كيفية إنشاء وتفسير مخططات Q-Q في برنامج Stata

يحتل التحقق من الافتراضات الإحصائية مكانة محورية في مسار البحث العلمي المعاصر؛ إذ تتوقف دقة الاستدلال، وصحة اختبارات الفرضيات، وسلامة التعميم على مدى تطابق البيانات مع النماذج الرياضية المفترضة. ومن بين هذه الافتراضات، يبرز افتراض اعتدالية توزيع الأخطاء العشوائية أو البواقي كحجر زاوية في النماذج الخطية الكلاسيكية، ونماذج تحليل التباين، والانحدار المتعدد. إن إغفال فحص هذا الافتراض أو الاعتماد الساذج على أدوات غير ملائمة قد يقود الباحث إلى استنتاجات مضللة، وتضخيم الخطأ من النوع الأول أو الثاني، مما يقوض الرصانة الأكاديمية للدراسة برمتها.

تُعد مخططات التوزيع الرتبوي، المعروفة بمخططات Q-Q (Quantile-Quantile Plots)، من أعمق وأدق الأدوات البصرية التي ابتكرها علماء الإحصاء لتشخيص التوزيعات الاحتمالية ومقارنتها. وعلى خلاف الاختبارات الرقمية الصارمة التي تختزل خصائص البيانات المعقدة في قيمة احتمالية وحيدة متأثرة بشدة بحجم العينة، يوفر مخطط Q-Q خارطة بصرية متكاملة تكشف عن طبيعة التوزيع عبر مختلف مستوياته؛ بدءاً من المركز ووصولاً إلى أقصى الذيول. ويتيح هذا الفحص البصري للمحلل التمييز الدقيق بين الانحرافات الطفيفة المقبولة، والالتواء الممنهج، والتفرطح الحاد، وتأثير القيم الشاذة المتطرفة.

تعتبر حزمة البرمجيات الإحصائية Stata من البيئات الحاسوبية الرائدة عالمياً في القياس الكمي وتحليل البيانات في العلوم الاجتماعية، والنفسية، والطبية، والاقتصادية. توفر Stata ترسانة متقدمة من الأوامر المباشرة والخيارات الرسومية عالية المرونة لإنشاء مخططات Q-Q وتطويعها بما يتوافق مع أعلى معايير النشر العلمي الدولي. يقدم هذا الدليل المرجعي الشامل دليلاً نظرياً وتطبيقياً معمقاً حول كيفية إنشاء وتفسير مخططات Q-Q في برنامج Stata، بدءاً من الأسس الرياضية والخلفية المنهجية، مروراً بالتطبيق البرمجي والتشخيص الدقيق للأنماط المعقدة، ووصولاً إلى المعالجات الإحصائية وصياغة التقارير البحثية وفق معايير جمعية علم النفس الأمريكية (APA).

1. مقدمة نظرية حول مخططات Q-Q ودورها في التحليل الإحصائي

1.1 مفهوم مخطط التوزيع الرتبوي (Quantile-Quantile Plot)

يُعرف مخطط التوزيع الرتبوي (Quantile-Quantile Plot)، واختصاراً مخطط Q-Q، في الأدبيات الإحصائية بأنه أداة تشخيصية بيانية غير معلمية متقدمة تُستخدم لمقارنة توزيعين احتماليين من خلال رسم مئينياتهما أو رتبهما (Quantiles) جنباً إلى جنب في فضاء ثنائي الأبعاد. يُقصد بالرتبة الإحصائية تلك النقطة التي تقسم مجموعة البيانات أو دالة الكثافة الاحتمالية بحيث تقع تحتها نسبة مئوية محددة من المشاهدات. عندما نطبق هذا المفهوم لاختبار اعتدالية متغير ما، فإن المخطط يقوم بفرز البيانات التجريبية المرصودة تصاعدياً ومقارنة كل نقطة بالرتبة المتوقعة نظرياً من التوزيع الطبيعي القياسي عند نفس الاحتمال التراكمي.

تعتمد آلية تمثيل الرتب الملاحظة مقابل الرتب النظرية على التوفيق الدقيق بين التوزيع التجريبي والتوزيع النظري المستهدف. إذا كانت البيانات الملاحظة مستمدة بالفعل من التوزيع النظري المفترض (أو توزيع خطي مكافئ له)، فإن النقاط المرسومة ستصطف بانتظام مذهل على طول خط مستقيم. وتبرز أهمية هذا التمثيل في قدرته الفائقة على الكشف عن الانحرافات المتناهية في الصغر التي قد تعجز المقاييس التلخيصية الكلاسيكية، كالمتوسط والانحراف المعياري، عن إبرازها. فالمخطط لا يكتفي بإخبارنا بوجود انحراف، بل يحدد بدقة متناهية موقع هذا الانحراف: هل يقع في الذيل الأيمن، أم في الذيل الأيسر، أم في مركز التوزيع؟

يمثل هذا المخطط أداة لا غنى عنها في الترسانة المنهجية للباحث الكمي، حيث يتيح تجاوز النظرة التبسيطية للبيانات. فبدلاً من التعامل مع التوزيع ككتلة واحدة مصمتة، يفكك مخطط Q-Q السلوك الاحتمالي للبيانات نقطة بنقطة، مما يمنح المحلل فهماً عميقاً لبنية التباين وخصائص الأخطاء داخل النماذج الإحصائية المختلفة.

1.2 أهمية افتراض التوزيع الطبيعي في النماذج الإحصائية والنفسية

يرتكز الإحصاء الاستدلالي البارامتري، ولا سيما في سياق النماذج الخطية العامة مثل اختبار “ت” (t-test)، وتحليل التباين (ANOVA)، وتحليل الانحدار الخطي المتعدد (Multiple Linear Regression)، على افتراض جوهري مفاده أن الأخطاء العشوائية أو البواقي تتبع توزيعاً طبيعياً بمتوسط حسابي يساوي صفراً وتباين ثابت. تكمن الأهمية القصوى لهذا الافتراض في أن صحة الاختبارات الاستدلالية ودقة حساب القيم الاحتمالية (p-values) وفترات الثقة (Confidence Intervals) مشروطة بصدق هذا التوزيع في العينات المحدودة؛ إذ تعتمد مبرهنة الاستدلال النهائي لمعاملات الانحدار على افتراض التوزيع الطبيعي المشترك للأخطاء.

عندما ينتهك توزيع البواقي افتراض الاعتدالية، فإن التقديرات النقطية لمعاملات الانحدار تظل غير متحيزة بموجب مبرهنة غاوس-ماركوف، ولكن تقديرات الأخطاء المعيارية تفقد كفاءتها ودقتها، مما يؤدي إلى تضليل خطير في تحديد الدلالة الإحصائية للمتغيرات المستقلة. في مثل هذه الحالات، قد يرفض الباحث فرضية العدم بينما هي صحيحة (وقوع في الخطأ من النوع الأول)، أو قد يفشل في اكتشاف تأثيرات حقيقية موجودة بالفعل في المجتمع الأصلي (وقوع في الخطأ من النوع الثاني).

وتكتسي هذه المسألة حساسية خاصة واستثنائية في مجالات البحوث النفسية، والسلوكية، والتربوية؛ حيث تميل القياسات النفسية (مثل درجات القلق، والاكتئاب، والتحصيل، والدافعية) بطبيعتها إلى الالتواء أو التفرطح الحاد نتيجة لظواهر طبيعية مثل “تأثير السقف” (Ceiling Effect) أو “تأثير الأرضية” (Floor Effect)، أو نتيجة لوجود فئات فرعية غير متجانسة داخل العينة. من هنا، يصبح الفحص المتأني لاعتدالية البواقي خطوة منهجية حاسمة تسبق أي تفسير نظري أو تطبيقي لنتائج النماذج الإحصائية في هذه العلوم.

1.3 المقارنة المنهجية بين الفحوص البصرية والاختبارات الإحصائية الصارمة

تشهد الأدبيات المنهجية نقاشاً مستمراً حول المفاضلة بين الفحوص البصرية التشخيصية، مثل مخططات Q-Q ومخططات الكثافة، والاختبارات الدلالية الرقمية الصارمة، مثل اختبار شابيرو-ويلك (Shapiro-Wilk) واختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov). تكمن الميزة المنهجية الكبرى للتشخيص البصري في تحرره من مشكلة “الحساسية المفرطة لحجم العينة” التي تعاني منها الاختبارات الإحصائية الرقمية؛ فالأخيرة تعتمد في بنائها على حجم العينة (N)، مما يجعلها تصدر أحكاماً متباينة وغير عملية في كثير من الأحيان.

ففي العينات الكبيرة جداً (التي تتجاوز مئات أو آلاف المشاهدات)، تصبح الاختبارات الرقمية شديدة الحساسية لأدنى انحراف مجهري لا يكاد يذكر عن التوزيع الطبيعي، وتصدر قيماً دلالية ترفض فرضية الاعتدالية (p < 0.05)، على الرغم من أن هذا الانحراف الطفيف لا يمارس أي تأثير عملي أو حقيقي على استقرار النموذج الخطي أو صحة فترات الثقة، وذلك بفضل قوة مبرهنة النهاية المركزية (Central Limit Theorem). وعلى النقيض من ذلك، في العينات الصغيرة جداً، تفتقر الاختبارات الرقمية إلى القوة الإحصائية الكافية (Statistical Power)، فتفشل في رفض فرضية الاعتدالية حتى مع وجود التواء أو تفرطح جسيم يشوه النتائج تماماً.

