كيفية حساب ارتباط الرتب لسبيرمان في جداول بيانات جوجل

تُعد معالجة البيانات الإحصائية في العلوم الإنسانية والاجتماعية والنفسية واحدة من أكثر المهام المنهجية دقة وحساسية، حيث تتسم الظواهر السلوكية بطبيعتها المعقدة التي يصعب في كثير من الأحيان إخضاعها لمقاييس كمية متصلة أو افتراض توزيعها الطبيعي الخطي. في هذا السياق المنهجي المعقد، يبرز معامل ارتباط الرتب لسبيرمان (Spearman’s Rank Correlation Coefficient) كأداة إحصائية لامعلمية فائقة القوة والأهمية، تتيح للباحثين والمحللين استكشاف وقياس طبيعة وقوة واتجاه العلاقات الرتيبة بين المتغيرات الترتيبية والكمية دون التقيد بالافتراضات الصارمة للإحصاء المعلمي التقليدي.

ومع التحول الرقمي المتسارع في بيئات البحث العلمي وإدارة البيانات الضخمة، أصبحت الحزم البرمجية السحابية، وعلى رأسها جداول بيانات جوجل (Google Sheets)، منصات لا غنى عنها لإجراء التحليلات الإحصائية المتقدمة نظراً لمرونتها، وتوافقها التشاركي، ودعمها لمصفوفة واسعة من الدوال الرياضية المتخصصة. يهدف هذا الدليل الأكاديمي الشامل والموسع إلى تقديم مرجع منهجي وتطبيقي متكامل، خطوة بخطوة، لحساب واختبار وتفسير معامل ارتباط سبيرمان للرتب داخل جداول بيانات جوجل، بدءاً من الأسس الرياضية والنظرية، مروراً بتهيئة البيانات وتوظيف الدوال الرياضية المعقدة، ووصولاً إلى التوثيق الأكاديمي الاحترافي وفق معايير جمعية علم النفس الأمريكية (APA).

سواء كنت باحثاً أكاديمياً تسعى لتحليل استجابات مقاييس ليكرت النفسية، أو محلل بيانات ترغب في دراسة سلوكيات المستخدمين الترتيبية، أو طالباً للدراسات العليا يعمل على أطروحة بحثية، فإن هذا المرجع يوفر لك فهماً عميقاً للآليات الحسابية الدقيقة وتطبيقاتها التقنية داخل بيئة Google Sheets السحابية، مع معالجة كافة التحديات الحسابية المرتبطة بالرتب المتطابقة، واختبارات الدلالة الإحصائية، وتمثيل البيانات بيانياً بأعلى درجات الرصانة العلمية.

1. مقدمة حول معامل ارتباط سبيرمان للرتب وأهميته الإحصائية

1.1 المفهوم النظري لمعامل ارتباط الرتب لسبيرمان

يُمثل معامل ارتباط سبيرمان للرتب، والذي يُرمز له إحصائياً بالحرف الإغريقي رو ($\rho_s$) أو الرمز اللاتيني ($r_s$)، مقياساً إحصائياً لامعلمياً (Non-parametric) صُمم خصيصاً لقياس درجة الاقتران أو التبعية الرتيبة بين متغيرين اثنين. طوّر هذا المقياس عالم النفس والإحصائي البريطاني تشارلز سبيرمان (Charles Spearman) في مطلع القرن العشرين كامتداد وتطوير لمفهوم الارتباط الخطي، وذلك بهدف توفير وسيلة دقيقة لقياس العمليات المعرفية والسمات النفسية التي لا تنصاع بسهولة لمقاييس المسافة المتساوية.

يقوم الأساس النظري لمعامل سبيرمان على مبدأ تحويل القيم الرقمية أو الفئوية الخام للمتغيرات إلى رتب ترتيبية تصاعدية أو تنازلية، ومن ثم حساب قوة الارتباط بالاعتماد على الفروق المباشرة بين هذه الرتب بدلاً من التعامل مع القيم العددية المطلقة ذاتها. يعني ذلك أن المقياس يركز حصراً على “الترتيب النسبي” للبيانات وموقع كل مشاهدة مقارنة بغيرها داخل العينة الإحصائية، مما يجعله مقياساً مثالياً لدراسة الظواهر التي تتسم بوجود تدرج أو تسلسل هرمي، مثل الرضا الوظيفي، والتحصيل الدراسي المقاس بالتقديرات، وشدة الأعراض الإكلينيكية، ومستويات الدافعية.

يتراوح المدى العددي لقيمة معامل سبيرمان ضمن النطاق المغلق $[-1, +1]$ تماماً كما هو الحال في المعاملات الارتباطية الأخرى. يشير الرقم $+1$ إلى وجود ارتباط طردي رتيب تام، حيث تتزايد رتب المتغير التابع بالتوازي المطلق والمنتظم مع تزايد رتب المتغير المستقل. في المقابل، تشير القيمة $-1$ إلى ارتباط عكسي رتيب تام، حيث تتناقص رتب أحد المتغيرين بنسق منتظم تماماً كلما تزايدت رتب المتغير الآخر. أما القيمة $0$ فتعبر عن غياب تام لأي نمط ارتباط رتيبي بين المتغيرين قيد الدراسة، مما يستوجب استنتاج استقلالية رتب المشاهدات عن بعضها البعض.

1.2 الفروق الجوهرية بين ارتباط بيرسون وارتباط سبيرمان

تستند المفاضلة المنهجية بين معامل ارتباط بيرسون (Pearson Correlation) ومعامل ارتباط سبيرمان للرتب إلى شروط رياضية وافتراضات قياسية صارمة يجب على الباحث استيعابها بدقة متناهية لتفادي الوقوع في أخطاء التحيز القياسي والاستنتاجي:

• طبيعة العلاقة الرياضية المفترضة: يشترط معامل بيرسون وجود علاقة “خطية صارمة” (Strict Linear Relationship) تتغير فيها قيمة المتغير التابع بمعدل ثابت مع تغير المتغير المستقل، معبراً عنها بخط مستقيم. أما معامل سبيرمان فيكتفي باشتراط وجود علاقة “رتيبة” (Monotonic Relationship)، وهي علاقة يحافظ فيها المتغيران على اتجاه التغير المشترك (تزايدي أو تناقصي مستمر) دون ضرورة أن يكون معدل التغير ثابتاً أو خطياً.
• حساسية التوزيع والاعتدالية: يُعد ارتباط بيرسون اختباراً معلمياً (Parametric Test) يتطلب أن تتبع المتغيرات التوزيع الطبيعي الثنائي (Bivariate Normal Distribution)، في حين يُصنف معامل سبيرمان كاختبار لامعلمي (Non-parametric Test) خالٍ من قيود التوزيع، مما يمنحه مرونة فائقة عند تطبيق التحليلات على توزيعات ملتوية (Skewed) أو ذات تسطح وتفرطح غير قياسي.
• مستويات القياس (Levels of Measurement): لا يمكن تطبيق بيرسون إلا على بيانات القياس الكمي المستمر من مستوى الفترات (Interval Scale) أو مستوى النسب (Ratio Scale). بالمقابل، يمتلك سبيرمان قدرة استثنائية على معالجة البيانات الرتبية والترتيبية (Ordinal Scale) مباشرة، إلى جانب قدرته على معالجة البيانات الفترية والنسبية بعد تحويلها إلى رتب.
• التأثر بالقيم المتطرفة (Outliers): يتميز ارتباط بيرسون بحساسية مفرطة وشديدة للقيم الشاذة والمتطرفة التي يمكن أن تؤدي إلى تضخيم المعامل أو نسفه بالكامل، بينما يتمتع معامل سبيرمان بدرجة عالية من المقاومة الرياضية (Robustness) لأن تحويل القيم الحسابية الخام إلى رتب يسحق الفروق العددية المتطرفة ويقصر أثر المشاهدة الشاذة على موقعها الرتبي فقط.

1.3 تطبيقات معامل سبيرمان في البحوث النفسية والتربوية

تحتل البيانات الترتيبية والنوعية مكانة مركزية في حقول العلوم النفسية، والسلوكية، والتربوية، حيث تستند أغلب أدوات جمع البيانات إلى مقاييس واستبانات تعتمد سلالم تقديرية غير متصلة كلياً. من أبرز هذه التطبيقات العملية قياس درجة الاتساق والتوافق بين تقييمات المحكمين والخبراء الإكلينيكيين (Inter-rater Reliability)، حيث يقوم خبيران أو أكثر بترتيب مجموعة من المفحوصين أو المرضى وفقاً لشدة أعراض معينة كأعراض الوسواس القهري أو سمات الشخصية النرجسية؛ فيُستخدم سبيرمان لاختبار مدى تطابق الرتب الممنوحة بين المحكمين بشكل موثوق.

تتجلى أهمية معامل سبيرمان كذلك في الدراسات السيكومترية التي تبحث في العلاقات الارتباطية بين المتغيرات الوجدانية والسلوكية، كدراسة العلاقة بين مستويات القلق الاجتماعي والاكتئاب المقاسة عبر مقاييس ليكرت الخماسية أو السباعية. نظراً لأن الفروق بين استجابات “موافق” و”موافق بشدة” لا تمثل بالضرورة مسافات كمية متساوية رياضياً، فإن التعامل مع هذه البيانات على أنها بيانات ترتيبية واستخدام سبيرمان يضمن سلامة الاستدلال المنهجي وتفادي التقديرات المضللة التي قد تنتج عن استخدام اختبارات معلمية تفترض الاتصال والاعتدالية.

