كيفية إنشاء مخطط Q-Q في SAS

تُعد عملية فحص وتدقيق الافتراضات الإحصائية الخطوة الأكثر حساسية وأهمية في مسار التحليل الكمي المتقدم، لا سيما داخل حقول البحوث النفسية والسلوكية والاجتماعية التي تتعامل مع ظواهر قياسية معقدة. إن القوة الاستدلالية لأي اختبار معلمي، بدءاً من اختبارات الفروق البسيطة وصولاً إلى نماذج التباين وتحليلات الانحدار المتعدد والنمذجة البنائية، ترتكز بصورة جوهرية على مدى تحقق افتراض التوزيع الطبيعي للبيانات المرصودة أو لبواقي النماذج المقدرة. ورغم أن الباحثين يميلون في كثير من الأحيان إلى الاعتماد الكلي على الاختبارات الإحصائية الرقمية، إلا أن هذه الاختبارات الصامتة قد تعطي دلالات مضللة بفعل الحساسية المفرطة لحجم العينة، مما يجعل الفحص البصري التوزيعي ركيزة لا غنى عنها في الممارسة الإحصائية الرصينة.

يمثل مخطط التجزيء-التجزيء، المعروف على نطاق واسع بمخطط Quantile-Quantile أو اختصاراً (Q-Q Plot)، المعيار الذهبي في مجال الاستكشاف البصري لتطابق البيانات التجريبية مع التوزيعات النظرية الافتراضية. يتيح هذا المخطط للباحث تجاوز مجرد الحصول على قرار ثنائي يقضي برفض أو قبول اعتدالية التوزيع، ليمنحه رؤية تشخيصية مجهرية دقيقة تكشف عن طبيعة الانحرافات التوزيعية، سواء كانت متمثلة في التواء موجب، أو التواء سالب، أو تفرطح حاد، أو وجود أطراف ثقيلة، فضلاً عن تحديد وتمييز القيم المتطرفة والشاذة التي قد تعصف بسلامة الاستدلال العلمي.

تُقدم بيئة التحليل الإحصائي SAS من خلال إجراءاتها التحليلية المتقدمة، وتحديداً إجراء تحليل المتغير الواحد المتمثل في PROC UNIVARIATE، منظومة حوسبية متكاملة ودقيقة للغاية لبناء وتخصيص مخططات Q-Q وتطويعها وفق أرقى المعايير المنهجية والأكاديمية. يهدف هذا الدليل الموسوعي الشامل إلى تقديم تفصيل منهجي وتطبيقي معمق لكيفية إنشاء وقراءة وتفسير وتخصيص مخططات Q-Q داخل نظام SAS، مع تسليط الضوء على الإسقاطات السيكومترية للبيانات النفسية وتوثيق النتائج بما ينسجم تماماً مع متطلبات النشر العلمي الدولي الصارمة.

1. مقدمة نظرية لمخطط Q-Q وأهميته في التحليل الإحصائي والنفسي

1.1 المفهوم الإحصائي لمخطط التجزيء-التجزيء (Q-Q Plot)

يقوم مخطط التجزيء-التجزيء (Q-Q Plot) في جوهره الرياضي على مقارنة بصرية مباشرة بين توزيعين احتماليين عبر رسم مئينات أو كميات التوزيع الأول في مواجهة مئينات التوزيع الثاني. عندما يُستخدم المخطط كأداة لفحص الاعتدالية، فإنه يُرتب قيم العينة الفعلية ترتيباً تصاعدياً دقيقاً، ثم يحسب لكل قيمة ملاحظة رتبتها النسبية التراكمية، ليتم بعد ذلك حساب المئين النظري المقابل لها رياضياً بالاستناد إلى دالة التوزيع التراكمي العكسية (Inverse Cumulative Distribution Function أو Quantile Function) للتوزيع الطبيعي المعياري.

يعتمد المخطط في نظام الإحداثيات الديكارتية على تمثيل المئينات النظرية المحسوبة على المحور الأفقي، في حين تُمثل القيم الملاحظة المفرزة للعينة على المحور الرأسي. إذا كانت البيانات التجريبية مستمدة بالفعل من التوزيع النظري المفترض، فإن النقاط المرسومة تصطف في مسار شبه مستقيم يتطابق مع خط مرجعي قطري بزاوية 45 درجة أو خط انحداري يتحدد مقطعه بنصف القطر وميله بقيمة الانحراف المعياري، مما يشكل معياراً هندسياً بديهياً وقاطعاً للحكم على جودة المطابقة.

تاريخياً، ارتبطت خوارزميات بناء مواقع الرسم (Plotting Positions) بإسهامات رياضية دقيقة؛ حيث يعتمد نظام SAS بصورة افتراضية على صيغة بلوم (Blom’s formula) لحساب الاحتمال التراكمي التجريبي لكل نقطة، والتي تُعطى بالمعادلة:

p_i = (i – 0.375) / (n + 0.25)

حيث تمثل i الرتبة التسلسلية للملاحظة، بينما تمثل n حجم العينة الكلي. تمنح هذه الخوارزمية تقديراً غير متحيز للمئينات التوزيعية، مما يضمن أن تكون المقارنة مع المئينات النظرية خالية من التشوهات الإحصائية الشائعة في الصيغ البسيطة الأخرى.

1.2 أهمية التحقق من التوزيع الطبيعي في البحوث النفسية

تحتل مسألة التحقق من اعتدالية التوزيع مكانة محورية في القياس النفسي والسلوكي؛ نظراً لأن الغالبية الساحقة من النماذج الإحصائية المعلمية المعتمدة في اختبار الفرضيات، مثل اختبار “ت” (t-test) وتحليل التباين الأحادي والمتعدد (ANOVA / MANOVA) ونماذج الانحدار الخطي الكلاسيكي، تفترض استخلاص البيانات من مجتمعات إحصائية تتوزع درجاتها بصورة طبيعية، أو على الأقل توزيع بواقي النموذج التنبؤي بصورة سوية خالية من التشوه النسبي.

إن انتهاك افتراض الاعتدالية لا يقتصر خطره على تضخيم خطأ النوع الأول (Type I error) أو إضعاف القوة الإحصائية للاختبار فقط، بل يمتد إلى تقويض دقة البناء السيكومتري للمقاييس المقننة. فعلى سبيل المثال، عند فحص درجات مقاييس الاكتئاب السريري المقننة كأداة قياس الاكتئاب المعتمدة في تقييم الصحة النفسية العامة التي تناولها Vilagut et al. (2016)، فإن حدوث انحرافات توزيعية جوهرية في استجابات الأفراد قد يشير إما إلى وجود عيوب بنيوية في بنود الاختبار، أو إلى خصائص متطرفة في العينة المفحوصة يجب استيعابها وفهمها قبل تعميم الاستنتاجات الطبية والسلوكية.

توفر المخططات البصرية رؤية كلية شمولية تتجاوز اختزال التوزيع في رقم إحصائي مجرد؛ إذ تمكن الباحث من رصد ديناميكيات الاستجابة السيكولوجية ومواضع التكدس الاحتمالي، والتفريق الواعي بين الانحراف العام في اتجاه القياس وبين التأثيرات الموضعية المحصورة في فئات متطرفة من المشاركين، وهو ما يضمن اتخاذ قرارات تصحيحية ومنهجية مستنيرة تدعم موثوقية التحليل السيكومتري النهائي.

1.3 مقارنة مخطط Q-Q بالاختبارات الإحصائية الرقمية للاعتدالية

تشتمل الترسانة الإحصائية على اختبارات دلالة رقمية شائعة لتقييم اعتدالية التوزيع، من أبرزها اختبار شابيرو-ويلك (Shapiro-Wilk) واختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov) المزود بتعديل ليلفورس، واختبارات أندرسون-دارلنج وكريمر-فون ميسيس. ورغم الشعبية الكبيرة لهذه الاختبارات في التقارير الإحصائية التقليدية، إلا أنها تعاني من مآزق منهجية حرجة ترتبط تأثراً مباشراً بقوة العينة الإحصائية ومستوى حساسيتها للتباينات الهامشية.

في العينات الكبيرة نسبياً، تتمتع الاختبارات الرقمية كاختبار شابيرو-ويلك بقوة فائقة غير مرغوبة إحصائياً، حيث تكتشف وتُظهر فروقاً طفيفة جداً تكاد لا تؤثر على متانة الاختبارات المعلمية كدلالات إحصائية ترفض الفرضية الصفرية (p < 0.05)، مما يقود الباحث إلى التخلي غير المبرر عن الاختبارات المعلمية القوية والتحول نحو بدائل لا معلمية أقل قدرة على النمذجة. وعلى النقيض من ذلك تماماً، تفشل الاختبارات الرقمية في العينات الصغيرة في رفض الفرضية الصفرية نظراً لضعف القوة الإحصائية، رغم إمكانية وجود تشوهات توزيعية جسيمة تجعل تطبيق الاختبار المعلمي مضللاً وفاقداً للمصداقية.

