كيفية إنشاء وتعديل المدرجات التكرارية في Stata

يُعد التحليل الاستكشافي للبيانات (Exploratory Data Analysis) الركيزة الأساسية والخطوة الجوهرية الأولى في أي دراسة إحصائية أو قياسية رصينة. قبل الشروع في بناء النماذج الرياضية المعقدة واختبار الفرضيات الأكاديمية، يحتاج الباحث والمحلل إلى فهم البنية العميقة للمتغيرات، والتعرف على أنماط توزيعها، واكتشاف الانحرافات المحتملة مثل الالتواء أو القيم الشاذة المتطرفة. في هذا السياق المعرفي، يبرز المدرج التكراري (Histogram) كأحد أقوى وأقدم الأدوات البصرية التي توفر تمثيلاً هندسياً شاملاً للتوزيع الاحتمالي للمتغيرات الكمية المستمرة.

تتمتع حزمة البرمجيات الإحصائية Stata بمكانة مرموقة واستثنائية في الأوساط الأكاديمية والبحثية، ولا سيما في مجالات الاقتصاد القياسي، والعلوم الاجتماعية، وعلم الأوبئة والطب الحيوي. ويعود هذا التميز إلى محرك الرسوم البيانية الفائق الذي يجمع بين الدقة الرياضية الصارمة والمرونة البرمجية اللامحدودة. يتيح Stata للمستخدمين تجاوز حدود الرسوم البيانية الافتراضية البسيطة والتحكم الكامل في كافة العناصر المجهرية للمخطط، بدءاً من أبعاد الفئات الرياضية ونقاط ارتكازها، مروراً بمقاييس المحاور الرأسية (سواء كانت كثافة احتمالية، أو تكرارات مطلقة، أو نسباً مئوية)، ووصولاً إلى تراكب المنحنيات النظرية والتخصيص الجمالي المتقدم القابل للنشر المباشر في المجلات العلمية المحكمة.

يهدف هذا الدليل الشامل والمفصل إلى تقديم مرجع تطبيقي ونظري متكامل حول كيفية إنشاء وتعديل المدرجات التكرارية في بيئة Stata. سنتناول في هذا المقال كافة جوانب الأمر histogram ومشتقاته البرمجية، متتبعين مساراً منهجياً دقيقاً يبدأ من المفاهيم الإحصائية التأسيسية وإعداد بيئة العمل عبر حزم البيانات القياسية، ويمر بآليات التحكم الدقيق في الفئات والألوان والمقاييس، وينتهي باستعراض الأخطاء المنهجية والبرمجية الشائعة وطرق أتمتة التقارير الإحصائية وتصديرها بأعلى معايير الجودة الأكاديمية العالمية.

1. مقدمة إلى المدرجات التكرارية (Histograms) وأهميتها الإحصائية في Stata

1.1 المفهوم النظري للمدرج التكراري ودوره في استكشاف البيانات

يُعرف المدرج التكراري في الأدبيات الإحصائية الكلاسيكية بأنه تمثيل بياني ثنائي الأبعاد يُستخدم لتلخيص وتصوير التوزيع الاحتمالي لمتغير عشوائي كمي مستمر. يعتمد الأساس الرياضي للمدرج التكراري على تقسيم المدى الكلي للبيانات (الفرق بين القيمة العظمى والقيمة الصغرى) إلى فترات جزائية متجاورة وغير متداخلة تُعرف باسم الفئات أو الأحواض (Bins). يتم بعد ذلك حساب عدد المشاهدات أو التكرار النسبي الذي يقع ضمن حدود كل فئة، ويُمثل هذا التكرار هندسياً بواسطة مستطيل عمودي يُقام فوق كل فترة، حيث يعكس ارتفاع أو مساحة المستطيل كثافة البيانات داخل تلك الفترة المحددة.

تكمن الأهمية الجوهرية لفحص المدرج التكراري في تمكين الباحث من إجراء تقييم بصري فوري للشكل العام للتوزيع الاحتمالي للمتغير قيد الدراسة. يساعد هذا الفحص في الإجابة عن أسئلة منهجية حاسمة: هل البيانات متماثلة حول مركزها الحسابي؟ هل تعاني البيانات من مشكلة الالتواء الإيجابي (Positive Skewness) نحو اليمين أو الالتواء السلبي (Negative Skewness) نحو اليسار؟ هل يمتلك التوزيع ذيولاً ثقيلة أو قمة مدببة تعكس ظاهرة التفرطح (Kurtosis)؟ إن التحقق من هذه السمات التوزيعية يُعد شرطاً أولياً مسبقاً قبل تطبيق معظم النماذج الإحصائية المعلمية (Parametric Models)، مثل الانحدار الخطي البسيط والمتعدد، والتي تفترض عادةً اعتدالية البواقي وثبات التباين.

من الناحية المنهجية والمفاهيمية، يقع العديد من الباحثين المبتدئين في خطأ الخلط بين المدرج التكراري (Histogram) والرسم البياني الشريطي (Bar Chart). على الرغم من التشابه البصري السطحي المتمثل في وجود أعمدة رأسية، إلا أن الفروق بينهما جوهرية وحاسمة. يُستخدم الرسم البياني الشريطي لعرض المتغيرات النوعية أو الفئوية (Categorical/Nominal/Ordinal Variables)، وتفصل بين أشرطته مسافات وفراغات صريحة للدلالة على عدم وجود استمرارية رياضية بين الفئات، كما أن ترتيب الأشرطة يمكن تغييره دون الإخلال بالمعنى الإحصائي. في المقابل، يُخصص المدرج التكراري حصرياً للمتغيرات الكمية المقاسة على مقياس فئوي أو نسبي (Interval/Ratio Continuous Scales)، وتتلاصق مستطيلاته تماماً لتعكس الطبيعة المتصلة والمتسلسلة للمحور الرقمي الأفقي، ولا يمكن إعادة ترتيب فئاته بأي حال من الأحوال لأنها تتبع ترتيباً عددياً حقيقياً وصارماً.

1.2 دور برنامج Stata في إنتاج الرسوم البيانية الاستكشافية

تتميز منصة Stata بامتلاكها واحداً من أدق وأقوى محركات الرسوم البيانية الإحصائية في العالم البرمجي الحديث. يستند هذا المحرك إلى فلسفة برمجية تجمع بين السرعة القصوى في معالجة البيانات الضخمة (Big Data) والقدرة الدقيقة على التحكم في كل بيكسل وعنصر داخل مساحة الرسم. تستطيع خوارزميات Stata معالجة مئات الآلاف أو حتى ملايين المشاهدات في أجزاء من الثانية لحساب حدود الفئات وتوليد كثافة التوزيع ورسم المدرجات التكرارية دون استهلاك مفرط لذاكرة الحاسوب أو التضحية بدقة التفاصيل الإحصائية.

توفر بيئة Stata طريقتين متكاملتين لإنشاء الرسوم البيانية: واجهة المستخدم الرسومية المعتمدة على القوائم المنسدلة ومربعات الحوار (GUI)، والواجهة البرمجية المعتمدة على كتابة الأوامر المباشرة (Command-line Interface). ومع أن القوائم المنسدلة قد تبدو سهلة ومغرية للمستخدمين الجدد، إلا أن القوة الحقيقية والاحترافية لبرنامج Stata تتجلى في كتابة الأوامر النصية. يتيح سطر الأوامر للباحث تطبيق خيارات تخصيص معقدة لا تتوفر في النوافذ الجاهزة، ويسرّع من عملية استكشاف البيانات بصورة دراماتيكية عبر اختصارات برمجية فائقة الكفاءة.

علاوة على ذلك، ترتبط الكفاءة البرمجية لبرنامج Stata ارتباطاً وثيقاً بمبدأ “إعادة الإنتاج العلمي” (Scientific Reproducibility). من خلال تدوين أوامر الرسوم البيانية داخل ملفات الأوامر المجمعة المعروفة باسم (Do-files)، يمكن للباحثين والمراجعين الأكاديميين إعادة بناء كافة الرسوم والمخططات البيانية بدقة متطابقة في أي وقت وبضغطة زر واحدة. تضمن هذه المنهجية الشفافية التامة في تتبع خطوات المعالجة الإحصائية، وتسهل عملية تعديل الرسوم لتتوافق مع الشروط الصارمة والمتغيرة لدور النشر والمجلات العلمية العالمية دون الحاجة لإعادة الرسم يدوياً من الصفر.

1.3 هيكل أمر histogram في لغة أوامر Stata

تتبع لغة أوامر Stata بنية نحوية وقواعدية (Syntax) منطقية وموحدة للغاية تجعل من عملية تعلمها وتطبيقها تجربة سلسة. يتم استدعاء المدرج التكراري باستخدام الأمر الأساسي histogram، والذي يمكن اختصاره برمجياً إلى الأحرف الأربعة الأولى hist لتسريع الكتابة في نافذة الأوامر. تتبع الصيغة العامة للأمر هيكلاً قياسياً يتكون من اسم الأمر متبوعاً بالمتغير الكمي المراد تمثيله، ثم تتبعه فاصلة (comma) تفصل بين المتغير الأساسي وقائمة الخيارات الإضافية المعقدة التي تحدد شكل وسلوك الرسم البياني.

الصيغة العامة لأمر المدرج التكراري في Stata تُكتب بالشكل التالي:

histogram varname [if] [in] [weight] [, options]

حيث يمثل varname المتغير الرقمي المستهدف، بينما تتيح عبارات [if] و [in] تطبيق شروط منطقية لتصفية المشاهدات، ويسمح [weight] بدمج أوزان المعاينة الإحصائية، في حين تضم options حزمة ضخمة من المحددات الفرعية للتحكم في عدد الفئات، والمقاييس الرأسية، والمنحنيات المتراكبة، والألوان، والعناوين.