كما يُستخدم المعامل بكثافة في الدراسات التربوية والتعليمية لربط الرتب الأكاديمية التراكمية للطلاب (مثل الترتيب الصفي) مع مستويات الدافعية للإنجاز، أو الرضا الأكاديمي، أو الكفاءة الذاتية المدركة. بالإضافة إلى ذلك، يمثل سبيرمان الأداة الأساسية لتحليل الاستجابات في أدوات القياس السيكومترية ذات التوزيعات غير الاعتدالية التي تفرضها خصائص العينات الإكلينيكية المعقدة أو صعوبة بنود الاختبارات النفسية.

2. الشروط والافتراضات المنهجية لتطبيق معامل سبيرمان

2.1 مستوى قياس المتغيرات المقبولة إحصائياً

تتمثل نقطة القوة المنهجية لمعامل ارتباط سبيرمان في مرونته العالية فيما يخص مستويات القياس، إلا أن هذه المرونة محكومة بأطر محددة لضمان دقة التحليل. تُعد البيانات الترتيبية (Ordinal Data) البيئة المثالية والتطبيق الطبيعي المباشر لهذا المعامل؛ حيث تتضمن هذه البيانات عناصر أو فئات تمتلك ترتيباً منطقياً تصاعدياً أو تنازلياً معلوماً، ولكن المسافات الرياضية بين الرتب ليست بالضرورة متساوية أو قابلة للقياس بوحدات معيارية ثابتة (مثل: ممتاز، جيد جداً، جيد، مقبول، ضعيف).

إلى جانب البيانات الترتيبية، يُسمح منهجياً بتطبيق معامل سبيرمان على البيانات الكمية المستمرة المقاسة بمستوى الفترة أو النسبة، وتحديداً عندما تنتهك هذه البيانات الافتراضات الصارمة الخاصة باختبار بيرسون كافتراض التوزيع الطبيعي. يتم ذلك من خلال خوارزمية إحصائية تحول القيم العددية المستمرة إلى رتب ترتيبية متسلسلة. ويشترط الاختبار أن تكون الملاحظات مقترنة في أزواج ثنائية $(X_i, Y_i)$ ناتجة عن نفس وحدة التحليل أو الملاحظة الواحدة (نفس المفحوص، أو نفس المدرسة، أو نفس الحالة الزمنية).

ينبغي على الباحث الحذر من معضلة انخفاض التباين (Low Variance) في البيانات الترتيبية؛ فإذا كان المقياس يتضمن عدداً محدوداً جداً من الرتب أو الفئات (كمقياس ثلاثي بسيط) مع عينة ضخمة، فإن ذلك يؤدي إلى حدوث أعداد هائلة من الرتب المتطابقة (Tied Ranks)، الأمر الذي يقلل من القوة الإحصائية للمعامل ويتطلب استخدام معادلات تصحيحية متقدمة كما سنفصل لاحقاً.

2.2 طبيعة العلاقة الرتيبة واختبار استيفائها

يُعد افتراض وجود “علاقة رتيبة” (Monotonicity) الافتراض الجوهري والأساسي الوحيد المتعلق بشكل العلاقة بين المتغيرات لتطبيق معامل سبيرمان. العلاقة الرتيبة تعني ببساطة أن اتجاه حركة المتغيرين يظل ثابتاً عبر كامل نطاق البيانات. وتنقسم هذه العلاقة إلى نمطين أساسيين:

• علاقة رتيبة متزايدة (Monotonically Increasing): كلما زادت قيمة المتغير الأول $X$، زادت بالضرورة قيمة المتغير الثاني $Y$ أو ظلت ثابتة، دون أن تنخفض أبداً في أي مرحلة من مراحل التوزيع.
• علاقة رتيبة متناقصة (Monotonically Decreasing): كلما زادت قيمة المتغير الأول $X$، انخفضت بالضرورة قيمة المتغير الثاني $Y$ أو ظلت ثابتة، دون أن ترتفع في أي جزء من نطاق التوزيع.

يختلف مفهوم الرتابة جذرياً عن مفهوم “الخطية” (Linearity)؛ فبينما تفترض الخطية أن التغير يتم بنسبة وزاوية ميل ثابتة تماماً على امتداد خط الانحدار، تسمح العلاقة الرتيبة بأن تكون العلاقة منحنية (Curvilinear) أو لوغاريتمية أو أسيّة، شريطة ألا يعكس المنحنى اتجاهه العام. وللتحقق المنهجي من هذا الافتراض قبل الشروع في العمليات الحسابية داخل Google Sheets، يتعين على الباحث رسم مخطط الانتشار (Scatter Plot) وفحص النسق العام بيانياً للتأكد من عدم وجود علاقات منحنية غير رتيبة، مثل العلاقات التي تأخذ شكل حرف U أو شكل U المقلوب (كقانون يركيز-دودسون الذي يربط بين مستوى الاستثارة والأداء؛ حيث يتحسن الأداء بزيادة القلق إلى حد معين ثم يتدهور تماماً بعد ذلك)، إذ يعجز معامل سبيرمان تماماً عن رصد أو قياس هذا النوع من العلاقات المتقلبة.

2.3 التعامل مع غياب التوزيع الطبيعي والقيم المتطرفة

تُعد خاصية مقاومة التوزيع غير الطبيعي والقيم الشاذة (Robustness) واحدة من أثمن المزايا الإحصائية لمعامل ارتباط الرتب لسبيرمان. في الكثير من المسوح النفسية والاجتماعية، تصطدم البحوث ببيانات تحتوي على التواء حاد ناتج عن ظواهر مثل “تأثير السقف” (Ceiling Effect) أو “تأثير الأرضية” (Floor Effect)، مما يجعل المتوسط الحسابي والانحراف المعياري مقاييس مضللة لوصف النزعة المركزية والتشتت، وبالتالي يفقد معامل ارتباط بيرسون دقته ومصداقيته المنهجية.

يتجاوز معامل سبيرمان هذه العقبة عبر استبدال القيم العددية الخام بمواقعها النسبية (الرتب). على سبيل المثال، إذا كانت لدينا القيم التالية لدرجات اختبار معين: $[10, 12, 14, 15, 150]$، فإن القيمة $150$ تمثل قيمة متطرفة شاذة للغاية ستؤدي في حالة تطبيق بيرسون إلى سحب خط الانحدار وتشويه معامل الارتباط بشدة. أما عند تطبيق رتب سبيرمان، فإن هذه القيم تتحول ببساطة إلى الرتب $[1, 2, 3, 4, 5]$، حيث تأخذ القيمة المتطرفة الرتبة $5$، وهو ما يحد من قدرتها على تشويه المقياس الإحصائي الكلي.

ومع ذلك، ينبغي الإشارة إلى أنه في حالات العينات الصغيرة جداً (أقل من 10 مفحوصين)، قد تظل التقديرات اللامعلمية عرضة لتقلبات خطأ المعاينة، مما يستدعي الاعتماد على جداول القيم الحرجة الدقيقة بدلاً من التقريب التائي الكلاسيكي، وهو ما سيتم استعراضه بشكل تطبيقي مفصل في الأقسام اللاحقة من هذا الدليل.

3. الإعداد الأولي لبيئة العمل في جداول بيانات جوجل (Google Sheets)

3.1 تهيئة جدول البيانات وتنظيم الأعمدة والمتغيرات

يبدأ العمل الإحصائي السليم داخل بيئة جداول بيانات جوجل بالتنظيم الهندسي المنهجي لورقة العمل (Spreadsheet Layout). يضمن التنسيق الدقيق تقليل احتمالات الخطأ في كتابة الصيغ الحسابية وتسهيل عمليات التدقيق والمراجعة. يوصى دائماً بتخصيص العمود الأول في الورقة ليكون معرفاً فريداً لكل مبحوث أو حالة قيد الدراسة (Participant ID)، مما يحمي تسلسل السجلات عند تطبيق أدوات الترتيب والفلترة.

يتم إدراج المتغيرين قيد الدراسة في عمودين متجاورين، مع إعطاء كل عمود تسمية واضحة ومختصرة في صف الرأس (Header Row). على سبيل المثال، يمكن تخصيص العمود $A$ للمعرف `ID`، والعمود $B$ للمتغير الأول `Anxiety_Score` (درجة القلق)، والعمود $C$ للمتغير الثاني `Academic_Rank` (الرتبة الأكاديمية). لتفادي الأخطاء التشغيلية أثناء التمرير في قواعد البيانات الكبيرة، يجب تثبيت صف الرأس بالانتقال إلى قائمة عرض (View) > تجميد (Freeze) > صف واحد (1 row).

من الضروري أيضاً ضبط نوع وتنسيق الخلايا في الأعمدة الإحصائية؛ حيث يجب تحديد نطاق البيانات والتأكد من تعيين تنسيقها كأرقام مجردة عبر القائمة تنسيق (Format) > رقم (Number) > تلقائي (Automatic) أو رقم (Number)، وذلك لمنع Google Sheets من تفسير الأرقام كنصوص برمجية مخفية، وهو الخطأ الشائع الذي يعطل استدعاء الدوال الحسابية وتوليد المخرجات الإحصائية.

3.2 تنظيف البيانات وفحص القيم المفقودة وغير الصالحة

يمثل تنظيف البيانات (Data Cleaning) مرحلة تحضيرية حاسمة لا غنى عنها في البحث الإحصائي الرصين. تتضمن هذه الخطوة فحص ورقة العمل للكشف عن أي قيم مفقودة (Missing Values)، أو استجابات غير صالحة، أو مدخلات شاذة ناتجة عن أخطاء الإدخال اليدوي. في التحليلات الارتباطية الثنائية، يتطلب حساب معامل سبيرمان وجود أزواج كاملة من الملاحظات؛ وبالتالي فإن وجود خلية فارغة في أحد المتغيرين لمبحوث معين يستوجب إما استبعاد الحالة بالكامل عبر خوارزمية الاستبعاد الثنائي (Listwise Deletion)، أو استخدام أساليب الإحلال الإحصائي المتقدمة إذا كانت طبيعة العينة تسمح بذلك.