هنا يتجلى التفوق النوعي والتشخيصي لمخطط Q-Q، حيث إنه لا يقدم حكماً أحادياً مصمتاً، بل يوضح الطبيعة الدقيقة لعدم الاعتدالية؛ فيوضح بجلاء ما إذا كان الخلل ناشئاً عن التواء في اتجاه معين، أم بسبب ثقل أطراف التوزيع، أم بفعل وجود قيم فردية شاذة أثرت على الانحراف المعياري. يتيح نظام SAS تكاملاً منهجياً رفيعاً، حيث يمكن للباحث الجمع بين استخراج المؤشرات الرقمية التلخيصية من PROC UNIVARIATE وبين الفحص البياني المعمق عبر مخطط التجزيء، مما يخلق تقييماً شاملاً يوازن بين الدلالة الرياضية والواقع الميداني للبيانات.

2. البنية الأساسية لإجراء PROC UNIVARIATE في SAS لإنشاء المخطط

2.1 الصيغة العامة لأمر PROC UNIVARIATE مع عبارة QQPLOT

يُعد إجراء PROC UNIVARIATE في SAS المحرك الإحصائي الأكثر عمقاً وتنوعاً في تلخيص المتغيرات الفردية وتوليد المخططات التوزيعية المتقدمة. يعتمد الهيكل النحوي للأمر على استدعاء الإجراء وتحديد اسم ملف البيانات المستهدف عبر الخيار DATA=، متبوعاً بعبارة QQPLOT المخصصة التي توجه النظام لتوليد مخطط التجزيء-التجزيء لمتغير عددي محدد أو أكثر، ثم إنهاء البرنامج بعبارة التشغيل RUN;.

تتمثل الصياغة البرمجية الأساسية المبسطة في الكود التالي:

proc univariate data=Work.PsychometricData;
   var DepressionScore;
   qqplot DepressionScore / normal;
run;

تُحدد عبارة VAR المتغير أو المتغيرات الكمية المستمرة المراد إخضاعها للفحص، في حين تتولى عبارة QQPLOT توجيه المحرك لإنشاء الرسم. يمثل إدراج الخيار / normal بعد الشرطة المائلة أمراً حاسماً، حيث يُلزم نظام SAS باحتساب المئينات النظرية المستندة إلى التوزيع الطبيعي ورسم الخط المرجعي المستقيم المطابق لمعالم العينة، مما يوفر منصة المقارنة الهندسية المطلوبة لفحص التطابق الاحتمالي فور تنفيذ الإجراء.

2.2 وظيفة واستخدام الخيار NOPRINT للتحكم في المخرجات

يولد إجراء PROC UNIVARIATE تلقائياً كماً هائلاً من الجداول الإحصائية التي تشمل مقاييس النزعة المركزية، والتشتت، والمئينيات التفصيلية، وأدلة التفرطح والالتواء، واختبارات الاعتدالية الرقمية، وقوائم الملاحظات المتطرفة الخمسة العليا والدنيا. ورغم القيمة الكبيرة لهذه الجداول، إلا أن رغبة الباحث في توليد مخططات Q-Q لعدد كبير من المتغيرات في آن واحد قد تؤدي إلى إغراق نافذة المخرجات (SAS Results/ODS) بعشرات الصفحات الإحصائية غير الضرورية للفحص البصري الفوري.

يأتي هنا دور خيار التحكم NOPRINT، الذي يتم وضعه مباشرة في سطر استدعاء الإجراء الرئيسي لمنع طباعة كافة الجداول الإحصائية النصية والتركيز الحصري على توليد وإظهار المخططات البيانية المطلوبة. تُصاغ العبارة برمجياً كما يلي:

proc univariate data=Work.PsychometricData noprint;
   var DepressionScore AnxietyScore StressScore;
   qqplot DepressionScore AnxietyScore StressScore / normal;
run;

يؤدي استخدام هذا الخيار إلى ترشيد استهلاك موارد المعالجة وتوفير الذاكرة وسرعة تنفيذ البرامج، لا سيما عند التعامل مع مجموعات بيانات ضخمة تحتوي على آلاف الملاحظات وعشرات المقاييس النفسية. ومع ذلك، ينبغي على الباحث عدم اللجوء إلى NOPRINT إلا إذا كان قد استخرج وفحص المؤشرات الرقمية مسبقاً، حيث إن الجمع بين الأرقام والرسومات في التقارير الأولية يضمن تكامل الرؤية الإحصائية قبل الاعتماد النهائي.

2.3 تهيئة بيانات المقاييس النفسية داخل SAS قبل الرسم

تتطلب المقاييس السيكومترية إعداداً وتنظيفاً برمجياً دقيقاً قبل تمريرها لإجراءات التحليل البياني في SAS. غالباً ما تشتمل أدوات القياس النفسي، مثل مقاييس التقييم السريري للاكتئاب أو القلق أو مقاييس الضغوط العامة، على درجات كلية محسوبة من جمع مجموعة من البنود الفردية التي خضعت لترميز ليكرت متعدد الخيارات. يجب التأكد من أن المتغيرات المستهدفة قد تم تعريفها في جدول بيانات SAS كمتغيرات رقمية مستمرة (Numeric Variables) وليست نصية أو فئوية.

تتم عملية التهيئة عبر خطوة معالجة البيانات (DATA Step)، حيث يتم استيراد البيانات الخام إلى مكتبة العمل المؤقتة WORK أو الدائمة، وحساب الدرجات الإجمالية والتحقق من عدم وجود قيم مدخلة خارج النطاق القياسي للمقياس (Range Validation). يتضح ذلك من خلال النموذج البرمجي التالي:

data Work.ClinicalStudy;
   set RawData.Assessments;
   /* حساب الدرجة الإجمالية للمقياس واستبعاد الحالات الناقصة */
   TotalDepression = sum(of Item1-Item20);
   if nmiss(of Item1-Item20) > 2 then TotalDepression = .;
run;

تعد معالجة القيم المفقودة (Missing Values) خطوة جوهرية في التهيئة؛ إذ إن SAS يستبعد تلقائياً الملاحظات التي تحوي قيماً مفقودة في المتغير المحدد ضمن عبارة QQPLOT عند بناء المخطط الخاص به. إذا كانت هناك منهجية محددة للتعويض عن القيم المفقودة (Imputation)، فيجب تطبيقها قبل استدعاء PROC UNIVARIATE لضمان أن المئينات التجريبية والنظرية تعكس بنية العينة المستهدفة بشكل دقيق وكامل دون تشويه ناتج عن فقدان البيانات.

3. الخطوات العملية لإنشاء مخطط Q-Q للبيانات الطبيعية في SAS

3.1 توليد عينة بيانات عشوائية تتبع التوزيع الطبيعي

لتمكين الباحثين والدارسين من استيعاب السلوك الهندسي لمخطط Q-Q في حالته المثالية، يُفضل إنشاء بيئة محاكاة برمجية لتوليد متغير عشوائي يتبع توزيعاً طبيعياً نقياً بمعالم محددة ومعروفة مسبقاً. يوفر نظام SAS دوال احتمالية فائقة الدقة، على رأسها الدالة الحديثة RAND('Normal', Mean, StdDev) التي تسمح بتوليد أرقام عشوائية مستمدة بدقة من توزيع طبيعي بالمتوسط والانحراف المعياري المرغوبين.

يمكن بناء عينة محاكاة تتألف من 1000 مشارك افتراضي بمتوسط قدره 50 وانحراف معياري قدره 10 عبر تنفيذ كتلة الأوامر التالية:

data Work.SimulatedNormal;
   call streaminit(12345); /* تثبيت البذرة العشوائية لضمان استقرار النتائج */
   do SubjectID = 1 to 1000;
      PsychScore = rand('Normal', 50, 10);
      output;
   end;
run;

إن تثبيت البذرة العشوائية بواسطة الأمر call streaminit() يعد إجراءً علمياً بالغ الأهمية؛ لكونه يتيح للباحث إعادة إنتاج البيانات ذاتها بدقة عند تشغيل الكود في أي وقت لاحق، وهو معيار أساسي في تعزيز موثوقية وقابلية تكرار البحوث المحوسبة. تشكل مجموعة البيانات هذه نموذجاً مرجعياً مثالياً يمكن مقارنته لاحقاً بالبيانات الميدانية الواقعية المشوبة بالانحرافات والتشوهات الميدانية.