عند تنفيذ الأمر بصورته الافتراضية المجردة مثل hist length دون تمرير أي خيارات مخصصة، يُطلق Stata خوارزمية ذكية مدمجة لحساب العرض الأمثل للفئات وعدد الأعمدة بناءً على حجم العينة وتشتت البيانات. كما يعتمد البرنامج تلقائياً على مقياس الكثافة (Density) على المحور الرأسي، ويقوم بطلاء الأعمدة بالسمة اللونية المعتمدة للجلسة الحالية. إن فهم هذا السلوك التلقائي يُعد حجر الزاوية الذي ينطلق منه الباحث للبدء في توجيه البرنامج وتعديل خياراته بما يلبي الأهداف الدقيقة للتحليل الاستكشافي.

2. إعداد بيئة العمل وتحميل مجموعة البيانات التجريبية

2.1 تحميل مجموعة بيانات auto من خوادم Stata الرسمية

لضمان التطبيق العملي للتعليمات الواردة في هذا الدليل وتحقيق أقصى قدر من الاستفادة، سنعتمد على واحدة من أشهر وأعرق مجموعات البيانات القياسية المضمنة في منظومة Stata المعرفية، وهي مجموعة بيانات السيارات لعام 1978 المعروفة باسم auto.dta. توفر هذه المجموعة مزيجاً مثالياً من المتغيرات الكمية المستمرة والمتغيرات الفئوية المنفصلة، مما يجعلها النموذج التعليمي القياسي المعتمد في معظم الوثائق الرسمية والمؤلفات الأكاديمية المتقدمة لبرنامج Stata.

يمكن للمستخدم جلب وتحميل هذه البيانات مباشرة من خوادم شركة StataPress الرسمية عبر شبكة الإنترنت باستخدام أمر التحميل المباشر التالي في نافذة الأوامر:

sysuse auto, clear

أو باستخدام الأمر الشبكي الكامل:

use http://www.stata-press.com/data/r13/auto, clear

يضمن استخدام الخيار clear تفريغ ذاكرة البرنامج المؤقتة من أي بيانات سابقة وتجنب توقف الأمر في حال وجود تعديلات غير محفوظة على ملفات أخرى.

بمجرد تنفيذ الأمر، يجب على الباحث التحقق من نجاح عملية التنزيل وخلو سجل النتائج من أي أخطاء متعلقة بالاتصال بالشبكة (مثل رسائل الخطأ r(601) أو r(677)). من الممارسات المنهجية الفضلى حفظ نسخة محلية احتياطية من مجموعة البيانات على القرص الصلب للحاسوب الشخصي لضمان استمرارية العمل دون الحاجة إلى اتصال دائم بالإنترنت، وذلك عبر كتابة أمر الحفظ المحلي:

save "C:/StataProjects/auto_backup.dta", replace

حيث يتيح هذا الإجراء استرجاع البيانات الأصلية فوراً في أي وقت أثناء جلسات التحليل الممتدة.

2.2 فحص المتغيرات وبنية مجموعة البيانات

عقب اكتمال تحميل البيانات بنجاح، يُعد الفحص الهيكلي للمتغيرات خطوة إلزامية لفهم الخصائص المترية لكل عامود في مصفوفة البيانات. نبدأ بتطبيق الأمر الاستكشافي الأساسي describe، والذي يعرض تقريراً تفصيلياً عن عدد المشاهدات (Observations)، وعدد المتغيرات (Variables)، وتنسيق تخزين كل متغير (Storage type)، بالإضافة إلى التسميات الوصفية المتصلة بها (Variable Labels). يُظهر هذا التقرير أن مجموعة البيانات تحتوي على 74 مشاهدة لسيارات متنوعة وتضم 12 متغيراً تغطي مؤشرات الأداء والأسعار والأبعاد الفيزيائية.

الخطوة التالية تتمثل في استخدام أمر الإحصاء الوصفي summarize (أو اختصاراً su) لفحص مقاييس النزعة المركزية والتشتت للمتغيرات. يساعد هذا الأمر في معرفة المتوسط الحسابي (Mean)، والانحراف المعياري (Standard Deviation)، والقيمة الدنيا (Min)، والقيمة القصوى (Max) لكل متغير. يُعد هذا الفحص بالغ الأهمية لتحديد المدى العددي الذي ستعمل عليه المدرجات التكرارية لاحقاً، واكتشاف ما إذا كانت المتغيرات تحتوي على قيم غير منطقية أو أخطاء إدخال قد تؤثر سلباً على المقاييس البصرية.

من خلال فحص المخرجات الإحصائية لمجموعة البيانات، يمكننا استهداف وتحديد ثلاثة متغيرات كمية مستمرة رئيسية سنعتمد عليها في تطبيقاتنا العملية المتقدمة للمدرجات التكرارية: أولاً، متغير طول السيارة length المقاس بالبوصة، والذي يتميز بتوزيع شبه متماثل يقترب من التوزيع الطبيعي المعياري؛ ثانياً، متغير سعر السيارة price المقاس بالدولار، والذي يمثل نموذجاً كلاسيكياً للتوزيع الملتوي إيجابياً بشدة نحو اليمين؛ وثالثاً، متغير كفاءة استهلاك الوقود mpg (أميال لكل جالون)، والذي يعكس تشتتاً متبايناً بين فئات السيارات المختلفة.

2.3 معالجة وتجهيز المتغيرات قبل الرسم

تتطلب الأمانة العلمية والدقة الإحصائية التحقق من جودة ونظافة البيانات قبل تحويلها إلى مخططات بصرية. تُمثل القيم المفقودة (Missing Values) إحدى المشكلات الجوهرية التي قد تشوه التحليل. يتعامل Stata مع القيم المفقودة للنصوص والأرقام بطريقة خاصة؛ حيث تُعامل القيمة المفقودة الرقمية المرمزة بنقطة (.) كأكبر قيمة موجبة ممكنة في لغة النظام. لذلك، فإن إهمال فحص القيم المفقودة قد يؤدي إلى محاولة رسم فئات فارغة ذات قيم افتراضية لا نهائية إذا لم يتم حصر النطاق بدقة. يمكن التحقق من عدم وجود قيم مفقودة في متغير الطول والسعر عبر الأمر:

count if missing(length, price, mpg)

حيث يؤكد ظهور الرقم 0 سلامة واكتمال كافة السجلات في هذه العينة.

علاوة على ذلك، يجب دراسة أثر القيم الشاذة والمتطرفة (Outliers) على التوزيع البصري. في متغيرات مثل الأسعار والدخل، قد يؤدي وجود عدد ضئيل جداً من القيم المرتفعة للغاية إلى انضغاط الغالبية العظمى من البيانات في عمود أو عمودين متكدسين في أقصى اليسار، مما يجعل المدرج التكراري غير قادر على إبراز التباينات الداخلية الحقيقية للعينة. في مثل هذه الحالات المنهجية، يُوصى بتجهيز متغيرات محولة رياضياً لتسهيل فحص التوزيع بصرياً.

لتوضيح هذه المعالجة التحضيرية، يمكننا إنشاء متغير جديد يمثل اللوغاريتم الطبيعي لأسعار السيارات لتخفيف حدة الالتواء وتحويل التوزيع إلى شكل يقترب من الاعتدالية، وذلك باستخدام أمر التوليد التالي:

generate log_price = ln(price)

label variable log_price "اللوغاريتم الطبيعي لسعر السيارة"

إن توليد مثل هذه المتغيرات المهيأة مسبقاً يمنح الباحث مرونة فائقة للمقارنة بين التوزيعات الخام والتوزيعات المحولة عند الانتقال إلى مرحلة الرسم الفعلي.

3. إنشاء المدرج التكراري الأساسي في Stata

3.1 تنفيذ الأمر الأساسي hist لمتغير فردي

يمثل تنفيذ الأمر البسيط للمدرج التكراري نقطة الانطلاق في عملية الفحص البياني. بمجرد فتح واجهة Stata والتأكد من تحميل البيانات في الذاكرة، يمكن للمحلل التوجه إلى سطر الأوامر وكتابة الأمر المباشر التالي لتوليد مدرج تكراري لمتغير طول السيارة:

histogram length

أو باستخدام الصيغة المختصرة السريعة:

hist length

بمجرد الضغط على زر الإدخال (Enter)، يقوم Stata بفتح نافذة رسومية مستقلة تُعرف باسم (Stata Graph Viewer) لعرض المخطط الناتج بصورة فورية.

لا يقتصر عمل Stata عند تنفيذ هذا الأمر على إظهار الرسم البياني فحسب، بل يرسل المحرك رسائل نصية توضيحية وإحصائية دقيقة داخل نافذة النتائج الرئيسية (Results Window). توضح هذه الرسائل الآلية الحسابية التي اتبعها البرنامج لبناء الرسم، حيث يظهر نص يشبه ما يلي:

(bin=8, start=142, width=11.375)

يكشف هذا الإخراج النصي البالغ الأهمية أن Stata قد قام تلقائياً بحساب المدى الكلي لمتغير الطول، وقرر تقسيم البيانات إلى 8 فئات متساوية (Bins)، حيث تبدأ الفئة الأولى عند القيمة 142 بوصة، وبلغ العرض الحسابي الدقيق لكل فئة 11.375 وحدة قياس.

عند النظر إلى الرسم الناتج في النافذة الرسومية، يلاحظ الباحث أن المدرج التكراري يتألف من 8 أعمدة مستطيلة متلاصقة تعلو المحور الأفقي الذي يمثل درجات الطول، بينما يعرض المحور الرأسي قيماً كسرية صغيرة تبدأ من الصفر وتتدرج تصاعدياً. يتيح هذا التمثيل الأولي السريع للمحلل ملاحظة أن طول السيارات يتمركز بشكل كثيف في الفئات المتوسطة الواقعة بين 170 و 200 بوصة، مع تراجع تدريجي متوازن نحو الأطراف، مما يعطي انطباعاً أولياً قوياً باقتراب المتغير من خصائص التوزيع الطبيعي المتماثل.

