كيفية إنشاء وتفسير مخططات التشتت في SPSS

تُعد عملية استكشاف البيانات الإحصائية (Exploratory Data Analysis) حجر الزاوية في أي بحث علمي رصين، لا سيما في حقول العلوم النفسية والتربوية والاجتماعية التي تتعامل مع ظواهر بشرية وسلوكية بالغة التعقيد والتشابك. قبل الشروع في بناء النماذج الرياضية المتقدمة، أو اختبار الفرضيات الإحصائية البارامترية المعقدة كالانحدار المتعدد والنمذجة البنائية، يواجه الباحث تحدياً جوهرياً يتمثل في فهم البنية التوزيعية الدقيقة لبياناته، والتحقق البصري من طبيعة العلاقات التي تربط بين متغيراته المدروسة. هنا تبرز مخططات التشتت (Scatterplots) بوصفها الأداة البيانية الأكثر فاعلية وقوة في ترجمة المصفوفات الرقمية الصامتة إلى فضاءات هندسية ناطقة، تكشف بوضوح عن الاتجاهات، والأنماط، والتشوهات، والارتباطات الدقيقة التي قد تعجز المؤشرات الإحصائية التلخيصية المجردة عن إظهارها بمفردها.

تكمن فرادة مخطط التشتت في قدرته الاستثنائية على منح الباحث نظرة شمولية وتفصيلية متزامنة؛ فهو لا يقدم مجرد رقم ملخص لقوة العلاقة كمعامل ارتباط بيرسون، بل يعرض المشهد التجريبي بكافة تفاصيله النقطية الحية. يتيح ذلك للباحث رصد استجابة كل فرد أو حالة داخل العينة، واستجلاء طبيعة التوزيع المشترك للمتغيرات، والتحقق البصري المباشر من افتراضات الخطية (Linearity)، والاعتدالية الثنائية (Bivariate Normality)، وتجانس تباين الأخطاء (Homoscedasticity)، علاوة على كشف القيم الشاذة والمتطرفة (Outliers) والنقاط ذات الرافعة العالية (Leverage Points) التي قد تؤدي إلى تضليل التحليلات الإحصائية ونسف مصداقية النتائج العلمية بالكامل إذا ما تم إغفالها أو التعامل معها بسطحية.

يمثل برنامج الحزمة الإحصائية للعلوم الاجتماعية IBM SPSS Statistics البيئة الحاسوبية الرائدة والمفضلة لدى علماء النفس والباحثين السلوكيين لإنشاء وتطوير هذه المخططات البيانية بدقة متناهية. يقدم هذا الدليل الشامل والمفصل خارطة طريق أكاديمية وعملية متكاملة تهدف إلى تزويد الباحثين، وطلاب الدراسات العليا، والمحللين الإحصائيين بالمهارات المنهجية والتقنية اللازمة لإنشاء مختلف أشكال مخططات التشتت وتخصيصها وتفسيرها تحليلياً ونقدياً داخل بيئة SPSS. سنستعرض عبر هذا المقال التطبيقي المعمق كل ما يتعلق بهذا التمثيل البياني الحيوي، بدءاً من الأسس الرياضية والنظرية، مروراً بالإجراءات البرمجية التفصيلية عبر منشئ المخططات (Chart Builder) والقوائم الكلاسيكية ولغة الأوامر (Syntax)، ووصولاً إلى استخراج خطوط الانحدار، ونمذجة العلاقات المعقدة متعددة الأبعاد، وضبط المخرجات البيانية لتتوافق تماماً مع المعايير القياسية للجمعية الأمريكية لعلم النفس (APA Style).

1. مقدمة إلى مخططات التشتت وأهميتها في التحليل الإحصائي النفسي

1.1 تعريف مخطط التشتت وطبيعته البيانية الإحصائية

يُعرَّف مخطط التشتت (Scatterplot)، والذي يُطلق عليه أحياناً رسم الانتشار أو سحابة النقاط (Scatter Diagram / Scattergram)، بأنه تمثيل بياني رياضي ثنائي الأبعاد يعتمد على نظام الإحداثيات الديكارتية (Cartesian Coordinate System) لعرض القيم المشتركة لمتغيرين كميين مستمرين مقاسين على مستوى مقياس الفترة (Interval Scale) أو مقياس النسبة (Ratio Scale). في هذا الفضاء الهندسي، يُخصص المحور الأفقي (X-Axis) تقليدياً لتمثيل المتغير المستقل، أو المتغير المتنبئ (Predictor Variable)، بينما يُخصص المحور الرأسي (Y-Axis) لتمثيل المتغير التابع، أو متغير النتيجة والاستجابة (Outcome/Criterion Variable).

يتم تمثيل كل وحدة ملاحظة أو مشارك في العينة البحثية بنقطة مفردة (Data Point / Marker) يحدد موقعها الإحداثي الدقيق زوج القيم الخاص بها: $(X_i, Y_i)$. عندما تتجمع هذه النقاط الفردية معاً داخل فضاء الرسم، فإنها تشكل ما يُعرف اصطلاحاً بـ “السحابة النقطية” (Point Cloud). تكمن القوة الإحصائية والبصرية الهائلة لهذا التمثيل في قدرته على تحويل جداول البيانات الرقمية المعقدة والضخمة إلى بناء بصري تركيبي يتيح للدماغ البشري التقاط الأنماط الكلية، وإدراك درجة التماسك والارتباط، ورصد الانحرافات والتشوهات المكانية في غضون ثوانٍ معدودة، وهو ما يتعذر تحقيقه عبر مجرد التحديق في الأرقام الصامتة.

من المنظور الإبستيمولوجي في الإحصاء النفسي، لا يقتصر مخطط التشتت على كونه مجرد وسيلة عرض إيضاحية، بل هو أداة استدلالية بصرية تأسيسية ترتكز على إتاحة الفرصة للبيانات لتروي قصتها الحقيقية دون فرض قيود مسبقة. يتيح المخطط للباحث معاينة مدى انتشار الظاهرة عبر مستويات القياس المختلفة، وتقييم ما إذا كانت العلاقة الرياضية بين المتغيرين تأخذ شكلاً مستقيماً متسقاً، أو نمطاً منحنياً متغيراً، أو مجرد تجمع عشوائي لا رابط بين مكوناته.

1.2 دور مخططات التشتت في الاستكشاف الأولي للبيانات السيكومترية

تحظى مخططات التشتت بأهمية استثنائية في سياق القياس النفسي (Psychometrics) والبحث السلوكي؛ نظراً للطبيعة المركبة والافتراضية للمتغيرات النفسية مثل الذكاء، والقلق، ودافعية الإنجاز، وتقدير الذات، والاحتراق النفسي. إن الاعتماد الحصري والمباشر على المقاييس الإحصائية البارامترية الكلاسيكية، مثل معامل ارتباط بيرسون ($r$)، دون إجراء فحص بياني تمهيدي عبر مخطط التشتت، يُعد مخاطرة منهجية بالغة الجسامة؛ إذ يفترض معامل بيرسون وجود علاقة خطية منتظمة وثابتة عبر كامل نطاق القياس، وهو افتراض كثيراً ما ينكسر في الواقع الميداني السيكومتري.

يقوم مخطط التشتت بدور الفاحص المنهجي الأول والدرع الواقي للباحث ضد الوقوع في الاستنتاجات الزائفة. من خلاله، يستطيع الباحث رصد ظواهر التجمع الجزئي أو الطبقي داخل العينة (Subgroup Clustering)، حيث قد تتصرف فئات معينة من الأفراد (مثل الذكور مقابل الإناث، أو المرضى مقابل الأصحاء) بطرق متباينة جذرياً داخل نفس المتغيرين، مما يؤدي إلى ظهور أنماط تشتت مركبة تحتاج إلى ضبط المتغيرات الدخيلة. كما يتيح المخطط رصد مشكلات “أثر السقف” (Ceiling Effect) أو “أثر الأرضية” (Floor Effect) في الاختبارات والمقاييس النفسية، والتي تتجلى بيانياً في تراكم غير طبيعي للنقاط عند الحواف القصوى أو الدنيا لمحاور القياس، مشيرة بوضوح إلى عدم قدرة أداة القياس على التمييز بين مستويات القدرة العالية أو المنخفضة جداً.

علاوة على ذلك، يزود مخطط التشتت الباحثين بالقدرة على صياغة فرضيات استكشافية جديدة لم تكن ملحوظة عند تصميم الدراسة؛ فالرؤية البصرية للبيانات قد تكشف عن فئات فرعية غير متوقعة، أو علاقات غير خطية تفتح آفاقاً نظرية واعدة وتوجه مسار التحليلات الإحصائية المتقدمة لاحقاً، مما يجعل الفحص الاستكشافي للبيانات السيكومترية عملية حوارية حية بين الباحث ومعطياته الواقعية.

