كيفية إجراء اختبار مربع كاي لجودة المطابقة في R

تُعد معالجة البيانات الفئوية والتكرارية ركيزة أساسية في منهجية البحث العلمي المعاصر، لا سيما في العلوم النفسية والسلوكية والاجتماعية التي تتعامل في كثير من الأحيان مع استجابات وصفية، وتصنيفات سلوكية، ومستويات معيارية محددة. يواجه الباحث عند دراسة هذه الظواهر تحدياً يتمثل في التحقق مما إذا كانت الأنماط التكرارية الملاحظة ميدانياً تتوافق بدقة مع توزيعات نظرية مفترضة، أو نسب سكانية معلومة، أو احتمالات متكافئة ناشئة عن الصدفة البحتة. هنا تبرز الأهمية البالغة للاختبارات الإحصائية غير المعلمية التي تتيح مقارنة التوزيعات التجريبية بالنماذج الرياضية، وعلى رأسها اختبار مربع كاي لجودة المطابقة (Chi-Square Goodness of Fit Test).

يمثل هذا الاختبار الذي ابتكره عالم الإحصاء الشهير كارل بيرسون (Karl Pearson) في مطلع القرن العشرين أداة استدلالية قوية تسمح بتقييم مدى جودة الملاءمة بين الواقع الملاحظ والنموذج النظري. وتكمن قوته المنهجية في بساطة بنائه الرياضي وتعدد مجالات تطبيقه؛ حيث يمكن توظيفه لاختبار فرضيات التفضيل النفسي، والتحقق من اعتدالية واستقامة التوزيعات التجريبية، والتأكد من مطابقة العينات لخصائص المجتمعات الأصلية، فضلاً عن استخدامه في تجارب علم النفس المعرفي والسلوكي لدراسة نماذج اتخاذ القرار وتفضيل البدائل.

مع التطور المتسارع للبرمجيات الإحصائية مفتوحة المصدر، أصبحت بيئة البرمجة الإحصائية R Project for Statistical Computing الخيار الأبرز والمنصة المعيارية لإجراء هذه التحليلات واستخراج نتائجها بدقة متناهية وبأعلى معايير الشفافية الأكاديمية وإعادة الإنتاجية (Reproducibility). يقدم هذا الدليل المرجعي الشامل إطاراً تحليلياً متكاملاً لإجراء اختبار مربع كاي لجودة المطابقة في R، بدءاً من الأسس الرياضية والنظرية، مروراً بالفروض والاشتراطات المنهجية، والتطبيق البرمجي للسيناريوهات البسيطة والمتقدمة، وصولاً إلى تحليل البواقي، وحساب حجم الأثر، والتمثيل البياني المتقدم، وتوثيق النتائج وفق الدليل الإرشادي لجمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة عامة حول اختبار مربع كاي لجودة المطابقة (Chi-Square Goodness of Fit Test)

1.1 المفهوم النظري والأساس الإحصائي للاختبار

يُعرف اختبار مربع كاي لجودة المطابقة إحصائياً بأنه اختبار استدلالي لا معلمي (Non-parametric Test) يُستخدم لتحديد ما إذا كانت عينة مفردة من البيانات الفئوية (Categorical/Nominal Data) مشتقة من مجتمع يتبع توزيعاً احتماليا أو تكرارياً محدداً مسبقاً. يقوم الاختبار على مبدأ قياس المسافة أو الانحراف بين التكرارات الملاحظة (Observed Frequencies) التي تم جمعها تجريبياً في الدراسة، والتكرارات المتوقعة (Expected Frequencies) التي يُفترض الحصول عليها لو كانت الفرضية النظرية أو النموذج الاحتمالي المفترض صحيحاً تماماً في مجتمع الدراسة.

الهدف الرياضي المحوري للاختبار هو الكشف عن مدى ملاءمة البيانات للنموذج المفترض من خلال اختزال الفروق بين الواقع التجريبي والتوقع النظري في قيمة إحصائية مفردة تتبع تقريبياً توزيع مربع كاي (Chi-Square Distribution). يتم تطبيق هذا الاختبار حصراً عندما يتعامل الباحث مع متغير تصنيفي أحادي البعد يتضمن مستويين أو أكثر (k ≥ 2)، مثل تصنيف الأفراد حسب النمط السلوكي (عدواني، انسحابي، متكيف) أو تقييم تكرار اختيار أيام الأسبوع لتلقي الاستشارات النفسية. إذا كانت الفروق بين التكرارات الملاحظة والمتوقعة صغيرة، فإن قيمة مربع كاي المحسوبة تقترب من الصفر، مما يدل على جودة المطابقة؛ أما إذا كانت الفروق جوهرية وكبيرة، فإن القيمة المحسوبة تتضخم لتعكس عدم كفاءة النموذج النظري في تفسير التوزيع الملاحظ.

1.2 أهمية الاختبار في البحوث النفسية والعلوم السلوكية

يحتل اختبار جودة المطابقة مكانة بالغة الأهمية في مجالات البحوث النفسية والعلوم السلوكية، حيث تتطلب العديد من التصاميم التجريبية والمسحية فحص الفرضيات المتعلقة بالخيارات المتعددة والتوزيعات السكانية للسمات. يُستخدم الاختبار بكثافة لدراسة مدى تطابق توزيع الأنماط الشخصية، مثل أنماط الشخصية الخمسة الكبرى أو التصنيفات المزاجية، بين عينة بحثية معينة وبين المعايير القومية المقننة، مما يساعد الباحثين في التحقق من تمثيلية العينات السريرية وغير السريرية.

علاوة على ذلك، يلعب الاختبار دوراً حاسماً في اختبار فرضية التفضيل المتساوي للخيارات والقرارات النفسية (Equal Choice Preference)؛ ففي تجارب علم النفس التجريبي التي تدرس السلوك الإيثاري أو تجارب الإدراك البصري واختيار البدائل المتعددة، يحتاج الباحث إلى إثبات ما إذا كان المشاركون يتخذون قراراتهم بعشوائية تامة وتكافؤ احتمالي أم أن هناك انحيازاً نفسياً يدفعهم نحو خيار محدد دون غيره. كما يمثل الاختبار وسيلة أساسية للتحقق من صحة النماذج المعرفية الصورية التي تتنبأ بنسب محددة للاستجابات السلوكية بناءً على نظريات سيكولوجية سابقة.

1.3 الفرق بين اختبار جودة المطابقة واختبار الاستقلالية

على الرغم من أن كلاً من اختبار جودة المطابقة واختبار الاستقلالية (Chi-Square Test of Independence) ينتميان إلى نفس العائلة الإحصائية ويعتمدان على صيغة رياضية متشابهة، إلا أن هناك اختلافات جوهرية من حيث التصميم المنهجي، وعدد المتغيرات، وبنية البيانات. يتمثل الاختلاف الأساسي في أن اختبار جودة المطابقة يُطبق على متغير تصنيفي واحد فقط متعدد المستويات، ويهدف إلى مقارنة توزيع هذا المتغير بتوزيع نظري محدد مسبقاً، وتكون بنية البيانات فيه عبارة عن متجه تكراري أحادي البعد (One-Dimensional Frequency Vector).

في المقابل، يُطبق اختبار مربع كاي للاستقلالية على متغيرين تصنيفيين اثنين، ويهدف إلى فحص الارتباط أو الاستقلالية بينهما (على سبيل المثال: دراسة العلاقة بين الجنس ومستوى القلق النفسي)، وتكون بنية البيانات فيه على هيئة جدول توافق مزدوج ذي بعدين (Two-Way Contingency Table: R × C). تهتم الفرضية الصفرية في اختبار الاستقلالية بعدم وجود ارتباط بين المتغيرين في المجتمع، بينما تركز الفرضية الصفرية في اختبار جودة المطابقة على أن التوزيع التكراري للمتغير الواحد يطابق التوزيع التكراري النظري المفترض بدقة.