3.2 تنفيذ كود الرسم البياني وتطبيق الخيارات الافتراضية

بمجرد استقرار البيانات داخل ملف العمل، يتم تمرير المتغير المتولد إلى إجراء PROC UNIVARIATE لتنفيذ الرسم البياني الأساسي. يتولى SAS تلقائياً تفعيل نظام الرسومات الإحصائية (ODS Graphics) لإنتاج صورة عالية الوضوح تحوي كافة المحاور والمعالم القياسية دون الحاجة إلى تحديد تفاصيل برمجية شاقة من قِبل المستخدم.

يُكتب الكود التشغيلي المباشر للرسم كما يلي:

ods graphics on;
proc univariate data=Work.SimulatedNormal;
   var PsychScore;
   qqplot PsychScore / normal(mu=est sigma=est);
run;
ods graphics off;

عند تنفيذ هذه الأوامر، يقوم محرك التحليل بحساب متوسط العينة وانحرافها المعياري تلقائياً بواسطة المعاملين mu=est و sigma=est، ثم يشرع في ترتيب القيم الألف، وحساب مواقع الرسم النسبية وفق صيغة بلوم، وإسقاط المئينات النظرية المستخرجة من دالة التوزيع الطبيعي على المحور الأفقي، ليظهر المخطط في نافذة النتائج بمظهر احترافي يتوسطه خط مائل يمثل خط التطابق التام.

3.3 تفسير التطابق البصري لنقاط البيانات مع الخط المستقيم

عند فحص المخطط الناتج عن العينة الطبيعية المحاكاة، يلاحظ الباحث ظاهرة هندسية واضحة المعالم: تصطف النقاط التجريبية الممثلة للمشاركين في خط متصل متماسك يلتف بإحكام شديد حول الخط القطري المستقيم عبر كامل المدى التوزيعي للمتغير. يشير هذا التراصف الخطي المركزي إلى أن كميات البيانات الفعلية تتطابق تماماً في نسب تراكمها مع ما يفترضه نموذج التوزيع الطبيعي الرياضي.

من الطبيعي تماماً، حتى في البيانات المستمدة رياضياً من توزيع سوي، ملاحظة تذبذبات طفيفة للغاية وتباعدات غير جوهرية للنقاط عند الأطراف القصوى الدنيا والعليا (الذيول). تعود هذه الظاهرة الحتمية إلى أن الأطراف التوزيعية تتسم بكثافة احتمالية منخفضة وعدد محدود من الملاحظات، مما يجعل التباين التجريبي فيها أعلى نسبياً من مركز التوزيع الكثيف؛ وبالتالي لا تُعد هذه التذبذبات الهامشية مؤشراً على انتهاك الاعتدالية ما لم تتخذ مساراً نظامياً متصاعداً أو منحرفاً عن مسار الخط.

في صياغة التقرير الإحصائي السيكومتري، يوثق الباحث هذا الفحص البياني بالقول: “أظهر الفحص البصري لمخطط التجزيء-التجزيء (Q-Q Plot) تطابقاً وثيقاً بين المئينات الملاحظة والمئينات النظرية، حيث استقرت نقاط البيانات على طول الخط المرجعي بزاوية تقارب 45 درجة مع تباين عشوائي ضئيل عند الذيول، مما يؤكد بوضوح تحقق افتراض التوزيع الطبيعي لدرجات المقياس وملاءمتها لإجراء التحليلات المعلمية اللاحقة”.

4. فحص وتشخيص البيانات غير الطبيعية عبر مخطط Q-Q في SAS

4.1 محاكاة وتحليل البيانات الملتوية إيجاباً وسلباً

في كثير من السياقات الإكلينيكية والسلوكية، تفشل البيانات الواقعية في اتباع النمط الطبيعي المتماثل. فالاضطرابات النفسية الحادة، مثل مقاييس التفكير الانتحاري أو أعراض الذهان أو مقاييس اضطراب ما بعد الصدمة التي حللها Alisic et al. (2014) لدى الأطفال والمراهقين المعرضين للصدمات، تتسم بطبيعتها السريرية بالتواء إيجابي حاد؛ حيث تتكدس غالبية أفراد العينة عند الدرجات الصفرية أو المتدنية، في حين تمتد قلة قليلة نحو الدرجات القصوى مشكلة ذيلاً يمتد نحو اليمين.

يمكن محاكاة بيانات ملتوية التواءً موجباً في SAS باستخدام التوزيع الأسي أو التوزيع اللوغاريتمي الطبيعي ومقارنتها عبر PROC UNIVARIATE كما في الكود الآتي:

data Work.SkewedData;
   call streaminit(54321);
   do i = 1 to 1000;
      PosSkew = rand('Exponential') * 5; /* التواء موجب صريح */
      NegSkew = 20 - rand('Exponential') * 3; /* التواء سالب صريح */
      output;
   end;
run;

proc univariate data=Work.SkewedData noprint;
   var PosSkew NegSkew;
   qqplot PosSkew NegSkew / normal(mu=est sigma=est);
run;

يظهر النمط الهندسي للبيانات الملتوية التواءً موجباً على مخطط Q-Q في صورة انحناء مقعر نحو الأعلى (Upward Curvature أو نمط يشبه القوس الصاعد)، حيث تقع النقاط في الطرف الأيسر تحت الخط المرجعي بينما تقفز النقاط في الطرف الأيمن مرتفعة فوق الخط المرجعي بشكل ملحوظ. وعلى العكس من ذلك، تظهر البيانات الملتوية سلبياً (التي تتكدس فيها الدرجات في النطاق المرتفع وتتدلى ذيولها يساراً نحو الصفر) في شكل انحناء محدب نحو الأسفل (Downward Curvature)، مما يتيح تشخيص نوع واتجاه الالتواء في غضون ثوانٍ معدودة من الرؤية البصرية.

4.2 تشخيص التفرطح وأطراف التوزيع الثقيلة والخفيفة

يشير التفرطح (Kurtosis) إلى درجة تركيز الملاحظات في مركز التوزيع مقارنة بأطرافه، ويعد فحص أطراف التوزيع (Tails) من أهم الوظائف التي يتفوق فيها مخطط Q-Q. تتسم التوزيعات مدببة القمة ذات الأطراف الثقيلة (Leptokurtic / Heavy-tailed distributions) بوجود احتمالات متزايدة لحدوث درجات متطرفة جداً مقارنة بما يتوقعه التوزيع الطبيعي، وهو نمط شائع الحدوث في دراسات الضغوط النفسية واضطرابات القلق الحادة أثناء الأزمات والكوارث، كتلك المعدلات المرتفعة التي وثقها Salari et al. (2020) في التحليل البعدي لعموم السكان إبان جائحة كوفيد-19، والدراسة اللاحقة التي أجراها Li et al. (2021) حول التدهور النفسي لطلبة الجامعات في الظروف ذاتها.

يأخذ المخطط في حالة التوزيعات ذات الأطراف الثقيلة نمطاً شكلياً مميزاً على هيئة حرف “S” معكوس (Inverted S-shape). في هذا النمط، تنحرف النقاط عند الطرف السفلي الأيسر هابطة بشكل حاد تحت الخط المرجعي، في حين تنحرف النقاط عند الطرف العلوي الأيمن صاعدة بقوة فوق الخط المستقيم؛ مما يشير بوضوح هندسي إلى أن المئينات المتطرفة الفعلية تتجاوز بكثير المئينات المتوقعة نظرياً تحت فرضية الاعتدالية.

وفي المقابل، فإن التوزيعات مفلطحة القمة ذات الذيول الخفيفة (Platykurtic / Light-tailed distributions)، التي تندر فيها الحالات المتطرفة وتنتشر البيانات بانتظام في مساحة محددة، تظهر على مخطط Q-Q في نمط معاكس يشبه حرف “S” الصريح أو النمط السيني المعتدل؛ حيث ترتفع النقاط في الطرف الأدنى فوق الخط المرجعي وتهبط النقاط في الطرف الأعلى تحته، معلنة غياب الامتداد الاحتمالي الطبيعي للأطراف.

4.3 اتخاذ القرار الإحصائي عند ثبوت عدم اعتدالية التوزيع

عندما يكشف مخطط Q-Q في SAS عن تشوهات جوهرية تحول دون قبول فرضية الاعتدالية، ينتقل الباحث إلى مرحلة اتخاذ القرار الإحصائي المنهجي البديل. لا ينبغي النظر إلى عدم الاعتدالية كعائق تحليلي، بل كمعلومة سيكومترية بالغة القيمة تعكس طبيعة السلوك أو السمة المقاسة في المجتمع المدروس.