1.3 مقارنة مخطط التشتت بالرسوم البيانية الأخرى (الأعمدة والهيستوغرام)

تتعدد الرسوم البيانية المتاحة في برمجيات التحليل الإحصائي، إلا أن لكل رسم بياني وظيفة منهجية ومجال تطبيق محدد يستند أساساً إلى مستوى قياس المتغيرات (Level of Measurement) وطبيعة السؤال البحثي المراد الإجابة عنه. تبرز الرسوم البيانية الشريطية (Bar Charts) والمخططات الدائرية (Pie Charts) كأدوات موجهة حصرياً لتمثيل البيانات الاسمية (Nominal) والرتبية (Ordinal)؛ حيث تختص بمقارنة التكرارات، أو النسب المئوية، أو متوسطات المجموعات المنفصلة التي تمثل فئات غير متصلة (Discrete Categories). إن محاولة استخدام الأعمدة لدراسة الارتباط بين متغيرين مستمرين يؤدي حتماً إلى فقدان الطبيعة المتصلة للبيانات وتشويه التباين المشترك (Covariance) الذي يُبنى عليه التحليل الارتباطي.

من ناحية أخرى، يُعد المخطط التكراري أو الهيستوغرام (Histogram) ومخطط الكثافة (Density Plot) من الأدوات البيانية الممتازة لفحص توزيع متغير كمي مستمر، إلا أن نطاق عملها يظل مقيداً بالفضاء أحادي المتغير (Univariate Space). يقدم الهيستوغرام معلومات بالغة الأهمية حول شكل توزيع متغير واحد، مثل درجة التفرطح (Kurtosis) والالتواء (Skewness) ومواقع التمركز والانتشار، لكنه يعجز بنيوياً عن إظهار كيفية تباين هذا المتغير بالتزامن والتوافق مع متغير كمي آخر.

هنا يتجلى التفرد المنهجي لمخطط التشتت باعتباره الأداة المخصصة حصرياً لتحليل الفضاء ثنائي المتغيرات (Bivariate Space) للمقاييس الكمية المستمرة. إنه لا يكتفي بإظهار النطاق التوزيعي لكل متغير على حدة عبر امتداده على محوره الخاص، بل يدمج التوزيعين في بنية تفاعلية واحدة تكشف التباين المشترك، وتوضح الاقتران اللحظي بين كل نقطة على المحور الأفقي ومقابلتها على المحور الرأسي. يوضح الجدول التالي مقارنة منهجية بين هذه الرسوم البيانية الأساسية:

• مخطط التشتت (Scatterplot): مخصص لمتغيرين كميين مستمرين أو أكثر (Scale/Continuous)؛ يهدف إلى كشف طبيعة وقوة واتجاه العلاقات الارتباطية، ورصد القيم الشاذة الثنائية، وفحص خطية وتجانس التباين.
• المخطط التكراري (Histogram): مخصص لمتغير كمي مستمر واحد (Scale)؛ يهدف إلى تقييم الاعتدالية، ورصد الالتواء والتفرطح، ومعاينة تكرار الدرجات الخام ضمن فئات رقمية متصلة.
• الرسم البياني الشريطي (Bar Chart): مخصص لمتغير تصنيفي نوعي (Nominal/Ordinal) مع متغير كمي ملخص أو تكرار؛ يهدف إلى مقارنة الفروق بين المتوسطات أو المجموعات المستقلة والمنفصلة.
• مخطط الصندوق والطرفين (Boxplot): مخصص لمتغير كمي عبر فئات تصنيفية؛ يهدف إلى عرض الوسيط، والمدى الربيعي (IQR)، وكشف القيم المتطرفة أحادية المتغير بدقة.

2. المفاهيم الإحصائية الأساسية المرتبطة بتفسير مخططات التشتت

2.1 مفهوم الارتباط الخطي وقوة العلاقة بين المتغيرات

يرتكز التفسير الإحصائي لمخططات التشتت على استيعاب المبادئ الرياضية التي تحكم الارتباط الخطي (Linear Correlation). يُشير الارتباط الخطي إلى الدرجة التي تميل بها النقاط في السحابة البيانية إلى الاصطفاف حول مسار مستقيم افتراضي يمر عبر مركز كثافة البيانات. تُقاس قوة هذه العلاقة كمياً من خلال معامل ارتباط بيرسون ($r$)، والذي تتراوح قيمته بدقة بين$-1.00$ و $+1.00$. بيانياً، تنعكس قوة الارتباط بشكل مباشر وتطبيقي في درجة تقارب النقاط وتراصها حول هذا الخط المستقيم المتخيل.

عندما تكون العلاقة بين المتغيرين قوية جداً (تتجاوز قيمة $|r| ge 0.80$)، تتجمع النقاط في شريط رفيع وكثيف شديد التماسك؛ بحيث يمكن للعين البشرية أن تتبع المسار الخطي بيسر ودقة شبه مطلقة، ويكون التشتت العمودي للنقاط حول الخط في أدنى مستوياته الممكنة. في المقابل، عندما تكون العلاقة متوسطة القوة (حيث تتراوح قيمة $|r|$ تقريباً بين $0.40$ و $0.60$)، تتخذ سحابة النقاط شكلاً بيضاوياً (Elliptical Shape) متسعاً؛ حيث يظل الاتجاه العام للمسار واضحاً، لكن مع وجود تشتت وتذبذب ملموس للنقاط حول خط المركز.

أما في حالات العلاقات الضعيفة جداً ($|r| < 0.30$)، فإن السحابة النقطية تفقد تماسكها البيضاوي وتنتشر على مساحة واسعة تقترب من الشكل الضبابي أو الكروي؛ مما يشير إلى أن التغير في درجات المتغير المستقل لا يرافقه تغير منظم أو متسق في درجات المتغير التابع، وبالتالي تكون القدرة التنبؤية للنموذج الخطي شبه منعدمة.

2.2 اتجاه العلاقة: الارتباط الموجب والارتباط السالب

يُمثل اتجاه العلاقة (Direction of Relationship) البعد التحليلي الثاني في قراءة مخطط التشتت، ويتم التعبير عنه هندسياً من خلال إشارة ميل السحابة النقطية (Slope). يُصنف الارتباط بيانياً إلى ثلاثة اتجاهات رئيسية:

• الارتباط الموجب أو الطردي (Positive Correlation): يتجلى في ميل صاعد للسحابة النقطية من أسفل اليسار إلى أعلى اليمين في الفضاء الديكارتي (Positive Slope). يعني هذا النمط أن القيم المرتفعة في المتغير المستقل ($X$) تقترن منهجياً بقيم مرتفعة في المتغير التابع ($Y$)، والعكس صحيح؛ فالقيم المنخفضة تقترن بقيم منخفضة. في علم النفس، يظهر هذا النمط بوضوح عند دراسة العلاقة بين الذكاء والتحصيل الأكاديمي، أو بين الدعم الاجتماعي المدرك وجودة الحياة النفسية.
• الارتباط السالب أو العكسي (Negative Correlation): يتجلى في ميل هابط للسحابة النقطية من أعلى اليسار إلى أسفل اليمين (Negative Slope). يوضح هذا النمط أن الزيادة في درجات المتغير المستقل تقترن بانخفاض منظم ومطرد في درجات المتغير التابع. من الأمثلة السيكولوجية الكلاسيكية على هذا النمط: العلاقة بين شدة أعراض الاكتئاب والرضا عن الحياة، أو العلاقة بين قلق الاختبار والدرجات التحصيلية النهائية.
• انعدام الارتباط الخطي (Zero / No Linear Correlation): يظهر عندما تتخذ النقاط شكلاً دائرياً تماماً (Circular Dispersion) أو نمطاً أفقياً أو عمودياً مبعثراً دون أي ميل واضح؛ حيث يقترب معامل الارتباط من الصفر ($r \approx 0.00$)، مما يعني عدم وجود أي اقتران خطي بين المتغيرين المدروسين.

2.3 العلاقات غير الخطية (Non-linear) والمنحنية في علم النفس

من أهم المزايا المنهجية التي يتفوق بها مخطط التشتت على المؤشرات الرقمية التلخيصية قدرته الحصرية على كشف العلاقات غير الخطية والمنحنية (Non-linear / Curvilinear Relationships) التي تميز العديد من الظواهر النفسية والسلوكية المعقدة. إذا طبق الباحث معامل ارتباط بيرسون الخطي على بيانات تتبع نمطاً منحنياً، فقد يحصل على معامل ارتباط قريب جداً من الصفر ($r \approx 0$)، مما يدفعه بالخطأ إلى استنتاج عدم وجود علاقة بين المتغيرين، في حين أن هناك في الواقع علاقة بنيوية شديدة القوة ولكنها غير خطية.

من أشهر الأمثلة السيكولوجية على العلاقات المنحنية “قانون يركس-دودسون” (Yerkes-Dodson Law)، الذي يصف العلاقة بين مستوى الاستثارة والانفعال (Arousal/Anxiety) ومستوى الأداء العقلي والمهاري. يظهر هذا القانون في مخطط التشتت على شكل حرف U مقلوب (Inverted U-Shape)؛ حيث يؤدي انخفاض القلق إلى أداء منخفض بسبب ضعف الدافعية، بينما يؤدي الارتفاع المعتدل للقلق إلى الوصول بذروة الأداء (Optimum Performance)، لكن بمجرد تجاوز القلق لهذه العتبة الحرج، ينحدر الأداء بشدة نحو القاع نتيجة التشتت والارتباك.

