كيفية إجراء اختبار مربع كاي للاستقلالية في إكسيل

تُعد معالجة البيانات الفئوية (Categorical Data) وتحديد طبيعة العلاقات القائمة بينها من الركائز الأساسية التي يقوم عليها صرح البحث العلمي والتحليل الإحصائي الحديث. في العديد من الحقول المعرفية، بدءاً من العلوم النفسية والسلوكية، مروراً بعلم الاجتماع والعلوم السياسية، ووصولاً إلى العلوم الطبية والوبائيات والتسويق، يواجه الباحثون والمحللون تحدياً محورياً يتمثل في اختبار ما إذا كانت صفتان أو ظاهرتان مقاستان على مستويات تصنيفية اسمية أو رتبية ترتبطان ببعضهما برابطة ذات دلالة إحصائية، أم أن التوزيعات المرصودة لا تعدو كونها نتاجاً للصدفة البحتة والتقلبات العشوائية في المعاينة. وهنا تبرز الأهمية الاستثنائية لاختبار مربع كاي للاستقلالية (Chi-Square Test of Independence)، بوصفه أحد أعرق وأقوى الاختبارات الإحصائية اللامعلمية المصممة خصيصاً للإجابة عن هذه التساؤلات الدقيقة دون الحاجة إلى افتراض التوزيع الطبيعي للبيانات.

وعلى الرغم من توافر العديد من البرمجيات الإحصائية المتخصصة والمعقدة مثل SPSS و R و SAS، يظل برنامج مايكروسوفت إكسيل (Microsoft Excel) الأداة الأكثر انتشاراً ومرونة وسهولة في الوصول بالنسبة لقطاع عريض من الباحثين والطلاب والمهنيين في شتى المجالات. إن إجراء اختبار مربع كاي للاستقلالية داخل بيئة إكسيل لا يمنح المحلل القدرة على استخراج النتائج الدقيقة فحسب، بل يوفر فهماً متعمقاً وشفافاً للمسار الرياضي والمنطقي الذي بُني عليه الاختبار، بدءاً من مصفوفة البيانات الخام، مروراً بإنشاء جداول الاقتران التكرارية وحساب القيم المتوقعة، وانتهاءً بتحديد مستويات الدلالة الإحصائية وحساب حجوم الأثر ومؤشرات الارتباط المتعددة.

يهدف هذا الدليل الشامل والموسوعي إلى تزويد الباحث والمحلل بمرجع نظري وتطبيقي متكامل يغطي كافة الجوانب المتعلقة باختبار مربع كاي للاستقلالية وكيفية تنفيذه بدقة متناهية واحترافية عالية في مايكروسوفت إكسيل. سنستعرض في هذا المقال الأسس الرياضية والنظرية للاختبار، وشروطه وافتراضاته الصارمة، وطرق بناء الجداول وحساب الصيغ اليدوية والآلية، والاستفادة من الدوال الإحصائية المدمجة، وتفسير النتائج وفق المعايير الأكاديمية الدولية المنبثقة عن الجمعية الأمريكية لعلم النفس (APA)، بالإضافة إلى معالجة الأخطاء الشائعة وتمثيل المخرجات بيانياً بأعلى جودة ممكنة.

1. مقدمة نظرية حول اختبار مربع كاي للاستقلالية

يمثل اختبار مربع كاي للاستقلالية أداة إحصائية استنتاجية بالغة الأهمية طورها العالم البريطاني الشهير كارل بيرسون (Karl Pearson) في مطلع القرن العشرين. يهدف هذا الاختبار إلى فحص الفرضيات المتعلقة بوجود أو غياب الارتباط بين متغيرين نوعيين من خلال مقارنة التكرارات التي تمت ملاحظتها وتوثيقها فعلياً في عينة الدراسة مع التكرارات التي كان من المتوقع نظرياً الحصول عليها في حال كانت الفرضية الصفرية القائلة باستقلال المتغيرين صحيحة تماماً.

1.1 المفهوم الإحصائي لاختبار الاستقلالية وتطبيقاته

يُعرَّف اختبار مربع كاي للاستقلالية بأنه اختبار معلمي افتراضي أو لا معلمي (Non-parametric test) يُستخدم لاختبار فرضية عدم وجود ارتباط بين متغيرين فئويين (Categorical Variables). يعمل الاختبار على تقييم ما إذا كانت نسب توزيع فئات المتغير الأول تختلف باختلاف فئات المتغير الثاني. يعتمد الفحص الإحصائي على قياس المسافة أو الانحراف بين التكرارات الملاحظة (Observed Frequencies – $O$) والتكرارات المتوقعة (Expected Frequencies -$E$) الناتجة عن نموذج رياضي يفترض الاستقلالية التامة.

يكمن الفرق الجوهري بين مفهوم الاستقلالية الإحصائية (Statistical Independence) والاعتمادية (Dependence) في طبيعة الاحتمالات المشتركة. فوفقاً لنظرية الاحتمالات، يكون الحدثان $A$ و $B$ مستقلين إذا وفقط إذا كان الاحتمال المشترك لوقوعهما معاً يساوي حاصل ضرب احتماليهما المنفصلين؛ أي أن $P(A \cap B) = P(A) \times P(B)$. وبناءً على ذلك، إذا تحققت هذه المساواة عبر جميع خلايا جدول التقاطع، يُقال إن المتغيرين مستقلان، في حين يشير أي انحراف دال إحصائياً عن هذه القاعدة إلى وجود علاقة اعتمادية أو اقتران بين المتغيرين، مما يجعل الاختبار أداة لا غنى عنها في تحليل البيانات المتقاطعة والجداول التكرارية المعقدة.

1.2 أهمية الاختبار في البحوث النفسية والاجتماعية

تحظى البيانات النوعية باهتمام واسع في العلوم النفسية، والبحوث السلوكية، والدراسات الاجتماعية، حيث يتعذر في كثير من الأحيان قياس الظواهر الإنسانية على مقاييس فترية أو نسبية مستمرة. يُستخدم اختبار مربع كاي للاستقلالية على نطاق عريض لدراسة الروابط القائمة بين الأنماط السلوكية والسمات الديموغرافية الأساسية، مثل دراسة ما إذا كانت مستويات الضغط النفسي (منخفض، متوسط، مرتفع) تختلف باختلاف البيئة السكنية (حضر، ريف) أو الحالة الاجتماعية للأفراد.

علاوة على ذلك، يبرز دور الاختبار في مجالات القياس النفسي والتشخيص الإكلينيكي؛ حيث يمكن للباحثين استقصاء مدى ارتباط تشخيصات نفسية محددة (مثل اضطرابات القلق، الاكتئاب، الوسواس القهري) بالفئات العمرية المختلفة أو بالنوع الاجتماعي للمرضى. كما يُعد الاختبار الأداة المثلى لتحليل وتفسير استجابات الاستبيانات المقاسة بمقاييس اسمية (Nominal) أو رتبية (Ordinal)، مثل دراسة العلاقة بين أنماط التكيف النفسي ونوع الاستجابة للعلاج الدوائي، مما يتيح فهماً علمياً عميقاً للظواهر دون الوقوع في أخطاء التحليل الموجهة للبيانات الكمية.

1.3 الفرق بين اختبار الاستقلالية واختبار جودة المطابقة

من الأهمية بمكان التمييز المنهجي الصارم بين نوعين رئيسيين من اختبارات مربع كاي التي طورها بيرسون: اختبار الاستقلالية (Test of Independence) واختبار جودة المطابقة (Goodness-of-Fit Test). يكمن الفارق الجوهري الأول في طبيعة التصميم التجريبي وعدد المتغيرات الخاضعة للتحليل؛ حيث يختص اختبار جودة المطابقة بدراسة متغير فئوي واحد فقط عبر مقارنة التكرارات الملاحظة لفئاته بتوزيع نظري محدد مسبقاً أو مفترض نظرياً (مثل التوزيع المتساوي للنسب أو التوزيع المندلي في علم الوراثة).

في المقابل، يتعامل اختبار مربع كاي للاستقلالية مع متغيرين فئويين في آنٍ واحد، ويسعى للكشف عن التفاعل المشترك بينهما دون وجود توزيع نظري مسبق مفروض من الخارج، بل يتم اشتقاق القيم المتوقعة ذاتياً من البيانات المجمعة في الدراسة عبر هوامش الجدول. يتجلى هذا التمايز أيضاً في البنية الهيكلية لجداول البيانات؛ فاختبار جودة المطابقة يستند إلى جدول تكراري أحادي البعد ($1 times k$)، بينما يتطلب اختبار الاستقلالية بناء جدول اقتران ثنائي البعد ($r times c$) يتقاطع فيه عدد صفوف المتغير الأول مع عدد أعمدة المتغير الثاني، وهو ما يحدد بدوره درجات الحرية وطرق المعالجة الرياضية المتبعة في كل منهما.