تتضمن الخيارات العلاجية والمنهجية المتاحة ما يلي:

• التحويلات الرياضية (Data Transformations): تطبيق تحويلات مناسبة مثل التحويل اللوغاريتمي الطبيعي log(x) أو الجذر التربيعي sqrt(x) في حالات الالتواء الموجب، أو تحويلات بوكس-كوكس (Box-Cox) الآلية لإعادة البيانات إلى حالة الاقتراب من التوزيع الطبيعي، ثم إعادة فحص مخطط Q-Q للبيانات المحولة للتأكد من نجاح المعالجة.
• التحول إلى الاختبارات اللامعلمية (Non-parametric Tests): استخدام اختبارات لا تعتمد على شكل التوزيع، كاختبار مان-ويتني (Mann-Whitney U) كبديل لاختبار “ت” لعينتين مستقلتين، أو اختبار كروسكال-واليس (Kruskal-Wallis) كبديل لتحليل التباين الأحادي.
• النماذج الخطية المعممة (Generalized Linear Models – GLM): بناء نماذج إحصائية متقدمة تستوعب التوزيعات غير السوية صراحة عبر دوال ربط ملائمة (مثل نماذج بواسون أو الانحدار الثنائي أو التوزيع الغامائي) من خلال إجراءات متطورة في SAS مثل PROC GENMOD أو PROC GLIMMIX.

يتعين على الباحث توثيق هذه القرارات بصورة شفافة وممنهجة في تقرير البحث، مع إبراز المخططات قبل وبعد المعالجة لإثبات وجاهة الخيار الإحصائي المتخذ وضمان اتساقه مع التوجهات السيكومترية المعاصرة.

5. تخصيص المعالم والخيارات المتقدمة لمخطط Q-Q في SAS

5.1 إضافة خط المرجع النظري وضبط المعلمات الإحصائية

يتيح إجراء PROC UNIVARIATE مرونة فائقة في التحكم بالخط المرجعي النظري لمخطط Q-Q من خلال الخيارات الملحقة بعبارة التوزيع الطبيعي. بصورة افتراضية، عندما يكتب الباحث qqplot Variable / normal;، يعتمد SAS على تقديرات العينة التجريبية لحساب المتوسط (الموضع) والانحراف المعياري (المقياس) عبر التقدير الآلي (MU=EST SIGMA=EST).

ومع ذلك، في دراسات القياس النفسي التي تستخدم اختبارات معيارية مقننة ذات معايير وطنية أو مجتمعية ثابتة (مثل مقاييس الذكاء المعيارية التي تضبط المتوسط تاريخياً عند 100 والانحراف المعياري عند 15)، يحتاج الباحث إلى مقارنة توزيع عينته بمتوسط وانحراف التوزيع المعياري المرجعي الموثق سلفاً، وليس بمعالم عينته الحالية. يمكن تحقيق ذلك داخل كود SAS بكل دقة:

proc univariate data=Work.IntelligenceStudy noprint;
   var IQ_Score;
   qqplot IQ_Score / normal(mu=100 sigma=15);
run;

عند تحديد قيم ثابتة للمعالم عبر mu= و sigma=، يتغير موضع وميل الخط المرجعي ليعكس التوزيع المعياري المفترض. فإذا كانت درجات العينة منسجمة شكلياً مع التوزيع الطبيعي ولكنها متدنية في متوسطها الإجمالي عن المعدل العام للمجتمع، فإن نقاط المخطط ستصطف في خط مستقيم موازٍ للخط المرجعي ولكنه يقع بالكامل أسفل منه، مما يوفر تشخيصاً فورياً للفروق المعيارية البنيوية بالإضافة إلى فحص شكل التوزيع.

5.2 تخصيص المظهر البصري والرموز والألوان للرسم

تتطلب التقارير الاحترافية والمقالات العلمية صياغة بصرية متقنة تبتعد عن التنسيقات المسبقة الرتيبة، وتضمن وضوح العناصر الهندسية عند الطباعة بالألوان أو بالتدرج الرمادي. يوفر SAS عبر خيارات عبارة QQPLOT قدرات متقدمة لتعديل الرموز النقطية ومواصفات الخطوط والشبكات التوضيحية.

يوضح الكود التالي تطبيق مجموعة متقدمة من خيارات التخصيص البصري:

proc univariate data=Work.PsychometricData noprint;
   var StressScale;
   qqplot StressScale / normal(mu=est sigma=est 
                               color=cxB22222 
                               w=2 
                               l=1)
                        square
                        grid
                        vblarrow;
run;

يتيح هذا التكوين البرمجي ضبط لون الخط المرجعي باستخدام الصيغة اللونية الدقيقة (Hex Code cxB22222 الذي يمثل درجة من درجات الأحمر الداكن الاحترافي)، وزيادة سماكة الخط عبر خيار w=2 (Width)، وتحديد نمطه كخط متصل باستخدام l=1 (Line style). إضافة إلى ذلك، يقوم خيار square بضبط أبعاد المخطط لتكون مربعة بنسبة أبعاد 1:1، وهو ما يضمن عدم حدوث تشويه بصري لزاوية ميل الخط المرجعي، في حين يُنشئ خيار grid خطوط شبكية متقاطعة وخفيفة خلف الرسم لتسهيل مطابقة المئينات بدقة بالغة بالعين المجردة.

5.3 التحكم في عناوين المحاور والتسميات التوضيحية

لإضفاء الطابع الأكاديمي الصارم على المخرجات، يجب تعديل التسميات التلقائية التي يخصصها النظام لمحاور الرسم وعناوينه، واستبدالها بالمسميات العلمية المعبرة عن المفاهيم النفسية قيد الدراسة. يتم ذلك باستخدام عبارات TITLE و FOOTNOTE مع إمكانية ضبط التسميات المباشرة عبر خيارات الإجراء.

يمكن تنظيم هذه المعالم الاحترافية من خلال البنية البرمجية المتكاملة الآتية:

title1 bold font='Arial' height=12pt "الشكل 1: مخطط التجزيء-التجزيء لدرجات الضغط النفسي المتراكم";
footnote1 justify=left italic font='Arial' height=9pt "ملاحظة: الخط المرجعي يعكس التوزيع الطبيعي المقدر؛ حجم العينة الإجمالي ن = 450.";

proc univariate data=Work.PsychometricData noprint;
   var StressScale;
   qqplot StressScale / normal(mu=est sigma=est)
                        odstitle=" ";
   label StressScale = "الدرجات الملاحظة على مقياس الضغط المدرك (PSS)";
run;

title; /* إلغاء العناوين لتجنب تكرارها في التحليلات التالية */
footnote;

يعمل خيار odstitle=" " على كتم العنوان التلقائي المولد من نظام التقارير التابع لـ SAS لتجنب ازدواجية العناوين، مما يفسح المجال للعنوان المعرف عبر عبارة title1 ليتصدر الرسم بتنسيق طباعي متميز، بينما تضمن عبارة label المدمجة في الإجراء ظهور اسم المتغير النفسي المصقول على المحور الرأسي بدلاً من اسمه البرمجي المختصر المخزن في قاعدة البيانات.

6. إنشاء مخططات Q-Q المقارنة عبر المجموعات النفسية

6.1 استخدام عبارة CLASS لإنشاء مخططات مقارنة متوازية

في الدراسات التجريبية والمقارنة، لا يقتصر اهتمام الباحث على فحص اعتدالية العينة ككتلة واحدة، بل يمتد إلى مقارنة استقرار التوزيع السوي للمقاييس عبر المجموعات الفرعية المستقلة، مثل مقارنة الذكور بالإناث، أو مقارنة المجموعة الضابطة بالمجموعة التي خضعت لتدخل علاجي نفسي، كما هو الحال في دراسات تقييم فاعلية العلاج النفسي الحركي والرقص التي راجعها Koch et al. (2019) في تحسين المخرجات السلوكية المعرفية.

توفر عبارة CLASS داخل إجراء PROC UNIVARIATE أداة تحليلية فائقة؛ حيث تسمح بتقسيم المخطط إلى لوحات متجاورة أو متطابقة عمودياً ضمن واجهة بيانية موحدة، مما يتيح إجراء مقارنة بصرية فورية ومباشرة للشكل التوزيعي بين الفئات:

proc univariate data=Work.InterventionStudy noprint;
   class TreatmentGroup; /* تصنيف العينة: تجريبية مقابل ضابطة */
   var WellBeingScore;
   qqplot WellBeingScore / normal(mu=est sigma=est) 
                           nrows=1 ncols=2;
run;

يوجه هذا الكود SAS لإنشاء لوحة رسومية متوازية تتألف من صف واحد وعمودين (عبر nrows=1 ncols=2)، مما يضع مخطط Q-Q الخاص بالمجموعة الضابطة جنباً إلى جنب مع مخطط المجموعة التجريبية. يساعد هذا الترتيب البصري في رصد ما إذا كان التدخل العلاجي قد أدى إلى تحول نوعي في شكل التوزيع أو نشوء التواء في استجابات المجموعة التجريبية مقارنة بالتوزيع الطبيعي المستقر للمجموعة الضابطة.