من هنا، ينادي علماء القياس والمنهجية بضرورة التكامل الإبستمولوجي والعملي بين المخططات البصرية والمؤشرات الكمية. يوفر مخطط Q-Q للباحث نظرة شمولية وفهماً سياقياً للبيانات، مما يمكنه من تقييم “الأهمية العملية” للانحراف عن التوزيع الطبيعي، في حين تقدم الاختبارات الرقمية معياراً دلالياً مقيداً. إن الجمع المتزن بين الأداة البصرية والفحص الرقمي هو النهج الرصين الذي يضمن اتخاذ قرارات تحليلية متينة تتجنب الوقوع في فخ التفسيرات الآلية الصماء.

2. الإطار الرياضي لإنشاء وتفسير مخططات Q-Q

2.1 حساب الرتب والمئينيات النظرية والتجريبية

يقوم البناء الرياضي لمخطط Q-Q على تحويل البيانات التجريبية المرصودة إلى رتب مئينية ومقارنتها بالقيم المتوقعة من دالة التوزيع التراكمي النظري المستهدف. لإنشاء المخطط لعينة تتكون من $n$ من المشاهدات المستقلة لمتغير ما $Y$، يتم أولاً ترتيب المشاهدات تصاعدياً لتكوين ما يُعرف بإحصاءات الترتيب (Order Statistics)، والتي يُرمز لها بالصيغة الرياضية التالية:

$$y_{(1)} le y_{(2)} le y_{(3)} le dots le y_{(n)}$$

حيث تمثل $y_{(1)}$ القيمة الصغرى المطلقة في العينة، بينما تمثل $y_{(n)}$ القيمة العظمى. بعد ذلك، يتم حساب الاحتمال التراكمي التجريبي المقابل لكل رتبة $i$ (حيث $i = 1, 2, dots, n$) باستخدام صيغ التخطيط التوافقية (Plotting Positions). ومن أشهر هذه الصيغ الرياضية صيغة “بلوم” (Blom’s Formula) وصيغة “فايبول” (Weibull) وصيغة “هازن” (Hazen). تتبنى البرمجيات الإحصائية المتقدمة عموماً صيغة معدلة لمنع وصول الاحتمال إلى 1 أو 0 بالضبط، وتُصاغ دالة التعيين الاحتمالي كالتالي:

$$p_i = \frac{i – a}{n + 1 – 2a}$$

حيث $a$ هو ثابت تعديلي مستمر يقع عادة بين 0 و 0.5 (مثل $a = 3/8$ في صيغة بلوم التي تعطي أفضل تقريب لتوزيع الرتب في حالة التوزيع الطبيعي). بمجرد حساب قيمة الاحتمال التراكمي التجريبي $p_i$ لكل مشاهدة مرتبة، يتم استخدام مقلوب دالة التوزيع التراكمي الطبيعي القياسي (Quantile Function or Probit Function)، والتي يُرمز لها بـ $\Phi^{-1}$، لاستخراج الرتبة النظرية المعيارية المقابلة $z_i$:

$$z_i = \Phi^{-1}(p_i)$$

يتم بعد ذلك تمثيل الأزواج المرتبة $(z_i, y_{(i)})$ كإحداثيات نقطية في المستوى الديكارتي؛ حيث يمثل المحور الأفقي الرتب النظرية المعيارية المستمدة من التوزيع الطبيعي القياسي، بينما يمثل المحور الرأسي القيم التجريبية الملاحظة المقابلة لها.

2.2 دلالة الخط المرجعي المائل بزاوية 45 درجة

يشكل الخط المرجعي المستقيم العنصر التقييمي الأساسي في مخطط Q-Q؛ إذ يمثل المحك المعياري الذي يُقاس عليه التطابق الرياضي بين التوزيع التجريبي الملاحظ والتوزيع النظري المفترض. في حالة معيرة المتغير (أي عندما يكون المتغير بمتوسط يساوي صفراً وانحراف معياري يساوي واحداً)، يكون الخط المرجعي عبارة عن خط تطابق تام يمر بنقطة الأصل بزاوية ميل قدرها 45 درجة، وتكون معادلته الجبرية ببساطة هي $y = z$. أما إذا كانت البيانات غير معيرة وتتبع توزيعاً طبيعياً بمعالم عامة ذات متوسط $\mu$ وانحراف معياري $\sigma$، فإن العلاقة الخطية النظرية تأخذ الصيغة التالية:

$$y_{(i)} = \mu + \sigma z_i$$

في هذه الحالة، يمثل ميل الخط المرجعي قيمة الانحراف المعياري للبيانات $\sigma$، في حين يمثل المقطع الصادي (Intercept) قيمة المتوسط الحسابي $\mu$. في الممارسة الإحصائية، تقوم البرمجيات مثل Stata بتقدير هذا الخط إما عبر التوصيل بين المئينيين 25 و 75 (الربيعين الأول والثالث) لتقليل حساسية الخط المرجعي تجاه القيم الشاذة المتطرفة، أو عبر مطابقة خط الانحدار الخطي البسيط بين الرتب التجريبية والنظرية.

يُفسر الانطباق المحكم والشامل للنقاط على امتداد هذا الخط المستقيم كبرهان رياضي وهندسي قاطع على أن التوزيع التجريبي متطابق في شكله وخصائصه التوزيعية مع التوزيع الطبيعي. وتتيح المسافة العمودية الفاصلة بين أي نقطة تجريبية والخط المرجعي تحديد مقدار ونوع التشتت الإحصائي؛ فالنقاط التي ترتفع عمودياً فوق الخط تشير إلى أن القيم المرصودة أكبر مما يتنبأ به التوزيع النظري، في حين تشير النقاط التي تهبط تحت الخط إلى أن القيم المرصودة أدنى من التوقعات النظرية.

2.3 طبيعة البواقي (Residuals) في تحليل الانحدار الخطي

في سياق النماذج الخطية ونمذجة الانحدار، يقع الكثير من الباحثين في خطأ منهجي شائع يتمثل في فحص التوزيع الطبيعي للمتغير التابع الخام ($Y$) مباشرة قبل بناء النموذج. إن النظرية الإحصائية ونظرية الانحدار الخطي لا تشترطان على الإطلاق أن يكون المتغير التابع غير المشروط طبيعي التوزيع؛ بل إن الشرط الصارم لافتراضات غاوس-ماركوف والتحليل الاستدلالي ينص على أن يكون “التوزيع المشروط” للمتغير التابع معلوماً، وهو ما يكافئ تماماً افتراض اعتدالية حد الخطأ العشوائي غير الملاحظ ($epsilon_i$).

تُعرف البواقي التجريبية الخام ($e_i$) في معادلة الانحدار بأنها الفارق الحسابي الدقيق بين القيمة الملاحظة الفعلية للمتغير التابع ($y_i$) والقيمة المتنبأ بها ($\hat{y}_i$) الناتجة عن النموذج المقدر باستخدام طريقة المربعات الصغرى العادية (OLS):

$$e_i = y_i – \hat{y}_i = y_i – (\hat{\beta}_0 + \hat{\beta}_1 x_{1i} + \hat{\beta}_2 x_{2i} + dots + \hat{\beta}_k x_{ki})$$

تمثل هذه البواقي التقدير التجريبي الوحيد المتاح لحدود الأخطاء العشوائية الحقيقية في المجتمع. وتكمن ضرورة فحص بواقي النموذج بدلاً من المتغير التابع في أن المتغير التابع قد يبدو غير طبيعي التوزيع (كأن يكون متعدد الأنماط أو شديد الالتواء) بسبب تأثير المتغيرات المستقلة الفئوية أو المستمرة التي تفسر هذا التباين. وبمجرد إدخال هذه المتغيرات في معادلة الانحدار وامتصاص أثرها، قد تصبح البواقي المتبقية معتدلة وموزعة توزيعاً طبيعياً متماثلاً تماماً، وهو ما يفي بالشروط الرياضية اللازمة لإجراء الاختبارات الفرضية بدقة متناهية.

3. بيئة العمل في برنامج Stata وإعداد البيانات للتحليل

3.1 تهيئة واجهة Stata والتعامل مع سطر الأوامر وملفات Do-Files

يوفر برنامج Stata بيئة تفاعلية عالية الكفاءة تجمع بين الواجهات الرسومية القائمة على القوائم المنسدلة وسطر الأوامر المباشر، إلى جانب بيئة البرمجة النصية القوية المعروفة بملفات Do-Files. يمثل استخدام ملفات Do-Files الركيزة الأساسية للممارسة البحثية الرصينة وقابلية التكرار العلمي (Reproducibility)؛ حيث تتيح هذه الملفات توثيق كافة مراحل تنظيف البيانات، وتقدير النماذج، وتوليد الرسوم البيانية بدقة فائقة، مما يسهل مراجعة التحليلات وتحديثها مستقبلاً دون الحاجة لإعادة الخطوات يدوياً.

