كيفية حساب Sxy في الإحصاء (مع مثال)

تحظى التحليلات الإحصائية المتقدمة بمكانة مركزية في العلوم الإنسانية، والاجتماعية، والعلوم الطبيعية، والتطبيقية، حيث تمثل الجسر الذي يربط بين الملاحظات الميدانية الخام والتفسيرات النظرية العميقة للسلوك والظواهر الطبيعية. وفي صميم هذا الفضاء التحليلي المعقد، يبرز مقياس “مجموع حاصل ضرب الانحرافات” المعروف في الأدبيات الإحصائية بالرمز Sxy (أو مجموع المربعات المشتركة / Sum of Products of Deviations)، بوصفه النواة الرياضية الأكثر أهمية التي يُبنى عليها صرح دراسة العلاقات الارتباطية، ونماذج الانحدار الخطي، ومصفوفات التغاير. لا يمكن لباحث في القياس النفسي، أو الاقتصاد القياسي، أو العلوم الطبية أن يستوعب كيفية تفاعل متغيرين دون تفكيك البنية التحتية لمقدار Sxy، الذي يرصد بحساسية فائقة اتجاه وشدة التغير المشترك بين الظواهر الخاضعة للقياس.

إن الانتقال من مجرد جمع البيانات العددية إلى صياغة استدلالات علمية رصينة يتطلب فهماً معمقاً للآليات الحسابية والمنطقية التي تحكم العلاقات الثنائية بين المتغيرات. يُعتبر Sxy الأداة المحورية التي تعري التباين المتزامن وتكشف عما إذا كان ارتفاع قيمة متغير معين يقترن بارتفاع موازٍ في المتغير الآخر، أم أن هناك مساراً عكسياً يتراجع فيه أحدهما بتقدم الآخر، أو أن التباينات تتشتت بشكل عشوائي دون مسار خطي ناظم. وتتضاعف أهمية هذا المقياس عندما ندرك أنه يشكل “البسط الحسابي” لكل من معامل ارتباط بيرسون ومعامل ميل خط الانحدار، مما يجعله المحرك الرياضي الفعلي لعمليات التنبؤ والاستدلال الإحصائي في كافة المجالات الأكاديمية والتطبيقية.

يهدف هذا الدليل المرجعي الشامل إلى تفكيك كافة الأبعاد النظرية والتطبيقية لحساب وتفسير مقدار Sxy في الإحصاء ثنائي المتغيرات. سنستعرض فيه الصياغات الرياضية المركزية والبديلة، والشروط المنهجية التي تضمن دقة التطبيق، مع تقديم مسار عملي تفصيلي خطوة بخطوة عبر مثال عددي متكامل من واقع البحوث السلوكية. كما نتناول بالتشريح العلمي الدقيق علاقة Sxy بالتغاير (Covariance)، والانحدار الخطي البسيط (Simple Linear Regression)، ومعاملات الارتباط والاتساق الداخلي للمقاييس النفسية، متطرقين إلى الأخطاء المنهجية الشائعة وسبل تلافيها، وصولاً إلى كيفية استخراجه برمجياً عبر أحدث الحزم الإحصائية المعتمدة عالمياً.

1. مقدمة تأسيسية: مفهوم مجموع نواتج الانحرافات (Sxy) في الإحصاء

1.1 التعريف الرياضي والإحصائي لمقدار Sxy

يُعرَّف مقدار Sxy في الإحصاء الاستدلالي والوصفي بأنه المجموع الجبري لحواصل ضرب انحرافات قيم المتغير الأول (X) عن متوسطها الحسابي في انحرافات قيم المتغير الثاني (Y) المناظرة لها عن متوسطها الحسابي، وذلك لجميع المفردات الإحصائية المدروسة في عينة معينة. من الناحية الرياضية المجردة، يمثل Sxy مقياساً غير مقنن للتغير المشترك بين متغيرين كميين، حيث يُقاس مقدار هذا التغير بوحدات قياس مشتقة هي حاصل ضرب وحدة قياس المتغير الأول في وحدة قياس المتغير الثاني (مثل: نقطة اختبار × ساعة دراسة). إن البعد الأساسي هنا ينطلق من دراسة تموضع كل نقطة في فضاء ثنائي الأبعاد نسبةً إلى نقطة المركز التي تتحدد بإحداثيات المتوسطين الحسابيين للمتغيرين.

ويكمن الفرق الجوهري بين المجموع البسيط لحواصل ضرب القيم الخام Σ(X × Y) وبين مجموع نواتج الانحرافات Sxy في أن الأخير يُجري عملية “تمركز” أو إزاحة مرجعية للبيانات حول مركز الثقل الإحصائي المتمثل في المتوسط الحسابي لكل متغير. فالمجموع البسيط للقيم الخام يتأثر بدرجة هائلة بالمستوى المطلق للبيانات، فإذا كانت البيانات تتضمن أرقاماً كبيرة جداً فإن المجموع البسيط سيعطي أرقاماً فلكية دون أن تعكس بالضرورة حقيقة التوافق أو الترابط الحركي بين المتغيرين، بينما يقوم Sxy بطرح المتوسط من كل مشاهدة، ليحول البيانات إلى مقاييس انحرافية إيجابية وسلبية تلتقي في نقطة التوازن الصفري، مما يسمح بالكشف الحقيقي عن طبيعة التزامن الحركي في تذبذب المتغيرين.

من منظور الهندسة الإقليدية والجبر الخطي، يمثل Sxy الإسقاط الداخلي (Dot Product) لمتجهين ممركزين في فضاء نوني الأبعاد (حيث يمثل n عدد المشاهدات). فعند طرح المتوسط من كل متغير، ننتقل بالمتجهات من نقطة الأصل التقليدية إلى نقطة تمركز العينة، ويكون مقدار Sxy معبراً عن جيب تمام الزاوية بين هذين المتجهين مضروباً في أطوالهما الإقليدية. إذا كانت الزاوية حادة، جاء Sxy موجباً دالاً على تقارب المتجهين في الاتجاه، وإذا كانت منفرجة، جاء سالباً دالاً على تباعدهما وتنافر مسارهما، وإذا كانت متعامدة تماماً بزاوية 90 درجة، كان Sxy صفراً دالاً على الاستقلال الخطي التام بين المتجهين. وهذا التفسير الهندسي يرسخ مكانة Sxy كنواة حسابية تأسيسية لا غنى عنها لاشتقاق كافة مؤشرات الارتباط والانحدار.

1.2 الأهمية المنهجية لمقدار Sxy في تحليل البيانات النفسية والاجتماعية

تكتسب الظواهر النفسية والاجتماعية طبيعة معقدة تتسم بالتداخل العالي وتعدد الأسباب والنتائج؛ فالسمات السلوكية والقدرات المعرفية للمفحوصين نادراً ما تظهر ككيانات منعزلة، بل تتفاعل في شبكة كثيفة من الروابط التفاعلية. يمثل Sxy الأداة المنهجية الأولى التي تمكن الباحث السلوكي من رصد التباين المشترك (Shared Variance) الكامن بين متغيرات غير ملموسة مادياً، مثل العلاقة بين درجات القلق ومستويات استرجاع الذاكرة العاملة، أو العلاقة بين الاحتراق الوظيفي والرضا عن الحياة. من خلال تفكيك الانحرافات المتزامنة عن المتوسط العام للمجتمع المفحوص، يحدد Sxy ما إذا كانت زيادة حدة عرض سلوكي تقترن بالضرورة بنمو أو تراجع في كفاءة وظيفية أخرى.

وعلاوة على رصد التباين، يلعب Sxy دوراً حيوياً لا يمكن الاستغناء عنه في مراحل بناء وتقنين المقاييس النفسية ومصفوفات الاختبارات التربوية، تحديداً في مجال فحص الاتساق الداخلي (Internal Consistency) وصدق المحك (Criterion Validity). فعندما يصمم الباحث مقياساً جديداً لتقدير الذات، فإنه يحتاج إلى التحقق من أن استجابات الأفراد على البنود المتعددة تسير في مسارات متوافقة، أو أن درجات المقياس الجديد تتفق مع محكات معيارية خارجية راسخة. هنا يتدخل حساب Sxy لتقدير الاقتران الانحرافي بين درجات البنود المختلفة ودرجة الاختبار الكلية، مما يوفر الأساس الكمي المباشر لاستبعاد البنود الضعيفة أو غير المتسقة قبل الوصول إلى صور المقاييس النهائية.

كذلك يوفر Sxy الأرضية الصلبة لمعالجة البيانات النفسية غير المعيارية ونقلها من مستواها التشتتي المطلق إلى مؤشرات كمية قابلة للمقارنة المنهجية واختبار الفرضيات الصفرية. في العينات العيادية أو المجتمعات المتخصصة، غالباً ما تعاني البيانات من التباين في شروط التطبيق أو من الفروق الفردية الحادة التي قد تطمس دلالة المتغيرات إذا تم التعامل معها عبر مقاييس النزعة المركزية بمفردها؛ ولذلك يعمل Sxy على تنقية العلاقة بين المتغيرين من خلال عزل الفروق في المستويات العامة للأفراد، والتركيز الخالص على كيفية تحرك استجابة الفرد صعوداً أو هبوطاً بالنسبة إلى نقطة استقراره النفسي المتوسطة داخل العينة المدروسة.

1.3 مقارنة مفاهيمية بين Sxy و Sxx و Syy

لبناء فهم إحصائي متماسك، يتعين على الباحث التمييز الدقيق بين ثلاثة مقادير رياضية وثيقة الصلة تشكل معاً أركان الإحصاء الاستدلالي ثنائي المتغيرات، وهي: مجموع مربعات انحرافات المتغير X عن متوسطه (ويرمز له بـ Sxx)، ومجموع مربعات انحرافات المتغير Y عن متوسطه (ويرمز له بـ Syy)، ومجموع نواتج الانحرافات المشتركة للمتغيرين معاً (Sxy). إن الفارق الجوهري الأول بين هذه المقاييس ينبع من طبيعة الحدود الجبرية؛ ففي حين يُعنى Sxx و Syy بقياس التشتت الأحادي لمتغير منفرد من خلال تربيع انحرافاته الذاتية، يُعنى Sxy بقياس التشتت التبادلي أو التباين المتقاطع بين مسارين إحصائيين متوازيين.

يترتب على هذه الطبيعة الرياضية فارق جوهري حاسم يتعلق بإشارات القيم الناتجة. بما أن كلاً من Sxx و Syy يعتمد على عملية تربيع جبري لانحرافات القيم: Σ(xi – x̄)² و Σ(yi – ȳ)²، فإن قيمتهما يجب أن تكون موجبة دائماً (أو صفراً في الحالة النظرية المستحيلة التي تتطابق فيها كافة مشاهدات العينة تماماً مع المتوسط الحسابي، وهو ما يعني غياب التشتت كلياً). في المقابل، يمتلك Sxy حرية كاملة في التحرك عبر خط الأعداد الحقيقية، فيمكن أن يكون مقداراً موجباً كبيراً، أو سالباً عميقاً، أو صفراً مطلقاً؛ لأن انحرافات X يمكن أن تُضرب في انحرافات سالبة أو موجبة لـ Y، وتحدد المحصلة التراكمية لتلك الضربيات إشارة المقدار النهائي.

يتضح الدور التكاملي المذهل لهذه المقادير الثلاثة عند الانتقال إلى صياغة نماذج الانحدار الخطي ومعامل ارتباط بيرسون. فمقياس Sxx يمثل المقام الحسابي لميل خط الانحدار، حيث يعبر عن مقدار الطاقة التشتتية الكامنة في المتغير المستقل التي نحاول استثمارها لتفسير حركة المتغير التابع عبر البسط المتمثل في Sxy. أما Syy فيعكس إجمالي التباين الموجود في المتغير التابع والذي نسعى لتفكيكه إلى تباين مفسر وتباين متبقٍ. وبالتالي، يشكل التآلف الرياضي بين Sxy و Sxx و Syy الأداة التحويلية التي تنقل التحليل من المقاييس الخام غير المقيدة بوحدات القياس إلى معاملات معيارية مقننة تخضع لمعايير التفسير والتنظير الرياضي الدقيق.

