيمي، يجب على الباحث أن ينص صراحة في منهجه الإحصائي وتقريره الأكاديمي على أن قيم التفرطح المعروضة هي قيم “التفرطح المفرط” (Excess Kurtosis) التي تتخذ من الصفر نقطة مرجعية محايدة، مما يزيل أي غموض قد يعتري عملية التحكيم العلمي.

9.2 أخطاء حجم العينة غير الكافي لحساب العزوم العليا

يتطلب الحساب الرياضي لعزوم العينة المتمركزة، وبخاصة العزم الثالث (الالتواء) والعزم الرابع (التفرطح)، حداً أدنى لا يقبل التنازل من المشاهدات الصالحة؛ وذلك لضمان وجود درجات حرية كافية لتشغيل المعادلات المصححة للتحيز التي تعتمد في مقاماتها الحسابية على المقادير الجبرية: $(n-1)$، و$(n-2)$، و$(n-3)$.

عندما يطبق الباحث إجراءات SAS على عينات بالغة الصغر، يقع النظام في مآزق برمجية محددة:

• إذا كان عدد المشاهدات الصالحة $N < 3$، يعجز النظام عن حساب معامل الالتواء، وتظهر الخانة في جدول المخرجات فارغة أو تحتوي على رمز القيمة المفقودة (.) مع تسجيل تنبيه في سجل العمليات البرمجي.
• إذا كان عدد المشاهدات $N < 4$، يفشل النظام رياضياً في حساب معامل التفرطح بسبب غياب درجات الحرية في المقامات التكعيبية للمصححات، ويتم استبدال النتيجة بنقطة مفقودة تلقائياً.
• في حالات التباين الصفري (Zero Variance)، التي تحدث عندما يُجيب جميع أفراد العينة على نفس الدرجة دون أي اختلاف (كأن يجيب الجميع بالرقم 3)، يتوقف النظام عن محاولة استخراج العزوم ويصدر تحذيراً يؤكد تعذر إجراء التحليل لانعدام التباين الإحصائي.

من الناحية المنهجية، وحتى وإن تمكن البرنامج من إخراج قيم عددية عند عينات تتكون من 10 أو 15 حالة، فإن هذه التقديرات للعزوم العليا تكون متقلبة وغير مستقرة إحصائياً وتتسم بخطأ معياري هائل يجعل الاعتماد عليها لتشخيص شكل التوزيع أمراً مفتقراً للرصانة العلمية، مما يستوجب توخي الحذر الشديد في العينات متناهية الصغر.

9.3 سوء استخدام خيارات PROC MEANS والتعامل مع الأوزان الإحصائية

ينشأ تحدٍ برمجي متكرر في الدراسات والمسوح الميدانية الموزونة، حيث يتم استخدام تعليمتي WEIGHT وFREQ للتعامل مع أوزان المعاينة التكرارية أو المعيارية. والخلط الأكثر شيوعاً بين هذين الخيارين يؤدي إلى إفساد حسابات معاملي الالتواء والتفرطح بطرق غير متوقعة.

تُعامل تعليمة FREQ في بيئة SAS المتغير التابع لها كمعامل تكرار للأفراد الحقيقيين، مما يعني أن وضع متغير بتكرار (10) يجعل النظام يتعامل مع المشاهدة كما لو تكررت 10 مرات بأفراد مختلفين، وهو ما يرفع حجم العينة الفعلي $N$ ويقلل الأخطاء المعيارية ويدخل في حساب العزوم بصورة مباشرة. أما تعليمة WEIGHT، فتوظف لتقدير الأوزان النسبية للتحيز العيني في المسوح المعقدة؛ وهنا تحسب بعض إجراءات SAS المتوسطات والانحرافات الموزونة بدقة، لكنها قد تعطل تلقائياً حساب معاملات التفرطح والالتواء أو لا تدعم تقديرها بالمعادلات الكلاسيكية المصححة، لكون نظريات العزوم العليا الموزونة تتطلب صيغاً خاصة لمعالجة درجات الحرية الفعالة.

تقتضي الممارسة التحليلية السليمة مراجعة الدليل الإجرائي المرجعي لبيئة SAS للتأكد من سلوك الإجراء المطبق حيال الأوزان، وتفادي استخدام تعليمة WEIGHT عند حساب شكل التوزيع ما لم يكن الباحث مدركاً تماماً لطريقة معالجة النظام لأوزان المعاينة في العزوم العليا المعيارية.

10. أفضل الممارسات لكتابة التقارير الأكاديمية وتوثيق النتائج وفق دليل APA

10.1 صياغة وتوثيق نتائج الالتواء والتفرطح وفق معايير جمعية علم النفس الأمريكية (APA 7)

يفرض الإصدار السابع من دليل النشر التابع لجمعية علم النفس الأمريكية (APA 7th Edition) معايير صياغة دقيقة وصارمة عند توثيق التحليلات الاستكشافية وافتراضات الاعتدالية في المتن البحثي؛ حيث يتعين على الباحث عدم الاكتفاء بذكر أن “البيانات موزعة توزيعاً طبيعياً”، بل يجب تقديم الأدلة الرقمية المساندة لهذا الاستنتاج بأسلوب أكاديمي موثق.

