كيفية إنشاء مخطط الساق والورقة في Stata

يمثل التحليل الاستكشافي للبيانات ركيزة جوهرية في البحث العلمي الحديث، حيث يسعى الباحث قبل الانغماس في النمذجة المتقدمة واختبار الفرضيات البارامترية إلى فهم البنية العميقة للبيانات وفحص ملامحها وتوزيعاتها التكرارية. وفي هذا السياق، يبرز مخطط الساق والورقة (Stem-and-Leaf Plot) كأحد أكثر الأساليب الكلاسيكية كفاءة وقوة؛ إذ يجمع ببراعة فريدة بين التمثيل البياني للتوزيع والاحتفاظ بالقيم الرقمية الأصلية للمشاهدات دون أدنى فقدان للمعلومات.

تكمن قوة برنامج التحليل الإحصائي الشهير Stata في توفيره لأدوات برمجية مرنة ومحكمة للتعامل مع هذا النوع من المخططات الاستكشافية. وعلى الرغم من ظهور برمجيات رسومية حديثة تعتمد على الجرافيكس الملون والمعقد، يظل الأمر المخصص لإنشاء مخطط الساق والورقة في Stata أداة لا غنى عنها لعلماء الإحصاء، وعلماء النفس، والباحثين في القياس السلوكي والتربوي، نظراً لما يوفره من كشف بصري فوري عن الالتواء، والتفرطح، والقمم المتعددة، والفجوات، والقيم الشاذة المتطرفة.

يهدف هذا الدليل المرجعي الشامل إلى استعراض كافة الجوانب النظرية والتطبيقية لإنشاء وقراءة وتفسير مخطط الساق والورقة داخل بيئة برنامج Stata. سنتناول فيه القواعد الرياضية للبناء الهيكلي، والتطبيقات المنهجية في القياس النفسي والعلوم الاجتماعية، والتحكم البرمجي المتقدم عبر مختلف الخيارات والدوال، وصولاً إلى أفضل ممارسات التوثيق الأكاديمي وفق المعايير العالمية المعتمدة.

1. المفاهيم الأساسية لمخطط الساق والورقة (Stem-and-Leaf Plot) وأهميته الإحصائية

1.1 تعريف مخطط الساق والورقة وتاريخه الإحصائي

يعود الفضل في ابتكار وتطوير مخطط الساق والورقة إلى عالم الإحصاء الأمريكي البارز جون توكي (John Tukey) في سبعينيات القرن العشرين، وتحديداً من خلال كتابه التأسيسي الرائد حول التحليل الاستكشافي للبيانات الصادر عام 1977. ابتكر توكي هذه التقنية لتكون أداة يدوية وسريعة تمكّن الإحصائي من رؤية شكل التوزيع البياني وفي الوقت ذاته قراءة الأرقام الحقيقية المكونة للعينة، مما مثّل ثورة منهجية في طريقة تفاعل الباحث مع أرقامه الخام.

يقوم المفهوم الرياضي لمخطط الساق والورقة على تفكيك كل قيمة رقمية كمية في مجموعة البيانات إلى جزأين متكاملين: الجزء الأول يسمى الجذع أو الساق (Stem)، ويمثل الخانات المتقدمة من الرقم مثل العشرات أو المئات، بينما يمثل الجزء الثاني الورقة (Leaf)، وهي الخانة التالية مباشرة كخانة الآحاد أو الأجزاء العشرية. ومن خلال رصف هذه الأوراق أفقياً بجانب سيقانها المقابلة على محور رأسي، يتشكل رسم شبيه بالمدرج التكراري ذي الأعمدة الأفقية، ولكنه مصنوع بالكامل من الأرقام ذاتها.

تتجلى الأهمية الإحصائية الفائقة لهذا المخطط مقارنة بالرسوم التقليدية، مثل المدرج التكراري (Histogram)، في عدم ضياع هوية المشاهدات؛ ففي المدرج التكراري تُجمع المشاهدات داخل فترات أو فئات مقفلة ونفقد القدرة على معرفة الدرجات الدقيقة للأفراد، بينما يحافظ مخطط الساق والورقة على كل نقطة بيانات مسجلة، مما يمنح الباحث مرونة استثنائية في تدقيق التوزيع وفحص النقاط الفردية في آن واحد.

1.2 الاستخدامات المنهجية في القياس النفسي والبحوث الكمية

يحتل مخطط الساق والورقة مكانة رفيعة في مجالات القياس النفسي (Psychometrics) والبحوث السلوكية والاجتماعية؛ حيث يتعامل الباحثون بصفة دورية مع درجات المقاييس المركبة، مثل مقاييس التقدير الذاتي، واختبارات الميول، ودرجات القلق والاكتئاب. يتيح المخطط للباحث فحصاً أولياً دقيقاً لكيفية توزع الدرجات عبر العينة، وتحديد ما إذا كان هناك تراكم غير طبيعي للدرجات عند الحدود الدنيا أو العليا للمقياس، وهي الظاهرة المعروفة بتأثير الأرضية (Floor Effect) وتأثير السقف (Ceiling Effect).

كما يلعب المخطط دوراً حاسماً في الكشف المبكر عن درجات الاستجابة الشاذة لدى أفراد العينة؛ فمن خلال النظرة البصرية للأوراق المنعزلة بعيداً عن الكتلة المركزية، يمكن للباحث رصد المفحوصين الذين قد يكونون قد أجابوا بطريقة عشوائية أو غير جادة، أو أولئك الذين ينتمون إلى فئات إكلينيكية متطرفة تستوجب دراسة منفصلة أو معالجة خاصة في التحليلات اللاحقة.

إلى جانب ذلك، يعد فحص شكل التوزيع الفردي خطوة منهجية إلزامية قبل تطبيق الاختبارات البارامترية (Parametric Tests) مثل اختبار ت (t-test) وتحليل التباين (ANOVA) ونماذج الانحدار الخطي. يوفر مخطط الساق والورقة بياناً قاطعاً حول مدى اقتراب درجات العينة من التوزيع الاعتدالي المعتدل وتحديد طبيعة أي التواء قد يخل بالافتراضات الإحصائية الكلاسيكية.

1.3 مقارنة المخطط بالتمثيلات البيانية الأخرى

عند مقارنة مخطط الساق والورقة بالتمثيلات البيانية الشائعة، يظهر بوضوح تكامله الوثيق مع مختلف أدوات العرض الإحصائي. فبالمقارنة مع المدرج التكراري، نجد تشابهاً هيكلياً في القدرة على إبراز التماثل والقمم والالتواء، إلا أن مخطط الساق والورقة يتفوق بصرياً في العينات الصغيرة والمتوسطة لأنه يعرض الأرقام الحقيقية المكونة لتلك التكرارات، مما يغني الباحث عن الرجوع الدائم لجداول البيانات التفصيلية.

وعند موازاة المخطط مع مخطط الصندوق ذي العارضتين (Boxplot)، نجد أن الأخير يبرز ببراعة قيم المئينيات والربيعات ونصف المدى الربيعي والوسيط الحسابي، بينما يبرز مخطط الساق والورقة الفجوات التكرارية الدقيقة وتعدد القمم الموضوعية التي قد يطمسها مخطط الصندوق نتيجة اختزاله للتوزيع في خمسة أرقام ملخصة فقط. ولذلك، فإن الدمج بينهما يوفر رؤية استكشافية متكاملة لا تغفل الأبعاد الكلية ولا التفاصيل الجزئية.

تتجلى المزايا التشغيلية القصوى لمخطط الساق والورقة تحديداً في العينات التي يتراوح حجمها ما بين 20 إلى بضع مئات من المشاهدات؛ إذ تصبح قراءة التوزيع مريحة للغاية، وتتيح لعين الباحث التقاط الأنماط المتكررة والشذوذ الإحصائي دون تشتت ناتج عن تكدس الأرقام المفرط كما يحدث في البيانات الضخمة، ودون فقر بياني كما يحدث في العينات متناهية الصغر.