2. الشروط والافتراضات المنهجية لتطبيق الاختبار في إكسيل

تستند موثوقية الاستدلال الإحصائي المشتق من اختبار مربع كاي للاستقلالية إلى مدى استيفاء مجموعة من الشروط والافتراضات المنهجية الصارمة. إن إهمال هذه الفرضيات أو تطبيق الاختبار على بيانات لا تستوفي المتطلبات الرياضية الأساسية قد يقود الباحث إلى استنتاجات مضللة ويزيد من احتمالية ارتكاب الأخطاء الإحصائية بنوعيها الأول والثاني.

2.1 طبيعة المتغيرات الاسمية والفئوية

يشترط اختبار مربع كاي للاستقلالية أن تكون المتغيرات المراد تحليلها مقاسة على مستوى المقياس الاسمي (Nominal Scale) أو المقياس الرتبي (Ordinal Scale). البيانات الاسمية هي تلك التي تُصنف إلى فئات أو مجموعات منفصلة نوعياً لا تقبل المفاضلة الرياضية أو الترتيب المنطقي المتدرج، مثل النوع الاجتماعي (ذكر/أنثى)، فصيلة الدم (A, B, AB, O)، التخصص الأكاديمي، أو الانتماء السياسي. كما يمكن استخدام البيانات الرتبية التي تتضمن ترتيباً تدرجياً (مثل: منخفض، متوسط، مرتفع) شريطة التعامل معها كفئات منفصلة.

يتطلب هذا الافتراض أيضاً أن تكون الفئات شاملة مانعة للتبادل وحصرية بالكامل (Mutually Exclusive and Exhaustive)؛ أي أنه يجب أن ينتمي كل فرد أو وحدة معاينة إلى فئة واحدة فقط داخل المتغير الواحد، ولا يمكن تحت أي ظرف من الظروف أن يُدرج المستجيب في أكثر من خلية تصنيفية واحدة داخل جدول الاقتران، حيث يؤدي تداخل الفئات إلى بطلان الأساس الاحتمالي لنموذج مربع كاي.

2.2 استقلالية الملاحظات وأسلوب أخذ العينات

يُعد افتراض استقلالية الملاحظات (Independence of Observations) شرطاً حاسماً لا يقبل المساومة في اختبار مربع كاي التقليدي. يقتضي هذا الشرط ألا يؤثر قياس أو استجابة أي مشارك في العينة على قياس أو استجابة أي مشارك آخر بأي شكل من الأشكال. يتحقق ذلك منهجياً من خلال تبني أساليب المعاينة الاحتمالية العشوائية السليمة، مثل المعاينة العشوائية البسيطة أو الطبقية من مجتمع الدراسة المستهدف.

يترتب على هذا الشرط منع تطبيق اختبار مربع كاي للاستقلالية على البيانات المترابطة أو التصاميم المكررة (Repeated Measures)، مثل قياس استجابات نفس المجموعة من الأفراد قبل وبعد تطبيق برنامج تدريبي أو علاجي معين. ففي مثل هذه الحالات ذات الملاحظات التابعة، يصبح الاختبار غير صالح، وتتطلب المعالجة المنهجية الانتقال إلى اختبارات مخصصة للبيانات المقترنة مثل اختبار ماكنيمار (McNemar’s Test) أو نماذج الانحدار اللوجستي ذات التأثيرات المختلطة.

2.3 قاعدة حجم العينة والتكرارات المتوقعة (Rule of 5)

نظراً لأن توزيع مربع كاي هو توزيع احتمالي متصل في أصله الرياضي ويُستخدم هنا لتقريب توزيع احتمالي متقطع للبيانات التكرارية، فإن هذا التقريب يظل دقيقاً وصالحاً فقط عندما يكون حجم العينة كافياً. تنص القاعدة المنهجية الكلاسيكية المعترف بها في الأدبيات الإحصائية (المعروفة بقاعدة كوكران Cochran’s Rule) على ألا يقل التكرار المتوقع في أي خلية من خلايا الجدول عن 5 في أكثر من 20% من إجمالي خلايا جدول الاقتران، مع اشتراط ألا تحتوي أي خلية على تكرار متوقع يقل عن 1 إطلاقاً.

عندما تكون التكرارات المتوقعة منخفضة للغاية (أقل من 5)، فإن المقام في معادلة مربع كاي يصبح صغيراً جداً، مما يضخم قيمة الإحصائية المحسوبة بشكل مصطنع، ويؤدي بالتالي إلى تضخيم معدل الخطأ من النوع الأول (Type I Error) برفض الفرضية الصفرية بينما هي صحيحة في الواقع. وفي حال انتهاك هذا الافتراض في إكسيل، يتعين على الباحث إما زيادة حجم العينة، أو دمج الفئات المتقاربة منطقياً لرفع التكرارات المتوقعة، أو اللجوء إلى اختبار فيشر الدقيق (Fisher’s Exact Test) لا سيما في الجداول الصغيرة من نمط $2 times 2$.

3. صياغة الفرضيات الإحصائية لاختبار الاستقلالية

تُمثل صياغة الفرضيات الإحصائية بدقة ووضوح حجر الزاوية في بناء الاستدلال العلمي الرصين. يتم ترجمة التساؤل البحثي إلى زوج متكامل من الفرضيات الرياضية المتنافسة: الفرضية الصفرية التي تمثل الوضع الافتراضي لعدم وجود أثر أو علاقة، والفرضية البديلة التي تدعي وجود اقتران أو اعتماد متبادل بين المتغيرات المدروسة.

3.1 الفرضية الصفرية (H0) ومعناها البحثي

تنص الفرضية الصفرية ($H_0$) في سياق اختبار الاستقلالية على أن المتغير الفئوي الأول والمتغير الفئوي الثاني مستقلان تماماً عن بعضهما البعض في المجتمع الإحصائي المسحوبة منه العينة. من الناحية الرياضية الاحتمالية، تفترض الفرضية الصفرية أن الاحتمال المشترك لأي خلية تقاطع ($i, j$) يساوي حاصل ضرب الاحتمال الهامشي للصف $i$ في الاحتمال الهامشي للعمود $j$ لجميع الخلايا:

$$P(A_i \cap B_j) = P(A_i) \times P(B_j) \quad \forall i, j$$

من المنظور التطبيقي والبحثي، تعني الفرضية الصفرية أن معرفة الفئة التي ينتمي إليها الفرد في المتغير الأول لا تقدم أي معلومات تنبؤية إضافية حول احتمالية انتمائه لأي فئة من فئات المتغير الثاني. وبمعنى آخر، فإن التوزيع النسبي للترددات داخل كل صف يكون متطابقاً عبر جميع الصفوف، وأي تباينات مرصودة في عينة الدراسة إنما تعزى إلى الصدفة وأخطاء المعاينة العشوائية البحتة وليست انعكاساً لنمط حقيقي في المجتمع.

3.2 الفرضية البديلة (H1) وتفسير الارتباط

تنص الفرضية البديلة ($H_1$ أو $H_a$) على أن المتغيرين ليسا مستقلين؛ أي أن هناك علاقة ارتباطية أو اعتمادية ذات دلالة إحصائية تربط بين تصنيفات المتغير الأول وتصنيفات المتغير الثاني في المجتمع الإحصائي. رياضياً، تعبر الفرضية البديلة عن وجود خلية واحدة على الأقل في جدول الاقتران لا يتطابق فيها الاحتمال المشترك مع حاصل ضرب الاحتمالات الهامشية المنفصلة:

$$P(A_i \cap B_j) \neq P(A_i) \times P(B_j) \quad \text{for at least one pair } (i, j)$$

من الضروري التأكيد المنهجي على أن اختبار مربع كاي هو اختبار غير اتجاهي (Non-directional test)؛ فالفرضية البديلة لا تحدد طبيعة العلاقة أو اتجاهها، ولا تثبت وجود علاقة سببية (Causality) بين المتغيرين، بل تثبت فقط وجود ارتباط أو اقتران في التوزيع المشترك. كما أن رفض الفرضية الصفرية لا يوضح أي الخلايا تحديداً كانت مسؤولة عن نشوء هذا الارتباط، مما يستدعي إجراء تحليلات لاحقة مثل فحص البواقي المعيارية (Standardized Residuals) لفهم بنية العلاقة بالتفصيل.