2. الصيغة الرياضية القياسية لحساب Sxy وتفكيك عناصرها

2.1 المعادلة المركزية التقليدية المعتمدة على الانحرافات

تُعد المعادلة المركزية التقليدية لحساب Sxy الصيغة الأكثر شفافية من حيث الدلالة المفاهيمية؛ إذ تترجم التعريف اللفظي لمجموع نواتج الانحرافات ترجمة جبرية مباشرة دون أي اختصار أو التفاف حسابي. وتُكتب هذه الصيغة الرياضية القياسية بالرمز الآتي:

Sxy = Σ [ (xi – x̄) × (yi – ȳ) ]

حيث يمتد الجمع التراكمي لرمز المجموع (Σ) عبر جميع أفراد العينة من المشاهدة الأولى (i = 1) حتى المشاهدة الأخيرة (i = n). يقتضي التطبيق الدقيق لهذه المعادلة تنفيذ سلسلة من الخطوات المتتالية تبدأ بحساب المتوسط الحسابي لكل متغير، ثم طرح هذا المتوسط من كل قيمة مقابلة لإنتاج متواليتين من الانحرافات الفردية، يعقب ذلك ضرب كل انحراف لـ X في الانحراف المناظر له لـ Y، وأخيراً جمع تلك النواتج الجزئية للوصول إلى القيمة النهائية لمقدار Sxy.

إن تفكيك هذه المعادلة يكشف عن دور محوري للمتوسطين الحسابيين (x̄ و ȳ)؛ فهما لا يعملان فقط كمؤشرات لمستوى تمركز البيانات، بل يمثلان نقطتي ارتكاز مرجعيتين تتحدد على أساسهما المواقع النسبية لكل زوج مرتب من البيانات (xi, yi). إذا كانت قيمة المفحوص xi تفوق متوسط مجموعته x̄، فإن انحرافه يكون موجباً، وإذا كانت أقل، كان انحرافه سالباً. وهكذا تكتسب عملية الطرح وظيفة تحويلية تنقل الدرجة من إطارها العددي المطلق إلى دلالتها السيكومترية والوضعية بالنسبة لأقرانه في المجموعة المدروسة، مما يجعل كل حاصل ضرب انحرافي (xi – x̄)(yi – ȳ) دليلاً موضعياً على توافق أو تعارض موقع المفحوص عبر البُعدين المقاسين.

2.2 الصيغة الحسابية البديلة (صيغة البيانات الخام المختصرة)

على الرغم من الأهمية الإيضاحية البالغة للمعادلة المركزية، إلا أنها تصبح شديدة العرضة للأخطاء البشرية وأخطاء التقريب الحاسوبي عندما تكون المتوسطات الحسابية أرقاماً كسرية دورية غير منتهية (مثل 14.3333…). ومن هنا، قام علماء الإحصاء باشتقاق صيغة بديلة مكافئة رياضياً تُعرف بـ “صيغة الحساب السريع” أو “صيغة البيانات الخام”، والتي تلغي الحاجة التامة لحساب انحرافات كل قيمة على حدة. تُكتب الصيغة البديلة على النحو التالي:

Sxy = Σ(xi × yi) – [ (Σxi × Σyi) / n ]

تعتمد هذه الصيغة على ثلاثة مجاميع رئيسية فقط يمكن استخراجها مباشرة من البيانات الخام دون إجراء أي عملية طرح فردية: مجموع حواصل ضرب القيم الخام Σ(xi × yi)، ومجموع قيم المتغير المستقل Σxi، ومجموع قيم المتغير التابع Σyi، بالإضافة إلى الحجم الإجمالي للعينة (n). ويُطلق على الحد الثاني في المعادلة [(Σxi × Σyi) / n] اسم “حد التصحيح” (Correction Term)، وهو الحد الذي يقوم تلقائياً بضبط المجموع الإجمالي وإلغاء تأثير ابتعاد البيانات عن نقطة الصفر المطلق، ليعيد النتيجة بدقة تامة إلى نفس القيمة التي تنتجها المعادلة المركزية التقليدية.

يمكن إثبات التطابق الجبري التام بين الصيغتين بسهولة عبر فك الأقواس في المعادلة المركزية:

Sxy = Σ(xi – x̄)(yi – ȳ) = Σ(xi × yi – xi × ȳ – x̄ × yi + x̄ × ȳ)

وبما أن Σxi = n × x̄ و Σyi = n × ȳ، وبتوزيع المجموع على الحدود الأربعة، نجد أن:

Σ(xi × yi) – ȳ Σxi – x̄ Σyi + n(x̄ × ȳ) = Σ(xi × yi) – n(x̄ × ȳ) – n(x̄ × ȳ) + n(x̄ × ȳ) = Σ(xi × yi) – n(x̄ × ȳ)

وبالتعويض عن x̄ بـ (Σxi / n) وعن ȳ بـ (Σyi / n)، يختزل التعبير رياضياً إلى: Σ(xi × yi) – [(Σxi × Σyi) / n]. ويثبت هذا البرهان الرياضي الأنيق أن الصيغتين تعبران عن نفس الحقيقة الرقمية بدقة مطلقة، مع تفوق الصيغة البديلة في الكفاءة الزمنية وحماية التحليل من انزلاقات التقريب العشري في العينات الكبيرة.

2.3 شروط وافتراضات تطبيق المعادلة

لا يمكن تطبيق معادلة Sxy بأسلوب ميكانيكي دون التحقق الصارم من استيفاء مجموعة من الشروط المنهجية وطبيعة المقاييس المستخدمة في جمع البيانات. يبرز في مقدمة هذه الشروط مستوى قياس المتغيرين؛ إذ يشترط تطبيق Sxy أن تكون البيانات كمية عددية، تندرج إما تحت مقياس المسافة (Interval Scale) أو مقياس النسبة (Ratio Scale). لا يجوز تطبيق هذه المعادلات مباشرة على المتغيرات الاسمية أو الرتبية البحتة دون معالجة مسبقة؛ لأن حساب المتوسط الحسابي والانحرافات الخطية يفقد معناه الرياضي والدلالي إذا لم تكن المسافات بين الوحدات الرقمية متساوية وذات دلالة كمية مستقرة.

الشرط الهيكلي الثاني يكمن في ضرورة “ازدواجية القياس التامة” وتطابق حجم العينة؛ فكل قيمة مسجلة لـ X يجب أن يقابلها بالضرورة قيمة مسجلة لـ Y ناتجة عن فحص نفس الوحدة الإحصائية (المفحوص، الطالب، المؤسسة، إلخ). وجود أية بيانات مفقودة في أحد المتغيرين يلزم الباحث إما باستبعاد الزوج المرتب بأكمله (Listwise Deletion)، أو استخدام طرائق التعويض الإحصائي المتقدمة (Imputation Techniques) قبل المضي في الحساب؛ لأن المعادلة الرياضية تعتمد على اقتران تناظري ثنائي لا يقبل المقادير المنفردة.

علاوة على ذلك، تتميز صيغة Sxy بحساسية مفرطة تجاه القيم الشاذة والمتطرفة (Outliers)؛ فنظراً لاعتمادها على ضرب الانحرافات، فإن وجود مفحوص واحد يمتلك قيمة شاذة جداً وبعيدة عن المتوسط في أحد المتغيرين أو كليهما سيؤدي إلى توليد حاصل ضرب انحرافي ضخم قد يقلب إشارة Sxy من سالبة إلى موجبة أو العكس، مما يشوه الصورة الحقيقية للترابط بين المتغيرات. وأخيراً، تفترض المعادلة وجود علاقة خطية (Linearity) بين المتغيرين؛ فإذا كانت العلاقة غير خطية (كأن تكون منحنية على شكل حرف U)، فإن انحرافات النصف الأول من البيانات ستلغي انحرافات النصف الثاني، مما يقود إلى قيمة Sxy قريبة من الصفر على الرغم من وجود ترابط وظيفي وثيق لكنه غير خطي بين الظاهرتين.

3. الخطوات التمهيدية: حساب المتوسطات الحسابية لمتغيري الدراسة

3.1 حساب المتوسط الحسابي للمتغير المستقل (X)

تبدأ الرحلة الحسابية لاستخراج Sxy من خلال إنجاز الخطوة التمهيدية الأولى، والمتمثلة في تحديد المتوسط الحسابي الدقيق للمتغير المستقل، والذي يرمز له بالرمز الرياضي (x̄ – ويقرأ X-bar). يُستخرج هذا المقياس المركزي عبر جمع كافة القيم العددية المشاهدة للمتغير X في العينة قيد الدراسة للحصول على المجموع الكلي الصافي، ويرمز له بالرمز الجبري Σxi. يتطلب هذا الجمع تدقيقاً مكثفاً للتأكد من عدم سقوط أي مشاهدة أو حدوث خطأ طباعي أثناء نقل الدرجات من استمارات الاستجابة الميدانية إلى كشوف التحليل الإحصائي.

بمجرد اكتمال عملية الجمع والحصول على المجموع التراكمي Σxi، يتم تقسيم هذا الناتج على العدد الإجمالي الصالح للمشاهدات، وهو ما نرمز له بالحرف (n). تتجسد الصيغة الرياضية الكلاسيكية في المعادلة البسيطة: x̄ = Σxi / n. وهنا تبرز مسألة منهجية شديدة الأهمية تتعلق بضبط الكسور العشرية؛ فإذا كان ناتج القسمة رقماً كسرياً طويلاً، ينبغي على الباحث عدم التسرع في تقريبه إلى أقرب عدد صحيح، بل يجب الاحتفاظ بما لا يقل عن أربع منازل عشرية خلال مراحل العمليات الوسيطة، تجنباً لظاهرة “تراكم أخطاء التقريب” التي قد تحرف قيمة Sxy النهائية عن مسارها الصحيح بدرجات ملموسة.

ويكتمل حساب المتوسط بفحص منطقي لقيمته؛ حيث يجب أن يقع x̄ بالضرورة داخل المدى الحسابي الواقع بين أصغر قيمة (Xmin) وأكبر قيمة (Xmax) في المتغير. إذا أسفر الحساب عن متوسط يتجاوز هذا المدى أو يقترب من حدوده دون تبرير إحصائي يفرضه التواء التوزيع، فإن ذلك يكون مؤشراً فورياً على وجود خلل في الجمع أو القسمة. إن التأكد التام من صحة x̄ يمثل صمام الأمان للخطوات اللاحقة؛ لأن أي انزلاق في هذه القيمة سيؤدي حتماً إلى تدمير دقة كافة أعمدة الانحرافات المشتقة منها لاحقاً.

3.2 حساب المتوسط الحسابي للمتغير التابع (Y)

على نحو موازٍ ومستقل، يتم الانتقال إلى المتغير التابع (Y) لحساب متوسطه الحسابي المرجعي، ويرمز له بالرمز (ȳ – ويقرأ Y-bar). تتكرر نفس المنهجية الرياضية بدقة متناهية؛ حيث تجمع كافة قيم المتغير Y للحصول على المقدار الإجمالي Σyi. تتطلب هذه العملية نفس الصرامة في التحقق من صحة تسجيل الدرجات واكتمالها الزمني، لا سيما في الدراسات الطولية أو التجريبية التي يتم فيها قياس المتغير التابع بعد تطبيق تدخل معين أو فترات متابعة زمنية متباينة.

تُطبق بعد ذلك المعادلة الحسابية: ȳ = Σyi / n، حيث يُقسم المجموع الكلي على ذات الحجم العيني (n) المستخدم في حساب متوسط X، تأكيداً على مبدأ الاقتران الزوجي المتطابق. يقدم استخراج متوسط Y للباحث فرصة منهجية لعقد مقارنة أولية غير ارتباطية بين مستويات تمركز المتغيرين؛ فرغم أن كلاً منهما قد يقاس بوحدات قياس مختلفة تماماً (مثل قياس X بالسنوات وقياس Y بدرجات اختبار الذكاء)، إلا أن فهم متوسط التابع يساعد في تكوين صورة كلية حول خصائص العينة المعيارية وحدود أدائها العام.

ينبغي التنبه هنا إلى أن التباين الشديد في مقاييس القياس ومستوياتها بين X و Y (كأن يكون متوسط X يساوي 3 ومتوسط Y يساوي 450) لا يمنع إطلاقاً من حساب Sxy، ولكنه ينعكس بصورة مباشرة على تضخم القيمة العددية الناتجة لمجموع حواصل الضرب. إن استيعاب الباحث لمقدار ȳ وعلاقته بالمدى التشتتي للدرجات يساعده في مرحلة لاحقة على الحكم الذاتي حول ما إذا كانت النواتج الحسابية تقع ضمن النطاق المعقول رياضياً أو أنها تعكس أخطاء إدخال رقمية في سجلات البيانات الأساسية.

3.3 تنظيم البيانات الأولية في جدول إحصائي منظم

يمثل التدوين العشوائي أو المتفرق للأرقام في العمليات الإحصائية اليدوية السبب الأول لارتكاب الهفوات الحسابية التي يصعب تتبعها وتصحيحها. لذلك، يُعد تصميم “جدول العمل الإحصائي الممنهج” خطوة تنظيمية إجبارية تسبق البدء في حساب الانحرافات. يتألف هذا الجدول المرجعي المبدئي من عمودين رئيسيين متجاورين: يُخصص العمود الأول لرمز المفحوص أو الحالة الإحصائية (من الحالة 1 إلى الحالة n)، ويُخصص العمود الثاني للقيم العددية للمتغير المستقل (xi)، بينما يُفرد العمود الثالث للقيم المقابلة للمتغير التابع (yi).