2. البنية التركيبية والقواعد الرياضية لمخطط الساق والورقة

2.1 تحديد الساق (Stem) والورقة (Leaf)

يقوم الأساس الرياضي لبناء مخطط الساق والورقة على قواعد صارمة لتجزئة الأرقام تعتمد على النظام العشري القياسي. يتم أولاً فحص المدى الكلي للبيانات (الفرق بين أعلى قيمة وأدنى قيمة)، ومن ثم تحديد المرتبة المكانية المناسبة لتكون جذعاً مشتركاً. فإذا كانت البيانات تتراوح ما بين 10 و99، فإن خانة العشرات تصبح هي الجذع، في حين تمثل خانة الآحاد الأوراق التابعة لكل جذع.

أما في الحالات التي تحتوي على أرقام بالمئات أو الآلاف، مثل درجات اختبارات الذكاء المعيارية (مثل 115، 122، 138)، يتم اختيار خانتي المئات والعشرات معاً لتشكيل الجذع (مثل 11، 12، 13)، وتوضع خانة الآحاد كأوراق (5، 2، 8). وفي المقابل، إذا كانت البيانات كسوراً عشرية (مثل 2.3، 2.7، 3.1)، يصبح الجزء الصحيح هو الجذع والجزء العشري هو الورقة الممتدة أفقياً.

تشترط المنهجية الإحصائية توحيد مقياس الرسم في كافة مستويات المخطط؛ بحيث تتكون كل ورقة من رقم منفرد واحد فقط يتراوح من 0 إلى 9. إذا كانت القيمة تتطلب أكثر من خانة للورقة، يلزم إجراء عملية تقريب مسبقة لتفادي تشويه العرض، لأن المبدأ الجوهري للمخطط هو أن الطول الأفقي لصف الأوراق يعكس بدقة متناهية التكرار النسبي لتلك الفئة العددية.

2.2 طرق تقسيم الجذوع وتجزئة البيانات

تتنوع الأساليب الرياضية في تفريع الجذوع بناءً على حجم البيانات ومدى تشتتها لمنع تكدس الأوراق في أسطر طويلة يصعب تفسيرها. الطريقة الكلاسيكية البسيطة تعتمد على تخصيص سطر واحد لكل جذع؛ حيث يحتوي السطر على كافة الأوراق الممتدة من الرقم 0 حتى الرقم 9 المرتبطة بذلك الجذع، وتعد هذه الطريقة مثالية عندما يكون مدى البيانات متسعاً وعدد المشاهدات محدوداً.

وفي الحالات التي تتمركز فيها البيانات بكثافة عالية في نطاقات ضيقة، يتم تطبيق أسلوب تقسيم الجذع إلى سطرين متساويين؛ يخصص السطر الأول (ويرمز له أحياناً بنجمة أو رمز خاص) للأوراق التي تتراوح أرقامها بين 0 و4، بينما يخصص السطر الثاني للأوراق التي تتراوح بين 5 و9. هذا الإجراء يضاعف المدى الرأسي للمخطط ويسمح بتمييز التغيرات الدقيقة في منحنى التوزيع.

أما الطريقة الأكثر تفصيلاً، فتتمثل في تقسيم الجذع الواحد إلى خمسة أسطر متتالية؛ بحيث يضم السطر الأول الأوراق (0 و1)، والسطر الثاني (2 و3)، والسطر الثالث (4 و5)، والسطر الرابع (6 و7)، والسطر الخامس (8 و9). يُستخدم هذا التقسيم الخماسي عند الرغبة في فحص عينات ذات تكدس استثنائي واستكشاف أي تعدد دقيق في القمم التكرارية لا يمكن كشفه بالتجزئة الثنائية أو الفردية.

2.3 مفهوم وحدة الورقة (Leaf Unit) وتأثيرها الحسابي

تعد وحدة الورقة (Leaf Unit) المكون الرياضي والمعياري الأكثر أهمية في قراءة مخطط الساق والورقة؛ إذ تمثل القيمة العددية الحقيقية التي يحملها كل رقم مسجل في عمود الأوراق. يتم الإعلان عن هذه القيمة بوضوح في ترويسة المخطط أو في أسفله (مثل: Leaf unit = 1 أو Leaf unit = 0.1 أو Leaf unit = 10)، وبدونها تصبح القراءة الكمية مجرد أرقام بلا دلالة قياسية.

عندما تكون وحدة الورقة مساوية للعدد 1، فإن ورقة تحمل الرقم 4 أمام ساق مساوٍ لـ 5 تعني المشاهدة الحقيقية 54. أما إذا كانت وحدة الورقة 0.1، فإن القراءة تصبح 5.4، وإذا كانت وحدة الورقة 10، فإن القراءة الحقيقية للمشاهدة هي 540. وتبرز أهمية هذه الوحدة عند معالجة الأعداد العشرية الكبيرة؛ حيث يلجأ البرنامج إلى تدوير الأرقام لأقرب مرتبة تنسجم مع وحدة الورقة المحددة لضمان التماسك الهيكلي.

يؤثر التحديد الإحصائي لوحدة الورقة تأثيراً مباشراً على إدراك الباحث لمقدار التباين والانتشار في العينة؛ فاختيار وحدة ورقة كبيرة جداً قد يؤدي إلى ضغط مفرط للبيانات وإخفاء التباين الحقيقي، في حين أن اختيار وحدة صغيرة جداً قد يشتت المخطط على عشرات الجذوع الفارغة مما يفقده قيمته التلخيصية كأداة للتحليل الاستكشافي السريع.

3. التهيئة والتحضير لاستخدام برنامج Stata في التحليل الإحصائي

3.1 واجهة المستخدم وبيئة الأوامر في Stata

تتميز بيئة العمل في برنامج Stata بمرونة تشغيلية فريدة تتيح للباحثين تنفيذ الأوامر الإحصائية عبر مسارات متعددة تلائم مختلف مستويات الخبرة البرمجية. تتصدر هذه البيئة نافذة الأوامر (Command Window)، وهي المساحة التفاعلية التي تتيح كتابة الأكواد البرمجية الفردية وتنفيذها الفوري بضغطة زر، مما يوفر استجابة لحظية وسريعة تناسب خطوات التحليل الاستكشافي الأولى.

ولضمان دقة البحث العلمي وإمكانية تكرار العمليات (Reproducibility)، يعتمد الباحثون الأكاديميون على ملفات الأوامر النصية المعروفة باسم ملفات التنفيذ (Do-files). تتيح هذه الملفات كتابة سلسلة متتابعة من الأكواد الإحصائية وتوثيقها بالتعليقات وحفظها كمرجع منهجي يمكن إعادة تشغيله بالكامل في أي وقت وتطبيقه على عينات مختلفة دون أي تباين في الإجراءات التحليلية.

تُعرض كافة نتائج الأوامر والمخططات الإحصائية النصية في نافذة النتائج المركزية (Results Window). يتم في هذه النافذة طباعة مخطط الساق والورقة كشكل نصي منسق بدقة، حيث يمكن للمستخدم نسخ المخرجات مباشرة، أو فحص تتابع السيقان والأوراق، ومراجعة التنبيهات الإحصائية والأوصاف الرياضية التي يلحقها البرنامج أسفل كل رسم.

3.2 متطلبات المتغيرات الإحصائية الصالحة للرسم

يتطلب التطبيق السليم لمخطط الساق والورقة في Stata توافر شروط قياسية محددة في المتغير المستهدف بالتحليل. يجب في المقام الأول أن يكون المتغير كمياً مستمراً (Continuous Variable) أو متغيراً كمياً متقطعاً بمدى واسع من القيم العددية، مثل درجات التحصيل، وأزمنة الرجع، ومقاييس الضغط العصبي، لكي يحقق التمثيل تجزئة ذات معنى إلى جذوع وأوراق متباينة.