تشمل الأنماط المنحنية الأخرى العلاقات اللوغاريتمية والأسية، والعلاقات التكعيبية التي تأخذ شكل الحرف S أو مسارات متعرجة. عند اكتشاف مثل هذه الانحناءات البيانية في مخطط التشتت داخل SPSS، يتعين على الباحث التحول منهجياً من نماذج الارتباط والانحدار الخطي البسيط إلى استخدام أساليب الانحدار المنحني (Curvilinear Regression) أو تطبيق تحويلات رياضية على المتغيرات (مثل التحويل اللوغاريتمي $log(X)$ أو التحويل التربيعي $X^2$) لإعادة الخطية للعلاقة قبل المضي قدماً في التحليل.

3. إعداد وتجهيز البيانات في برنامج SPSS قبل التمثيل البياني

3.1 هيكلة المتغيرات وضبط مقاييس القياس (Scale Variables)

تتطلب عملية بناء الرسوم البيانية الإحصائية الموثوقة داخل بيئة SPSS Statistics تنظيماً وتجهيزاً دقيقاً للمتغيرات في مرحلة إدخال البيانات الأولية. في نافذة عرض المتغيرات (Variable View)، يجب على الباحث فحص وتعديل الأعمدة الأساسية التي تحدد كيفية قراءة البرنامج ومعالجته لتلك المتغيرات:

• عمود مستوى القياس (Measure): يُعد هذا الإعداد بالغ الأهمية عند استخدام أدوات المخططات التفاعلية مثل Chart Builder. يجب التأكد من ضبط مستوى قياس المتغيرين المراد رسمهما على خيار Scale (مقياس كمي)، ممثلاً بأيقونة المسطرة الصفراء. إذا كان أحد المتغيرين مضبوطاً خطأً على أنه اسمي (Nominal) أو رتبي (Ordinal)، فقد يرفض البرنامج إدراجه على محاور مخطط التشتت البسيط أو يتعامل معه كفئات تجميعية مشوهة.
• عمود تسمية المتغير (Label): يُنصح بشدة بكتابة التسمية الوصفية الكاملة والصحيحة للمتغيرات باللغة الأكاديمية الدقيقة؛ إذ يقوم SPSS تلقائياً باستخدام هذه التسميات كعناوين رسمية للمحاور في المخطط البياني بدلاً من الأسماء البرمجية المختصرة المسجلة في عمود Name.
• عمود القيم (Values): في حال الرغبة بإنشاء مخططات تشتت مجمعة حسب الفئات (Grouped Scatterplots)، يجب التأكد من ترميز المتغير التصنيفي بوضوح (مثال: $1 = text{ذكور}$، $2 = text{إناث}$).

3.2 فحص البيانات المفقودة (Missing Data) والتعامل معها

تمثل القيم المفقودة (Missing Values) إحدى المشكلات المنهجية المزمنة في البحوث الميدانية السيكومترية. عند إنشاء مخطط تشتت ثنائي، فإن نقطة البيانات تتطلب وجود قيمة صالحة ومسجلة لكلا المتغيرين ($X$ و $Y$) لنفس الحالة المعنية. إذا كانت القيمة مفقودة لأحد المتغيرين، فلن يتمكن البرنامج من تحديد موقع النقطة على شبكة الإحداثيات الديكارتية.

يتعامل SPSS افتراضياً مع القيم المفقودة في الرسوم البيانية وفق مبدأ الحذف لكل زوج أو الحذف بالقائمة استناداً إلى الطريقة المستخدمة:

• الحذف على مستوى الحالة أو القائمة (Listwise Deletion): يتم فيه استبعاد أي مشارك يمتلك قيمة مفقودة في أي من المتغيرات الداخلة في الرسم أو التحليل المصاحب. تضمن هذه الطريقة تطابق العينة الممثلة بيانياً مع العينة المحسوبة في جداول الانحدار، ولكنها قد تؤدي إلى تقليص حجم العينة الفعلي وتراجع القوة الإحصائية إذا كان الفقد عشوائياً.
• الحذف الزوجي (Pairwise Deletion): يتم استبعاد الحالات التي تفتقر إلى أحد المتغيرين قيد المقارنة الثنائية المباشرة فقط، مع الإبقاء عليها في مقارنات المتغيرات الأخرى.

من الضروري للباحث قبل توليد المخطط مراجعة نافذة تعريف القيم المفقودة (Missing Values Definition) في SPSS لتحديد الأكواد الرقمية المخصصة للمفقودات (مثل $-99$ أو $999$)، حتى لا يفسرها البرنامج كقيم حقيقية متطرفة تؤدي إلى تشويه المحاور وسحب خطوط الانحدار إلى مناطق وهمية خارج نطاق القياس المنطقي.

3.3 بناء سيناريو تطبيقي عملي (ساعات الاستذكار مقابل درجات الاختبار)

لتطبيق المفاهيم النظرية والإجرائية عبر هذا الدليل، سنعتمد على سيناريو تجريبي عملي مستمد من بيئة القياس التربوي والنفسي. نفترض أن باحثاً يرغب في دراسة العلاقة التنبؤية بين “عدد ساعات الاستذكار الأسبوعية” (متغير مستقل: $X$) و”الدرجة النهائية في اختبار الإحصاء النفسي” (متغير تابع:$Y$) لدى عينة استكشافية تتكون من 15 طالباً جامعياً.

تم إدخال البيانات في واجهة عرض البيانات (Data View) في برنامج SPSS، حيث تباينت ساعات الاستذكار من $5$ إلى $35$ ساعة أسبوعياً، بينما تباينت الدرجات التحصيلية المقابلة من $45$ إلى $95$ درجة من أصل $100$. تم التحقق من سلامة البيانات ومستويات القياس (Scale) لكلا المتغيرين لتكون جاهزة تماماً للتحويل إلى تمثيلات بيانية تفاعلية ومتقدمة عبر مختلف نوافذ وأدوات التحليل في SPSS.

4. خطوات إنشاء مخطط التشتت البسيط عبر منشئ المخططات (Chart Builder)

4.1 الوصول إلى أداة Chart Builder واستكشاف واجهتها

تُعد أداة منشئ المخططات (Chart Builder) البيئة الرسومية الأكثر حداثة ومرونة وتفاعلية داخل حزمة SPSS الإحصائية؛ حيث تتيح للباحث بناء الرسوم البيانية المتقدمة بنظام السحب والإفلات (Drag-and-Drop) مع معاينة فورية ومباشرة لكيفية توزيع العناصر البصرية. للوصول إلى هذه الأداة المتقدمة، نتبع المسار الآتي عبر شريط القوائم العلوي:

Graphs -> Chart Builder...

عند النقر على هذا الخيار، قد تظهر للمستخدم رسالة تنبيهية تطلب التحقق من ضبط مستويات القياس (Measurement Levels) للمتغيرات؛ نضغط على OK للدخول إلى الواجهة الرئيسية. تتكون واجهة Chart Builder من أربعة أقسام جوهرية:

• قائمة المتغيرات (Variables List): تقع في أقصى يسار الشاشة، وتعرض جميع متغيرات ملف البيانات الحالي مع أيقونات توضح مستوى قياس كل متغير.
• معرض المخططات (Gallery): يقع في الجزء السفلي، ويحتوي على تبويبات تفصيلية لمختلف أنواع الرسوم البيانية؛ ومنها تبويب Scatter/Dot المخصص لمخططات التشتت والنقاط.
• لوحة المعاينة التفاعلية (Canvas Area): المساحة المركزية الكبيرة التي يتم فيها إسقاط نماذج المخططات وتوزيع المتغيرات عليها لمعاينتها هيكلياً.
• لوحة خصائص العناصر (Element Properties): نافذة جانبية منبثقة تتيح التحكم الدقيق في إعدادات المحاور، والإحصاءات المعروضة، والخطوط، والنقاط.

4.2 سحب وإسقاط المتغيرات على المحاور الإحداثية

لإنشاء مخطط تشتت بسيط يدرس العلاقة الثنائية بين متغيرين، نتبع الخطوات التفصيلية الآتية داخل واجهة منشئ المخططات:

1. من تبويب Gallery في الجزء السفلي، انقر فوق فئة Scatter/Dot لعرض نماذج مخططات التشتت المتاحة.
2. حدد النموذج الأول في الزاوية اليسرى العليا، وهو نموذج Simple Scatter (مخطط التشتت البسيط)، ثم اضغط عليه مع الاستمرار في السحب، وأفلته داخل لوحة المعاينة التفاعلية (Canvas) الكبرى. ستظهر على الشاشة شبكة إحداثيات فارغة تحتوي على مربعات إفلات مخصصة للمحورين الأفقي والرأسي.
3. من قائمة المتغيرات في اليسار، حدد المتغير المستقل (في نموذجنا: ساعات الاستذكار الأسبوعية)، واسحبه وأفلته داخل مربع الإسقاط المخصص للمحور الأفقي: X-Axis?.
4. حدد المتغير التابع (في نموذجنا: درجات اختبار الإحصاء)، واسحبه وأفلته داخل مربع الإسقاط المخصص للمحور الرأسي: Y-Axis?.

بمجرد إفلات المتغيرين، ستتحول لوحة المعاينة لعرض شكل تخطيطي تقريبي للمخطط مع تسمية المحاور بأسمائها الحقيقية، مع ملاحظة أن التوزيع النقطي في لوحة المعاينة هو رسم افتراضي للمعاينة فقط ولا يمثل التوزيع الفعلي لبياناتك حتى هذه اللحظة.