3.2 فهم المقياس الافتراضي: كثافة التوزيع (Density)

من أبرز السمات التي تميز Stata عن غيره من البرمجيات الإحصائية التجارية (مثل SPSS أو Excel) هو اعتماده الافتراضي على مقياس الكثافة الاحتمالية (Density Scale) على المحور الرأسي بدلاً من التكرارات المطلقة. يُثير هذا السلوك الافتراضي حيرة العديد من المستخدمين الجدد عندما يرون أرقاماً كسرية دقيقة جداً (مثل 0.005 أو 0.015) على المحور الصادي للمتغيرات، مما يتطلب فهماً عميقاً للمسوغات الرياضية والإحصائية الكامنة وراء هذا التصميم المنهجي.

من المنظور الرياضي، يُعرف مقياس الكثافة بأنه التكرار النسبي للمشاهدات في الفئة مقسوماً على عرض الفئة ذاتها. وبناءً على هذا التعريف الصارم، فإن ارتفاع كل عمود في الرسم لا يمثل عدد الحالات بحد ذاته، بل يمثل كثافة المشاهدات لكل وحدة قياس على المحور الأفقي. والنتيجة الرياضية الحاسمة لهذه الصيغة هي أن “المساحة الإجمالية” لجميع الأعمدة المستطيلة المكونة للمدرج التكراري تصبح مساوية تماماً للواحد الصحيح (Total Area = 1.0)، وهو ما يتطابق رياضياً مع المفهوم النظري لدالة كثافة الاحتمال (Probability Density Function – PDF) في نظرية الاحتمالات الرياضية.

يُعد مقياس الكثافة هو الخيار الأنسب والأكثر دقة في السياقات البحثية المتقدمة لعدة أسباب؛ أولاً: يتيح هذا المقياس مقارنة عينات ذات أحجام مختلفة تماماً على نفس الأساس الرياضي دون أن يتأثر الارتفاع بحجم العينة الكلي؛ ثانياً: يمثل مقياس الكثافة الشرط الرياضي الوحيد الذي يسمح بتركيب منحنيات التوزيع النظرية (مثل منحنى التوزيع الطبيعي أو تقدير الكثافة اللبية Kernel Density) فوق أعمدة المدرج التكراري ومطابقتها بصرياً بصورة صحيحة ومتكاملة، وهو أمر يستحيل تحقيقه رياضياً عند استخدام مقاييس التكرار الخام المطلق.

3.3 حفظ وإدارة نوافذ الرسم البياني الأولية

عند قيام الباحث بتنفيذ أوامر رسومية متعددة ومتتالية في Stata، يقوم البرنامج افتراضياً باستبدال الرسم السابق في نافذة العرض بالرسم الجديد تحت الاسم التلقائي Graph. هذا السلوك قد يؤدي إلى فقدان المخططات التي تم إنشاؤها سابقاً ما لم يتم حفظها في الذاكرة أو على القرص الصلب. لتجاوز هذه المشكلة وتسهيل المقارنة بين مدرجات تكرارية متعددة، يوفر Stata خيار التسمية المؤقتة داخل الذاكرة name().

يمكن تطبيق هذا الخيار عبر كتابة الأمر البرمجي التالي لتخصيص اسم مستقل لكل رسم في الذاكرة الجارية:

hist length, name(hist_len_default, replace)

hist price, name(hist_price_default, replace)

يضمن استخدام المعامل replace داخل قوس التسمية استبدال الرسم الذي يحمل نفس الاسم في حال إعادة تشغيل الكود البرمجي دون توقف البرنامج بإشعار خطأ وجود رسم مسبق.

للتحكم في نوافذ الرسوم المفتوحة وتنظيم مساحة سطح العمل الإحصائي، يتيح Stata حزمة من الأوامر البرمجية المباشرة؛ حيث يمكن استخدام الأمر التالي لإغلاق نافذة رسم معينة:

graph close hist_len_default

أو إغلاق كافة النوافذ الرسومية المفتوحة دفعة واحدة باستخدام الأمر الشامل:

graph close _all

يساعد هذا التحكم المنهجي المنظم في تجنب تراكم النوافذ وضمان بقاء بيئة العمل التحليلية مرتبة وفعالة طوال فترة التحليل الإحصائي.

4. تعديل مقياس المحور الرأسي (Y-Axis Metrics)

4.1 عرض التكرارات المطلقة باستخدام خيار frequency

على الرغم من الأهمية النظرية لمقياس الكثافة الاحتمالية، إلا أن العديد من التطبيقات الإحصائية والتقارير التنفيذية تتطلب عرض البيانات بلغة بسيطة ومباشرة يسهل فهمها من قبل القراء وصناع القرار غير المتخصصين في الرياضيات المتقدمة. في هذه الحالات، يُعد تمثيل “التكرار المطلق” (Frequency)—أي العدد الفعلي للمشاهدات والحالات التي تقع داخل كل فئة رقمية—هو الخيار الأكثر ملاءمة ووضوحاً على الإطلاق.

لتحويل مقياس المحور الرأسي في Stata من الكثافة الافتراضية إلى التكرار المطلق، يتم تزويد الأمر بالخيار frequency أو اختصاره freq بعد الفاصلة، كما في الكود التالي:

hist length, frequency

عند تنفيذ هذا الأمر، يقوم محرك الرسوم البيانية بإعادة حساب المحور الرأسي ليصبح معبراً عن عدد السيارات الفعلي (Number of Observations)، حيث يتغير تدريج المحور الصادي ليُظهر أعداداً صحيحة (مثل 5، 10، 15، 20 سيارة) تتناسب طردياً مع ارتفاع المستطيلات.

لتسهيل قراءة الأعداد الدقيقة على المحور، يُفضل دائماً ضبط التدرجات الرقمية والفواصل (Ticks) للمحور الرأسي باستخدام الخيار الإضافي ylabel()، وذلك لضمان ظهور قيم صحيحة منتظمة تتوافق مع التكرارات الفعلية للبيانات:

hist length, freq ylabel(0(5)25, angle(horizontal))

يحدد الكود أعلاه بدء المحور من الصفر وحتى 25 بزيادة قدرها 5 وحدات لكل تدريج، مع تدوير أرقام المحور أفقياً لتوفير قراءة مريحة ودقيقة للقارئ.

4.2 عرض النسب المئوية باستخدام خيار percent

يُمثل خيار “النسب المئوية” (Percent) المعيار الذهبي الأكثر شيوعاً واستخداماً في الأبحاث الاجتماعية والاقتصادية وكتابة الأوراق العلمية للجامعات والمؤتمرات. يوفر مقياس النسبة المئوية فهماً نسبياً سلساً لتوزيع البيانات دون الاعتماد على الحجم الكلي للعينة، مما يسهل على القارئ إدراك أن فئة معينة تضم مثلاً 30% من إجمالي مشاهدات العينة الإحصائية المستهدفة.

يمكن تحويل المدرج التكراري ليعرض النسب المئوية مباشرة عبر تمرير الخيار percent للأمر:

hist length, percent

عند تطبيق هذا الأمر، يقوم Stata بحساب النسبة المئوية لكل فئة بقسمة تكرارها الفعلي على الحجم الكلي للعينة ($N=74$) وضرب الناتج في 100، وتعديل تسمية المحور الرأسي تلقائياً إلى “Percent”.

تكمن الميزة الرياضية الحاسمة لخيار percent في أن مجموع الارتفاعات النسبية لكافة المستطيلات في المدرج التكراري يُشكل دائماً 100% بالضبط، بشرط أن تكون الفئات ذات عروض متساوية ومحددة. يُعد هذا التمثيل مثالياً عند تضمين المخطط في تقارير إحصائية مقارنة، حيث يتيح للجمهور استيعاب الثقل النسبي لكل شريحة من شرائح المجتمع الإحصائي بصورة بديهية وسريعة تفوق بكثير مقياس الكثافة المجرد أو التكرار المطلق.

4.3 عرض الكسور والنسب العشرية باستخدام خيار fraction

يُعد خيار “الكسور أو التكرارات النسبية العشرية” (Fraction) بديلاً رياضياً وسيطاً بين التكرار المطلق والنسبة المئوية. يقوم هذا المقياس بتمثيل وزن كل فئة ككسر عشري يقع بدقة في النطاق المحصور بين 0.0 و 1.0، حيث يمثل الرقم 1.0 كامل المجتمع الإحصائي المدروس. يُستخدم هذا التمثيل بشكل خاص في النمذجة الاحتمالية المتقدمة، وبحوث العمليات، ونظريات اتخاذ القرار الرياضي.

لتطبيق مقياس الكسور في Stata، يتم استخدام الخيار fraction كما هو موضح في الكود التالي:

hist length, fraction

يقوم البرنامج بضبط المحور الرأسي ليعرض قيماً مثل 0.05 و 0.10 و 0.25، مما يعكس الاحتمال التجريبي البسيط لوقوع أي مشاهدة عشوائية ضمن حدود تلك الفئة المعينة.

لتوضيح الفروق المنهجية بين المقاييس الأربعة المتاحة في Stata، نستعرض المقارنة التحليلية التالية:

• الكثافة (Density – الافتراضي): مساحة الأعمدة الكلية = 1.0؛ يُستخدم حصرياً للنمذجة الرياضية وتركيب منحنيات التوزيع النظرية.
• التكرار المطلق (Frequency): ارتفاع الأعمدة يعكس عدد المشاهدات الفعلي؛ ممتاز للعينات المفردة والتقارير الإدارية والتنفيذية المباشرة.
• النسبة المئوية (Percent): مجموع ارتفاع الأعمدة = 100%؛ هو الخيار الأكاديمي القياسي الأكثر مرونة للمقارنات واستقراء الأوزان النسبية.
• الكسر العشري (Fraction): مجموع ارتفاع الأعمدة = 1.0؛ يُستخدم في التطبيقات الاحتمالية والرياضية البحتة.