3.3 تحديد مستوى الدلالة الإحصائية (Alpha Level)

يُمثل مستوى الدلالة الإحصائية ($\alpha$ – Alpha Level) الحد الأقصى لاحتمالية الوقوع في الخطأ من النوع الأول، وهو احتمال رفض الفرضية الصفرية بالخطأ عندما تكون صحيحة بالفعل في المجتمع. يتم تحديد هذا المستوى بصورة مسبقة قبل البدء في تحليل البيانات وفقاً للمعايير العلمية المعتمدة في مجال التخصص وطبيعة المخاطر المترتبة على القرار الإحصائي.

في معظم البحوث الاجتماعية، النفسية، والسلوكية، يُعتمد مستوى الدلالة القياسي $\alpha = 0.05$ (مما يمنح مستوى ثقة قدره 95%)، بينما يُلجأ إلى مستويات أكثر صرامة مثل $\alpha = 0.01$ أو $\alpha = 0.001$ في الدراسات الطبية والإكلينيكية الحساسة للحد من القرارات الخاطئة. يرتبط مستوى الدلالة مباشرة بتحديد القيمة الحرجة (Critical Value) على التوزيع الاحتمالي لمربع كاي؛ حيث يُقسم المنحنى إلى منطقة قبول (Retention Region) تقع على يسار القيمة الحرجة، ومنطقة رفض (Rejection Region) تقع في الطرف الأيمن للمنحنى وتستلزم رفض الفرضية الصفرية في حال تجاوز القيمة المحسوبة لها.

4. إعداد وتجهيز جدول الاقتران (Contingency Table) في إكسيل

تُعد مرحلة تجهيز البيانات وهيكلتها داخل برنامج إكسيل الخطوة الإجرائية الأولى نحو تنفيذ تحليل إحصائي ناجح وخالٍ من الأخطاء الحسابية. يتطلب بناء جدول الاقتران (المعروف أيضاً بجدول التوافق أو التصنيف المتقاطع Cross-Tabulation Table) الانتقال بالبيانات من شكلها الخام الفردي إلى مصفوفة تكرارية منظمة تعكس التوزيع المشترك للمتغيرين.

4.1 تنظيم وتنسيق البيانات الخام في أوراق عمل إكسيل

تبدأ العملية المنهجية بجمع البيانات وتفريغها في ورقة عمل إكسيل وفق النمط القياسي لهيكلة قواعد البيانات، بحيث يُمثل كل صف (Row) مشاركاً أو حالة فردية واحدة (Case/Participant)، بينما يُمثل كل عمود (Column) متغيراً من المتغيرات المقاسة. على سبيل المثال، إذا كانت دراستنا تبحث العلاقة بين “النوع الاجتماعي” و”التفضيل السياسي”، يجب تخصيص العمود A لرمز المشارك، والعمود B لمتغير النوع (ذكر / أنثى)، والعمود C لمتغير الحزب المفضل (حزب أ / حزب ب / حزب ج).

قبل الشروع في المعالجة الإحصائية، يجب إجراء فحص شامل لتنظيف البيانات (Data Cleaning)؛ والتأكد من خلو الأعمدة من الخلايا الفارغة أو القيم المفقودة غير المعالجة، والتحقق من توحيد صياغة النصوص المكتوبة داخل الخلايا (مثل التأكد من كتابة “ذكر” بنمط إملائي موحد وتجنب المسافات الزائدة)، نظراً لأن محرك إكسيل يميز النصوص بدقة ويعتبر أي تباين طفيف بمثابة فئة جديدة مستقلة تماماً، مما قد يفسد بناء الجداول التكرارية.

4.2 استخراج التكرارات الملاحظة باستخدام الجداول المحورية (Pivot Tables)

تُعد أداة الجداول المحورية (Pivot Tables) في إكسيل الوسيلة الأكثر كفاءة وسرعة لتحويل مئات أو آلاف الصفوف من البيانات الخام المبعثرة إلى جدول اقتران ثنائي الأبعاد عالي الدقة. لإنشاء جدول الاقتران للتكرارات الملاحظة، نتبع الخطوات الإجرائية التالية:

• تحديد نطاق البيانات الخام بالكامل بما في ذلك رؤوس الأعمدة.
• الانتقال إلى تبويب إدراج (Insert) واختيار PivotTable، ثم تحديد مكان إدراج الجدول في ورقة عمل جديدة أو مجاورة.
• من قائمة حقول الجدول المحوري (PivotTable Fields)، يتم سحب المتغير الأول (مثل: النوع الاجتماعي) وإفلاته في منطقة الصفوف (Rows).
• سحب المتغير الثاني (مثل: التفضيل الحزبي) وإفلاته في منطقة الأعمدة (Columns).
• سحب أي من المتغيرين النصيين أو المعرف الرقمي وإفلاته في منطقة القيم (Values)، والتأكد من ضبط خيار التلخيص على عدد (Count) وليس المجموع (Sum).

سينتج عن هذه الخطوات مصفوفة تكرارية متقاطعة تحتوي على التكرارات الملاحظة الفعلية ($O_{ij}$) في كل تقاطع بين الصفوف والأعمدة، وتُمثل هذه التكرارات الأساس الرقمي الذي ستبنى عليه كافة الحسابات اللاحقة لاختبار مربع كاي.

4.3 حساب المجاميع الهامشية باستخدام دالة الجمع (SUM)

بعد استخراج جدول التكرارات الملاحظة، يُنصح بنسخ الجدول ولصقه كقيم (Paste as Values) في نطاق مخصص في ورقة العمل لتسهيل تطبيق الصيغ الحسابية المباشرة وتجنب قيود دوال الجداول المحورية مثل دالة `GETPIVOTDATA`. يتطلب التحليل الإحصائي حساب المجاميع الهامشية للصفوف (Row Totals – $R_i$)، والمجاميع الهامشية للأعمدة (Column Totals – $C_j$)، بالإضافة إلى المجموع الكلي للعينة ($N$).

يتم تطبيق دالة الجمع القياسية `=SUM()` في نهاية كل صف وفي أسفل كل عمود. على سبيل المثال، إذا كانت خلايا التكرارات الملاحظة للصف الأول تمتد من الخلية `B3` إلى الخلية `D3`، فإن صيغة المجموع الهامشي للصف الأول في الخلية `E3` ستكون:

=SUM(B3:D3)

وبالمثل، يتم حساب مجاميع الأعمدة بتطبيق الصيغة أسفل كل عمود (مثلاً في الخلية `B6`: =SUM(B3:B5)). وفي الخلية المتقاطعة في الزاوية السفلية اليسرى من الجدول (الخلية `E6`)، يتم حساب المجموع الكلي للعينة ($N$) عبر جمع مجاميع الصفوف أو مجاميع الأعمدة، حيث يُعد هذا الرقم المرجعي الأهم لاشتقاق التكرارات المتوقعة في المرحلة التالية.

5. حساب مصفوفة التكرارات المتوقعة (Expected Values) في إكسيل

تُمثل مصفوفة التكرارات المتوقعة النموذج الرياضي الافتراضي لما يجب أن تكون عليه البيانات في حال تحققت الفرضية الصفرية القائلة باستقلال المتغيرين تماماً. يعتمد بناء هذا الجدول على التوزيع الاحتمالي المشترك المشتق حصرياً من المجاميع الهامشية لجدول الملاحظات الفعلي.

5.1 المعادلة الرياضية للتكرار المتوقع

تستند المعادلة الرياضية لحساب التكرار المتوقع في أي خلية تقع عند تقاطع الصف $i$ والعمود $j$ إلى مبدأ ضرب الاحتمال الهامشي للصف في الاحتمال الهامشي للعمود ثم ضرب الناتج في إجمالي حجم العينة. فإذا كان احتمال وقوع الصف $i$ هو $P(R_i) = \frac{R_i}{N}$، واحتمال وقوع العمود $j$ هو $P(C_j) = \frac{C_j}{N}$، فإن التكرار المتوقع ($E_{ij}$) يُحسب بالمعادلة التالية:

$$E_{ij} = N \times P(R_i \cap B_j) = N \times \left(\frac{R_i}{N} \times \frac{C_j}{N}\right) = \frac{R_i \times C_j}{N}$$

أي أن التكرار المتوقع لأي خلية يُساوي ببساطة: (مجموع الصف التابع للخلية $\times$ مجموع العمود التابع للخلية) مقسوماً على المجموع الكلي للعينة. يتطلب تطبيق هذا المفهوم في إكسيل إنشاء جدول جديد تماماً بنفس أبعاد وعدد خلايا جدول التكرارات الملاحظة الأصلية، مع تخصيصه لحساب هذه القيم النظرية بدقة متناهية.