تبدأ الممارسة السليمة للتحليل في Stata بتهيئة مسار العمل وتحديد الدليل التشغيلي (Working Directory) الذي تُحفظ فيه ملفات البيانات والمخرجات الرسومية، وتفعيل تسجيل المخرجات في ملف نصي، إضافة إلى ضبط إعدادات الذاكرة وترميز النصوص لضمان عدم حدوث تعارض في التعامل مع المتغيرات المعقدة. يمكن تنظيم هذه الخطوات التمهيدية في بيئة Stata من خلال كتابة أوامر واضحة تضمن سلاسة العمل، وتفادي تداخل نتائج الجلسات السابقة مع التحليل الراهن.

إن تنظيم الأوامر البرمجية داخل ملف Do-File مقسم إلى أقسام منطقية مدعومة بالتعليقات التوضيحية يمنح الباحث سيطرة كاملة على تدفق التحليل الإحصائي، ويوفر بيئة عمل شفافة تتوافق مع البروتوكولات الصارمة التي تفرضها المجلات العلمية المحكمة ذات معامل التأثير المرتفع.

3.2 استدعاء وفحص مصفوفة البيانات في Stata

لإجراء التطبيقات التشخيصية العملية، يدعم برنامج Stata استيراد مختلف صيغ البيانات الخارجية مثل ملفات Excel و CSV و SPSS، كما يضم مكتبة متكاملة من مجموعات البيانات التدريبية المدمجة التي يمكن استدعاؤها مباشرة باستخدام الأمر sysuse. ومن أشهر هذه المجموعات مصفوفة بيانات السيارات العالمية auto.dta ومصفوفات البيانات الطبية والاجتماعية.

بمجرد تحميل مصفوفة البيانات، تبدأ أولى خطوات الاستكشاف بتشغيل الأمر describe الذي يعرض تقريراً شاملاً يتضمن عدد المشاهدات الإجمالي، وعدد المتغيرات، وأنواع تخزينها في الذاكرة (سواء كانت متغيرات عددية عائمة أو صحيحة أو متغيرات نصية)، بالإضافة إلى بطاقات التعريف الملصقة بالمتغيرات (Variable Labels). يلي ذلك مباشرة فحص المقاييس الوصفية الأساسية لكافة المتغيرات الخاضعة للدراسة باستخدام الأمر الإحصائي الشامل summarize، والذي يوفر ملخصاً رقمياً للمتوسط الحسابي، والانحراف المعياري، والقيم الصغرى والعظمى.

يتيح تدقيق هذه المقاييس الوصفية الأولية للمحلل تكوين صورة استكشافية مبكرة حول النطاقات العددية للبيانات، ورصد المتغيرات التي قد تحتوي على مؤشرات تباين غير منطقية أو قيم تبدو خارج النطاق المقبول قبل الشروع في بناء النماذج الإحصائية المعقدة.

3.3 تنظيف البيانات والتأكد من ملاءمتها لنمذجة الانحدار

تعتبر مرحلة تنظيف البيانات مرحلة مفصلية تسبق أي تشخيص لبواقي الانحدار؛ حيث إن وجود قيم مفقودة لم يتم التعامل معها بشكل منهجي، أو وجود ترميزات خاطئة، قد يشوه تقديرات المعالم ويؤدي إلى إصدار بواقي زائفة لا تمثل البنية الحقيقية للظاهرة. يتطلب الفحص المنهجي التحقق من نمط القيم المفقودة والتأكد مما إذا كانت مفقودة عشوائياً بالكامل (MCAR) أم أن هناك نمطاً منهجياً للفقد يستوجب تطبيق أساليب التعويض المتعدد (Multiple Imputation).

كما يشتمل تنظيف البيانات على التحقق الصارم من طبيعة ترميز المتغيرات الفئوية الاسمية والترتيبية والتأكد من إدراجها كمتغيرات وهمية (Dummy Variables) باستخدام بادئة الفئات في Stata (i.variable)، لضمان عدم معاملتها كمتغيرات متصلة في مصفوفة الانحدار. علاوة على ذلك، يتم إجراء فحوص أولية لمصفوفة الارتباط الخطي بين المتغيرات المستقلة لرصد أي مؤشرات أولية على مشكلة التعدد الخطي التام أو المرتفع (Multicollinearity).

تسهم هذه الإجراءات التحضيرية في تنقية مصفوفة البيانات من الشوائب الإجرائية وأخطاء الإدخال، مما يضمن أن تكون البواقي المستخرجة لاحقاً من نموذج الانحدار معبرة حصرياً عن الخطأ العشوائي والتباين غير المفسر للنموذج النظري المقترح، وليس نتيجة تشوهات في إدخال البيانات الأولية.

4. بناء نموذج الانحدار الخطي واستخراج البواقي في Stata

4.1 تقدير نموذج الانحدار الخطي المتعدد عبر أمر regress

تبدأ العملية التطبيقية لتقييم افتراض اعتدالية البواقي بتقدير نموذج الانحدار الخطي المتعدد في بيئة Stata عبر الأمر الأساسي regress (أو اختصاراً reg). يُصاغ هذا الأمر بكتابة اسم المتغير التابع أولاً، متبوعاً بقائمة المتغيرات المستقلة والمتغيرات الضابطة المراد إدراجها في النموذج. يقوم برنامج Stata فوراً بحساب التقديرات باستخدام خوارزمية المربعات الصغرى العادية وعرض جدول مخرجات متكامل ومفصل.

يتضمن جدول المخرجات ثلاثة أجزاء رئيسية: جدول تحليل التباين (ANOVA Table) الذي يقسم مجموع المربعات الكلي إلى مجموع مربعات النموذج ومجموع مربعات البواقي، وجزء المؤشرات الكلية الذي يعرض قيمة اختبار $F$ الإحصائي والدلالة الإحصائية المقابلة له ($Prob > F$)، ومعامل التحديد ($R^2$)، ومعامل التحديد المعدل ($Adjusted R^2$)، والخطأ المعياري للتقدير (Root MSE). أما الجزء الثالث فيتضمن معاملات الانحدار ($\beta$)، والأخطاء المعيارية لكل معامل، وقيم اختبار $t$، وفترات الثقة عند مستوى 95%.

يجب على الباحث فحص الدلالة الإجمالية للنموذج وجودة التوفيق قبل الانتقال للخطوة التالية، حيث يشير استقرار النموذج ومعنويته الإحصائية إلى أن النموذج يمثل إطاراً مناسباً لاستخراج البواقي وفحص توزيعها التشخيصي.

4.2 حساب وتخزين البواقي باستخدام أمر predict

بعد الانتهاء من تقدير نموذج الانحدار، تظل نتائج النموذج مخزنة في الذاكرة المؤقتة لبرنامج Stata. لاستخراج البواقي وحفظها كمتغير جديد داخل مصفوفة البيانات الحالية، يتم استخدام الأمر التنبؤي اللاحق للتقدير predict مرفقاً بالخيارات التشخيصية المناسبة. يوفر برنامج Stata إمكانية استخراج عدة أنواع من البواقي، لكل منها وظيفة تشخيصية محددة:

• البواقي الخام (Raw Residuals): وتُستخرج باستخدام الخيار residuals أو res، وهي تمثل الفارق المباشر غير المعدل بين القيمة الفعلية والقيمة المتنبأ بها ($e_i = y_i – \hat{y}_i$). وتُعد هذه البواقي الأساسية في فحص افتراضات الانحدار الكلاسيكية.
• البواقي المعيرة (Standardized / Pearson Residuals): وتُستخرج عبر الخيار rstandard، حيث يتم تقسيم البواقي الخام على الانحراف المعياري لتقدير النموذج، مما يجعلها متغيراً بتباين مقارب للواحد الصحيح لتسهيل المقارنة المباشرة.
• البواقي الطلابية (Studentized / Jackknife Residuals): وتُستخرج عبر الخيار rstudent، حيث يُحسب انحراف كل نقطة مع استبعادها مؤقتاً من تقدير النموذج، مما يجعل هذه البواقي شديدة الحساسية والكفاءة في الكشف عن القيم الشاذة المتطرفة التي تمارس نفوذاً غير متكافئ على خط الانحدار.

يتيح تنوع هذه الخيارات في Stata مرونة منهجية فائقة للباحث؛ حيث يمكن توليد البواقي الخام لإنشاء مخططات Q-Q القياسية، وتوليد البواقي الطلابية لإجراء فحوص موازية تكشف التأثيرات المعزولة للمشاهدات الشاذة.

4.3 التحقق من خصائص المتغير الجديد المولد للبواقي

بمجرد إنشاء متغير البواقي، تقتضي قواعد التحليل الإحصائي الرصين إجراء فحص استكشافي سريع للخصائص الرياضية لهذا المتغير الجديد للتأكد من سلامة التقدير البرمجي. من الخصائص الرياضية الثابتة لنماذج المربعات الصغرى العادية التي تتضمن حداً ثابتاً (Intercept) أن المجموع الجبري للبواقي الخام يساوي صفراً، وبالتالي فإن متوسطها الحسابي يجب أن يقترب من الصفر المطلق (ضمن حدود التقريب الحسابي المعياري للحاسوب، مثل $10^{-8}$).