يمكن أيضاً تطبيق المخطط على المتغيرات الترتيبية (Ordinal Variables) ذات المقاييس المتعددة الفئات، بشرط أن تمتلك مدى رقمياً كافياً للتوزيع؛ بينما لا يصلح تماماً للمتغيرات الاسمية أو الثنائية (مثل الجنس أو الحالة الاجتماعية المشفرة بـ 0 و1)، حيث يؤدي تمثيلها إلى تشويه إحصائي خالٍ من أي قيمة استكشافية حقيقية.

يجب على الباحث التحقق المسبق من خلو المتغير الرقمي من أي نصوص أو ترميزات غير متوافقة؛ ففي بعض الحالات يقوم الباحث باستيراد بيانات تحتوي على نصوص ترمز للقيم المفقودة أو حروف أبجدية داخل عمود الأرقام، مما يدفع Stata لتصنيف المتغير كمتغير نصي (String Variable)، وهو ما يمنع تنفيذ أمر الرسم ما لم يتم تصحيحه وتحويله إلى صيغة رقمية خالصة.

3.3 إدارة الذاكرة وإعدادات الجلسة في Stata

تتطلب إدارة البيانات في برنامج Stata فهماً لطريقة تعامل البرنامج مع الذاكرة العشوائية النشطة؛ حيث يعتمد Stata على تحميل كامل مجموعة البيانات في الذاكرة لتسريع العمليات الحسابية والرسومية. قبل البدء في بناء المخططات واستكشاف المتغيرات، من الضروري التأكد من تخصيص الذاكرة المناسبة لجلسة العمل، خاصة عند التعامل مع قواعد بيانات تمسح آلاف الأفراد.

يوصى دائماً بالبدء بتهيئة الجلسة عبر تنفيذ أمر تفريغ الذاكرة الشامل عبر الأمر clear لضمان إزالة أي بيانات سابقة أو مصفوفات مخزنة قد تتداخل مع التحليل الحالي. كما يفضل إيقاف التمرير المؤقت للمخرجات عبر الأمر set more off لتمكين البرنامج من عرض مخرجات الأوامر الطويلة والمخططات متسعة الجذوع بسلاسة وتدفق مستمر دون انقطاع.

كذلك تلعب إعدادات الخطوط في واجهة Stata دوراً محورياً في القراءة الصحيحة لمخطط الساق والورقة؛ إذ يجب ضبط خط نافذة النتائج ليكون من فئة الخطوط أحادية المسافة (Monospaced Fonts) مثل خطوط Consolas أو Courier New، وذلك لضمان اصطفاف أرقام الأوراق عمودياً بدقة تامة فوق بعضها البعض، مما يحافظ على التناسب البصري للكتل التكرارية ومنع أي انحراف في شكل التوزيع الظاهري.

4. تحميل وتجهيز البيانات التجريبية في Stata

4.1 استدعاء مجموعات البيانات المدمجة (Built-in Datasets)

يوفر برنامج Stata مجموعة غنية من قواعد البيانات التجريبية المدمجة التي تتيح للباحثين والطلاب تطبيق واختبار الأوامر الإحصائية في بيئة قياسية موثوقة. ومن أشهر هذه المجموعات وأكثرها استخداماً في الأمثلة التوضيحية قاعدة بيانات السيارات الكلاسيكية لعام 1978، والتي يتم تحميلها مباشرة في ذاكرة البرنامج عبر كتابة الأمر sysuse auto, clear أو عبر الرابط المرجعي المباشر.

تتضمن هذه المجموعة متغيراً كمياً نموذجياً هو متغير كفاءة استهلاك الوقود mpg (أميال لكل جالون)، وهو متغير مستمر يمتلك تشتتاً وتفاوتاً واسعاً ومناسباً جداً لإنشاء مخطط الساق والورقة. يتيح هذا المتغير استكشاف تباين الكفاءة بين السيارات المختلفة وتحديد السيارات ذات الأداء الاستثنائي أو الاستهلاك المرتفع للوقود بطريقة بصرية سهلة.

قبل الشروع في تطبيق أمر المخطط، ينبغي دائماً استكشاف التلخيص الإحصائي الأولي للمتغير المستهدف عبر كتابة الأمر summarize mpg في سطر الأوامر. يوفر هذا الإجراء السريع معلومات حيوية تشمل حجم العينة الإجمالي، والمتوسط الحسابي، والانحراف المعياري، بالإضافة إلى أدنى قيمة وأعلى قيمة مسجلة، مما يمنح الباحث فكرة أولية عن المدى المتوقع للجذوع قبل رسمها.

4.2 استيراد البيانات الخارجية من ملفات متنوعة

في معظم التطبيقات الواقعية، يقوم الباحث بجمع بياناته الميدانية وتخزينها في صيغ إلكترونية خارجية، مثل جداول ميكروسوفت إكسل (Excel) أو ملفات القيم المفصولة بفواصل (CSV). يوفر Stata أدوات استيراد فائقة السهولة والتحكم لمعالجة هذه الملفات وإدماجها في جلسة العمل التحليلية بأعلى درجات الدقة.

لاستيراد ملفات الإكسل، يتم استخدام الأمر المباشر import excel مع تحديد مسار الملف وتمرير خيار firstrow لضمان معاملة الصف الأول في الجدول كأسماء للمتغيرات. أما بالنسبة للملفات النصية وجداول CSV، فيتم استخدام الأمر import delimited الذي يتعرف تلقائياً على المحددات والفواصل وينشئ هيكل البيانات المناسب في الذاكرة.

بمجرد اكتمال الاستيراد، يعد من الممارسات الأساسية فحص بنية البيانات ومسمياتها وتصنيفاتها البرمجية عبر كتابة الأمر describe. يتيح هذا الأمر للباحث التأكد من أن أسماء المتغيرات صحيحة، وأن المتغير المستهدف بالتحليل تم استيراده وتخزينه كمتغير رقمي (مثل float أو double أو int) وليس كمتغير نصي قد يعيق تنفيذ أمر الساق والورقة.

4.3 تنظيف وفحص جودة البيانات قبل التمثيل

تعتبر مرحلة تنظيف وفحص جودة البيانات خطوة لا غنى عنها لضمان الحصول على تمثيلات بيانية سليمة تعكس الواقع بدقة دون تشويش. تبرز قضية القيم المفقودة (Missing Values) كأولى الأولويات؛ حيث يتعامل Stata مع القيم المفقودة كنقاط عددية لا متناهية في الكبر، ويقوم تلقائياً باستبعادها عند إنشاء مخطط الساق والورقة، إلا أن معرفة حجمها مسبقاً أمر بالغ الأهمية لتفسير حجم العينة الفعلي.

كذلك يجب تدقيق البيانات لاكتشاف الأخطاء المطبعية وأخطاء الإدخال البشري الفادحة، مثل إدخال درجة 999 بدلاً من 99 أو إدخال قيم سالبة في متغيرات يقاس فيها المدى بقيم موجبة فقط. تظهر هذه الأخطاء في مخطط الساق والورقة على هيئة جذوع شاذة شديدة التباعد تفرغ المخطط من وسطه وتمدده بلا مبرر، مما يستلزم تصحيحها أو تعديلها برمجياً قبل الاستمرار.

يمكّن Stata الباحثين من تصفية المشاهدات وفرزها بمنتهى السلاسة عبر استخدام الشروط المنطقية المدمجة مع الأوامر؛ حيث يمكن استخدام العبارة الشرطية if لاستثناء المشاهدات غير المنطقية، أو استخدام النطاق in لتقييد التحليل بعدد محدد من الصفوف والمشاهدات، مما يمنح الباحث سيطرة كاملة على جودة العينة الخاضعة للتمثيل البياني.

5. الأمر الأساسي stem في Stata: البناء والتطبيق المباشر

5.1 الصيغة العامة وقواعد كتابة الأمر stem

يوفر برنامج Stata أمراً مخصصاً ومحكماً لإنشاء مخطط الساق والورقة يحمل الاسم المباشر stem. يتميز هذا الأمر بصيغة بنائية غاية في البساطة والوضوح، حيث تتألف الصيغة القياسية العامة من كتابة الكلمة المفتاحية للأمر تليها المسافة ثم اسم المتغير الرقمي المراد تحليله: stem varname.