إن ترتيب الأزواج المرتبة (xi, yi) جنباً إلى جنب في صفوف أفقية متوازية يضمن عدم تداخل مشاهدات مفحوص مع مفحوص آخر؛ فالاقتران التجريبي يجب أن يظل محمياً من أي ارتباك حركي أثناء تفريغ الحسابات. وعند أسفل كل عمود من هذين العمودين، يُدرج صف مخصص للمجاميع التراكمية، يُسجل فيه Σxi و Σyi، وأسفلهما يُدون المتوسطان المحسوبان (x̄ و ȳ)، ليشكلا خط الأساس الرياضي الذي ستنطلق منه التوسعات الجدولية اللاحقة لحساب الانحرافات ونواتج الضرب.

تتجلى الأهمية المنهجية للتدوين الجدولي المنظم في أنه يمنح الباحث مساراً بيانياً مرئياً يسهل مراجعته وتدقيقه تتابعياً (Auditing Trail). فإذا تولد شك في دقة أي ناتج مستقبلي، فإن العودة إلى الجدول المنظم تمكنه من مسح البيانات بالعين المجردة واكتشاف الأخطاء المطبعية، أو القيم غير المألوفة، أو الانحرافات غير المتسقة بسرعة، مما يجعل هذا الجدول وثيقة العمل الأساسية التي تضمن الشفافية والموثوقية الإحصائية لكافة الإجراءات الرياضية التالية.

4. حساب انحرافات القيم الفردية عن المتوسط الحسابي

4.1 تحديد انحرافات قيم المتغير المستقل (xi – x̄)

بعد تثبيت قيمة المتوسط الحسابي x̄ في قاعدة الجدول، تبدأ عملية تفكيك التشتت الفردي من خلال استحداث عمود رابع يُعنون بـ: (xi – x̄)، ويطلق عليه عمود “انحرافات قيم المتغير المستقل”. تتلخص هذه الخطوة في إجراء عملية طرح جبري منتظمة وشاملة، حيث يُطرح المتوسط الحسابي الثابت x̄ من القيمة الفردية الخاصة بكل مفحوص (xi) على حدة. إذا كانت درجة المفحوص تفوق متوسط العينة، ستنتج قيمة موجبة، بينما إذا كانت درجته أقل من المتوسط، فإن ناتج الطرح سيسفر حتماً عن قيمة سالبة تسبقها إشارة الناقص الواضحة.

إن النقطة التي تستوجب أقصى درجات التركيز المنهجي هنا هي الصرامة في كتابة وتتبع الإشارات الجبرية؛ فالإشارة السالبة ليست مجرد رمز رياضي عابر، بل هي تعبير كمي وسلوكي يؤكد أن موقع المفحوص يقع في النصف الأدنى من المنحنى التوزيعي للمجموعة. لا يجوز إطلاقاً إهمال الإشارات أو تحويلها إلى قيم مطلقة، لأن البنية الرياضية الكاملة لحساب Sxy تنهار فور إسقاط الإشارات السالبة، حيث ستتحول العلاقة إلى دالة تباعد مطلق بدلاً من أن تعكس اتجاه التباين المشترك.

تتمتع هذه المرحلة بخاصية رقابية ذاتية عبقرية في الرياضيات تُعرف بـ “خاصية الصفر الإحصائي” (Zero-Sum Property). تنص هذه القاعدة الجبرية الراسخة على أن المجموع الجبري لانحرافات أي مجموعة من القيم عن متوسطها الحسابي يجب أن يساوي صفراً تماماً، أي أن: Σ(xi – x̄) = 0. وعليه، بمجرد ملء عمود انحرافات المتغير X، يتعين على الباحث جمع كافة قيم العمود بموجباتها وسوالبها؛ فإذا كان الناتج صفراً (أو كسراً عشرياً متناهي الصغر مثل 0.00001 ناتجاً عن التقريب المحدود)، فذلك يمثل برهاناً قاطعاً على صحة حساب المتوسط وصحة عمليات الطرح الفردية، مما يمنحه الضوء الأخضر للمضي قدماً.

4.2 تحديد انحرافات قيم المتغير التابع (yi – ȳ)

بانتقال الباحث إلى الخطوة التالية، يتم إنشاء عمود خامس موازٍ في جدول العمل الإحصائي يحمل العنوان: (yi – ȳ)، وهو المخصص لحساب “انحرافات قيم المتغير التابع”. يُنفذ في هذا العمود نفس الإجراء الجبري الصارم، حيث تُطرح قيمة المتوسط الحسابي ȳ من كل قيمة فردية مقاسة للمتغير التابع (yi) لكل مفحوص من مفحوصي العينة، بالتوازي الدقيق مع الصف الذي يحمل انحرافات المتغير المستقل.

تخضع هذه العملية لنفس القواعد الصارمة المتعلقة بالاحتفاظ بالإشارات الجبرية؛ فالمفحوص الذي يسجل أداءً أعلى من المتوسط العام في المتغير التابع يحصل على انحراف إيجابي موجب، في حين يحصل المفحوص ذو الأداء المنخفض على انحراف سلبي مقترن بإشارة الناقص. إن الحفاظ على هذا التوازي يكشف للباحث، بمجرد النظرة الفاحصة لأعمدة الانحرافات، عن مؤشرات مبدئية لطبيعة التوافق؛ حيث يستطيع ملاحظة ما إذا كانت الإشارات الموجبة في X تقترن في الغالب بإشارات موجبة في Y، أو أنها تقابل إشارات سالبة، وهو ما يعطي تلميحاً بصرياً أولياً لاتجاه العلاقة قبل استكمال الحسابات المعقدة.

وكما حدث مع المتغير المستقل، يتم تفعيل صمام الأمان والتحقق الرياضي لعمود المتغير التابع عبر اختبار المجموع الصفري: Σ(yi – ȳ) = 0. يقوم الباحث بجمع عمود انحرافات المتغير التابع بالكامل؛ فإذا تطابق المجموع مع الصفر تماماً، تأكد له خلو المرحلة من أي أخطاء حسابية أو انزلاقات في إشارات الأرقام. يمثل هذا التحقق المزدوج للأعمدة الانحرافية الركيزة التي تجعل الطريقة المركزية التقليدية متفوقة بيداغوجياً وتعليمياً في ترسيخ الفهم العميق لتموضع الدرجات داخل الفضاء الإحصائي.

4.3 المعالجة الحسابية للفروق العشرية الصغرى

في التطبيقات البحثية الواقعية، نادراً ما تأتي المتوسطات الحسابية في صورة أعداد صحيحة مريحة، بل تسفر عمليات القسمة غالباً عن كسور عشرية غير منتهية أو ذات منازل متعددة. تفرض هذه الحالة تحدياً حسابياً بارزاً يُعرف بـ “معضلة الفروق العشرية الصغرى”، حيث قد يغري الباحث تقريب المتوسط مبكراً إلى منزلة عشرية واحدة لتسهيل عمليات الطرح، إلا أن هذا الإجراء يقود بالضرورة إلى فشل خاصية المجموع الصفري في التحقق التام، كما يؤدي إلى انحرافات تراكمية تتضخم عند ضرب الانحرافات ببعضها في الخطوة اللاحقة.

ولمواجهة هذا التحدي، تتحدد أفضل الممارسات المنهجية في اتباع استراتيجية “تثبيت المنازل العشرية القياسية”؛ حيث يتم تقييد كافة الحسابات الوسيطة بأربع إلى خمس منازل عشرية منتظمة طوال مراحل الجدول، ولا يتم التقريب النهائي إلى منزلتين إلا عند الوصول إلى الناتج النهائي لمقدار Sxy أو المؤشرات المشتقة منه كمعامل الارتباط والانحدار. يضمن هذا الإجراء تقليص الخطأ التراكمي إلى حدود متناهية الصغر لا تؤثر على الدلالة الاستدلالية للنتائج.

وفي حالات الحساب اليدوي فائق الدقة، يفضل بعض الإحصائيين استخدام الكسور الاعتيادية (Fractions) بدلاً من الكسور العشرية؛ فإذا كان المتوسط هو 10 مقسوماً على 3، يُحتفظ بالقيمة كـ (10/3) في معادلات الطرح. هذا التكنيك الجبري يلغي أي أثر لأخطاء التقريب على الإطلاق، ويتيح اختصار المقامات المشتركة عند تنفيذ الضرب التراكمي لاحقاً. وتعتبر هذه الدقة في الضبط الرياضي شرطاً جوهرياً في البحوث النفسية العيادية التي تعتمد على فروق دقيقة جداً في درجات الاختبارات لتحديد مستويات التشخيص والعلاج.

5. حساب حاصل ضرب الانحرافات المتناظرة وجمعها رياضياً

5.1 ضرب الانحرافات الزوجية لكل مفحوص

تصل العملية الحسابية إلى مرحلتها الحرجة عند استحداث العمود السادس والأخير في جدول العمل الإحصائي، والذي يُعنون بـ: [(xi – x̄) × (yi – ȳ)]، ويُعرف بعمود “حواصل ضرب الانحرافات المشتركة”. في هذه الخطوة، يتم الانتقال عبر صفوف الجدول أفقياً، حيث يُضرب انحراف المتغير X للمفحوص الأول في انحراف المتغير Y لنفس المفحوص، وتُسجل النتيجة بدقة في الخلية المخصصة لها، وتتكرر هذه العملية الحسابية بصورة مستقلة لكل حالة من الحالات الـ n المكونة للعينة.

تخضع هذه المرحلة بالكامل لقواعد الجبر الأساسية في ضرب الإشارات، والتي تُعد الموجه الحقيقي لاتجاه النتيجة الإحصائية:

1. ضرب قيمة موجبة في قيمة موجبة يُنتج بالضرورة قيمة موجبة (+ × + = +): ويدل ذلك على أن المفحوص حقق أداءً أعلى من المتوسط في كلا المتغيرين معاً.

2. ضرب قيمة سالبة في قيمة سالبة يُنتج أيضاً قيمة موجبة (- × – = +): ويدل ذلك على أن المفحوص حقق أداءً أدنى من المتوسط في كلا المتغيرين معاً، وهو ما يدعم أيضاً فرضية التوافق والتحرك في نفس الاتجاه.

3. ضرب قيمة موجبة في قيمة سالبة، أو العكس، يُنتج حتماً قيمة سالبة (+ × – = -): ويدل ذلك على وجود تباعد وتناقض بين موضعي المفحوص؛ حيث تفوق في أحدهما وتعثر في الآخر، مما يغذي الاتجاه المعاكس للعلاقة.

يجب على الباحث تدوين كل إشارة ناتجة بوضوح شديد ودقة متناهية؛ فالخلط الشائع بين ناتج ضرب الإشارات المتشابهة (الذي يولد دائماً إشارة موجبة) وبين قواعد جمع الإشارات يمثل المصدر الأكبر للأخطاء الكارثية في الحسابات الإحصائية اليدوية. يمثل هذا العمود مرآة تفصيلية تكشف مساهمة كل مفردة إحصائية في تعزيز أو إضعاف العلاقة الخطية الإجمالية بين المتغيرين المدروسين.

5.2 تنفيذ عملية الجمع التراكمي لاستخراج قيمة Sxy

بمجرد الانتهاء من ملء كافة خلايا عمود حواصل ضرب الانحرافات لجميع الحالات، يتم الانتقال إلى الخطوة التتويجية للمعادلة المركزية، وهي تنفيذ “الجمع التراكمي الجبري” لكافة القيم المقيدة في هذا العمود. يمثل هذا الجمع الرياضي تطبيقاً مباشراً لرمز المجموع (Σ) الوارد في الصيغة الرياضية الأصلية، حيث تتحد النواتج الفردية لتشكل في محصلتها النهائية الرقم الموحد الذي نطلق عليه Sxy.

تتطلب عملية الجمع موازنة محاسبية دقيقة بين المعسكرين الرقميين داخل العمود: معسكر القيم الموجبة ومعسكر القيم السالبة. تتلخص الطريقة المثلى لتفادي الأخطاء في جمع كافة القيم الموجبة أولاً للحصول على المجموع الموجب الإجمالي، ثم جمع كافة القيم السالبة بمعزل عنها للحصول على المجموع السالب الإجمالي، وأخيراً إجراء عملية طرح جبري بين الكتلتين: [مجموع الموجب – مجموع السالب]. إن القيمة الصافية الناتجة عن هذا الطرح، محتفظة بإشارتها الجبرية الراجحة، هي المقدار الإحصائي الصافي لـ Sxy.