يمكن التحقق من ذلك بسهولة في Stata عبر تطبيق أمر summarize على متغير البواقي المولّد، وملاحظة قيمة المتوسط الحسابي، ومقارنة الانحراف المعياري للبواقي بقيمة الخطأ المعياري للنموذج (Root MSE) الواردة في جدول الانحدار؛ حيث يجب أن يتطابقا تماماً. بعد التأكد من دقة هذه الخصائص، يُستحسن إضافة بطاقة وصفية للمتغير الجديد باستخدام الأمر label variable لتوثيق نوع البواقي وطريقة استخراجها داخل قاعدة البيانات، مما يضمن تنظيم بنية التحليل وقابلية الرجوع إليها بسهولة.

5. إنشاء وتخصيص مخطط Q-Q للبواقي في Stata

5.1 تطبيق أمر qnorm لتوليد المخطط القياسي

يمثل الأمر qnorm (Quantile-Normal Plot) في Stata الأداة الأساسية المتخصصة في توليد مخططات Q-Q لاختبار التوزيع الطبيعي. يتميز هذا الأمر ببنيته البرمجية المباشرة؛ حيث يُكتب الأمر متبوعاً باسم المتغير المراد اختباره، والذي يكون في سياقنا التشخيصي هو متغير البواقي المستخرج من نموذج الانحدار الخطي:

يقوم البرنامج تلقائياً بفرز قيم المتغير، وحساب الرتب المئينية المقابلة، واستدعاء القيم المتوقعة من التوزيع الطبيعي القياسي، ثم رسم النقاط التجريبية مقابل الرتب النظرية. يولد Stata افتراضياً خطاً مرجعياً مستقيماً يمر بنقاط التوزيع الملاحظ ليعبر عن مسار التطابق الطبيعي التام.

يعرض المخطط الافتراضي المحور الرأسي متضمناً القيم التجريبية للبواقي، في حين يمثل المحور الأفقي الرتب النظرية للتوزيع الطبيعي القياسي المعياري. وتوفر هذه الرؤية البصرية الفورية انطباعاً أولياً حاسماً حول مدى توافق البواقي مع نموذج غاوس للتوزيع الطبيعي.

5.2 تخصيص العناصر البصرية والجمالية للرسم البياني

على الرغم من كفاية المخطط الافتراضي للتشخيص الأولي السريع، فإن إعداد الرسوم البيانية للنشر في الدوريات العلمية المرموقة يتطلب تخصيصاً دقيقاً لكافة العناصر الجمالية والتوضيحية للمخطط. تتيح Stata عبر خيارات الرسم البياني (Graph Options) إمكانات هائلة لتعديل المظهر البصري بالكامل.

يمكن تخصيص العناوين عبر الخيار title("...") لإضافة عنوان رئيسي واضح، والخيار subtitle("...") للعنوان الفرعي، بالإضافة إلى إعادة تسمية المحاور بدقة باستخدام ytitle("...") و xtitle("...") لتوضيح المتغيرات ووحدات القياس. كما يمكن التحكم الكامل في مظهر النقاط البيانية (Markers) من حيث الشكل واللون والشفافية عبر الخيارات msymbol() و mcolor() و msize()، مثل استخدام نقاط مصمتة دائرية صغيرة باللون الكحلي الداكن لزيادة وضوح التراكب النقطي.

علاوة على ذلك، يوفر الخيار rlopts() (Reference Line Options) إمكانية التحكم بخصائص الخط المرجعي، كتحويله إلى لون مميز (كاللون القرمزي أو الرمادي الداكن) وضبط سماكته ونمطه (متصل أو متقطع). كما يمكن تعديل المظهر العام لخلفية الرسم وتنسيق الشبكة باستخدام قوالب الرسوم المعتمدة مثل scheme(s2mono) أو القوالب الجرافيكية الحديثة المتوافقة مع معايير الطباعة الأكاديمية.

5.3 حفظ وتصدير المخططات بجودة عالية للنشر الأكاديمي

تفرض المجلات الأكاديمية العالمية معايير تقنية صارمة لجودة الرسوم البيانية وصيغ حفظها لضمان وضوح الطباعة الورقية والرقمية. توفر بيئة Stata الأمر المتقدم graph export الذي يتيح تصدير المخططات المرسومة إلى مسار العمل بمجموعة واسعة من الامتدادات الاحترافية ودقات العرض.

ينقسم تصدير الرسوم البيانية إلى نوعين رئيسيين:

• الرسوم المتجهة (Vector Formats): مثل صيغ EPS (Encapsulated PostScript) و PDF و SVG. تتميز هذه الصيغ بقدرتها اللانهائية على التكبير والتحجيم دون أي فقدان في حدة الخطوط والنقاط، وتُعد الصيغة المفضلة لدى دور النشر الدولية الكبرى مثل Elsevier و Springer و APA.
• الصور النقطية عالية الدقة (High-Resolution Raster Formats): مثل صيغ TIFF و PNG. عند تصدير الصور النقطية، يتيح Stata استخدام المعامل width() أو تحديد كثافة النقاط في البوصة عبر الخيار as(png) لضمان ألا تقل دقة الرسم عن 300 أو 600 نقطة في البوصة (DPI)، وهو المعيار الإلزامي لجمعية علم النفس الأمريكية (APA Style).

يضمن التصدير بهذه المعايير الأكاديمية الدقيقة تقديم الباحث لمخططات تشخيصية احترافية تبرز جودة العمل البحثي وتسهل على المحكمين والقرّاء تقييم النتائج البصرية بكل وضوح وشفافية.

6. القواعد المنهجية لتفسير الأنماط والانحرافات في مخطط Q-Q

6.1 تفسير حالة الاعتدالية والتطابق الخطي

يمثل التفسير المنهجي لمخطط Q-Q جوهر العملية التشخيصية؛ حيث يتجاوز مجرد النظر العابر إلى قراءة دقيقة للأنماط الهندسية للمشاهدات بالنسبة للخط المرجعي. في الحالة المثالية للاعتدالية التامة، تصطف جميع النقاط التجريبية في تشكيل خطي متماسك ينطبق تماماً على الخط المرجعي المائل بزاوية 45 درجة، ممتداً بسلاسة من أقصى الربع السفلي الأيسر إلى أقصى الربع العلوي الأيمن.

ومع ذلك، في البيانات الحقيقية والعلوم التطبيقية، من النادر جداً الحصول على انطباق رياضي مطلق بنسبة 100%. تنص القواعد المنهجية المعتمدة على أن التموجات الطفيفة وغير الممنهجة حول الخط المرجعي في منطقة مركز التوزيع (بين الرتب المعيارية -1 و +1) تُعد طبيعية تماماً ومقبولة إحصائياً؛ نظراً لتقلبات المعاينة العشوائية. كما يُقبل حدوث تباعد طفيف جداً وغير متماسك للنقاط في أطراف الذيول البعيدة (ما بعد الرتبتين -2 و +2) طالما أن النمط العام يحافظ على مساره الخطي المستقيم.

يُعد الحكم بسلامة افتراض الاعتدالية مبرراً منهجياً عندما لا تُظهر النقاط أي انحناء بنيوي أو نمط دوري منتظم؛ حيث يدل هذا التماسك الخطي الشامل على أن تباين البواقي موزع توزيعاً متماثلاً ومتزناً عبر كافة المستويات التنبؤية للنموذج.

6.2 تشخيص الالتواء الإيجابي والسلبي من خلال انحناءات المخطط

يُعد الالتواء (Skewness) من أكثر صور الانحراف عن التوزيع الطبيعي شيوعاً في البيانات السلوكية والاجتماعية، ويظهر في مخطط Q-Q على شكل تقوسات وانحناءات هندسية واضحة المعالم يمكن تشخيص اتجاهها بدقة عالية:

• الالتواء الإيجابي / نحو اليمين (Positive / Right Skewness): يظهر المخطط على شكل منحنى مقعر باتجاه الأعلى (Convex/Upward Curvature) يشبه حرف “U” المفتوح للأعلى. في هذا النمط، ترتفع النقاط في الذيل الأيمن العلوي بشكل حاد وسريع فوق الخط المرجعي، في حين تنضغط النقاط في الذيل الأيسر السفلي وتتقارب فوق الخط أيضاً. يعني هذا النمط هندسياً وجود ذيل طويل من القيم الكبيرة الإيجابية غير المتوقعة في البواقي، مع تركز معظم المشاهدات في الجانب المنخفض.
• الالتواء السلبي / نحو اليسار (Negative / Left Skewness): يظهر المخطط على شكل منحنى محدب باتجاه الأسفل (Concave/Downward Curvature) يشبه القوس المنحني للأسفل. في هذه الحالة، تهبط النقاط في الذيل الأيسر السفلي عميقاً تحت الخط المرجعي، بينما تهبط النقاط في الذيل الأيمن مقتربة من الخط أو تحته. يشير هذا التكوين البصري إلى وجود ذيل ممتد من القيم السالبة المتدنية جداً في البواقي، مما يعكس عدم تماثل التوزيع باتجاه اليسار.

يتيح هذا التوصيف الهندسي الواضح للباحث معرفة اتجاه الالتواء بدقة، مما يرشده لاحقاً إلى نوع التحويل الرياضي المناسب لمعالجة البيانات وإعادة التوزيع إلى مساره الطبيعي.