عند تطبيق هذا الأمر مباشرة على متغير كفاءة الوقود في عينة السيارات عبر كتابة stem mpg في نافذة الأوامر والضغط على زر الإدخال، يقوم البرنامج فوراً بقراءة كافة القيم وتحديد القيمة الدنيا والقصوى، ثم يقوم بحساب مقياس التجزئة المناسب للجذوع تلقائياً ويطبع المخطط بالكامل في نافذة النتائج دون الحاجة لأي إعدادات إضافية معقدة.

يعتمد السلوك الافتراضي لبرنامج Stata في أمر stem على التقدير الآلي لعدد الأسطر الأنسب لتوزيع البيانات؛ حيث يسعى البرنامج إلى تحقيق توازن بصري يحول دون جعل المخطط طويلاً جداً بصورة مرهقة للقراءة، أو قصيراً ومكدساً بصورة تطمس معالم التوزيع التكراري، مما يجعله مثالياً للاستخدام الاستكشافي السريع.

5.2 تشريح المخرجات الافتراضية للأمر stem

عند فحص المخرجات الناتجة عن تنفيذ الأمر stem mpg، يلاحظ الباحث تنظيماً هيكلياً دقيقاً ينقسم إلى أعمدة رأسية ومعلومات توثيقية واضحة. يظهر في الجانب الأيسر عمود رأسي يمثل الجذوع (Stems)، وتفصل بينه وبين الأوراق خطوط عمودية أنيقة، تليه الأوراق (Leaves) الممتدة أفقياً جهة اليمين لتشكل الشكل الظاهري للتوزيع.

يقدم المخطط أيضاً قراءات تكرارية دقيقة؛ حيث يمثل كل رقم فردي في صف الأوراق مشاهدة حقيقية تابعة لذلك الجذع. يسهل على العين المجردة تتبع كثافة التكرارات بمجرد النظر إلى أطوال الصفوف، حيث يمثل الصف الأطول التكرار الأعلى أو المنوال التكراري للعينة الخاضعة للدراسة.

وفي أسفل المخطط، يطبع Stata دائماً مفتاح القراءة الإحصائي الذي يوضح وحدة الورقة وقواعد التقسيم المعتمدة، مثل عبارة تفيد بأن الجذع يمثل العشرات وأن وحدة الورقة تساوي 1. هذا المفتاح ضروري لتمكين القارئ من إعادة تركيب القيم الأصلية؛ فعلى سبيل المثال، إذا كان الساق 2 والورقة 5، فإن المفتاح يؤكد أن هذه القيمة تمثل بدقة الرقم 25.

5.3 التحكم في العينات الفرعية داخل الأمر stem

تعد القدرة على استكشاف التوزيعات التكرارية للعينات الفرعية والمجموعات المقارنة من أقوى ميزات التحليل في Stata. يتيح أمر stem دمج العبارات الشرطية بسهولة عبر استخدام الكلمة المفتاحية if في نهاية الأمر لتمثيل مجموعة جزئية فقط من البيانات تلبي معايير محددة.

على سبيل المثال، لمقارنة استهلاك الوقود بين السيارات المحلية والسيارات المستوردة، يمكن للباحث تنفيذ أمرين منفصلين؛ الأول هو stem mpg if foreign==0 لتمثيل العينة المحلية، والثاني هو stem mpg if foreign==1 لتمثيل العينة الأجنبية المستوردة. يتيح وضع هذين المخططين جنباً إلى جنب مقارنة بصرية فورية للفروق في النزعة المركزية والانتشار بين المجموعتين.

بالإضافة إلى ذلك، يمكن استخدام النطاق المكاني in لتقييد العرض بعدد معين من المشاهدات المتتالية في ملف البيانات، مثل كتابة stem mpg in 1/50 لفحص أول خمسين سيارة فقط. يساعد هذا التخصيص الدقيق في عزل البيانات واختبار الفرضيات على قطاعات نوعية محددة دون الحاجة لتقسيم ملف البيانات الأصلي.

6. تخصيص تقسيم الجذوع باستخدام خيار lines()

6.1 أهمية خيار lines() في ضبط التكثيف البصري

على الرغم من كفاءة التقدير الافتراضي في Stata، إلا أنه في بعض الأحيان قد ينتج عن التجزئة التلقائية عدد مفرط من الأسطر للجذع الواحد، خاصة في مجموعات البيانات الصغيرة، مما يجعل المخطط مفككاً بصرياً ويصعب إدراك ملامح التوزيع الكلية بنظرة سريعة واحدة.

هنا تبرز الأهمية البالغة لخيار lines()، وهو الخيار المخصص للتحكم الكامل في عدد الأسطر المخصصة لكل جذع من الجذوع الرئيسية. يتيح هذا الخيار للباحث التدخل المباشر لضبط التكثيف البصري وتحقيق الموازنة المثالية بين التوسع في التفاصيل الرأسية واختصار المساحة المطبوعة للمخطط.

يساعد ضبط عدد الأسطر الباحث في الحصول على رؤية متدرجة؛ من النظرة الكلية الشاملة ذات السطر الواحد التي تختصر البيانات في كتل واضحة، إلى التجزئات الأكثر تفصيلاً التي تكشف التموجات والقمم المتجاورة بدقة متناهية تتوافق تماماً مع أهداف التحليل المنهجي المتبع.

6.2 تطبيق الخيار lines(1) لدمج الأوراق في سطر واحد

عند الرغبة في دمج كافة الأوراق التابعة للجذع الواحد في صف أفقي منفرد ومستمر، يتم تمرير القيمة 1 داخل الخيار عبر كتابة الكود البرمجي: stem mpg, lines(1). يقوم هذا الإجراء بجمع كافة الأرقام من 0 إلى 9 على نفس السطر المخصص لذلك الجذع دون أي تجزئة ثنائية أو خماسية.

يؤدي استخدام الخيار lines(1) إلى تقليص الارتفاع الرأسي للمخطط بصورة ملحوظة، وتجميع التكرارات في أعمدة أكثر كثافة ووضوحاً. يتضح الفرق جلياً عند مقارنة هذا المخطط بالمخرجات الافتراضية؛ حيث تتحول الجذوع المتعددة المكررة لنفس الفئة إلى جذع واحد يضم كافة مشاهداته معاً.

يُفضل استخدام هذا النمط ذي السطر الواحد بصفة خاصة عندما تكون العينة محدودة الحجم، أو عندما يكون مدى المتغير كبيراً جداً بحيث يشغل عشرات الجذوع الرأسية، مما يمنع تمدد المخطط عبر صفحات متعددة ويحافظ على تماسكه الشكلي وسهولة قراءته في التقارير الإحصائية المختصرة.

6.3 توسيع وتضييق الخطوط باستخدام قيم lines(2) و lines(5)

يوفر Stata خيارات قياسية أخرى لتوسيع تفاصيل الجذع عبر استخدام القيمتين 2 و5. فعند كتابة الأمر stem mpg, lines(2)، يتم شطر كل جذع إلى سطرين متساويين؛ يخصص السطر الأول للأوراق من 0 إلى 4، بينما يخصص السطر الثاني للأوراق من 5 إلى 9، وهو ما يضاعف الحساسية البصرية للتوزيع ويساعد في رصد الانحرافات المتوسطة.

أما عند التعامل مع مجموعات بيانات غنية بالمشاهدات وذات مدى ضيق، فإن استخدام الأمر stem mpg, lines(5) يعد الخيار المثالي؛ حيث يخصص خمسة أسطر متتالية لكل جذع، بواقع رقمين اثنين لكل سطر (0-1، 2-3، 4-5، 6-7، 8-9). يوفر هذا التمثيل أعلى مستويات الدقة البصرية الممكنة للمتغير الرقمي.

يعد هذا التوسيع الخماسي بالغ الأهمية عند التحقق من ظاهرة تعدد القمم (Multimodality)؛ إذ يمكن للباحث اكتشاف ما إذا كانت البيانات تتضمن قمتين تكراريتين متقاربتين جداً قد تندمجان وتختفيان تماماً في حال استخدام سطر واحد للجذع، مما يعزز قدرة الباحث على كشف التجانس أو التباين الداخلي في العينة.