2. الفروض الإحصائية وشروط تطبيق اختبار مربع كاي لجودة المطابقة

2.1 صياغة الفرضية الصفرية والفرضية البديلة بدقة

تتطلب الدقة المنهجية صياغة الفروض الإحصائية لاختبار مربع كاي لجودة المطابقة بصورة واضحة وقابلة للاختبار التجريبي، مع تحديد الاحتمالات النظرية بدقة. تنص الفرضية الصفرية (Null Hypothesis – H0) على أنه لا توجد فروق ذات دلالة إحصائية بين التوزيع التكراري الملاحظ والتوزيع التكراري المتوقع، أي أن البيانات الملاحظة تتطابق بصورة كاملة مع النموذج الاحتمالي المفترض في المجتمع الأصلي. يُعبر عن ذلك رياضياً بالصيغة: H0: p1 = p1_0, p2 = p2_0, …, pk = pk_0، حيث تمثل pi الاحتمال الفعلي للفئة، وتمثل pi_0 الاحتمال النظري المفترض لتلك الفئة، مع ضرورة أن يكون مجموع الاحتمالات مساوياً للواحد الصحيح.

في المقابل، تنص الفرضية البديلة (Alternative Hypothesis – H1) على وجود فروق ذات دلالة إحصائية بحيث يختلف التوزيع التكراري الملاحظ عن التوزيع التكراري المتوقع، أي أن فئة واحدة على الأقل تختلف نسبتها الفعلية في المجتمع عن النسبة المحددة في الفرضية الصفرية (H1: pi ≠ pi_0 لبعض قيم i). يُعد اختبار مربع كاي اختباراً غير موجه بطبيعته (Non-directional)، إلا أن منطقة الرفض الخاصة به تقع دائماً في الطرف الأيمن (Right-tailed) لتوزيع مربع كاي لأن الانحرافات بين الملاحظ والمتوقع يتم تربيعها، مما يجعل الإحصائية دائماً موجبة، وتُرفض الفرضية الصفرية عندما تتجاوز القيمة المحسوبة القيمة الجدولية الحرجة عند مستوى دلالة محدد (Alpha = 0.05 عادةً).

2.2 شرط حجم العينة وتكرارات التوقع الدنيا (Cochran’s Rule)

لكي يكون التوزيع التقريبي لمربع كاي صالحاً ودقيقاً من الناحية الاستدلالية، يجب استيفاء شروط حجم العينة والتكرارات المتوقعة وفقاً للمعايير الكلاسيكية التي أرساها الإحصائي ويليام كوكران (William Cochran). تنص قاعدة كوكران الشهيرة على شرطين أساسيين:

• يجب ألا يقل التكرار المتوقع (Expected Frequency) عن 5 في 80% على الأقل من الفئات أو الخلايا التكرارية الداخلة في التحليل.
• يجب ألا يقل التكرار المتوقع في أي خلية فردية إطلاقاً عن 1 (أي: Ei ≥ 1 لجميع الفئات بدون استثناء).

يؤدي انتهاك هذه الشروط، الناتج عادةً عن صغر حجم العينة الكلي أو كثرة الفئات ذات الاحتمالات الضعيفة، إلى تشويه شكل التوزيع الاحتمالي لإحصائية الاختبار، مما يرفع احتمالية الوقوع في خطأ النوع الأول (Type I Error) أو تضخيم الدلالة الإحصائية بشكل مضلل. عند مواجهة هذا الانتهاك في الواقع البحثي، يتعين على الباحث اتباع استراتيجيات علاجية معتمدة؛ مثل إعادة تجميع أو دمج الفئات المتقاربة منطقياً ونظرياً لزيادة التكرارات المتوقعة، أو اللجوء إلى بدائل المحاكاة الحاسوبية المتقدمة كاختبارات مونت كارلو الدقيقة (Monte Carlo exact tests).

2.3 استقلالية الملاحظات وطبيعة البيانات الفئوية

يُعد شرط استقلالية الملاحظات (Independence of Observations) من أشد الشروط صرامة في اختبار مربع كاي لجودة المطابقة، حيث يفترض الاختبار أن كل استجابة أو مشاهدة تم جمعها بصورة مستقلة تماماً عن باقي المشاهدات الأخرى. يعني ذلك إجرائياً وجوب تصنيف كل مشارك أو وحدة تجريبية في فئة واحدة فقط وحصرية (Mutually Exclusive and Exhaustive)، بحيث لا يمكن للمفحوص أن ينتمي لأكثر من تصنيف واحد، ولا يجوز إعادة قياس نفس المفحوص عبر أزمنة متعددة أو عبر فئات مختلفة ضمن نفس التحليل.

بالإضافة إلى ذلك، يشترط الاختبار أن تكون البيانات المدخلة في التحليل عبارة عن تكرارات عددية أولية وخام (Raw Counts or Frequencies) تمثل أعداد الأفراد أو الأحداث في كل فئة، ولا يجوز نهائياً إدخال النسب المئوية (Percentages)، أو المعدلات، أو المتوسطات الحسابية، أو الدرجات المعيارية المحولة داخل معادلة الاختبار؛ إذ إن الاعتماد على النسب المئوية يجرد الاختبار من معلومات حجم العينة الفعلي (N)، وهو المحدد الرياضي الأساسي لدرجات الحرية وقوة الاختبار الإحصائي.

3. المعادلة الرياضية وكيفية حساب الإحصائية يدوياً

3.1 اشتقاق معادلة مربع كاي (Chi-Square Formula)

يقوم البناء الرياضي لاختبار مربع كاي لجودة المطابقة على مقارنة الفارق بين كل تكرار ملاحظ وتكراره المتوقع، وموازنة هذا الفارق بحجم التوقع نفسه. تُعطى الصيغة الرياضية الكلاسيكية لحساب إحصائية مربع كاي (Χ²) بالمعادلة الآتية:

Χ² = Σ [ (Oi – Ei)² / Ei ]

حيث يمثل الرمز (Oi) التكرار الملاحظ في الفئة رقم (i)، ويمثل الرمز (Ei) التكرار المتوقع في نفس الفئة، وتشير علامة المجموع (Σ) إلى جمع هذه القيم عبر كافة الفئات من الفئة الأولى وحتى الفئة الأخيرة (k). يُلاحظ في هذه المعادلة أن الفروق بين الملاحظ والمتوقع (Oi – Ei) يتم رفعها إلى القوة التربيعية، والهدف الجوهري من هذا التربيع هو التخلص من الإشارات السالبة الناتجة عن الفئات التي يكون فيها التكرار الملاحظ أقل من المتوقع، حيث إن المجموع الجبري المباشر للفروق دون تربيع يساوي دائماً صفراً. كما يعمل التربيع على تضخيم الانحرافات الكبيرة وإعطائها وزناً أكبر في الإحصائية النهائية. وبقسمة كل فرق مربع على التكرار المتوقع الخاص بتلك الفئة، يتم توحيد مقياس الانحرافات لتصبح نسبية مقارنة بحجم التوقع النظري، مما يجعل قيمة Χ² كمية موجبة دائماً تنطلق من الصفر (في حالة التطابق التام) وتتجه نحو المالانهاية مع اتساع فجوة الاختلاف.

3.2 حساب التكرارات المتوقعة (Expected Frequencies)

يعتمد حساب التكرار المتوقع (Ei) لكل فئة على النموذج النظري المعتمد في الفرضية الصفرية وعلى حجم العينة الإجمالي (N = ΣOi). تتمايز طرق الحساب بحسب طبيعة الفرضية وفق حالتين رئيستين:

• حالة التوزيعات المتساوية (Equal Probabilities): عندما تنص الفرضية الصفرية على أن الاحتمالات موزعة بالتساوي بين جميع الفئات (مثل افتراض تكافؤ فرص اختيار أربعة تصاميم تجريبية: p1 = p2 = p3 = p4 = 0.25)، يُحسب التكرار المتوقع بقسمة حجم العينة الكلي على عدد الفئات: Ei = N / k.
• حالة التوزيعات غير المتساوية المخصصة (Unequal/Custom Probabilities): عندما تستند الفرضية الصفرية إلى نسب نظرية متفاوتة مستمدة من دراسات سابقة أو نماذج مجتمعية (مثل: p1 = 0.50, p2 = 0.30, p3 = 0.20)، يُحسب التكرار المتوقع بضرب الحجم الكلي للعينة في الاحتمال النظري المحدد لكل فئة: Ei = N × pi.