6.3 تشخيص التفرطح: الذيول الثقيلة والذيول الخفيفة

يقيس التفرطح (Kurtosis) مدى تركز البيانات في الذيول مقارنة بمركز التوزيع، ويُحدث أنماطاً بصرية مميزة في مخطط Q-Q تتخذ أشكالاً شبيهة بحرف “S” الإنجليزي بدرجات متفاوتة:

• التفرطح حاد القمة / الذيول الثقيلة (Leptokurtic / Heavy-Tailed): يظهر المخطط بنمط واضح يشبه حرف “S” العكسي أو المقلوب؛ حيث تنحرف النقاط في الذيل السفلي الأيسر هابطة بشكل حاد تحت الخط المرجعي، بينما ترتفع النقاط في الذيل العلوي الأيمن بشكل حاد فوق الخط المرجعي، مع مرور النقاط بالمركز بميل أشد انحداراً. يعكس هذا النمط احتواء التوزيع على قيم متطرفة وشاذة في كلا الطرفين تفوق بكثير ما يتنبأ به التوزيع الطبيعي، وهو من أخطر الانتهاكات المؤثرة على دقة تباين المعاملات في نماذج الانحدار.
• التفرطح المفلطح / الذيول الخفيفة (Platykurtic / Light-Tailed): يظهر المخطط بنمط هندسي يشبه حرف “S” النظامي المعتدل؛ حيث ترتفع النقاط في الذيل السفلي الأيسر فوق الخط المرجعي، بينما تهبط النقاط في الذيل العلوي الأيمن تحت الخط المرجعي. يشير هذا النمط إلى أن أطراف التوزيع مقطوعة أو قصيرة، وأن البيانات محصورة ضمن نطاق أضيق مما يفرضه التوزيع الطبيعي، كما يحدث غالباً في المقاييس ذات الحدود الإجبارية الصارمة.

يساعد تشخيص التفرطح عبر مخطط Q-Q في اتخاذ قرارات حاسمة بشأن الحاجة لضبط الأخطاء المعيارية أو اعتماد أساليب النمذجة المتينة لحماية النموذج من تأثير الذيول الثقيلة.

7. تحليل القيم المتطرفة والشاذة باستخدام مخطط Q-Q

7.1 تحديد مواضع النقاط الشاذة والمنحرفة عن المسار الخطي

يمثل مخطط Q-Q كاشفاً بصرياً فائق الحساسية للقيم المتطرفة والشاذة (Outliers)؛ حيث تظهر هذه المشاهدات كنقاط منعزلة تماماً تنفصل بحدة عن المسار الخطي العام وتتباعد بمسافات عمودية وأفقية شاسعة في أقصى أطراف الرسم البياني. تكمن القوة التشخيصية للمخطط في قدرته على عزل هذه الحالات الفردية وإبراز مدى ابتعادها عن السلوك التوزيعي لبقية أفراد العينة.

يتيح برنامج Stata مطابقة هذه النقاط الشاذة الظاهرة في المخطط مع أرقام المشاهدات الفعلية في مصفوفة البيانات من خلال استخدام خيارات التوسيم وتوليد الرسوم التفاعلية، أو عبر ربط الفحص البصري بأوامر ترتيب البواقي الطلابية تصاعدياً وتنازلياً. ينبغي على المحلل فحص المشاهدات التي تتجاوز بواقيها الطلابية القيمة المعيارية $\pm 3$، حيث تُصنف إحصائياً كنقاط تطرف حرجة تستوجب التدقيق.

علاوة على ذلك، يُنصح بتعزيز فحص مخطط Q-Q بحساب مقاييس النفوذ والمسافة المتقدمة، مثل مسافة كوك (Cook’s Distance) وقيم الرافعة (Leverage Values)، لتقييم ما إذا كانت النقطة الشاذة المعزولة في المخطط تمثل مجرد قيمة متطرفة في البواقي أم أنها نقطة نفوذ حرجة تؤثر جوهرياً على ميل خط الانحدار وقيم المعلمات المقدرة.

7.2 التمييز بين أخطاء القياس والتباين النفسي الحقيقي

عند اكتشاف قيم متطرفة ومنحرفة بحدة في مخطط Q-Q، يواجه الباحث تحدياً إبستمولوجياً ومنهجياً يتمثل في تحديد المصدر الحقيقي لهذا التطرف قبل اتخاذ أي قرار إجرائي. يجب تقسيم هذه المشاهدات إلى فئتين رئيسيتين:

• أخطاء القياس والإدخال الإجرائية: وتنتج عن أخطاء في الطباعة، أو أعطال في أجهزة التسجيل، أو عدم انضباط المستجيب (مثل الإجابة العشوائية المنتظمة على استبانات القياس النفسي). تُعد هذه الحالات شوائب غير حقيقية يجب تصحيحها بالرجوع للأصل أو حذفها من العينة إذا تعذر التصحيح، دون أن يشكل ذلك أي انتهاك للمصداقية العلمية.
• التباين السلوكي والنفسي الحقيقي: وتحدث عندما تكون القيمة المتطرفة تمثيلاً دقيقاً وصادقاً لاستجابة فرد حقيقي يمتلك سمات استثنائية (مثل حالات الموهبة الفائقة، أو الصدمات النفسية الشديدة، أو العبء المرضي المرتفع). في هذه الحالة، فإن حذف هذه المشاهدات لمجرد “تحسين” شكل المخطط يُعد ممارسة غير أخلاقية وتشويهاً لواقع المجتمع المدروس.

يتطلب التعامل الرصين مع هذه المعضلة فحصاً دقيقاً لملفات الاستجابة الأصلية، ومراجعة اتساق البيانات، والاستناد إلى النظريات التخصصية لتبرير بقاء المشاهدة أو استبعادها من التحليل النهائي.

7.3 التعامل المنهجي مع القيم المؤثرة على استقرار النموذج

عندما يثبت أن القيم الشاذة المنحرفة في مخطط Q-Q هي قيم حقيقية ولكنها تزعزع استقرار النموذج وتؤدي إلى انتهاك جسيم لاعتدالية البواقي، تتوفر أمام الباحث عدة استراتيجيات منهجية رصينة للتعامل معها دون اللجوء للحذف العشوائي المشوه:

تتمثل الاستراتيجية الأولى في إجراء “تحليل الحساسية” (Sensitivity Analysis)؛ حيث يتم تقدير النموذج مرتين: الأولى بوجود المشاهدات الشاذة، والثانية بعد استبعادها مؤقتاً، مع توثيق الفروق في المعاملات والأخطاء المعيارية في تقرير البحث بشفافية تامة. وتتمثل الاستراتيجية الثانية في تطبيق تقنية “التعديل الفينزوري” (Winsorizing) أو تقليم البيانات (Trimming)؛ حيث يتم تعديل القيم المتطرفة جداً وإرجاعها إلى أقرب رتبة مئينية مقبولة (مثل المئين 1 أو 99)، مما يحد من تأثير الذيول الثقيلة مع الحفاظ على الحجم الكامل للعينة.

أما الاستراتيجية الأكثر تفضيلاً في المنهجيات الحديثة، فهي التحول المباشر إلى نماذج الانحدار المتين (Robust Regression) التي تستخدم خوارزميات وزن تكرارية لتقليل وزن المشاهدات الشاذة تلقائياً بناءً على بُعد بواقيها، مما يحمي النموذج من التشويه التوزيعي ويضمن استقرار التقديرات.

8. المقارنة بين مخطط Q-Q وأدوات التشخيص البصري الأخرى في Stata

8.1 مقارنة مخطط Q-Q بمخطط الاحتمال التراكمي P-P Plot

يُعد مخطط الاحتمال التراكمي (Probability-Probability Plot)، واختصاراً مخطط P-P، الأداة البصرية الأقرب لمخطط Q-Q، ويمكن إنشاؤه في Stata عبر الأمر المباشر pnorm. يقوم مخطط P-P برسم الاحتمال التراكمي التجريبي للمشاهدات مقابل الاحتمال التراكمي النظري المتوقع من التوزيع الطبيعي، مما يجعل كلا المحورين محصورين بدقة بين القيمة 0 و 1.

تكمن الفروق الجوهرية والمنهجية بين المخططين في مناطق الحساسية التشخيصية:

• مخطط P-P: يتميز بحساسية فائقة للغاية للكشف عن الانحرافات والتشوهات الواقعة في مركز ووسط التوزيع؛ حيث يؤدي تراكم الاحتمالات في المنتصف إلى تضخيم أي عدم تطابق بصري هناك، ولكنه يصبح ضعيف الحساسية في تشخيص انحرافات الذيول؛ نظراً لتقارب الاحتمالات التراكمية من الصفر والواحد في الأطراف.
• مخطط Q-Q: يتميز بحساسية استثنائية ومتساوية عبر كامل نطاق البيانات، مع تركيز دقيق وعالٍ جداً على أطراف التوزيع والذيول (Tails)؛ حيث يقارن القيم برتبها المعيارية المطلقة، مما يجعله الأداة المثلى للكشف عن التفرطح، والقيم الشاذة، والالتواء الذي يظهر تأثيره الأكبر دائماً في الذيول.