لتسهيل عملية الكشف عن الخلايا الفارغة أو القيم الشاذة في جداول بيانات جوجل، يمكن استخدام التنسيق الشرطي (Conditional Formatting) لتظليل الخلايا الفارغة تلقائياً عبر الصيغة `=ISBLANK(B2)`، أو توظيف دالة التحقق من صحة البيانات (Data Validation) بالانتقال إلى بيانات (Data) > التحقق من صحة البيانات (Data validation) لتحديد نطاق الدرجات المقبول للمقاييس (مثلاً: أرقام صحيحة محصورة بين 1 و 5 لمقياس ليكرت الخماسي)، مما يمنع إدخال درجات خاطئة خارج النطاق الفعلي لأداة القياس.

يساعد التنظيف المنهجي في حماية جودة واستقرار نتائج المعامل، حيث إن ترك قيم فارغة أو نصوص عشوائية داخل نطاق الدوال الإحصائية يؤدي إلى ظهور أخطاء حسابية مباشرة مثل `#VALUE!` أو يؤدي إلى انزياح خطير في حساب حجم العينة الفعلي ($n$).

3.3 ترميز البيانات السيكومترية والاستجابات النوعية

في أغلب الدراسات النفسية والسلوكية، تُجمع البيانات الأولية في صيغ نصية أو خيارات استجابة وصفية تتبع مقاييس التقدير (مثل: غير موافق بشدة، غير موافق، محايد، موافق، موافق بشدة). قبل الشروع في حساب معامل سبيرمان، يجب تحويل هذه الاستجابات النوعية إلى ترميز عددي رتبي منظم يعكس التدريج التصاعدي للمفهوم المقاس.

توفر جداول بيانات جوجل دوال منطقية متقدمة لأتمتة عملية الترميز بدقة فائقة وبأقل جهد بشري ممكن. تُعد دالة `SWITCH` أو دالة `IFS` الخيار المثالي لإنجاز هذا التحويل دون الحاجة للتعديل اليدوي المعرض للخطأ. على سبيل المثال، إذا كانت الاستجابات النصية تقع في الخلية `B2`، يمكن كتابة الصيغة التالية في عمود الترميز المقابل:

=IFS(B2="غير موافق بشدة", 1, B2="غير موافق", 2, B2="محايد", 3, B2="موافق", 4, B2="موافق بشدة", 5)

عند تنفيذ هذه الخطوة، يجب على الباحث الانتباه بدقة متناهية لاتجاه صياغة بنود المقياس (Items Polarity)؛ فالبنود الإيجابية تُرمز بالاتجاه التصاعدي التقليدي (من 1 إلى 5)، بينما يجب عكس ترميز البنود السلبية (Reverse-coded Items) لتصبح (5 إلى 1)، لضمان اتساق القياس وتفادي تضارب دلالات الرتب في التحليل النهائي. كما يُنصح دائماً بتوثيق دليل الترميز (Codebook) في صفحة عمل مستقلة داخل نفس الملف المرجعي.

4. الصياغة الرياضية لمعامل سبيرمان ومحاكاتها الحسابية

4.1 المعادلة الرياضية القياسية في غياب الرتب المتكررة

تستند المعادلة الرياضية الكلاسيكية لمعامل ارتباط سبيرمان للرتب إلى افتراض أولي يقضي بعدم وجود أي تطابق أو تكرار بين قيم المشاهدات (أي أن كل مفحوص يحتل رتبة متفردة تماماً). تُصاغ المعادلة القياسية الشهيرة على النحو التالي:

$$r_s = 1 – \frac{6 \sum_{i=1}^{n} d_i^2}{n(n^2 – 1)}$$

لتفكيك هذه الصيغة وفهم منطقها الرياضي العميق، نستعرض عناصرها بدقة:

• $r_s$: معامل ارتباط سبيرمان للرتب المحسوب للعينة.
• $d_i$: الفرق بين رتبة الملاحظة في المتغير الأول ورتبتها في المتغير الثاني لكل حالة فردية، حيث يُحسب الفارق كالتالي: $d_i = R(X_i) – R(Y_i)$.
• $\sum d_i^2$: المجموع الكلي لمربعات فروق الرتب لجميع أفراد العينة الإحصائية، وهو المكون المحوري الذي يعكس مقدار التباعد والاضطراب بين الترتيبين.
• $n$: الحجم الكلي للعينة، ويمثل العدد الإجمالي لأزواج الملاحظات المقترنة.
• الثابت 6: ثابت رياضي مستمد من الاشتقاق الجبري لمتطوعات المجموع لمتسلسلة الأعداد الطبيعية ومربعاتها ($\sum i$ و $\sum i^2$).

يعكس هذا البناء الرياضي فكرة بديهية: إذا كان الترتيب متطابقاً تماماً بين المتغيرين، فإن كل $d_i = 0$، مما يجعل بسط الكسر صفراً، وبالتالي تصبح قيمة المعامل $r_s = 1 – 0 = 1$ (ارتباط طردي تام). وعلى العكس من ذلك، إذا كانت الرتب متعاكسة تماماً، يصل مجموع مربعات الفروق إلى قيمته القصوى الممكنة نظرياً، مما يجعل ناتج الكسر مساوياً لـ $2$، فتكون النتيجة $r_s = 1 – 2 = -1$ (ارتباط عكسي تام).

4.2 معادلة تصحيح الرتب المتطابقة والمتكررة (Tied Ranks)

في الواقع التطبيقي للعلوم الإنسانية والتربوية، نادراً ما تخلو البيانات من تكرار في القيم، وخاصة عند التعامل مع مقاييس التقدير المصغرة، حيث يحصل العديد من الأفراد على نفس الدرجة تماماً، وتُعرف هذه الظاهرة إحصائياً بـ “تعادل الرتب” أو “الرتب المتطابقة” (Tied Ranks). عند ظهور هذا التعادل، تفقد المعادلة المبسطة السابقة دقتها الرياضية وتنتج قيماً متحيزة لأن التباين الكلي لمصفوفة الرتب ينخفض عن التباين النظري المفترض لمتسلسلة الأعداد الصحيحة.

في هذه الحالة، تصبح المعادلة العامة لمعامل سبيرمان مطابقة تماماً لصيغة معامل ارتباط بيرسون مطبقةً مباشرةً على مصفوفة الرتب بعد تعديلها وفق أسلوب متوسط الرتب. وتُصاغ رياضياً بالمعادلة التالية:

$$r_s = \frac{\sum (R(X) – \overline{R(X)})(R(Y) – \overline{R(Y)})}{\sqrt{\sum (R(X) – \overline{R(X)})^2 \sum (R(Y) – \overline{R(Y)})^2}}$$

حيث يمثل $R(X)$ و $R(Y)$ الرتب الممنوحة للمشاهدات، ويمثل $\overline{R(X)}$ و $\overline{R(Y)}$ متوسطات تلك الرتب. كما توجد معادلة تصحيحية مكافئة تعتمد على إدخال معامل تصحيح التكرار ($T$) في البسط والمقام:

$$T = \frac{\sum (t^3 – t)}{12}$$

حيث يمثل $t$ عدد الملاحظات المتطابقة في كل مجموعة تعادل رتبي محددة. والخبر الرائع للباحثين ومحللي البيانات هو أن دوال جداول بيانات جوجل المدمجة تقوم بهذا التعديل الرياضي والتصحيح التلقائي بكفاءة متناهية دون الحاجة لإجراء الحسابات اليدوية المرهقة لمعامل التصحيح، كما سنوضح بالتفصيل لاحقاً.

4.3 فهم دالة الترتيب وتوزيع الرتب حاسوبياً

تعتمد الخوارزمية الحاسوبية في Google Sheets لتحويل المتغيرات الخام إلى رتب على فرز مصفوفة الأرقام تصاعدياً أو تنازلياً، ثم تعيين رقم تسلسلي صحيح يبدأ من 1 إلى $n$. ولكن عند مواجهة قيمتين متطابقتين أو أكثر، تتبع جداول البيانات مبدأ “إسناد متوسط الرتب” (Average Rank Assignment).

لتوضيح هذا المنطق الحاسوبي بمثال عملي: لنفترض أن لدينا القيم الخام التالية في مصفوفة البيانات: $[10, 20, 20, 30]$.
عند ترتيب هذه القيم تصاعدياً:
القيمة $10$ تحتل الموقع الأول وتحصل على الرتبة $1$.
القيمتان المتطابقتان $20$ و $20$ تشغلان الموقعين الثاني والثالث (الموقع 2 والموقع 3). لحل التعادل بعدالة إحصائية، تجمع الخوارزمية رتبتي الموقعين وتقسمهما على عددهما: $(2 + 3) / 2 = 2.5$. وبناءً على ذلك، يتم إسناد الرتبة $2.5$ لكلا القيمتين.
القيمة التالية $30$ تشغل الموقع الرابع وتحصل مباشرة على الرتبة $4$.

يعد الحفاظ على اتجاه الترتيب الموحد (إما تصاعدياً لكلا المتغيرين أو تنازلياً لكلا المتغيرين) شرطاً جوهرياً وحاسماً لسلامة المعالجة الحاسوبية؛ إذ إن ترتيب أحد المتغيرين تصاعدياً والآخر تنازلياً سيؤدي حتماً إلى انقلاب إشارة معامل الارتباط النهائية من موجبة إلى سالبة أو العكس، وهو ما يفسد التفسير الاستدلالي للنتائج.