5.2 تطبيق الصيغ في إكسيل وتثبيت المراجع المطلقة ($)

لتنفيذ هذه العملية الحسابية بكفاءة عالية دون الحاجة لكتابة الصيغة لكل خلية على حدة، يتم الاستفادة من ميزة تثبيت المراجع الجزئية والمطلقة باستخدام علامة الدولار ($) في إكسيل. بافتراض أن جدول التكرارات الملاحظة يقع في النطاق `B3:D4`، وأن مجاميع الصفوف تقع في النطاق `E3:E4`، ومجاميع الأعمدة في النطاق `B5:D5`، والمجموع الكلي في الخلية `E5`، نتبع ما يلي لبناء جدول التكرارات المتوقعة:

نبدأ في الخلية الأولى من جدول القيم المتوقعة (ولتكن الخلية `B10`) بكتابة الصيغة الرياضية المركبة التالية:

=($E3 * B$5) / $E$5

يوضح التحليل الدقيق لهذه الصيغة المتقدمة ما يلي:

• استخدام $E3 يثبت العمود E (عمود مجاميع الصفوف) مع السماح لرقم الصف بالتغير تلقائياً عند السحب رأسياً للأسفل.
• استخدام B$5 يثبت الصف 5 (صف مجاميع الأعمدة) مع السماح لاسم العمود بالتغير تلقائياً عند السحب أفقياً لليسار.
• استخدام $E$5 يثبت خلية المجموع الكلي كمرجع مطلق لا يتغير مكانه نهائياً عند نسخ الصيغة في أي اتجاه.

بمجرد كتابة الصيغة في الخلية `B10`، يمكن سحب مقبض التعبئة التلقائية (AutoFill) أفقياً وعمودياً لتغطية كامل نطاق جدول القيم المتوقعة، ليقوم إكسيل بحساب كافة التكرارات المتوقعة لجميع الخلايا في أجزاء من الثانية.

5.3 التحقق من دقة جدول القيم المتوقعة

بعد اكتمال توليد مصفوفة التكرارات المتوقعة، يجب على الباحث إجراء خطوتين أساسيتين للتحقق من سلامة البناء الرياضي وجودة البيانات:

أولاً: التحقق من التوازن الحسابي: يتم حساب مجاميع الصفوف والأعمدة لجدول القيم المتوقعة باستخدام دالة `=SUM()`. يجب أن تتطابق هذه المجاميع بصورة تامة ومطلقة مع المجاميع الهامشية لجدول التكرارات الملاحظة الأصلي ومع المجموع الكلي للعينة ($N$)؛ إذ إن أي اختلاف طفيف يشير إلى وجود خطأ في مراجع الخلايا أو صياغة المعادلات.

ثانياً: التحقق من استيفاء شرط التكرار المتوقع ($ge 5$): يتم فحص خلايا جدول القيم المتوقعة للتأكد من عدم وجود قيم تقل عن 5. يمكن تسهيل هذه العملية بصرياً في إكسيل عبر تطبيق التنسيق الشرطي (Conditional Formatting)؛ من خلال تحديد نطاق القيم المتوقعة، واختيار “تمييز قواعد الخلايا (Highlight Cells Rules)”، ثم اختيار “أقل من (Less Than)” وكتابة الرقم 5، وتلوين الخلايا باللون الأحمر للتأكد الفوري من سلامة الافتراض المنهجي للاختبار.

6. الحساب اليدوي لإحصائية مربع كاي عبر معادلات إكسيل

يتيح إجراء الحساب اليدوي المفصل لإحصائية اختبار مربع كاي في إكسيل رؤية عميقة لمصادر التباين وتحديد الخلايا والأنماط التي ساهمت بالقدر الأكبر في الانحراف عن نموذج الاستقلالية، وهو ما يعزز الفهم التفسيري للنتائج بما يتجاوز مجرد الحصول على رقم نهائي مصمت.

6.1 حساب انحرافات الخلايا النسبية ((O – E)^2 / E)

تستند المعادلة الرياضية الكلية لاختبار مربع كاي ($ chi^2 $) لبيرسون إلى تجميع الانحرافات المربعة الموزونة بين الملاحظ والمتوقع عبر كافة خلايا الجدول وفق الصيغة العامة:

$$\chi^2 = \sum_{i=1}^{r} \sum_{j=1}^{c} \frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$

لتطبيق هذه المعادلة في إكسيل، نقوم بإنشاء جدول ثالث مستقل بنفس الأبعاد مخصص لحساب مساهمة كل خلية في قيمة كاي الكلية. في الخلية الأولى من هذا الجدول (ولتكن الخلية `B17` المقابلة للخلية `B3` في الملاحظ و `B10` في المتوقع)، نكتب الصيغة الرياضية التالية:

=((B3 - B10)^2) / B10

ثم نسحب الصيغة لتشمل كافة الخلايا المقابلة في المصفوفة. تكشف القيم الناتجة داخل هذا الجدول عن الأوزان النسبية للاختلاف؛ فالخلايا التي تسجل قيماً مرتفعة جداً هي الخلايا التي تعاني من فجوة كبيرة بين الواقع المرصود والتوقع النظري، مما يجعلها المحرك الأساسي للدلالة الإحصائية للاختبار.

6.2 حساب قيمة كاي المحسوبة (Chi-Square Statistic)

بعد حساب انحراف كل خلية على حدة في الجدول الثالث، يتم استخراج القيمة الكلية لإحصائية مربع كاي المحسوبة ($\chi^2_{calc}$) من خلال جمع كافة خلايا مصفوفة الانحرافات النسبية دفعة واحدة. يتم ذلك عن طريق تطبيق دالة الجمع في خلية مستقلة مخصصة للنتيجة النهائية:

=SUM(B17:D18)

تتميز قيمة مربع كاي بأنها قيمة موجبة دائماً ($\chi^2 ge 0$) نظراً لتربيع الفروق في البسط، وكلما كانت هذه القيمة قريبة من الصفر دل ذلك على التطابق التام والتوافق المثالي بين التوزيع الملاحظ والتوزيع المتوقع بافتراض الاستقلالية. وعلى العكس من ذلك، كلما كبرت القيمة المحسوبة وتعاظمت، دل ذلك على وجود تباين جوهري يرجح وجود علاقة اقترانية حقيقية بين المتغيرين في مجتمع الدراسة.

6.3 تحديد درجات الحرية (Degrees of Freedom)

تُعد درجات الحرية ($df$) المعلمة الرياضية المحورية التي تحدد الشكل الهندسي الدقيق لمنحنى التوزيع الاحتمالي لمربع كاي ومقدار التواءه وموقعه. في جداول الاقتران ثنائية البعد، تُحسب درجات الحرية بالمعادلة الكلاسيكية:

$$df = (r – 1) \times (c – 1)$$

حيث يمثل $r$ عدد الصفوف (Rows)، ويمثل $c$ عدد الأعمدة (Columns) في جدول الاقتران الأصلي، مع استبعاد صفوف وأعمدة المجاميع الهامشية. لأتمتة هذه الحسبة بالكامل في إكسيل وتجنب الأخطاء البشرية، يمكن كتابة صيغة ذكية تعتمد على دالتي `ROWS` و `COLUMNS` مشيرة إلى نطاق جدول التكرارات الملاحظة (مثلاً `B3:D4`):

=(ROWS(B3:D4) - 1) * (COLUMNS(B3:D4) - 1)

تعكس درجات الحرية عدد الخلايا الحرة التي يمكن تحديد قيمها التكرارية بحرية تامة قبل أن تصبح باقي الخلايا مقيدة حتمياً بالمجاميع الهامشية الثابتة للجدول، وهي ضرورية جداً لحساب القيم الحرجة والاحتمالية بدقة.

7. استخدام الدوال الإحصائية المدمجة في إكسيل لاختبار كاي

يوفر برنامج إكسيل مجموعة متطورة من الدوال الإحصائية المدمجة المتوافقة مع المعايير الدولية الحديثة (المحدثة بدءاً من إصدارات Excel 2010 فصاعداً)، والتي تمكن الباحث من إجراء الاختبار بأسلوب فوري ودقيق ومقارنة النتائج لضمان خلو التحليل من أي أخطاء حسابية يدوية.