من الشروط الرياضية الصارمة التي يجب التحقق منها دائماً هو أن مجموع التكرارات المتوقعة لجميع الفئات يجب أن يتطابق تطابقاً مطلقاً مع مجموع التكرارات الملاحظة الكلية، أي أن: ΣEi = ΣOi = N. يضمن هذا التوازن الحسابي الحفاظ على الكتلة الاحتمالية الكلية داخل النظام الإحصائي.

3.3 تحديد درجات الحرية (Degrees of Freedom) والقيمة الحرجة

ترتبط درجات الحرية (Degrees of Freedom – df) في اختبار مربع كاي لجودة المطابقة بعدد الفئات التصنيفية الحرة التي تملك إمكانية التغير العشوائي المستقل مع بقاء المجموع الكلي ثابتاً. نظراً لأن مجموع التكرارات محدد سلفاً بالقيمة (N)، فإن معرفة تكرارات (k – 1) من الفئات يحدد تلقائياً وبشكل جبري تكرار الفئة الأخيرة المتبقية؛ وعليه تُحسب درجات الحرية وفق المعادلة:

df = k – 1

حيث تمثل (k) عدد الفئات التصنيفية للمتغير. بعد تحديد درجات الحرية ومستوى الدلالة المعياري المختار من قبل الباحث (وليكن α = 0.05)، يتم استخراج القيمة الحرجة (Critical Value) من جداول التوزيع الاحتمالي لمربع كاي. إذا كانت القيمة المحسوبة يدوياً (Χ² Calculated) أكبر من أو تساوي القيمة الجدولية الحرجة عند درجات الحرية المعنية، تقع الإحصائية في “منطقة الرفض”، ويقرر الباحث رفض الفرضية الصفرية واستنتاج وجود اختلاف دال إحصائياً؛ أما إذا كانت القيمة المحسوبة أقل من الحرجة، فإن الإحصائية تقع في “منطقة القبول”، ويفشل الباحث في رفض فرضية العدم.

4. إعداد بيئة العمل وتجهيز البيانات في لغة البرمجة R

4.1 تثبيت وإعداد حزم R الأساسية والتحليلية

تتميز لغة البرمجة R باحتوائها على محرك إحصائي مدمج فائق القوة ضمن حزمة الأساس (Base R)، والذي يتضمن دالة chisq.test() القادرة على تنفيذ كافة العمليات الحسابية لمربع كاي دون الحاجة إلى تثبيت مكاتب خارجية. ومع ذلك، تتطلب الممارسات التحليلية الحديثة في معالجة البيانات، والتمثيل البياني المتقدم، واستخراج جداول منسقة، الاستعانة ببعض الحزم التكميلية المتخصصة في منظومة R الحديثة.

يُنصح الباحثون بتثبيت واستدعاء منظومة الحزم الشهيرة Tidyverse التي تشمل حزم dplyr للتلاعب بالبيانات و ggplot2 للرسم البياني عالي الدقة، بالإضافة إلى حزمة rstatix الصديقة للمنهجيات الحديثة، وحزمة effectsize لحساب حجوم الأثر المعيارية. يمكن تثبيت هذه الحزم عبر تشغيل الأوامر القياسية في موجه الأوامر:

install.packages(c("tidyverse", "rstatix", "effectsize", "knitr", "kableExtra"))

بعد اكتمال التثبيت، يتم تحميل هذه المكتبات في جلسة العمل النشطة باستخدام الدالة library()، مع مراعاة ضبط مسار العمل وتثبيت البذرة العشوائية بواسطة الأمر set.seed(123) في حالة الرغبة في إجراء اختبارات محاكاة قابلة للتكرار بدقة تامة.

4.2 استيراد البيانات وهيكلتها كمتجهات فئوية (Categorical Vectors)

تتعامل دوال R مع بيانات مربع كاي لجودة المطابقة بأسلوبين رئيسيين تِبعاً لطريقة جمع البيانات وتخزينها: الأسلوب الأول هو إدخال التكرارات التلخيصية مباشرة على هيئة متجه عددي رقمي، والأسلوب الثاني هو معالجة البيانات الخام غير الملخصة المستوردة من ملفات خارجية مثل ملفات CSV أو جداول Excel.

في حالة التكرارات التلخيصية المباشرة، يتم استخدام دالة التجميع c() لإنشاء متجه التكرارات الملاحظة، ومن الممارسات الاحترافية تعيين أسماء توضيحية للفئات باستخدام دالة names() لضمان وضوح المخرجات؛ على سبيل المثال: observed_counts <- c(Visual = 45, Auditory = 30, Kinesthetic = 25). أما في حال استيراد جدول بيانات خام يحتوي على عمود استجابات الأفراد المفردين لكل فئة، يتم تحويل هذا العمود إلى جدول تكراري باستخدام دالة table()؛ حيث تقوم هذه الدالة بفرز المتغير الفئوي وعد تكراراته بدقة تمهيداً لتمريره للاختبار الإحصائي. يمكن التحقق من التركيبة البنائية للمتغيرات وجاهزيتها عبر الدوال الاستكشافية المعتمدة مثل str() و summary().

4.3 فحص جودة البيانات والتعامل مع القيم المفقودة

قبل الشروع في تطبيق الاختبار الاستدلالي، يجب التأكد من خلو البيانات من الأخطاء الإدخالية أو التشوهات البنائية التي قد تفسد نتائج التحليل. يتضمن ذلك التحقق الدقيق من عدم وجود قيم مفقودة (Missing Values – NA) ضمن المتغير التصنيفي المدروس، حيث يؤدي وجودها دون معالجة إلى تقليص حجم العينة الفعلي أو إيقاف تنفيذ الدوال البرمجية. يمكن استبعاد القيم المفقودة بكفاءة عبر معلمات التصفية مثل useNA = "no" داخل دالة table() أو باستخدام دالة na.omit() على إطار البيانات الأصلي.

بالإضافة إلى ذلك، يجب التحقق المنطقي من أن جميع الأرقام المدخلة في متجه التكرارات هي أعداد صحيحة موجبة (Non-negative Integers)، وخلو المتجهات من أي قيم سالبة أو كسور عشرية لا تمثل تكراراً بشرياً فعلياً. كما يتعين فحص تطابق عدد الفئات المسجلة في متجه الملاحظات مع عدد الفئات المحددة في النماذج النظرية لضمان التوافق التام لأطوال المتجهات (Vector Length Matching) عند تمرير احتمالات الفرضيات المخصصة.

5. التطبيق العملي الأساسي: التوزيعات المتساوية (Equal Probabilities)

5.1 سيناريو الدراسة: تحليل تردد السلوكيات عبر فئات متكافئة

لتوضيح التطبيق العملي الأساسي، نفترض سيناريو بحثياً في علم النفس الإكلينيكي والصحة النفسية: قام باحث بتتبع تردد حدوث نوبات الهلع (Panic Attacks) لدى عينة من المراجعين في عيادة استشارية على مدار أيام العمل الخمسة من الأسبوع (من الأحد إلى الخميس)، بهدف معرفة ما إذا كانت نوبات الهلع تتوزع بالتساوي التام بين كافة أيام الأسبوع، أم أن هناك أياماً محددة (مثل بداية أسبوع العمل أو نهايته) يرتفع فيها معدل النوبات نتيجة للضغوط المهنية المتزايدة.

تم جمع البيانات من عينة بلغ حجمها الإجمالي 250 حالة مسجلة، وجاءت التكرارات الملاحظة (Observed Frequencies) عبر الأيام الخمسة على النحو التالي: الأحد (65 حالة)، الإثنين (45 حالة)، الثلاثاء (35 حالة)، الأربعاء (40 حالة)، الخميس (65 حالة). تنص الفرضية الصفرية (H0) في هذا التصميم على تكافؤ وتساوي احتمالات حدوث النوبات عبر كافة الأيام الخمسة، بحيث يكون الاحتمال النظري لكل يوم مساوياً لـ (p = 1/5 = 0.20)، والتكرار المتوقع لكل يوم هو (E = 250 / 5 = 50 حالة). بينما تنص الفرضية البديلة (H1) على أن توزيع نوبات الهلع لا يتسم بالتساوي عبر أيام العمل.