7. الخيارات المتقدمة لتعديل وضبط مخطط stem في Stata

7.1 التحكم في عرض الجذع والتقريب عبر خياري digits() و round()

تتيح الخيارات المتقدمة في Stata للباحث مرونة رياضية فائقة في معالجة الأرقام الكبيرة والمعقدة لضمان عرضها بصورة متناسقة. يتيح خيار digits() تحديد عدد الخانات الرقمية الممثلة في الجذع بدقة؛ فعند كتابة stem varname, digits(1)، يتم إجبار البرنامج على قصر الجذع على خانة واحدة فقط، مما يعيد هيكلة المخطط بالكامل ليناسب التوزيعات المحدودة.

وفي المقابل، يلعب خيار التقريب round() دوراً محورياً عند التعامل مع المتغيرات التي تحتوي على أجزاء عشرية دقيقة أو أعداد ذات منازل حسابية متقدمة. فباستخدام الأمر stem varname, round(1)، يقوم Stata بتقريب كافة المشاهدات إلى أقرب عدد صحيح قبل رسم المخطط، مما يحذف الكسور التي قد تشوش عملية التوزيع.

أما إذا كانت البيانات مقاسة بوحدات نقدية أو نسب دقيقة، فيمكن استخدام التقريب لأقرب كسر عشري مثل stem varname, round(0.1) أو لأقرب عشرات مثل stem varname, round(10). يضمن هذا التدوير الذكي التخلص من التعقيدات الحسابية غير الضرورية وتحويل المتغير إلى صيغة رقمية بالغة الوضوح والتناسق.

7.2 تعديل المدى والفواصل باستخدام خيار width()

يعد خيار الاتساع width() من أكثر الأدوات التحليلية تقدماً في التحكم في الفاصل العددي الذي يغطيه كل سطر من أسطر الجذع. من خلال هذا الخيار، يستطيع الباحث تحديد المدى العددي الدقيق لكل فئة بدلاً من الاعتماد على الخيارات الافتراضية أو التجزئات الثنائية والخماسية الثابتة.

على سبيل المثال، عند كتابة stem varname, width(2)، يتم تحديد اتساع كل صف بمقدار وحدتين رقميتين فقط، في حين أن كتابة stem varname, width(20) تجعل كل جذع يمثل نطاقاً مقداره 20 وحدة كاملة. يتيح هذا الخيار للباحث مواءمة المخطط تماماً مع الفئات المعيارية المعتمدة في الاختبارات النفسية والتربوية الرسمية.

يكمن الفرق الجوهري بين استخدام خيار lines() وخيار width() في أن الأول يتحكم في عدد الأسطر الشكلية المخصصة للرتبة العشرية، بينما يتحكم الثاني في القيمة العددية الرياضية المطلقة للفاصل التكراري، مما يمنح الباحث حرية مطلقة في هندسة المخطط بما يخدم أهدافه النظرية والتطبيقية.

7.3 إلغاء التقليم والتعامل مع القيم المتطرفة عبر خيار prune

في المخرجات الافتراضية لبرنامج Stata، يقوم البرنامج تلقائياً بإظهار كافة الجذوع المتتالية الواقعة بين أدنى قيمة وأعلى قيمة في البيانات، حتى وإن كانت بعض تلك الجذوع فارغة تماماً ولا تحتوي على أي أوراق، وذلك لكي يوضح بصرياً وجود فجوات مكانية وانقطاعات في التوزيع التكراري.

ومع ذلك، إذا كانت البيانات تحتوي على قيم متطرفة شاذة متباعدة بمسافات هائلة، فإن هذا السلوك الافتراضي يؤدي إلى طباعة العشرات من الجذوع الفارغة التي تطيل المخرجات دون فائدة تذكر. هنا يظهر الدور الحاسم لخيار prune، حيث يؤدي تطبيق الأمر stem varname, prune إلى حذف وتقليم كافة الجذوع الخالية تماماً من الأوراق من المخرجات المطبوعة.

على الرغم من أن خيار التقليم prune يجعل المخطط مضغوطاً وأنيقاً ويوفر المساحة في نافذة النتائج، إلا أنه ينبغي على الباحث استخدامه بحذر منهجي؛ إذ إن إخفاء الجذوع الفارغة يطمس الفجوات المكانية التي تدل على انقطاع التوزيع، وقد يقلل من الانتباه البصري الفوري لمدى تباعد القيم الشاذة عن الجسم المركزي للعينة.

8. تطبيقات مخطط الساق والورقة في العلوم النفسية والسلوكية

8.1 فحص درجات مقاييس الاكتئاب والقلق المعيارية

تعتمد البحوث الإكلينيكية والقياسات النفسية بشكل واسع على أدوات التقرير الذاتي المقننة، مثل مقياس بيك للاكتئاب (Beck Depression Inventory – BDI) أو مقياس القلق لحالة وسمة سب Spielberg (STAI). يوفر مخطط الساق والورقة في Stata وسيلة ممتازة لاستكشاف التوزيع التكراري الدقيق لدرجات المفحوصين قبل إجراء أي تحليلات استدلالية متقدمة.

من خلال رسم مخطط الساق والورقة لدرجات مقياس بيك، يستطيع الباحث التعرف الفوري على كيفية تجمع الدرجات حول النقاط الحدية الفاصلة (Cut-off Points)؛ مثل درجات الاكتئاب الخفيف (14-19)، والمتوسط (20-28)، والشديد (29 فأكثر). يكشف المخطط بدقة ما إذا كانت العينة تميل نحو التجمع الطبيعي في النطاق غير الإكلينيكي أو تظهر تركزاً مقلقاً في الفئات المرضية.

كما يتيح المخطط مقارنة درجات القلق بين العينات الإكلينيكية وعينات الضبط غير الإكلينيكية عبر إنشاء مخططات فرعية لكل فئة. يساعد هذا الفحص المقارن في التحقق البصري من حساسية المقياس وقدرته التمييزية على فصل المجموعتين، ورصد أي تداخلات غير متوقعة في استجابات الأفراد عبر المستويات المختلفة.

8.2 تحليل أوقات الاستجابة وزمن الرجع (Reaction Times)

تحظى تجارب علم النفس المعرفي (Cognitive Psychology) باهتمام واسع بدراسة أزمنة الرجع وزمن الاستجابة الحركية والإدراكية المقاسة بأجزاء من الثانية (الميلي ثانية). تتميز هذه البيانات بطبيعة توزيعية خاصة تتسم غالباً بالالتواء الإيجابي الحاد، حيث تتمركز معظم الاستجابات في مدى زمني سريع بينما تمتد استجابات قليلة في ذيل طويل جداً نتيجة السهو أو بطء المعالجة الذهنية.

يعد مخطط الساق والورقة في Stata الأداة المثلى لفحص بيانات زمن الرجع؛ إذ يسمح للباحث برؤية أوقات الاستجابة الفردية لكل محاولة تجريبية. فباستخدام خيارات التقريب المناسبة، يمكن تمثيل الميلي ثواني بدقة لرصد الأنماط الزمنية السائدة والتحقق من النطاق الزمني الأكثر كثافة بين المشاركين في المهام المعرفية المعقدة مثل مهام ستروب (Stroop Task) أو مهام الانتباه الانتقائي.

إضافة إلى ذلك، يسهم المخطط في الكشف السريع عن المحاولات الشاذة؛ مثل أوقات الاستجابة فائقة السرعة التي تقل عن 150 ميلي ثانية (والتي تشير غالباً إلى استجابات استباقية خاطئة حدثت قبل ظهور المثير)، أو الاستجابات المتأخرة جداً التي تتجاوز عدة ثوانٍ، مما يمنح الباحث معياراً بصرياً مدعوماً بالأرقام لتنظيف البيانات واستبعاد المحاولات غير الصالحة وفق أسس منهجية متينة.