4.3 توليد المخطط وتصديره إلى نافذة المخرجات (Output Viewer)

بعد التحقق من التوزيع الصحيح للمتغيرات على محاور الرسم، يتم الضغط على زر OK الموجود في أسفل يمين واجهة Chart Builder. سيقوم محرك الرسم الإحصائي في SPSS فوراً بمعالجة البيانات وتوليد مخطط التشتت الفعلي، ثم تصديره وإدراجه كعنصر رسومي عالي الجودة داخل شاشة عارض المخرجات (IBM SPSS Statistics Viewer).

في شاشة المخرجات، يظهر المخطط التشتتي البسيط معبراً عن كل حالة في العينة بنقطة إحداثية مستقلة. يتعين على الباحث في هذه الخطوة إجراء مراجعة أولية للشكل للتأكد من أن جميع الحالات المتوقعة قد تم تمثيلها، والتأكد من عدم وجود تشوهات جذرية في تموضع المحاور قبل الشروع في عمليات التخصيص والتحليل المتقدمة.

5. الطرق البديلة لإنشاء مخططات التشتت في SPSS (Legacy Dialogs وSyntax)

5.1 استخدام القوائم الكلاسيكية (Legacy Dialogs)

على الرغم من التطور الكبير لأداة Chart Builder، إلا أن العديد من المحللين الإحصائيين المخضرمين يفضلون استخدام القوائم الكلاسيكية التراثية المعروفة باسم Legacy Dialogs. تتميز هذه القوائم بالسرعة الفائقة، والواجهات المباشرة الموفرة للوقت، وقلة استهلاك موارد المعالجة الحاسوبية، خاصة عند التعامل مع مجموعات بيانات ضخمة جداً (Big Datasets).

لإنشاء مخطط التشتت عبر القوائم الكلاسيكية، نتبع المسار التالي:

Graphs -> Legacy Dialogs -> Scatter/Dot...

تفتح هذه النافذة صندوق حوار يتيح خمسة خيارات رئيسية: Simple Scatter (بسيط)، Overlap Scatter (متداخل)، Matrix Scatter (مصفوفي)، Simple 3-D Scatter (ثلاثي الأبعاد)، و Individual/Summary Points. نقوم باختيار Simple Scatter ثم نضغط على زر Define.

في الشاشة التالية، يتم نقل المتغير التابع إلى خانة Y Axis، والمتغير المستقل إلى خانة X Axis عبر أسهم النقل المباشرة. كما توفر هذه الواجهة خياراً مفيداً وسريعاً وهو Label Cases by؛ حيث يمكن إدراج متغير رقم التعريف (ID) لتسمية الحالات الشاذة مباشرة على الرسم. بعد الانتهاء، نضغط على OK ليتم إنشاء المخطط فوراً في عارض المخرجات.

5.2 كتابة وتنفيذ الأوامر البرمجية عبر SPSS Syntax

يمثل استخدام لغة الأوامر البرمجية SPSS Syntax المستوى المتقدم من الاحترافية والموثوقية في التحليل الإحصائي؛ إذ تضمن هذه الطريقة قابلية تكرار التحليلات وإعادة إنتاجها بدقة متطابقة (Reproducibility & Replicability)، وتتيح أرشفة خطوات المعالجة البيانية والتوثيق الأكاديمي الصارم للمشاريع البحثية الضخمة.

يمكن توليد مخطط التشتت برمجياً باستخدام الأمر التقليدي GRAPH أو الأمر الأكثر تقدماً وعصرية GGRAPH المقترن بنظام مواصفات لغة الرسومات الإحصائية (GPL). الصيغة البرمجية المباشرة لأمر الرسم الكلاسيكي هي:

GRAPH
  /SCATTERPLOT(BIVAR)=Hours WITH ExamScore
  /MISSING=LISTWISE.

أما الصيغة البرمجية الحديثة الأكثر مرونة والمدعومة من نظام Chart Builder والتي تتيح إدراج خطوط الانحدار وتعديل الخصائص المتقدمة، فيتم توليدها تلقائياً عند الضغط على زر Paste داخل واجهة منشئ المخططات بدلاً من الضغط على OK، وتأخذ البنية الهيكلية الآتية:

GGRAPH
  /GRAPHDATASET NAME="graphdataset" VARIABLES=Hours ExamScore MISSING=LISTWISE REPORTMISSING=NO
  /GRAPHSPEC SOURCE=INLINE.
BEGIN GPL
  SOURCE: s=userSource(id("graphdataset"))
  DATA: Hours=col(source(s), name("Hours"))
  DATA: ExamScore=col(source(s), name("ExamScore"))
  GUIDE: axis(dim(1), label("ساعات الاستذكار الأسبوعية"))
  GUIDE: axis(dim(2), label("درجات اختبار الإحصاء"))
  ELEMENT: point(position(Hours*ExamScore))
END GPL.

يتم تظليل الكود البرمجي في نافذة Syntax Editor ثم الضغط على الزر الأخضر (Run Current / Play) لتنفيذ الأمر وتوليد المخطط في نافذة المخرجات في أجزاء من الثانية.

5.3 المقارنة التقنية بين منشئ المخططات وأكواد Syntax

يتوقف الاختيار المنهجي بين استخدام واجهة Chart Builder وكتابة أكواد Syntax على أهداف التحليل، ومستوى خبرة الباحث، وحجم المشروع العلمي المراد إنجازه. يوضح الجدول التحليلي التالي أبرز الفروق التقنية والمنهجية بين النهجين:

• منشئ المخططات (Chart Builder): يوفر تجربة تفاعلية وبصرية فائقة، ويتيح المعاينة اللحظية لشكل الرسم والتجريب السريع للمتغيرات والألوان دون الحاجة لحفظ أوامر برمجية، مما يجعله مثالياً للمبتدئين وللاستكشاف الأولي السريع للبيانات.
• لغة الأوامر (Syntax): توفر أقصى درجات التحكم الهندسي والبرمجي، وتسمح بالمعالجة الدفعية (Batch Processing) لأوامر الرسم المتكررة لعشرات المتغيرات بضغطة زر واحدة، فضلاً عن سهولة مشاركة الأكواد وتضمينها في ملاحق الأبحاث العلمية لضمان الشفافية وقابلية التكرار.

6. تخصيص وتعديل المظهر البصري لمخطط التشتت (Chart Customization)

6.1 تعديل نطاقات المحاور ونقاط البداية (Axis Scale and Origins)

يولد برنامج SPSS الرسوم البيانية افتراضياً بنطاقات محاور تبدأ تلقائياً من أدنى قيمة مسجلة في البيانات أو بالقرب منها، بدلاً من البدء من الصفر المطلق. في سياق القياس النفسي والتربوي، قد يؤدي هذا الاقتطاع التلقائي إلى تضخيم بصري غير دقيق للفروق أو المسافات بين النقاط. لتعديل المحاور ونقاط البداية، نستخدم محرر المخططات (Chart Editor):

1. انقر نقراً مزدوجاً (Double-click) فوق مخطط التشتت داخل نافذة المخرجات لفتح نافذة Chart Editor المنفصلة.
2. انقر نقراً مزدوجاً على أرقام تدريج المحور الرأسي (Y-Axis) لفتح نافذة الخصائص (Properties Window)، ثم توجه إلى تبويب Scale.
3. في خانة Minimum (الحد الأدنى)، قم بإلغاء تحديد خيار Auto واكتب القيمة: 0 لجعل المحور يبدأ من الصفر المطلق.
4. في خانة Maximum (الحد الأقصى)، حدد القيمة القصوى للمقياس (مثال: 100).
5. في خانة Major Increment (الفواصل التدريجية الكبرى)، حدد خطوة التدريج (مثال: 10 أو 20) لضمان سهولة قراءة الفواصل الرقمية.
6. اضغط على Apply لتطبيق التعديلات فوراً على المخطط.

6.2 تنسيق النقاط البيانية (Data Markers)

يُعد التحكم في شكل ولون وحجم النقاط البيانية عنصراً حاسماً في جودة الإدراك البصري؛ خاصة عند وجود تداخل مفرط للنقاط (Overplotting) ناتج عن كبر حجم العينة أو تكرار الدرجات المتطابقة. داخل نافذة Chart Editor، يمكن إجراء التعديلات الآتية عبر النقر المزدوج على أي نقطة بيانية:

• تعديل الحجم والشكل (Marker Size & Type): من تبويب Marker في نافذة الخصائص، يمكن تقليص حجم النقاط من الحجم الافتراضي إلى حجم أصغر (مثل 3 أو 4 نقاط) لمنع التراكب، أو تغيير شكل النقطة من دائرة مفرغة إلى دائرة مصمتة أو مربع أو مثلث لزيادة وضوح التباين.
• الألوان والحدود (Fill & Border): من تبويب Color، يمكن تعيين ألوان متناسقة وعالية التباين للنقاط، أو اختيار التدرج الرمادي (Grayscale) إذا كان المخطط معداً للنشر في مجلات ورقية تشترط الطباعة أحادية اللون.
• الشفافية (Transparency): تتيح إصدارات SPSS الحديثة ضبط درجة الشفافية للنقاط؛ بحيث تظهر المناطق التي تتكدس فيها حالات متعددة فوق بعضها البعض بلون أكثر قتامة وكثافة تلقائياً، مما يمنح الباحث تقديراً بصرياً دقيقاً لكثافة التوزيع المشترك.