5.2 كتابة كود R باستخدام الدالة chisq.test() بدون معلمات نسب إضافية

تتعامل بيئة R مع افتراض التوزيعات المتساوية بذكاء وانسيابية عالية؛ فعند تمرير متجه التكرارات الملاحظة إلى الدالة الأساسية chisq.test() دون تحديد المعلمة p، تفترض الدالة تلقائياً أن جميع الفئات ذات احتمالات متساوية وتُوزع الاحتمال بالتساوي بنسبة (1/k) على كل خلية. لتنفيذ التحليل لهذا السيناريو، نكتب الكود البرمجي التالي داخل بيئة R:

# 1. إدخال التكرارات الملاحظة مع التسميات التوضيحية
panic_counts <- c(Sun = 65, Mon = 45, Tue = 35, Wed = 40, Thu = 65)

# 2. تنفيذ اختبار مربع كاي لجودة المطابقة بافتراض التساوي
test_equal <- chisq.test(panic_counts)

# 3. طباعة نتائج الاختبار في شاشة المخرجات
print(test_equal)

يقوم هذا السطر البرمجي المباشر بحساب حجم العينة الكلي داخلياً، واشتقاق التكرارات المتوقعة المتساوية، وحساب الفروق المربعة، وتوليد إحصائية مربع كاي ودرجات الحرية وقيمة الدلالة الاحتمالية المقترنة بها بصورة فورية ودقيقة.

5.3 تفكيك وقراءة المخرجات الأولية للدالة في وحدة التحكم

عند تنفيذ الأمر السابق، تُظهر وحدة التحكم (R Console) مخرجات نصية قياسية تبدو على الهيئة التالية:

Chi-squared test for given probabilities
panic_counts
X-squared = 15, df = 4, p-value = 0.004701

يتطلب تفكيك هذه المخرجات فهم دلالة كل عنصر فيها:

• data: panic_counts: يوضح اسم كائن البيانات الذي تم إخضاعه للتحليل.
• X-squared = 15: تمثل القيمة الإحصائية المحسوبة لاختبار مربع كاي (Χ² = 15.00). ناتجة عن جمع الفروق المربعة المقسمة على التكرارات المتوقعة عبر الأيام الخمسة: [ (65-50)²/50 + (45-50)²/50 + (35-50)²/50 + (40-50)²/50 + (65-50)²/50 ] = [4.5 + 0.5 + 4.5 + 2.0 + 4.5] = 16.0 (توضح الحسابات اليدوية تطابقاً دقيقاً مع دالة R).
• df = 4: تمثل درجات الحرية الناتجة عن طرح واحد من عدد الفئات (df = 5 – 1 = 4).
• p-value = 0.004701: تمثل القيمة الاحتمالية المقترنة بالاختبار؛ وبما أنها أقل بكثير من مستوى الدلالة المعياري (α = 0.05)، فإننا نرفض الفرضية الصفرية بثقة إحصائية عالية ونستنتج أن توزيع نوبات الهلع ليس متساوياً عبر أيام الأسبوع، بل يشهد تبايناً جوهرياً.

6. التطبيق العملي المتقدم: التوزيعات غير المتساوية (Unequal/Custom Probabilities)

6.1 صياغة الفرضيات عند وجود نسب نظرية مسبقة

في العديد من التطبيقات النفسية والمسحية الأكثر تعقيداً، لا يفترض الباحث تساوي التكرارات بين الفئات، بل يختبر فرضية تطابق البيانات مع نسب تاريخية أو معايير وبائية مثبتة مسبقاً في المجتمع السكاني العام. لنفترض دراسة سيكولوجية تبحث في توزيع أنماط التعلق العاطفي (Attachment Styles) لدى عينة من المراجعين في عيادات الإرشاد الزواجي تضم 400 فرد. وفقاً للأدبيات النظرية الراسخة في المجتمع العام، يتوزع الأفراد بنسب معيارية هي: التعلق الآمن (Secure: 50%)، التعلق القلق (Anxious: 20%)، التعلق التجنبي (Avoidant: 20%)، والتعلق الفوضوي/غير المنظم (Disorganized: 10%).

يرغب الباحث في اختبار ما إذا كانت عينة الإرشاد الزواجي تتبع هذا التوزيع المجتمعي المعياري أم أنها تنحرف عنه انحرافاً دالاً يعكس طبيعة العينة العيادية. تُصاغ الفرضية الصفرية بوضوح رياضي كالتالي: H0: p(Secure) = 0.50, p(Anxious) = 0.20, p(Avoidant) = 0.20, p(Disorganized) = 0.10. بينما تنص الفرضية البديلة (H1) على أن توزيع أنماط التعلق في هذه العينة يختلف بصورة جوهرية عن النسب النظرية المفترضة للمجتمع العام.

6.2 تمرير متجه الاحتمالات (p argument) وضمان تحقق شرط المجموع

لإجراء هذا الاختبار في R، لا يمكننا الاعتماد على السلوك الافتراضي للدالة، بل يجب بناء متجه احتمالي إضافي وتمريره عبر المعلمة p داخل الدالة chisq.test(). يفرض نظام R شرطاً برمجياً ورياضياً صارماً وهو أن مجموع عناصر المتجه الاحتمالي يجب أن يساوي تماماً الواحد الصحيح (1.0)، وفي حال عدم تحقق هذا الشرط أو كان مجموع الاحتمالات أقل أو أكبر من 1 نتيجة لأخطاء التقريب، ستصدر الدالة رسالة خطأ صريحة توقف التحليل (Error in chisq.test: probabilities must sum to 1).

تتم كتابة الكود البرمجي المخصص لهذا السيناريو بالخطوات الآتية:

# 1. إدخال التكرارات الملاحظة لعينة الإرشاد الزواجي (N = 400)
observed_attachment <- c(Secure = 140, Anxious = 120, Avoidant = 100, Disorganized = 40)

# 2. تحديد متجه الاحتمالات النظرية المسبقة
expected_probs <- c(Secure = 0.50, Anxious = 0.20, Avoidant = 0.20, Disorganized = 0.10)

# 3. التحقق البرمجي من أن مجموع الاحتمالات يساوي 1
stopifnot(sum(expected_probs) == 1)

# 4. تنفيذ اختبار جودة المطابقة بالنسب المخصصة
test_custom <- chisq.test(x = observed_attachment, p = expected_probs)

# 5. استعراض نتائج الاختبار
print(test_custom)

يعمل هذا الكود على مواءمة كل احتمال نظري مع التكرار الملاحظ المناظر له بدقة تامة بناءً على الترتيب داخل المتجهات.

6.3 استخراج القيم المحسوبة والتكرارات المتوقعة برمجياً من كائن الاختبار

عند تخزين مخرجات الدالة في كائن اختباري مسمى (مثل: test_custom)، يتم إنشاء كائن من نوع قائمة متخصصة (List of class “htest”). يحتوي هذا الكائن على كافة التفاصيل والمعادلات الإحصائية الوسيطة التي يمكن للباحث استخراجها وفحصها برمجياً لتعميق فهم النتائج:

• استخراج التكرارات المتوقعة: باستخدام الأمر test_custom$expected، يطبع البرنامج المتجه الحسابي للقيم المتوقعة؛ حيث سنجد أن التوقع للنمط الآمن هو (400 × 0.50 = 200)، وللنمط القلق (400 × 0.20 = 80)، وللتجنبي (400 × 0.20 = 80)، وللفوضوي (400 × 0.10 = 40).
• استخراج التكرارات الملاحظة: باستخدام الأمر test_custom$observed للرجوع إلى الأرقام الأصلية.
• مقارنة الفروق المباشرة: يمكن في خطوة سريعة إجراء عملية طرح المتجهات: test_custom$observed - test_custom$expected، لمعاينة الفجوات الرقمية المباشرة (مثل انخفاض النمط الآمن بمقدار 60 حالة عن المتوقع، وارتفاع النمط القلق بمقدار 40 حالة فوق المتوقع).