بناءً على ذلك، يُفضل استخدام مخطط Q-Q في معظم التطبيقات التشخيصية لنماذج الانحدار والقياس السلوكي؛ نظراً لأن انتهاكات افتراضات النماذج الخطية غالباً ما تتركز في الذيول وتؤثر مباشرة على الأخطاء المعيارية للاستدلال.

8.2 تكامل مخطط Q-Q مع المدرج التكراري ومنحنى الكثافة

يوفر المدرج التكراري (Histogram) ومنحنيات تقدير كثافة النواة (Kernel Density Estimation) منظوراً تشخيصياً إضافياً يكمل ما يفتقر إليه مخطط Q-Q من حيث الإدراك البصري لشكل التوزيع العام والتعدد النمطي. يتيح برنامج Stata إنشاء مدرج تكراري للبواقي متضمناً منحنى التوزيع الطبيعي النظري المطابق عبر كتابة خيار بسيط مع أمر المدرج: histogram res, normal.

يتيح المدرج التكراري المدعم بمنحنى الكثافة الاحتمالية عبر الأمر kdensity res, normal التحقق الفوري مما إذا كان التوزيع أحادي النمط (Unimodal) أم ثنائي أو متعدد الأنماط (Bimodal/Multimodal). يمثل التعدد النمطي مشكلة هيكلية لا تظهر دائماً بوضوح مباشر في مخطط Q-Q، ولكنه يعكس وجود مجموعات فرعية كامنة غير متجانسة داخل العينة لم تُدرج في النموذج كمتغيرات تفسيرية مستقلة.

ومع ذلك، يعيب المدرجات التكرارية تأثر مظهرها البصري بعدد الفئات وعرضها (Bin Width)، مما قد يعطي انطباعاً خادعاً حول الاعتدالية. هنا يتجلى التكامل المنهجي: يُستخدم المدرج التكراري للتأكد من أحادية النمط، بينما يُعتمد على مخطط Q-Q كمعيار مرجعي دقيق لتقييم انطباق البيانات على الاعتدالية المعيارية.

8.3 استخدام مخطط الصندوق (Boxplot) كفحص تدعيمي

يمثل مخطط الصندوق وطرفيه (Box-and-Whisker Plot) أداة بصرية تلخيصية غير معلمية ممتازة، ويمكن توليده للبواقي في Stata باستخدام الأمر graph box res. يعتمد مخطط الصندوق على الملخص الخماسي للبيانات: القيمة الصغرى، والربيع الأول (Q1)، والوسيط (Q2)، والربيع الثالث (Q3)، والقيمة العظمى، مع تحديد المدى الربيعي (IQR).

يوفر مخطط الصندوق فحصاً تدعيمياً سريعاً من خلال:

• التحقق من تماثل التوزيع: إذا كان خط الوسيط يقسم الصندوق إلى نصفين متساويين، وتساوى طول الطرفين الخارجيين، فإن التوزيع يعتبر متماثلاً تماماً، وهو ما يتطابق مع النمط الخطي لمخطط Q-Q.
• تحديد الالتواء: يشير انزياح الوسيط نحو أسفل الصندوق واستطالة الطرف العلوي إلى الالتواء الموجب، وهو ما يفسر تقوس مخطط Q-Q للأعلى.
• عزل النقاط الشاذة: تظهر القيم الشاذة كنقاط أو دوائر معزولة خارج حدود الطرفين (ما وراء $1.5 times IQR$)، مما يوفر تأكيداً مستقلاً لمواضع النقاط المتطرفة التي ظهرت منفصلة في أطراف مخطط Q-Q.

إن الجمع بين هذه الأدوات البصرية الثلاث (مخطط Q-Q، ومنحنى الكثافة، ومخطط الصندوق) يشكل حزمة تشخيصية بصرية متكاملة تمنح الباحث رؤية لا تقبل الشك حول الخصائص التوزيعية للنموذج.

9. الاختبارات الإحصائية الرقمية المكملة لمخطط Q-Q في Stata

9.1 تطبيق اختبار شابيرو-ويلك (Shapiro-Wilk Test)

يُعد اختبار شابيرو-ويلك (Shapiro-Wilk W Test) من أقوى الاختبارات الدلالية وأكثرها موثوقية في الأدبيات الإحصائية لفحص فرضية العدم القائلة بأن العينة مسحوبة من مجتمع يتبع التوزيع الطبيعي. يوفر برنامج Stata هذا الاختبار عبر الأمر المباشر swilk متبوعاً باسم متغير البواقي.

يعتمد الاختبار على حساب معامل الارتباط الرتبي الموزون بين البيانات المرتبة ومصفوفة التباين المشترك للتوزيع الطبيعي القياسي، منتجاً الإحصاء $W$ الذي تتراوح قيمته بين 0 و 1. تدل قيمة $W$ القريبة جداً من الواحد الصحيح (مثل $W > 0.98$) على توافق عالٍ مع التوزيع الطبيعي. وتتم صياغة القرار الإحصائي بناءً على القيمة الاحتمالية ($p$-value): إذا كانت$p > 0.05$، فإننا نفشل في رفض فرضية العدم ونستنتج اعتدالية توزيع البواقي.

تجدر الإشارة إلى أن تطبيق الأمر swilk في Stata محدد برمجياً للعينات التي يقع حجمها بين 3 و 2000 مشاهدة (وقد تم توسيعها في الإصدارات الحديثة لتصل إلى عينات أكبر)، مما يستدعي استخدام اختبارات موازية عند التعامل مع قواعد البيانات الضخمة جداً.

9.2 تطبيق اختبارات سكيونس-كورتوسيس وشابيرو-فرانشيا

لتجاوز حدود العينة وتفكيك مصادر عدم الاعتدالية، يوفر برنامج Stata اختبارين إضافيين بالغي الأهمية:

• اختبار الالتواء والتفرطح (D’Agostino Skewness/Kurtosis Test): ويُطبق عبر الأمر sktest. يفحص هذا الاختبار دلالة الالتواء ودلالة التفرطح بشكل منفصل، ثم يدمجهما في اختبار كاي-تربيعي ($\chi^2$) مشترك ذي درجتي حرية. تكمن ميزته الكبرى في إخبار الباحث بوضوح: هل يرجع سبب رفض الاعتدالية إلى التواء التوزيع، أم إلى تفرطحه، أم إلى كليهما معاً؟ وهو ما يدعم ويفسر الأنماط المشاهدة في مخطط Q-Q.
• اختبار شابيرو-فرانشيا (Shapiro-Francia Test): ويُطبق عبر الأمر sfrancia. يُعد هذا الاختبار تعديلاً وتطويراً لاختبار شابيرو-ويلك ليتلاءم بكفاءة عالية مع العينات الأكبر حجماً (حتى 5000 مشاهدة)، ويعتمد على إحصاء $W’$ لتقييم استقامة التوزيع في مخطط الرتب.

يتيح إجراء هذين الاختبارين إلى جانب swilk الحصول على تقييم رقمي شامل ومفصل يعزز من قوة التحليل الاستدلالي المقترن بالفحص البصري.

9.3 الموازنة بين الدلالة الإحصائية والرؤية البصرية في العينات الكبيرة

تعتبر الموازنة الإبستمولوجية بين نتائج الاختبارات الرقمية والدلالات البصرية لمخطط Q-Q من أدق المهارات المنهجية التي تميز الباحث الإحصائي الخبير. فكما أشرنا سابقاً، تعاني الاختبارات الرقمية (مثل swilk و sktest) من ظاهرة القوة الإحصائية المفرطة في العينات الضخمة ($N > 1000$)؛ حيث تؤدي أدنى تموجات عشوائية مجهرية لا قيمة لها عملياً إلى الحصول على قيمة احتمالية بالغة الصغر ($p < 0.001$)، مما يعني رفض فرضية الاعتدالية رسمياً.

في مثل هذه المواقف المنهجية، يمنح المحلل الأولوية لمخطط Q-Q؛ فإذا أظهر المخطط اصطفافاً خطياً محكماً ومتماسكاً للنقاط دون انحناءات بنيوية جسيمة، يحق للباحث استناداً إلى مبرهنة النهاية المركزية (CLT) ومبدأ المتانة الاستدلالية (Robustness) قبول فرضية التوزيع الطبيعي للنموذج من الناحية العملية والتطبيقية، واعتماد فترات الثقة الناتجة عن الانحدار كفترات صالحة وغير متحيزة.

تتم صياغة هذا القرار في الأوراق البحثية الرصينة ببيان واضح يشير إلى أن رفض الاختبارات الرقمية للاعتدالية يرجع إلى حساسية العينة الكبيرة، مع الاستشهاد بالانطباق البصري لمخطط Q-Q كدليل على سلامة الافتراض عملياً.

10. تطبيقات متقدمة: فحص توزيعات غير طبيعية عبر مخططات Q-Q في Stata

10.1 فحص التوزيع اللوغاريتمي الطبيعي وتوزيعات أخرى

لا يقتصر المفهوم الرياضي لمخططات Q-Q على مقارنة البيانات بالتوزيع الطبيعي القياسي فحسب، بل يمتد ليشمل اختبار ملاءمة البيانات لأي توزيع احتمالي نظري آخر. وتبرز هذه الحاجة في العلوم الطبية الحيوية، واقتصاديات الصحة، ونماذج الدخل المالي؛ حيث تتبع المتغيرات طبيعياً توزيعات غير متماثلة بطبيعتها.