8.3 دراسة درجات الذكاء واختبارات القدرات المعرفية

في مجالات القياس التربوي وعلم النفس الفارق، تشكل درجات اختبارات الذكاء المقننة (مثل مقياس وكسلر لذكاء البالغين WAIS ومقياس ستانفورد بينيه) ميداناً تطبيقياً بارزاً لمخطط الساق والورقة. تتميز هذه الاختبارات بأنها مصممة معيارياً لتتبع توزيعاً طبيعياً معتدلاً بمتوسط حسابي قدره 100 وانحراف معياري قدره 15 نقطة.

عند تمثيل درجات الذكاء لعينة دراسية في Stata عبر الأمر stem، يستطيع الباحث التحقق الفوري من مدى تطابق التوزيع الفعلي مع التوزيع الاعتدالي النظري؛ حيث تظهر درجات الفئة المتوسطة (90-109) كأطول صفوف في وسط المخطط، بينما تتناقص أطوال صفوف الأوراق تدريجياً وتناظرياً كلما اتجهنا نحو الأطراف الدنيا والعليا للجذوع.

كذلك يوفر المخطط ميزة فريدة في رصد تجمعات الأداء الاستثنائي؛ مثل فئة الموهوبين والفائقين عقلياً (درجات ذكاء 130 فأعلى) أو فئات بطء التعلم والإعاقة الذهنية (درجات أقل من 70). تتيح قراءة الأوراق الفردية في تلك الأطراف معرفة الدرجات المحددة لكل طالب دون طمسها في فئات تجميعية عامة، مما يدعم اتخاذ القرارات التربوية والتصنيفية بدقة متناهية.

9. قراءة وتفسير مخرجات المخطط واستكشاف التوزيعات الإحصائية

9.1 تقييم التماثل والالتواء (Skewness)

يعد تقييم شكل التوزيع التكراري من أولى المهام التحليلية التي ينجزها الباحث بمجرد استخراج مخطط الساق والورقة. يظهر التوزيع المتماثل تماماً في المخطط عندما تتمركز أطول صفوف الأوراق في المنتصف، وتتناقص أطوال الصفوف بشكل متكافئ ومتناسق نحو الجذوع العليا والسفلى، مما يعكس توزيعاً جرسياً اعتدالياً يتساوى فيه المتوسط والوسيط والمنوال.

أما الالتواء الإيجابي (Positive Skewness) أو الالتواء جهة اليمين، فيتجلى بوضوح عندما تتكدس الأوراق ذات الصفوف الطويلة في الجذوع الدنيا للمخطط (القيم الصغيرة)، بينما تمتد الأوراق الفردية المتفرقة في ذيل طويل نحو الجذوع العليا ذات الأرقام الكبيرة، وهي حالة شائعة جداً في متغيرات مثل الدخل السنوي، وزمن رد الفعل، ومعدلات ارتكاب الأخطاء.

وعلى النقيض من ذلك، يظهر الالتواء السلبي (Negative Skewness) أو الالتواء جهة اليسار عندما تتجمع غالبية الأوراق بكثافة في الجذوع العليا ذات القيم المرتفعة، بينما يمتد الذيل النحيف ذو الصفوف القصيرة والأوراق المتباعدة نحو الجذوع الدنيا، كما يحدث في اختبارات التحصيل السهلة التي يحصل فيها معظم الطلاب على درجات مرتفعة بينما يتعثر عدد قليل جداً منهم.

9.2 الكشف عن التفرطح (Kurtosis) وتعدد القمم (Modality)

يقدم مخطط الساق والورقة مؤشرات بصرية بالغة الدقة حول طبيعة تفرطح التوزيع (Kurtosis)، وهو مقاس يشير إلى مدى تدبب قمة التوزيع أو تفلطحها مقارنة بالتوزيع الاعتدالي. يظهر التوزيع المدبب (Leptokurtic) في المخطط على شكل صف أو صفين فائقَي الطول في مركز التوزيع يضمان الغالبية الساحقة من المشاهدات، مع قصر شديد أو انعدام في بقية الصفوف المحيطة.

وفي المقابل، يتميز التوزيع المفلطح (Platykurtic) بتوزع متقارب في أطوال صفوف الأوراق عبر مختلف الجذوع دون وجود قمة بارزة، مما يشير إلى تشتت عريض وتجانس في التكرارات عبر مدى واسع من الدرجات. كما يتيح المخطط تحديد المنوال (Mode) بصرياً وفورياً بمجرد رصد الساق والورقة الأكثر تكراراً في كامل الرسم.

علاوة على ذلك، يعد المخطط من أقوى الأدوات في اكتشاف التوزيعات ثنائية القمة (Bimodal) أو متعددة القمم (Multimodal). تظهر هذه الظاهرة عندما يحتوي المخطط على كتلتين طويلتين من الأوراق تفصل بينهما جذوع قصيرة أو فارغة، وهو مؤشر إحصائي بالغ الأهمية ينبه الباحث إلى أن العينة قد لا تكون متجانسة، بل قد تتألف من مجتمعين فرعيين ممتزجين (مثل الذكور والإناث أو الأسوياء والمرضى) مما يتطلب فصلهما في التحليل.

9.3 تحديد القيم الشاذة والمتطرفة (Outliers)

يمثل تشخيص القيم الشاذة والمتطرفة (Outliers) أحد الاستخدامات الأكثر أهمية لمخطط الساق والورقة في التحليل الاستكشافي للبيانات. تتميز القيمة الشاذة في المخطط بوجود ورقة منفردة تقع على جذع متباعد بمسافة رأسية كبيرة من الجذوع الفارغة عن الكتلة المركزية لبقية المشاهدات، مما يجعلها تلفت نظر الباحث فورياً وبدون حسابات مسبقة.

يساعد بقاء الأرقام الحقيقية في المخطط الباحث على التمييز السريع بين نوعين رئيسيين من الشذوذ الإحصائي؛ النوع الأول هو أخطاء القياس والتسجيل والترميز (مثل إضافة صفر زائد سهواً أثناء إدخال البيانات)، والتي يمكن اكتشافها وتصحيحها على الفور بالرجوع لاستمارة الاستجابة الأصلية، والنوع الثاني هو القيم المتطرفة الواقعية الناتجة عن أفراد يمتلكون خصائص استثنائية حقيقية في العينة.

بناءً على هذا الكشف البصري الدقيق، يستطيع الباحث اتخاذ قرارات منهجية مستنيرة بشأن كيفية التعامل مع هذه المشاهدات؛ سواء بإجراء تحليلات الحساسية بمقارنة النتائج قبل وبعد استبعادها، أو استخدام أساليب الإحصاء اللابارامتري المتين (Robust Statistics)، أو تطبيق التحويلات الرياضية لتقليص أثر القيم الشاذة على النماذج الإحصائية النهائية.

10. المقارنة التحليلية: مخطط الساق والورقة مقابل التمثيلات البيانية الأخرى في Stata

10.1 المقارنة مع المدرج التكراري (histogram mpg)

يوفر برنامج Stata إمكانيات رسومية متطورة لإنشاء المدرجات التكرارية عبر كتابة الأمر histogram mpg. عند المقارنة التحليلية بين المدرج التكراري ومخطط الساق والورقة، نجد أن المدرج التكراري يتفوق بشكل كاسح في معالجة قواعد البيانات الضخمة (Big Data) التي تضم عشرات الآلاف من المشاهدات؛ حيث تصبح الأعمدة الرسومية الملونة أكثر ملاءمة للتجريد البصري وتلخيص الكثافة العامة.

ومع ذلك، يفقد المدرج التكراري تماماً القدرة على تزويد الباحث بالأرقام الفردية؛ إذ يتم دمج المشاهدات داخل فترات تكرارية (Bins)، مما يجعل معرفة الحد الأدنى أو الأقصى الدقيق داخل كل عمود أمراً مستحيلاً دون استخراج جداول وصفية موازية. وفي المقابل، يتفوق أمر stem في العينات الواقعية ذات الأحجام الصغيرة والمتوسطة بالحفاظ على كينونة كل رقم خام.