7. تفسير النتائج الإحصائية واتخاذ القرارات العلمية

7.1 تفسير القيمة الاحتمالية (p-value) ومقارنتها بمستوى الدلالة (Alpha)

تُمثل القيمة الاحتمالية (p-value) المؤشر الكمي الأساسي الذي يستند إليه الباحث لاتخاذ قراره برفض أو عدم رفض الفرضية الصفرية. تعبر هذه القيمة عن احتمال الحصول على إحصائية مربع كاي مساوية للقيمة المحسوبة أو أكثر تطرفاً منها، بافتراض أن الفرضية الصفرية صحيحة تماماً في المجتمع. تستند القاعدة الاستدلالية القياسية إلى مقارنة القيمة الاحتمالية الناتجة بمستوى الدلالة الاسمي المعتمد سلفاً في البحث (α = 0.05 عادةً):

• إذا كانت p-value < 0.05: يرفض الباحث الفرضية الصفرية (H0)، ويقبل الفرضية البديلة (H1)، مستنتجاً أن الانحرافات بين التكرارات الملاحظة والتوقعات النظرية انحرافات جوهرية ذات دلالة إحصائية لا يمكن نسبتها إلى الصدفة أو أخطاء المعاينة العشوائية.
• إذا كانت p-value ≥ 0.05: يفشل الباحث في رفض الفرضية الصفرية، مما يعني أن البيانات التجريبية تتوافق وتتطابق بدرجة مقبولة مع النموذج النظري المفترض.

يجب التنبيه أكاديمياً إلى ضرورة التمييز بين “الدلالة الإحصائية” و”الدلالة العملية أو السريرية”؛ فالأحجام الكبيرة جداً للعينات قد تجعل حتى أصغر الانحرافات التافهة ذات دلالة إحصائية (p < 0.05)، مما يحتم تقييم النتائج في ضوء مؤشرات حجم الأثر وتحليل البواقي التفصيلي.

7.2 تحليل البواقي المعيارية (Standardized/Pearson Residuals) لتحديد مصدر الفروق

عندما يسفر اختبار جودة المطابقة عن نتيجة دالة إحصائياً، يواجه الباحث سؤالاً منهجياً حاسماً: “أي من الفئات المحددة كانت المسؤولة بشكل رئيسي عن رفض الفرضية الصفرية؟” نظراً لأن إحصائية مربع كاي الكلية تقدم حكماً شمولياً مجملاً على كامل التوزيع دون تخصيص، يتم اللجوء إلى تحليل البواقي المعيارية (Standardized Residuals أو Pearson Residuals).

تُحسب بواقي بيرسون لكل فئة وفق المعادلة: r_i = (Oi – Ei) / √Ei، ويمكن استخراجها برمجياً في R مباشرة عبر الأمر: test_custom$residuals. أما البواقي المعيارية التامة (Standardized Adjusted Residuals) فتستخرج عبر الأمر: test_custom$stdres. تتبع هذه البواقي التوزيع الطبيعي المعياري التقريبي (Z-score)، وعليه يتم تفسيرها كالتالي:

• إذا كانت قيمة الباقي المعياري أكبر من +2.0 (أو +1.96 بدقة)، فهذا يشير إلى أن الفئة تشهد زيادة تكرارية ذات دلالة إحصائية تفوق التوقعات النظرية بشكل جوهري عند مستوى ثقة 95%.
• إذا كانت قيمة الباقي المعياري أقل من -2.0، فهذا يعني أن الفئة تشهد عجزاً وانخفاضاً تكرارياً دالاً يقل عن التوقعات النظرية.
• تشير القيم التي تتجاوز ±3.0 إلى انحرافات قصوى شديدة التأثير في النموذج الاحتمالي، مما يمنح الباحث دليلاً قاطعاً على بؤر الانحراف السلوكي أو النفسي في العينة المدروسة.

7.3 قياس حجم الأثر (Effect Size) باستخدام معامل كوهين (Cohen’s w)

توصي إرشادات النشر العلمي الحديثة لجمعية علم النفس الأمريكية (APA) بعدم الاكتفاء بالإبلاغ عن القيمة الاحتمالية وحدها، بل إقرانها دوماً بمؤشر لحجم الأثر (Effect Size) لتقييم الأهمية العملية للفروق بعيداً عن تأثير تضخم حجم العينة. يُعد معامل كوهين دبليو (Cohen’s w) المقياس المعياري الأكثر انتشاراً لقياس حجم الأثر في اختبارات مربع كاي لجودة المطابقة، ويُحسب رياضياً بالمعادلة التالية:

w = √ ( Χ² / N )

حيث يمثل (Χ²) قيمة إحصائية الاختبار المحسوبة، ويمثل (N) الحجم الإجمالي للعينة. لحساب معامل كوهين برمجياً في R، يمكن كتابة معادلة بسيطة: w <- sqrt(test_custom$statistic / \sum(test_custom$observed))، أو الاستعانة بالدالة المباشرة cohens_w() من حزمة effectsize عبر الأمر: effectsize::cohens_w(test_custom).

تُفسر قيم معامل كوهين وفق المعايير الإرشادية التقليدية التي حددها الإحصائي النفسي جاكوب كوهين كالتالي:

• أثر صغير (Small Effect): w ≈ 0.10 (يعكس انحرافاً طفيفاً يكاد لا يُلحظ بين التوزيعين).
• أثر متوسط (Medium Effect): w ≈ 0.30 (يعكس انحرافاً واضحاً وذا قيمة سلوكية ملحوظة).
• أثر كبير (Large Effect): w ≥ 0.50 (يعكس انحرافاً جسيماً واختلافاً تاماً في البنية التكرارية للظاهرة).

8. التمثيل البياني وتصوير نتائج الاختبار في R

8.1 رسم مقارنة التكرارات الملاحظة والمتوقعة باستخدام ggplot2

يُعد التواصل البصري جزءاً لا يتجزأ من التقرير الإحصائي الرصين، وتوفر حزمة ggplot2 مرونة استثنائية لإنشاء مخططات أعمدة بيانية مزدوجة ومقارنة تقابل التكرارات الملاحظة بالتكرارات المتوقعة لكل فئة. للقيام بذلك، يتطلب الأمر أولاً تحويل مصفوفة النتائج المستخرجة من كائن الاختبار إلى إطار بيانات طولي (Long-format Data Frame) مناسب لبيئة الرسم.

يمكن بناء هذا المخطط المتقدم عبر تنفيذ الكود البرمجي التالي:

# 1. تجميع البيانات الملاحظة والمتوقعة في إطار بيانات منسق
plot_data <- data.frame(
  Category = rep(names(test_custom$observed), 2),
  Type = rep(c("ملاحظ (Observed)", "متوقع (Expected)"), each = length(test_custom$observed)),
  Count = c(test_custom$observed, test_custom$expected)
)

# 2. إنشاء المخطط البياني المزدوج باستخدام ggplot2
library(ggplot2)
ggplot(plot_data, aes(x = Category, y = Count, fill = Type)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
  geom_text(aes(label = round(Count, 1)), position = position_dodge(width = 0.8), vjust = -0.5, size = 3.5) +
  scale_fill_manual(values = c("ملاحظ (Observed)" = "#2c3e50", "متوقع (Expected)" = "#95a5a6")) +
  labs(title = "مقارنة التكرارات الملاحظة بالتكرارات المتوقعة لأنماط التعلق",
       x = "نمط التعلق العاطفي", y = "التكرار (العدد)", fill = "نوع التوزيع") +
  theme_classic()

يبرز هذا المخطط بصرياً الفجوة الواضحة بين التوقعات النظرية والبيانات الملاحظة، مما يمكن القارئ من استيعاب اتجاه الانحراف بدقة وسرعة.