5. التحكم في الفئات والأعمدة (Bins and Bin Width)

5.1 التحكم في عدد الفئات عبر خيار bin()

يُعد اختيار العدد المناسب للفئات أو الأعمدة (Number of Bins) القرار المنهجي الأكثر تأثيراً على الإطلاق في تحديد المظهر البصري للمدرج التكراري ودقة الرسالة الإحصائية التي ينقلها. عندما يُترك الأمر لـ Stata، يقوم البرنامج بتطبيق صيغ حسابية قياسية مبنية على لوغاريتم حجم العينة (مثل صيغة ستورجس Sturges’ Rule أو صيغة سكوت Scott’s Rule) لاختيار عدد الفئات. ومع ذلك، قد لا تتوافق هذه الصيغ التلقائية دائماً مع الأهداف التحليلية العميقة للباحث، مما يقتضي التدخل البرمجي لتعديل هذا العدد.

يتيح خيار bin(#) تحديد عدد الأعمدة بدقة رياضية صارمة، حيث يتم استبدال الرمز # بالعدد الصحيح المرغوب للفئات. على سبيل المثال، لتوليد مدرج تكراري مقسم إلى 10 فئات متساوية تماماً، نكتب الكود التالي:

hist length, bin(10) percent

تترتب على التلاعب بعدد الفئات تبعات إحصائية بالغة الحساسية؛ فإذا اختار الباحث عدداً كبيراً جداً من الفئات (مثل bin(16) أو أكثر)، فإن ذلك قد يؤدي إلى تفكيك البيانات وتشتيتها، وظهور فجوات وفراغات عشوائية بين الأعمدة لا تمثل انقطاعاً حقيقياً في المجتمع، بل ناتجة عن صغر حجم العينة داخل كل فئة ضيقة (Under-smoothing).

على النقيض من ذلك تماماً، إذا تم اختيار عدد فئات قليل ومحدود جداً (مثل bin(4))، فإن المخطط سيعاني من مشكلة “التنعيم المفرط” (Over-smoothing)، حيث تُدمج التفاصيل الجوهرية وتختفي معالم الالتواء أو التعددية النمطية للقمم (Multimodality) خلف مستطيلات عريضة ومصمتة لا تفصح عن الطبيعة الحقيقية للتوزيع.

5.2 تحديد عرض الفئة برمجياً باستخدام خيار width()

في العديد من الدراسات التطبيقية، يفضل الباحثون تحديد “العرض الفيزيائي أو الحسابي” لكل فئة بدلاً من تحديد العدد الإجمالي للفئات. على سبيل المثال، عند دراسة أطوال السيارات أو أعمار الأفراد أو دخول الأسر، قد يكون من المنطقي جداً تجميع البيانات في فئات ذات مدى ثابت يسهل تفسيره ذهنياً، مثل فئات تمثل 5 بوصات، أو 10 سنوات، أو 1000 دولار.

يوفر Stata خيار width(#) لتحقيق هذه الغاية بكل دقة وسهولة. عند تحديد العرض، يقوم البرنامج تلقائياً بحساب عدد الأعمدة اللازمة لتغطية المدى الكلي للمتغير بناءً على ذلك العرض المحدد. لتحديد عرض الفئة بـ 5 بوصات لمتغير الطول، نطبق الأمر التالي:

hist length, width(5) percent

سيقوم المحرك بإنشاء أعمدة يبلغ اتساع قاعدة كل منها 5 وحدات طولية بالضبط على المحور السيني، مما يسهل الربط المباشر بين المقياس البصري والوحدات القياسية الواقعية.

تجدر الإشارة إلى وجود قاعدة قواعدية صارمة في لغة Stata تمنع الجمع المتزامن بين خياري bin() و width() في أمر واحد؛ حيث يُعتبر ذلك تعارضاً منطقياً ينتج عنه ظهور رسالة الخطأ الشهيرة options bin() and width() may not be combined. يجب على المحلل الاختيار الحصري بين تحديد العدد الكلي للأعمدة عبر bin() أو تحديد العرض الهندسي لكل عمود عبر width().

5.3 تحديد نقطة البداية للفئات عبر خيار start()

عند تحديد عرض الفئات أو عددها، قد يقع Stata تلقائياً في اختيار نقطة بداية كسرية غير مألوفة تتطابق مع أدنى قيمة مسجلة في ملف البيانات، كأن تبدأ الفئة الأولى مثلاً عند القيمة $141.87$. يؤدي هذا التحديد التلقائي إلى ظهور حدود فئات غير متناسقة على المحور الأفقي (مثل 141.87 إلى 151.87)، مما يقلل من المقروئية والجاذبية الأكاديمية للمخطط البياني.

لحل هذه المشكلة الهندسية وتحقيق المحاذاة المثالية مع الأرقام الصحيحة والمعايير الموضوعية للمتغير، يُستخدم خيار start(#) لتحديد القيمة الرياضية الدقيقة التي تنطلق منها حافة المستطيل الأول في المدرج التكراري. على سبيل المثال، لبدء تجميع أطوال السيارات من رقم صحيح واضح مثل 140 بوصة مع جعل عرض كل فئة 10 بوصات، نكتب الأمر التالي:

hist length, width(10) start(140) percent

يحقق هذا الأمر مواءمة هندسية فائقة، حيث تصبح حدود الفئات مقسمة بانتظام مطلق: $[140, 150), [150, 160), [160, 170)$، وهكذا دواليك. تسهم هذه المحاذاة المتقنة في رفع الكفاءة الاتصالية للرسم البياني وتتيح للقارئ استيعاب المجالات العددية دون أي التباس حسابي.

6. إضافة منحنيات التوزيع النظري (Density Overlays)

6.1 مطابقة التوزيع الطبيعي باستخدام خيار normal

يُعد التحقق من فرضية الاعتدالية (Normality Assumption) أحد أهم الأركان في الإحصاء الاستدلالي الكلاسيكي. يوفر Stata إمكانية بصرية مذهلة لإجراء تقييم أولي لتطابق البيانات الفعلية مع التوزيع الطبيعي النظري عبر تركيب منحنى التوزيع الطبيعي المعياري (Gauss Bell Curve) مباشرة فوق أعمدة المدرج التكراري.

يتم تفعيل هذه الميزة الفائقة ببساطة متناهية من خلال إضافة الخيار normal إلى أمر المدرج التكراري:

hist length, normal

يقوم Stata تلقائياً بحساب المتوسط الحسابي ($\bar{x}$) والانحراف المعياري ($s$) الفعليين للمتغير من العينة، ثم يولد منحنى طبيعياً نظرياً يمتلك نفس هذا المتوسط والانحراف المعياري، ويرسمه بخط متصل وأملس فوق الأعمدة التكرارية.

يتيح هذا التراكب البصري للباحث ملاحظة مواضع القصور أو الزيادة في التوزيع التجريبي مقارنة بالنموذج النظري المثالي؛ فإذا كانت الأعمدة تتطابق بدقة تحت قبة المنحنى مع ذيول متناظرة، فإن ذلك يعزز فرضية الاعتدالية. ومع ذلك، تؤكد الأدبيات المنهجية أن هذا الفحص البصري يجب أن يتكامل دائماً مع الاختبارات الإحصائية الصارمة للاعتدالية، مثل اختبار شابيرو-ويلك (Shapiro-Wilk test) عبر الأمر swilk length أو اختبار سكونس وكورتوسيز sktest length لتقديم حكم قطعي ومعزز إحصائياً.

6.2 إضافة منحنى الكثافة اللامعلمي باستخدام خيار kdensity

إذا كان منحنى التوزيع الطبيعي يفرض شكلاً رياضياً محدداً سلفاً، فإن تقدير الكثافة اللبية (Kernel Density Estimation – KDE) يُعد أسلوباً لا معلمياً (Non-parametric) فائق التطور والذكاء. يقوم هذا الأسلوب برسم منحنى أملس ومستمر يعكس التوزيع الحقيقي للبيانات كما هي، دون فرض أي افتراضات مسبقة حول شكل التوزيع أو تماثله.

يمكن تركيب منحنى الكثافة اللامعلمي فوق المدرج التكراري عبر إضافة الخيار kdensity:

hist length, kdensity

تتميز الكثافة اللبية بقدرتها الفائقة على كشف التفاصيل المعقدة التي قد يخفيها التوزيع الطبيعي، مثل وجود أكثر من قمة نمطية (Bimodal or Multimodal Distribution)، أو وجود انحرافات حادة وتجمعات موضعية في مناطق معينة من المدى العددي.

بل ويمكن للباحث المتقدم الجمع بين المنحنيين معاً في رسم واحد لمقارنة التوزيع الفعلي الحقيقي اللامعلمي بالتوزيع الطبيعي النظري المستهدف، وذلك عبر الكود التكاملي التالي:

hist length, normal kdensity

يولد هذا الأمر مخططاً ثلاثي الأبعاد المفاهيمية يتكون من: الأعمدة التكرارية الفعلية، ومنحنى الكثافة الطبيعي، ومنحنى الكثافة اللبية، مما يوفر تشخيصاً توزيعياً بصرياً شاملاً ومكتملاً لا تضاهيه أي وسيلة بيانية أخرى.

6.3 تخصيص خطوط ومنحنيات التوزيع المضافة

لضمان التمييز البصري الواضح والاحترافي عند تركيب المنحنيات النظرية فوق المدرجات التكرارية، يوفر Stata خيارات فرعية متقدمة للتحكم في كافة الخصائص الهندسية والجمالية لتلك الخطوط، مثل اللون (Color)، والسماكة (Width)، ونمط الخط (Pattern).