تتمثل الصياغة النموذجية في تدوين قيم المعاملات مع أخطائها المعيارية بوضوح داخل المتن؛ كأن يكتب الباحث: “تم فحص اعتدالية درجات مقياس القلق الإكلينيكي عبر فحص معاملي الالتواء والتفرطح. وأظهرت النتائج أن قيمتي الالتواء ($G_1 = 0.42, SE = 0.18$) والتفرطح المفرط ($G_2 = -0.31, SE = 0.35$) وقعتا ضمن الحدود المقبولة إحصائياً للاعتدالية (أقل من القيمة المطلقة 2.00)، كما لم تسجل درجات z المعيارية أي دلالة إحصائية عند مستوى 0.05، مما يبرهن على استيفاء شرط التوزيع الطبيعي واستقرار النموذج البارامتري المطبق.”

وفي حال تضمين المقاييس في جداول إحصائية مجمعة، يُعرض المتوسط الحسابي والانحراف المعياري، متبوعين بعمودين مستقلين لمعاملي الالتواء (Skew) والتفرطح (Kurt)، مع وضع إشارة مرجعية في أسفل الجدول توضح نوع المعامل المحسوب، وذلك لتوفير أقصى درجات الشفافية العلمية للقارئ والمحكم الأكاديمي.

10.2 أتمتة إخراج النتائج ونشر التقارير بصيغ متعددة

يوفر نظام تسليم المخرجات ODS (Output Delivery System) في برمجية SAS قدرة هائلة لأتمتة تصدير المخرجات الإحصائية التشخيصية مباشرة إلى وثائق معالجة الكلمات وتنسيقات النشر المعتمدة عالمياً مثل Microsoft Word وPDF وHTML، متفادياً بذلك عمليات النسخ واللصق اليدوية وما يكتنفها من مخاطر السهو والخطأ البشري.

يمكن تصدير جداول الالتواء والتفرطح بأسلوب أكاديمي راقٍ يطابق الهوية البصرية للمجلات الأكاديمية بتطبيق الكود التالي:

ODS RTF FILE=”C:ResearchNormality_Report.doc” STYLE=Journal;
PROC MEANS DATA=Work.PsychStudy N MEAN STD SKEW KURT MAXDEC=2;
    VAR Anxiety_Score Depression_Score;
RUN;
ODS RTF CLOSE;

يطبق النمط STYLE=Journal تلقائياً تنسيقاً كلاسيكياً يطابق معايير النشر في المجلات العلمية المحكمة؛ حيث يتم إلغاء الخطوط العمودية الشبكية المشوهة، وتنسيق الخطوط بالأحجام القياسية، وضبط العناوين في مواقعها المنضبطة. كما يتيح دمج مثل هذه الأوامر ضمن ماكرو موحد في SAS (SAS Macro) تنفيذ خطوات الفحص التوزيعي الشامل وتصدير النتائج المنمقة لعشرات المتغيرات بضغطة زر واحدة، مما يرتقي بكفاءة وموثوقية البحث العلمي إلى أرفع المستويات.

خاتمة

يُمثل التقييم الدقيق لمعاملي الالتواء والتفرطح خطوة مفصلية ترتقي بالبحث الإحصائي من مجرد التطبيق الآلي للأرقام إلى الفهم التشريحي المتعمق لطبيعة الظواهر المقاسة. وتبرهن بيئة SAS على أنها المنظومة الأكثر رسوخاً ومرونة للنهوض بهذه المسؤولية المنهجية؛ بدءاً من التوصيف التلخيصي السريع عبر PROC MEANS، مروراً بالتشخيص الاستكشافي العميق المكتمل بالأخطاء المعيارية واختبارات الاعتدالية الرسمية عبر PROC UNIVARIATE، وانتهاءً بأدوات التمثيل البياني فائق الدقة ومعالجات بوكس-كوكس المتقدمة.

إن التزام الباحث والمحلل بالمعايير الإحصائية المعتمدة لقراءة هذه المعاملات وتوثيقها وفق دليل APA يمثل صمام الأمان الذي يحمي البحوث الأكاديمية والميدانية من مزالق التفسيرات الخاطئة الناتجة عن اختراق افتراضات الاعتدالية. ومن خلال امتلاك ناصية هذه الأدوات البرمجية والمفاهيمية في نظام SAS، يضمن الباحث دقة نماذجه الإحصائية واستقرار استنتاجاته العلمية وقابليتها للتعميم والتطبيق في مختلف الميادين المعرفية.

المراجع

• George, D., & Mallery, P. (2020). IBM SPSS Statistics 26 Step by Step: A Simple Guide and Reference (16th ed.). Routledge. https://doi.org/10.4324/9780429056765
• Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). The Guilford Press.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
• West, S. G., Finch, J. F., & Eaton, D. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 56–75). Sage Publications, Inc.
• SAS Institute Inc. (2021). Base SAS 9.4 Procedures Guide: Statistical Procedures (5th ed.). SAS Institute Inc. https://support.sas.com/documentation/