8.2 تمثيل البواقي الإحصائية لتوضيح الانحرافات الفئوية

بالإضافة إلى مقارنة التكرارات الخام، يُعتبر رسم البواقي المعيارية (Residual Plot) وسيلة بصرية تشخيصية فائقة القوة لإبراز الفئات المسؤولة عن كسر التوافق الاحتمالي وتحديد الفئات ذات الدلالة الفردية الإحصائية. يمكن إنشاء مخطط أعمدة للبواقي المعيارية مع رسم خطوط أفقية مرجعية عند القيمتين (+2) و (-2) لتحديد الحدود الفاصلة للدلالة عند مستوى ثقة 95%.

تتم كتابة كود رسم البواقي في R بالصيغة التالية:

# 1. إنشاء إطار بيانات للبواقي المعيارية
res_data <- data.frame(
  Category = names(test_custom$residuals),
  Residual = as.numeric(test_custom$residuals)
)

# 2. رسم مخطط البواقي مع حدود الدلالة
ggplot(res_data, aes(x = Category, y = Residual, fill = Residual > 0)) +
  geom_bar(stat = "identity", width = 0.6, show.legend = FALSE) +
  geom_hline(yintercept = c(-2, 2), linetype = "dashed", color = "red", size = 0.8) +
  geom_hline(yintercept = 0, linetype = "solid", color = "black") +
  scale_fill_manual(values = c("TRUE" = "#27ae60", "FALSE" = "#c0392b")) +
  labs(title = "البواقي المعيارية لأنماط التعلق (Pearson Residuals)",
       subtitle = "الخطوط المتقطعة تمثل حدود الدلالة الإحصائية عند Z = ±2",
       x = "الفئة", y = "قيمة الباقي المعياري (Z-Score)") +
  theme_minimal()

تتيح هذه المعاينة البصرية تمييز الانحرافات الموجبة الخضراء (التي تمثل زيادة في السلوك الملاحظ عن المتوقع) والانحرافات السالبة الحمراء (التي تمثل نقصاناً عن التوقع)، والتحقق مما إذا كانت الأعمدة تتجاوز الخطوط الحمراء الحرجة.

8.3 تخصيص المخططات البيانية للنشر الأكاديمي وفق معايير APA

تشترط المجلات العلمية المحكمة المنضوية تحت معايير جمعية علم النفس الأمريكية (APA Style) مواصفات صارمة في جودة وتنسيق الرسوم البيانية؛ ومن أبرز هذه الشروط خلو الخلفية من الشبكات المربكة (Gridlines)، واستخدام خطوط واضحة متناسقة الحجم، والاعتماد على تباينات لونية تتيح وضوح الرسم حتى عند طباعته بالأبيض والأسود (Grayscale Compatibility).

لتطبيق هذه المعايير داخل بيئة ggplot2، يُنصح بتطبيق الثيم الكلاسيكي theme_classic() مع تعديل عناصر الخطوط والمحاور وتحديد الدقة النقطية للتصدير:

# تطبيق نمط APA المتوافق مع شروط النشر وتصدير الصورة
apa_plot <- ggplot(plot_data, aes(x = Category, y = Count, fill = Type)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7, color = "black") +
  scale_fill_grey(start = 0.2, end = 0.8) +
  labs(x = "Attachment Style", y = "Frequency (Count)", fill = "Distribution") +
  theme_classic(base_size = 12, base_family = "sans") +
  theme(
    legend.position = "top",
    axis.text = element_text(color = "black"),
    axis.title = element_text(face = "bold")
  )

# تصدير الشكل بدقة 300 DPI بصيغة TIFF أو PNG
ggsave("Figure1_APA.png", plot = apa_plot, width = 6.5, height = 4.5, dpi = 300)

يضمن هذا الأسلوب البرمجي إنتاج أشكال بيانية جاهزة للدمج المباشر في المخطوطات والرسائل العلمية دون الحاجة إلى معالجة رسومية إضافية.

9. معالجة الانتهاكات والتحديات: العينات الصغيرة وتصحيح ييتس والمحاكاة

9.1 التعامل مع التكرارات المتوقعة المنخفضة (أقل من 5)

تعتبر مشكلة انخفاض التكرارات المتوقعة (Expected Frequencies < 5) من أكثر التحديات شيوعاً في التطبيقات النفسية والمسحية التي تتعامل مع ظواهر نادرة الحدوث أو مع عينات بحثية إكلينيكية صغيرة يصعب توسيعها. عند تنفيذ الاختبار في R في ظل وجود خلايا متوقعة تقل عن 5، يطلق محرك R تحذيراً صريحاً في وحدة التحكم نصه:

Warning message: In chisq.test(...) : Chi-squared approximation may be incorrect

ينبه هذا التحذير الباحث إلى أن التوزيع النظري التقريبي لمربع كاي قد فقد دقته، وأن القيمة الاحتمالية المحسوبة قد تكون مضللة. في هذه الحالة، تتضمن الخيارات المنهجية للباحث إما إعادة تقييم التصميم عبر دمج فئتين صغيرتين متجانستين من الناحية المفاهيمية (Collapsing categories) لتكوين فئة واحدة ذات تكرار متوقع كافٍ، أو الامتناع عن استخدام التقريب الكلاسيكي والتحول المباشر نحو الاختبارات القائمة على أساليب المحاكاة أو الاختبارات الدقيقة.

9.2 استخدام محاكاة مونت كارلو (Monte Carlo Simulation in chisq.test)

توفر دالة chisq.test() في R حلاً برمجياً فائق المرونة للتعامل مع العينات الصغيرة دون الحاجة لدمج الفئات أو التضحية بالبنية التصنيفية الأصلية للبيانات، وذلك من خلال تفعيل خوارزمية محاكاة مونت كارلو (Monte Carlo Simulation) لحساب القيمة الاحتمالية التجريبية الدقيقة بدلاً من الاعتماد على الدالة التقريبية الرياضية.

يتم تفعيل هذا الخيار عبر تمرير المعلمة المنطقية simulate.p.value = TRUE وتحديد عدد التكرارات التجريبية عبر المعلمة B (ويُفضل تعيينها عند 2000 أو 10000 تكرار لضمان دقة بالغة). يقوم البرنامج بتوليد آلاف الجداول العشوائية الوهمية المشتقة من نفس المجتمع الافتراضي وحساب توزيع تجريبي فعلي لإحصائية كاي ومقارنة القيمة المحسوبة بها. يتم تنفيذ ذلك برمجياً كالتالي:

# تنفيذ اختبار مربع كاي باستخدام محاكاة مونت كارلو لـ 10,000 تكرار
set.seed(42) # لتثبيت النتائج وإمكانية إعادة توليدها
sim_test <- chisq.test(x = small_sample_counts, p = expected_p, simulate.p.value = TRUE, B = 10000)
print(sim_test)

تضمن هذه المقاربة الحصول على قيمة (p-value) دقيقة وموثوقة أكاديمياً تتجاوز تماماً إشكالية العينات الصغيرة وتحمي الباحث من خطأ النوع الأول.

9.3 البدائل اللامعلمية واختبارات المطابقة التامة (Exact Tests)

في الحالات الخاصة التي تتضمن متغيرات تصنيفية ثنائية التفرع فقط (k = 2) مع صغر بالغ في حجم العينة، يُعد البديل المعياري الأفضل هو استخدام اختبار ذات الحدين الدقيق (Exact Binomial Test) عبر دالة binom.test() المدمجة في Base R، والتي تحسب الاحتمال التراكمي الفعلي المباشر لتوزيع ذات الحدين بدقة حسابية مطلقة.

أما في الحالات التي تضم أكثر من مستويين تصنيفيين (k > 2) مع رغبة الباحث في الحصول على اختبار احتمالي تام غير تقريبي (Multinomial Exact Test)، يمكن استخدام حزم متخصصة مثل حزمة XNomial أو حزمة EMT عبر دالة multinomial.test(). تقوم هذه الدوال بحساب كافة التباديل والتوافيق الممكنة لتوزيع العينة، مما يوفر النتيجة الرياضية الصارمة لجودة المطابقة وتجاوز قيود فرضيات التقريب الحجمي للعينات.