تتيح منظومة Stata أوامر مخصصة لمقارنة الرتب التجريبية بتوزيعات نظرية متنوعة، ومنها:

• التوزيع اللوغاريتمي الطبيعي (Lognormal Distribution): ويُفحص مباشرة باستخدام الأمر qlnorm، وهو توزيع أساسي للمتغيرات الموجبة دائماً وذات الالتواء الأيمن المرتفع مثل فترات البقاء، ومستويات الدخل، والتكاليف العلاجية.
• التوزيع الأسي وتوزيع وايبل (Exponential & Weibull Distributions): المستخدمين بكثافة في تحليلات البقاء والموثوقية الهندسية.
• توزيع كوشي (Cauchy Distribution): لفحص التوزيعات ذات الذيول الثقيلة جداً وغياب المتوسط المحدود.

إن إتقان هذه الأوامر المتقدمة يوسع آفاق المحلل الإحصائي، متيحاً له الانتقال من مجرد اختبار “هل البيانات تتبع التوزيع الطبيعي؟” إلى “ما هو التوزيع الاحتمالي الدقيق الذي يولد هذه الظاهرة بأعلى كفاءة؟”.

10.2 استخدام مخططات الحزم المتقدمة والإضافات الخارجية في Stata

يمتلك مجتمع مستخدمي Stata مكتبة هائلة من الحزم والإضافات البرمجية المتقدمة التي يطورها كبار الإحصائيين عالمياً عبر مستودع النشر الإحصائي (SSC)، والتي يمكن تثبيتها بسهولة عبر الأمر ssc install package_name. ومن أبرز الحزم المتخصصة في تطوير مخططات Q-Q حزمة qqplot2 وحزمة multnorm.

توفر هذه الحزم المتقدمة ميزات تشخيصية فائقة لا تتوفر في الأمر الافتراضي، ومن أهمها:

• توليد حزم ومناطق الثقة (Confidence Bands / Envelopes): حيث يتم رسم نطاق تباين احتمالي (مثل مجال ثقة 95%) حول الخط المرجعي المائل باستخدام محاكاة مونت كارلو أو التوزيعات التجريبية. يتيح هذا النطاق معياراً بصرياً موضوعياً؛ فإذا بقيت جميع النقاط داخل الحزام المظلل، يُعتبر التوزيع طبيعياً دلالياً، أما إذا خرجت النقاط خارج الحزام، فإن الانحراف يُعد دالاً إحصائياً عند مستوى الثقة المحدد.
• المقارنة المتعددة للمجموعات: إمكانية رسم مخططات Q-Q لعدة مجموعات فرعية متداخلة في رسم بياني واحد وموحد باستخدام رموز وألوان متباينة، لتقييم تجانس التوزيعات عبر الفئات التجريبية المختلفة.

ترتقي هذه الإضافات المتقدمة بجودة التحليل التشخيصي وتضفي على المخرجات البصرية موثوقية عالية تناسب النشر في أرفع المجلات العلمية.

10.3 مخططات Q-Q في سياق النماذج الخطية المعممة (GLM)

عند تجاوز حدود النماذج الخطية الكلاسيكية والانتقال إلى النماذج الخطية المعممة (Generalized Linear Models – GLM)، مثل نماذج الانحدار اللوجستي الثنائي والترتيبي للمتغيرات الفئوية، أو نماذج انحدار بواسون (Poisson) وانحدار الحدين السالب (Negative Binomial) لبيانات العد، يختلف المفهوم النظري للبواقي اختلافاً جوهرياً.

في هذه النماذج غير الخطية، لا يُتوقع من البواقي الخام أن تتبع التوزيع الطبيعي على الإطلاق. بدلاً من ذلك، يتم استخراج “بواقي ديفينس” (Deviance Residuals) أو “بواقي بيرسون الموزونة” (Pearson Residuals) التي يتم تعديلها رياضياً وفقاً لدالة الرابط (Link Function) ودالة التباين المحددة للنموذج. يوفر برنامج Stata استخراج هذه البواقي المتقدمة بعد تقدير النموذج عبر الأمر predict varname, deviance.

يُستخدم مخطط Q-Q في هذا السياق المتقدم لفحص ما إذا كانت بواقي ديفينس تتقارب بشكل مقارب مع التوزيع الطبيعي القياسي، وهو مؤشر حاسم على جودة توفيق النموذج المعمم (Goodness of Fit) وعدم وجود مشكلة تباين زائد غير مفسر (Overdispersion) قد يعيب النماذج اللوجستية أو نماذج العد.

11. المعالجات الإحصائية عند إثبات عدم اعتدالية البواقي

11.1 تطبيق تحويلات البيانات الرياضية (Data Transformations)

عندما يقطع التشخيص البصري عبر مخطط Q-Q والاختبارات الرقمية بوجود انتهاك جسيم لاعتدالية البواقي (كالالتواء الشديد)، تمثل تحويلات البيانات الرياضية خط الدفاع الأول لإعادة مواءمة البيانات مع متطلبات النماذج البارامترية. تعمل هذه التحويلات على تغيير المقياس الحسابي للمتغيرات بطريقة غير خطية تقلص المسافات في المناطق المتباعدة وتوسعها في المناطق المتراصة.

من أشهر التحويلات الرياضية المطبقة في Stata:

• التحويل اللوغاريثمي الطبيعي ($ln(Y)$): ويُعد العلاج الأمثل والأساسي للالتواء الإيجابي الشديد وتزايد التباين. يمكن إجراؤه في Stata بسهولة عبر توليد متغير جديد: generate log_y = ln(y) (بشرط أن تكون جميع القيم موجبة تماماً).
• تحويل الجذر التربيعي ($\sqrt{Y}$): ويستخدم بفاعلية في معالجة الالتواء الإيجابي المعتدل وتثبيت تباين بيانات العد التكراري.
• تحويل مقلوب القيمة ($1/Y$): لعلاج الالتواء الموجب الحاد جداً والانحدارات ذات العلاقات العكسية.
• تحويلات بوكس-كوكس الآلية (Box-Cox Transformations): وهي عائلة متصلة من التحويلات الرياضية القائمة على المعلمة $lambda$. يوفر برنامج Stata الأمر المتقدم boxcox الذي يقوم بتقدير القيمة المثلى رياضياً للمعلمة $lambda$ التي تضمن تحويل المتغير إلى أقصى درجات الاعتدالية الممكنة تلقائياً.

بعد تطبيق التحويل، يجب إعادة بناء نموذج الانحدار، واستخراج البواقي الجديدة، وإعادة رسم مخطط Q-Q للتحقق من نجاح التحويل في تصحيح المسار الخطي للبواقي.

11.2 الانتقال إلى نماذج الانحدار المتين (Robust Regression)

في كثير من الحالات، وخاصة عندما يكون عدم الاعتدالية ناتجاً عن وجود ذيول ثقيلة أو قيم متطرفة حقيقية لا يرغب الباحث في تحويلها أو حذفها، يمثل الانتقال إلى نماذج الانحدار المتين البديل المنهجي الأكثر رصانة وحداثة. يوفر برنامج Stata أدوات قوية لتقدير هذه النماذج دون الحاجة لتغيير طبيعة المتغيرات الأصلية.

يتمثل الخيار الأول في استخدام الأخطاء المعيارية المتينة (Huber-White Sandwich Robust Standard Errors) من خلال إضافة الخيار vce(robust) إلى أمر الانحدار الخطي regress. يعمل هذا الخيار على تصحيح الأخطاء المعيارية ومستويات الدلالة الإحصائية وفترات الثقة لتكون متينة ومقاومة لعدم تجانس التباين وعدم اعتدالية الأخطاء، مع بقاء معاملات الانحدار دون تغيير.

أما الخيار الثاني فيتمثل في استخدام خوارزميات الانحدار المتين التكراري الكامل، مثل أمر rreg (Robust Regression) في Stata. يطبق هذا الأمر خوارزمية تكرارية بالمربعات الصغرى ذات الأوزان المتغيرة (Huber and Biweight iterations)؛ حيث يتم تخفيض وزن المشاهدات تدريجياً كلما كبرت بواقيها، وصولاً إلى إعطاء وزن صفر للمشاهدات الشديدة التطرف، مما ينتج معاملات انحدار مستقرة تماماً لا تتأثر بانتهاك اعتدالية البواقي.

11.3 الاعتماد على أساليب إعادة التعيين اللامعلمية (Bootstrapping)

تمثل أساليب إعادة المعاينة اللامعلمية، والمعروفة بالبوتستراب (Bootstrapping)، ثورة منهجية في الإحصاء التطبيقي الحديث لتجاوز كافة الافتراضات التوزيعية المقيدة. تقوم فكرة البوتستراب على التعامل مع العينة الأصلية باعتبارها مجتمعاً زائفاً، ويتم سحب آلاف العينات العشوائية المتكررة منها بالاسترجاع (Resampling with Replacement) لبناء التوزيع التجريبي الفعلي لتقديرات المعلمات.