5. الطريقة الأولى: الحساب اليدوي خطوة بخطوة باستخدام دوال الرتب

5.1 حساب رتب المتغير الأول باستخدام دالة RANK.AVG

لبدء الحساب التفصيلي اليدوي لمعامل سبيرمان داخل جداول بيانات جوجل، نعتمد على الدالة القياسية المخصصة للتعامل الدقيق مع الرتب ومعالجة التعادلات، وهي دالة `RANK.AVG`. تتميز هذه الدالة بحساب متوسط الرتب تلقائياً عند تساوي الملاحظات، مما يمنع التحيز الرياضي. وتُكتب الصيغة العامة للدالة كالتالي:

=RANK.AVG(value, data, [is_ascending])

خطوات التطبيق العملي لحساب رتب المتغير الأول (الواقع في العمود $B$ من الخلية $B2$ إلى $B16$):

1. ننشئ عموداً جديداً بعنوان `Rank_X` في العمود $D$.
2. في الخلية `D2`، نكتب الصيغة الرياضية مع تثبيت نطاق البيانات بالمراجع المطلقة (علامة `$`):
   
   =RANK.AVG(B2, $B$2:$B$16, 1)
3. يشير المعامل الأخير `1` إلى الترتيب “التصاعدي” (بحيث تأخذ القيمة الصغرى الرتبة 1)، بينما وضع `0` يجعل الترتيب تنازلياً. من الضروري جداً تثبيت النطاق `$B$2:$B$16` لضمان عدم تحرك المدى الإحصائي أثناء سحب الصيغة للأسفل.
4. نسحب مقبض التعبئة التلقائية (Fill Handle) من الخلية `D2` لأسفل حتى الخلية `D16` ليتم تطبيق حساب الرتب على كافة صفوف المتغير الأول.

5.2 حساب رتب المتغير الثاني وتوحيد المعايير

بنفس الدقة المنهجية، نقوم بحساب رتب المتغير الثاني (الواقع في العمود $C$ من الخلية $C2$ إلى $C16$). ننشئ عموداً جديداً بعنوان `Rank_Y` في العمود $E$. في الخلية `E2`، نقوم بإدخال الصيغة التالية:

=RANK.AVG(C2, $C$2:$C$16, 1)

يجب التأكيد هنا على قاعدة إحصائية لا تقبل الاستثناء: يجب أن يتطابق معيار اتجاه الترتيب تطابقاً كلياً بين المتغيرين. بما أننا اخترنا الترتيب التصاعدي (`1`) للمتغير الأول، يتحتم علينا اختيار الترتيب التصاعدي (`1`) للمتغير الثاني. بعد كتابة الصيغة في الخلية الأولى، يتم تعميمها وسحبها على امتداد خلايا العمود حتى `E16`.

بعد اكتمال التوليد، يوصى بالتحقق السريع من صحة الرتب وملاحظة كيفية قيام دالة `RANK.AVG` بتعيين قيم كسرية (مثل $3.5$ أو $8.5$) للدرجات التي تكررت في البيانات الخام، مما يبرهن على نجاح المعالجة التلقائية لحالات التعادل الرتبي.

5.3 حساب فروق الرتب (d) ومربعات الفروق (d²)

تتمثل المرحلة اللاحقة في حساب الفروق الرتبية الفردية ($d_i$) ومربعاتها ($d_i^2$) لكل زوج من الملاحظات، وذلك لتجهيز عناصر بسط المعادلة القياسية لسبيرمان:

• حساب فرق الرتب ($d$): ننشئ عموداً جديداً في الحقل $F$ بعنوان `d (Rank_Diff)`. في الخلية `F2` نكتب الصيغة البسيطة التالية:
  
  =D2 - E2
  
  ثم نسحب الصيغة لكافة الصفوف. يُعد إجراء فحص تدقيقي اختياري هنا قاعدة ذهبية: إذا قمت بحساب مجموع هذا العمود عبر الصيغة `=SUM(F2:F16)`، يجب أن يكون الناتج مساوياً تماماً للصفر (أو قريباً جداً منه بحدود الأخطاء التقريبية العشرية المتناهية في الصغر)، وهو البرهان الرياضي على صحة توزيع الرتب.
• حساب مربع الفروق ($d^2$): ننشئ العمود $G$ بعنوان `d_squared`. في الخلية `G2` نكتب صيغة التربيع التالية:
  
  =F2^2 أو باستخدام الدالة: =POWER(F2, 2)
  
  يتم سحب الصيغة حتى الخلية `G16` لتربيع جميع فروق الرتب.
• حساب المجموع الكلي لمربعات الفروق ($\sum d^2$): في خلية منفصلة مخصصة للملخص الإحصائي (ولتكن `G18`)، نكتب صيغة الجمع الإجمالي:
  
  =SUM(G2:G16)

5.4 تطبيق المعادلة اليدوية النهائية داخل جدول البيانات

بعد استخراج المكونات الأساسية، ننتقل إلى تجميع المعادلة الرياضية الكاملة في خلية واحدة للحصول على معامل ارتباط سبيرمان ($r_s$). لحساب حجم العينة ($n$) ديناميكياً لتفادي كتابة الأرقام الثابتة، نستخدم دالة `COUNT` على عمود البيانات:

في خلية ملخص النتائج (ولتكن `B20`)، نقوم بتركيب الصيغة الحسابية الكاملة مع مراعاة الأقواس وترتيب العمليات الرياضية بدقة متناهية:

=1 - ((6 * G18) / (COUNT(B2:B16) * (COUNT(B2:B16)^2 - 1)))

يقوم محرك الحسابات في Google Sheets بتنفيذ العمليات وفق الترتيب التالي: حساب مربع حجم العينة وطرح 1 منه، ثم ضربه في $n$ في المقام، وبشكل متوازٍ ضرب مجموع مربعات الفروق ($\sum d^2$) في الثابت $6$ في البسط، ثم إجراء عملية القسمة، وأخيراً طرح الناتج الكلي من الرقم $1$.

يجب أن تقع القيمة الناتجة في الخلية `B20` بشكل إلزامي ضمن المدى المغلق من $-1$ إلى $+1$. إذا نتجت قيمة خارج هذا النطاق، فهذا مؤشر قطعي على وجود خطأ في مراجع الخلايا أو في بنية الأقواس داخل الصيغة.

6. الطريقة الثانية: استخدام دالة CORREL المباشرة على مصفوفات الرتب

6.1 الربط بين معامل بيرسون والرتب لحساب سبيرمان

يقدم الإحصاء الرياضي برهاناً مبرهناً وموثوقاً يقضي بأن معامل ارتباط الرتب لسبيرمان هو في حقيقته الرياضية التطبيقية معامل ارتباط بيرسون مطبقاً بشكل مباشر على الرتب الترتيبية بدلاً من القيم الخام. تفتح هذه القاعدة الإحصائية الباب أمام طريقة بالغة السرعة والأناقة لحساب سبيرمان داخل جداول بيانات جوجل دون الحاجة لبناء أعمدة الفروق ($d$) أو مربعات الفروق ($d^2$).

تتمثل هذه الطريقة في استخدام دالة الارتباط الكلاسيكية `CORREL` (أو دالة `PEARSON`)، ولكن ليس على أعمدة البيانات الأصلية، بل على أعمدة الرتب التي قمنا بتوليدها بواسطة دالة `RANK.AVG`. وتُكتب الصيغة المباشرة في أي خلية فارغة على النحو التالي:

=CORREL(D2:D16, E2:E16)

تتفوق هذه الطريقة المباشرة تفوقاً ساحقاً على طريقة المعادلة اليدوية الكلاسيكية في حالة وجود رتب متكررة (Tied Ranks) في البيانات؛ إذ إن دالة `CORREL` تطبق تلقائياً الصيغة الرياضية الشاملة لتباين الرتب ومصادر التغاير، مما يمنح الباحث النتيجة المصححة والمعتمدة نهائياً وفورياً دون أدنى حاجة لحساب معاملات تصحيح التعادل اليدوية المعقدة.

6.2 إنشاء صيغة ديناميكية متقدمة باستخدام دالة ARRAYFORMULA

للمحللين والباحثين المتقدمين الذين يرغبون في بناء نماذج سحابية فائقة الكفاءة والديناميكية، تتيح جداول بيانات جوجل استخدام الدوال المصفوفية عبر دالة `ARRAYFORMULA` أو الدوال الموجهة مثل `MAP` و `LAMBDA`. يتيح هذا النهج حساب مصفوفات الرتب والارتباط بضغطة زر واحدة داخل خلية وحيدة دون الحاجة حتى إلى سحب دوال `RANK.AVG` في أعمدة وسيطة ممتدة.

يمكن استدعاء مصفوفة الرتب ديناميكياً للمتغير الأول عبر الصيغة المصفوفية:

=ARRAYFORMULA(RANK.AVG(B2:B16, B2:B16, 1))

ولدمج التحليل بالكامل في صيغة مدمجة فائقة التطور تحسب معامل سبيرمان مباشرة من البيانات الخام الواقعة في النطاقين `B2:B16` و `C2:C16`، يمكن استخدام تركيبة دالة `CORREL` مع توليد الرتب المصفوفي. يؤدي هذا الأسلوب إلى تقليل استهلاك موارد المعالجة في جداول البيانات الضخمة، ويمنع تلف الصيغ عند حذف أو إضافة صفوف جديدة من قبل باحثين متعددين يتشاركون نفس الورقة السحابية.