7.1 تطبيق الدالة CHISQ.TEST لحساب القيمة الاحتمالية المباشرة

تُعد الدالة CHISQ.TEST الأداة البرمجية المباشرة والأكثر استخداماً في إكسيل لحساب القيمة الاحتمالية (P-value) لاختبار مربع كاي دون الحاجة للمرور بالخطوات الحسابية لجدول الانحرافات أو حساب درجات الحرية يدوياً. تتطلب هذه الدالة مدخلين أساسيين وفق البنية التركيبية التالية:

=CHISQ.TEST(actual_range, expected_range)

حيث يمثل:

• actual_range: النطاق الجغرافي الذي يحتوي على خلايا التكرارات الملاحظة الفعلية (مثال: B3:D4).
• expected_range: النطاق الجغرافي الذي يحتوي على خلايا التكرارات المتوقعة المحسوبة (مثال: B10:D11).

تحذير منهجي هام: يجب الحذر الشديد من تضمين خلايا المجاميع الهامشية للصفوف أو الأعمدة أو المجموع الكلي ضمن نطاقات هذه الدالة، حيث يؤدي ذلك إلى إعطاء نتائج مغلوطة وفاسدة إحصائياً. تُرجع الدالة مباشرة القيمة الاحتمالية الدقيقة ($P$)؛ فإذا كانت النتيجة مثلاً `0.0032`، فهذا يعني أن احتمالية الحصول على هذه الفروق بالمصادفة البحتة هي 0.32% فقط.

7.2 استخدام الدالة CHISQ.INV.RT لحساب القيمة الحرجة

تُستخدم الدالة CHISQ.INV.RT لحساب القيمة الحرجة الجدولية (Right-Tailed Critical Value) لتوزيع مربع كاي عند مستوى معنوية محدد، وهي النقطة التي تمثل الحد الفاصل الدقيق بين منطقة القبول ومنطقة الرفض على الطرف الأيمن للمنحنى. تُكتب الصيغة في إكسيل كما يلي:

=CHISQ.INV.RT(probability, deg_freedom)

حيث يمثل:

• probability: مستوى الدلالة الإحصائية المختار مسبقاً (Alpha)، مثل 0.05 أو 0.01.
• deg_freedom: درجات الحرية المحسوبة للجدول، أو الخلية التي تحتوي على معادلة درجات الحرية.

على سبيل المثال، إذا كان مستوى المعنوية هو `0.05` ودرجات الحرية تساوي `2`، فإن كتابة =CHISQ.INV.RT(0.05, 2) ستُرجع القيمة الحرجة 5.9915. تُستخدم هذه القيمة كمعيار للمقارنة مع قيمة مربع كاي المحسوبة يدوياً لاتخاذ القرار الإحصائي الكلاسيكي.

7.3 استخدام الدالة CHISQ.DIST.RT للتحقق المتقاطع

تُعد الدالة CHISQ.DIST.RT بمثابة الأداة المثالية لإجراء التحقق المتقاطع (Cross-Validation) والربط بين الحساب اليدوي والآلي. تقوم هذه الدالة باحتساب القيمة الاحتمالية الدقيقة من خلال تزويدها بقيمة مربع كاي المحسوبة ودرجات الحرية وفق البناء التالي:

=CHISQ.DIST.RT(x, deg_freedom)

حيث يمثل:

• x: قيمة إحصائية مربع كاي المحسوبة يدوياً (الناتجة من مجموع مصفوفة الانحرافات).
• deg_freedom: درجات الحرية التابعة للجدول.

عند تنفيذ هذه الدالة، يجب أن يتطابق ناتجها العشري بصورة تامة مع الناتج المستخرج من دالة CHISQ.TEST المباشرة. يضمن هذا التطابق التام للباحث أن كافة خطوات الحساب اليدوي لبناء جدول القيم المتوقعة وجدول الانحرافات قد نُفذت بدقة رياضية متناهية وبدون أي انحرافات برمجية.

8. اتخاذ القرار الإحصائي وتفسير النتائج بدقة

يمثل اتخاذ القرار الإحصائي وتفسير دلالته العلمية المرحلة الحاسمة التي تترجم الأرقام والمعادلات الجافة إلى استنتاجات بحثية ذات معنى عميق. يتطلب هذا الإجراء اتباع قواعد منهجية منضبطة للمقارنة، وصياغة النتائج بأسلوب علمي يتماشى مع التقاليد الأكاديمية الصارمة.

8.1 مقارنة القيمة الاحتمالية (P-Value) بمستوى الدلالة (α)

يُعد مدخل القيمة الاحتمالية (P-Value Approach) الأسلوب الحديث والمعياري المفضل في الأوساط الأكاديمية لاتخاذ القرارات الإحصائية. تنص قاعدة اتخاذ القرار على المقارنة المباشرة بين القيمة الاحتمالية الناتجة ($p$) ومستوى الدلالة المحدد سلفاً ($alpha$):

• حالة الرفض ($p le \alpha$): إذا كانت القيمة الاحتمالية أقل من أو تساوي مستوى الدلالة المختار (مثلاً $p le 0.05$)، يتم رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$). يُستنتج من ذلك وجود علاقة اقتران ذات دلالة إحصائية بين المتغيرين في مجتمع الدراسة عند مستوى ثقة $(1-\alpha)%$.
• حالة الفشل في الرفض ($p > \alpha$): إذا كانت القيمة الاحتمالية أكبر من مستوى الدلالة، يفشل الباحث في رفض الفرضية الصفرية. ويعني ذلك عدم وجود أدلة كافية تدعم وجود ارتباط، وأن الفروق المرصودة يمكن عزوها بالكامل لعوامل الصدفة والخطأ العشوائي.

لأتمتة اتخاذ هذا القرار داخل ورقة عمل إكسيل بصورة ديناميكية، يمكن كتابة صيغة شرطية باستخدام الدالة `=IF()` كالتالي (بافتراض أن الخلية `B22` تحتوي على القيمة الاحتمالية المحسوبة ومستوى الدلالة 0.05):

=IF(B22 <= 0.05, "رفض الفرضية الصفرية: توجد علاقة ارتباطية دالة إحصائياً", "عدم رفض الفرضية الصفرية: لا توجد علاقة ارتباطية دالة إحصائياً")

8.2 مقارنة القيمة المحسوبة بالقيمة الحرجة (Critical Value Approach)

يُوفر مدخل القيمة الحرجة الكلاسيكي أسلوباً موازياً وموثوقاً للتحقق من صحة القرار الإحصائي، ويعتمد على مقارنة قيمة مربع كاي المحسوبة ($\chi^2_{calc}$) مع القيمة الحرجة الجدولية ($\chi^2_{crit}$) المستخرجة من دالة `CHISQ.INV.RT` عند درجات الحرية المعنية ومستوى $\alpha$ المحدد:

• إذا كانت $\chi^2_{calc} > \chi^2_{crit}$: تقع الإحصائية المحسوبة داخل “منطقة الرفض الحرجة” الواقعة في الذيل الأيمن للتوزيع، مما يستوجب رفض الفرضية الصفرية وتأكيد الارتباط.
• إذا كانت $\chi^2_{calc} le \chi^2_{crit}$: تقع الإحصائية المحسوبة ضمن “منطقة القبول”، وبالتالي لا يمكن رفض الفرضية الصفرية لعدم كفاية الدليل الإحصائي.

من المسلمات الرياضية أن يؤدي كلا المدخلين (القيمة الاحتمالية والقيمة الحرجة) إلى نفس القرار الإحصائي دائماً دون أي تناقض، مما يمنح المحلل وسيلة مزدوجة لتأكيد صحة استنتاجاته وموثوقيتها الرياضية.

8.3 صياغة التقرير الإحصائي وفق أسلوب الجمعية الأمريكية لعلم النفس (APA)

تفرض المعايير الأكاديمية الرصينة الصادرة عن الجمعية الأمريكية لعلم النفس في دليلها السابع (APA 7th Edition) نمطاً توثيقياً موحداً لكتابة نتائج اختبار مربع كاي داخل المتن البحثي. يُكتب التوثيق القياسي بالصيغة الرمزية التالية:

χ²(df, N = ...) = ..., p = ...

حيث يتضمن التقرير بالترتيب: رمز مربع كاي الإغريقي ($\chi^2$)، متبوعاً بقوسين يحتويان على درجات الحرية وحجم العينة الكلي، ثم قيمة كاي المحسوبة مقربة لأقرب منزلتين عشريتين، ثم القيمة الاحتمالية الدقيقة مقربة لثلاث منازل عشرية دون وضع صفر قبل الفاصلة (مثال: $p = .014$).