6.2 استخدام عبارة BY للتحليل المنفصل للمجموعات الفرعية

عندما تشتمل الدراسة على متغير تصنيفي متعدد المستويات (مثل مقارنة الاعتدالية عبر خمس فئات عمرية مختلفة، أو عبر مستويات تعليمية متعددة)، فإن استخدام عبارة CLASS في لوحة واحدة قد يؤدي إلى تصغير حجم المخططات واكتظاظ التفاصيل، مما يقلل من دقة الفحص البصري. في هذه الحالات، تبرز عبارة BY كخيار منهجي متفوق لإنشاء مخطط Q-Q مستقل وكامل الحجم لكل فئة فرعية على حدة.

يشترط نظام SAS بصورة صارمة فرز مجموعة البيانات مسبقاً وفق المتغير التصنيفي المستهدف باستخدام إجراء PROC SORT قبل استدعاء عبارة BY، كما هو موضح في الخطوات الآتية:

/* الخطوة الأولى: فرز مجموعة البيانات */
proc sort data=Work.CrossCulturalData out=Work.SortedData;
   by CultureRegion;
run;

/* الخطوة الثانية: توليد مخططات منفصلة لكل منطقة ثقافية */
proc univariate data=Work.SortedData noprint;
   by CultureRegion;
   var TimePerspectiveScore;
   qqplot TimePerspectiveScore / normal(mu=est sigma=est);
run;

يمثل هذا المنهج أداة حاسمة في بحوث علم النفس عبر الثقافي، مثل الدراسات الدولية واسعة النطاق التي بحثت في أبعاد التوجه نحو الزمن عبر مجتمعات وثقافات متعددة كما في دراسة Sircova et al. (2014). يتيح توليد رسم مستقل لكل ثقافة رصد التباينات التوزيعية الخاصة بكل مجتمع بدقة متناهية ودون تداخل بصري مع المجموعات الأخرى.

6.3 تفسير التباين في أشكال التوزيع بين المجموعات الإكلينيكية

يكشف الفحص المقارن لمخططات Q-Q عبر المجموعات عن ظواهر سيكومترية معقدة ترتبط ببنية العينات السريرية مقارنة بالعينات المجتمعية السوية. في الغالب، تظهر درجات الأسوياء تطابقاً سلساً مع الخط المستقيم للدرجات المعرفية والسلوكية، بينما تظهر العينات الإكلينيكية تشوهات هيكلية مميزة ناتجة عن تفاعل الحالة المرضية مع محددات أداة القياس.

من أبرز هذه الظواهر ما يُعرف بتأثيرات السقف والأرضية (Ceiling and Floor Effects):

• تأثير الأرضية (Floor Effect): يظهر بشكل متكرر في مقاييس الأعراض المرضية لدى الأفراد غير المصابين، حيث يعجز المقياس عن رصد التمايز بين الدرجات المنعدمة تماماً والدرجات المتدنية جداً، مما يولد خطاً أفقياً مستوياً من النقاط عند الطرف الأدنى للمخطط يتبعه صعود مفاجئ، وهو ما يجسد عجز الأداة عن التوزيع الطبيعي في تلك الشريحة.
• تأثير السقف (Ceiling Effect): يحدث عندما يبلغ عدد كبير من المفحوصين الحد الأقصى للمقياس (كما في اختبارات الكفاءة المعرفية البسيطة التي يطبقها مرضى ذوو قدرات معرفية سليمة)، حيث تصطف النقاط في مسار أفقي عند أعلى الرسم، منتهكة ميل الخط المستقيم النظري.

علاوة على ذلك، يفيد التحليل المقارن في فحص افتراض تجانس التباين وأشكال التوزيعات كخطوة استباقية إلزامية قبل تطبيق اختبارات الفروق المعلمية المتطورة؛ إذ إن اختلاف شكل التوزيع بين المجموعات (مثلاً: طبيعي في مجموعة وملتوٍ بشدة في أخرى) ينبه الباحث إلى عدم تماثل التباين التجريبي، مما يوجه التحليل نحو استخدام تصحيحات ويلش (Welch’s correction) أو اللجوء إلى النمذجة شبه المعلمية الرصينة.

7. اكتشاف القيم الشاذة والمتطرفة باستخدام مخطط Q-Q في SAS

7.1 التعرف البصري على النقاط الشاذة وموقعها في المخطط

تُعد القيم الشاذة والمتطرفة (Outliers) من أشد العوامل خطورة على دقة التحليل الإحصائي السيكومتري؛ نظراً لقدرتها على تشويه حساب المتوسطات وتضخيم التباينات وخلخلة الأوزان الانحدارية. يوفر مخطط Q-Q في SAS كاشفاً بصرياً فورياً وفائق الحساسية لوجود هذه القيم بمجرد إلقاء نظرة تشخيصية فاحصة على أطراف الرسم البياني.

تظهر الملاحظات الشاذة على المخطط في صورة نقاط معزولة تنفصل انفصالاً هندسياً شاسعاً عن المسار الخطي العام الذي تلتف حوله بقية نقاط العينة. إذا كانت القيمة المتطرفة مرتفعة بشكل استثنائي (Extreme High Value)، فإنها تقفز وحيدة في الركن العلوي الأيمن من المخطط، متباعدة رأسياً بمسافة هائلة عن النقطة السابقة لها. أما إذا كانت متطرفة في الاتجاه الأدنى (Extreme Low Value)، فإنها تتدلى في الركن السفلي الأيسر بصورة شاذة خارج مسار الخط القطري.

من المهم جداً في البحوث السلوكية التمييز الحذر بين نوعين من القيم الشاذة:

• أخطاء إدخال البيانات والترميز: كأن يُسجل باحث عن طريق السهو درجة 99 لمفحوص في مقياس يبدأ من صفر وينتهي عند 20، وتظهر هذه النقطة في أقصى الفضاء البياني، ويكون تصحيحها بالرجوع للأصل الورقي أو الإلكتروني للمفحوص.
• الحالات الاستثنائية الحقيقية: كأن يمثل المفحوص حالة مرضية شديدة أو قدرة خارقة نادرة في ظاهرة نفسية أصيلة، كالمستويات الاستثنائية من ضبط الذات والإرادة التي حللها de Ridder et al. (2011) في دراستهم لسمات ضبط النفس، حيث تُعبر هذه القيم عن تباين بشري واقعي لا يجوز حذفه بتهور.

7.2 الربط بين تشخيص Q-Q واختبارات فحص القيم الشاذة في SAS

رغم الكفاءة البصرية لمخطط Q-Q في تحديد وجود النقاط المتطرفة، إلا أن التعرف الدقيق على رقم الملاحظة في ملف البيانات ومعرفة قيمتها العددية يتطلب ربط التشخيص البياني بالمخرجات الرقمية الفاحصة التي يوفرها PROC UNIVARIATE. بصورة افتراضية، يولد هذا الإجراء جدولاً تكميلياً عالي الأهمية يحمل اسم “الملاحظات المتطرفة” (Extreme Observations)، يدرج فيه أدنى وأعلى خمس قيم في العينة مقرونة بأرقام أسطرها في ملف البيانات.

يمكن تعزيز هذا الربط وتعميقه برمجياً من خلال تصدير معرفات الملاحظات مباشرة داخل الإجراء الإحصائي:

proc univariate data=Work.PsychometricData;
   var ResilienceScore;
   id ParticipantID; /* إدراج المعرف الفردي للمشارك في جداول المتطرفات */
   qqplot ResilienceScore / normal(mu=est sigma=est);
run;

عند تضمين عبارة ID، يقوم SAS بربط أرقام الحالات المسجلة في جدول القيم القصوى بأرقام بطاقات المشاركين الحقيقية، مما يمكن الباحث من تتبع هوية المفحوص صاحب النقطة الشاذة الظاهرة على مخطط Q-Q. علاوة على ذلك، يمكن دمج ذلك لاحقاً في نماذج الانحدار عبر إجراء PROC REG لاستخراج مسافات كوك (Cook’s Distance) وقيم الرافعات (Leverage values) والبواقي المعيارية (Studentized Residuals)؛ لتقييم ما إذا كانت النقطة المنعزلة على مخطط التجزيء تؤثر سلباً على ميل ومعلمات النموذج الخطي بأكمله أم أنها مجرد قيمة طرفية غير مفسدة للاتجاه العام.