يتم التحكم في خصائص المنحنى الطبيعي عبر الخيار المركب normopts()، بينما يتم التحكم في منحنى الكثافة اللبية عبر الخيار المركب kdenopts(). يوضح المثال البرمجي التالي كيفية تخصيص المنحنيين لمنع التداخل اللوني وضمان أقصى درجات الوضوح:

hist length, normal normopts(lcolor(red) lwidth(medium) lpattern(dash)) kdensity kdenopts(lcolor(navy) lwidth(thick))

في هذا الكود المتقدم، قمنا بضبط المنحنى الطبيعي ليظهر بلون أحمر متقطع (Dashed Red Line) وبسماكة متوسطة، في حين تم ضبط منحنى الكثافة اللبية ليظهر بلون أزرق بحري عريض ومتصل (Solid Navy Line). يتيح هذا التمايز اللوني والشكلي للقارئ والمحكم الأكاديمي المقارنة الفورية بين المنحنيين وتمييزهما بسهولة فائقة حتى في حال طباعة الوثيقة بدقة منخفضة.

7. تخصيص المظهر الجمالي والألوان للأعمدة التكرارية

7.1 تعديل ألوان التعبئة الداخلية للأعمدة عبر fcolor()

يُمثل التنسيق اللوني عنصراً جوهرياً في تحويل المخططات الإحصائية من مجرد رسوم جافة إلى أدوات تواصل علمي جذابة وفعالة. يعتمد Stata على لوحة ألوان واسعة ومعيارية تُمكن الباحث من تغيير لون التعبئة الداخلي لمستطيلات المدرج التكراري بما يتناسب مع المعايير البصرية للمؤسسات الأكاديمية والمجلات العالمية المرموقة.

يتم التحكم في لون التعبئة الداخلي للأعمدة باستخدام الخيار fcolor() (اختصار Fill Color). يدعم Stata حزمة ضخمة من الأسماء اللونية المعيارية المدمجة، مثل: الأزرق الداكن navy، والأخضر الغابي forest_green، والأحمر التوتي cranberry، والرمادي الفاتح gs12، والبرتقالي المحروق sienna. لتطبيق لون أزرق داكن رصين على مدرج أسعار السيارات، نكتب:

hist price, fcolor(navy) percent

علاوة على الألوان المدمجة، تتيح الإصدارات الحديثة من Stata استخدام نماذج الألوان المخصصة بدقة عبر قيم RGB (Red, Green, Blue) أو تفعيل درجات الشفافية والتظليل اللوني (Color Opacity) عبر تمرير نسبة مئوية ملحقة باسم اللون. على سبيل المثال، لتطبيق لون كحلي بنسبة شفافية 60% لإضفاء طابع بصري حديث وأنيق، يمكن كتابة:

hist price, fcolor(navy%60) percent

تسهم هذه الشفافية في تخفيف الحدة البصرية للأعمدة وإبراز خطوط الشبكة الخلفية المتقاطعة بسلاسة وجمال متناهيين.

7.2 تخصيص حدود الأعمدة وخطوط التقسيم عبر lcolor() و lwidth()

تُعاني المدرجات التكرارية التي تستخدم نفس اللون للتعبئة والحدود الخارجية من مشكلة التصاق المستطيلات بصرياً وفقدان التحديد الفاصل بين الفئات المتجاورة، ولا سيما عند تقارب ارتفاعات الأعمدة. للتغلب على هذه المشكلة، يتطلب الإخراج البياني عالي الجودة تحديد إطار خارجي بلون مغاير وسماكة منضبطة لكل عمود.

يوفر Stata خيارين متكاملين للتحكم في الإطار الهندسي للأعمدة:

• lcolor() (Line Color): لتحديد لون الخط المحيط بالمستطيلات (مثل black أو white أو slate).
• lwidth() (Line Width): لتحديد سماكة الخط الخارجي باستخدام مستويات قياسية متدرجة: vthin (رفيع جداً)، thin (رفيع)، medium (متوسط)، thick (عريض).

يوضح الكود التالي تطبيق هذه الخيارات الهندسية لإنشاء مدرج تكراري يتميز بتعبئة بلون رمادي فولاذي ناعم مع حدود سوداء رفيعة وحادة تفصل بين كل فئة وأخرى بدقة متناهية:

hist price, fcolor(gs10) lcolor(black) lwidth(thin) percent

يضمن هذا الفصل البصري الصارم إبراز الانتقال التدريجي بين الفئات ومنح المخطط مظهراً هندسياً احترافياً يتوافق مع أرقى معايير دور النشر الأكاديمية.

7.3 تطبيق السمات والقوالب البصرية الجاهزة (Graph Schemes)

تحتوي منصة Stata على نظام متكامل وقوي لإدارة القوالب والسمات الرسومية يُعرف باسم (Schemes). تتحكم السمة في كافة الجوانب التنسيقية للرسم دفعة واحدة وبصورة متسقة تماماً؛ بما في ذلك لون خلفية منطقة الرسم، ونوع وحجم الخطوط، ومواضع العناوين، وشكل مفاتيح المصطلحات، ولوحة الألوان الافتراضية المعتمدة لكافة العناصر.

يمكن للمستخدم التبديل بين السمات الجاهزة المضمنة في البرنامج داخل أمر الرسم مباشرة عبر الخيار scheme(). ومن أبرز السمات المعيارية الشائعة:

• scheme(s2color): السمة الكلاسيكية الافتراضية في إصدارات Stata السابقة (تتميز بخلفية زرقاء مائلة للرمادي).
• scheme(s1color): سمة حديثة وأنيقة تتميز بخلفية بيضاء نقية وخطوط سوداء حادة، وتُعد مثالية للمقالات العلمية.
• scheme(s1mono): سمة مونوكرومية مصممة خصيصاً للطباعة بالأبيض والأسود والتدرج الرمادي دون استخدام أي ألوان.
• scheme(economist): سمة احترافية تحاكي النمط البصري والجمالي المعتمد في مجلة The Economist العالمية الشهيرة.
• scheme(stata2015) / scheme(stata): السمات الافتراضية العصرية المعتمدة في الإصدارات الحديثة لـ Stata.

لتطبيق سمة الأبيض والأسود الأكاديمية الصارمة على مدرج كفاءة الوقود، نكتب الأمر التالي:

hist mpg, scheme(s1mono) percent

إذا رغب الباحث في اعتماد سمة معينة كقالب افتراضي دائم لكافة الرسوم التي يتم إنشاؤها طوال جلسة العمل الحالية دون الحاجة لتكرار الخيار في كل أمر، يمكنه ضبط السمة العامة مسبقاً عبر الأمر الإجرائي:

set scheme s1color, permanently

يضمن هذا الإجراء توحيد الهوية البصرية لكافة الرسوم البيانية المتضمنة في المشروع البحثي بكفاءة واتساق تامين.

8. تخصيص العناوين، التسميات، والمحاور الإحصائية

8.1 إضافة وتنسيق العناوين الرئيسية والفرعية والملاحظات

لا يكتمل أي رسم بياني علمي دون توثيق سياقي وبياني دقيق يوضح للجمهور طبيعة البيانات المعروضة ومصدرها. يمتلك Stata نظاماً هرمياً شاملاً لإضافة النصوص التوضيحية يشتمل على: العنوان الرئيسي (Title)، والعنوان الفرعي (Subtitle)، والملاحظات التذييلية (Notes)، والتعليقات الإضافية (Captions).

يتم إضافة العنوان الرئيسي باستخدام الخيار title("النص المراد عرضه"). يتيح Stata تخصيص حجم الخط وموضعه ولونه داخل نفس الخيار عبر معلمات فرعية مثل size() و color() و position().

يُستخدم الخيار subtitle("النص") لإدراج عنوان فرعي شارح يوضع عادةً مباشرة أسفل العنوان الرئيسي بخط أصغر نسبياً لتوضيح تفاصيل العينة أو النطاق الزمني للدراسة.

أما الخيار note("النص")، فيُعد من أهم العناصر التوثيقية المنهجية، حيث يُوضع في أسفل يسار المخطط لتوثيق مصدر البيانات الأصلي، أو حجم العينة الإجمالي ($N$)، أو الشروط الاستبعادية المطبقة.

يوضح الكود التكاملي التالي كيفية دمج هذه العناصر النصية لإنشاء مدرج تكراري متكامل وموثق أكاديمياً بأعلى مستويات الاحتراف:

hist price, percent title("توزيع أسعار السيارات لعام 1978", size(medium) color(navy)) subtitle("عينة استطلاعية لشركات صناعة السيارات الأمريكية والأجنبية", size(small)) note("المصدر: بيانات U.S. Automobile Data (N=74) - معالجة الباحث", size(vsmall))

8.2 تعديل تسميات ونطاقات المحورين الأفقي والرأسي

يقوم Stata افتراضياً باستخدام التسميات الوصفية المخزنة للمتغير (Variable Labels) كعناوين للمحاور، ولكن هذه التسميات قد تكون أحياناً طويلة جداً أو مكتوبة باللغة الإنجليزية المختصرة غير الملائمة للنشر في الأبحاث العربية. تتيح حزمة خيارات المحاور تعديلاً شاملاً لنصوص ونطاقات وتدريجات المحورين الأفقي والرأسي.

يتم تخصيص عنوان المحور الأفقي باستخدام الخيار xtitle("النص ووحدة القياس")، وعنوان المحور الرأسي باستخدام ytitle("النص"). بالإضافة إلى ذلك، يُستخدم الخياران الحسابيان xlabel() و ylabel() للتحكم الدقيق في القيم المعروضة وفواصل التدريج على طول المحاور.

يوضح المثال البرمجي التالي كيفية صياغة وتحديد نطاقات المحاور بصورة دقيقة ومريحة للمستخدم:

hist price, percent width(2000) start(2000) xtitle("سعر الشراء (بالدولار الأمريكي)") ytitle("النسبة المئوية من إجمالي السيارات (%)") xlabel(2000(2000)16000, grid) ylabel(0(5)35, angle(0) format(%2.0f))

في هذا التطبيق العملي، قمنا بضبط المحور الأفقي ليبدأ من 2000 دولار وينتهي عند 16000 دولار بفاصل قدره 2000 دولار لكل تدريج، كما قمنا بضبط المحور الرأسي ليتدرج من 0% إلى 35% بخطوات مقدارها 5%، مع استخدام angle(0) لتدوير الأرقام أفقياً و format(%2.0f) لضمان ظهور الأرقام بدون كسور عشرية غير مرغوبة.