نموذج صياغة علمية احترافية:

“أظهرت نتائج اختبار مربع كاي لبيرسون للاستقلالية وجود علاقة ارتباطية ذات دلالة إحصائية بين النوع الاجتماعي للمشاركين ومستوى التفضيل الحزبي، $\chi^2(2, N = 500) = 14.82, p < .001$. وتُشير هذه النتيجة إلى أن التوزيع النسبي للخيارات السياسية يختلف بصورة جوهرية بين الذكور والإناث في مجتمع الدراسة، مما يدعم رفض الفرضية الصفرية."

9. حساب مقاييس حجم الأثر وقوة الارتباط بعد اختبار كاي

تقتصر الدلالة الإحصائية (Statistical Significance) على إخبارنا باحتمالية أن تكون العلاقة ناتجة عن الصدفة من عدمها، لكنها لا تقدم أي معلومة حول قوة أو شدة الارتباط أو أهميته التطبيقية والعملية (Practical Importance). إن عينات الدراسة الكبيرة جداً قد تجعل أصغر التباينات التافهة دالة إحصائياً، ولذلك أصبح لزاماً على الباحثين حساب مقاييس حجم الأثر (Effect Size) المناسبة لطبيعة أبعاد جدول الاقتران.

9.1 حساب معامل فاي (Phi Coefficient) لجداول 2×2

يُعد معامل فاي ($phi$ – Phi Coefficient) مقياس حجم الأثر المعياري المخصص حصرياً لجداول الاقتران الرباعية من نمط $2 times 2$ (أي المتغيرات التي تحتوي على مستويين فقط لكل متغير). يعبر هذا المعامل عن شدة الارتباط الثنائي، وتُحسب قيمته بأخذ الجذر التربيعي لقيمة كاي المحسوبة مقسومة على إجمالي حجم العينة الكلي:

$$\phi = \sqrt{\frac{\chi^2}{N}}$$

لتطبيق هذه الصيغة في إكسيل، بافتراض أن الخلية `B20` تحتوي على قيمة مربع كاي المحسوبة والخلية `E5` تحتوي على حجم العينة $N$، نكتب الدالة التالية:

=SQRT(B20 / E5)

تتراوح قيمة معامل فاي دائماً بين 0 و 1 (عند إهمال الإشارة الاتجاهية)؛ حيث يشير الصفر إلى انعدام الارتباط تماماً، في حين تشير القيمة 1 إلى ارتباط اقتراني تام بين المتغيرين الثنائيين.

9.2 حساب معامل كرامر (Cramer’s V) للجداول الأكبر من 2×2

عندما تتسع أبعاد جدول الاقتران لتتجاوز النمط الرباعي (أي جداول $r \times c$ مثل $2 times 3$ أو $3 times 3$ أو أكبر)، يفقد معامل فاي دقته الرياضية وقد يتجاوز القيمة 1. في هذه الحالة، يُستخدم معامل كرامر (Cramér’s V) بوصفه المقياس المعياري الأكثر دقة وموثوقية، وتُحسب قيمته بالمعادلة التالية:

$$V = \sqrt{\frac{\chi^2}{N \times \min(r – 1, c – 1)}}$$

حيث يمثل $min(r – 1, c – 1)$ القيمة الأصغر بين درجات حرية الصفوف ودرجات حرية الأعمدة. لتنفيذ هذه الصيغة الرياضية الشاملة في إكسيل بصورة تلقائية، نكتب الصيغة المركبة التالية (مشيرين إلى نطاق الجدول الأصلي `B3:D4` وقيمة كاي في `B20` وحجم العينة في `E5`):

=SQRT(B20 / (E5 * MIN(ROWS(B3:D4) - 1, COLUMNS(B3:D4) - 1)))

يتميز معامل كرامر بأنه مقياس مقنن يضمن دائماً بقاء قيمة حجم الأثر محصورة بدقة بين المجال $[0, 1]$ بغض النظر عن تضخم عدد فئات المتغيرات أو كبر حجم العينة، مما يجعله أداة لا غنى عنها للمقارنة المرجعية بين مختلف الدراسات والبحوث الميدانية.

9.3 تفسير معايير كوهين (Cohen’s Standards) لحجم الأثر

وضع العالم الإحصائي جاكوب كوهين (Jacob Cohen) قواعد إرشادية وتجريبية لتفسير قيم حجم الأثر وتصنيفها إلى أثر صغير (Small)، متوسط (Medium)، وكبير (Large). تتأثر هذه العتبات المرجعية بدرجات حرية البعد الأصغر في الجدول ($k = min(r, c) – 1$) وفق الجدول الإرشادي التالي:

درجات الحرية للبعد الأصغر ($k$)	أثر صغير (Small Effect)	أثر متوسط (Medium Effect)	أثر كبير (Large Effect)
$k = 1$ (جداول $2 times 2$)	0.10	0.30	0.50
$k = 2$ (جداول $3 times 3$ أو $2 times 3$)	0.07	0.21	0.35
$k = 3$ (جداول $4 times 4$ أو $3 times 4$)	0.06	0.17	0.29

يتيح هذا التصنيف للباحث التمييز بوضوح بين الدلالة الإحصائية المعنوية؛ فقد نصل إلى نتيجة دالة إحصائياً بفضل حجم العينة الهائل ($N = 10,000$) ولكن بحجم أثر بالغ الضآلة ($V = 0.03$)، مما يعني أن العلاقة تفتقر للأهمية التطبيقية في أرض الواقع ولا ينبغي التعويل عليها في بناء قرارات تدريبية أو سياسات تشخيصية كبرى.

10. تطبيق عملي متكامل: دراسة حالة واقعية في إكسيل

لتجسيد كافة المفاهيم النظرية والمعادلات الرياضية المشروحة سابقاً، سنقوم بتنفيذ دراسة حالة واقعية شاملة خطوة بخطوة داخل بيئة إكسيل، مع تقديم الأرقام الفعلية ومسار الحساب البرمجي الكامل من البداية وحتى التقرير النهائي.

10.1 وصف سيناريو الدراسة والبيانات المجمعة

أجرى فريق من الباحثين في العلوم الاجتماعية والسياسية دراسة استطلاعية هدفت إلى فحص العلاقة بين “النوع الاجتماعي” (Gender) و“التفضيل الحزبي السياسي” (Political Preference). تم جمع عينة عشوائية بسيطة قوامها $N = 500$ مواطن ناخب، وصُنفت استجاباتهم في جدول اقتران ذي بعدين ($2 times 3$) كالتالي:

• المتغير الأول (الصفوف): النوع الاجتماعي بمستويين (ذكور، إناث).
• المتغير الثاني (الأعمدة): التفضيل الحزبي بثلاثة مستويات (الحزب أ، الحزب ب، الحزب ج – مستقل).

الفرضية الصفرية ($H_0$): التفضيل الحزبي مستقل تماماً عن النوع الاجتماعي للمقترع.
الفرضية البديلة ($H_1$): التفضيل الحزبي يرتبط بالنوع الاجتماعي للمقترع.
مستوى الدلالة المعتمد: $\alpha = 0.05$.

سجلت مصفوفة التكرارات الملاحظة الفعلية في ورقة إكسيل في النطاق `B3:D4` القيم التالية:

النوع الاجتماعي (الملاحظ)	الحزب (أ)	الحزب (ب)	الحزب (ج)	المجموع الهامشي للصف ($R_i$)
ذكور (Male)	120	80	60	260
إناث (Female)	80	100	60	240
المجموع الهامشي للعمود ($C_j$)	200	180	120	500 ($N$)

10.2 التنفيذ الرياضي والبرمجي الكامل للخطوات داخل ورقة العمل

الخطوة 1: حساب مصفوفة التكرارات المتوقعة (Expected Values)
ننشئ جدول القيم المتوقعة في النطاق `B10:D11` ونطبق المعادلة `=(Row_Total * Col_Total) / N` باستخدام الصيغة المثبتة المراجع =($E3 * B$5) / $E$5 في الخلية `B10` ثم سحبها لتوليد القيم التالية:

• الذكور – الحزب (أ): $(260 \times 200) / 500 = \mathbf{104.0}$
• الذكور – الحزب (ب): $(260 \times 180) / 500 = \mathbf{93.6}$
• الذكور – الحزب (ج): $(260 \times 120) / 500 = \mathbf{62.4}$
• الإناث – الحزب (أ): $(240 \times 200) / 500 = \mathbf{96.0}$
• الإناث – الحزب (ب): $(240 \times 180) / 500 = \mathbf{86.4}$
• الإناث – الحزب (ج): $(240 \times 120) / 500 = \mathbf{57.6}$

ملاحظة فحص الشروط: نلاحظ أن أصغر تكرار متوقع هو 57.6 وهو أكبر بكثير من 5، وبالتالي فإن افتراض حجم العينة مستوفى تماماً بنسبة 100%.