6.3 إضافة النصوص وتسميات البيانات (Data Labels and Titles)

يتطلب العرض الأكاديمي الرصين ضبط كافة العناصر النصية للمخطط؛ بما يضمن استقلالية الرسم البياني وقدرته على إيصال رسالته العلمية بذاته دون الاعتماد الكلي على قراءة متن البحث:

• تحرير عناوين المحاور: انقر نقراً مفرداً على تسمية المحور لتحرير النص واستبدال الرموز البرمجية بمصطلحات علمية دقيقة مقترنة بوحدات القياس المعتمدة (مثال: الدرجة النهائية في اختبار الإحصاء النفسي (0-100)).
• إضافة العنوان الرئيسي والفرعي: من شريط أدوات Chart Editor، انقر على أيقونة Title لإدراج عنوان وصفي أعلى المخطط، واستخدم خيار Subtitle لإضافة معلومات العينة أو المجموعات.
• إظهار تسميات البيانات (Data Labels): لتحديد هوية المشاركين أو قيم الدرجات مباشرة بجوار النقاط، انقر على أيقونة Show Data Labels (شكل نقطة مع بطاقة)، واختر المتغير المراد إظهاره (مثل رقم الحالة ID أو الدرجة) من تبويب Data Value Labels.

7. إضافة خط الاتجاه العام ونماذج الانحدار (Fit Lines and Regression)

7.1 إدراج خط الانحدار الخطي الكلي (Linear Fit Line at Total)

يُمثل خط الانحدار الخطي الكلي (Linear Fit Line) التجسيد الهندسي الرياضي لعلاقة الارتباط الخطي والتنبؤ الإحصائي القائم على طريقة المربعات الصغرى العادية (Ordinary Least Squares – OLS). يعمل هذا الخط كمسار مرجعي يقلل إلى أدنى حد ممكن مجموع مربعات المسافات العمودية (الرواسب أو الأخطاء: Residuals) بين النقاط الفعلية والخط التنبؤي.

لإدراج خط الانحدار الخطي الكلي داخل برنامج SPSS:

1. افتح المخطط في نافذة Chart Editor بالنقر المزدوج عليه.
2. من شريط الأدوات العلوي أو من قائمة Elements، انقر على أيقونة Fit Line at Total (أيقونة تظهر خطاً مستقيماً يمر عبر سحابة نقاط).
3. ستفتح نافذة الخصائص تلقائياً على تبويب Fit Line. تأكد من تحديد خيار Linear (خطي) تحت قسم Fit Method.
4. اضغط على Apply؛ وسيتم فوراً رسم خط مستقيم دقيق يمر عبر مركز السحابة النقطية ممتداً عبر كامل نطاق المحور الأفقي.

يتيح هذا الخط للباحث تقييم جودة النموذج التنبؤي بصرياً؛ فالنقاط القريبة جداً من الخط تمثل حالات ذات أخطاء تنبؤية منخفضة، بينما تشير النقاط البعيدة عمودياً عن الخط إلى تباين متبقٍ مرتفع لم يتمكن المتغير المستقل من تفسيره.

7.2 عرض معادلة الانحدار وقيمة معامل التحديد (R²)

عند تفعيل خط الانحدار الخطي في SPSS، يقوم البرنامج تلقائياً بعرض معادلة الانحدار الخطية البسيطة وقيمة معامل التحديد ($R^2$ / R-Square) مباشرة داخل مساحة المخطط البياني في بطاقة نصية مستقلة.

تأخذ المعادلة الرياضية المعروضة الصيغة الكلاسيكية التالية:

$$Y = a + bX$$

حيث يمثل ($a$) قيمة الثابت أو القاطع (Intercept)، وهو قيمة المتغير التابع المتوقعة عندما تكون قيمة المتغير المستقل مساوية للصفر، بينما يمثل ($b$) ميل الانحدار (Slope)، والذي يحدد مقدار الزيادة أو النقصان المتوقع في المتغير التابع لكل زيادة بمقدار وحدة واحدة في المتغير المستقل.

أما قيمة $R^2$ (R-Square)، فتُعد المقياس الإحصائي الأكثر جوهرية لتفسير جودة الملاءمة (Goodness of Fit)؛ حيث تعبر عن النسبة المئوية الدقيقة من التباين الكلي في المتغير التابع التي يمكن تفسيرها والتنبؤ بها من خلال المتغير المستقل. على سبيل المثال، إذا أظهر المخطط أن $R^2 = 0.642$، فهذا يعني علمياً أن $64.2%$ من التباين في درجات اختبار الإحصاء يُعزى منهجياً إلى الاختلاف في عدد ساعات الاستذكار، بينما تعود النسبة المتبقية ($35.8%$) إلى عوامل وأخطاء عشوائية أخرى غير متضمنة في النموذج الخطي البسيط.

7.3 تطبيق خطوط التنعيم المحلية (LOESS) لاكتشاف الانحناءات

عندما يشك الباحث في أن العلاقة بين المتغيرين ليست خطية تماماً، أو عندما يرغب في استكشاف النمط الحقيقي للبيانات دون فرض نموذج رياضي مسبق (Non-parametric Approach)، يُعد تطبيق تقنية خط التنعيم المحلي أو ما يُعرف بـ LOESS (Locally Estimated Scatterplot Smoothing) الأداة الاستكشافية المثلى.

تقوم خوارزمية LOESS بحساب مسار منحني مرن يتحرك عبر السحابة النقطية عن طريق بناء انحدارات موضعية مرجحة لأجزاء صغيرة متتالية من البيانات عبر نطاق المتغير المستقل. لتفعيل خط LOESS في SPSS:

• داخل نافذة Chart Editor، ومن تبويب Fit Line في نافذة الخصائص، حدد خيار Loess بدلاً من Linear.
• حدد نسبة البيانات المستخدمة في التنعيم الموضعي عبر خيار Kernel Bandwidth / Proportion of points (النسبة الافتراضية الشائعة هي $50%$ أو $0.5$).
• اختر دالة الترشيح المناسبة، مثل Epanechnikov أو Tricube، ثم اضغط على Apply.

إذا تطابق مسار خط LOESS تقريباً مع خط الانحدار الخطي المستقيم، فإن ذلك يقدم برهاناً بصرياً قوياً على تحقق افتراض الخطية (Linearity Assumption). أما إذا أظهر خط LOESS انحناءات حادة، أو تموجات متصاعدة وهابطة، فإن ذلك ينبه الباحث بوضوح إلى فشل النموذج الخطي وضرورة اعتماد النماذج المنحنية أو اللوجستية.

8. إنشاء وتفسير مخططات التشتت المتقدمة (المجمعة والمصفوفية)

8.1 مخطط التشتت المجمع حسب الفئات (Grouped Scatterplot)

في العديد من الدراسات النفسية، يرغب الباحث في فحص ما إذا كانت العلاقة الارتباطية بين المتغيرين الكميين تختلف وتتنوع باختلاف فئات متغير نوعي تصنيفي (مثل: الذكور مقابل الإناث، أو المجموعة التجريبية مقابل المجموعة الضابطة). يُطلق على هذا التمثيل اسم مخطط التشتت المجمع (Grouped Scatterplot)، ويُعد أداة بصرية ممتازة لكشف تفاعلات الاعتدال (Moderation Effects).

لإنشاء هذا المخطط المتقدم عبر Chart Builder:

1. اختر نموذج Grouped Scatter من معرض Scatter/Dot (النموذج الثاني الذي يحتوي على نقاط بألوان مختلفة) واسحبه للوحة المعاينة.
2. أسقط المتغير المستقل على محور $X$، والمتغير التابع على محور$Y$.
3. اسحب المتغير التصنيفي (مثل: النوع الاجتماعي) وأفلته داخل المربع المخصص في الزاوية العلوية اليمنى المسمى: Set color أو Panel by.
4. اضغط على OK لتوليد المخطط.

داخل نافذة Chart Editor، يمكن الضغط على خيار Fit Line at Subgroups لرسم خط انحدار مستقل بلون مميز لكل فئة فرعية. يتيح ذلك للباحث مقارنة ميول الخطوط (Slopes) بصرياً؛ فإذا كانت الخطوط متوازية تقريباً، دل ذلك على تماثل العلاقة بين المجموعات وعدم وجود تفاعل، أما إذا كانت الخطوط متقاطعة (Crossed Slopes) أو متباينة الميول بشدة، فإن ذلك يقدم دليلاً بيانياً ساطعاً على وجود أثر اعتدالي يتطلب تطبيق تحليل الانحدار التفاعلي الهرمي.

8.2 مصفوفة مخططات التشتت (Scatterplot Matrix)

عند التعامل مع دراسات قياسية متعددة المتغيرات (Multivariate Studies) تشتمل على ثلاثة متغيرات كمية أو أكثر، تصبح محاولة إنشاء مخطط تشتت منفصل لكل زوج من المتغيرات عملية مرهقة ومجزأة. تبرز مصفوفة مخططات التشتت (Scatterplot Matrix / SPLOM) كحل بياني متكامل يعرض كافة العلاقات الثنائية الممكنة بين المتغيرات في شبكة مصفوفية واحدة متماسكة.