8.3 التحكم في خطوط الشبكة وتنسيق مساحة الرسم

تلعب خطوط الشبكة المتقاطعة (Grid Lines) دوراً محورياً في مساعدة القارئ على تتبع الارتفاعات الدقيقة للأعمدة وقراءة القيم المقابلة لها على المحاور دون الحاجة لاستخدام مسطرة يدوية. يتيح Stata التحكم الكامل في إظهار أو إخفاء أو تعديل أنماط خطوط الشبكة لكل محور على حدة.

يمكن تفعيل خطوط الشبكة الأفقية داخل خيار ylabel() عبر كتابة المعامل grid، أو إخفاؤها تماماً عبر المعامل nogrid. كما يمكن تخصيص لون ونمط خطوط الشبكة باستخدام خيارات فرعية مثل glcolor(gs14) لاختيار لون رمادي فاتح جداً وغير مشتت للانتباه، و glpattern(dot) لجعل الخطوط منقطة وناعمة.

علاوة على ذلك، يمكن التحكم في الهوامش المحيطة بمنطقة الرسم البياني وتلوين المساحة الخلفية (Plot Region) باستخدام خيارات مثل plotregion(color(white) margin(medium)) و graphregion(color(white)). يضمن هذا التنسيق المتكامل إزالة أي إطارات رمادية قديمة والحصول على مخطط نقي يمتلك خلفية بيضاء ساطعة تبرز الأعمدة الإحصائية وتفي بمتطلبات التصميم المعتمدة في أرقى المجلات العلمية المصنفة ضمن قواعد بيانات Scopus و Web of Science.

9. تقسيم المدرجات التكرارية والتحليل المقارن للمجموعات (Subgroups)

9.1 توليد مدرجات تكرارية متعددة حسب متغير تصنيفي باستخدام by()

في العديد من الدراسات التحليلية المقارنة، لا يكتفي الباحث بفحص توزيع المتغير على مستوى العينة الإجمالية ككتلة واحدة، بل يسعى لاكتشاف الفروق والتباينات الهيكلية في التوزيع بين مجموعات فرعية مصنفة وفقاً لمتغير نوعي أو فئوي؛ مثل مقارنة توزيع الأجور بين الذكور والإناث، أو مقارنة مؤشرات الأداء بين الدول المتقدمة والنامية. في مجموعة بيانات السيارات auto.dta، يبرز المتغير الثنائي foreign الذي يصنف السيارات إلى سيارات محلية الصنع (Domestic) وسيارات مستوردة (Foreign).

يوفر Stata أداة برمجية فائقة القوة لتقسيم المدرج التكراري إلى لوحات فرعية متجاورة (Trellis / Small Multiples) باستخدام الخيار الهيكلي by(groupvar). لتوليد مدرجين تكراريين يقارنان توزيع طول السيارات المحلية بالمستوردة، نكتب الأمر التالي:

hist length, percent by(foreign)

يقوم محرك الرسوم في Stata بإنشاء نافذة واحدة تحتوي على شبكة بصرية تضم لوحتين منفصلتين: الأولى للسيارات المحلية والأخرى للمستوردة. والأهم من ذلك من الناحية المنهجية أن Stata يقوم “تلقائياً وبشكل افتراضي” بتوحيد مقاييس المحورين الأفقي والرأسي بين كافة اللوحات الفرعية، وهو شرط إحصائي لا غنى عنه لإجراء مقارنة بصرية عادلة وموضوعية تمنع أي تضليل ناتج عن تباين المقاييس.

للتحكم في الترتيب الهندسي للوحات الفرعية، يمكن تزويد خيار by() بمعلمات إضافية مثل rows(#) لتحديد عدد الصفوف، أو cols(#) لتحديد عدد الأعمدة. لترتيب اللوحات عمودياً فوق بعضها البعض لتسهيل مقارنة المحور الأفقي، نطبق الكود التالي:

hist length, percent by(foreign, rows(2))

9.2 تخصيص العناوين والهوامش في الرسوم الفرعية المتعددة

عند استخدام الخيار by()، يقوم Stata بإنشاء مربعات عناوين رمادية افتراضية فوق كل لوحة فرعية تحتوي على اسم وقيمة الفئة (Subgroup Label). يمكن للباحث تخصيص هذه الصناديق النصية بالكامل، أو تعديل مظهرها، أو حتى دمج رسم يمثل “العينة الكلية الإجمالية” جنباً إلى جنب مع المجموعات الفرعية لتعزيز العمق التحليلي للمقارنة.

يتحقق هذا التضمين الشامل للعينة الكلية عبر تفعيل الخيار total داخل عبارة by(). كما يمكن تعديل موضع مفاتيح المصطلحات وإلغاء تكرار تسميات المحاور غير الضرورية لتقليل “الحبر غير البياني” (Non-data Ink) وفقاً لمبادئ العالم الشهير إدوارد توفتي (Edward Tufte) في التصميم الإحصائي.

يوضح المثال البرمجي التالي كيفية بناء لوحة مقارنة متكاملة تحتوي على المجموعات الفرعية مع العينة الكلية وبإخراج تنسيقي متطور:

hist length, percent width(10) start(140) by(foreign, total title("مقارنة توزيع أطوال السيارات حسب منشأ الصنع", size(medium)) note("المصدر: قاعدة بيانات السيارات 1978") norescale)

يضمن استخدام الخيار norescale الحفاظ الصارم على وحدة المقياس الرأسي المشترك بين لوحة السيارات المحلية، ولوحة السيارات المستوردة، ولوحة المجموع الكلي، مما يتيح للعين البشرية استيعاب الفروق التوزيعية فوراً وبكل دقة وموضوعية.

9.3 تراكب المدرجات التكرارية (Overlaid Histograms) باستخدام twoway

على الرغم من فعالية تقسيم الشاشة إلى لوحات متعددة باستخدام by()، إلا أن بعض السياقات البحثية تتطلب مقارنة أدق عبر دمج وتراكب المدرجين التكراريين معاً في مساحة رسم واحدة وفوق نفس المحاور المشتركة (Overlaid Histograms). تتيح هذه التقنية رؤية مناطق التقاطع والتداخل والتباعد بين المجموعتين بصورة مباشرة لا لبس فيها.

لتحقيق هذا التراكب في Stata، ننتقل من أمر histogram البسيط إلى البنية الشاملة لرسوم twoway المركبة، والتي تسمح برسم طبقات رسومية متعددة فوق بعضها البعض. يتم ذلك بكتابة مدرج المجموعة الأولى في قوس مستقل متبوعاً بمدرج المجموعة الثانية، مع تطبيق شروط التصفية واستخدام الألوان الشفافة لتمييز الطبقات:

twoway (hist length if foreign==0, percent width(10) start(140) fcolor(navy%50) lcolor(navy)) (hist length if foreign==1, percent width(10) start(140) fcolor(cranberry%50) lcolor(cranberry)), legend(order(1 "سيارات محلية (Domestic)" 2 "سيارات مستوردة (Foreign)") pos(12) ring(1)) xtitle("طول السيارة (بوصة)") ytitle("النسبة المئوية داخل كل مجموعة (%)") title("تراكب التوزيع التكراري لأطوال السيارات")

في هذا الكود المتقدم والحصري، قمنا بتطبيق شفافية لونية بنسبة 50% للون الكحلي الخاص بالسيارات المحلية واللون القرمزي الخاص بالسيارات المستوردة، مما يسمح برؤية مناطق التداخل بين الفئتين بوضوح تام، مع تخصيص مفتاح المصطلحات (Legend) في أعلى الرسم لبيان دلالة كل لون بمنتهى الدقة والأناقة المعرفية.

10. التحكم في شروط التصفية والأوزان الإحصائية (If Conditions and Weights)

10.1 تطبيق شروط التصفية المنطقية if لتمثيل عينات محددة

نادراً ما يقوم المحلل الإحصائي المتقدم برسم كامل البيانات دون تطبيق قيود تصفية منهجية لاستبعاد المشاهدات غير المرغوبة، أو حصر التحليل في شريحة سكانية معينة، أو عزل القيم الشاذة والمتطرفة التي قد تشوه الصورة الكلية للتوزيع. تدعم لغة Stata دمج الشروط المنطقية المتقدمة باستخدام العبارة الشرطية if مباشرة داخل أمر المدرج التكراري.

تعتمد العبارات الشرطية على المعاملات الرياضية والمنطقية القياسية؛ مثل: أصغر من (<)، أكبر من (>)، يساوي منطقياً (==)، لا يساوي (!=)، بالإضافة إلى الروابط المنطقية “و” (&) و “أو” (|). على سبيل المثال، إذا رغب الباحث في دراسة التوزيع التكراري لأطوال السيارات الاقتصادية فقط والتي يقل سعرها عن 6000 دولار وتتجاوز كفاءة وقودها 20 ميلاً للجالون، يتم تنفيذ الأمر البرمجي التالي:

hist length if price 20, percent width(5) title("توزيع أطوال السيارات الاقتصادية") note("تقتصر العينة على السيارات بسعر 20 mpg")

من الناحية المنهجية والأخلاقية، تُعد الإشارة الصريحة إلى الشروط الاستبعادية المطبقة داخل الملاحظات التذييلية للرسم (Note) التزاماً أكاديمياً واجباً؛ لضمان الشفافية وإعلام القارئ بأن المخطط لا يعكس كامل العينة الأصلية بل يمثل فئة فرعية مقيدة بشروط محددة سلفاً.

10.2 دمج الأوزان الإحصائية (Sampling & Frequency Weights) في المدرج التكراري

في الدراسات المسحية الميدانية المعقدة وبحوث العلوم الاجتماعية والطبية، نادراً ما يتم جمع البيانات عبر العينات العشوائية البسيطة المتكافئة؛ بل تُستخدم تصاميم معاينة طبقية وعنقودية تقتضي إعطاء أوزان ترجيحية لكل مشاهدة لتمثيل المجتمع الإحصائي الحقيقي بدقة. يدعم Stata دمج الأوزان الإحصائية داخل أمر histogram بكفاءة رياضية مطلقة.