7.3 بروتوكولات التعامل مع الحالات الشاذة بعد رصدها

بمجرد تأكيد وجود قيم متطرفة شاذة على مخطط Q-Q وتحديد طبيعتها الرقمية، يتعين على الباحث اتباع بروتوكول منهجي صارم للتعامل معها، متجنباً الحذف التلقائي العشوائي الذي يقود إلى تحيز العينات. تُقترح في المنهجية السيكومترية ثلاثة مسارات علمية واضحة:

• تحليل الحساسية (Sensitivity Analysis): وهو المعيار الذهبي الموصى به؛ حيث يقوم الباحث بإجراء التحليل الإحصائي الكامل مرتين: الأولى بوجود الحالات الشاذة، والثانية بعد استبعادها المؤقت. إذا لم تتغير الاستنتاجات العلمية ومستويات الدلالة الجوهرية، تُبقى الحالات في العينة مع الإشارة التوثيقية لذلك. أما إذا تغيرت النتائج جذرياً، فيتم مناقشة أثر هذه الحالات باستفاضة.
• تقنية تقليص التطرف (Winsorization): وهي استراتيجية إحصائية رصينة تهدف إلى تعديل القيمة الشاذة المتطرفة واستبدالها بأقرب قيمة مقبولة في التوزيع تقع ضمن المئين المعتمد (مثلاً استبدال القيم التي تتجاوز المئين 99 بقيمة المئين 99 نفسه)، مما يحفظ حجم العينة كاملاً دون تشويه تباينها الكلي، وتوفر حزم SAS البرمجية حلولاً مباشرة لهذه التقنية عبر الماكرو وإجراءات التحويل.
• إعادة فحص استجابات الصمود والتعافي: ففي دراسات مسارات الاستجابة للضغوط النفسية والصدمات المتتالية، كالنماذج الطولية التي قدمها Norris, Tracy, & Galea (2009)، قد تمثل الدرجات الشاذة مساراً نادراً من “الصمود النفسي الخارق” أو “الانهيار التام”، وبالتالي يكون فحصها نوعياً داخل التقرير إضافة علمية رائدة بدلاً من اعتبارها أخطاء تشويشية.

8. إنشاء مخططات Q-Q لتوزيعات نظرية غير طبيعية في SAS

8.1 فحص ملاءمة البيانات لتوزيعات أخرى عبر PROC UNIVARIATE

لا تقتصر القوة الحاسوبية لإجراء PROC UNIVARIATE في SAS على فحص ومطابقة التوزيع الطبيعي فحسب، بل تمتد لتشمل مصفوفة متكاملة من التوزيعات الاحتمالية المستمرة الأخرى. في علم النفس التجريبي وبحوث القياس المعرفي، تتبع العديد من المتغيرات توزيعات لا يمكن أبداً افتراض اعتداليتها، كمتغير “زمن الرجع” (Reaction Time) أو فترات البقاء والاستجابة الحركية التي لا يمكن أن تقل عن الصفر وتتسم بالتواء إيجابي بنيوي مستمر.

يتيح إجراء PROC UNIVARIATE استدعاء خيارات توزيعية بديلة مباشرة خلف الشرطة المائلة في عبارة QQPLOT، مثل التوزيع اللوغاريتمي الطبيعي lognormal، والتوزيع الأسي exponential، وتوزيع بيتا beta، وتوزيع جاما gamma، وتوزيع ويبل weibull. يوضح الكود التالي فحص ملاءمة أزمنة الاستجابة في اختبار معرفي وفق التوزيع اللوغاريتمي الطبيعي:

proc univariate data=Work.CognitiveTasks noprint;
   var ReactionTime;
   qqplot ReactionTime / lognormal(theta=est zeta=est sigma=est)
                         square grid;
run;

في هذا السياق، يقوم SAS بتقدير معلمات الموضع والمقياس والشكل للتوزيع اللوغاريتمي، وتوليد المئينات النظرية المناظرة له هندسياً. فإذا اصطفت درجات أزمنة الرجع في مسار مستقيم على هذا المخطط، يثبت الباحث أن متغيره يتبع تماماً توزيعاً لوغاريتمياً طبيعياً، مما يبرر تحويله رياضياً أو نمذجته مباشرة بصيغته المعرفية الأصيلة دون إجحاف بخصائص الظاهرة النفسية.

8.2 تطبيق مخطط Q-Q مع توزيع ويبل (Weibull) وتوزيع جاما (Gamma)

تكتسب التوزيعات المتقدمة مثل توزيع جاما (Gamma) وتوزيع ويبل (Weibull) أهمية بالغة في نمذجة الظواهر النفسية التراكمية، مثل قياس درجات الإجهاد المهني المزمن، أو سرعة استعادة التوازن النفسي بعد الصدمات، أو تراكم مشاعر الشغف الداخلي المفرط وتأثيراتها النفسية والوجدانية، كتلك الأبعاد التي استكشفها Curran et al. (2015) في مراجعتهم المنهجية لمخرجات الشغف النفسي وتداعياته على الفرد.

يمكن صياغة أوامر مطابقة توزيع ويبل داخل SAS باحترافية كما يلي:

proc univariate data=Work.BurnoutStudy noprint;
   var ChronicExhaustion;
   qqplot ChronicExhaustion / weibull(c=est sigma=est theta=0)
                              color=cx2E8B57 
                              w=2;
run;

يقوم المعامل c=est بتوجيه النظام نحو تقدير معلمة الشكل (Shape Parameter) استناداً إلى دالة الإمكانية العظمى، في حين يُقدر sigma=est معلمة المقياس (Scale Parameter)، مع تثبيت معلمة العتبة theta=0 بافتراض أن مقياس الإجهاد يبدأ من النقطة المرجعية الصفرية. إن تموضع النقاط الملاحظة باستقامة تامة على امتداد المنحنى المرجعي لتوزيع ويبل يمنح الدارس برهاناً سيكومترياً على أن العمليات النفسية الأساسية تتسارع تراكمياً وفق ديناميكية ويبل الاحتمالية وليس وفق آليات التوزيع الطبيعي البسيط.

8.3 المفاضلة البيانية لاختيار النموذج التوزيعي الأفضل

عندما يقف المحلل الإحصائي في حيرة منهجية أمام بيانات معقدة لا يُعرف شكل توزيعها النظري على وجه اليقين، يتيح له SAS إجراء مفاضلة بيانية ورقمية متزامنة من خلال اختبار ملاءمة البيانات لعدة توزيعات احتمالية في آن واحد، واستخلاص المخططات المتطابقة جنباً إلى جنب مع معايير جودة المطابقة (Goodness-of-Fit Tests) مثل إحصاء أندرسون-دارلنج (Anderson-Darling) وكريمر-فون ميسيس (Cramér-von Mises).

يتم ذلك عبر تمرير خيارات توزيعية متعددة داخل الإجراء التحليلي:

proc univariate data=Work.ComplexBehavior;
   var EngagementScore;
   qqplot EngagementScore / normal(mu=est sigma=est)
                            lognormal(theta=est zeta=est sigma=est)
                            gamma(alpha=est sigma=est);
run;

تولد هذه الأوامر مخططات Q-Q متمايزة لكل توزيع على حدة. يطبق الباحث هنا مبدأ الاقتصاد النظري والمطابقة المزدوجة؛ حيث يبحث عن المخطط الذي يحقق أعلى درجات الاستقامة الخطية للنقاط على امتداد محاوره، بالتوازي مع تسجيل أقل قيمة إحصائية لاختبارات أندرسون-دارلنج (مما يعكس أعلى قيمة احتمالية P-value ممكنة لجودة المطابقة). يضمن هذا الجمع المنهجي بين الرؤية البصرية لمخطط Q-Q والدلالة الرقمية اختيار النموذج التوزيعي الأمثل الذي يبني عليه الباحث نمذجته الرياضية بثقة سيكومترية مطلقة.

9. تصدير وتوثيق مخططات Q-Q لمعايير النشر الأكاديمي (APA)

9.1 استخدام نظام ODS GRAPHICS للتحكم في جودة ودقة الصورة

تشترط المجلات العلمية المحكمة ودور النشر الدولية المصنفة معايير تقنية وفنية صارمة لقبول الأشكال والمخططات البيانية؛ حيث يُرفض نشر الصور ذات الدقة المنخفضة أو الأحجام المشوهة التي تفقد وضوحها عند الطباعة أو التحويل الرقمي. يوفر نظام إخراج المخرجات المتقدم في SAS والمعروف باسم ODS Graphics (Output Delivery System) سيطرة كاملة على الخصائص المادية للمخططات قبل إنشائها وحفظها.