10. تطبيقات نفسية وسلوكية متقدمة لاختبار جودة المطابقة

10.1 فحص مطابقة الأنماط الشخصية لتوزيعات المجتمع المعيارية

تُعد دراسة مطابقة الأنماط الشخصية من أبرز التطبيقات في علم النفس الإكلينيكي والسيكومتري؛ حيث يرغب الباحث في معرفة ما إذا كان توزيع أنماط الشخصية (مثل تصنيفات نموذج العوامل الخمسة: الانبساطية، العصابية، الانفتاح، المقبولية، يقظة الضمير) لدى نزلاء المؤسسات الإصلاحية يتبع نفس التوزيع المعياري المقنن في المجتمع المدني العام (والذي قد يفترض نسباً متساوية أو معيارية محددة).

يقوم الباحث بتطبيق مقياس الشخصية، وحساب تكرار كل نمط في العينة الإكلينيكية، ثم إدخال المتجهات في R وتنفيذ الاختبار. إذا كشفت النتائج عن دلالة إحصائية وارتفاع كبير في الباقي المعياري لنمط “العصابية” وانخفاض في نمط “المقبولية”، فإن هذا يقود الفريق العلاجي إلى استنتاجات تشخيصية فارقة تسهم في بناء برامج التأهيل المعرفي السلوكي الموجهة وفقاً للخلل النمطي المكتشف إحصائياً.

10.2 دراسة تفضيل الخيارات السلوكية في التجارب النفسية المعملية

في أبحاث علم النفس المعرفي وصناعة القرار (Judgment and Decision Making)، يُخضع المجربون المشاركين لمواقف محاكاة معقدة لتقييم خياراتهم تحت ظروف المخاطرة أو الضغط الزمني. يتم تقديم أربعة مسارات علاجية أو خيارات استثمارية متكافئة رياضياً، وتختبر الفرضية الصفرية ما إذا كان المشاركون يختارون البدائل بشكل متكافئ عشوائي (p = 0.25 لكل مسار).

من خلال إجراء اختبار مربع كاي لجودة المطابقة في R على بيانات الاستجابات اللحظية، يمكن إثبات وجود تحيزات معرفية منظمة (Systematic Cognitive Biases) توجه سلوك الأفراد نحو مسار محدد دون غيره. يتيح فحص البواقي وتصويرها بيانياً للمجرب عزل الخيار السلوكي الأكثر جذباً وتفسيره في ضوء نظريات تجنب الخسارة أو النفور من المخاطرة.

10.3 تقييم توازن الاستجابات على مقاييس ليكرت والاستبيانات النفسية

يواجه مصممو المقاييس النفسية والاستبيانات السلوكية مشكلات تتعلق بجودة الفقرات وظاهرة تحيز الاستجابة؛ مثل ظاهرة الميل نحو النزعة المركزية (Central Tendency Bias) باختيار خيار “محايد” دائماً، أو تحيز الاستحسان الاجتماعي (Social Desirability) باختيار “أوافق بشدة”.

يمكن استخدام اختبار جودة المطابقة في R لفحص التوزيع التكراري للاستجابات على فقرة معينة عبر درجات مقياس ليكرت الخماسي (1 إلى 5) ومقارنته بتوزيع نظري مستهدف (سواء كان توزيعاً متجانساً متساوياً أو نموذجاً جرسياً يشبه التوزيع الطبيعي الفئوي). يكشف هذا التحليل السيكومتري عن الفقرات الرديئة أو الغامضة التي تجذب استجابات متكدسة وغير متوازنة، مما يستوجب إعادة صياغتها أو حذفها أثناء مراحل تقنين وتطوير المقاييس النفسية.

11. كتابة التقرير النهائي للنتائج وتوثيقه وفق أسلوب APA

11.1 صياغة نص النتائج بلغة أكاديمية رصينة (APA 7th Edition)

يتطلب التوثيق الأكاديمي للنتائج الإحصائية وفق الدليل الإرشادي السابع لجمعية علم النفس الأمريكية (APA 7th Edition) دقة متناهية وإدراج كافة المؤشرات الرقمية بصيغة موحدة تشمل: الرمز الإغريقي لإحصائية كاي (Χ²)، درجات الحرية (df)، حجم العينة الإجمالي (N)، القيمة المحسوبة، القيمة الاحتمالية الدقيقة (p-value)، ومؤشر حجم الأثر (معامل كوهين w)، مع بيان اتجاه الفروق بدلالة التكرارات والنسب المئوية الملاحظة.

فيما يلي نماذج لصياغة التقرير الأكاديمي بحسب نتيجة الاختبار:

• نموذج التقرير في حال رفض الفرضية الصفرية (وجود فروق دالة):
  “أُجري اختبار مربع كاي لجودة المطابقة لفحص ما إذا كانت أنماط التعلق العاطفي لدى مراجعي الإرشاد الزواجي تتطابق مع النسب المعيارية في المجتمع العام. أظهرت النتائج وجود اختلاف دال إحصائياً بين التوزيع الملاحظ والتوزيع النظري المفترض، Χ²(3, N = 400) = 45.00, p < .001, Cohen’s w = 0.335. وقد كشف تحليل البواقي المعيارية (Pearson Residuals) عن انخفاض جوهري دال في تكرار نمط التعلق الآمن (الملاحظ = 140، المتوقع = 200، z = -4.24) يقابله ارتفاع دال في تكرار نمط التعلق القلق (الملاحظ = 120، المتوقع = 80، z = +4.47)، مما يشير إلى أثر متوسط الحجم لانحراف العينة الإكلينيكية عن المعايير المجتمعية.”
• نموذج التقرير في حال قبول الفرضية الصفرية (عدم وجود فروق دالة):
  “أشارت نتائج اختبار مربع كاي لجودة المطابقة إلى عدم وجود فروق ذات دلالة إحصائية بين التوزيع الملاحظ لاستجابات المشاركين والتوزيع المتساوي المفترض عبر الفئات الأربع، Χ²(3, N = 120) = 2.40, p = .494, Cohen’s w = 0.141. تدل هذه النتيجة على أن اختيارات المفحوصين تتبع نموذج التكافؤ الاحتمالي العشوائي وتتوافق معه بدرجة مقبولة.”

11.2 إعداد الجداول الإحصائية المرافقة للتقرير

يُفضل في البحوث الكمية تدعيم النص التحليلي بجداول إحصائية ملخصة توضح التوزيع الفئوي الشامل وتسهل على القارئ استيعاب الأرقام. يجب أن يتضمن الجدول التكرارات الملاحظة، والنسب النظرية، والتكرارات المتوقعة، والبواقي المعيارية، ومستوى دلالة كل خلية وفق تنسيق حدود APA الأفقية (بدون خطوط رأسية).

يمكن توليد هذه الجداول برمجياً وبشكل أنيق من داخل R باستخدام حزمتي knitr و kableExtra عبر الكود التالي:

library(knitr)
library(kableExtra)

# إنشاء إطار جدول النتائج المنسق
apa_table_df <- data.frame(
  Category = names(test_custom$observed),
  Observed = as.numeric(test_custom$observed),
  Expected_Prob = expected_probs,
  Expected_Count = round(as.numeric(test_custom$expected), 2),
  Residual_Z = round(as.numeric(test_custom$residuals), 2)
)

# توليد الجدول وفق نمط APA
kable(apa_table_df, format = "html", col.names = c("الفئة", "التكرار الملاحظ (O)", "النسبة المتوقعة (p)", "التكرار المتوقع (E)", "الباقي المعياري (Z)"), align = "c", caption = "جدول 1: نتائج اختبار مربع كاي لجودة المطابقة لأنماط التعلق") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

يوفر هذا الكود إخراجاً جدولياً احترافياً متوافقاً مع أرقى معايير التقارير العلمية والنشر الرقمي.