6.3 تحليل كفاءة ودقة كلتا الطريقتين

يوضح الجدول المنهجي التالي مقارنة شاملة بين الطريقة اليدوية القائمة على فروق الرتب وطريقة دالة `CORREL` المطبقة على الرتب داخل جداول بيانات جوجل:

وجه المقارنة	الطريقة اليدوية (صيغة الفروق $d^2$)	طريقة دالة CORREL على مصفوفة الرتب
التعامل مع الرتب المتكررة (Ties)	تتطلب معاملات تصحيح إضافية يدوياً، وإلا تصبح النتائج تقريبية ومتحيزة قليلاً.	دقيقة تماماً؛ تعالج التكرارات وتصحح تباين الرتب تلقائياً بأعلى معيار رياضي.
البساطة وسرعة التنفيذ	تتطلب بناء عدة أعمدة وسيطة ($d$ و $d^2$) وحساب مجاميع إضافية.	فائقة السرعة؛ تتطلب عمودي الرتب فقط أو صيغة مصفوفية مباشرة في خلية واحدة.
القيمة التعليمية والاستكشافية	ممتازة للتدريس والتدقيق؛ تتيح رؤية مساهمة كل حالة مفردة في اضطراب الترتيب.	تطبيقية برمجية؛ تعطي النتيجة النهائية كصندوق أسود دون تفصيل الفروق الفردية.
حساسية الأخطاء التشغيلية	أعلى؛ لاحتمال الخطأ في كتابة الأقواس الحسابية أو تثبيت نطاقات المجموع.	منخفضة جداً؛ تعتمد على دوال مبنية داخلياً ومختبرة في نواة برمجيات جوجل.

التوصية المنهجية: إذا كانت بياناتك خالية تماماً من التكرارات، فإن الطريقتين ستعطيان نتائج متطابقة حتى آخر خانة عشرية. أما في حال وجود أي رتب متطابقة (وهو السائد في معظم البحوث الميدانية)، فإن استخدام دالة CORREL المطبقة على رتب دالة RANK.AVG هو الخيار الصحيح والمعتمد إحصائياً بصورة قاطعة.

7. معالجة مشكلة الرتب المتطابقة (Tied Ranks) بتعمق

7.1 تأثير الرتب المتساوية على دقة القياس الرياضي

تحدث ظاهرة تعادل الرتب (Ties) عندما تتساوى درجات مشاهدتين أو أكثر في نفس المتغير. في القياس النفسي، يُعد هذا التعادل أمراً حتمياً لا مفر منه، نظراً لأن مقاييس الشخصية، والاتجاهات، والدافعية تعتمد على بنود محددة ينتج عنها مجموع كلي محدود من النقاط يتكرر حتماً بين مئات المفحوصين.

تكمن المشكلة الرياضية عند وجود التعادل في أن المعادلة الكلاسيكية لسبيرمان ($1 – \frac{6\sum d^2}{n(n^2-1)}$) تفترض ضمناً أن تباين الرتب لكل من المتغيرين مساوٍ للتباين الرياضي النظري للأعداد الصحيحة المتتالية، والمحسوب بالصيغة $\sigma^2 = \frac{n^2 – 1}{12}$. ولكن عند دمج الرتب المتساوية وإسناد متوسط الرتب لها، ينخفض التباين الفعلي للرتب ($\sigma_R^2$) عن هذا الرقم النظري.

إذا تم استخدام المعادلة الكلاسيكية البسيطة في ظل وجود نسب تعادل مرتفعة دون إجراء التصحيح المناسب، فإن ذلك يؤدي إلى تقدير غير دقيق لمعامل الارتباط؛ حيث يميل المعامل غير المصحح إلى المبالغة في تقدير الارتباط أو التقليل من شأنه وفقاً لنمط توزع التكرارات بين المتغيرين، وهو ما يهدد الصدق الإحصائي للنتائج والتوصيات المترتبة عليها.

7.2 مقارنة دالة RANK.AVG ودالة RANK.EQ ودالة RANK

تحتوي جداول بيانات جوجل على ثلاث دوال مختلفة لحساب الترتيب، ويعد الفهم الدقيق للاختلافات التشغيلية بينها أمراً فائق الأهمية لتجنب تدمير التحليل الإحصائي:

• دالة RANK.AVG: تقوم بترتيب القيم، وفي حالة وجود تعادل، تقوم بحساب الوسط الحسابي للرتب المتنافس عليها وإسناده لجميع المشاهدات المتساوية. هذه الدالة هي الخيار الإلزامي والوحيد الصحيح لحساب معامل ارتباط سبيرمان للرتب بدقة وامتثال للمنهج الإحصائي اللامعلمي.
• دالة RANK.EQ (أو دالة RANK الكلاسيكية): تقوم بترتيب القيم، ولكن في حالة التعادل، تقوم بإسناد الرتبة العليا المشتركة (Top Rank) لجميع المشاهدات المكررة، متجاهلة الرتب اللاحقة في الترتيب. على سبيل المثال، إذا تساوت قيمتان في المركز الثاني، تعطي كلتيهما الرتبة $2$ وتتجاوز الرتبة $3$ لتقفز للمشاهدة التالية بالرتبة $4$.

استخدام دالة `RANK.EQ` في حساب معامل سبيرمان يُعد خطأً منهجياً فادحاً وشائعاً؛ إذ إنه يشوه مجموع الرتب ويجعل مجموع فروق الرتب ($\sum d$) لا يساوي صفراً، مما ينسف الأساس الرياضي للاشتقاق الإحصائي للمعامل.

7.3 استراتيجيات التحقق من تأثير التعادل في جداول بيانات جوجل

لتقييم مدى تركز الرتب المتكررة في بياناتك واتخاذ القرار المنهجي الواعي، يمكنك تطبيق استراتيجية فحص سريعة باستخدام دوال Google Sheets الذكية:

1. حساب عدد القيم الفريدة مقارنة بالحجم الكلي: لحساب عدد القيم الفريدة غير المكررة في متغير الدرجات (العمود $B$)، نستخدم الصيغة التالية:
   
   =COUNTA(UNIQUE(B2:B16))
   
   إذا كان الناتج أقل من إجمالي عدد الحالات المحسوب بـ `=COUNT(B2:B16)`، فهذا دليل قاطع على وجود رتب متطابقة في البيانات.
2. رصد تكرارات القيم المحددة: يمكن إنشاء عمود فحص جانبي لمعرفة كم مرة تكررت كل درجة باستخدام دالة العد الشرطي:
   
   =COUNTIF($B$2:$B$16, B2)
   
   أي خلية تظهر رقماً أكبر من $1$ تمثل رتبة متعادلة خضعت لاحتساب المتوسط الرتبي.
3. المقارنة المعيارية للنتائج: احسب المعامل باستخدام الصيغة اليدوية البسيطة، ثم احسبه باستخدام دالة `CORREL` على رتب `RANK.AVG`. إذا كان الفارق بين الناتجين يتجاوز $0.01$، فإن هذا يعكس تأثيراً كبيراً للرتب المتطابقة، ويجب إلزامياً اعتماد ناتج `CORREL` وتوثيق وجود حالات تعادل رتبي في متن التقرير العلمي لضمان الشفافية الأكاديمية.

8. اختبار الدلالة الإحصائية لمعامل ارتباط سبيرمان في Google Sheets

8.1 صياغة الفروض الإحصائية (الصفرية والبديلة)

لا يكتمل التحليل الإحصائي بمجرد حساب القيمة الوصفية لمعامل ارتباط سبيرمان ($r_s$)؛ بل يجب إخضاع هذه القيمة لاختبار الفرضيات الإحصائية (Hypothesis Testing) لتحديد ما إذا كان الارتباط المرصود في العينة يمثل علاقة حقيقية موجودة بالفعل في مجتمع الدراسة الأصلي، أم أنه مجرد نتاج عشوائي لخطأ المعاينة (Sampling Error).

تتم صياغة الفرضيات الإحصائية وفق الأطر القياسية التالية:

• الفرضية الصفرية ($H_0$): تفترض عدم وجود أي ارتباط رتبي حقيقي بين المتغيرين في المجتمع الإحصائي قيد الدراسة، وتُصاغ رياضياً:
  
  $$H_0: \rho_s = 0$$
• الفرضية البديلة ($H_1$): تفترض وجود ارتباط رتبي دال إحصائياً بين المتغيرين، وتتخذ أحد شكلين:
  • اختبار ثنائي الذيل (Two-tailed Test): $H_1: \rho_s \neq 0$ (يُستخدم عندما لا يحدد الباحث مسبقاً اتجاه العلاقة سواء كانت طردية أو عكسية).
  • اختبار أحادي الذيل (One-tailed Test): $H_1: \rho_s > 0$ أو $H_1: \rho_s < 0$ (يُستخدم عندما تمتلك النظرية السيكومترية أو الأدبيات السابقة توجهاً نظرياً جازماً نحو اتجاه محدد للعلاقة).

يتم تحديد مستوى الدلالة الأكاديمي المعتمد (Alpha Level, $\alpha$) مسبقاً، ويُحدد في الأبحاث النفسية والتربوية غالباً عند مستوى دلالة $\alpha = 0.05$ (مستوى ثقة 95%) أو $\alpha = 0.01$ (مستوى ثقة 99%).