لا تنتهي هذه الخطوة دون إجراء ما يُعرف في المنهجية الإحصائية بـ “الفحص العكسي المزدوج” (Reverse Verification)؛ حيث يتعين على الباحث إعادة جمع العمود بترتيب مقلوب (من الأسفل إلى الأعلى)، أو تدقيق الحسابات باستخدام آلة حاسبة مستقلة. إن التأكد التام من القيمة الرقمية النهائية لـ Sxy يُعد أمراً مصيرياً، لأن هذه القيمة ستدخل مباشرة في البسط الرياضي لكافة النماذج المتقدمة، وأي خطأ فيها سيتناسخ ويتضخم تلقائياً في حساب التغاير، وميل الانحدار، وقوة الارتباط.

5.3 التفسير الأولي للإشارة الإحصائية لمقدار Sxy

بمجرد استخراج القيمة النهائية لمقدار Sxy، يكتسب الباحث القدرة على صياغة “قراءة تشخيصية أولية” لطبيعة الاقتران بين المتغيرين انطلاقاً من الإشارة الجبرية التي يحملها هذا المقدار، وذلك على النحو التالي:

• الإشارة الموجبة (+Sxy): تشير دلالة الإشارة الموجبة إلى أن المحصلة التراكمية لحواصل ضرب الانحرافات المتوافقة تفوقت على الانحرافات المتعارضة؛ مما يعني وجود اقتران طردي بين المتغيرين؛ فالأفراد الذين يحققون درجات أعلى من المتوسط في المتغير X يميلون في الغالب إلى تسجيل درجات تفوق المتوسط في المتغير Y، والعكس صحيح بالنسبة لمن هم دون المتوسط.
• الإشارة السالبة (-Sxy): تعكس الإشارة السالبة تفوق مساهمات الانحرافات المتضاربة؛ مما يبرهن على وجود علاقة عكسية منتظمة؛ فالارتفاع عن المتوسط في المتغير المستقل يقترن بانخفاض وتراجع عن المتوسط في المتغير التابع، وهو ما نلاحظه في ظواهر كالعلاقة بين ساعات استخدام الشاشات الإلكترونية وجودة النوم لدى المراهقين.
• القيمة الصفرية أو القريبة جداً من الصفر (Sxy ≈ 0): تكشف هذه النتيجة عن حالة من التوازن التام أو شبه التام بين نواتج الانحرافات الإيجابية والسلبية، مما يعني أن معرفة موقع المفحوص بالنسبة لمتوسط المتغير X لا تقدم أي معلومة مفيدة للتنبؤ بموقعه بالنسبة لمتوسط Y، وهو ما يعبر عن انعدام الترابط الخطي المشترك بين المتغيرين قيد القياس.

ومع ذلك، يجب التأكيد بحزم على “الحدود التفسيرية لمقدار Sxy”؛ فهذا المقدار الإحصائي يُعد مقياساً “مطلقاً وغير مقنن” (Unstandardized)، وتتأثر قيمته العددية بشكل مباشر بوحدات القياس المستخدمة وبحجم العينة (n). فإذا قمنا بضرب قيم أحد المتغيرين في 100، فإن قيمة Sxy ستتضاعف مائة مرة دون أن يعني ذلك إطلاقاً أن العلاقة أصبحت أقوى بمائة ضعف. ولهذا السبب، لا يمكن استخدام القيمة المطلقة لـ Sxy بمفردها للمقارنة بين دراسات مختلفة أو لتحديد شدة العلاقة (هل هي قوية أم ضعيفة؟)، بل تقتصر دلالته المباشرة على تحديد “الاتجاه العام” فقط، في حين تُترك مهمة تحديد “شدة وقوة الارتباط” للمقاييس المعيارية المشتقة منه، وعلى رأسها معامل ارتباط بيرسون.

6. مثال تطبيقي عملي وشامل: حساب Sxy خطوة بخطوة باستخدام بيانات عددية

6.1 توصيف بيانات العينة وحجمها الإحصائي

لترسيخ المفاهيم النظرية السابقة وتجسيدها في إطار إحصائي تطبيقي متكامل، نفترض إجراء دراسة ميدانية في علم النفس التربوي تهدف إلى استكشاف طبيعة العلاقة بين متغيرين سلوكيين لدى عينة تجريبية تتألف من ستة مفحوصين (n = 6). يمثل المتغير المستقل (X) “عدد ساعات التدريب على استراتيجيات حل المشكلات” التي تلقاها كل طالب، بينما يمثل المتغير التابع (Y) “درجة الطالب في اختبار التفكير الابتكاري” المقاس عبر بطارية اختبارات مقننة تتراوح درجاتها النظرية بين صفر و30 درجة.

تم تفريغ البيانات الخام المرصودة للمفحوصين الستة في صورة أزواج مرتبة متطابقة، وجاءت السجلات الرقمية على النحو الدقيق التالي:

• المفحوص الأول (الحالة 1): X1 = 1 ساعة تدريب، المقابل لها Y1 = 8 درجات في التفكير الابتكاري.
• المفحوص الثاني (الحالة 2): X2 = 2 ساعة تدريب، المقابل لها Y2 = 12 درجة في التفكير الابتكاري.
• المفحوص الثالث (الحالة 3): X3 = 2 ساعة تدريب، المقابل لها Y3 = 14 درجة في التفكير الابتكاري.
• المفحوص الرابع (الحالة 4): X4 = 3 ساعات تدريب، المقابل لها Y4 = 19 درجة في التفكير الابتكاري.
• المفحوص الخامس (الحالة 5): X5 = 5 ساعات تدريب، المقابل لها Y5 = 22 درجة في التفكير الابتكاري.
• المفحوص السادس (الحالة 6): X6 = 8 ساعات تدريب، المقابل لها Y6 = 21 درجة في التفكير الابتكاري.

تم فحص مصفوفة البيانات الأولية للتأكد من استيفاء الشروط المنهجية؛ حيث يتبين خلو البيانات من أية قيم مفقودة، وتحقق مبدأ القياس الكمي النسبي لكلا المتغيرين، ووجود تباين طبيعي في الدرجات يعكس الفروق الفردية الكامنة في أداء المفحوصين، مما يجعل هذه المجموعة الرقمية نموذجاً مثالياً لإجراء التحليل الإحصائي اليدوي وتطبيق المعادلات المركزية والبديلة بدقة ووضوح.

6.2 حساب المتوسطات الحسابية لبيانات المثال

نبدأ بتنفيذ الإجراءات التمهيدية عبر حساب المتوسط الحسابي لمتغير ساعات التدريب (X). نقوم بجمع درجات المفحوصين في المتغير الأول للحصول على المجموع الكلي:

Σxi = 1 + 2 + 2 + 3 + 5 + 8 = 21 ساعة.

وبقسمة هذا المجموع التراكمي على حجم العينة المحدد بـ (n = 6)، نستخرج المتوسط الحسابي x̄:

x̄ = 21 / 6 = 3.5 ساعة تدريب.

نلاحظ أن المتوسط جاء رقماً عشرياً منتهياً يتألف من منزلة عشرية واحدة، مما يسهل العمليات اللاحقة ويوفر نموذجاً تدريبياً بالغ الدقة.

ننتقل بعد ذلك مباشرة لحساب المتوسط الحسابي لمتغير درجات اختبار التفكير الابتكاري (Y). نجمع درجات المفحوصين في هذا المتغير لاستخراج المقدار الإجمالي:

Σyi = 8 + 12 + 14 + 19 + 22 + 21 = 96 درجة.

وبقسمة المجموع الناتج على عدد المشاهدات الستة، نحصل على المتوسط الحسابي ȳ:

ȳ = 96 / 6 = 16.0 درجة تماماً.

نلاحظ هنا أن المتوسط الحسابي للدرجات جاء في صورة عدد صحيح، وهو ما يمنح الحسابات الميدانية استقراراً كبيراً يحد من تداعيات الكسور العشرية في الأعمدة المشتقة.

نثبت هذين المتوسطين المرجعيين كنقاط ارتكاز ثابتة في الجدول الإحصائي: متوسط ساعات التدريب (x̄ = 3.5)، ومتوسط درجات التفكير الابتكاري (ȳ = 16.0). بمجرد إنجاز هذه الخطوة بنجاح وتدقيق المجموعين (21 و 96)، تصبح بنية البيانات جاهزة للانتقال إلى الحسابات المتقدمة لتوليد انحرافات الدرجات الفردية وحواصل ضربها التبادلي.

6.3 توليد جدول الحسابات التفصيلي خطوة بخطوة

نقوم الآن بتشييد جدول العمل الإحصائي المتكامل لتطبيق الصيغة المركزية التقليدية: Sxy = Σ(xi – x̄)(yi – ȳ). سنقوم بإدراج القيم، ثم حساب انحرافات المتغير X، وانحرافات المتغير Y، والتحقق من مجموعها الصفري، وصولاً إلى استخراج عمود حواصل ضرب الانحرافات وحسابه التراكمي في الجدول المنهجي التالي:

المفحوص (i)	ساعات التدريب (xi)	درجة الاختبار (yi)	انحراف X: (xi – 3.5)	انحراف Y: (yi – 16.0)	حاصل ضرب الانحرافات: (xi – x̄)(yi – ȳ)
1	1	8	1 – 3.5 = -2.5	8 – 16.0 = -8.0	(-2.5) × (-8.0) = +20.0
2	2	12	2 – 3.5 = -1.5	12 – 16.0 = -4.0	(-1.5) × (-4.0) = +6.0
3	2	14	2 – 3.5 = -1.5	14 – 16.0 = -2.0	(-1.5) × (-2.0) = +3.0
4	3	19	3 – 3.5 = -0.5	19 – 16.0 = +3.0	(-0.5) × (+3.0) = -1.5
5	5	22	5 – 3.5 = +1.5	22 – 16.0 = +6.0	(+1.5) × (+6.0) = +9.0
6	8	21	8 – 3.5 = +4.5	21 – 16.0 = +5.0	(+4.5) × (+5.0) = +22.5
المجموع (Σ)	21	96	0.0 (تحقق صفري)	0.0 (تحقق صفري)	Sxy = 59.0

إذا قمنا بمتابعة الفحص الرياضي للجدول أعلاه بدقة، نجد الآتي:

1. فحص مجموع انحرافات X: (-2.5) + (-1.5) + (-1.5) + (-0.5) + 1.5 + 4.5 = -6.0 + 6.0 = 0.0 (تحقق تام لخاصية الصفر).

2. فحص مجموع انحرافات Y: (-8.0) + (-4.0) + (-2.0) + 3.0 + 6.0 + 5.0 = -14.0 + 14.0 = 0.0 (تحقق تام لخاصية الصفر).

3. حساب المجموع التراكمي لعمود ضرب الانحرافات لاستخراج Sxy:

مجموع القيم الموجبة = 20.0 + 6.0 + 3.0 + 9.0 + 22.5 = 60.5

مجموع القيم السالبة = -1.5

القيمة الصافية النهائية: Sxy = 60.5 – 1.5 = 59.0.

تكشف النتيجة النهائية البالغة +59.0 عن مؤشر طردي إيجابي قوي ومباشر؛ حيث أسهم خمسة من أصل ستة مفحوصين بقيم إيجابية في تعزيز هذا الترابط المشترك، مما يؤكد مبدئياً أن الارتفاع في عدد ساعات التدريب على حل المشكلات يقترن بنمو ملحوظ في درجات التفكير الابتكاري لدى طلاب العينة.

6.4 التطبيق المقارن بالصيغة المختصرة للتحقق من النتيجة

لتأكيد الموثوقية الرياضية المطلقة واستعراض المرونة الحسابية للإحصاء التطبيقي، نلجأ الآن لتطبيق “صيغة البيانات الخام المختصرة”:

Sxy = Σ(xi × yi) – [ (Σxi × Σyi) / n ]

باستخدام نفس البيانات العددية للعينة (n = 6)، ودون استخدام أي من المتوسطات الحسابية أو الانحرافات المشتقة، سنعتمد حصرياً على البيانات الأصلية المسجلة.

أولاً: نقوم بحساب حاصل ضرب القيم الخام لكل مفحوص على حدة ثم نجمعها للحصول على Σ(xi × yi):

– المفحوص 1: 1 × 8 = 8

– المفحوص 2: 2 × 12 = 24

– المفحوص 3: 2 × 14 = 28

– المفحوص 4: 3 × 19 = 57

– المفحوص 5: 5 × 22 = 110

– المفحوص 6: 8 × 21 = 168

المجموع التراكمي للضرب الخام: Σ(xi × yi) = 8 + 24 + 28 + 57 + 110 + 168 = 395.

ثانياً: نقوم باسترجاع مجاميع المتغيرات الفردية التي قمنا بجمعها سابقاً:

Σxi = 21

Σyi = 96

ثالثاً: نحسب “حد التصحيح الإحصائي” (Correction Factor):

حد التصحيح = (Σxi × Σyi) / n = (21 × 96) / 6 = 2016 / 6 = 336.

رابعاً: نطبق معادلة الطرح النهائية لاستخراج قيمة Sxy:

Sxy = 395 – 336 = 59.0.

نلاحظ التطابق التام، الحرفي، والمطلق بين الناتج المستخرج من الصيغة المختصرة (59.0) والناتج المستخرج سابقاً من جدول الانحرافات المركزية (59.0). هذا البرهان العملي يؤكد للباحث أنه بغض النظر عن المسار الحسابي المتبع، فإن المنطق الرياضي الصارم يقود إلى نفس الحقيقة الإحصائية، مع ملاحظة أن الصيغة المختصرة أنجزت المهمة في زمن قياسي وبأقل قدر من الخطوات اليدوية، مما يجعلها الخيار المفضل للتعامل مع العينات البحثية الكبيرة في الواقع الميداني.

7. العلاقة الرياضية والهيكلية بين Sxy وحساب التغاير (Covariance)

7.1 التحويل الرياضي من Sxy إلى التغاير العيني وتغاير المجتمع

على الرغم من الأهمية الجوهرية لمقدار Sxy، إلا أنه يظل مجموعاً تراكمياً أولياً، ولكي يتحول هذا المجموع إلى مقياس إحصائي يعبر عن “متوسط التباين المشترك” بين المتغيرات، يتم إخضاعه لعملية قسمة معيارية تُعرف بحساب التغاير (Covariance). يتفرع التغاير في النظرية الإحصائية إلى نمطين أساسيين تبعاً لطبيعة البيانات المتاحة: تغاير العينة وتغاير المجتمع الإحصائي الكامل.

في حالة دراسة مجتمع إحصائي شامل ومغلق (حيث تُجمع البيانات من كافة أفراده دون استثناء)، يُرمز لتغاير المجتمع بالرمز الإغريقي (σxy – سيجما xy). ويتم التحويل الرياضي المباشر عبر قسمة Sxy على الحجم الكلي للمجتمع (N):

σxy = Sxy / N = Σ [ (xi – μx)(yi – μy) ] / N

حيث يمثل μx و μy المتوسطات الحقيقية لمجتمع الدراسة. في هذا السياق، يمثل التغاير القيمة المتوقعة الدقيقة لحاصل ضرب انحرافات المتغيرين في المجتمع بأكمله.

أما في الغالبية الساحقة من البحوث التطبيقية، حيث يتعامل الباحث مع عينة عشوائية مستلة من مجتمع أكبر ويسعى لتعميم نتائجه، فإن التغاير المحسوب يُعرف بـ “تغاير العينة غير المتحيز” (Sample Covariance)، ويُرمز له بالرمز (sxy أو Cov(X,Y)). وهنا يتدخل المفهوم الإحصائي الشهير لـ “درجات الحرية” (Degrees of Freedom)؛ حيث يُقسم Sxy ليس على الحجم الكلي n، بل على (n – 1)، وتصاغ المعادلة على النحو التالي:

sxy = Sxy / (n – 1) = Σ [ (xi – x̄)(yi – ȳ) ] / (n – 1)

تعتبر القسمة على (n – 1) بدلاً من n إجراء تصحيحياً رياضياً حتمياً يُعرف بـ “تصحيح بيسيل” (Bessel’s Correction)، ويهدف إلى إزالة التحيز الإحصائي؛ لأن حساب المتوسطين x̄ و ȳ من بيانات العينة يستهلك درجتين من درجات حرية النظام، مما يجعل تباين وتغاير العينة يميلان طبيعياً للتقليل من التشتت الحقيقي الكامن في المجتمع الأصلي إذا قُسما على n مباشرة.

7.2 التشابه والاختلاف بين Sxy والتغاير في التطبيق العملي

يشترك مقياس Sxy والتغاير العيني sxy في خصائص رياضية بنيوية متطابقة؛ فكلاهما يمتلك نفس الإشارة الجبرية دائماً (موجبة، سالبة، أو صفرية)، نظراً لأن المقام المستخدم في التحويل (n – 1) هو مقدار عددي موجب دائماً في أي عينة بحثية صالحة (حيث n ≥ 2). وبالتالي، فإن اتجاه العلاقة الذي يكشف عنه Sxy هو ذاته دون أدنى تعديل في التغاير؛ فالإشارة الموجبة تعكس تلازماً طردياً، والإشارة السالبة تعكس مساراً عكسياً في كلا المقياسين.

علاوة على ذلك، يتقاسم المقياسان خاصية “الاعتماد على وحدات القياس الأصلية” (Scale-Dependence)؛ فحاصل ضرب انحرافات المتغيرات ينتج عنه وحدات قياس مركبة (مثل: كيلوجرام × سنتيمتر، أو درجة اختبار × دقيقة زمنية). هذا التأثر بوحدات القياس يجعل كلا من Sxy والتغاير عاجزين عن تقديم تقييم نسبي موحد لقوة العلاقة يصلح للمقارنة بين ظواهر متباينة؛ إذ لا يمكن لباحث أن يقرر ما إذا كان التغاير البالغ 50 بين الطول والوزن يعكس علاقة أقوى أو أضعف من تغاير يبلغ 5 بين ساعات الاستذكار ودرجات التحصيل الدراسي.

ومع ذلك، يبرز الاختلاف العملي الحاسم في مسألة التقنين المتوسطي؛ فالتغاير sxy يمثل متوسط التغير المشترك لكل وحدة إحصائية داخل العينة بعد ضبط أثر حجمها، بينما يعبر Sxy عن الكتلة الإجمالية التراكمية للتشتت المشترك في العينة ككل. ولهذا السبب، يُعتبر التغاير sxy المكون المعتمد في بناء “مصفوفات التباين والتغاير” (Variance-Covariance Matrices) المستخدمة في النمذجة البنائية وتحليل المسار، بينما يحتفظ Sxy بمكانته الراسخة كبسط مالي وحسابي في خوارزميات الانحدار وتفكيك مجموع المربعات.

7.3 تأثير حجم العينة (n) على قيمة Sxy مقارنة بالتغاير

تخضع العلاقة بين حجم العينة (n) والقيمة العددية المحسوبة لكل من Sxy والتغاير لقوانين رياضية متباينة تماماً، وهو ما يفرض على الباحثين وعياً منهجياً متقدماً عند تفسير المخرجات. يتميز مقدار Sxy بخاصية “النمو الطردي التراكمي الإجباري” مع اتساع حجم العينة؛ فعند إضافة مشاهدات جديدة إلى الدراسة تتبع نفس النمط الارتباطي للبيانات السابقة، فإن كل زوج مرتب إضافي سيولد حاصل ضرب انحرافي جديد يُضاف إلى المجموع الكلي، مما يؤدي تلقائياً إلى تضخم القيمة العددية المطلقة لـ Sxy لتصل إلى أرقام ضخمة جداً في العينات الكبيرة (كالعينات التي تتألف من آلاف المفحوصين).

في المقابل، يتمتع التغاير العيني sxy بخاصية “الاستقرار المتقارب” (Asymptotic Stability) مع تغير حجم العينة؛ فعلى الرغم من أن بسطه المتمثل في Sxy يتضخم باستمرار مع زيادة عدد الحالات، إلا أن مقامه المتمثل في درجات الحرية (n – 1) يتضخم أيضاً بمعدل موازٍ تماماً. تؤدي هذه النسبة المتوازنة إلى تحييد أثر اتساع العينة، حيث تتقارب قيمة sxy وتستقر حول القيمة الحقيقية للتغاير الكامن في مجتمع الدراسة الأصلي (σxy) وفقاً لقانون الأعداد الكبيرة في نظرية الاحتمالات.

يوضح الجدول الإحصائي المقارن التالي الفروق الجوهرية والخصائص المميزة بين Sxy والتغاير، مما يزيل أي لبس تطبيقي لدى المحلل الإحصائي:

وجه المقارنة	مجموع نواتج الانحرافات (Sxy)	تغاير العينة (Sample Covariance – sxy)
الصيغة الرياضية الأساسية	Σ(xi – x̄)(yi – ȳ)	Σ(xi – x̄)(yi – ȳ) / (n – 1)
التأثر بحجم العينة (n)	ينمو طردياً ويتضخم بتزايد حجم العينة	مستقر نسبياً ولا يتأثر طردياً بحجم العينة
الدلالة الإحصائية المباشرة	الكتلة التراكمية الإجمالية للتغير المشترك	متوسط التغير المشترك لكل وحدة عينية
الاعتماد على وحدات القياس	يتأثر مباشرة بحاصل ضرب الوحدات الأصلية	يتأثر مباشرة بحاصل ضرب الوحدات الأصلية
الموقع في النماذج المتقدمة	يمثل البسط الحسابي لميل الانحدار ومعامل بيرسون	العنصر الأساسي في مصفوفات التباين والتحليل العاملي

8. دور Sxy في بناء ومعايرة نموذج الانحدار الخطي البسيط

8.1 حساب معامل ميل خط الانحدار (Slope – β1)

يمثل “الانحدار الخطي البسيط” (Simple Linear Regression) أحد أعمق التطبيقات الرياضية التي تتجلى فيها القيمة المنهجية لمقدار Sxy؛ حيث يسعى النموذج إلى صياغة معادلة رياضية مستقيمة تصف كيف يتغير المتغير التابع (Y) استجابة للتحركات المنظمة في المتغير المستقل (X). تتجسد المعادلة التنبؤية القياسية في الصورة التالية:

Ŷ = β0 + β1 × X

حيث تمثل Ŷ القيمة التنبؤية لـ Y، وتمثل β0 نقطة التقاطع الرأسي مع المحور الصادي، في حين يمثل β1 “معامل ميل خط الانحدار” (Slope)، وهو المعامل الأكثر حساسية وأهمية في النموذج بأكمله.

تعتمد خوارزمية المربعات الصغرى العادية (Ordinary Least Squares – OLS) اعتماداً حصرياً على مقادير مجموع الانحرافات لاشتقاق قيمة الميل الأنسب الذي يقلل مجموع مربعات الأخطاء التنبؤية إلى أدنى حد ممكن. وتُكتب الصيغة الرياضية لحساب الميل بدلالة الانحرافات على النحو الصريح التالي:

β1 = Sxy / Sxx

تكشف هذه المعادلة المركزية عن العلاقة التبعية العضوية لميل الانحدار تجاه مقدار Sxy؛ فالمقام Sxx يمثل الطاقة التشتتية الذاتية للمتغير المستقل (Σ(xi – x̄)²)، وهو مقدار موجب حتماً، مما يعني أن إشارة ميل خط الانحدار تُحدد بالكامل وبشكل حصري بواسطة إشارة Sxy. إذا جاء Sxy موجباً، صعد خط الانحدار من أسفل اليسار إلى أعلى اليمين بميل موجب دالاً على أن كل زيادة في X تقود لزيادة تنبؤية في Y، وإذا جاء Sxy سالباً، هبط خط الانحدار بميل سالب، أما إذا كان Sxy صفراً، أصبح خط الانحدار أفقياً تماماً بميل صفري موازٍ لمحور السينات، مما يبرهن على عجز المتغير X عن التنبؤ بأي تغير في المتغير Y.

من زاوية التفسير التطبيقي، يعبر معامل الميل β1 عن “معدل التغير المتوقع في المتغير التابع (بوحدات قياسه) لكل تغير مقداره وحدة قياس واحدة في المتغير المستقل”. وبالعودة إلى بيانات مثالنا السابق في القسم 6، حيث وجدنا أن Sxy = 59.0، فإذا قمنا بحساب تشتت المتغير المستقل Sxx:

Sxx = (-2.5)² + (-1.5)² + (-1.5)² + (-0.5)² + (1.5)² + (4.5)² = 6.25 + 2.25 + 2.25 + 0.25 + 2.25 + 20.25 = 33.5

فإن ميل خط الانحدار يستخرج بدقة متناهية:

β1 = 59.0 / 33.5 ≈ 1.761.

يدل هذا الرقم الميداني على أن كل ساعة تدريب إضافية يتلقاها الطالب على حل المشكلات تقترن بزيادة متوقعة في درجته الابتكارية تبلغ حوالي 1.76 درجة، وهو استدلال تفسيري عميق انبثق مباشرة من بسط Sxy المشترك.