11.3 تجنب الأخطاء الشائعة في كتابة وتفسير نتائج مربع كاي

يقع بعض الباحثين المبتدئين في مجموعة من المغالطات المنهجية والإحصائية عند تطبيق اختبار جودة المطابقة أو كتابة تقاريره؛ ومن أبرز هذه الأخطاء التي يجب تجنبها تماماً:

• الخلط بين التكرارات والنسب المئوية: إدخال النسب المئوية (مثل 35%، 65%) مباشرة في دالة الاختبار في R بدلاً من التكرارات العددية الخام، مما يؤدي إلى تشويه حجم العينة واحتساب درجات حرية وقيم احتمالية باطلة.
• ادعاء العلاقات السببية (Causality): القفز إلى استنتاجات سببية تفيد بأن متغيراً تسبب في حدوث الآخر؛ حيث إن اختبار جودة المطابقة يثبت فقط وجود توافق أو اختلاف تكراري مع النموذج ولا يملك أي قدرة على تفسير العلية أو الآليات السببية الكامنة.
• إغفال الإبلاغ عن حجم الأثر: الاكتفاء بكتابة القيمة الاحتمالية وحدها (p-value)؛ مما يحرم القارئ من تقدير القوة العملية للنتيجة ويفقد التقرير توافقه مع متطلبات APA 7th.
• تجاهل تحليل البواقي المعيارية: التوقف عند إعلان رفض الفرضية الصفرية بشكل عام دون فحص وتحديد الخلايا الفردية المسؤولة عن هذا الرفض ومصدر الخلل الإحصائي.

12. نصائح برمجية متقدمة وحزم إضافية لتسهيل التحليل في R

12.1 أتمتة اختبارات جودة المطابقة لمتغيرات متعددة عبر dplyr و purrr

في المسوح النفسية الواسعة والبيانات الضخمة (Big Data) التي تحتوي على عشرات الأسئلة التصنيفية، يصبح تنفيذ الاختبار يدوياً لكل متغير أمراً غير عملي ويستهلك وقتاً طويلاً. توفر منظومة tidyverse وحزمة purrr أدوات برمجية متقدمة لأتمتة الاختبار وتطبيقه على أعمدة متعددة دفعة واحدة واستخراج النتائج في جداول منظمة.

يوضح المثال البرمجي التالي كيفية بناء دالة مخصصة وتطبيقها على مجموعة أعمدة باستخدام دالة map():

library(tidyverse)

# إنشاء إطار بيانات استطلاعي يضم 3 متغيرات سلوكية
survey_data <- data.frame(
  Item1 = sample(c("Agree", "Neutral", "Disagree"), 200, replace = TRUE, prob = c(0.5, 0.3, 0.2)),
  Item2 = sample(c("Yes", "No"), 200, replace = TRUE, prob = c(0.6, 0.4)),
  Item3 = sample(c("Low", "Med", "High"), 200, replace = TRUE, prob = c(0.33, 0.33, 0.34))
)

# تطبيق اختبار جودة المطابقة (بافتراض التساوي) على كافة الأعمدة دفعة واحدة
batch_results <- survey_data %>%
  map(~ table(.x)) %>%
  map(~ chisq.test(.x)) %>%
  map_df(~ data.frame(
    Statistic = round(.x$statistic, 3),
    df = .x$parameter,
    p_value = round(.x$p.value, 4)
  ), .id = "Variable")

print(batch_results)

تسمح هذه الأتمتة للباحث باختزال ساعات من العمل اليدوي في أسطر برمجية أنيقة قابلة لإعادة الاستخدام والتطوير عبر مشاريع بحثية متعددة.

12.2 استخدام حزم rstatix و vcd للتقارير الشاملة

بالإضافة إلى دوال Base R، توفر الحزم الإحصائية التخصصية الحديثة خيارات تحليلية وتصويرية متقدمة للغاية تخدم الباحثين:

• حزمة rstatix: تقدم دالة chisq_test() التي تتميز بتوافقها المطلق مع خطوط أنابيب Tidyverse (Pipes: %>%)، وتُرجع النتائج مباشرة في هيئة جداول من نوع tibble منسقة ومعدة للمرور الفوري لدوال استخراج التقارير وتحديد مستويات النجوم الدلالية (Significance Stars).
• حزمة vcd (Visualizing Categorical Data): تُعد المرجع الأول للتصوير البياني المتقدم للبيانات الفئوية والتكرارية عبر دالة mosaic()، حيث تتيح رسم مخططات الفسيفساء (Mosaic Plots) ثلاثية ورباعية الأبعاد التي تدمج التكرارات النسبية والبواقي المعيارية في تمثيل بصري فسيفسائي موحد ومبهر.

يمكن استثمار هذه الحزم بسهولة عند كتابة أوراق بحثية داخل بيئات التوثيق الديناميكي الحديثة مثل R Markdown و Quarto لإنتاج وثائق أكاديمية تتحدث نتائجها تلقائياً عند تحديث البيانات.

12.3 ملخص شامل وأفضل الممارسات الإحصائية والبرمجية

لضمان أعلى درجات الرصانة والموثوقية العلمية عند تطبيق اختبار مربع كاي لجودة المطابقة في R، يوصى بالالتزام بقائمة التحقق الإجرائية (Checklist) التالية:

• التحقق الأولي من طبيعة البيانات: التأكد من أن المتغير تصنيفي أحادي البعد، وأن القيم المدخلة تمثل تكرارات عددية خام حصرية مستقلة.
• فحص كفاية العينة: التأكد من استيفاء قاعدة كوكران (Ei ≥ 5 في 80% من الخلايا، ولا توجد خلية بأقل من 1). في حال الانتهاك، يتم التحول الفوري لمحاكاة مونت كارلو (simulate.p.value = TRUE) أو الاختبارات التامة.
• التحقق من الفرضية والنماذج: في حال اختبار توزيعات غير متساوية، يجب مراجعة متجه الاحتمالات بدقة والتأكد برمجياً من أن sum(p) == 1.
• التحليل التشخيصي الشامل: عدم الاكتفاء بالقيمة الاحتمالية العامة؛ بل يجب استخراج وفحص البواقي المعيارية (residuals) لحصر مصدر الفروق الفئوية.
• حساب حجم الأثر وتوثيق APA: إقران قيمة الدلالة بمعامل كوهين w، وتقديم تقرير نصي وجدولي ورسم بياني مكتمل الأركان وفق معايير APA 7th Edition.

خاتمة

يمثل اختبار مربع كاي لجودة المطابقة (Chi-Square Goodness of Fit Test) أحد أهم الأدوات الإحصائية الاستدلالية التي تمكّن الباحثين في العلوم النفسية، والسلوكية، والاجتماعية من سد الفجوة المنهجية بين النماذج النظرية المفترضة والواقع التجريبي الميداني. تتيح بيئة البرمجة الإحصائية R إمكانيات تحليلية فائقة لتنفيذ هذا الاختبار بدءاً من أبسط الفروض وصولاً إلى أكثر النماذج تعقيداً، مع توفير خيارات علاجية متقدمة للتعامل مع العينات الصغيرة وتصوير النتائج بأسلوب أكاديمي احترافي. إن الإلمام العميق بالاشتراطات الإحصائية، وطرق قراءة المخرجات وتفكيك البواقي المعيارية، وحساب أحجام الأثر، وتوثيق النتائج وفق المعايير الأكاديمية الرصينة، يُعد شرطاً أساسياً لضمان مصداقية الأبحاث العلمية وقابليتها للتكرار والنشر في أرقى الدوريات المتخصصة.

المراجع (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 Χ² 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., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications.
• Friendly, M., & Meyer, D. (2016). Discrete data analysis with R: Visualization and modeling techniques for categorical and count data. Chapman and Hall/CRC. https://doi.org/10.1201/b19280
• Kassambara, A. (2023). rstatix: Pipe-friendly framework for basic statistical tests (R package version 0.7.2). Comprehensive R Archive Network (CRAN). https://cran.r-project.org/package=rstatix
• 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. Philosophical Magazine Series 5, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., … Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), Article 1686. https://doi.org/10.21105/joss.01686