8.2 حساب القيمة التائية (t-statistic) ودرجات الحرية

عندما يكون حجم العينة كافياً من الناحية المنهجية ($n ge 10$)، يتبع توزيع معامل ارتباط سبيرمان تقريباً مشابهاً لـ توزيع ستيودنت التائي (Student’s t-Distribution). ولتحويل معامل الارتباط المحسوب ($r_s$) إلى قيمة تائية ($t$) قابلة للاختبار، نستخدم الصيغة التحويلية التالية:

$$t = r_s \sqrt{\frac{n – 2}{1 – r_s^2}}$$

وترتبط هذه القيمة التائية بدرجات حرية إحصائية (Degrees of Freedom, $df$) تُحسب وفق المعادلة:

$$df = n – 2$$

لتطبيق هذه المعادلة داخل جداول بيانات جوجل باحترافية، وبافتراض أن قيمة معامل سبيرمان $r_s$ موجودة في الخلية `B20`، وحجم العينة $n$ في الخلية `B21`، يمكننا كتابة صيغة القيمة التائية في الخلية `B22` على النحو التالي:

=B20 * SQRT((B21 - 2) / (1 - POWER(B20, 2)))

توضح هذه الصيغة أن القيمة التائية تتناسب طردياً مع قوة الارتباط وحجم العينة؛ فكلما زادت العينة أو زادت قيمة المعامل، ارتفعت القيمة التائية المحسوبة، مما يعزز قدرة الاختبار على رفض الفرضية الصفرية ورصد التأثير الحقيقي.

8.3 استخراج القيمة الاحتمالية (p-value) باستخدام دالة TDIST

بمجرد استخراج القيمة التائية ودرجات الحرية، ننتقل إلى الخطوة الحاسمة المتمثلة في استخراج القيمة الاحتمالية (p-value)، وهي الاحتمال الرياضي للحصول على معامل ارتباط مساوٍ للقيمة المرصودة أو أشد تطرفاً منها، بافتراض أن الفرضية الصفرية صحيحة تماماً.

توفر جداول بيانات جوجل دوال متطورة وحديثة لحساب القيمة الاحتمالية من التوزيع التائي مباشرة:

• للاختبار ثنائي الذيل (Two-tailed Test): نستخدم الدالة الموصى بها مع تطبيق دالة القيمة المطلقة `ABS` لضمان صحة الحساب حتى لو كانت القيمة التائية سالبة:
  
  =T.DIST.2T(ABS(B22), B21 - 2)
• للاختبار أحادي الذيل (One-tailed Test): نستخدم دالة الذيل الأيمن أو الأيسر وفق اتجاه الفرضية:
  
  =T.DIST.RT(B22, B21 - 2)

قاعدة اتخاذ القرار الإحصائي:
نقارن القيمة الاحتمالية المحسوبة ($p$-value) بمستوى المعنوية المحدد ($\alpha = 0.05$):
إذا كانت $p le 0.05$، فإننا نرفض الفرضية الصفرية ($H_0$) ونقبل الفرضية البديلة ($H_1$)، ونستنتج وجود علاقة ارتباطية دالة إحصائياً بين المتغيرين عند مستوى ثقة 95%. أما إذا كانت $p > 0.05$، فإننا نفشل في رفض الفرضية الصفرية، ونستنتج عدم كفاية الأدلة الإحصائية لإثبات وجود ارتباط رتبي حقيقي في المجتمع.

8.4 استخدام الجداول الإحصائية المرجعية للعينات الصغيرة

في الدراسات الإكلينيكية المعقدة أو الحالات النادرة التي يكون فيها حجم العينة صغيراً جداً ($n < 10$)، يصبح التقريب التائي غير دقيق لأن مصفوفة التباديل الرياضية للرتب تكون محدودة، ولا يتبع التوزيع التائي النظري بدقة تامة. في هذه الحالات الخاصة، يتحتم على الباحث مقارنة قيمة معامل سبيرمان المحسوب ($r_s$) مباشرة بالقيمة الحرجة المستخرجة من جداول سبيرمان المرجعية للقيم الحرجة (Spearman Critical Values Table) المقابلة لحجم العينة $n$ ومستوى الدلالة $\alpha$.

لأتمتة هذا الإجراء داخل بيئة Google Sheets المتقدمة، يمكن للباحث تضمين جدول القيم الحرجة في صفحة عمل فرعية واستدعاء القيمة الحرجة باستخدام دالة البحث العمودي `VLOOKUP`. وإذا كانت القيمة المطلقة لمعامل سبيرمان المحسوب $|r_s|$ أكبر من أو تساوي القيمة الحرجة الجدولية ($r_{critical}$)، يتم اتخاذ القرار برفض الفرضية الصفرية وإثبات الدلالة الإحصائية للارتباط بثقة رياضية كاملة تلبي أعلى معايير الصرامة المنهجية.

9. تفسير نتائج معامل سبيرمان وصياغة التقرير العلمي

9.1 تحليل اتجاه وقوة معامل الارتباط وفق المعايير المعتمدة

يتطلب التفسير السيكومتري لمعامل سبيرمان النظر في بعدين رئيسيين: اتجاه العلاقة، وقوة العلاقة (حجم الأثر):

• الاتجاه (Directionality): تحدده الإشارة الجبرية للمعامل؛ فالإشارة الموجبة ($+$) تدل على نسق تتابعي طردي حيث يتجه الأفراد ذوو الرتب المرتفعة في المتغير الأول لاحتلال رتب مرتفعة في المتغير الثاني، بينما تدل الإشارة السالبة ($-$) على نسق تتابعي عكسي حيث يقترن ارتفاع الرتبة في أحد المتغيرين بانخفاضها في المتغير الآخر.
• القوة وحجم الأثر (Strength & Effect Size): لتصنيف قوة المعامل بموضوعية في العلوم السلوكية والتربوية، نعتمد على محددات كوهين القياسية (Cohen’s Guidelines) المعدلة للارتباطات:
  • $0.10 le |r_s| < 0.30$: ارتباط ضعيف (Weak Correlation).
  • $0.30 le |r_s| < 0.50$: ارتباط متوسط / معتدل (Moderate Correlation).
  • $|r_s| ge 0.50$: ارتباط قوي (Strong Correlation).

يجب على الباحث التمسك الصارم بالمبدأ الإحصائي التأسيسي: “الارتباط لا يقتضي السببية” (Correlation does not imply Causation). إن وجود ارتباط رتبي قوي ودال بين متغيرين لا يعني بأي حال من الأحوال أن أحدهما هو السبب المباشر في حدوث الآخر؛ إذ قد تخضع العلاقة لمتغيرات دخيلة كامنة (Confounding Variables) أو تفسيرات تفاعلية متعددة الأبعاد.

9.2 صياغة وتوثيق النتائج وفق معايير جمعية علم النفس الأمريكية (APA)

يتطلب النشر العلمي الرصين صياغة نتائج التحليل الإحصائي بلغة دقيقة وموجزة ومطابقة للمحددات التحريرية للإصدار السابع من دليل جمعية علم النفس الأمريكية (APA 7th Edition). تُكتب نتيجة معامل سبيرمان بالصيغة الرمزية المعيارية التالية:

$r_s(df) = [value], p = [value]$

قواعد التنسيق التحريري الدقيق وفق APA 7:

• يُكتب الرمز الإحصائي للارتباط $r_s$ أو الحرف الإغريقي $rho$ بخط مائل (Italic)، يليه مباشرة درجات الحرية بين قوسين.
• يتم تقريب قيمة معامل الارتباط إلى منزلتين عشريتين دائماً (مثلاً: $r_s(13) = -.78$). يُلاحظ حذف الصفر الذي يسبق الفاصلة العشرية لأن القيمة لا يمكن أن تتجاوز الرقم $1$.
• يتم تقريب القيمة الاحتمالية ($p$) إلى ثلاث منازل عشرية (مثلاً: $p = .001$). إذا كانت القيمة الاحتمالية أصغر من $0.001$، تُكتب بالشكل: $p < .001$.

نموذج الصياغة التقريرية الاحترافية:
“أشارت نتائج تحليل ارتباط الرتب لسبيرمان إلى وجود علاقة ارتباطية عكسية قوية ودالة إحصائياً بين مستوى القلق الأكاديمي والتحصيل الدراسي لدى عينة من طلاب المرحلة الثانوية، $r_s(13) = -.78, p < .001$. وتدل هذه النتيجة على أن الطلاب الذين يمتلكون رتباً أعلى في مقياس القلق الأكاديمي يميلون بصورة رتيبة ومنتظمة لاحتلال رتب أدنى في اختبار التحصيل الدراسي."

9.3 حساب وتفسير معامل التحديد الرتبي (Coefficient of Determination)

يُمثل معامل التحديد ($r_s^2$)، والناتج عن تربيع معامل ارتباط سبيرمان، مؤشراً إحصائياً بالغ الأهمية لتقدير النسبة المئوية للتباين المشترك أو المفسر في الرتب بين المتغيرين. إذا كانت قيمة معامل سبيرمان $r_s = -0.78$، فإن تربيع هذه القيمة ينتج:

$$r_s^2 = (-0.78)^2 = 0.6084 \approx 60.8%$$

يتم تفسير هذه النتيجة بأن ما يقارب $60.8%$ من التباين في الترتيب النسبي لدرجات التحصيل الدراسي يمكن تفسيره والتنبؤ به من خلال الترتيب النسبي لمستويات القلق الأكاديمي لدى الطلاب في هذه العينة، بينما تعود النسبة المتبقية ($39.2%$) إلى تباينات أخرى غير مفسرة أو أخطاء قياس عشوائية.

ومع ذلك، تقتضي الأمانة المنهجية تحذير الباحث من المبالغة في تفسير $r_s^2$ مقارنة بمعامل التحديد في الانحدار الخطي الكلاسيكي المعلمي؛ إذ إن معامل التحديد الرتبي يعبر عن التباين في “الرتب والمواقع النسبية” وليس عن التباين المباشر في “الدرجات الخام المطلقة للمتغيرات”.