يتم ضبط الدقة والأبعاد عبر استدعاء أمر ODS GRAPHICS وضبط معلمات الكثافة النقطية في البوصة الواحدة (DPI – Dots Per Inch) وتحديد الأبعاد الهندسية بالسنتيمتر أو البوصة كما هو موضح في الكود التالي:

/* تفعيل نظام الرسوم وضبط جودة النشر */
ods graphics on / reset=all
                  outputfmt=tiff
                  imagename="QQPlot_Depression_APA"
                  width=6.5in
                  height=4.5in
                  dpi=300;

يضمن ضبط الدقة عند dpi=300 (أو رفعها إلى dpi=600 للأشكال الخطية الدقيقة) استيفاء المخطط لأعلى معايير دور النشر الأكاديمية مثل دار النشر التابعة للجمعية الأمريكية لعلم النفس (APA) و Elsevier و Springer؛ حيث تظل الخطوط المرجعية ورموز النقاط والتسميات النصية بالغة الحدة والوضوح دون أي تشويش رقمي (Pixelation) عند تكبيرها أو تصغيرها داخل صفحات البحث النهائي.

9.2 تصدير الرسوم بصيغ متعددة مخصصة للنشر (TIFF, PNG, PDF)

لضمان تدفق المخططات البيانية مباشرة إلى مجلدات العمل الخاصة بالباحث دون الحاجة لنسخها يدوياً من واجهة مخرجات SAS، يُستخدم محرك ODS LISTING أو ODS HTML المقترن بمسار التخزين المباشر GPATH. يتيح ذلك تصدير المخطط بالصيغة المستهدفة للنشر، سواء كانت صيغة TIFF المضغوطة المفضلة في المجلات الطبية والسلوكية، أو صيغة PNG عالية الجودة لصفحات الويب والتقارير الرقمية، أو صيغ المتجهات التنسيقية PDF و EPS.

يتضح هذا التدفق الإنتاجي الاحترافي في الكود البرمجي التالي:

/* تحديد مسار حفظ الصور وتنسيق التصدير */
ods listing gpath="C:ResearchProjectManuscriptFigures";

ods graphics on / outputfmt=tiff 
                  imagename="Figure1_QQPlot" 
                  dpi=300;

proc univariate data=Work.TherapeuticOutcomes noprint;
   var EmpathyScore;
   qqplot EmpathyScore / normal(mu=est sigma=est)
                         square grid;
run;

ods listing close;
ods html; /* إعادة توجيه المخرجات للوضع الافتراضي */

يؤدي تشغيل هذا المقطع البرمجي إلى حفظ ملف صورة يحمل اسم Figure1_QQPlot.tif داخل المجلد المحدد مباشرة بالدقة المحددة 300 DPI، مما يتيح إدراجه فوراً داخل برنامج معالجة النصوص (مثل Microsoft Word أو LaTeX) كعنصر جرافيكي مستقل غير قابل للتشوه أو التفكك المظهري.

9.3 صياغة الشروح التوضيحية للمخطط وفق معايير الجمعية الأمريكية لعلم النفس

يخضع إدراج الأشكال والرسومات البيانية في التقارير الأكاديمية وفق معايير الجمعية الأمريكية لعلم النفس (الإصدار السابع APA 7th Edition) لقواعد تنسيق وتوثيق حازمة ومحددة بدقة؛ حيث يتطلب الدليل وضع رقم الشكل بخط غامق، متبوعاً بعنوان وصفي مائل في سطر مستقل، يعقبه الرسم البياني نفسه، ثم تنتهي الكتلة بحاشية توضيحية سفلية تفصيلية (Figure Note) تبدأ بكلمة Note. بصيغة مائلة.

يتم تحرير التسمية التوضيحية لنواتج مخطط Q-Q الخاص بدراسات العلاقات العلاجية كمقاييس التقمص والتعاطف التي حللها Elliott et al. (2018) في التحليل البعدي لعلاقة تعاطف المعالج بمخرجات العميل العلاجية، وفق النمط القياسي الآتي:

الشكل 2
مخطط التجزيء-التجزيء الطبيعي لدرجات مقياس التعاطف الإكلينيكي المرصود

[يُدرج هنا مخطط Q-Q المصدر بدقة 300 DPI من نظام SAS]

ملاحظة. يُظهر المخطط مقارنة مئينات العينة الملاحظة (المحور الرأسي) بالمئينات المتوقعة نظرياً تحت التوزيع الطبيعي المعياري (المحور الأفقي). يمثل الخط المرجعي القطري التوزيع الطبيعي المقدر بناءً على متوسط العينة (م = 42.35) وانحرافها المعياري (ع = 6.12). حجم العينة ن = 280 معالجاً نفسياً. يشير التراصف الخطي للنقاط إلى تحقق افتراض الاعتدالية لدرجات المقياس وملاءمتها لاختبارات النمذجة الخطية العامة.

يعكس هذا التوثيق الأكاديمي الشامل كافة المعطيات الفنية والإحصائية اللازمة لتمكين القارئ والمحكم من تقييم سلامة التحليل دون الحاجة للرجوع إلى التفاصيل البرمجية التأسيسية داخل متن البحث.

10. استكشاف الأخطاء البرمجية والشائعة وإصلاحها في SAS

10.1 معالجة أخطاء الكود وتعارض الخيارات في PROC UNIVARIATE

أثناء كتابة وتنفيذ كود مخطط Q-Q في بيئة SAS، قد يواجه الباحثون رسائل تنبيهية أو أخطاء برمجية حرجة تسجل في نافذة السجل (SAS Log). يتطلب التعامل الاحترافي مع النظام قراءة دقيقة للسجل ومعرفة أسباب التعارضات النحوية الأكثر شيوعاً في إجراء PROC UNIVARIATE.

من أبرز هذه الأخطاء البرمجية وكيفية معالجتها:

• خطأ المتغير غير المعرف (ERROR: Variable … not found): يحدث عادة نتيجة خطأ مطبعي في اسم المتغير داخل عبارة VAR أو QQPLOT، أو بسبب عدم قراءة المتغير في خطوة البيانات السابقة. يُعالج بمراجعة محتويات الجدول باستخدام PROC CONTENTS للتأكد من المسمى الحرفي الدقيق.
• تعارض خيار NOPRINT مع طلب الجداول الإحصائية: إذا وضع الباحث خيار NOPRINT في رأس الإجراء، ثم أدرج خيارات لطباعة جداول معينة ضمن عبارة التوزيع، فإن SAS سيتجاهل الجداول التزاماً بالأمر الصارم NOPRINT. ولحل ذلك، يجب حذف NOPRINT واستخدام أوامر التحكم في مخرجات ODS لتحديد الجداول المطلوبة بدقة عبر ODS SELECT.
• وجود متغيرات نصية (Character Variables): يفشل إجراء QQPLOT تماماً إذا تم تمرير متغير مخزن كرموز نصية (حتى لو كانت أرقاماً مدخلة كنص). يجب تحويل المتغير إلى رقمي في خطوة DATA Step باستخدام دالة INPUT(Var, COMMA8.) قبل تنفيذ الإجراء.
• إغفال الشرطة المائلة (Missing Slash): تُعد الشرطة المائلة / في عبارة QQPLOT الفاصل الإلزامي بين قائمة المتغيرات والخيارات التوزيعية. إغفالها يؤدي إلى تفسير SAS لخيارات التوزيع (مثل normal) كأسماء متغيرات جديدة، مما يولد رسائل خطأ فورية توقف التنفيذ.

10.2 أخطاء التفسير البصري الشائعة لدى الباحثين المبتدئين

إلى جانب الأخطاء البرمجية النحوية، يقع العديد من الممارسين المبتدئين في مآزق تفسيرية بصرية مضللة ناتجة عن الفهم غير الدقيق لخصائص المخططات التوزيعية وطبيعة المقاييس النفسية.