8.2 اشتقاق نقطة التقاطع مع المحور الرأسي (Intercept – β0)

بمجرد اكتمال حساب معامل الميل β1 المستند إلى Sxy، ينتقل النموذج الإحصائي إلى الخطوة التأسيسية الثانية، وهي حساب “نقطة التقاطع مع المحور الرأسي” (Y-Intercept)، ويُرمز لها بالرمز β0. تمثل نقطة التقاطع القيمة المتوقعة للمتغير التابع Y عندما تنعدم قيمة المتغير المستقل X تماماً (أي عندما تكون X = 0). تصاغ معادلة استخراج نقطة التقاطع وفقاً لمنهجية المربعات الصغرى على النحو التالي:

β0 = ȳ – (β1 × x̄)

تؤكد هذه الصيغة الرياضية على الاعتماد الهيكلي غير المباشر لنقطة التقاطع على مقدار Sxy؛ فالميل β1 المستخدم في المعادلة ليس سوى التمثيل النسبي لـ (Sxy / Sxx). ويحمل هذا البناء الجبري دلالة هندسية بالغة الروعة؛ فهو يضمن جبرياً أن خط الانحدار المحسوب يمر حتماً وبشكل قطعي بنقطة “مركز الثقل الإحصائي” للبيانات، وهي النقطة الفضائية المحددة بإحداثيات المتوسطين الحسابيين: (x̄, ȳ). إن إجبار الخط على المرور بهذه النقطة المركزية يمثل الضمانة الرياضية لتوازن التشتت وتساوي انحرافات الخطأ العلوية والسفلية حول نموذج التوفيق الأمثل.

بتطبيق ذلك عددياً على بيانات مثالنا التعليمي:

ȳ = 16.0، x̄ = 3.5، والميل β1 ≈ 1.761

β0 = 16.0 – (1.761 × 3.5) = 16.0 – 6.1635 ≈ 9.836.

تكتمل بذلك المعادلة التنبؤية لنموذج الانحدار الخطي البسيط في صورتها التطبيقية النهائية:

Ŷ = 9.836 + 1.761(X)

تتيح هذه المعادلة للباحث التنبؤ بأن الطالب الذي لم يتلق أي تدريب على الإطلاق (X = 0) من المتوقع أن يحقق درجة تفكير ابتكاري تبلغ حوالي 9.84 درجة، وهي النتيجة التي اشتُقت كافة مدخلاتها من الانحرافات الأولية المتمركزة حول Sxy.

8.3 التنبؤ الإحصائي وتقدير الخطأ المعياري للنموذج

تتجاوز وظيفة نموذج الانحدار مجرد الوصف الرياضي للعلاقة إلى وظيفة “التنبؤ الاستدلالي” وتقدير كفاءة النموذج؛ حيث يمكن للباحث الآن إدخال أية قيمة مستقبلية أو افتراضية لـ X لتقدير الاستجابة المتوقعة لـ Y. فمثلاً، لو أردنا التنبؤ بدرجة طالب سيتلقى 6 ساعات تدريبية:

Ŷ = 9.836 + 1.761 × 6 = 9.836 + 10.566 = 20.402 درجة.

لكن هذا التنبؤ لا يكون مكتملاً من الناحية المنهجية دون قياس “الخطأ المعياري للتقدير” (Standard Error of Estimate – Se)، الذي يحدد نطاق عدم اليقين المحيط بالتنبؤات الإحصائية.

ترتبط دقة النموذج التنبؤي ارتباطاً وثيقاً بـ “مجموع مربعات أخطاء الانحدار” (Sum of Squared Errors – SSE)، والذي يقيس المسافات الرأسية بين القيم الحقيقية المشاهدة والقيم التنبؤية التي يفرزها خط الانحدار: SSE = Σ(yi – Ŷi)². وهنا تتجلى البراعة الجبرية في إمكانية تفكيك هذا الخطأ مباشرة بالاعتماد على Sxy ومقادير التشتت الأخرى دون الحاجة لحساب تنبؤات كل مفحوص على حدة، عبر العلاقة الشهيرة:

SSE = Syy – [ (Sxy)² / Sxx ]

تكشف هذه المعادلة أن كل تضخم في القيمة الحقيقية لـ Sxy يقابله تقليص مباشر في مجموع مربعات الأخطاء SSE، مما يجعل الخط التنبؤي أكثر اقتراباً من المشاهدات الواقعية، ويرفع من مستوى الدقة التفسيرية للنموذج الخطي.

علاوة على ذلك، يمثل مقدار Sxy الركيزة المركزية في “اختبار المعنوية الإحصائية لميل الانحدار”؛ حيث يتم حساب الخطأ المعياري لمعامل الميل (SE(β1)) تمهيداً لإجراء اختبار تائي (t-test) للفرضية الصفرية القائلة بأن ميل الانحدار يساوي صفراً في المجتمع الأكبر (H0: β1 = 0). إذا أظهر الاختبار قيمة معنوية إحصائياً (p-value < 0.05)، يُجزم الباحث بثقة بأن التباين المشترك الذي رصده Sxy ليس وليد الصدفة الإحصائية العشوائية، بل يعكس قانوناً سلوكياً أو علمياً مستقراً يمكن الاعتماد عليه في اتخاذ القرارات الميدانية والتطبيقية.

9. العلاقة التبادلية بين Sxy ومعامل ارتباط بيرسون

9.1 الصيغة الرياضية لمعامل الارتباط بدلالة مجموع الانحرافات

يُعد معامل ارتباط بيرسون لخط العزم (Pearson Product-Moment Correlation Coefficient – r) المقياس الأكثر شهرة واستخداماً عالمياً لتقدير العلاقات الخطية بين المتغيرات الكمية. وعندما ننظر في البنية التشريحية العميقة لمعادلة بيرسون، نكتشف على الفور أنها ليست سوى “معايرة معيارية مقننة” لمقدار Sxy غير المقنن. تُصاغ معادلة ارتباط بيرسون بدلالة مجموع الانحرافات على النحو الأنيق التالي:

r = Sxy / √(Sxx × Syy)

تضع هذه المعادلة مقدار Sxy في موقع السيادة المطلقة كبسط حسابي أوحد، في حين يحتل المقام الجذر التربيعي لحاصل ضرب التباينين الأحاديين الذاتيين للمتغيرين (Sxx و Syy). وتؤدي هذه القسمة وظيفة رياضية عبقرية تسمى “التقييس المعياري” (Standardization)؛ حيث يُقسم التباين المشترك للبيانات على الحد الأقصى الرياضي الممكن لهذا التباين المشترك، وهو ما يؤدي إلى تجريد القيمة تماماً من وحدات القياس الفيزيائية أو السيكومترية، وحصر مداها العددي بدقة صلبة داخل نطاق محدد ومغلق يتراوح بين -1.00 و +1.00.

يترتب على هذا البناء الرياضي أن معامل ارتباط بيرسون يقتبس إشارته الجبرية مباشرة ودون أي استثناء من إشارة Sxy؛ فإذا كان Sxy موجباً، كان الارتباط طردياً موجباً (0 < r ≤ 1)، وإذا كان Sxy سالباً، كان الارتباط عكسياً سالباً (-1 ≤ r < 0)، وإذا كان Sxy صفراً، انعدم الارتباط الخطي تماماً وتساوت r مع الصفر. وبالتالي، يمثل Sxy الحقيقة الحركية للعلاقة، في حين يمثل r ترجمتها إلى لغة معيارية موحدة يفهمها كافة الباحثين حول العالم بغض النظر عن المقاييس أو الأدوات المستخدمة في جمع بياناتهم.

9.2 تفسير قوة واتجاه العلاقة الارتباطية انطلاقاً من Sxy

من خلال الجمع التكاملي بين إشارة Sxy ومقام المعايرة المشتق من Sxx و Syy، يستطيع الباحث تصنيف العلاقة الارتباطية بدقة أكاديمية رصينة وفقاً للأعراف الإحصائية الدولية المستقرة في العلوم السلوكية والاجتماعية. بتطبيق ذلك على بيانات مثالنا السابق:

لدينا Sxy = 59.0، وحسبنا سابقاً Sxx = 33.5.

نقوم الآن بحساب مجموع مربعات انحرافات المتغير التابع Syy من بيانات عمود انحرافات Y في جدول القسم 6:

Syy = (-8.0)² + (-4.0)² + (-2.0)² + (3.0)² + (6.0)² + (5.0)²

Syy = 64.0 + 16.0 + 4.0 + 9.0 + 36.0 + 25.0 = 154.0.

نعوض الآن في صيغة بيرسون المعيارية:

r = 59.0 / √(33.5 × 154.0) = 59.0 / √(5159.0) = 59.0 / 71.826 ≈ +0.821.

يقود هذا الناتج المعياري (+0.821) إلى تفسير منهجي بالغ الوضوح:

1. الاتجاه: اتجاه طردي موجب قوي جداً، مستمد من إيجابية بسط Sxy البالغ 59.0.

2. القوة: تصنف قوة العلاقة وفق تصنيفات كوهين (Cohen’s Benchmarks) بأنها علاقة ارتباطية “مرتفعة جداً وقوية”؛ إذ تتجاوز القيمة عتبة الـ 0.50 التقليدية بكثير، مما يؤكد تماسك الاقتران بين ساعات التدريب ومهارات التفكير الابتكاري.

ومع ذلك، يفرض التفكير النقدي في المنهجية العلمية التمييز القاطع بين “الارتباط والسببية” (Correlation vs. Causation)؛ فرغم أن Sxy ومعامل بيرسون يثبتان بما لا يدع مجالاً للشك وجود ترابط تذبذبي وتزامن وثيق بين المتغيرين، إلا أن ذلك لا يثبت بمفرده أن ساعات التدريب هي السبب المباشر الحصري لنمو التفكير الابتكاري؛ إذ قد يتدخل متغير ثالث غير مقاس (كدافعية الإنجاز أو الدعم الأسري) يقود كلا المتغيرين للارتفاع معاً، وهو ما يستدعي ضبط المتغيرات الدخيلة عبر تصاميم تجريبية محكمة.

9.3 معامل التحديد (R-Squared) وعلاقته بـ Sxy

يرتقي التحليل الإحصائي إلى قمة قدرته التفسيرية عند اشتقاق معامل التحديد (Coefficient of Determination)، والذي يرمز له بالرمز الرياضي الشهير R² (أو r² في حالة الانحدار البسيط). يُستخرج معامل التحديد مباشرة من خلال تربيع معامل ارتباط بيرسون، أو عبر قسمة التباين المفسر بالانحدار على التباين الإجمالي للمتغير التابع:

R² = (r)² = (Sxy)² / (Sxx × Syy)

تكشف هذه الصيغة الرياضية عن الوزن النسبي الحاسم لـ Sxy؛ حيث يدخل هذا المقدار مربّعاً في بسط معادلة التحديد: (Sxy)². وتعتبر قيمة R² المؤشر الأكثر دقة لقياس “الجودة التوفيقية” (Goodness of Fit) للنماذج الإحصائية؛ إذ يعبر عن النسبة المئوية الدقيقة للتباين الكلي المشاهد في المتغير التابع والتي يمكن تفسيرها والتنبؤ بها مباشرة من خلال معرفتنا بحركة المتغير المستقل الداخل في النموذج.

بتطبيق هذا المبدأ على نتائجنا السابقة:

r = 0.8214 ⇒ R² = (0.8214)² ≈ 0.6747 (أي ما يعادل حوالي 67.5%).

يقدم هذا الرقم دلالة إحصائية في غاية الأهمية؛ فهو يعني أن ما نسبته 67.5% من الفروق الفردية والتشتت المشاهد في درجات التفكير الابتكاري لدى أفراد العينة يمكن إرجاعها وتفسيرها مباشرة بالفروق في عدد ساعات التدريب التي تلقوها. في حين تبقى النسبة المتبقية البالغة 32.5% معبرة عن التباين المتبقي غير المفسر (Residual Variance)، والذي يعود إلى أخطاء القياس العشوائية أو تأثير متغيرات نفسية وسلوكية أخرى لم يشملها النموذج الحالي.

10. تطبيقات Sxy في الأبحاث النفسية والقياس النفسي والسلوكي

10.1 تقييم ثبات وصدق الاختبارات والمقاييس النفسية

يشكل مقياس Sxy الدعامة الرياضية غير المرئية التي تقوم عليها اختبارات القياس السيكومتري للتحقق من الكفاءة القياسية للأدوات والاستبانات؛ فلا يمكن لعلماء النفس الوثوق بمقياس يقيس القلق أو الاكتئاب أو الذكاء العاطفي دون التأكد من تمتعه بدرجات مقبولة من الصدق والثبات. في هذا السياق، يتدخل Sxy بصورة مباشرة في حساب معامل الصدق المرتبط بمحك (Criterion-Related Validity)؛ حيث يمثل X درجات المفحوصين على المقياس النفسي الجديد المراد اختباره، بينما يمثل Y درجاتهم على محك خارجي موضوعي معتمد (مثل تقييم الأطباء النفسيين أو مقياس عالمي مقنن). إن الحساب الدقيق لـ Sxy بين درجات المقياس ودرجات المحك يكشف مدى قدرة الأداة الجديدة على تمثيل الواقع بدقة.

وعلى نحو متصل، يُستخدم Sxy في حساب معامل الثبات بطريقة إعادة التطبيق (Test-Retest Reliability)؛ حيث يُطبق الاختبار نفسه على نفس العينة في مناسبتين زمنيتين يفصل بينهما فاصل زمني مناسب (أسبوعان إلى شهر). يُسجل أداء الأفراد في المرة الأولى كمتغير X وأداؤهم في المرة الثانية كمتغير Y. ومن خلال استخراج انحرافات الاستقرار المشترك عبر Sxy، يتم التحقق من أن تذبذب درجات الأفراد يتسم بالاتساق الزمني وأن ترتيب الأفراد النسبي لم يتعرض للتشويش العشوائي، وهو شرط إلزامي لإقرار صلاحية المقاييس للاستخدام الإكلينيكي والتشخيصي.

كذلك يعتمد فحص الاتساق بين المقيمين (Inter-Rater Reliability) في المقابلات السلوكية ودراسات الملاحظة على آليات مشابهة تعتمد في جوهرها الحسابي على بسط Sxy؛ حيث يقيس المتغير الأول تقديرات الملاحظ المستقل (أ) ويقيس المتغير الثاني تقديرات الملاحظ المستقل (ب) لنفس العينة السلوكية للأطفال المصابين باضطراب فرط الحركة وتشتت الانتباه مثلاً. يعكس Sxy في هذا النموذج مدى التطابق والانسجام بين الرؤى التقييمية للملاحظين، مما يوفر أساساً كمياً لاستبعاد التقديرات الذاتية المتحيزة وضمان الموضوعية العلمية للملاحظة الميدانية.

10.2 دراسة العلاقات بين المتغيرات السلوكية والمعرفية

تعتمد النظريات السلوكية والمعرفية المعاصرة على فحص فرضيات دقيقة تتعلق بالتفاعل الديناميكي بين البنى النفسية المختلفة. يلعب Sxy دور الأداة الاستكشافية التي تسمح لعلماء الأعصاب السلوكيين والباحثين النفسيين بتمحيص هذه العلاقات؛ فعلى سبيل المثال، عند دراسة “قانون يركيز-دودسون” المتعلق بالعلاقة بين الاستثارة والانفعال من جهة والأداء المعرفي من جهة أخرى، يتم اللجوء إلى نماذج خطية متعددة ومجزأة تستند في كل مقطع منها إلى حساب Sxy لتقدير معدل التغير المشترك بين المؤشرات الفسيولوجية (كنبضات القلب أو إفراز الكورتيزول) ومستويات التركيز الذهني وسرعة معالجة المعلومات.

وفي مجال علم النفس الإرشادي والمهني، تتكرر تطبيقات Sxy لدراسة العلاقة بين مستويات الضغوط المهنية ومؤشرات التوافق النفسي وجودة الحياة؛ حيث يُقاس المتغير المستقل عبر مقياس استنزاف الطاقة النفسية، ويُقاس المتغير التابع عبر استبانة الرضا الوظيفي أو معدلات الغياب المرضي عن العمل. إن توليد مصفوفات Sxy لهذه المتغيرات المتشابكة يمهد الطريق لبناء نماذج السببية وتحليل المسار (Path Analysis) التي تمكن مديري المؤسسات وصناع القرار من تحديد العوامل الحاسمة التي تعزز الرفاهية النفسية وتقلل من احتمالات الاحتراق المهني للعاملين.

كما يمتد التطبيق إلى علم النفس الجنائي ودراسة السلوك الانحرافي؛ حيث يوظف الباحثون Sxy لرصد التباين المشترك بين التعرض للصدمات وسوء المعاملة في مراحل الطفولة المبكرة (متغير X) وارتفاع النزعات العدوانية أو اضطرابات الشخصية المعادية للمجتمع في مراحل البلوغ (متغير Y). توفر هذه المؤشرات الإحصائية المستندة إلى مجموع الانحرافات أدلة كمية رصينة تدعم تصميم برامج التدخل الوقائي المبكر وتأهيل الفئات الأكثر عرضة للمخاطر السلوكية في المجتمعات الهشة.

10.3 التحديات الإحصائية الخاصة بالبيانات النفسية

تواجه عملية حساب وتفسير Sxy في البحوث النفسية والسلوكية جملة من العقبات المنهجية الفريدة التي تميز العلوم الإنسانية عن العلوم الطبيعية الدقيقة. تأتي في مقدمة هذه العقبات معضلة التباين المقيد (Restricted Range)؛ فعند إجراء دراسة ارتباطية على عينة متجانسة جداً (كالطلاب المتفوقين عقلياً فقط أو المرضى المقيمين في أجنحة العناية المركزة)، فإن درجات المتغيرات لا تتشتت بحرية، بل تتكدس في نطاق ضيق جداً. يؤدي هذا التقييد إلى تقليص مصطنع لمدى الانحرافات (xi – x̄)، مما يقود حتماً إلى انكماش قيمة Sxy وظهور مؤشرات ارتباط هابطة بشدة لا تعكس قوة الترابط الحقيقية الكامنة في المجتمع العام.

التحدي الثاني يكمن في ظاهرة الاستجابة المرغوبة اجتماعياً (Social Desirability Bias) والتحيز الذاتي في الاستبانات النفسية؛ حيث يميل المفحوصون غالباً إلى تقديم إجابات تجعلهم يظهرون بمظهر إيجابي ومقبول، بدلاً من التعبير عن مشاعرهم وسلوكياتهم الحقيقية. يؤدي هذا السلوك التزييفي إلى تشويه توزيع الدرجات، وإحداث التواء حاد (Skewness) في توزيع المتغيرات، مما ينقل المتوسط الحسابي بعيداً عن مركزه الحقيقي ويجعل انحرافات الدرجات غير متناظرة، وهو ما ينعكس سلباً على سلامة وموثوقية المقدار التراكمي لـ Sxy.

علاوة على ذلك، تعاني البيانات السلوكية من تداخل أخطاء القياس العشوائية (Measurement Errors) الناتجة عن تشتت انتباه المفحوصين، أو التعب اللحظي، أو الظروف البيئية المحيطة بجلسة الاختبار. تؤدي هذه الأخطاء العشوائية إلى تخفيف الارتباط الرياضي وإضعاف قيمة Sxy المحسوبة مقارنة بقيمتها النظرية الحقيقية (وهي الظاهرة الإحصائية المعروفة بـ Attenuation). ويتعين على الباحث النفسي المتمرس اللجوء إلى معادلات تصحيح التخفيف (Correction for Attenuation) المستندة إلى معاملات ثبات الأدوات لتصحيح بسط Sxy وإعادته إلى قيمته الأصلية غير الملوثة بأخطاء القياس العارضة.

11. الأخطاء الرياضية والمنهجية الشائعة أثناء حساب Sxy وكيفية تفاديها

11.1 الأخطاء الجبرية المتعلقة بالإشارات والتقريب

يقع الكثير من الباحثين والطلاب في فخاخ حسابية تبدو بسيطة ظاهرياً لكنها تقود إلى نتائج كارثية تطيح بمصداقية التحليل بأكمله. يأتي في صدارة هذه الأخطاء الاضطراب في قواعد ضرب الإشارات الجبرية؛ حيث يميل بعض المحللين يدوياً إلى معاملة ناتج ضرب انحرافين سالبين كقيمة سالبة (- × – = -)، في حين أن القاعدة الرياضية القطعية توجب أن ضرب سالبين يولد حتماً قيمة موجبة تدعم التلازم الطردي للبيانات. إن ارتكاب هذا الخطأ في صفين أو ثلاثة ضمن جدول العمل الإحصائي يغير مسار المجموع التراكمي لـ Sxy بالكامل، وقد يحول الإشارة الإجمالية من موجبة صريحة إلى سالبة مضللة.

الخطأ الجبري الثاني يرتبط بـ التقريب المبكر والمتكرر للمتوسطات الحسابية والانحرافات الجزئية؛ فعندما يكون المتوسط رقماً دورياً كـ (7.666…)، يقوم بعض الباحثين بتقريبه مبكراً إلى (7.7) أو (8). يؤدي هذا البتر العشري في كل سطر من سطور الجدول إلى تراكم الفروق الدقيقة، مما يفقد عمودي الانحرافات خاصية التحقق الصفري التام (Σ(xi – x̄) ≠ 0)، ويقود في نهاية المطاف إلى ناتج مشوه لـ Sxy يبتعد عن القيمة الحقيقية بمقادير عددية واضحة تؤثر لاحقاً على دقة معاملات الانحدار ومستويات الدلالة الإحصائية.

ولتفادي هذه الانزلاقات الجبرية، يتعين تطبيق استراتيجية “التدقيق المتقاطع الصارم”؛ حيث يُمنع منعاً باتاً اعتماد أي جدول انحرافات لا يحقق المجموع الصفري المطلق بدقة أربعة منازل عشرية على الأقل لكلا المتغيرين. كما يُلزم الباحث بالاحتفاظ بالكسور في صورتها الاعتيادية أو تثبيت خمس منازل عشرية طوال الخطوات المرحلية، مع إعادة فحص عمود حواصل ضرب الانحرافات عبر تدقيق إشارات كل صف على حدة قبل الشروع في الجمع النهائي التراكمي.

11.2 الأخطاء الهيكلية في تطبيق القوانين الإحصائية

تتجاوز الأخطاء الهيكلية مجرد السهو الحسابي لتمس الفهم النظري لتطبيق القوانين الرياضية؛ ولعل أكثر هذه الأخطاء شيوعاً هو الخلط المفاهيمي بين مجموع المربعات الفردية ومجموع نواتج الانحرافات، كأن يقوم الباحث بحساب Σ(xi – x̄)² ظناً منه أنه يحسب Sxy، أو ضرب مجموع انحرافات X في مجموع انحرافات Y (Σ(xi – x̄) × Σ(yi – ȳ))، وهو إجراء خاطئ تماماً؛ لأن مجموع الانحرافات الفردية يساوي صفراً دائماً، مما يجعل الناتج الكلي صفراً عبثياً لا معنى له، بينما الصحيح هو ضرب انحرافي كل مفحوص معاً أولاً ثم إجراء الجمع الشامل لتلك النواتج.

ويتمثل خطأ هيكلي فادح آخر في إسقاط أزواج البيانات غير المكتملة بصورة عشوائية غير متوازية؛ فعند وجود قيمة مفقودة في المتغير Y لأحد المفحوصين، يخطئ بعض المبتدئين بحذف قيمة Y مع الإبقاء على قيمة X لنفس المفحوص، مما يخل بتطابق أبعاد المتجهين، ويجعل عدد قيم X يفوق عدد قيم Y، وهو ما يدمر البنية التناظرية لحساب Sxy. تقتضي القواعد المنهجية إما الحذف الكامل للزوج المرتب بكامله من التحليل (Pairwise / Listwise Deletion)، أو استخدام خوارزميات التعويض الإحصائي المتقدمة كتعويض المتوسط أو الانحدار المتعدد لتقدير القيمة المفقودة قبل بدء التحليل.

كذلك يبرز خطأ شائع في التعجل بالقسمة على درجات الحرية (n – 1) في مراحل الحساب الأولى؛ حيث يخلط المحلل بين استخراج Sxy الخام كبسط تركمي وبين استخراج التغاير sxy. يؤدي هذا الخلط إلى تقسيم الانحرافات قبل ضربها أو تقسيم النواتج الفردية مما يدخل التحليل في دوامة من الأرقام الكسرية المعقدة دون داعٍ. يجب تثبيت القاعدة الرياضية بأن Sxy هو مجموع خام مطلق لا يتضمن أي عملية قسمة في صيغته المركزية، وتُؤجل عمليات القسمة حصرياً للمراحل اللاحقة عند الرغبة في استخراج مؤشرات التغاير أو الانحدار أو الارتباط المعياري.

11.3 إجراءات ضبط الجودة الحسابية والتحقق المنهجي

لضمان أعلى معايير النزاهة والموثوقية العلمية في معالجة البيانات، ينبغي على الباحثين والمحللين تبني بروتوكول صارم لضبط الجودة الإحصائية يتألف من ثلاث خطوات تدقيقية إلزامية قبل نشر أو اعتماد أية نتائج مستندة إلى Sxy:

• التحقق الذاتي الداخلي (Internal Verification): يتمثل في المراجعة الجبرية الفورية لخاصية الصفر الإحصائي لأعمدة الانحرافات. يجب ألا ينتقل الباحث إلى عمود الضرب المشترك إلا بعد التيقن الرياضي من أن Σ(xi – x̄) = 0 و Σ(yi – ȳ) = 0. يمثل هذا الإجراء الفلتر الأولي الذي يعترض 90% من الأخطاء الحسابية في مهدها.
• التحقق المتقاطع بالصيغ المزدوجة (Dual-Formula Cross-Check): يمثل التطبيق الإلزامي للصيغتين معاً (الصيغة المركزية المعتمدة على الانحرافات والصيغة المختصرة المعتمدة على البيانات الخام) الإجراء الذهبي الأكثر موثوقية في الإحصاء التطبيقي. إذا أسفرت كلتا الطريقتين عن نفس الناتج الرقمي بدقة متطابقة (كما برهنّا في القسم 6)، يحصل الباحث على برهان قاطع لا يقبل الشك على صحة حساباته وخلوها من السهو.
• الفحص المنطقي للمخرجات (Sanity Check): إخضاع قيمة Sxy لاختبار المعقولية الإحصائية والمنطقية؛ فإذا كان الرسم البياني للانتشار (Scatter Plot) يُظهر بوضوح سحابة نقاط تصعد للأعلى، في حين أسفر حساب Sxy عن قيمة سالبة، فإن هذا التناقض البصري يكشف فوراً عن خطأ جسيم في الحسابات اليدوية يستوجب إعادة التدقيق وإعادة بناء الجداول من البداية.

12. حساب Sxy عبر البرمجيات الإحصائية المتقدمة وتطبيقات الجداول

12.1 حساب Sxy باستخدام برنامج مايكروسوفت إكسل (Microsoft Excel)

يُعد برنامج مايكروسوفت إكسل (Microsoft Excel) أحد أكثر الأدوات مرونة وسهولة في متناول الباحثين لمعالجة البيانات وإجراء الحسابات الإحصائية اليدوية والمؤتمتة. ورغم أن إكسل لا يوفر دالة مدمجة صريحة تحمل الاسم المباشر “=SXY()”، إلا أنه يمكن استخراج هذه القيمة بدقة متناهية عبر عدة مسارات برمجية فائقة الذكاء تعتمد على النماذج الرياضية التي فككناها في هذا الدليل.

المسار الأول والأكثر سرعة هو الاستفادة من العلاقة الرياضية بين التغاير العيني و Sxy؛ حيث يوفر إكسل دالة التغاير العيني المعتمدة على درجات الحرية (n – 1) وهي الدالة: =COVARIANCE.S(array1, array2). وبما أننا نعلم علم اليقين أن sxy = Sxy / (n – 1)، فإن كل ما يتوجب على الباحث فعله هو ضرب ناتج هذه الدالة في حجم العينة مطروحاً منه واحد. تُكتب المعادلة المؤتمتة في شريط صيغ إكسل على النحو التالي:

=COVARIANCE.S(A2:A7, B2:B7) * (COUNT(A2:A7) - 1)

حيث يمثل النطاق A2:A7 قيم المتغير المستقل X، ويمثل النطاق B2:B7 قيم المتغير التابع Y، وتتكفل دالة COUNT بحساب الحجم العيني n تلقائياً، ليفرز إكسل في جزء من الثانية القيمة الصافية والمطابقة تماماً لـ Sxy.

المسار الثاني يتمثل في محاكاة الصيغة المختصرة عبر دالة حواصل الضرب المتراكمة =SUMPRODUCT()، والتي تتيح تنفيذ الصيغة البديلة في سطر برمجي واحد دون الحاجة لإنشاء جداول مساعدة:

=SUMPRODUCT(A2:A7, B2:B7) - (SUM(A2:A7) * SUM(B2:B7) / COUNT(A2:A7))

ينفذ إكسل في هذا الأمر ضرب كل زوج مرتب وجمعه تراكمياً (Σxi × yi)، ثم يطرح منه حد التصحيح المبرمج، ليعطي نفس النتيجة بدقة مطلقة، مما يوفر أداة ممتازة للتحقق السريع من صحة الواجبات والتحليلات الإحصائية الميدانية.

12.2 استخراج واستخدام Sxy في الحزمة الإحصائية للعلوم الاجتماعية (SPSS)

تحتل الحزمة الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics) موقع الصدارة في الأبحاث النفسية والأكاديمية العالمية. في بيئة SPSS، لا يظهر Sxy كبند مستقل في القوائم المنسدلة الافتراضية، ولكنه يستخرج بسهولة وبأكثر من وسيلة عبر قراءة المخرجات التحليلية المتقدمة التي تشكل هذه القيمة ركيزتها التحتية.

النافذة الأولى لاستخراج Sxy تتم عبر قائمة الارتباطات ثنائية المتغير (Bivariate Correlations). بعد إدخال المتغيرين في نافذة التحليل عبر المسار:

Analyze → Correlate → Bivariate...

يتم النقر على زر الخيارات (Options)، وتفعيل خيار “الانحرافات المشتركة ومجاميع النواتج المشتركة” (Cross-product deviations and covariances). عند استعراض جدول مخرجات الارتباط الناتج، سيجد الباحث سطراً خاصاً يُعنون بـ: Cross-product Deviations. الرقم المقيد في هذا السطر هو تحديداً وبدقة متناهية مقدار Sxy الذي نسعى لحسابه، في حين يمثل السطر الذي يليه مباشرة (Covariance) قيمة التغاير العيني sxy المقسوم على (n – 1).

أما النافذة الثانية، فتتم عبر تشغيل نموذج الانحدار الخطي البسيط:

Analyze → Regression → Linear...

ومن خلال قائمة الإحصاءات (Statistics)، يمكن طلب مصفوفة التباين والتغاير (Covariance matrix) وتفكيك جدول تحليل التباين (ANOVA Table). كما يمكن لمستخدمي كود الأوامر (SPSS Syntax) استخراج الانحرافات وحواصل ضربها في متغيرات جديدة مشتقة داخل ورقة البيانات (Data View) بدقة تامة باستخدام أوامر التحويل الرياضي المباشر، مما يمنح الباحث سيطرة كاملة على متابعة خطوات الحساب والتحقق من صدق بياناته.

12.3 الحساب البرمجي باستخدام لغات البرمجة الحديثة (R و Python)

مع الثورة الرقمية المعاصرة وتدفق البيانات الضخمة (Big Data) في القياس النفسي العصبي والعلوم السلوكية الحاسوبية، بات من الضروري للباحثين والمحللين امتلاك مهارات الحساب البرمجي المباشر لمقادير الانحرافات عبر اللغات البرمجية الرائدة مثل R و Python، والتي تمنح مرونة حسابية لا متناهية وأتمتة شاملة لكافة العمليات الإحصائية.

في بيئة لغة R، البيئة المفضلة لعلماء الإحصاء حول العالم، يتم التعامل مع البيانات في صورة متجهات رياضية (Vectors). يمكن كتابة دالة مخصصة (Custom Function) فائقة البساطة لحساب Sxy استناداً إلى دالة التغاير الأساسية cov()، أو تطبيق الصيغة المركزية الصريحة سطراً بسطر كما يلي:

# تعريف متجهات البيانات
x <- c(1, 2, 2, 3, 5, 8)
y <- c(8, 12, 14, 19, 22, 21)

# الطريقة الأولى: التطبيق المباشر للصيغة المركزية
sxy_manual <- sum((x – mean(x)) * (y – mean(y)))
print(paste(“قيمة Sxy بالصيغة المركزية:”, sxy_manual))

# الطريقة الثانية: المشتقة من دالة التغاير العيني
sxy_cov <- cov(x, y) * (length(x) – 1)
print(paste(“قيمة Sxy المشتقة برمجياً:”, sxy_cov))

أما في بيئة لغة Python، وتحديداً باستخدام مكتبتي NumPy و Pandas المخصصتين للحوسبة العلمية ومعالجة البيانات، يتم تطبيق المعادلة بكفاءة مصفوفية مذهلة تستغل المعالجة المتوازية (Vectorized Operations) دون الحاجة لاستخدام حلقات التكرار البرمجية البطيئة:

import numpy as np

# إدخال مصفوفات البيانات
x = np.array([1, 2, 2, 3, 5, 8])
y = np.array([8, 12, 14, 19, 22, 21])

# حساب الانحرافات المركزية
dev_x = x – np.mean(x)
dev_y = y – np.mean(y)

# حساب مجموع حاصل ضرب الانحرافات المشتركة Sxy
sxy = np.sum(dev_x * dev_y)
print(f”قيمة Sxy المحسوبة عبر باييثون: {sxy:.2f}”)

# التحقق بالصيغة المختصرة للبيانات الخام
sxy_raw = np.sum(x * y) – (np.sum(x) * np.sum(y) / len(x))
print(f”قيمة Sxy عبر صيغة البيانات الخام: {sxy_raw:.2f}”)

تتميز المعالجة البرمجية بقدرتها على التعامل مع مصفوفات ضخمة تتضمن ملايين الاستجابات النفسية والتربوية في غضون أجزاء من الثانية، مع توفير إمكانية دمج عمليات حساب Sxy ضمن خطوط أنابيب التعلم الآلي (Machine Learning Pipelines) ونماذج التنبؤ السلوكي المعقدة، مما يربط المفاهيم الإحصائية الكلاسيكية بأحدث التقنيات البرمجية الذكية في عصر معالجة البيانات الضخمة.

خاتمة

في ختام هذا التطواف المعرفي والتحليلي المتعمق، يتجلى لنا بوضوح ساطع أن مقدار Sxy (مجموع حاصل ضرب الانحرافات) يمثل حجر الزاوية الحقيقي والخلية الحركية المركزية التي تتأسس عليها كافة أشكال التحليل الإحصائي ثنائي المتغيرات. إن هذا المقياس الفريد لا يقتصر دوره على كونه خطوة حسابية وسيطة، بل هو تعبير رياضي بليغ عن منطق الاقتران الديناميكي بين الظواهر؛ حيث يترجم الفروق الفردية والتذبذبات السلوكية عن نقاط الاستقرار المتوسطة إلى مقادير تباينية تكشف عن التناسق أو التنافر الكامن بين متغيرات الدراسة.

لقد رأينا عبر المسار الرياضي والتطبيقي كيف تتناغم الصيغة المركزية المعتمدة على انحرافات الدرجات مع الصيغة المختصرة المستندة إلى البيانات الخام لتسفرا عن حقيقة رقمية واحدة قطعية، وكيف يتحول هذا المقدار الأولي، بمجرد تقسيمه على درجات الحرية، إلى مفهوم التغاير المشترك (Covariance)، أو كيف يستقر في بسط نموذج الانحدار ليصنع ميل الخط التنبؤي، أو كيف يُقاس معيارياً داخل معادلة بيرسون ليمنحنا معامل ارتباط مقنن يحدد بصرامة مدى قوة واتجاه العلاقات في أبحاث القياس النفسي والتربوي والعلوم الاجتماعية.

إن إتقان الباحث لآليات حساب Sxy وتفاديه للأخطاء الجبرية المتعلقة بالإشارات والتقريب، وفهمه للشروط المنهجية الصارمة المتعلقة بمستوى القياس والخطية وغياب القيم الشاذة، هو ما يميز المحلل الإحصائي الحصيف عن مجرد المنفذ الميكانيكي للحزم البرمجية. إن العودة إلى هذه الجذور الرياضية الرصينة تمنحنا القدرة على قراءة الأرقام بروح استدلالية نافذة، وتتيح للعلوم السلوكية والإنسانية تحويل الملاحظات الخام إلى قوانين تنبؤية دقيقة تعزز فهمنا للسلوك البشري وترتقي بجودة القرارات الأكاديمية والتطبيقية في مختلف ميادين الحياة المعاصرة.

المراجع

• 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., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Lawrence Erlbaum Associates. https://www.routledge.com/9780805822236
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://www.sagepub.com
• Gravetter, F. J., & Wallnau, L. B. (2017). Statistics for the behavioral sciences (10th ed.). Cengage Learning. https://www.cengage.com
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning. https://www.cengage.com
• Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis (6th ed.). John Wiley & Sons. https://www.wiley.com
• Pedhazur, E. J. (1997). Multiple regression in behavioral research: Explanation and prediction (3rd ed.). Wadsworth Thomson Learning.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson. https://www.pearson.com
• Weisberg, S. (2014). Applied linear regression (4th ed.). John Wiley & Sons. https://doi.org/10.1002/9781118594841