10. التمثيل البصري للعلاقة الرتيبة في جداول بيانات جوجل

10.1 إنشاء مخطط الانتشار (Scatter Plot) للبيانات الخام والرتب

يعد التمثيل البياني خطوة لا غنى عنها لاستكشاف وتأكيد النمط الرتيبي وتدعيم التقرير الإحصائي بمخرجات بصرية تفاعلية. يوفر مخطط الانتشار (Scatter Plot) في جداول بيانات جوجل قراءة فورية لشكل العلاقة بين المتغيرات. لإنشاء المخطط نتبع الخطوات المنهجية التالية:

1. نقوم بتحديد نطاق أعمدة الرتب `D1:E16` (أو نطاق البيانات الخام `B1:C16`).
2. من القائمة العلوية نضغط على إدراج (Insert) > مخطط (Chart).
3. في نافذة محرر المخططات (Chart editor) التي تظهر على الجانب الأيسر، نفتح القائمة المنسدلة نوع المخطط (Chart type) ونختار مخطط انتشار (Scatter chart).
4. نتأكد من تعيين عمود المتغير المستقل (رتب القلق) على المحور الأفقي (X-axis)، وعمود المتغير التابع (رتب التحصيل) على المحور الرأسي (Y-axis).

عند مقارنة مخطط البيانات الخام بمخطط الرتب، سيلحظ الباحث بوضوح كيف تتحول النقاط المبعثرة غير المنتظمة في البيانات الخام إلى مسار متسلسل وشبه منتظم عند رسم مصفوفة الرتب، مما يعكس بدقة طبيعة التحويل اللامعلمي لسبيرمان.

10.2 تخصيص المخطط وإضافة خط الاتجاه وتنسيق المخرجات

لتحويل الرسم البياني إلى شكل احترافي جاهز للنشر الأكاديمي، نقوم بتخصيصه عبر الخطوات التالية داخل محرر المخططات:

• إضافة خط الاتجاه (Trendline): ننتقل إلى تبويب تخصيص (Customize) > سلسلة (Series)، ثم نضع علامة اختيار على خط الاتجاه (Trendline). يمكن اختيار النوع “خطي” لإظهار المسار العام، وتعديل لون وسماكة الخط لجعله بارزاً.
• إظهار معامل التحديد ($R^2$): من نفس القائمة الفرعية، يمكن تفعيل خيار إظهار $R^2$ (Show R²) لعرض نسبة التباين المفسر مباشرة على مساحة الرسم البياني.
• تنسيق العناوين والمحاور: ننتقل إلى عناوين المخططات والمحاور (Chart & axis titles)، ونقوم بكتابة عنوان واضح للمخطط، مع تسمية المحور الأفقي بـ “رتب القلق الأكاديمي” والمحور الرأسي بـ “رتب درجات الاختبار”، مع ضبط نوع الخط وحجمه بما يتوافق مع المعايير الأكاديمية.
• تصدير الرسم: يمكن تصدير المخطط بالضغط على النقاط الثلاث الرأسية في زاوية المخطط واختيار تنزيل (Download) بصيغة صورة عالية الدقة (PNG) أو بصيغة متجهية (PDF / SVG) لإدراجه في الأطروحة أو البحث المنشور.

10.3 الفحص البصري للمخالفات الإحصائية والأنماط غير الرتيبة

يوفر الفحص البصري الدقيق لمخطط الانتشار شبكة أمان منهجية للكشف عن ثلاثة أنماط خطيرة قد تشوه صحة التحليل:

1. العلاقات غير الرتيبة المتقلبة: إذا أظهر المخطط أن النقاط تصعد بوضوح ثم تهبط بشكل حاد (منحنى مقلوب)، فهذا إثبات قاطع على انتهاك افتراض الرتابة، وبالتالي يجب التوقف فوراً عن استخدام معامل سبيرمان واللجوء لنماذج الانحدار غير الخطي المتقدمة (Non-linear Polynomial Models).
2. المشاهدات المعزولة المؤثرة (Influential Points): على الرغم من متانة سبيرمان أمام القيم المتطرفة، إلا أن وجود نقطة معزولة تماماً في زاوية بعيدة عن النسق العام قد يعكس خطأً في إسناد الرتب يستوجب التدقيق والمراجعة.
3. التكتلات العنقودية المشوهة (Clustering): إذا ظهرت البيانات ككتلتين منفصلتين تماماً من النقاط، فقد يشير ذلك إلى وجود متغير تصنيفي وسيط لم يؤخذ في الحسبان (مثل دمج عينة من الذكور وأخرى من الإناث تختلفان كلياً في متوسطات القياس)، مما يستوجب تقسيم التحليل وفق هذا المتغير الفئوي.

11. الأخطاء الشائعة واستكشاف المشكلات وإصلاحها أثناء التحليل

11.1 أخطاء دوال الرتب وتثبيت النطاقات في Google Sheets

يقع العديد من الباحثين في أخطاء تقنية شائعة أثناء استخدام جداول بيانات جوجل، مما يؤدي إلى توليد نتائج مضللة بالكامل دون أن يدرك الباحث ذلك. نستعرض أهم هذه الأخطاء وسبل معالجتها:

• خطأ انزلاق النطاق المرجعي (Relative Reference Slipping): عند كتابة صيغة الرتب `=RANK.AVG(B2, B2:B16, 1)` وسحبها لأسفل دون وضع علامات الدولار (`$`) لتثبيت النطاق، يتحول النطاق في الصف التالي تلقائياً إلى `B3:B17` ثم `B4:B18`، مما يجعل حساب رتب المشاهدات اللاحقة يستند إلى عينات جزئية خاطئة. الحل: التأكد دائماً من تثبيت نطاق البيانات: `$B$2:$B$16`.
• الخلط بين الدوال واستخدام RANK.EQ: يؤدي استخدام دالة `RANK.EQ` إلى تجاهل متوسط الرتب وتوليد أخطاء تراكمية في فروق الرتب في وجود حالات التعادل. الحل: الاعتماد الحصري على `RANK.AVG`.
• تعارض اتجاه الترتيب (Order Mismatch): اختيار الترتيب التصاعدي (`1`) لمتغير والترتيب التنازلي (`0`) للمتغير الآخر، مما يؤدي إلى قلب إشارة المعامل النهائية من موجبة إلى سالبة أو العكس. الحل: توحيد المعامل الأخير في دالة الرتب ليكون `1` (أو `0`) في كلا العمودين دون استثناء.

11.2 معالجة أخطاء الصيغ مثل #VALUE! و #N/A و #DIV/0!

تُعد رسائل الخطأ البرمجية في Google Sheets مؤشراً على وجود خلل بنيوي في البيانات أو في استدعاء الدوال، ويمكن تشخيصها وعلاجها كالتالي:

• خطأ #VALUE!: يظهر هذا الخطأ عندما تحتوي إحدى خلايا النطاق الحسابي على نص مخفي، أو مسافة بيضاء فارغة، أو رمز غير رقمي تم إدخاله بالخطأ. العلاج: التأكد من تنظيف كافة الخلايا وضبط تنسيقها كرقم، واستخدام دالة `TRIM` لحذف أي مسافات نصية غير مرئية.
• خطأ #N/A: ينتج غالباً عن عدم تطابق أطوال المصفوفات عند استخدام دالة `CORREL` (مثلاً: تمرير النطاق `D2:D16` للمتغير الأول والنطاق `E2:E20` للمتغير الثاني). العلاج: التأكد الصارم من تماثل أبعاد النطاقين المقارنين.
• خطأ #DIV/0!: يحدث عند حدوث انقسام على الصفر، وتحديداً في حساب القيمة التائية عندما يكون معامل الارتباط تاماً ($r_s = 1$ أو $-1$) مما يجعل المقام $(1 – r_s^2) = 0$، أو عندما تكون درجات أحد المتغيرين ثابتة تماماً لدى جميع المبحوثين دون أي تباين إحصائي. العلاج: فحص تباين المتغيرات وتأمين الصيغ المعقدة باستخدام دالة الحماية `IFERROR` بالشكل: `=IFERROR(Formula, “لا يوجد تباين كافٍ”)`.

11.3 المزالق المنهجية في التفسير والتعميم الإحصائي

لا تتوقف سلامة التحليل على صحة الدوال التقنية فحسب، بل تمتد إلى تجنب المزالق المنهجية الفكرية أثناء التفسير والاستنتاج:

• ظاهرة سيمبسون (Simpson’s Paradox): وتحدث عند تطبيق معامل سبيرمان على عينة كلية غير متجانسة تحتوي على فئات فرعية متباينة؛ حيث قد يظهر الارتباط موجباً على مستوى العينة الإجمالية، في حين أنه سالب وقوي داخل كل فئة فرعية على حدة. يستلزم ذلك التحقق من تجانس العينة قبل تعميم النتائج.
• الخلط بين الدلالة الإحصائية والدلالة العملية (Statistical vs Practical Significance): في العينات الضخمة جداً (آلاف المبحوثين)، قد يظهر معامل ارتباط شديد الضعف (مثل $r_s = 0.08$) بدلالة إحصائية فائقة ($p < .001$). لا يعني هذا بالضرورة أن العلاقة ذات قيمة تطبيقية أو تربوية هامة؛ بل يجب التركيز دائماً على حجم الأثر المفسر ($r_s^2$) وليس فقط على القيمة الاحتمالية.
• المغالطة البيئية (Ecological Fallacy): الوقوع في خطأ تعميم نتائج الارتباط الرتبي المحسوبة على مستوى مجموعات أو مؤسسات (مثل ترتيب المدارس) وإسقاطها بشكل فردي حتمي على مستوى الطلاب الأفراد داخل تلك المؤسسات.
• الهجر غير المبرر للإحصاء المعلمي: الاستخدام العشوائي لمعامل سبيرمان مع بيانات كمية متصلة خالية من الالتواء وتستوفي كافة شروط بيرسون الخطية، مما يفقد الباحث جزءاً من القوة الإحصائية (Statistical Power) التي توفرها الاختبارات المعلمية.