تشمل هذه الأخطاء التفسيرية الشائعة:

• المبالغة في تفسير التذبذبات الطرفية في العينات الصغيرة: عندما يكون حجم العينة محدوداً (مثلاً ن < 30)، من المحتم رياضياً أن تبتعد بعض النقاط عند الذيول عن الخط المرجعي بسبب صغر حجم التمثيل. يميل المبتدئون إلى اعتبار ذلك انتهاكاً صارخاً للاعتدالية، في حين أن التقييم السليم يركز على تماسك الخط المركزي وغياب الانحناءات النسقية المستمرة.
• تجاهل الانحراف الممنهج في العينات الكبيرة: قد يظهر المخطط انحناءً مقعراً أو محدباً واضحاً ولكنه سلس؛ ونظراً لأن العينة ضخمة (آلاف الملاحظات)، يتساهل البعض بدعوى أن نظرية النهاية المركزية (Central Limit Theorem) كفيلة بتجاوز أي تشوه، متجاهلين أن الالتواء الهيكلي يؤثر مباشرة على صدق قياس البناء النفسي وتطابق المقاييس الفرعية.
• الخلط المفاهيمي بين مخطط Q-Q ومخطط P-P: يخلط البعض بين مخطط التجزيء-التجزيء ومخطط الاحتمال-الاحتمال (Probability-Probability Plot). يرسم مخطط P-P الاحتمالات التراكمية في مواجهة بعضها، وهو بالغ الحساسية للانحرافات الواقعة في مركز التوزيع ولكنه ضعيف الكشف عن أطرافه، بينما يتميز مخطط Q-Q بمقارنة المئينات نفسها مما يجعله فائق الحساسية والدقة في رصد سلوك الذيول والقيم الشاذة والالتواء.
• إغفال طبيعة مقاييس ليكرت المتقطعة (Discrete Nature): عند استخدام مقياس نفسي يتكون من بضعة خيارات متقطعة قليلة الدرجات، تظهر نقاط مخطط Q-Q في صورة “خطوات سلمية” متقطعة (Step-like stripes). يفسر البعض هذه الدرجات الأفقية خطأً على أنها عيب في التوزيع الطبيعي، بينما هي مجرد انعكاس لانقطاع أداة القياس الأصلية وغياب الاتصال المتصل في التدريج.

10.3 قائمة مراجعة شاملة لضمان دقة تحليل Q-Q في البحوث النفسية

لضمان أعلى درجات الموثوقية وقابلية إعادة الإنتاج العلمي (Reproducibility) لتحليلات الاعتدالية عبر مخططات Q-Q داخل نظام SAS، يُنصح الباحثون باتباع قائمة الفحص المنهجية الموثقة في الجدول الإرشادي التالي قبل اعتماد النتائج في صورتها النهائية:

المجال الفاحص	عنصر التحقق الإجرائي في SAS	النتيجة المنهجية المطلوبة
سلامة البيانات	مراجعة ترميز المتغير، استبعاد القيم الخارجة عن نطاق المقياس، وحصر القيم المفقودة.	متغير رقمي مستمر خالي من أخطاء الرصد والترميز ومكتمل العينة.
الصياغة البرمجية	التحقق من سلامة عبارة QQPLOT / normal(mu=est sigma=est) وسلامة بنية الأوامر في السجل.	سجل تشغيل نظيف خالٍ تماماً من رسائل الأخطاء (Errors) والتحذيرات (Warnings).
الفحص البصري	فحص تماسك الخط المركزي، تدقيق اتجاه الانحناءات (تقعر/تحدب)، واستكشاف أنماط الحرف “S”.	تحديد دقيق لطبيعة التوزيع: اعتدالي متطابق، ملتوي، خفيف الذيول، أو ثقيل الذيول.
تشخيص المتطرفات	فحص تباعد النقاط المنعزلة ومقارنتها بجدول الملاحظات المتطرفة عبر معرف الحالة ID.	تحديد الحالات الشاذة، تصنيفها (حقيقية مقابل أخطاء)، واتخاذ قرار الحساسية أو التقليص.
جودة التصدير	تفعيل ODS GRAPHICS بضبط الدقة DPI=300 وتحديد الأبعاد المناسبة وصيغة TIFF/PNG.	مخطط بياني فائق الوضوح مستوفٍ لضوابط الدليل التحريري لجمعية علم النفس الأمريكية (APA 7).
التوثيق الأكاديمي	كتابة شرح تحريري متكامل للشكل، وربط الرؤية البصرية باختبارات الاعتدالية الرقمية التكميلية.	تقرير إحصائي شفاف يبرر بوضوح الانتقال المشروع للاختبارات المعلمية أو اللامعلمية.

إن الالتزام الصارم بهذه القائمة المتكاملة يضمن للباحث تحصين نتائج دراسته السيكومترية ضد الانتقادات المنهجية، ويجعل من عملية فحص الاعتدالية عبر مخطط Q-Q في SAS ممارسة علمية محكمة ترفع من جودة النشر والبحث العلمي الرصين.

خاتمة

يمثل مخطط التجزيء-التجزيء (Q-Q Plot) في بيئة SAS أداة تشخيصية واستكشافية لا غنى عنها في ترسانة الباحث النفسي والمحلل الإحصائي المعاصر. إن الانتقال من النظرة الرقمية الضيقة التي تختزل سلوك البيانات المعقد في قيمة احتمالية مجردة (P-value) مستمدة من اختبارات صماء، إلى الفحص البصري التحليلي العميق يمنح الباحثين فهماً استثنائياً للخصائص السيكومترية الكامنة في أدواتهم القياسية. لقد أثبت إجراء PROC UNIVARIATE أنه ليس مجرد وسيلة لإنتاج الرسوم البيانية، بل هو بيئة حوسبية إحصائية متقدمة تستطيع استيعاب التوزيعات الطبيعية وغير الطبيعية، والتعامل مع المقارنات التعددية بين المجموعات عبر عبارات CLASS و BY، وكشف أسرار الذيول الثقيلة والقيم الشاذة بكفاءة هندسية بالغة الدقة.

إن التحكم الدقيق في خيارات التخصيص البصري وإدارة محركات إخراج الرسومات عالية الجودة (ODS Graphics) يتيح للباحثين جسر الفجوة بين التحليل البرمجي المعقد ومعايير التوثيق والنشر الأكاديمي الصارمة التي تفرضها الهيئات العلمية العالمية وفي مقدمتها الجمعية الأمريكية لعلم النفس (APA). في نهاية المطاف، تظل الرؤية المنهجية المتزنة هي تلك التي تدمج بوعي واقتدار بين البرهان الرياضي الرقمي والاستقراء البصري الرصين؛ مما يضمن أن تكون القرارات الإحصائية اللاحقة مبنية على أرضية صلبة تعزز صدق وموثوقية المعرفة السلوكية المنتجة وتدفع بعلم النفس القياسي نحو آفاق أرحب من الرصانة والدقة العلمية.

المراجع

• Alisic, E., Zalta, A. K., van Wesel, F., Larsen, S. E., Hafstad, G. S., Hassanpour, K., & Smid, G. E. (2014). Rates of post-traumatic stress disorder in trauma-exposed children and adolescents: meta-analysis. The British Journal of Psychiatry. https://doi.org/10.1192/bjp.bp.113.131227
• Curran, T., Hill, A. P., Appleton, P. R., Vallerand, R. J., & Standage, M. (2015). The psychology of passion: A meta-analytical review of a decade of research on intrapersonal outcomes. Motivation and Emotion. https://doi.org/10.1007/s11031-015-9503-0
• de Ridder, D. T. D., Lensvelt‐Mulders, G., Finkenauer, C., Stok, F. M., & Baumeister, R. F. (2011). Taking Stock of Self-Control. Personality and Social Psychology Review. https://doi.org/10.1177/1088868311418749
• Elliott, R., Bohart, A. C., Watson, J. C., & Murphy, D. (2018). Therapist empathy and client outcome: An updated meta-analysis.. Psychotherapy. https://doi.org/10.1037/pst0000175
• Koch, S. C., Riege, R. F. F., Tisborn, K., Biondo, J., Martin, L. A. L., & Beelmann, A. (2019). Effects of Dance Movement Therapy and Dance on Health-Related Psychological Outcomes. A Meta-Analysis Update. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2019.01806
• Li, Y., Wang, A., Wu, Y., Han, N., & Huang, H. (2021). Impact of the COVID-19 Pandemic on the Mental Health of College Students: A Systematic Review and Meta-Analysis. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2021.669119
• Norris, F. H., Tracy, M., & Galea, S. (2009). Looking for resilience: Understanding the longitudinal trajectories of responses to stress. Social Science & Medicine. https://doi.org/10.1016/j.socscimed.2009.03.043
• Salari, N., Hosseinian Far, A., Jalali, R., Vaisi-Raygani, A., Rasoulpoor, S., Rasoulpoor, S., & Mohammadi, M. (2020). Prevalence of stress, anxiety, depression among the general population during the COVID-19 pandemic: a systematic review and meta-analysis. Globalization and Health. https://doi.org/10.1186/s12992-020-00589-w
• Sircova, A., van de Vijver, F. J. R., Осин, Е. Н., Milfont, T. L., Fieulaine, N., Kislali-Erginbilgic, A., & Zimbardo, P. G. (2014). A Global Look at Time. SAGE Open. https://doi.org/10.1177/2158244013515686
• Vilagut, G., Forero, C. G., Barbaglia, G., & Alonso, J. (2016). Screening for Depression in the General Population with the Center for Epidemiologic Studies Depression (CES-D): A Systematic Review with Meta-Analysis. PLoS ONE. https://doi.org/10.1371/journal.pone.0155431