لإنشاء مصفوفة التشتت عبر المسار الكلاسيكي:

Graphs -> Legacy Dialogs -> Scatter/Dot -> Matrix Scatter -> Define

يتم نقل جميع المتغيرات الكمية المراد فحصها (مثال: القلق، دافعية الإنجاز، التحصيل السابق، والدرجة النهائية) إلى خانة Matrix Variables، ثم الضغط على OK.

ينتج عن ذلك مصفوفة بصرية مربعة بأبعاد ($k \times k$) حيث ($k$) هو عدد المتغيرات. يُقسم القطر الرئيسي للمصفوفة الرسوم البيانية؛ حيث يمثل كل مربع تقاطع متغيرين محددين. تتم قراءة المصفوفة بالتماثل عبر القطر، وتتيح للباحث في نظرة بانورامية واحدة فحص الارتباطات الخطية المتبادلة، واكتشاف مشكلات التداخل الخطي المتعدد (Multicollinearity) بين المتغيرات المستقلة قبل الشروع في بناء نماذج الانحدار المتعدد، فضلاً عن تحديد المتغيرات الأكثر ارتباطاً بالمتغير التابع بكفاءة بالغة.

8.3 مخططات التشتت ثلاثية الأبعاد (3D Scatterplots)

تُمثل مخططات التشتت ثلاثية الأبعاد (3-D Scatterplots) امتداداً لنظام الإحداثيات الديكارتية ليشمل ثلاثة محاور مستمرة متعامدة في الفضاء الفراغي: المحور السيني ($X$)، والمحور الصادي ($Y$)، والمحور العيني ($Z$). يُتيح هذا النوع من المخططات دراسة التباين المشترك لثلاثة مقاييس نفسية متصلة في آن واحد (مثال: ساعات النوم، مستوى التوتر، والأداء الإدراكي).

يمكن إنشاء المخطط عبر Chart Builder باختيار نموذج 3-D Scatter أو عبر القوائم الكلاسيكية. الميزة التقنية الفريدة لمخططات التشتت ثلاثية الأبعاد في برنامج SPSS هي إمكانية تدوير الفضاء ثلاثي الأبعاد تفاعلياً (3D Rotation) داخل نافذة Chart Editor بالنقر على أيقونة التدوير ثلاثي الأبعاد؛ مما يتيح للباحث تحريك السحابة النقطية في كافة الاتجاهات الزاوية واكتشاف التكتلات العنقودية الخفية (Clusters) أو المستويات الانحدارية المستوية والمائلة التي يستحيل إدراكها من منظور ثنائي الأبعاد مسطح.

ومع ذلك، ينبغي استخدام المخططات ثلاثية الأبعاد بحذر منهجي شديد عند النشر الأكاديمي المطبوع؛ نظراً لأن تسطيح المشهد ثلاثي الأبعاد على صفحة ورقية ثنائية الأبعاد قد يتسبب في تشوه المنظور البصري (Perspective Distortion) ويجعل التقدير الدقيق لمواقع النقاط على المحاور أمراً في غاية الصعوبة للقارئ.

9. التحليل الاستدلالي المنهجي لمخرجات مخطط التشتت

9.1 فحص شكل السحابة النقطية وتحديد نمط التوزيع

ينطوي التحليل الاستدلالي الرصين لمخطط التشتت على القراءة النقدية لشكل الهيئة العامة للسحابة النقطية؛ للتأكد من مدى مطابقتها لافتراض التوزيع الطبيعي ثنائي المتغيرات (Bivariate Normality)، وهو شرط منهجي جوهري لصحة اختبارات الدلالة الإحصائية المتعلقة بمعاملات ارتباط بيرسون ونماذج الانحدار الخطي.

عندما يتحقق التوزيع الطبيعي الثنائي بصورة مثالية، تتخذ سحابة النقاط في المخطط شكلاً بيضاوياً متناسقاً (Elliptical Contour)؛ بحيث تكون كثافة النقاط في أعلى مستوياتها في المركز الهندسي للسحابة (موضع تقاطع متوسطي المتغيرين)، وتتضاءل الكثافة النقطية تدريجياً وبانتظام متماثل كلما اتجهنا نحو الحواف الخارجية للبيضاوي دون وجود تشوهات حادة أو ذيول ممتدة في اتجاه شاذ.

إذا ظهرت السحابة النقطية بشكل مائل أو مقوس أو غير منتظم التماسك، فإن ذلك يشير إلى التواء (Skewness) في أحد المتغيرين أو كليهما، مما يعني انتهاك شرط الاعتدالية الثنائية. في هذه الحالة، يتوجب على الباحث إما إجراء تحويلات معيارية للبيانات، أو الاعتماد على معاملات الارتباط اللابارامترية البديلة مثل معامل ارتباط سبيرمان للرتب ($r_s$ / Spearman’s Rho) أو معامل كيندال للتاو ($tau$ / Kendall’s Tau).

9.2 التحقق البصري من افتراض تجانس التباين (Homoscedasticity)

يُعد افتراض تجانس التباين (Homoscedasticity) أحد الأعمدة الأساسية التي ترتكز عليها صلاحية النماذج الخطية العامة؛ وهو يفترض أن تباين أخطاء التنبؤ أو تشتت درجات المتغير التابع ($Y$) يظل ثابتاً ومستقراً عبر جميع المستويات والقيم المختلفة للمتغير المستقل ($X$).

يقدم مخطط التشتت وسيلة الفحص البصري الأكثر حساسية وفاعلية لتقييم هذا الافتراض:

• حالة تجانس التباين (Homoscedasticity): تظهر السحابة النقطية على شكل أسطواني أو شريط مستطيل منتظم ومتجانس العرض حول خط الانحدار الخطي؛ بحيث يكون مدى انتشار النقاط وتشتتها العمودي عند القيم الدنيا لـ $X$ متطابقاً تقريباً مع مداها عند القيم المتوسطة والقصوى.
• حالة عدم تجانس التباين (Heteroscedasticity): تظهر السحابة النقطية بشكل قمعي أو مروحي (Funnel / Cone / Fan Shape)؛ حيث تكون النقاط شديدة التقارب والتراص عند طرف معين من المتغير المستقل، ثم تتسع رقعة التشتت والانتشار بشكل هائل وتدريجي كلما تحركنا نحو الطرف الآخر.

إن وجود نمط عدم تجانس التباين (Heteroscedasticity) لا يؤثر على تحيز معاملات الانحدار بحد ذاتها، ولكنه ينسف دقة الأخطاء المعيارية (Standard Errors)؛ مما يجعل اختبارات الدلالة الإحصائية ($t\text{-test}$ و $p\text{-values}$) وفترات الثقة غير موثوقة بالمرة، ويرفع احتمالية ارتكاب الخطأ من النوع الأول (Type I Error). يستوجب هذا الاكتشاف البصري استخدام الأخطاء المعيارية الحصينة (Robust Standard Errors / Huber-White Sandwich Estimators) أو تطبيق الانحدار الموزون (Weighted Least Squares).

9.3 المطابقة بين الرؤية البصرية والمؤشرات الرقمية

يقع بعض الباحثين في خطأ منهجي فادح بالاعتماد الأعمى على الجداول والمخرجات الرقمية دون مراجعة الرسوم البيانية، أو العكس. تقتضي الرصانة الأكاديمية إحداث مزاوجة منهجية ومطابقة نقدية دقيقة بين الرؤية البصرية المستخلصة من مخطط التشتت والمؤشرات الرقمية المستخرجة من جداول SPSS.

تتجلى ضرورة هذه المطابقة بأبلغ صورة في التجربة الإحصائية الشهيرة المعروفة بـ “رباعية أنسكومب” (Anscombe’s Quartet)؛ حيث قام عالم الإحصاء فرانسيس أنسكومب بتصميم أربع مجموعات بيانات مختلفة كلياً، تمتلك جميعها وبدقة متطابقة نفس المتوسط الحسابي، ونفس الانحراف المعياري، ونفس معامل ارتباط بيرسون ($r = 0.816$)، ونفس معادلة الانحدار الخطي. ومع ذلك، عند رسم هذه المجموعات الأربع عبر مخطط التشتت، تبين الآتي:

1. المجموعة الأولى: علاقة خطية نموذجية متجانسة وسليمة.
2. المجموعة الثانية: علاقة منحنية تربيعية واضحة فشل النموذج الخطي في رصدها.
3. المجموعة الثالثة: علاقة خطية تامة تماماً ولكن مع وجود قيمة شاذة واحدة دمرت المسار.
4. المجموعة الرابعة: نقاط متكدسة عمودياً في موضع واحد مع نقطة متطرفة معزولة أحدثت ارتباطاً وهمياً كاملاً.

تثبت هذه المقارنة التاريخية أن الأرقام الإحصائية المجردة قد تخفي تشوهات خطيرة وتنتج استنتاجات مضللة تماماً ما لم يتم تأكيدها وتفسيرها بالتضافر مع الفحص البصري الدقيق عبر مخطط التشتت.