من الناحية التشغيلية، يمتاز مخطط الساق والورقة بأنه مخرج نصي بالكامل يطبع داخل نافذة النتائج أو ملف السجل دون الحاجة لفتح نافذة الرسوم الجرافيكية المنفصلة (Graph Window)، مما يجعله فائق السرعة وخفيفاً على موارد النظام، ويسهل نسخه ولصقه مباشرة في التقارير النصية ومسودات العمل دون معالجة صور معقدة.

10.2 المقارنة مع مخطط الصندوق (graph box mpg)

يمثل مخطط الصندوق ذو العارضتين، والذي يتم إنشاؤه في Stata عبر الأمر graph box mpg، أداة قياسية بصرية تركز بالكامل على الإحصاءات الخمس الملخصة: القيمة الصغرى، والربيع الأول (Q1)، والوسيط (Median)، والربيع الثالث (Q3)، والقيمة العظمى، بالإضافة إلى النقاط المنعزلة التي تمثل القيم الشاذة المحسوبة بناءً على مدى 1.5 مضروباً في نصف المدى الربيعي.

على الرغم من براعة مخطط الصندوق في توضيح التشتت ومقارنة العديد من المجموعات جنباً إلى جنب في مساحة بيانية ضيقة، إلا أنه يعاني من عيب هيكلي يتمثل في طمس التفاصيل الداخلية للتوزيع؛ فهو يعجز تماماً عن إظهار ما إذا كان التوزيع ثنائي القمة، أو يحتوي على فجوات داخلية حادة في منتصف الصندوق، وهي أمور يكشفها مخطط الساق والورقة بمنتهى الوضوح والشفافية.

لذلك، توصي الأدبيات المنهجية المتقدمة في القياس والتحليل الاستكشافي بالدمج المتكامل بين أداء الأمرين؛ حيث يتم استخدام graph box للحصول على رؤية ربيعية ملخصة وسريعة للشذوذ والوسيط، متبوعة بتنفيذ أمر stem لاستكشاف البنية التكرارية الداخلية المعقدة والتأكد من خلو الكتلة المركزية من أي انقسامات أو فجوات خفية.

10.3 المقارنة مع مخططات الكثافة الاحتمالية (kdensity mpg)

تعد مخططات تقدير كثافة النواة، والتي يتم توليدها في Stata عبر الأمر kdensity mpg، من أرقى الوسائل الرياضية الحديثة لتمثيل التوزيعات المستمرة. يعتمد أسلوب كثافة النواة (Kernel Density Estimation) على تنعيم البيانات عبر دوال رياضية مستمرة لإنتاج منحنى أملس وأنيق يوضح دالة الكثافة الاحتمالية للمتغير دون التقيد بحدود الفئات الصلبة.

تكمن الخطورة المنهجية في مخططات الكثافة الاحتمالية في قضية التنعيم المفرط (Over-smoothing) الذي يتحكم فيه اتساع النطاق (Bandwidth)؛ فاختيار اتساع كبير قد يؤدي إلى دمج القمم الحقيقية وتصوير التوزيع الملتوي أو المتعدد على أنه توزيع طبيعي مثالي، بينما يؤدي التنعيم الناقص إلى توليد تموجات عشوائية لا تعكس واقع المجتمع الإحصائي.

في هذا الإطار، يتميز مخطط الساق والورقة بأنه تمثيل تجريبي غير معلمي خالص يخلو تماماً من افتراضات دوال التنعيم الرياضية المعقدة؛ فهو يعرض البيانات الحقيقية كما هي بدقة متناهية. ولذلك، يظل أمر stem هو المرجع الرقابي الأول والأكثر موثوقية لتدقيق سلامة منحنيات الكثافة والتأكد من أنها تعبر بدقة عن واقع التجمعات الموضعية للمشاهدات.

11. الأخطاء الشائعة واستكشاف المشكلات وإصلاحها عند استخدام stem

11.1 التعامل مع رسائل الخطأ الشائعة في Stata

أثناء تطبيق أمر stem في Stata، قد يواجه الباحث بعض رسائل الخطأ البرمجية التي تعيق ظهور المخطط. من أكثر هذه الأخطاء شيوعاً رسالة الخطأ variable not found، والتي تحدث عند كتابة اسم المتغير بصورة غير دقيقة؛ حيث يجب تذكر أن برنامج Stata حساس لحالة الأحرف (Case Sensitive)، فالمتغير المكتوب بحروف كبيرة يختلف تماماً عن نظيره المكتوب بحروف صغيرة.

رسالة خطأ كلاسيكية أخرى هي type mismatch، وتظهر هذه الرسالة عندما يحاول الباحث تنفيذ أمر مخطط الساق والورقة على متغير مصنف برمجياً كمتغير نصي (String). لحل هذه المشكلة، يجب على الباحث تحويل المتغير النصي إلى صيغة رقمية عبر استخدام الأوامر التحويلية المناسبة مثل destring varname, replace أو encode varname, gen(newvar) قبل إعادة تنفيذ المخطط.

كما قد يواجه الباحث مشكلة عدم تنفيذ الرسم مع ظهور رسالة تفيد بعدم وجود تباين كافٍ في البيانات (no variance)، وتحدث هذه الحالة عندما تكون كافة قيم المتغير متطابقة تماماً وتحمل نفس الرقم، أو عندما تكون كافة المشاهدات مفقودة، مما يتطلب مراجعة تنظيف البيانات والتأكد من وجود تشتت كمي يسمح ببناء الجذوع والأوراق بصورة ذات مغزى إحصائي.

11.2 مشكلة ضخامة حجم العينة وتكدس الأوراق

على الرغم من الكفاءة الفائقة لمخطط الساق والورقة في العينات الصغيرة والمتوسطة، إلا أن تطبيقه على مجموعات البيانات الضخمة التي تحتوي على عشرات الآلاف من الحالات يؤدي إلى مشكلة منهجية وبصرية تعرف بتكدس الأوراق؛ حيث يمتد صف الأوراق لمئات الخانات خارج حدود شاشة العرض ونافذة النتائج، مما يجعل المخطط مشوهاً وغير قابل للقراءة.

للتعامل مع هذه المعضلة دون التخلي عن القيمة الاستكشافية للمخطط، يمكن للباحث الاستعانة بتقنية أخذ العينات العشوائية المؤقتة داخل Stata عبر الأمر sample؛ حيث يمكن سحب عينة عشوائية ممثلة بنسبة 5% أو 10% من إجمالي البيانات عبر كتابة sample 5 ثم تنفيذ أمر stem على هذه العينة المصغرة للتعرف على معالم التوزيع العام بدقة وسلاسة.

أما في الحالات التي تتطلب تمثيل كامل البيانات الضخمة دون استثناء، يصبح من الأفضل منهجياً الانتقال من استخدام مخطط الساق والورقة إلى البدائل الرسومية المناسبة للبيانات الكبيرة، مثل المدرج التكراري الموزون عبر الأمر histogram أو مخططات الكثافة الاحتمالية، حيث تبرز هذه الأدوات التوزيع الشامل بكفاءة دون التورط في طباعة ملايين الأرقام الفردية.

11.3 معالجة التباين الشديد في المدى العددي (Scale Disparity)

تنشأ تحديات بصرية معقدة عند تطبيق أمر stem على متغيرات تحتوي على تباين هائل في المدى العددي؛ كأن تضم البيانات قيماً متناهية الصغر تقترب من الصفر إلى جانب قيم هائلة بالملايين. يؤدي هذا التباين الشديد إلى اضطرار البرنامج لاختيار وحدة ورقة ضخمة تطمس تفاصيل القيم الصغيرة، أو توليد آلاف الجذوع الفارغة بين المستويات المختلفة.