12. دراسة حالة تطبيقية شاملة: القلق الأكاديمي والتحصيل الدراسي

12.1 وصف البيانات النفسية وسيناريو التجربة

لترسيخ كافة المفاهيم المنهجية والتقنية السابقة في نموذج تطبيقي عملي متكامل، نفترض سيناريو بحثي واقعي تم تنفيذه في قسم الإرشاد النفسي المدرسي. استهدف البحث دراسة طبيعة العلاقة الرتيبة بين “مستوى القلق الأكاديمي” (Academic Anxiety Score) المقاس عبر مقياس ليكرت الترتيبي، و“التحصيل الدراسي” (Exam Score) المقاس بدرجات اختبار نهاية الفصل الدراسي في مادة الرياضيات، وذلك لدى عينة عشوائية مكونة من 15 طالباً بالمرحلة الثانوية ($N = 15$).

الهدف البحثي هو اختبار الفرضية التالية: “توجد علاقة ارتباطية رتيبة عكسية دالة إحصائياً بين مستوى القلق الأكاديمي والتحصيل الدراسي لدى الطلاب”.

فيما يلي جدول البيانات الأولية التجريبية كما تم إدخاله في جداول بيانات جوجل في النطاق `A1:C16`:

معرف الطالب (ID)	درجة القلق الأكاديمي (X)	درجة الاختبار التحصيلي (Y)
S01	42	65
S02	35	78
S03	48	52
S04	28	85
S05	45	60
S06	38	72
S07	50	45
S08	30	88
S09	45	58
S10	25	92
S11	38	75
S12	40	68
S13	32	82
S14	47	55
S15	22	95

يُلاحظ في هذه البيانات وجود تكرارات في درجات القلق الأكاديمي (تكررت الدرجة 45 مرتين، وتكررت الدرجة 38 مرتين)، مما يمثل بيئة اختبارية مثالية لمعالجة الرتب المتطابقة بدقة داخل جداول بيانات جوجل.

12.2 تنفيذ خطوات التحليل الإحصائي الكاملة في Google Sheets

نستعرض تفاصيل العمليات الحسابية المنجزة داخل ورقة Google Sheets بالصيغ المطبقة والمخرجات العددية خطوة بخطوة:

1. حساب رتب القلق الأكاديمي (`Rank_X`) في العمود $D$:
   
   تم تطبيق الصيغة `=RANK.AVG(B2, $B$2:$B$16, 1)` على جميع الصفوف تصاعدياً. حصلت الدرجتان المتطابقتان (45 و 45) على الرتبة المشتركة $12.5$، وحصلت الدرجتان (38 و 38) على الرتبة المشتركة $7.5$.
2. حساب رتب التحصيل الدراسي (`Rank_Y`) في العمود $E$:
   
   تم تطبيق الصيغة `=RANK.AVG(C2, $C$2:$C$16, 1)` تصاعدياً لكافة المشاهدات.
3. حساب الفروق ومربعاتها ($d$ و $d^2$) في العمودين $F$ و $G$:
   
   في العمود $F$: `=D2 – E2`. بلغ المجموع التراكمي لفروق الرتب $\sum d = 0$.
   
   في العمود $G$: `=F2^2`. بلغ المجموع الإجمالي لمربعات الفروق:
   
   =SUM(G2:G16) $\rightarrow$ $\sum d^2 = 1084.5$
4. حساب معامل سبيرمان ($r_s$):
   
   باستخدام دالة الارتباط المصححة للرتب:
   
   =CORREL(D2:D16, E2:E16) $\rightarrow$ $r_s = -0.937$ (ارتباط عكسي قوي جداً).
5. حساب القيمة التائية ($t$) ودرجات الحرية ($df$):
   
   حجم العينة: $n = 15$، درجات الحرية: $df = 15 – 2 = 13$.
   
   الصيغة: =B20 * SQRT(13 / (1 - B20^2)) $\rightarrow$ $t = -9.68$
6. حساب القيمة الاحتمالية ($p$-value):
   
   باستخدام الصيغة ثنائية الذيل:
   
   =T.DIST.2T(ABS(-9.68), 13) $\rightarrow$ $p = 0.00000024$ ($p < .001$)

المؤشر الإحصائي	الصيغة المطبقة في Google Sheets	القيمة المحسوبة
حجم العينة ($n$)	`=COUNT(B2:B16)`	15
مجموع مربعات الفروق ($\sum d^2$)	`=SUM(G2:G16)`	1084.5
معامل ارتباط سبيرمان ($r_s$)	`=CORREL(D2:D16, E2:E16)`	-0.94
معامل التحديد الرتبي ($r_s^2$)	`=POWER(CORREL(D2:D16, E2:E16), 2)`	0.88 (88%)
درجات الحرية ($df$)	`=COUNT(B2:B16) – 2`	13
القيمة التائية ($t$)	`=B20*SQRT(B23/(1-B20^2))`	-9.68
القيمة الاحتمالية ($p$-value)	`=T.DIST.2T(ABS(B24), B23)`	< .001

12.3 كتابة التقرير النهائي واستخلاص التوصيات النفسية

صياغة التقرير الإحصائي النهائي (APA 7th Style):
“أظهرت نتائج تحليل ارتباط الرتب لسبيرمان وجود علاقة ارتباطية عكسية قوية جداً ودالة إحصائياً بين مستوى القلق الأكاديمي والتحصيل الدراسي لدى طلاب المرحلة الثانوية، $r_s(13) = -.94, p < .001$. وبلغ معامل التحديد الرتبي $r_s^2 = .88$، مما يشير إلى أن ما نسبته $88%$ من التباين في الترتيب النسبي لدرجات التحصيل الدراسي يمكن تفسيره من خلال الترتيب النسبي لمستويات القلق الأكاديمي لدى الطلاب."

المناقشة والتوصيات الإرشادية والتربوية:
تكشف هذه النتيجة السيكومترية القاطعة عن الأثر البالغ للاستجابات الانفعالية والتوتر النفسي على الكفاءة الإدراكية والأداء الأكاديمي الصفي للطلاب. يوضح الارتباط العكسي المرتفع أن الطلاب الذين يعانون من درجات مرتفعة من القلق يعانون من تشتت الانتباه وصعوبة استرجاع المعلومات أثناء أداء الاختبارات التحصيلية، مما يؤدي إلى تراجع ترتيبهم الأكاديمي العام مقارنة بأقرانهم الأكثر استقراراً انفعالياً.

بناءً على هذه الأدلة الإحصائية القوية، يوصى فريق الإرشاد النفسي والمدرسي بتطبيق برامج تدخل إرشادية معرفية سلوكية (CBT) تستهدف تدريب الطلاب على مهارات إدارة الضغوط وتخفيف قلق الاختبارات، إلى جانب إعادة هيكلة البيئة الامتحانية لتكون أكثر دعماً وأقل تهديداً للطلاب، مما يساهم بشكل مباشر في تحسين نواتج التعلم ورفع جودة التحصيل الأكاديمي العام.

خاتمة

يمثل معامل ارتباط الرتب لسبيرمان ركناً أساسياً في ترسانة التحليل الإحصائي اللامعلمي، حيث يجمع بين البساطة الرياضية والمرونة الفائقة في التعامل مع البيانات الترتيبية والتوزيعات غير الطبيعية الشائعة في العلوم الإنسانية والاجتماعية. ومن خلال منصة جداول بيانات جوجل (Google Sheets)، بات بإمكان الباحثين والمحللين بناء نماذج إحصائية سحابية ديناميكية، دقيقة، وقابلة للتكرار والتشارك، دون الحاجة للاعتماد الحصري على برمجيات إحصائية معقدة أو مدفوعة.

لقد استعرض هذا الدليل الأكاديمي الشامل كافة المحطات المنهجية اللازمة للتعامل الاحترافي مع معامل سبيرمان؛ بدءاً من التأسيس النظري وتحديد شروط القياس والرتابة، مروراً بخطوات التنظيف والترميز السيكومتري، وتنفيذ الحسابات الرياضية الدقيقة بالصيغ اليدوية والمصفوفية المباشرة مع معالجة الرتب المتطابقة بدقة عبر دالة `RANK.AVG`، وصولاً إلى استخراج الدلالة الإحصائية وتفسير النتائج وتوثيقها بصرياً وكتابياً وفق أعلى معايير النشر الأكاديمي العالمي (APA 7). إن امتلاك الباحث لهذه المهارات المتكاملة يضمن تعزيز موثوقية الأبحاث العلمية وسلامة استنتاجاتها الاستدلالية والتطبيقية.

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
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). John Wiley & Sons.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Gibbons, J. D., & Chakraborti, S. (2010). Nonparametric statistical inference (5th ed.). CRC Press. https://doi.org/10.1201/EBK1420077612
• Google. (2023). Google Sheets function list and documentation. Google Support. https://support.google.com/docs/table/25273
• Kendall, M. G., & Stuart, A. (1979). The advanced theory of statistics: Inference and relationship (4th ed., Vol. 2). Griffin.
• Lehman, E. L., & D’Abrera, H. J. (2006). Nonparametrics: Statistical methods based on ranks (Rev. ed.). Springer. https://doi.org/10.1007/0-387-35212-0
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Spearman, C. (1904). The proof and measurement of association between two things. The American Journal of Psychology, 15(1), 72–101. https://doi.org/10.2307/1412159