يوفر Stata نوعين رئيسيين من الأوزان التي يمكن استخدامها مع المدرجات التكرارية:

• أوزان التكرار (Frequency Weights – fweight): تُستخدم عندما تكون البيانات مجمعة ومجدولة، حيث يمثل متغير الوزن عدد التكرارات الفعلية لكل صف في ملف البيانات.
• أوزان المعاينة والتحليل (Analytic/Sampling Weights – aweight / pweight): تُستخدم لترجيح المشاهدات في العينات المسحية المعقدة لتصحيح احتمالات الاختيار غير المتساوية وتفاوت معدلات الاستجابة.

يتم تطبيق الأوزان بوضعها بين قوسين معقوفين [weight = varname] قبل الفاصلة مباشرة، كما في المثال التوضيحي التالي:

hist length [fweight = pop_weight], percent

إن إهمال دمج أوزان المعاينة عند رسم المدرجات التكرارية لبيانات المسوح الوطنية (مثل مسوح الدخل والإنفاق أو المسوح الديموغرافية والصحية DHS) يُعد خطأً منهجياً فادحاً يؤدي إلى توليد مدرجات مضللة تعكس عينة الدراسة المتحيزة بدلاً من تمثيل التوزيع الحقيقي للمجتمع المستهدف.

10.3 التعامل مع البيانات المتقطعة والمنفصلة (Discrete Variables)

على الرغم من أن المدرج التكراري مصمم في الأصل للمتغيرات المستمرة، إلا أن الباحثين يحتاجون في كثير من الأحيان إلى تمثيل متغيرات رقمية منفصلة أو متقطعة (Discrete Numeric Variables)؛ مثل عدد أفراد الأسرة، أو عدد غرف المسكن، أو مؤشرات تقييم جودة الإصلاح المرمزة بقيم صحيحة محدودة مثل متغير rep78 في بيانات السيارات (المقاس من 1 إلى 5 نجوم).

عند رسم متغير منفصل باستخدام الأمر الافتراضي، قد يقوم Stata بحساب فئات كسرية تقسم الأرقام الصحيحة وتؤدي إلى وضع حواف الأعمدة في مواقع غريبة ومربكة. لحل هذه المشكلة بصورة جذرية، يوفر Stata الخيار المتخصص discrete:

hist rep78, discrete percent

عند تفعيل الخيار discrete، يقوم البرنامج تلقائياً بضبط الخوارزمية لإنشاء عمود مستقل لكل قيمة صحيحة فريدة موجودة في المتغير، مع محاذاة العمود بدقة هندسية متناهية ليتوسط الرقم الصحيح المقابل له على المحور الأفقي تماماً، وضبط عرض الأعمدة لمنع تداخلها. يوفر هذا الإجراء بديلاً بصرياً ممتازاً ومكافئاً للرسوم الشريطية، ولكنه يتيح الاستفادة الكاملة من كافة الخيارات الإحصائية المتقدمة المتاحة لمحرك المدرجات التكرارية في Stata.

11. الأخطاء الشائعة في رسم المدرجات التكرارية وتصحيحها في Stata

11.1 مشكلة التنعيم المفرط (Over-smoothing) والتفصيل المفرط (Under-smoothing)

يُمثل الوقوع في فخ التنعيم المفرط أو التفصيل المفرط أحد أكثر الأخطاء البصرية والتحليلية شيوعاً في الأبحاث التطبيقية. تنشأ هذه المشكلة عندما يختار الباحث عدداً غير متوازن من الفئات؛ ففي حالة “التنعيم المفرط” الناتجة عن استخدام عدد فئات قليل جداً (أعمدة عريضة جداً)، يتم اختزال التباينات الدقيقة وطمس معالم التوزيع التكراري، مما قد يخفي وجود التواءات هامة أو قمم ثانوية تعكس تجزؤاً في العينة.

في المقابل، تؤدي حالة “التفصيل المفرط” الناتجة عن اختيار عدد فئات مفرط الضخامة إلى تفتيت البيانات وظهور تذبذبات عشوائية ومستطيلات مفككة يتخللها العديد من الفجوات الصفرية، مما يشوش على القارئ ويجعله يظن خطأً أن التوزيع متقطع أو يعاني من فجوات هيكلية في حين أنها مجرد ضوضاء ناجمة عن صغر حجم العينة داخل كل فئة ضيقة للغاية.

لتجنب هذا الخلل وتحقيق التوازن الإحصائي الأمثل، يُوصى بالاعتماد على القواعد الرياضية الإرشادية الرصينة بدلاً من التخمين العشوائي. ومن أبرز هذه القواعد معادلة فريدمان-دياكونيس (Freedman-Diaconis Rule)، والتي تحدد العرض الأمثل للفئة ($h$) بناءً على المدى الربيعي (IQR) وحجم العينة ($N$) وفق الصيغة الرياضية:

$$h = 2 \times \text{IQR} \times N^{-1/3}$$

تتميز هذه القاعدة بمقاومتها الفائقة للقيم الشاذة، ويمكن للباحث حسابها سريعاً في Stata وتطبيق ناتجها مباشرة عبر خيار width(h) لضمان أدق تمثيل تكراري متوازن رياضياً.

11.2 سوء تفسير المحور الرأسي ومقارنة المجموعات غير المتكافئة

يقع العديد من المشتغلين بالتحليل الإحصائي في خطأ منهجي فادح عند محاولة إجراء مقارنات بصرية بين مجموعات فرعية ذات أحجام عينات شديدة التفاوت باستخدام مقياس التكرار المطلق frequency. على سبيل المثال، إذا كانت العينة تضم 500 سيارة محلية مقابل 50 سيارة مستوردة فقط، فإن رسم التكرار المطلق سيجعل أعمدة السيارات المحلية تبدو شاهقة الارتفاع بينما تبدو أعمدة السيارات المستوردة قزمة ومسطحة تماماً في قاع الرسم، مما يضلل القارئ بصرياً ويوحي بوجود فروق توزيعية جذرية قد لا تكون حقيقية على الإطلاق.

لتصحيح هذا الخطأ المنهجي الجسيم، يجب الامتثال لقاعدة إحصائية ذهبية: يُحظر تماماً استخدام التكرار المطلق للمقارنة البصرية بين مجموعات غير متساوية في الحجم. ويجب الاعتماد الحصري في مثل هذه المقارنات على مقياس “النسبة المئوية” percent أو مقياس “الكثافة” density، حيث يضمن هذان المقياسان معايرة الارتفاعات بنسبة موحدة تعكس الهيكل التوزيعي النسبي لكل مجموعة بمعزل تام عن تأثير الحجم الإجمالي للعينة.

كما يجب الحذر التام من عمليات “بتر أو قص أطراف المحاور” (Trimming Axes) عبر التضييق المفرط لنطاقات xlabel() أو ylabel()؛ حيث يؤدي استبعاد الأطراف قسراً إلى إخفاء القيم المتطرفة الهامة وتضليل المتلقي حول استقرار وتشتت الظاهرة المدروسة.

11.3 الأخطاء البرمجية الشائعة في كتابة أوامر الرسم وتصحيحها

أثناء كتابة وتنفيذ أوامر المدرجات التكرارية في ملفات Do-files، قد يواجه الباحثون بعض الأخطاء البرمجية الشائعة التي توقف تنفيذ البرنامج أو تنتج مخرجات مشوهة. من أشهر هذه الأخطاء الجمع المتناقض بين خيارات غير متوافقة برمجياً، مثل الجمع بين bin() و width()، أو كتابة الفاصلة في موقع غير صحيح يفصل بين اسم المتغير وخياراته الأساسية.

لتجنب وتصحيح هذه المشكلات الشائعة، نستعرض الإرشادات البرمجية التصحيحية التالية:

• خطأ option bin() not allowed: يحدث عادةً عند نسيان كتابة الفاصلة قبل قائمة الخيارات، حيث يعتبر Stata اسم الخيار متغيراً إضافياً مفقوداً. الحل: التأكد دائماً من وجود الفاصلة , بعد المتغير مباشرة.
• تداخل نصوص المحاور (Label Overlapping): يحدث عند تزاحم الأرقام على المحور الأفقي. الحل: إضافة المعامل alternate داخل خيار xlabel() لجعل النصوص تتناوب في سطرين، أو استخدام angle(45) لتدوير النصوص بزاوية مائلة تمنع التصاقها.
• أخطاء تعريب النصوص: في الإصدارات القديمة من Stata، قد تظهر النصوص العربية بترتيب حروف مقلوب. الحل: استخدام الإصدارات الحديثة (Stata 14 فما فوق) التي تدعم نظام الترميز العالمي الموحد Unicode (UTF-8) بالكامل عبر الأمر unicode encoding set utf-8، أو كتابة التسميات باللغة الإنجليزية للأبحاث الدولية.

12. حفظ وتصدير الرسوم البيانية وتضمينها في التقارير الأكاديمية

12.1 تصدير المدرجات التكرارية بصيغ نقطية وفيكتور عالية الدقة

عقب إتمام تصميم وتنسيق المدرج التكراري والوصول إلى الهيئة الجمالية والإحصائية المنشودة، تأتي الخطوة النهائية المتمثلة في تصدير الرسم وحفظه على هيئة ملف رقمي مستقل بجودة عالية تمهيداً لإدراجه في الأطروحة الجامعية أو الورقة البحثية المعدة للنشر.