10. اكتشاف القيم الشاذة والمتطرفة (Outliers) والتعامل معها

10.1 التعرف البصري على النقاط الشاذة والحرجة (Leverage and Influential Points)

تُعرف القيمة الشاذة (Outlier) بأنها ملاحظة أو درجة تبتعد ابتعاداً غير عادي عن النمط العام للسحابة النقطية لبقية أفراد العينة. في التحليل ثنائي المتغيرات عبر مخطط التشتت، يجب التمييز منهجياً بين ثلاثة أنماط رئيسية من النقاط غير الاعتيادية:

• القيم الشاذة أحادية المتغير (Univariate Outliers): هي نقاط تتطرف في قيمة $X$ بمفردها أو قيمة $Y$ بمفردها، وتظهر عادة عند الحواف القصوى المعزولة لمحاور الرسم.
• القيم الشاذة ثنائية المتغير (Bivariate Outliers): هي نقاط قد لا تكون متطرفة إذا نظرنا إلى كل متغير بمعزل عن الآخر، ولكن اقتران القيمتين معاً يمثل نمطاً شاذاً كلياً يخرج عن مسار الارتباط الخطي المشترك للسحابة؛ مثل طالب درس 35 ساعة وحصل على 20 درجة فقط.
• النقاط ذات الرافعة العالية والنقاط المؤثرة (High Leverage & Influential Points): هي نقاط شاذة تقع في أطراف نطاق المتغير المستقل، وتمتلك قدرة ميكانيكية فائقة على “جذب” خط الانحدار نحوها بقوة وتغيير ميله ومعادلته بالكامل، تماماً مثل تأثير الرافعة الفيزيائية، مما يجعل النموذج التنبؤي يدور حول تلك النقطة الشاذة الفردية ويفقد دقته في تمثيل العينة ككل.

10.2 استخدام أدوات SPSS لتحديد هوية الحالات الشاذة

يوفر برنامج SPSS أدوات تقنية بالغة السهولة والفاعلية للتعرف الفوري على الهوية الدقيقة لأي نقطة شاذة تظهر في مخطط التشتت، دون الحاجة للبحث اليدوي المضني في ملف البيانات الأصلي:

1. في شاشة عارض المخرجات، انقر نقراً مزدوجاً على مخطط التشتت لفتحه في نافذة Chart Editor.
2. من شريط الأدوات العلوي، انقر على أيقونة Elements ثم اختر Data Label Mode (أيقونة المؤشر مع بطاقة بيانات)، أو اضغط على اختصار لوحة المفاتيح المخصص لها.
3. تحرك بمؤشر الفأرة فوق أي نقطة تبدو معزولة أو شاذة في السحابة النقطية، وانقر عليها نقرة واحدة مباشرة.
4. سيقوم SPSS فوراً بإظهار رقم الصف الدقيق (Case Number) المقابل لهذه الحالة في جدول البيانات الأصلي (Data View)، أو إظهار اسم المشارك وكوده التعريفي إذا كان خيار Label Cases by قد تم ضبطه مسبقاً.

تتيح هذه الميزة للباحث الانتقال المباشر إلى سجل المشارك في ملف البيانات لفحص درجاته واستمارته الأصلية والتحقق من سلامة استجاباته بدقة بالغة.

10.3 القرارات المنهجية لمعالجة القيم المتطرفة

يُمثل التعامل مع القيم المتطرفة بعد اكتشافها في مخطط التشتت أحد أدق التحديات الأخلاقية والمنهجية في البحث العلمي. لا يجوز للباحث بأي حال من الأحوال حذف النقاط الشاذة عشوائياً لمجرد تحسين قيمة معامل الارتباط أو الوصول للدلالة الإحصائية؛ بل يتعين اتباع بروتوكول منهجي صارم يقوم على الخطوات الآتية:

• التحقق من أخطاء الإدخال والترميز (Data Entry Errors): الرجوع إلى استمارات الاستبيان أو أوراق الاختبار الأصلية للتأكد من عدم حدوث خطأ مطبعي أثناء إدخال الأرقام (مثل كتابة الدرجة $95$ بدلاً من $59$). في حال ثبوت الخطأ، يتم تصحيح القيمة فوراً لتعود النقطة إلى مسارها الطبيعي.
• فحص أخطاء التطبيق والاستجابة العشوائية: التحقق مما إذا كانت النقطة الشاذة تعود إلى مشارك لم يتبع التعليمات، أو أجاب بنمط عشوائي غير جاد، أو لم يكن منتمياً للمجتمع المستهدف أصلاً. في هذه الحالات الموثقة، يكون الحذف مبرراً منهجياً مع الإفصاح الكامل عن ذلك في تقرير البحث.
• الإبقاء على القيم المتطرفة الحقيقية واستخدام التحليلات الحصينة (Robust Methods): إذا كانت الدرجة المتطرفة تعبر عن أداء إنساني حقيقي وصادق يمثل التباين الطبيعي في الظاهرة المدروسة، يجب الإبقاء على الحالة، واعتماد أساليب التحليل الحصينة ضد القيم الشاذة، مثل حساب معامل ارتباط الرتب لسبيرمان، أو استخدام الانحدار الحصين (Robust Regression / Winsorized Correlation)، أو تقديم التحليل مرتين في متن البحث (مع القيمة المتطرفة وبدونها) لبيان مدى حساسية النتائج لتلك النقطة.

11. المحاذير والأخطاء الشائعة في تفسير مخططات التشتت النفسية

11.1 مغالطة الخلط بين الارتباط والسببية (Correlation vs. Causation)

تُعد مغالطة الخلط بين الاقتران الارتباطي والعلاقة السببية (Cum hoc ergo propter hoc) من أكثر المزالق الفكرية والمنهجية شيوعاً لدى الباحثين المبتدئين عند تفسير مخططات التشتت. إن رؤية مسار خطي فائق الوضوح وميل صاعد متماسك بين المتغيرين ($X$) و ($Y$) داخل المخطط تثبت فقط وجود تلازم وترافق إحصائي في التغير بينهما في عينة الدراسة، ولكنها لا تثبت بأي حال من الأحوال أن المتغير ($X$) هو السبب المباشر والمحدث للمتغير ($Y$).

قد تنشأ العلاقات الارتباطية القوية بيانياً نتيجة الارتباط الزائف (Spurious Correlation) الناجم عن تأثر كلا المتغيرين بمتغير ثالث خفي (Lurking / Confounding Variable). على سبيل المثال، قد يُظهر مخطط التشتت وجود علاقة ارتباطية موجبة قوية جداً بين استهلاك المثلجات ومعدلات الغرق في الشواطئ؛ والتفسير العلمي الرشيد ليس أن أكل المثلجات يسبب الغرق، بل إن متغير درجة حرارة فصل الصيف (المتغير الثالث) هو المحرك المشترك الذي يدفع الناس لزيادة استهلاك المثلجات والإقبال الكثيف على السباحة في آن واحد.

لإثبات السببية، لا يكفي أبداً الاعتماد على مخططات التشتت ومعاملات الارتباط، بل يجب الاستناد إلى تصميم تجريبي صارم يتضمن الضبط التجريبي، والتخصيص العشوائي للمشاركين (Random Assignment)، والتحكم المنهجي في المتغيرات الدخيلة، والتحقق من التتابع الزمني للعلة والمعلول.

11.2 التضليل البصري الناتج عن اقتطاع وتشويه مقاييس المحاور

يمتلك التصميم الهندسي للمحاور الإحداثية في مخطط التشتت تأثيراً نفسياً وإدراكياً هائلاً على القارئ، ويمكن أن يؤدي التلاعب غير الواعي بنطاقات المحاور إلى تضليل بصري خطير يشوه الحقيقة الإحصائية الكامنة وراء البيانات:

• التضييق المفرط لنطاق المحور (Range Narrowing): عندما يقوم الباحث باقتطاع المحور الرأسي ليبدأ من قيمة قريبة جداً من أدنى درجة في العينة بدلاً من الصفر أو الحد الأدنى الحقيقي للمقياس، يؤدي ذلك إلى تمديد المسافات الرأسية بين النقاط اصطناعياً؛ مما يظهر علاقة ضعيفة أو شبه معدومة وكأنها علاقة قوية وحادة الميل.
• التوسيع المبالغ فيه لنطاق المحور (Range Overextension): على النقيض من ذلك، إذا تم ضبط حدود المحاور على نطاق أوسع بكثير من مدى المقياس الواقعي، تتجمع النقاط في كتلة ضيقة ومسطحة أفقياً؛ مما يخفي الأنماط والاتجاهات الجوهرية المهمة ويجعل الارتباطات القوية تبدو عديمة الأثر.

تقتضي المعايير المنهجية الرصينة ضبط أبعاد المحاور ومقاييسها بنسب متوازنة وعادلة تعكس المدى الحقيقي الكامل لأدوات القياس السيكومترية المستخدمة، مع الحفاظ على النسبة البصرية الذهبية للمخطط (الارتفاع يعادل ثلثي إلى ثلاثة أرباع العرض تقريباً) لتجنب تشويه الميل البصري لخط الانحدار.