الخطوة 2: حساب مصفوفة الانحرافات النسبية $((O – E)^2 / E)$
في النطاق `B17:D18`، نطبق الصيغة =((B3 - B10)^2) / B10 لكل خلية:

• الذكور – الحزب (أ): $(120 – 104)^2 / 104 = 256 / 104 = \mathbf{2.4615}$
• الذكور – الحزب (ب): $(80 – 93.6)^2 / 93.6 = 184.96 / 93.6 = \mathbf{1.9761}$
• الذكور – الحزب (ج): $(60 – 62.4)^2 / 62.4 = 5.76 / 62.4 = \mathbf{0.0923}$
• الإناث – الحزب (أ): $(80 – 96)^2 / 96 = 256 / 96 = \mathbf{2.6667}$
• الإناث – الحزب (ب): $(100 – 86.4)^2 / 86.4 = 184.96 / 86.4 = \mathbf{2.1407}$
• الإناث – الحزب (ج): $(60 – 57.6)^2 / 57.6 = 5.76 / 57.6 = \mathbf{0.1000}$

الخطوة 3: استخراج الإحصائيات الإجمالية ودوال إكسيل

• قيمة كاي المحسوبة ($\chi^2_{calc}$): بتطبيق =SUM(B17:D18) نحصل على: $\mathbf{9.4373}$.
• درجات الحرية ($df$): بتطبيق =(2-1)*(3-1) نحصل على: $\mathbf{2}$.
• القيمة الحرجة ($\chi^2_{crit}$): بتطبيق =CHISQ.INV.RT(0.05, 2) نحصل على: $\mathbf{5.9915}$.
• القيمة الاحتمالية المباشرة ($P$-value): بتطبيق =CHISQ.TEST(B3:D4, B10:D11) نحصل على: $\mathbf{0.0089}$.
• معامل كرامر لحجم الأثر ($V$): بتطبيق =SQRT(9.4373 / (500 * MIN(2-1, 3-1))) نحصل على: $\mathbf{0.1374}$.

10.3 استخلاص النتائج الإحصائية وصياغة الاستنتاج النهائي

عند فحص المخرجات الرقمية، نجد أن القيمة الاحتمالية ($p = 0.0089$) أقل بكثير من مستوى المعنوية المعتمد ($\alpha = 0.05$). وبالمثل، نجد أن قيمة كاي المحسوبة ($9.437$) تتجاوز بمراحل القيمة الحرجة المحددة ($5.991$). وبناءً على هذين البرهانين الإحصائيين المتطابقين، يتم رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$).

أما بخصوص حجم الأثر، فإن قيمة معامل كرامر $V = 0.137$ تشير وفق معايير كوهين لدرجة حرية $k=1$ إلى وجود أثر صغير إلى متوسط (Small-to-Moderate Association) بين المتغيرين. يكشف الفحص الدقيق لمصفوفة الانحرافات أن كتلة التباين الكبرى تركزت في تفضيل الذكور للحزب (أ) بنسبة فاقت التوقع النظري، وتفضيل الإناث للحزب (ب) بنسبة فاقت التوقع أيضاً، في حين تقاربت نسب التفضيل للحزب (ج) المستقل بين الجنسين مع التوقعات الصفرية.

فقرة التقرير النهائي للبحث (APA Format):

“أُجري اختبار مربع كاي للاستقلالية لفحص العلاقة بين النوع الاجتماعي والتفضيل الحزبي السياسي لدى عينة من الناخبين ($N = 500$). كشفت النتائج عن وجود ارتباط دال إحصائياً بين المتغيرين، $\chi^2(2, N = 500) = 9.44, p = .009, V = .14$. وتشير المؤشرات التكرارية إلى ميل الذكور نحو تفضيل الحزب (أ) بنسبة أكبر، في حين أظهرت الإناث ميلاً أعلى نحو الحزب (ب)، مع وجود حجم أثر صغير يربط بين المتغيرين.”

11. معالجة الأخطاء الشائعة واستكشاف المشكلات وإصلاحها

يتعرض المحللون والباحثون أثناء تنفيذ اختبار مربع كاي في إكسيل للعديد من العقبات المنهجية والبرمجية التي قد تقود إلى تعطل الصيغ أو إنتاج مؤشرات مشوهة. يستعرض هذا القسم أبرز هذه المشكلات وحلولها التقنية والمنهجية المعتمدة.

11.1 التعامل مع مشكلة التكرارات المتوقعة المنخفضة وتصحيح ييتس

عند ظهور قيم متوقعة تقل عن 5 في أكثر من 20% من الخلايا نتيجة لصغر حجم العينة الإجمالي أو ندرة حدوث بعض الظواهر المدروسة، يصبح اختبار كاي التقليدي مفرطاً في التفاؤل ويرفع من احتمالية الخطأ الإحصائي. للتعامل مع هذا الخرق، يمكن اتباع الإجراءات التالية:

• دمج الفئات المتقاربة (Collapsing Categories): إعادة تجميع ودمج مستويات المتغير المتجاورة منطقياً (مثل دمج فئتي “أوافق بشدة” و”أوافق” في فئة واحدة) لتقليص أبعاد الجدول ورفع التكرار التراكمي في كل خلية.
• تطبيق تصحيح ييتس للاستمرارية (Yates’ Continuity Correction): في جداول $2 times 2$ الصغيرة، يتم تعديل بسط معادلة الانحراف بطرح ثابت قدره $0.5$ من القيمة المطلقة للفرق بين الملاحظ والمتوقع قبل التربيع، وفق الصيغة:
  $$\chi^2_{Yates} = \sum \frac{(|O – E| – 0.5)^2}{E}$$
  تُكتب صيغة الخلية المعدلة في إكسيل كما يلي: =((ABS(O - E) - 0.5)^2) / E. يعمل هذا التصحيح على خفض قيمة كاي المتضخمة وإعادتها لنطاقها الاحتمالي التحفظي السليم.
• الانتقال إلى اختبار فيشر الدقيق: في حال كان حجم العينة الكلي أقل من 20 أو ظلت القيم المتوقعة متناهية في الصغر حتى بعد الدمج، يجب التوقف عن استخدام مربع كاي والانتقال إلى اختبار فيشر الدقيق لاحتساب الاحتمال المباشر للتباديل والتوافيق.

11.2 معالجة أخطاء الصيغ ومراجع الخلايا في إكسيل (#VALUE!, #REF!)

تُعد رسائل الخطأ البرمجية في إكسيل من أكثر المشكلات الشائعة أثناء بناء الاختبار، وتنشأ غالباً عن ممارسات إدخال غير دقيقة:

• خطأ #VALUE!: يظهر هذا الخطأ عند وجود مسافات مخفية، نصوص داخل نطاقات التكرارات الرقمية، أو استخدام رموز غير متوافقة في إعدادات النظام الإقليمية (مثل الخلط بين الفاصلة العشرية النقطية والواوية). يتم الحل بالتأكد من تعيين تنسيق الخلايا كـ “رقم (Number)” واستخدام دالة =TRIM() لتنظيف المدخلات النصية.
• خطأ #REF!: يحدث عند حذف صفوف أو أعمدة كانت تشكل مرجعاً في صيغ التكرارات المتوقعة أو مجاميع الصفوف. لتفادي ذلك، يجب دائماً تعديل صيغ النطاقات قبل حذف أي خلايا أو الاعتماد على النسخ واللصق كقيم عند الحاجة لتجميد البيانات.
• خطأ النطاقات غير المتطابقة في الدالة CHISQ.TEST: تتطلب هذه الدالة تطابقاً تاماً في أبعاد المصفوفة (نفس عدد الصفوف والأعمدة بالضبط لنطاق الملاحظ والمتوقع). كما يجب التأكد التام من استبعاد خلايا المجاميع الهامشية (`Totals`) من كلا النطاقين داخل وسائط الدالة لتجنب تشويه الناتج الاحتمالي.

11.3 تجنب الخلط المفاهيمي بين الارتباط والسببية

من الأخطاء المعرفية الفادحة التي يقع فيها بعض الباحثين القفز من إثبات وجود دلالة إحصائية في اختبار مربع كاي للاستقلالية إلى الادعاء بوجود علاقة سببية حتمية (Cause-and-Effect Relationship)؛ كأن يستنتج الباحث خطأً أن الانتماء لنوع اجتماعي معين هو “السبب” المباشر في تفضيل حزب سياسي بذاته. يقتصر اختبار كاي منهجياً على إثبات التصاحب أو الاقتران الإحصائي (Association/Coproduct) فقط في التوزيع التكراري.

قد تتأثر العلاقة المرصودة بوجود متغيرات وسيطة أو دخيلة (Confounding Variables)، مثل المتغيرات الاقتصادية، المستوى التعليمي، أو العمر، والتي تلعب دور المحرك الفعلي الكامن وراء تفضيلات الأفراد. لتحديد السببية، يتطلب التصميم البحثي إجراء تجارب معملية منضبطة ذات ضبط عشوائي محكم أو اللجوء إلى النمذجة الإحصائية المتقدمة مثل نماذج الانحدار اللوجستي المتعدد والتحليل الطبقي لمعاينة أثر المتغيرات المربكة قبل إطلاق التعميمات العلمية.

12. التمثيل البياني المتقدم لنتائج اختبار مربع كاي في إكسيل

يسهم التمثيل البياني عالي الجودة في تعزيز المقروئية البصرية وتوصيل الأفكار والأنماط المعقدة للقارئ واللجان الأكاديمية بسرعة ووضوح استثنائيين. يوفر برنامج إكسيل خيارات تخطيطية مرنة ومتقدمة لعرض بيانات الجداول التكرارية ومقارنة التوزيعات بصرياً.

12.1 إنشاء المخططات العمودية المكدسة والنسبية (100% Stacked Bar Charts)

يُعد المخطط الشريطي أو العمودي المكدس بنسبة 100% (100% Stacked Column Chart) الأداة التخطيطية المثلى لعرض الفروق النسبية بين فئات المتغيرات المستقلة والتابعة؛ حيث يسمح بمقارنة الأوزان النسبية للخيارات داخل كل مجموعة بصرف النظر عن التفاوت في الأعداد المطلقة للمشاركين. لإنشاء هذا المخطط في إكسيل:

• تحديد جدول التكرارات الملاحظة بالكامل مع استبعاد خلايا المجاميع الهامشية.
• الانتقال إلى تبويب إدراج (Insert) -> قسم المخططات (Charts).
• اختيار عمود مكدس بنسبة 100% (100% Stacked Column).
• في حال رغبت في عكس المحاور (جعل الفئات على المحور الأفقي والمتغير الآخر في وسيلة الإيضاح)، يتم النقر على المخطط ثم اختيار تبديل الصف/العمود (Switch Row/Column) من تبويب “تصميم المخطط”.

يُبرز هذا المخطط على الفور أي تباين في الأشرطة الملونة؛ فإذا كانت خطوط التقسيم متطابقة تماماً وأفقية عبر كافة الأعمدة، دل ذلك على تحقق الاستقلالية، في حين يشير تعرج خطوط الفصل واختلاف نسب المساحات اللونية بين الأعمدة إلى وجود الارتباط والاعتمادية بين الفئات.

12.2 المقارنة البصرية بين التكرارات الملاحظة والتكرارات المتوقعة

لتقديم تحليل بصري متعمق يوضح الفجوة بين الواقع المرصود والتوقع النظري، يمكن تصميم مخطط عمودي مجمع (Clustered Column Chart) يقارن بين القيم الملاحظة والقيم المتوقعة جنباً إلى جنب لكل خلية من خلايا الجدول. نتبع الخطوات التالية:

• إعادة ترتيب البيانات في جدول بسيط يضم ثلاثة أعمدة: اسم الفئة المتقاطعة (مثل: ذكور-حزب أ)، عمود التكرار الملاحظ، وعمود التكرار المتوقع.
• تحديد البيانات وإدراج مخطط عمودي متفاوت المسافات (Clustered Column).
• تخصيص لون بارز وداكن (مثل الكحلي) لأعمدة التكرار الملاحظ، ولون محايد أو مخطط (مثل الرمادي الفاتح) لأعمدة التكرار المتوقع.
• إضافة تسميات البيانات (Data Labels) أعلى الأعمدة لإظهار الأرقام بدقة للقارئ دون الحاجة لتقديرها من المحور الرأسي.

يساعد هذا العرض المقارن في كشف مواضع الاختلاف الأكبر بالعين المجردة، وتوضيح سبب ارتفاع قيمة كاي المحسوبة بصرياً من خلال التباين الواضح في أطوال الأعمدة المتجاورة.

12.3 تصدير الرسوم والجداول الإحصائية إلى برامج معالجة النصوص

لضمان الحفاظ على المعايير الشكلية والأكاديمية لنشر الأبحاث والرسائل الجامعية، يتعين تصدير الجداول والمخططات من إكسيل إلى محررات النصوص مثل Microsoft Word باتباع الإرشادات التالية:

• تنسيق الجداول وفق APA: يُمنع استخدام الخطوط الرأسية داخل جداول النشر العلمي؛ حيث يقتصر التنسيق المعتمد على ثلاثة خطوط أفقية رئيسية فقط (خط أعلى رأس الجدول، خط أسفل رؤوس الأعمدة، وخط أسفل الجدول قبل الملاحظات الهامشية). يتم نسخ الجدول من إكسيل ولصقه في برنامج وورد، ثم تطبيق نمط “APA Table” وإضافة التسمية التوضيحية في الأعلى ورقم الجدول بخط غامق متبوعاً بعنوان مائل.
• تصدير المخططات البيانية: عند نسخ المخطط من إكسيل، يُفضل لصقه في برنامج وورد باستخدام خيار “صورة محسنة (Enhanced Metafile / Picture)” أو استخدام خيار الربط المصدري إذا كانت البيانات قابلة للتعديل. يضمن هذا التصدير الاحتفاظ بدقة المتجهات وثبات أبعاد الخطوط والألوان عند تحويل المستند النهائي إلى صيغة PDF أو إرساله للتحكيم في المجلات العلمية المحكمة.

خاتمة شاملة

يُمثل اختبار مربع كاي للاستقلالية حجر زاوية متين في بنية الاستدلال الإحصائي للبيانات الفئوية والنوعية. ومن خلال الإمكانات المتقدمة لبرنامج مايكروسوفت إكسيل، تتكامل البساطة التشغيلية مع الصرامة الرياضية، مما يمنح الباحثين في كافة الحقول الأكاديمية والمهنية بيئة تحليلية قوية وشفافة تتيح تفكيك البيانات وفهم محركاتها الدقيقة بدءاً من المصفوفات الخام وحتى التقارير الاستنتاجية المحكمة.

إن إتقان تنفيذ هذا الاختبار في إكسيل يتجاوز مجرد حفظ استدعاء الدوال الجاهزة؛ بل يستند في جوهره إلى الاستيعاب العميق للافتراضات المنهجية المسبقة، والتحقق المستمر من كفاية أحجام العينات والتكرارات المتوقعة، وعدم الاكتفاء بالدلالة الاحتمالية المجردة بل تدعيمها بمقاييس حجم الأثر مثل معاملي فاي وكرامر، مع الالتزام بالصياغة التوثيقية المنضبطة وتجنب المنزلقات التفسيرية للسببية. يظل هذا النهج الإحصائي الشامل الضمانة الكبرى لإنتاج بحوث علمية رصينة وموثوقة تسهم بفاعلية في فهم الظواهر المعقدة واتخاذ القرارات المبنية على الأدلة والبراهين الدقيقة.

المراجع (References)

• Agresti, A. (2018). An introduction to categorical data analysis (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/An+Introduction+to+Categorical+Data+Analysis%2C+3rd+Edition-p-9781119405269
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Cramér, H. (1946). Mathematical methods of statistics. Princeton University Press. https://press.princeton.edu/books/paperback/9780691005478/mathematical-methods-of-statistics
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Microsoft Support. (n.d.). CHISQ.TEST function. Microsoft Corporation. Retrieved March 29, 2024, from https://support.microsoft.com/en-us/office/chisq-test-function-ba423497-39ce-4082-9653-f570309904c6
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Yates, F. (1934). Contingency tables involving small numbers and the $\chi^2$ test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217–235. https://doi.org/10.2307/2983604