لمعالجة هذه المشكلة الإحصائية، يلجأ الباحثون إلى تطبيق التحويلات الرياضية المسبقة (Data Transformations) قبل إجراء الرسم؛ ومن أبرزها التحويل اللوغاريتمي عبر توليد متغير جديد باستخدام الكود: gen log_var = log(varname)، ثم تنفيذ أمر الساق والورقة على المتغير اللوغاريتمي stem log_var لمشاهدة التوزيع بعد تقليص الفجوات الهائلة.

كما يمكن إجراء إعادة قياس خطية بسيطة للمتغير (Rescaling) عبر قسمة المتغير على قوى العدد عشرة (مثل القسمة على 1000 لتحويل القياس من الجرام إلى الكيلوجرام أو من الأفراد إلى الآلاف). يساعد هذا التعديل القياسي في ضبط تكوين الجذوع وتسهيل قراءة وحدة الورقة وتفسيرها المنهجي دون التأثير على البنية التوزيعية الأصلية للظاهرة المدروسة.

12. أفضل الممارسات المنهجية وتوثيق المخرجات في التقارير الأكاديمية

12.1 تصدير وتوثيق مخرجات stem إلى محررات النصوص

يمثل التوثيق الدقيق للمخرجات خطوة حاسمة في البحث العلمي الرصين لضمان الشفافية وقابلية التدقيق. يوفر برنامج Stata ميزة تسجيل كامل جلسات العمل عبر ملفات السجل النصية (Log Files). يُنصح دائماً بفتح ملف سجل في بداية التحليل عبر كتابة الأمر log using stem_analysis.log, replace text لحفظ كافة المخططات الإحصائية الناتجة بصيغتها النصية الأصلية.

عند الرغبة في نقل مخطط الساق والورقة من نافذة Stata إلى محررات النصوص المتقدمة مثل Microsoft Word أو أنظمة صف الحروف مثل LaTeX، يجب الانتباه الشديد لنوع الخط المستخدم في المحرر؛ حيث يؤدي استخدام الخطوط التناسبية الشائعة (مثل Times New Roman أو Arial) إلى تشويه كامل في محاذاة الأوراق والجذوع وفقدان المخطط لشكله البياني الصحيح.

لضمان بقاء المحاذاة العمودية والأفقية سليمة تماماً، يجب تحديد نص المخطط بالكامل وتطبيق أحد الخطوط أحادية المسافة (Monospaced Fonts) مثل خط Courier New أو Consolas، مع ضبط حجم الخط وتباعد الأسطر المفرد، مما يضمن ظهور الرسم في التقرير النهائي تماماً كما كان معروضاً في نافذة نتائج Stata بدقة ووضوح فائقين.

12.2 كتابة التقرير الإحصائي وفق معايير جمعية علم النفس الأمريكية (APA)

عند صياغة نتائج التحليل الاستكشافي للبيانات في الأبحاث المنشورة وفق معايير دليل النشر العلمي الصادر عن جمعية علم النفس الأمريكية (APA Style 7th Edition)، لا يُدرج مخطط الساق والورقة عادة كرسم جرافيكي مستقل في المتن النهائي ما لم تكن هناك ضرورة توضيحية استثنائية، بل يُستخدم كأداة استكشافية توثق في قسم الإجراءات والنتائج عبر وصف إحصائي دقيق وشامل.

يتضمن التقرير المنهجي وصفاً لشكل توزيع درجات العينة بالاعتماد على الفحص الاستكشفي بالمخطط؛ حيث تتم الإشارة بوضوح إلى مدى تماثل التوزيع، وقيم النزعة المركزية (المتوسط والوسيط)، ومقاييس التشتت (الانحراف المعياري والمدى الربيعي)، مع ذكر المؤشرات العددية الدقيقة للالتواء (Skewness) والتفرطح (Kurtosis) وأخطائها المعيارية.

كما يلزم التقرير الباحث بتقديم تبرير منهجي شفاف لأي قرارات تم اتخاذها بناءً على مخرجات مخطط الساق والورقة؛ مثل توثيق اكتشاف قيم متطرفة شاذة وتحديد هويتها، وتوضيح ما إذا كان قد تم تصحيحها أو استبعادها من العينة النهائية، أو تبرير استخدام تحويلات البيانات الرياضية أو الاختبارات اللابارامترية البديلة عند ثبوت عدم اعتدالية التوزيع الأصلي.

12.3 أتمتة وتكرار الرسوم الاستكشافية عبر سكربتات Stata

في الدراسات الواسعة التي تتضمن استبيانات متعددة الأبعاد ومقاييس نفسية مركبة تحتوي على عشرات المتغيرات الفرعية، يصبح تنفيذ أمر المخطط لكل متغير على حدة عملاً رتيباً ومستهلكاً للوقت. هنا تظهر القوة البرمجية المتقدمة لبرنامج Stata عبر استخدام الحلقات التكرارية (Loops) وأدوات الأتمتة الإحصائية.

يمكن للباحث كتابة حلقة تكرارية برمجية أنيقة عبر الأمر foreach لتوليد مخططات الساق والورقة لكافة المقاييس النفسية دفعة واحدة؛ على سبيل المثال: foreach var of varlist bdi_score stai_score iq_score { stem `var’, lines(2) }. يقوم هذا السكربت بتكرار العملية وتوليد المخططات بتنسيق موحد لكافة المتغيرات المحددة في ثوانٍ معدودة وبأعلى مستويات الدقة.

تسهم هذه البرمجة المتقدمة في ترسيخ أسس البحث العلمي القابل للتكرار (Reproducible Research)؛ حيث يمكن حفظ هذا السكربت في ملف Do-file وتطبيقه مستقبلاً على أي عينات جديدة أو مشاريع بحثية لاحقة، مما يوفر بيئة استكشافية متكاملة تجمع بين السرعة، والموثوقية، والدقة الإحصائية الرصينة.

الخاتمة

يظل مخطط الساق والورقة (Stem-and-Leaf Plot) بعد عقود من ابتكاره على يد جون توكي واحداً من أروع الابتكارات في التحليل الاستكشافي للبيانات؛ إذ يجسد التناغم الفريد بين بساطة التمثيل البصري والاحتفاظ بالأصالة العددية للبيانات الخام. ومن خلال برنامج Stata، يتحول هذا الأسلوب الكلاسيكي إلى أداة برمجية ديناميكية فائقة المرونة تمنح الباحثين في القياس النفسي، والتربوي، والاجتماعي تحكماً كاملاً في استكشاف ملامح التوزيعات التكرارية بدقة متناهية.

لقد استعرض هذا الدليل المتكامل كيفية بناء المخطط وفهم قواعده الرياضية، والتعامل مع الأمر الأساسي stem ومختلف خياراته المتقدمة مثل lines() وwidth() وround() وprune، وصولاً إلى تطبيقاته الإكلينيكية والسلوكية وقراءة مؤشرات الالتواء، والتفرطح، والقمم، والقيم المتطرفة. إن إتقان هذه المهارات التحليلية يسلح الباحث برؤية استكشافية عميقة تمكنه من اتخاذ قرارات منهجية واعية ومبنية على فهم حقيقي لبنية أرقامه قبل المضي قدماً في النمذجة والاستدلال الإحصائي المتقدم.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Beck, A. T., Steer, R. A., & Brown, G. K. (1996). Manual for the Beck Depression Inventory-II. Psychological Corporation. https://www.pearsonassessments.com
• Cox, N. J. (2004). Speaking Stata: Graphing distributions. The Stata Journal, 4(1), 66–88. https://doi.org/10.1177/1536867X0400400106
• Hoaglin, D. C., Mosteller, F., & Tukey, J. W. (Eds.). (2000). Understanding robust and exploratory data analysis. John Wiley & Sons. https://www.wiley.com
• Mitchell, M. N. (2012). A visual guide to Stata graphics (3rd ed.). Stata Press. https://www.stata-press.com/books/visual-guide-to-stata-graphics/
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/rstem.pdf
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley. https://en.wikipedia.org/wiki/Exploratory_Data_Analysis_(book)
• Wechsler, D. (2008). Wechsler Adult Intelligence Scale–Fourth Edition (WAIS-IV). Psychological Corporation. https://www.pearsonassessments.com