يوفر Stata الأمر القوي والشامل graph export لتصدير الرسوم البيانية بمجموعة واسعة من الصيغ الرقمية الأكثر تقدماً في صناعة النشر:

أولاً: صيغ المتجهات الرسومية (Vector Graphics): تُعد الخيار الأفضل والأنقى على الإطلاق للطباعة والمجلات العلمية المحكمة؛ حيث تعتمد على معادلات رياضية لحفظ الخطوط والأشكال، مما يتيح تكبير الرسم وتصغيره إلى أي حجم دون أي فقدان في الحدة أو الجودة. ومن أهم هذه الصيغ: .pdf و .eps و .svg. يمكن تصدير الرسم بصيغة PDF عبر الأمر المباشر التالي:

graph export "Histogram_Length.pdf", as(pdf) replace

ثانياً: الصيغ النقطية عالية الدقة (High-Resolution Raster Formats): تُستخدم للعرض الرقمي وإدراج الصور في مستندات Microsoft Word ومواقع الويب، مثل صيغ .png و .tif. ولضمان امتثال الصورة لشروط المجلات العلمية الصارمة التي تشترط كثافة نقطية لا تقل عن 300 أو 600 نقطة في البوصة (DPI)، يوفر Stata خيار تحديد العرض بالبيكسل عبر width():

graph export "Histogram_Price.png", as(png) width(3000) replace

ينتج عن هذا الأمر صورة فائقة النقاء والدقة بدقة 3000 بكسل تبدو غاية في الوضوح والاحترافية عند إدراجها في أي تقرير مطبوع.

ثالثاً: صيغة Stata الأصلية (.gph): يُنصح دائماً بحفظ نسخة احتياطية من الرسم بصيغة Stata المدمجة عبر الأمر graph save "MyGraph.gph", replace؛ حيث تتيح هذه الصيغة إعادة فتح الرسم لاحقاً داخل البرنامج عبر أمر graph use وإجراء أي تعديلات نصية أو لونية مجهرية عليه دون الحاجة لإعادة كتابة كود الرسم بالكامل.

12.2 أتمتة إنتاج وتصدير الرسوم عبر Do-files متكاملة

تتجلى القوة البرمجية المطلقة لبرنامج Stata في القدرة على أتمتة المهام الرسومية المتكررة (Automation). فبدلاً من كتابة أوامر منفصلة وتصدير الرسوم يدوياً لعشرات المتغيرات واحداً تلو الآخر، يمكن للمحلل بناء حلقات تكرارية برمجية ذكية (Loops) باستخدام الأمر foreach لتوليد وتصدير كافة المدرجات التكرارية بضغطة زر واحدة وفي غضون ثوانٍ معدودة.

يوضح الكود الاحترافي التالي كيفية كتابة سكريبت Do-file متكامل يقوم بالمرور الآلي على قائمة من المتغيرات الكمية (length و price و mpg و weight)، وإنشاء مدرج تكراري احترافي لكل متغير يحتوي على منحنى التوزيع الطبيعي والنسب المئوية، وحفظه تلقائياً بصيغتي PNG و PDF بأسماء ديناميكية منسقة:

* سكريبت أتمتة إنتاج وتصدير المدرجات التكرارية
sysuse auto, clear
local varlist length price mpg weight
foreach v of local varlist {
local lbl : variable label `v'
hist `v', percent normal ///
normopts(lcolor(cranberry) lwidth(medium)) ///
fcolor(navy%70) lcolor(black) lwidth(thin) ///
scheme(s1color) ///
title("التوزيع التكراري لمتغير: `lbl'", size(medium)) ///
ytitle("النسبة المئوية (%)") ///
xtitle("`lbl'") ///
note("المصدر: بيانات السيارات 1978 - تم الإنشاء آلياً عبر Stata", size(vsmall))
graph export "hist_`v'.png", as(png) width(2400) replace
graph export "hist_`v'.pdf", as(pdf) replace
}

علاوة على ذلك، يمكن دمج مخرجات الرسوم البيانية مباشرة داخل ملفات تقارير Word ديناميكية متكاملة باستخدام الحزمة المدمجة putdocx، مما يسمح للباحث بإنتاج تقرير إحصائي تحليلي شامل ومحدث تلقائياً بمجرد تشغيل ملف الـ Do-file الخاص بالمشروع.

12.3 دليل مرجعي مختصر لأهم أوامر وخيارات المدرجات التكرارية في Stata

لتسهيل الرجوع السريع وتوفير بطاقة مرجعية سريعة ومكثفة للباحثين والطلاب أثناء عملهم اليومي، يلخص الجدول الشامل التالي أهم الأوامر والخيارات المتاحة للمدرجات التكرارية في بيئة Stata مع بيان وظيفة كل خيار وصيغته البرمجية المعيارية:

الخيار البرمجي (Syntax)	التصنيف المنهجي	الوظيفة التحليلية والتطبيقية
density (افتراضي)	مقياس المحور الرأسي	عرض الكثافة الاحتمالية (مساحة الأعمدة الإجمالية = 1.0).
frequency أو freq	مقياس المحور الرأسي	عرض التكرار المطلق (العدد الفعلي للمشاهدات داخل كل فئة).
percent	مقياس المحور الرأسي	عرض النسب المئوية للمشاهدات (مجموع الارتفاعات = 100%).
fraction	مقياس المحور الرأسي	عرض الكسور العشرية للأوزان النسبية المحصورة بين 0 و 1.
bin(#)	التحكم في الفئات	تحديد العدد الإجمالي الدقيق للمستطيلات والأعمدة في الرسم.
width(#)	التحكم في الفئات	تحديد العرض الحسابي والفيزيائي لكل عمود على المحور الأفقي.
start(#)	التحكم في الفئات	تحديد نقطة البداية العددية لحافة المستطيل الأول على المحور.
discrete	التحكم في الفئات	معاملة المتغير كقيم منفصلة ومحاذاة الأعمدة فوق الأرقام الصحيحة.
normal	المنحنيات المتراكبة	تركيب منحنى التوزيع الطبيعي المعياري فوق الأعمدة.
kdensity	المنحنيات المتراكبة	تركيب منحنى تقدير الكثافة اللبية اللامعلمي لتشخيص التوزيع الفعلي.
fcolor(color)	التنسيق الجمالي	تحديد لون التعبئة الداخلي لمستطيلات المدرج التكراري.
lcolor(color)	التنسيق الجمالي	تحديد لون الخط المحيط بإطار الأعمدة للفصل البصري.
scheme(schemename)	القوالب والسمات	تطبيق سمة تنسيقية متكاملة للرسم (مثل s1color أو s1mono).
by(varname)	المقارنة والتقسيم	توليد لوحات فرعية متعددة ومقارنة لتوزيع المجموعات المختلفة.
title("text")	النصوص والتوثيق	إدراج العنوان الرئيسي أعلى مساحة الرسم البياني.
note("text")	النصوص والتوثيق	إدراج ملاحظة توثيقية وتذييلية في أسفل المخطط لمصادر البيانات.
graph export	التصدير والحفظ	تصدير الرسم بصيغ فيكتور ونقطية عالية الدقة (PDF, PNG, EPS).

يمثل هذا المرجع المختصر خلاصة عملية لكافة الأدوات التي يحتاجها الباحث للسيطرة التامة على وظائف المدرجات التكرارية في Stata وتوظيفها بكفاءة واقتدار في أبحاثه ومشاريعه الأكاديمية والتطبيقية.

خاتمة

في ختام هذا الدليل التطبيقي المتعمق، يتضح بجلاء أن المدرج التكراري في منصة Stata يمثل أكثر بكثير من مجرد أداة رسم كلاسيكية بسيطة؛ إنه منظومة إحصائية وبصرية متكاملة تمكن المحلل والباحث من سبر أغوار البيانات، وفحص فرضيات النمذجة، واكتشاف الأنماط التوزيعية المعقدة بأعلى درجات الدقة الرياضية والمرونة البرمجية.

إن إتقان كتابة وتخصيص أوامر histogram عبر سطر الأوامر وملفات Do-files يمنح الباحثين في ميادين العلوم الاجتماعية والاقتصاد القياسي وعلم الأوبئة ميزة تنافسية كبرى؛ حيث يتيح لهم الانتقال بسلاسة من مرحلة الاستكشاف الأولي للبيانات إلى مرحلة الإخراج البياني الاحترافي المؤهل للنشر المباشر في أرقى الدوريات العلمية العالمية. نوصي دائماً بالجمع بين الفحص البصري الدقيق للمدرجات التكرارية، واختيار المقاييس والفئات المتوازنة رياضياً، وتدعيم النتائج البصرية بالاختبارات الإحصائية الصارمة، لضمان إنتاج دراسات وأبحاث علمية تتسم بالرصانة المنهجية والمصداقية المعرفية العالية.

References

• Cleveland, W. S. (1993). Visualizing data. Hobart Press.
• Cox, N. J. (2004). Speaking Stata: Graphing distributions. The Stata Journal, 4(1), 66–88. https://doi.org/10.1177/1536867X0400400106
• Freedman, D., & Diaconis, P. (1981). On the histogram as a density estimator: $L_2$ theory. Zeitschrift für Wahrscheinlichkeitstheorie und verwandte Gebiete, 57(4), 453–476. https://doi.org/10.1007/BF01025868
• Mitchell, M. N. (2012). A visual guide to Stata graphics (3rd ed.). Stata Press.
• Scott, D. W. (1979). On optimal and data-based histograms. Biometrika, 66(3), 605–610. https://doi.org/10.1093/biomet/66.3.605
• Silverman, B. W. (1986). Density estimation for statistics and data analysis. Chapman & Hall/CRC. https://doi.org/10.1201/9781315140919
• StataCorp. (2023). Stata graphics reference manual: Release 18. Stata Press. https://www.stata.com/manuals/g.pdf
• Sturges, H. A. (1926). The choice of a class interval. Journal of the American Statistical Association, 21(153), 65–66. https://doi.org/10.1080/01621459.1926.10502161
• Tufte, E. R. (2001). The visual display of quantitative information (2nd ed.). Graphics Press.
• Wickham, H. (2010). A layered grammar of graphics. Journal of Computational and Graphical Statistics, 19(1), 3–28. https://doi.org/10.1198/jcgs.2009.07098