11.3 إغفال تأثير المتغيرات الدخيلة والوسيطة (Confounding Variables)

من الأخطاء التحليلية الجسيمة في قراءة مخططات التشتت البسيطة إغفال تأثير المتغيرات الوسيطة والدخيلة وطبقات العينة الفرعية؛ وهو ما قد يوقع الباحث في فخ ما يُعرف إحصائياً بـ مغالطة سيمبسون (Simpson’s Paradox).

تحدث مغالطة سيمبسون عندما يُظهر مخطط التشتت الكلي اتجاهاً ارتباطياً معيناً (سلبياً مثلاً) عند دمج جميع أفراد العينة معاً، ولكن عندما يتم تقسيم العينة إلى مجموعاتها الفرعية الحقيقية (باستخدام Grouped Scatterplot حسب العمر، أو الجنس، أو المستوى الاجتماعي)، ينعكس اتجاه العلاقة تماماً ليصبح موجباً داخل كل مجموعة فرعية على حدة! ينشأ هذا التناقض الصادم بسبب وجود متغير دخيل قوي يوزع المجموعات في مساحات متباينة على فضاء الرسم، مما يجعل الخط الكلي مضللاً بالكامل.

لتجنب هذا الخطأ الكارثي، يجب على الباحث دائماً استكشاف مخططات التشتت المجمعة، واستخدام أساليب الارتباط الجزئي (Partial Correlation) والارتباط شبه الجزئي (Semipartial Correlation) في SPSS لضبط وتحييد أثر المتغيرات الدخيلة إحصائياً قبل اعتماد التفسير النهائي للعلاقة بين المتغيرين الرئيسيين.

12. توثيق وعرض مخططات التشتت وفق معايير الجمعية الأمريكية لعلم النفس (APA)

12.1 تصدير المخططات بجودة عالية (High Resolution) للنشر الأكاديمي

تشترط المجلات العلمية المحكمة ودليل النشر الصادر عن الجمعية الأمريكية لعلم النفس (APA Style 7th Edition) معايير جودة صارمة للرسوم البيانية المضمنة في الأطروحات والمقالات الأكاديمية. لا يقبل النشر الأكاديمي أخذ لقطات شاشة منخفضة الدقة للمخطط البياني؛ بل يتعين تصديره برمجياً بصيغ رقمية عالية النقاء وفق الخطوات الآتية في SPSS:

1. في شاشة عارض المخرجات (Output Viewer)، انقر بزر الفأرة الأيمن (Right-click) فوق مخطط التشتت المكتمل واختر Export….
2. في خانة Export Format، حدد نوع التصدير ليكون ملف صورة: None (Graphics only).
3. اختر صيغة صورة احترافية عالية الجودة؛ وتُعد صيغة TIFF (*.tif) أو صيغة EPS (*.eps) الخيار القياسي الأول للمجلات العلمية للطباعة، بينما تُعد صيغة PNG (*.png) ممتازة للنشر الرقمي والرسائل الجامعية الإلكترونية.
4. في إعدادات الدقة الرسومية (Graphics Resolution)، تأكد من رفع الدقة إلى ما لا يقل عن 300 DPI (نقطة في البوصة) للصور النقطية، أو 600 DPI للرسومات الخطية الدقيقة، لضمان بقاء الخطوط والنقاط حادة وواضحة تماماً عند تصغير حجم الشكل أثناء الإخراج الطباعي النهائي.

12.2 متطلبات تنسيق الأشكال (Figures) وفق دليل APA الإصدار السابع

حدد الإصدار السابع من دليل أسلوب الجمعية الأمريكية لعلم النفس (APA 7th) بنية تنسيقية قياسية موحدة يجب الالتزام بها بدقة متناهية عند إدراج مخططات التشتت داخل متن البحث الأكاديمي، وتتألف هذه المنظومة التنسيقية من أربعة عناصر متتالية:

• رقم الشكل (Figure Number): يوضع في أعلى المخطط بمحاذاة أقصى اليمين (في الأبحاث العربية) أو أقصى اليسار (في الأبحاث الإنجليزية)، ويُكتب بخط عريض غامق (Bold)، مثل: شكل 1 أو Figure 1.
• عنوان الشكل (Figure Title): يوضع مباشرة في السطر التالي أسفل رقم الشكل، ويُصاغ بعبارة وصفية موجزة وواضحة تُكتب بخط مائل (Italic) مع ضبط المسافات بمسافة مفردة أو مزدوجة متناسقة مع متن البحث، مثل: مخطط التشتت للعلاقة بين ساعات الاستذكار الأسبوعية ودرجات اختبار الإحصاء النفسي مع خط الانحدار الخطي.
• صورة المخطط (Image Area): الرسم البياني نفسه؛ نظيفاً وخالياً من العناوين المكررة بداخله، مع محاور واضحة التسمية، وتدريجات رقمية مقروءة، وبدون خلفيات ملونة أو شبكات خطوط رمادية كثيفة تشتت الانتباه (يُفضل استخدام الخلفية البيضاء النقية).
• ملاحظة الشكل (Figure Note): توضع أسفل المخطط مباشرة، وتبدأ بكلمة ملاحظة. أو Note. بخط مائل متبوعة بنقطة، ثم يُكتب نص وصفي يشرح الرموز والمختصرات المستخدمة، ويوضح حجم العينة الكلي ($N$) أو الفرعي ($n$)، ويذكر معادلة الانحدار وقيمة معامل التحديد ($R^2$) ومستوى الدلالة الإحصائية للارتباط إن وجدت.

12.3 الصياغة النصية الأكاديمية لتحليل المخطط في متن البحث

لا يكتمل التوثيق العلمي بإدراج المخطط البياني بمفرده، بل يجب دمجه وربطه عضوياً بالصياغة اللغوية والتحليلية داخل متن البحث (Body Text). تتطلب المعايير الأكاديمية الإشارة إلى الشكل بالاسم والرقم قبل موضعه، وتجنب تكرار كافة التفاصيل الرقمية المدرجة بالرسم، مع التركيز على تفسير الدلالة السيكولوجية والإحصائية للنمط العام.

فيما يلي نموذج تطبيقي معياري لصياغة الفقرة الأكاديمية المفسرة لمخطط التشتت وفق دليل APA:

“… أظهرت نتائج الفحص الاستكشفي الأولي للبيانات وجود علاقة ارتباطية موجبة وقوية بين عدد ساعات الاستذكار الأسبوعية والدرجات النهائية للطلاب في اختبار الإحصاء النفسي. يوضح الشكل 1 مخطط التشتت ثنائي المتغيرات لهذه العلاقة، حيث يشير النمط البيضاوي المتماسك للسحابة النقطية والمسار الصاعد لخط الانحدار إلى اتساق العلاقة الخطية واقتران الزيادة في وقت الاستذكار بارتفاع مطرد في الأداء التحصيلي. لم يُظهر الفحص البصري أي انتهاك جوهري لافتراض تجانس التباين عبر مستويات الاستذكار المختلفة، كما لم تُسجل أي قيم شاذة مؤثرة على مسار النموذج. بلغت قيمة معامل ارتباط بيرسون المحسوب دلالة إحصائية مرتفعة، $r(13) = .80$، $p < .001$. وكما هو مبين في خط المطابقة الخطي للشكل 1، بلغت قيمة معامل التحديد $R^2 = .642$، مما يشير إلى أن ساعات الاستذكار الأسبوعية تفسر ما نسبته $64.2%$ من التباين الكلي في درجات اختبار الإحصاء لدى أفراد العينة…"

الخاتمة

تمثل مخططات التشتت (Scatterplots) في بيئة SPSS الأداة الاستكشافية والاستدلالية الأكثر تأثيراً في ترسانة الباحث الإحصائي والسلوكي. إنها الجسر المنهجي الرابط بين استكشاف البيانات الرقمية المجردة والنمذجة الرياضية المتقدمة. من خلال قدرتها الفائقة على كشف الارتباطات، وفحص الافتراضات الإحصائية، واكتشاف القيم الشاذة والمؤثرة، وتوضيح الفروق الدقيقة بين الفئات المتعددة، تضمن هذه المخططات سلامة النتائج العلمية وتمنح الباحثين فهماً عميقاً وشاملاً لظواهرهم المدروسة.

إن إتقان إنشاء هذه المخططات وتخصيصها عبر أدوات SPSS المتطورة (من Chart Builder إلى Syntax)، وضبط إخراجها البصري والتحليلي وفق المعايير الأكاديمية القياسية للجمعية الأمريكية لعلم النفس (APA Style)، يُعد مهارة بحثية حيوية ترتقي بمستوى الإنتاج الأكاديمي، وتضمن تقديم الأبحاث النفسية والتربوية بأعلى درجات الرصانة، والشفافية، والاحترافية العلمية.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21. https://doi.org/10.1080/00031305.1973.10478966
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• IBM Corporation. (2023). IBM SPSS Statistics 29 core system user’s guide. IBM Corporation. https://www.ibm.com/docs/en/spss-statistics/29.0.0
• Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS (7th ed.). Routledge. https://doi.org/10.4324/9781003117452
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Tufte, E. R. (2001). The visual display of quantitative information (2nd ed.). Graphics Press.
• Wilkinson, L. (2005). The grammar of graphics (2nd ed.). Springer-Verlag. https://doi.org/10.1007/0-387-28695-0