يدعم برنامج Stata تطبيق البوتستراب بسهولة مذهلة في أوامر الانحدار عبر الخيار vce(bootstrap, reps(k))، حيث يتم تحديد عدد مرات إعادة المعاينة (عادة ما بين 1000 إلى 5000 تكرار). يقوم Stata بحساب فترات الثقة اللامعلمية المعيارية والمئينية (Percentile & Bias-Corrected Confidence Intervals) بناءً على التوزيع التجريبي الحقيقي للمعاملات دون افتراض أي توزيع طبيعي للأخطاء العشوائية.

يُعد أسلوب البوتستراب الحل المثالي والأكثر قبولاً في الأبحاث النفسية المعاصرة، ولا سيما عند اختبار التأثيرات غير المباشرة في نماذج التوسط والاعتدال (Mediation and Moderation Models)، حيث تفتقر البواقي وحواصل ضرب المعاملات بطبيعتها الرياضية إلى التوزيع الطبيعي.

12. دراسة حالة تطبيقية وصياغة التقرير الإحصائي وفق معايير APA

12.1 سيناريو تطبيقي شامل من استيراد البيانات إلى التشخيص النهائي

لتجسيد كافة المفاهيم السابقة في إطار تطبيقي موحد، نفترض دراسة نفسية واجتماعية تهدف إلى فحص تأثير “مستوى الضغوط النفسية المتصورة” ($Stress$) و”ساعات النوم اليومية” ($Sleep$) و”الدعم الاجتماعي” ($Support$) على “مستوى الأداء الوظيفي” ($Performance$) لدى عينة قوامها 250 موظفاً. سنستعرض خطوات التحليل المتسلسلة في بيئة Stata من خلال الأوامر الإجرائية التالية:

تبدأ الخطوة الأولى بتقدير نموذج الانحدار الخطي المتعدد واستخراج البواقي التشخيصية:

regress Performance Stress Sleep Support

predict raw_res, residuals

predict stud_res, rstudent

تتمثل الخطوة الثانية في إنشاء مخطط Q-Q المخصص للبواقي وتصديره بجودة أكاديمية عالية:

qnorm raw_res, title("مخطط Q-Q لبواقي نموذج الأداء الوظيفي") xtitle("الرتب النظرية للتوزيع الطبيعي") ytitle("البواقي التجريبية الملاحظة") mcolor(navy) msymbol(circle) rlopts(lcolor(cranberry) lwidth(medium))

graph export "qqplot_final.png", width(2400) replace

تتمثل الخطوة الثالثة في تطبيق الاختبارات الرقمية المرافقة:

swilk raw_res

sktest raw_res

بإجراء هذا الفحص المتكامل، إذا أظهر مخطط Q-Q اصطفافاً متماسكاً للبواقي حول الخط المرجعي وتطابقت نتائج swilk بقيمة احتمالية ($p = 0.245 > 0.05$)، يتأكد الباحث من استيفاء افتراض الاعتدالية بالكامل ويشرع في تفسير معلمات النموذج بأمان وموثوقية.

12.2 صياغة وتوثيق نتائج فحص البواقي ومخطط Q-Q في الأوراق البحثية

تقتضي معايير جمعية علم النفس الأمريكية في إصدارها السابع (APA 7th Edition) توثيقاً دقيقاً وموجزاً لاستيفاء افتراضات النماذج الإحصائية داخل قسم النتائج في البحث العلمي. تُصاغ الفقرة المنهجية الخاصة باختبار اعتدالية البواقي بأسلوب أكاديمي محكم على النحو التالي:

“قبل الشروع في تفسير معاملات نموذج الانحدار الخطي المتعدد، تم التحقق من استيفاء الافتراضات الإحصائية الأساسية؛ حيث خضعت بواقي النموذج للفحص البصري والرقمي لتقييم افتراض التوزيع الطبيعي. أظهر الفحص البصري لمخطط الرتب المئينية (Q-Q Plot) للبواقي اصطفافاً خطياً متسقاً للمشاهدات على طول الخط المرجعي النظري، دون ملاحظة أي انحناءات تدل على التواء جسيم أو تفرطح ذي ذيول ثقيلة. وعُززت هذه النتيجة بالفحص الرقمي لاختبار شابيرو-ويلك الذي أكد عدم وجود انتهاك دال إحصائياً لافتراض اعتدالية البواقي ($W = 0.991, p = .312$). وبناءً على تكامل الأدلة البصرية والرقمية، تم اعتماد النموذج الخطي وتفسير معاملاته بثقة استدلالية تامة.”

عند إدراج مخطط Q-Q كشكل إيضاحي (Figure) في الورقة البحثية وفق دليل APA، يجب ترقيمه بوضوح (مثل Figure 1)، ووضع عنوان وصفي بخط مائل تحته، مع كتابة ملاحظة تفسيرية موجزة (Note) أسفل الرسم تبين نوع البواقي المستخدمة والخط المرجعي الموضح.

12.3 الأخطاء الشائعة في استخدام وتفسير مخطط Q-Q وكيفية تجنبها

يقع العديد من الباحثين وطلاب الدراسات العليا في أخطاء منهجية متكررة عند التعامل مع مخططات Q-Q، نلخص أبرزها وكيفية تجنبها في النقاط التالية:

• فحص المتغير التابع بدلاً من البواقي: وهو الخطأ الأكثر شيوعاً؛ حيث يقوم الباحث برسم مخطط Q-Q للمتغير التابع الخام ويحكم بفشل النموذج لعدم اعتداليته، متجاهلاً أن افتراض الاعتدالية ينطبق حصراً على توزيع الأخطاء المشروطة (البواقي) بعد ضبط أثر المتغيرات التفسيرية.
• المبالغة في تفسير التموجات العشوائية في الذيول: الوقوع في فخ الحساسية المفرطة ومحاولة تفسير أي تباعد طفيف للنقاط الأخيرة في الذيول كانتهاك للاعتدالية، في حين أن هذا التذبذب يُعد سلوكاً طبيعياً لتشتت المعاينة في الأطراف ما دام النمط العام مستقيماً.
• إهمال الفحص البصري والاعتماد الحصري على الاختبارات الرقمية: التخلي التام عن مخطط Q-Q والاعتماد فقط على قيمة $p$-value لاختبار شابيرو-ويلك، مما يؤدي إلى رفض غير مبرر للنماذج الصالحة في العينات الكبيرة أو قبول نماذج معيبة في العينات الصغيرة.
• تجاهل السياق النظري للمتغيرات: اتخاذ قرارات متسرعة بحذف الحالات المتطرفة الظاهرة في المخطط لتحسين استقامة الخط دون فهم المعنى السلوكي والنفسي لهذه القيم في سياق الظاهرة المدروسة.

إن تجنب هذه العثرات المنهجية يضمن للباحث توظيفاً واعياً ومحترفاً لمخططات Q-Q كأداة تشخيصية وبصرية رفيعة المستوى تعزز من دقة ونزاهة الاستدلال الإحصائي في البحوث العلمية.

خاتمة

تمثل مخططات التوزيع الرتبوي (Q-Q Plots) في برنامج Stata إحدى أعمق وأدق الأدوات التشخيصية البصرية في الإحصاء التطبيقي الحديث. ومن خلال الجمع الواعي بين الأساس الرياضي المتين للرتب المئينية والإمكانات البرمجية الهائلة لبيئة Stata، يستطيع الباحث تشخيص البنية التوزيعية الدقيقة لبواقي النماذج الخطية بكفاءة استثنائية تتجاوز القصور المنهجي للاختبارات الرقمية الصارمة. إن إتقان تفسير أنماط الالتواء والتفرطح والقيم الشاذة، وتطبيق المعالجات الإحصائية المتطورة من تحويلات رياضية ونماذج انحدار متين وأساليب البوتستراب، يشكل صمام الأمان لضمان سلامة الاستدلال ورصانة النتائج البحثية وتوافقها مع أرقى معايير النشر في المجلات العلمية الدولية.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Blom, G. (1958). Statistical estimates and transformed variables. John Wiley & Sons.
• Box, G. E., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211-243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
• D’Agostino, R. B., Belanger, A., & D’Agostino, R. B., Jr. (1990). A suggestion for using powerful and informative tests of normality. The American Statistician, 44(4), 316-321. https://doi.org/10.1080/00031305.1990.10475751
• Efron, B., & Tibshirani, R. J. (1994). An introduction to the bootstrap. CRC Press. https://doi.org/10.1201/9780429246593
• Gould, W. (2007). Linear regression with Stata. StataCorp LLC.
• Huber, P. J. (1981). Robust statistics. John Wiley & Sons. https://doi.org/10.1002/0471725250
• Mitchell, M. N. (2012). A visual guide to Stata graphics (3rd ed.). Stata Press.
• Royston, P. (1992). Approximating the Shapiro-Wilk W-test for non-normality. Statistics and Computing, 2(3), 117-119. https://doi.org/10.1007/BF01891203
• Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591-611. https://doi.org/10.2307/2333709
• StataCorp. (2023). Stata graphics reference manual: Release 18. Stata Press. https://www.stata.com/manuals/g.pdf
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wilk, M. B., & Gnanadesikan, R. (1968). Probability plotting methods for the analysis of data. Biometrika, 55(1), 1-17. https://doi.org/10.2307/2334448
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning.