كيفية إجراء اختبار مربع كاي لجودة المطابقة في إكسيل

تُعد معالجة البيانات الفئوية وتفسيرها من الركائز المنهجية الجوهرية في العلوم السلوكية، وعلم النفس، والعلوم الاجتماعية، والبحوث الطبية التجريبية. عندما يواجه الباحث متغيرات نوعية أو اسمية أو رتبية تتضمن تصنيفات متعددة، تصبح الاختبارات الإحصائية المعلمية المعتادة غير ملائمة لدراسة هذه المتغيرات، مما يفرض اللجوء إلى الاختبارات اللامعلمية (Non-parametric Statistics). يبرز اختبار مربع كاي لجودة المطابقة (Chi-Square Goodness of Fit Test) كأحد أهم هذه الأدوات، حيث يسمح للباحثين باختبار ما إذا كان التوزيع التكراري الملاحظ لمتغير فئوي مفرد يتطابق مع توزيع نظري مفترض أو يختلف عنه جوهرياً بفعل الصدفة الإحصائية أو التدخل التجريبي.

على الرغم من انتشار الحزم الإحصائية المتقدمة مثل SPSS وSAS وبيئات البرمجة مثل R وPython، فإن برنامج مايكروسوفت إكسيل (Microsoft Excel) يظل الأداة الأكثر انتشاراً ومرونة وقدرة على توفير رؤية شفافة وتدريجية للعمليات الحسابية والمعادلات الرياضية خلف الاختبارات الإحصائية. يتيح إكسيل للمحللين والباحثين بناء نماذج تفاعلية لاختبار جودة المطابقة، وتتبع كيفية حساب الفروق، وفهم آليات توليد إحصائية الاختبار والقيم الاحتمالية، مع إمكانية التحقق المزدوج من النتائج عبر دوال مدمجة عالية الدقة.

يقدم هذا الدليل المرجعي الشامل دليلاً خطوة بخطوة لإجراء اختبار مربع كاي لحسن المطابقة داخل بيئة مايكروسوفت إكسيل، بدءاً من التأصيل الرياضي والمنهجي، مروراً بضبط الشروط وافتراضات القياس، وهيكلة ورقة العمل، وحساب التكرارات المتوقعة، وتطبيق الدوال الإحصائية، وصولاً إلى إجراء التحليلات البعدية المتقدمة وحساب حجم الأثر وصياغة التقرير الإحصائي النهائي وفق معايير الجمعية الأمريكية لعلم النفس (APA Style).

1. مقدمة شاملة لاختبار مربع كاي لجودة المطابقة (Chi-Square Goodness of Fit)

1.1 المفهوم الإحصائي لاختبار جودة المطابقة

يُعرف اختبار مربع كاي لجودة المطابقة (Chi-Square Goodness of Fit Test)، الذي طوره العالم الإحصائي البريطاني كارل بيرسون في مطلع القرن العشرين، بأنه اختبار استدلالي لا معلمي يُستخدم لتحديد ما إذا كانت التكرارات الملاحظة (Observed Frequencies) في عينة من البيانات تتوافق مع التكرارات المتوقعة (Expected Frequencies) الناتجة عن توزيع نظري أو نموذج احتمالي محدد سلفاً. لا يتطلب هذا الاختبار افتراض اعتدالية التوزيع للبيانات الأصلية، بل يتعامل مباشرة مع التكرارات التجميعية للمتغيرات الفئوية (Categorical Variables) سواء كانت اسمية (Nominal) مثل فصائل الدم، أو رتبية (Ordinal) مثل مقاييس التفضيل المتدرجة.

تتمثل الوظيفة الجوهرية للاختبار في قياس مدى التباعد أو التطابق بين الواقع الإمبيريقي الممثل في البيانات الميدانية والتوقعات النظرية التي يمليها نموذج رياضي، أو توزيع وراثي، أو نظرية نفسية وسلوكية معينة. إذا كان التباعد بين المشاهدات والمتوقعات صغيراً، يُعزى ذلك إلى أخطاء المعاينة العشوائية الطبيعية، أما إذا تجاوز هذا التباعد حداً إحصائياً فاصلاً، فإن ذلك يقدم دليلاً حاسماً على فشل النموذج النظري في مطابقة البيانات الواقعية، مما يستوجب رفض الفرضية التوزيعية الحاكمة.

1.2 تطبيقات الاختبار في البحوث النفسية والسلوكية

يحظى اختبار جودة المطابقة بمكانة بالغة الأهمية في حقل العلوم النفسية والسلوكية، حيث تتعدد الظواهر المعرفية والوجدانية التي تُقاس في شكل فئات وتصنيفات كيفية. يُستخدم الاختبار على نطاق واسع في دراسة وتوزيع الأنماط السلوكية والسمات الشخصية؛ كأن يقوم باحث بالتحقق مما إذا كان توزيع سمات الشخصية الخمس الكبرى داخل عينة إكلينيكية يتماشى مع التوزيع الطبيعي المعياري المسجل في المجتمع العام، أو ما إذا كانت الاضطرابات النفسية تظهر بنسب متساوية عبر فصول السنة المختلفة.

يمتد التطبيق الإكلينيكي للاختبار ليشمل تقييم اختيارات المرضى وتفضيلاتهم لأنماط التدخلات العلاجية المختلفة، مثل المقارنة بين العلاج المعرفي السلوكي، والعلاج التحليلي، والعلاج الجماعي، للتحقق مما إذا كانت هذه التفضيلات متساوية أم تنحاز بصورة دالة نحو مسار علاجي محدد. كذلك يُستخدم الاختبار في دراسات السلوك الاستهلاكي الديموغرافي للتأكد من عدالة وتماثل التمثيل السكاني داخل العينات التجريبية قبل إخضاعها للمتغيرات المستقلة، والتأكد من نجاح إجراءات التعيين العشوائي (Random Assignment) في حجب التحيزات المنهجية.

1.3 الفرق بين اختبار جودة المطابقة واختبار الاستقلالية (Test of Independence)

من الضروري التمييز بدقة بين نوعين رئيسيين من اختبارات مربع كاي، حيث يقع العديد من الباحثين في خلط منهجي بين اختبار جودة المطابقة واختبار الاستقلالية أو التجانس (Chi-Square Test of Independence). ينصب اختبار جودة المطابقة حصراً على متغير فئوي مفرد (Single Categorical Variable) مصنف إلى مستويين أو أكثر (k categories)، حيث يتم اختبار تكرارات هذا المتغير المفرد ومقارنتها بتوزيع نظري محدد مسبقاً مستمد من نظرية أو أدبيات سابقة أو افتراض تساوي التوزيع.

في المقابل، يتعامل اختبار الاستقلالية مع متغيرين فئويين في آن واحد (Two Categorical Variables) بهدف فحص وجود علاقة ارتباطية أو اعتماد متبادل بينهما، ويتم ترتيب البيانات في هذا الأخير عبر ما يُعرف بجداول التوافق المزدوجة (Contingency Tables or Cross-tabulations) بأبعاد مصفوفية تتجاوز المتغير المفرد (مثل جداول r × c). كما تختلف طريقة اشتقاق التكرارات المتوقعة جذرياً بين النموذجين؛ فبينما تعتمد جودة المطابقة على أوزان نظرية محددة سلفاً، يستخرج اختبار الاستقلالية قيمه المتوقعة مباشرة من الحواصل الهامشية لصفوف وأعمدة جدول التوافق الفعلي للبيانات.

2. الأسس النظرية والرياضية لاختبار مربع كاي لحسن المطابقة

2.1 المعادلة الرياضية العامة لحساب إحصائية مربع كاي

تستند القيمة الإحصائية لاختبار مربع كاي، والتي يُرمز لها بالرمز الإغريقي $\chi^2$، إلى قياس الانحراف النسبي المعياري التربيعي بين التكرارات الملاحظة والتكرارات المتوقعة لكل فئة من الفئات المستقلة المشمولة في الدراسة. تُصاغ المعادلة الرياضية الأساسية للاختبار وفق الشكل التالي:

$$\chi^2 = \sum_{i=1}^{k} \frac{(O_i – E_i)^2}{E_i}$$

حيث يمثل $k$ العدد الكلي للفئات المستقلة في المتغير، ويمثل $O_i$ (Observed Frequency) التكرار الملاحظ الفعلي الذي تم رصده في الفئة رقم $i$، بينما يشير$E_i$ (Expected Frequency) إلى التكرار المتوقع نظرياً لنفس الفئة. يعمل البسط $(O_i – E_i)^2$ على حساب مربع الفرق المطلق، مما يضمن التخلص من الإشارات السالبة ومنع تلاشي الفروق المتعاكسة بالجمع، فضلاً عن مضاعفة الوزن الرياضي للانحرافات الكبيرة. وتقوم قسمة هذا التربيع على المقام $E_i$ بتوحيد مقياس الانحراف بالنسبة لحجم التكرار المتوقع في تلك الفئة تحديداً.

يتميز توزيع مربع كاي بكونه توزيعاً احتمالياً مستمراً غير متماثل وموجب الالتواء (Positively Skewed)، وتعتمد خصائصه الشكلية، وقيم التشتت والانحناء فيه، كلياً على معلمة وحيدة هي درجات الحرية. ومع تزايد درجات الحرية، يقترب منحنى توزيع مربع كاي تدريجياً من التوزيع الطبيعي المتماثل بفضل مبرهنة النهاية المركزية.

2.2 صياغة الفرضيات الإحصائية للاختبار

تتطلب البنية المنهجية لاختبار مربع كاي لجودة المطابقة صياغة فرضيتين إحصائيتين متعارضتين بوضوح تحددان منطق القرار الاستدلالي. تنص الفرضية الصفرية (Null Hypothesis – $H_0$) على عدم وجود فرق ذي دلالة إحصائية بين التوزيع التكراري الملاحظ في العينة والتوزيع النظري المفترض؛ أي أن البيانات تتبع وتطابق بدقة النموذج النظري المسبق:

$$H_0: P_1 = p_{10}, P_2 = p_{20}, dots, P_k = p_{k0}$$

أما الفرضية البديلة (Alternative Hypothesis – $H_1$ أو $H_a$)، فتنص على أن التوزيع التكراري الملاحظ لا يتطابق مع التوزيع النظري المحدد، مما يعني أن نسبة واحدة على الأقل من النسب الفئوية تختلف عن قيمتها المتوقعة في الفرضية الصفرية:

$$H_1: \text{على الأقل نسبة واحدة } P_i \text{ لا تساوي النسبة المتوقعة } p_{i0}$$

يقوم الباحث بتحديد مستوى الدلالة الإحصائية مسبقاً (Alpha Level – $\alpha$)، وغالباً ما يُحدد عند مستوى 0.05 أو 0.01 في الأبحاث السلوكية والإكلينيكية، وهو المستوى الذي يمثل الاحتمال الأقصى المقبول للوقوع في خطأ من النوع الأول (Type I Error)، أي رفض الفرضية الصفرية عندما تكون صحيحة في الواقع.

2.3 درجات الحرية (Degrees of Freedom) وتوزيع كاي

تمثل درجات الحرية (Degrees of Freedom – $df$) في اختبار جودة المطابقة عدد القيم أو الفئات التي تمتلك حرية التغير العشوائي المستقل، بعد تثبيت المجموع الإجمالي للتكرارات. وبما أن مجموع التكرارات الملاحظة مقيد بأن يساوي المجموع الكلي لأفراد العينة ($N$)، فإن تحديد تكرارات ($k – 1$) فئة يحدد تلقائياً وإلزامياً تكرار الفئة الأخيرة المتبقية. وبالتالي، تُحسب درجات الحرية لاختبار جودة المطابقة عبر المعادلة البسيطة:

$$df = k – 1$$

حيث يمثل $k$ عدد المستويات أو الفئات المنفصلة للمتغير. يؤدي تحديد درجات الحرية دوراً حاسماً في اختيار منحنى توزيع مربع كاي المناسب واستخراج القيمة الحرجة (Critical Value) من الجداول الإحصائية المرجعية أو عبر دوال إكسيل. كلما زادت درجات الحرية، زادت القيمة الحرجة اللازمة لرفض الفرضية الصفرية عند نفس مستوى الدلالة، وتحول المنحنى الاحتمالي من شكل الانحدار الأسي الحاد إلى شكل التوزيع المنتفخ الشبيه بالناقوس.

3. شروط وافتراضات تطبيق اختبار مربع كاي لجودة المطابقة

3.1 طبيعة البيانات وحجم العينة المطلوب

لضمان الحصول على نتائج استدلالية صحيحة وقابلة للتعميم من اختبار مربع كاي، يجب التحقق الصارم من استيفاء مجموعة من الافتراضات المنهجية المتعلقة بطبيعة القياس وحجم العينة. أول هذه الشروط هو أن تكون البيانات المدخلة في الاختبار عبارة عن تكرارات عددية خام (Raw Counts / Frequencies)، تمثل أعداداً صحيحة لحالات فعلية تم فرزها، ويُحظر تماماً إدخال النسب المئوية، أو المتوسطات الحسابية، أو الدرجات المعيارية المحولة داخل معادلة الاختبار الحسابية.

يتطلب الاختبار أيضاً أن يتم جمع البيانات عبر آلية المعاينة العشوائية البسيطة أو الطبقية من المجتمع المستهدف، بما يضمن تمثيل العينة للواقع المدروس دون تحيز في الاختيار. كما يجب أن يكون حجم العينة الإجمالي ($N$) كافياً لتوفير قوة إحصائية ملائمة للاختبار لاكتشاف الفروق الحقيقية بين المشاهدات والتوقعات وتجنب الوقوع في خطأ من النوع الثاني (Type II Error).

3.2 قاعدة التكرار المتوقع الأدنى (Minimum Expected Frequency)

تُعد قاعدة التكرار المتوقع الأدنى، المعروفة تاريخياً بقاعدة كوتشران (Cochran’s Rule)، من أهم الافتراضات الحسابية الصارمة لاختبار مربع كاي. يشترط هذا المعيار ألا يقل التكرار المتوقع في أي خلية أو فئة عن 5 مشاهدات ($E_i ge 5$)، وفي الدراسات ذات الفئات المتعددة الكبيرة يُسمح أحياناً بألا يقل التكرار المتوقع عن 5 في ما لا يزيد عن 20% من الخلايا، شريطة ألا يقل التكرار المتوقع في أي خلية على الإطلاق عن 1.

عندما تكون التكرارات المتوقعة صغيرة جداً (أقل من 5)، يصبح التقريب الرياضي لتوزيع مربع كاي المنفصل عبر التوزيع الاحتمالي المستمر غير دقيق، مما يؤدي إلى تضخيم قيمة إحصائية الاختبار المحسوبة بشكل مصطنع وزيادة احتمالية ارتكاب خطأ من النوع الأول ورفض الفرضيات الصفرية الصحيحة دون وجه حق. في مثل هذه الحالات، يتوجب على الباحث دمج الفئات المنطقية المتجاورة (Categories Pooling) لرفع التكرارات المتوقعة، أو زيادة حجم العينة، أو اللجوء إلى اختبارات بديلة ملائمة مثل اختبار التوزيع ذي الحدين أو اختبارات المعاينة التوافقية الدقيقة.

3.3 الاستقلالية التامة للمشاهدات

يقوم اختبار مربع كاي على افتراض الاستقلالية التامة بين جميع الملاحظات والبيانات المسجلة (Independence of Observations). يعني هذا الشرط الرياضي والمنهجي أن مساهمة كل فرد أو مفردة من مفردات العينة يجب أن تقتصر على فئة واحدة فقط دون أي إمكانية للتكرار أو الازدواجية؛ فلا يجوز تصنيف الفرد الواحد في أكثر من فئة ضمن نفس التحليل.

يمنع هذا الافتراض أيضاً القياسات المتكررة (Repeated Measures) أو التصاميم التجريبية القبلية والبعدية على نفس الأفراد داخل نفس اختبار جودة المطابقة، حيث إن وجود ارتباط زمني أو سببي بين المشاهدات ينتهك نموذج الاحتمالات الاستقلالية ويشوه مصفوفة التباين المشترك. في حال رغبة الباحث في اختبار التغيرات الفئوية على نفس العينة قبل وبعد العلاج، يجب استخدام اختبارات متخصصة أخرى مثل اختبار ماكنيمار (McNemar’s Test).

4. إعداد وهيكلة البيانات داخل برنامج مايكروسوفت إكسيل (Microsoft Excel)

4.1 تنظيم ورقة العمل وتسمية الأعمدة الإحصائية

يبدأ التطبيق العملي الناجح داخل مايكروسوفت إكسيل من خلال التصميم الهيكلي الواضح لورقة العمل (Worksheet)، وتحديد ترويسات الأعمدة الإحصائية بدقة منهجية تمنع حدوث أي التباس أثناء استدعاء الصيغ. يتطلب التحليل تجهيز جدول متكامل يتضمن الأعمدة الأساسية اللازمة للعملية الحسابية التسلسلية، بدءاً من عمود الفئات ووصولاً إلى عمود المساهمة النسبية في إحصائية الاختبار.

يُنصح بتنظيم الجدول الإحصائي في إكسيل وفق النمط القياسي التالي:

• العمود A (الفئات – Categories): يحتوي على التسميات النصية أو الرمزية لمستويات المتغير الفئوي المدروس (مثل أنماط الشخصية أو خيارات العلاج النفسي).
• العمود B (التكرارات الملاحظة – Observed Frequencies): يُخصص لتسجيل الأعداد الفعلية الناتجة عن جمع البيانات الميدانية، ويُرمز له بالرمز ($O$).
• العمود C (النسب النظرية المفترضة – Theoretical Proportions): يوضح النسبة الاحتمالية لكل فئة وفقاً للفرضية الصفرية (سواء كانت متساوية ككسور أو نسب مئوية مخصصة).
• العمود D (التكرارات المتوقعة – Expected Frequencies): ناتج ضرب النسبة المفترضة في إجمالي العينة، ويُرمز له بالرمز ($E$).
• الأعمدة المساعدة من E إلى G: لحساب الفروق، ومربعات الفروق، ونواتج القسمة المعيارية الخاصة بكل فئة على حدة.

4.2 إدخال بيانات التكرارات الملاحظة (Observed Counts)

يتم إدخال القيم العددية الملاحظة التي جُمعت من الاستبيانات أو السجلات الإكلينيكية مباشرة في خلايا العمود B تحت رأس العمود المخصص ($O$). بعد إتمام إدخال البيانات، يجب إجراء فحص فوري لضمان سلامة الإدخال عبر حساب المجموع الكلي للتكرارات المشاهدة في خلية مستقلة أسفل الجدول باستخدام صيغة المجموع الشهيرة:

=SUM(B2:B5)

يجب التأكد تماماً من خلو النطاق من أي قيم سالبة، أو خانات فارغة قد يعتبرها إكسيل أصفاراً تؤدي إلى خلل لاحق، أو كسور عشرية لا تتناسب مع طبيعة التكرارات العددية الخام. كما يُفضل تطبيق أدوات التحقق من صحة البيانات (Data Validation) المتاحة في إكسيل لتقييد الإدخال بحيث يقبل الأعداد الصحيحة الموجبة فقط، مما يمنع حدوث أخطاء الطباعة الشائعة.

4.3 تحديد النسب المفترضة لكل فئة في إكسيل

تعتمد هيكلة العمود C على طبيعة النموذج النظري الذي يسعى الباحث لاختباره. في حالة افتراض التوزيع المتساوي (Equal Proportions) بين جميع الفئات، تكون النسبة المتوقعة لكل فئة من الفئات مساوية لمقلوب عدد الفئات ($1/k$). على سبيل المثال، إذا كان المتغير يتألف من 4 فئات علاجية، فإن النسبة المفترضة لكل فئة هي 0.25 (أي 25%)، وتُكتب الصيغة في الخلية C2 كالتالي:

=1/4 أو =0.25

أما في الحالات التي تستند فيها الفرضية الصفرية إلى توزيعات نظرية غير متساوية (Unequal Proportions) مستمدة من دراسات وبائية أو ديموغرافية سابقة (مثل توقع نسبة 50% للفئة الأولى، و30% للثانية، و20% للثالثة)، فيتم إدخال هذه النسب العشرية المحددة في خلايا العمود C المقابلة لكل فئة. ويجب التحقق بصورة قاطعة من أن مجموع خلايا النسب النظرية يساوي تماماً 1.00 (أو 100%) باستخدام الصيغة =SUM(C2:C5)، حيث إن أي انحراف في مجموع النسب سيقود إلى أخطاء جذرية في حساب التكرارات المتوقعة.

5. حساب التكرارات المتوقعة (Expected Frequencies) في إكسيل

5.1 حساب التكرار المتوقع في حالة الفئات المتساوية التوزيع

في نموذج التوزيع المتساوي، يُفترض أن تتوزع تكرارات العينة الكلية بالتساوي التام عبر جميع فئات المتغير. يُحسب التكرار المتوقع لكل فئة بقسمة إجمالي حجم العينة ($N$) على عدد الفئات الإجمالي ($k$). داخل إكسيل، يتم تطبيق هذه العملية إما بضرب النسبة المتساوية في إجمالي العينة أو بتطبيق صيغة القسمة المباشرة مع استخدام التثبيت المرجعي للخلايا (Absolute Cell Referencing) بواسطة علامة الدولار ($) لضمان ثبات خلية المجموع عند سحب المعادلة رأسياً.

إذا كان إجمالي التكرارات الملاحظة موجوداً في الخلية B6، وعدد الفئات 4، تُكتب الصيغة في الخلية D2 كالتالي:

=$B$6/4 أو =C2*$B$6

بعد إدخال الصيغة في الخلية الأولى، يتم نسخها وتعميمها عبر مقبض التعبئة التلقائية على جميع الخلايا المقابلة في العمود D. ويجب أن تتطابق التكرارات المتوقعة المحسوبة في كل خلية تطابقاً تاماً مع باقي الفئات في هذا النموذج الخاص.

5.2 حساب التكرار المتوقع في حالة الفئات غير المتساوية التوزيع

عندما تكون النسب النظرية متفاوتة بناءً على نماذج سابقة محددة، يتطلب حساب التكرار المتوقع لكل فئة ضرب النسبة النظرية الخاصة بتلك الفئة (المسجلة في العمود C) في الحجم الإجمالي للعينة الملاحظة (المسجل في خلية مجموع العمود B). تضمن هذه الخطوة تخصيص وزن عددي متناسب لكل فئة وفقاً للنموذج المفترض.

تُصاغ المعادلة في الخلية D2 على النحو التالي:

=C2*$B$6

حيث يظل المرجع C2 نسبياً ليتغير مع كل صف، بينما يُثبت المرجع $B$6 مطلقاً ليشير دوماً إلى المجموع الإجمالي. من الطبيعي والضروري رياضياً أن تحتوي التكرارات المتوقعة الناتجة على كسور عشرية؛ ويجب على الباحث الاحتفاظ بهذه الفواصل العشرية كما هي داخل إكسيل دون تقريبها يدوياً إلى أقرب عدد صحيح، حيث إن تقريب القيم المتوقعة يؤدي إلى تراكم أخطاء التقريب الرياضي وتشويه النتيجة النهائية لاختبار كاي.

5.3 فحص اتساق البيانات المحسوبة قبل المتابعة

قبل الشروع في الخطوات الرياضية اللاحقة، يتعين على الباحث إجراء عمليتي تدقيق وفحص جوهريتين لضمان سلامة النماذج المدخلة في ورقة عمل إكسيل:

• مطابقة المجاميع الكلية: يتم جمع قيم العمود المتوقع في خلية أسفل العمود D عبر الصيغة =SUM(D2:D5)، ويجب أن يتساوى هذا الناتج تماماً وبشكل حتمي مع إجمالي التكرارات الملاحظة في الخلية B6. أي اختلاف، ولو بمقدار جزء من الألف، يشير إلى خطأ في مجموع النسب المفترضة في العمود C.
• التحقق من شرط الحد الأدنى للتكرارات المتوقعة: يتم فحص خلايا العمود D للتأكد من أن جميع القيم الناتجة تساوي أو تزيد عن 5. لتسهيل هذا الإجراء في الجداول الكبيرة، يمكن استخدام التنسيق الشرطي (Conditional Formatting) في إكسيل لتمييز أي خلية تقل قيمتها عن 5 باللون الأحمر تلقائياً.

6. التطبيق العملي اليدوي لحساب إحصائية مربع كاي عبر معادلات إكسيل

6.1 حساب الفروق بين التكرارات المشاهدة والمتوقعة (O – E)

تتمثل الخطوة التحليلية الأولى في تفكيك معادلة بيرسون عبر حساب الفرق المباشر بين ما تم رصده تجريبياً وما كان متوقعاً حدوثه نظرياً لكل فئة. يتم تخصيص العمود E لحساب هذه الفروق البسيطة، حيث تُكتب الصيغة الحسابية في الخلية E2 على النحو التالي:

=B2-D2

تكشف القيم الناتجة عن طبيعة التباعد لكل فئة؛ فالقيم الموجبة تدل على أن المشاهدات الفعلية تجاوزت التوقعات النظرية، بينما تدل القيم السالبة على نقص التكرارات الفعلية عن المستوى المتوقع. ومن الخصائص الجبرية الصارمة لهذه الخطوة أن المجموع الحسابي لكافة خلايا الفروق =SUM(E2:E5) يجب أن يساوي صفراً دائماً (أو قيمة قريبة جداً من الصفر بفعل التقريب الحسابي الداخلي للبرنامج)، مما يعكس توازن الانحرافات حول مركز التوزيع.

6.2 تربيع الفروق لحساب الانحراف المطلق (O – E)^2

نظراً لأن مجموع الفروق البسيطة يتلاشى ويصل إلى الصفر، يتم في الخطوة التالية تربيع كل قيمة من قيم الفروق للتخلص من الإشارات السالبة وإبراز الانحرافات المعيارية المطلقة. يتم تخصيص العمود F لهذه العملية الحسابية، وتُكتب المعادلة في الخلية F2 كالتالي:

=E2^2 أو باستخدام الدالة الرياضية =POWER(E2, 2)

يقوم هذا الإجراء الرياضي بمضاعفة الأوزان النسبية للانحرافات الكبيرة مقارنة بالانحرافات الطفيفة، مما يجعل الاختبار شديد الحساسية للفئات التي تُظهر تباعداً جوهرياً عن النموذج النظري المفترض، ويمنح وزناً أكبر للاختلافات الصريحة بين المشاهدات والمتوقعات.

6.3 قسمة مربعات الفروق على التكرارات المتوقعة (O – E)^2 / E

تتضمن الخطوة الحسابية الأخيرة لكل فئة قسمة مربع الفرق المحسوب في العمود F على التكرار المتوقع الأصلي لتلك الفئة والمسجل في العمود D. يتم تخصيص العمود G لهذه النواتج المعيارية، وتُكتب الصيغة في الخلية G2 كالتالي:

=F2/D2

تمثل القيمة الناتجة في كل صف المساهمة الفردية النسبية (Component Contribution) لتلك الفئة المحددة في القيمة الإجمالية لاختبار مربع كاي. تعكس الخلايا ذات القيم المرتفعة في هذا العمود الفئات المسؤولة بشكل رئيسي عن تشويه أو رفض النموذج المفترض. وأخيراً، يتم استخراج إحصائية مربع كاي الكلية المحسوبة ($\chi^2_{\text{calculated}}$) بجمع خلايا هذا العمود بالكامل في خلية النتيجة المستهدفة عبر كتابة الصيغة:

=SUM(G2:G5)

7. استخدام الدوال المدمجة في إكسيل لحساب اختبار جودة المطابقة

7.1 تطبيق الدالة المباشرة CHISQ.TEST

يوفر برنامج مايكروسوفت إكسيل مجموعة من الدوال الإحصائية المدمجة عالية الدقة التي تختصر العمليات الحسابية المطولة في خطوة برمجية واحدة. تأتي في مقدمة هذه الأدوات دالة CHISQ.TEST (المعروفة في الإصدارات القديمة من إكسيل بالاسم CHITEST)، والتي تقوم بحساب وإرجاع القيمة الاحتمالية المباشرة (P-Value) للاختبار بناءً على مقارنة نطاقين من البيانات.

تُصاغ الدالة الإحصائية في إكسيل وفق البناء التركيبي التالي:

=CHISQ.TEST(actual_range, expected_range)

حيث يمثل المعامل الأول actual_range نطاق خلايا التكرارات الملاحظة الفعلية (مثل B2:B5)، بينما يمثل المعامل الثاني expected_range نطاق خلايا التكرارات المتوقعة المحسوبة (مثل D2:D5). تعيد هذه الدالة مباشرة القيمة الاحتمالية المرتبطة بالاختبار دون الحاجة إلى المرور بحساب إحصائية كاي أو درجات الحرية يدوياً، مما يوفر أداة ممتازة للتحقق السريع والمباشر من صحة العمليات الحسابية اليدوية.

7.2 استخدام دالة CHISQ.DIST.RT لحساب القيمة الاحتمالية من الإحصائية

في الحالات التي يقوم فيها الباحث بحساب إحصائية مربع كاي المحسوبة يدوياً ويرغب في استخراج القيمة الاحتمالية الدقيقة للذيل الأيمن للتوزيع الاحتمالي (Right-Tailed Chi-Square Distribution)، تُستخدم دالة CHISQ.DIST.RT. يُعد اختبار مربع كاي لجودة المطابقة دائماً اختباراً أحادي الذيل في الاتجاه الأيمن (One-tailed upper test)، لأن الفروق التربيعية تتراكم دوماً في الاتجاه الموجب الأيمن للتوزيع.

يتم كتابة الدالة في ورقة العمل بالصيغة التالية:

=CHISQ.DIST.RT(x, deg_freedom)

حيث يمثل المعامل x خلية قيمة إحصائية مربع كاي المحسوبة (ناتج جمع العمود G)، بينما يمثل المعامل deg_freedom قيمة درجات الحرية ($k-1$). تُرجع هذه الدالة القيمة الاحتمالية المتطابقة تماماً مع ناتج الدالة المباشرة CHISQ.TEST، مما يوفر توثيقاً متكاملاً لمسار التحليل الإحصائي ويدعم الفهم التعليمي والمنهجي للباحث.

7.3 استخدام دالة CHISQ.INV.RT لتحديد القيمة الحرجة (Critical Value)

لتطبيق منهجية المقارنة الكلاسيكية بين القيمة المحسوبة والقيمة الحرجة المستخرجة من الجداول، يوفر إكسيل الدالة العكسية لتوزيع الذيل الأيمن لمربع كاي وهي CHISQ.INV.RT. تقوم هذه الدالة بتحديد نقطة القطع الرياضية الفاصلة على منحنى التوزيع الاحتمالي التي تفصل بين منطقة قبول الفرضية الصفرية ومنطقة رفضها الإحصائي.

تُكتب صيغة الدالة في إكسيل كالتالي:

=CHISQ.INV.RT(probability, deg_freedom)

يتم إدخال مستوى الدلالة المستهدف (مثل 0.05 أو 0.01) في خانة probability، وإدخال درجات الحرية في خانة deg_freedom. تعيد الدالة القيمة الحرجة الدقيقة للاختبار؛ فإذا كانت درجات الحرية تساوي 3 عند مستوى دلالة 0.05، تُرجع الدالة القيمة 7.815 تقريباً. وتعمل هذه القيمة كمعيار موضوعي فاصل لاتخاذ القرار الاستدلالي النهائي في ورقة العمل.

8. تحديد درجات الحرية والقيم الحرجة واستخراج القيمة الاحتمالية (P-Value)

8.1 حساب درجات الحرية آلياً في إكسيل

لضمان بناء نموذج إحصائي ديناميكي وتفاعلي داخل إكسيل يتكيف تلقائياً عند إضافة أو حذف فئات من المتغير، يُنصح بحساب درجات الحرية عبر صيغة برمجية تعتمد على عد الخلايا النصية بدلاً من كتابة الرقم يدوياً وبشكل ثابت. يتم تحقيق ذلك باستخدام دالة العد العام COUNTA مطروحاً منها الرقم واحد.

تُصاغ معادلة درجات الحرية الديناميكية في خلية مخصصة كالتالي:

=COUNTA(A2:A5) - 1

تضمن هذه الصياغة البرمجية المرنة تحديث درجات الحرية آلياً في حال تعديل هيكل الفئات في العمود A، وتمنع حدوث الأخطاء الناتجة عن نسيان تعديل درجات الحرية في الصيغ الفرعية عند إجراء تعديلات على حجم المصفوفة الفئوية للدراسة.

8.2 مقارنة القيمة المحسوبة بالقيمة الحرجة

يقوم المنطق الإحصائي الكلاسيكي لاختبار الفرضيات على مقارنة القيمة الإحصائية المحسوبة من البيانات التجريبية بالقيمة الحرجة المستخرجة عند مستوى المعنوية المحدد. تُعرف منطقة الرفض (Rejection Region) بأنها المساحة الواقعة على يمين القيمة الحرجة في الذيل الموجب لتوزيع مربع كاي.

تتمثل قاعدة اتخاذ القرار في الآتي:

• إذا كانت القيمة المحسوبة أكبر من القيمة الحرجة ($\chi^2_{\text{calc}} > \chi^2_{\text{crit}}$)، تقع الإحصائية في منطقة الرفض، ويكون القرار الإحصائي هو رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$).
• إذا كانت القيمة المحسوبة أصغر من أو تساوي القيمة الحرجة ($\chi^2_{\text{calc}} le \chi^2_{\text{crit}}$)، تقع الإحصائية في منطقة القبول، ويكون القرار الإحصائي هو الفشل في رفض الفرضية الصفرية.

يمكن أتمتة هذه القاعدة بصرياً داخل إكسيل باستخدام دالة الشرط المنطقي IF عبر كتابة الصيغة التالية:

=IF(G6>J3, "رفض الفرضية الصفرية (توجد فروق دالة)", "قبول الفرضية الصفرية (لا توجد فروق دالة)")

حيث تمثل الخلية G6 القيمة المحسوبة، وتمثل الخلية J3 القيمة الحرجة.

8.3 تقييم مستوى الدلالة عبر القيمة الاحتمالية (P-Value)

في الممارسات الإحصائية والبحثية المعاصرة، يُفضل الاعتماد على القيمة الاحتمالية الدقيقة (P-Value) لاتخاذ القرار وتقدير قوة الدليل الإحصائي ضد الفرضية الصفرية. تعبر القيمة الاحتمالية عن احتمال الحصول على فروق بين التكرارات الملاحظة والمتوقعة مساوية أو أشد تطرفاً من تلك المسجلة في العينة، بافتراض أن الفرضية الصفرية صحيحة تماماً.

تتلخص قاعدة القرار القائمة على القيمة الاحتمالية في المقارنة المباشرة مع مستوى ألفا ($\alpha = 0.05$):

• إذا كانت $p le 0.05$: تُرفض الفرضية الصفرية بدلالة إحصائية كافية.
• إذا كانت $p < 0.001$: تدل النتيجة على وجود فروق جوهرية وحاسمة جداً ذات دلالة إحصائية فائقة ($p < .001$).
• إذا كانت $p > 0.05$: تفشل البيانات في تقديم دليل كافٍ لرفض الفرضية الصفرية، مما يعني أن الفروق المرصودة يمكن تفسيرها منطقياً بالمصادفة ومعاينة الصدفة العشوائية وحدها.

9. تفسير النتائج واتخاذ القرار الإحصائي وصياغة التقرير الأكاديمي

9.1 تفسير المخرجات الإحصائية في ضوء الفرضيات

يتطلب التحليل الإحصائي السليم عدم الاكتفاء بالقرار الرقمي المجرد للرفض أو القبول، بل الربط الدلالي بين النتائج الرياضية والسياق العلمي والتطبيقي للظاهرة المدروسة. عند قبول الفرضية الصفرية (عدم وجود دلالة إحصائية)، يُفسر ذلك بأن النموذج النظري يصف الواقع الميداني بدقة مقبولة، وأن التوزيع التكراري للعينات لا يعاني من أي تشوه أو انحياز ذي دلالة عن التوقعات المفترضة.

في المقابل، عندما تدل المخرجات على رفض الفرضية الصفرية، ينبغي التمييز بوضوح بين الدلالة الإحصائية (Statistical Significance) والأهمية العملية أو الإكلينيكية (Practical Significance). الدلالة الإحصائية تشير فقط إلى أن الفروق الملاحظة ليست نتاج الصدفة البحتة، لكنها لا تكشف بمفردها عن حجم أو قوة تلك الفروق في الميدان التطبيقي، وهو ما يستدعي بالضرورة حساب مقاييس حجم الأثر المعتمدة للبيانات الفئوية.

9.2 حساب وتحليل حجم الأثر (Effect Size) لاختبار مربع كاي

يُعد مؤشر دبليو لكوهين (Cohen’s w) المعيار القياسي الأكثر شيوعاً وموثوقية لتقدير حجم الأثر في اختبارات مربع كاي لجودة المطابقة ذات المتغير الفئوي المفرد. يقوم هذا المعامل بقياس التباعد المعياري الكلي بين التوزيعين المشاهد والمتوقع بمعزل عن تأثير التضخيم الناتج عن كبر حجم العينة الإجمالي.

تُحسب قيمة معامل كوهين $w$ رياضياً عبر قسمة إحصائية مربع كاي المحسوبة على الحجم الكلي للعينة ($N$) ثم استخراج الجذر التربيعي للناتج، وفق المعادلة:

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

تُكتب هذه الصيغة بسهولة داخل إكسيل في خلية مخصصة كالتالي:

=SQRT(G6/B6)

وفقاً للمعايير الإرشادية التي وضعها عالم الإحصاء جاكوب كوهين، يتم تفسير قيم $w$ على النحو التالي:

• أثر صغير (Small Effect): $w \approx 0.10$ (يدل على انحراف طفيف عن النموذج النظري).
• أثر متوسط (Medium Effect): $w \approx 0.30$ (يدل على تباعد متوسط وواضح إكلينيكياً).
• أثر كبير (Large Effect): $w ge 0.50$ (يدل على اختلاف جذري وانحياز حاد في التوزيع الملاحظ مقارنة بالمتوقع).

9.3 صياغة التقرير وفق معايير جمعية علم النفس الأمريكية (APA Style)

تفرض المعايير الصارمة لجمعية علم النفس الأمريكية (American Psychological Association – APA 7th edition) نسقاً دقيقاً لتوثيق نتائج اختبار مربع كاي داخل المتون الأكاديمية والرسائل العلمية. يتطلب التوثيق ذكر الرمز الإحصائي لمربع كاي متبوعاً بدرجات الحرية بين قوسين، ثم حجم العينة، وقيمة الاختبار المحسوبة مقربة إلى منزلتين عشريتين، والقيمة الاحتمالية الدقيقة، وأخيراً قيمة حجم الأثر $w$.

تأخذ الصيغة النصية القياسية النمط التالي:

“أظهرت نتائج اختبار مربع كاي لجودة المطابقة وجود فروق ذات دلالة إحصائية في تفضيلات المرضى للأنماط العلاجية، $\chi^2(3, N = 300) = 22.67, p < .001, w = 0.27$، مما يشير إلى أن التوزيع الفعلي يختلف بصورة جوهرية عن التوزيع المتساوي المفترض بحجم أثر يقترب من المتوسط."

كما يُستحسن في الأبحاث المتقدمة تضمين جدول ملخص منبثق من إكسيل يوضح التكرارات المشاهدة والنسب المئوية المحسوبة والتكرارات المتوقعة وقيم البواقي المعيارية لتقديم صورة إحصائية متكاملة للقارئ والمحكم الأكاديمي.

10. دراسة حالة تطبيقية مفصلة: تحليل تفضيل المرضى لأساليب العلاج النفسي

10.1 وصف المشكلة وتصميم مصفوفة البيانات التجريبية

لتجسيد كافة الخطوات النظرية والبرمجية السابقة في سياق تطبيقي واقعي، نفترض إجراء دراسة استقصائية إكلينيكية في أحد مراكز الاستشارات النفسية بهدف تقييم تفضيلات عينة مؤلفة من 300 مريض نفسي ($N = 300$) تجاه أربعة نماذج علاجية رئيسية هي: العلاج المعرفي السلوكي (CBT)، العلاج التحليلي الدينامي (Psychodynamic)، العلاج الوجودي الإنساني (Humanistic)، وعلاج الجشتالت (Gestalt).

تتمثل الفرضية الصفرية ($H_0$) في عدم وجود تفضيل حقيقي لأي أسلوب علاجي، مما يعني تساوي التفضيلات بين الأساليب الأربعة بنسبة 25% لكل علاج، وبالتالي يكون التكرار المتوقع لكل فئة مساوياً لـ 75 مريضاً ($300 times 0.25 = 75$). أسفرت عملية جمع البيانات الميدانية عن رصد التكرارات الملاحظة التالية:

• العلاج المعرفي السلوكي (CBT): 110 مريضاً.
• العلاج التحليلي (Psychodynamic): 65 مريضاً.
• العلاج الإنساني (Humanistic): 70 مريضاً.
• علاج الجشتالت (Gestalt): 55 مريضاً.

10.2 التنفيذ الرياضي والبرمجي خطوة بخطوة في إكسيل

يتم إدخال وتنسيق هذه المصفوفة داخل ورقة عمل إكسيل عبر جدول تفصيلي في النطاق من A1 إلى G5 على النحو التالي:

• الخلية B6: حساب المجموع الكلي للمشاهدات عبر =SUM(B2:B5) ويعطي الناتج 300.
• الخلايا D2:D5: حساب التكرار المتوقع عبر الصيغة =$B$6*0.25 فتظهر القيمة 75 في كافة خلايا العمود.
• الخلايا E2:E5: حساب الفروق $(O – E)$ فتظهر النتائج: +35 لـ CBT، و -10 للتحليلي، و -5 للإنساني، و -20 للجشتالت. ومجموع هذه الفروق في E6 يساوي 0.
• الخلايا F2:F5: تربيع الفروق $(O – E)^2$ فتظهر القيم: 1225 لـ CBT، و 100 للتحليلي، و 25 للإنساني، و 400 للجشتالت.
• الخلايا G2:G5: قسمة التربيع على المتوقع $(O – E)^2 / E$ وتظهر النواتج: 16.333 لـ CBT، و 1.333 للتحليلي، و 0.333 للإنساني، و 5.333 للجشتالت.
• الخلية G6 (إحصائية كاي المحسوبة): جمع العمود =SUM(G2:G5) وتنتج القيمة 23.333.
• حساب القيمة الاحتمالية: عبر الصيغة =CHISQ.DIST.RT(G6, 3) وتُرجع القيمة الدقيقة $p = 0.0000344$ (أي $p < .001$).
• استخراج القيمة الحرجة: عبر الصيغة =CHISQ.INV.RT(0.05, 3) وتُرجع القيمة 7.815.

بمقارنة القيمة المحسوبة (23.33) بالقيمة الحرجة (7.815)، أو بملاحظة انخفاض القيمة الاحتمالية الشديد عن 0.05، يتم اتخاذ القرار برفض الفرضية الصفرية وتأكيد وجود انحياز وتفضيل إحصائي دال لأساليب علاجية معينة على حساب أساليب أخرى.

10.3 التحليل البعدي وتحديد الفئات الأكثر مساهمة في التباين (Residual Analysis)

عندما يسفر اختبار مربع كاي عن نتيجة دالة إحصائياً، لا يكتمل التحليل المنهجي دون إجراء اختبارات بعدية (Post-Hoc Analysis) لتحديد الفئات المسؤولة تحديداً عن هذا التباعد العام. تُعد طريقة البواقي المعيارية (Standardized Residuals – $R$) الأسلوب الأكثر كفاءة وملاءمة في بيئة إكسيل.

تُحسب البواقي المعيارية لكل فئة وفق المعادلة الرياضية التالية:

$$R = \frac{O – E}{\sqrt{E}}$$

تُكتب المعادلة في إكسيل في عمود إضافي (العمود H) عبر الصيغة:

=E2/SQRT(D2)

تتبع هذه البواقي المعيارية التوزيع الطبيعي المعياري ($Z$). وبالتالي، فإن أي فئة تتجاوز قيمة باقيتها المعيارية القيمة الحرجة$pm 1.96$ (عند مستوى دلالة 0.05) تُعتبر فئة ذات مساهمة دالة إحصائياً في رفض التوزيع المتساوي. بتطبيق المعادلة على بيانات الدراسة، نجد:

• العلاج المعرفي السلوكي (CBT): الباقي المعياري يساوي $+4.04$ (وهي قيمة موجبة تتجاوز بكثير $+1.96$).
• العلاج التحليلي: الباقي المعياري يساوي $-1.15$ (غير دال).
• العلاج الإنساني: الباقي المعياري يساوي $-0.58$ (غير دال).
• علاج الجشتالت: الباقي المعياري يساوي $-2.31$ (وهي قيمة سالبة تتجاوز القيمة الحرجة $-1.96$).

يسمح هذا التحليل البعدي المتقدم بالاستنتاج الدقيق بأن رفض الفرضية الصفرية يعود بالأساس إلى الإقبال المرتفع بصورة جوهرية وذات دلالة إحصائية نحو العلاج المعرفي السلوكي (CBT)، مصحوباً بعزوف ونفور ذي دلالة إحصائية عن علاج الجشتالت، بينما يقع التفضيل لكل من العلاج التحليلي والإنساني ضمن الحدود المتوقعة للمصادفة الطبيعية.

11. الأخطاء الشائعة أثناء تطبيق اختبار مربع كاي في إكسيل وكيفية تفاديها

11.1 الأخطاء المتعلقة بتركيب الصيغ والدوال في إكسيل

يقع العديد من مستخدمي برنامج إكسيل في أخطاء برمجية وحسابية متكررة تؤدي إلى استخراج نتائج إحصائية خاطئة تماماً. من أبرز هذه الأخطاء عكس ترتيب النطاقات داخل دالة CHISQ.TEST؛ حيث تتطلب الدالة إدخال نطاق المشاهدات الفعلية أولاً ثم المتوقعة ثانياً. على الرغم من أن إكسيل قد يحسب النتيجة في بعض الحالات المتساوية، إلا أن عكس النطاقات يؤدي إلى اضطراب في بعض الإصدارات ويخالف المنطق الإحصائي المعتمد.

تشمل الأخطاء البرمجية الشائعة أيضاً نسيان استخدام التثبيت المرجعي $ لخلية مجموع العينة الكلي عند كتابة صيغة التكرارات المتوقعة وسحبها رأسياً، مما يؤدي إلى انزلاق مؤشر الخلية وقسمة الفئات اللاحقة على خلايا فارغة، وهو ما يتسبب في ظهور خطأ القسمة الشهير #DIV/0! أو توليد تكرارات متوقعة تساوي صفراً تشوه كامل النموذج التحليلي.

11.2 الأخطاء المنهجية والإحصائية في تفسير المخرجات

على الصعيد الإحصائي، يقع بعض الباحثين في خطأ فادح بإدخال النسب المئوية (مثل 35% و 25%) مباشرة داخل نطاق الدالة CHISQ.TEST بدلاً من التكرارات العددية الصحيحة الخام. هذا الخطأ يحرم إحصائية كاي من حساسيتها المرتبطة بحجم العينة الحقيقي، ويقود حتماً إلى قيم احتمالية خاطئة تزيد من احتمالية ارتكاب خطأ من النوع الثاني وقبول الفرضيات الصفرية الخاطئة.

من الانتهاكات المنهجية الشائعة أيضاً تجاهل التحقق من شرط الحد الأدنى للتكرارات المتوقعة وتطبيق الاختبار على عينات صغيرة تتضمن خلايا متوقعة تقل عن 5، فضلاً عن الخلط بين معادلة درجات الحرية لمتغير مفرد ($k – 1$) ومعادلة درجات الحرية للجداول المزدوجة [$(r – 1)(c – 1)$]. كذلك يجب تجنب الاعتماد الحصري على الدلالة الإحصائية ($p$-value) وإغفال حساب حجم الأثر ($w$) الذي يوضح الأهمية الميدانية الحقيقية للفروق المكتشفة.

11.3 أفضل الممارسات للتحقق من صحة النموذج وضبط الجودة

لضمان أعلى معايير الجودة والموثوقية الإحصائية في أوراق عمل إكسيل، يُنصح باتباع مصفوفة من الإجراءات والضوابط المنهجية المنظمة:

• بناء خلايا التحقق المنطقي الذاتي: إنشاء خلايا اختبار شرطية تفحص التوازن الرياضي للجدول تلقائياً، مثل كتابة الصيغة =IF(SUM(B2:B5)=SUM(D2:D5), "البيانات متطابقة", "خطأ في المجاميع") للتأكد من سلامة العمليات قبل الاعتماد النهائي للنتائج.
• التحقق المتقاطع (Cross-Validation): مطابقة القيمة الاحتمالية المستخرجة من دالة CHISQ.TEST مع القيمة المستخرجة عبر دالة CHISQ.DIST.RT المبنية على الحسابات اليدوية للتأكد من التطابق التام حتى الخانة العشرية السادسة.
• توثيق ورقة العمل وحمايتها: كتابة شروحات مرجعية داخل تعليقات الخلايا (Cell Comments) توضح مصدر التوزيع النظري ومعاني الاختصارات، مع قفل الخلايا المحتوية على صيغ رياضية لحمايتها من التعديل أو المسح غير المقصود أثناء تداول الملف بين الباحثين.

12. المقارنة بين إكسيل والبرمجيات الإحصائية المتخصصة (SPSS و R)

12.1 مزايا وعيوب إجراء الاختبار في إكسيل

يمتلك برنامج مايكروسوفت إكسيل مزايا تعليمية وتطبيقية فريدة تجعله خياراً مفضلاً في العديد من السيناريوهات البحثية والتحليلية. يمنح إكسيل المحلل سيطرة وشفافية كاملة على خطوات الحساب خطوة بخطوة، مما يزيل غموض “الصندوق الأسود” الذي تفرضه بعض البرامج الجاهزة، ويوفر بيئة مثالية لتدريب الباحثين والطلاب على استيعاب الميكانيزمات الحسابية الدقيقة لاختبار كاي.

تتمثل نقطة القوة الإضافية في توافر البرنامج عالمياً دون الحاجة إلى شراء تراخيص باهظة الثمن للبرمجيات الإحصائية المتخصصة، فضلاً عن سهولة مشاركة الملفات ودمج الجداول في التقارير المكتبية. ومع ذلك، يعيب إكسيل افتقاره إلى أدوات مؤتمتة متقدمة لإجراء التحليلات البعدية وحساب حجوم الأثر بضغطة زر واحدة، مما يجبر الباحث على كتابة معادلات إضافية يدوياً واستغراق وقت أطول في بناء وتنسيق النماذج المعقدة.

12.2 مقارنة نتائج إكسيل مع مخرجات برنامج SPSS

عند تنفيذ اختبار جودة المطابقة في برنامج IBM SPSS Statistics عبر المسار الإجرائي Analyze > Nonparametric Tests > Legacy Dialogs > Chi-Square، تتطابق النتائج المستخرجة تطابقاً تاماً مع الحسابات المنفذة في إكسيل.

يعرض مخرج SPSS جدولين رئيسيين؛ الأول بعنوان Frequencies Table ويشمل التكرار الملاحظ، والتكرار المتوقع، وقيمة البواقي البسيطة ($O – E$) المقابلة تماماً للعمودين D و E في جدول إكسيل. والجدول الثاني بعنوان Test Statistics ويتضمن قيمة كاي تربيع المحسوبة، ودرجات الحرية ($df$)، والقيمة الاحتمالية المقاربة (Asymptotic Significance). يؤكد هذا التطابق المطلق بين المنصتين أن إكسيل، عند ضبط صيغه بشكل صحيح، يعمل كمحرك إحصائي متكامل يتمتع بنفس الدقة الخوارزمية للبرمجيات التجارية المتخصصة.

12.3 متى يجب الانتقال من إكسيل إلى لغة R أو Python؟

على الرغم من كفاءة إكسيل في معالجة مصفوفات البيانات المحدودة والمتوسطة، إلا أن هناك محطات منهجية وظروفاً تحليلية تفرض الانتقال إلى بيئات البرمجة الإحصائية المتقدمة مثل R عبر دالة chisq.test() أو بيئة Python عبر حزمة scipy.stats.chisquare.

يصبح هذا الانتقال حتمياً في الحالات التالية:

• قواعد البيانات الضخمة (Big Data): عندما تتجاوز البيانات مئات الآلاف من السجلات، مما يسبب بطئاً في جداول البيانات وتجمد الحسابات التلقائية.
• الأتمتة الشاملة للتحليلات المتكررة: الرغبة في تطبيق اختبار جودة المطابقة آلياً عبر مئات المتغيرات الفئوية في خطوة برمجية واحدة متكاملة ضمن مسار المعالجة الآلية للبيانات.
• التحليلات اللامعلمية المتقدمة والمحاكاة: الحاجة إلى إجراء اختبارات إحصائية دقيقة بديلة عند انتهاك الشروط عبر تقنيات المحاكاة وإعادة المعاينة العشوائية مثل محاكاة مونت كارلو (Monte Carlo Simulation) أو التوليد التفاعلي المتقدم للرسوم البيانية الكثافية.

خاتمة وتوصيات منهجية

يُمثل اختبار مربع كاي لجودة المطابقة أداة استدلالية لامعلمية لا غنى عنها لفحص الفرضيات التوزيعية وتقييم مدى توافق التكرارات الملاحظة مع النماذج النظرية في مختلف حقول المعرفة النفسية، والسلوكية، والاجتماعية. يتيح برنامج مايكروسوفت إكسيل بيئة حسابية ومرئية بالغة الدقة لتنفيذ هذا الاختبار، سواء عبر تفكيك خطوات المعادلة الرياضية يدوياً لفهم سلوك التباينات المعيارية، أو باستخدام الدوال الإحصائية المدمجة فائقة السرعة مثل CHISQ.TEST و CHISQ.DIST.RT.

لضمان سلامة الاستدلال العلمي، يوصى الباحثون دوماً بالتحقق الدقيق من استيفاء شروط القياس، لا سيما استقلالية الملاحظات وألا يقل التكرار المتوقع عن 5 مشاهدات، مع عدم الاكتفاء باستخراج القيمة الاحتمالية المجردة، بل استكمال التحليل دائماً بحساب البواقي المعيارية لتحديد مصادر التباين وحساب معامل كوهين $w$ لتقدير حجم الأثر التطبيقي، وصياغة النتائج بلغة أكاديمية رصينة تدعم التقدم المعرفي الموثوق.

References

• 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.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Microsoft Corporation. (2023). CHISQ.TEST function. Microsoft Support. https://support.microsoft.com/en-us/office/chisq-test-function
• 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
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.