كيفية إجراء اختبار مربع كاي لجودة المطابقة في برنامج ستاتا

تُعد النمذجة الإحصائية وتحليل البيانات الفئوية (Categorical Data Analysis) من الركائز الأساسية في منهجية البحث العلمي المعاصر، لا سيما في ميادين العلوم السلوكية والنفسية والاجتماعية والوبائية. وفي سياق اختبار الفرضيات المتعلقة بالمتغيرات الاسمية والترتيبية، يبرز اختبار جودة المطابقة (Goodness of Fit Test) كأداة استدلالية حاسمة تتيح للباحثين التحقق من مدى توافق التوزيعات التكرارية المشاهدة تجريبياً مع التوزيعات النظرية المتوقعة المستندة إلى أسس نظرية مسبقة أو معايير سكانية معيارية محددة. يتيح هذا الإجراء الإحصائي اللامعلمي تقييم دقة الفرضيات الصفرية حول بنية المجتمع الإحصائي وفحص تماثل الاستجابات أو تباينها وفق أطر احتمالية دقيقة.

يقدم برنامج التحليل الإحصائي المتقدم ستاتا (Stata) بيئة برمجية وحسابية متكاملة لتطبيق اختبار مربع كاي لجودة المطابقة بكفاءة متناهية، متيحاً للباحث التعامل مع البيانات الفردية الخام (Microdata) أو البيانات المجدولة مسبقاً (Aggregated Data). وبالرغم من أن البنية الأساسية للبرنامج تركز بصورة مباشرة على اختبارات الاستقلالية وجداول الاقتران الثنائية عبر الأوامر الافتراضية، فإن مرونة لغة الأوامر في ستاتا وقدرتها على استيعاب الحزم الخارجية المتقدمة مثل csgof وchitest، فضلاً عن البيئة المصفوفية Mata، توفر للباحث إمكانات تحليلية شاملة تتجاوز مجرد حساب قيمة الاختبار لتصل إلى فحص البواقي المعيارية وتقدير حجوم التأثير وتوليد الرسوم البيانية التوضيحية عالية الجودة للنشر الأكاديمي.

يهدف هذا الدليل الشامل والمفصل إلى تقديم مرجع إحصائي وبرمجي متكامل لكيفية تنفيذ وفهم وتفسير اختبار مربع كاي لجودة المطابقة باستخدام برنامج ستاتا. سنتناول بالتفصيل المعالجة النظرية والرياضية للاختبار، وشروط تطبيقه ومحدداته الإحصائية، وخطوات تهيئة البيانات والبيئة البرمجية، بالإضافة إلى التطبيقات العملية المفصلة، وتحليل البواقي، وأساليب توثيق النتائج وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition) لضمان تقديم بحث علمي رصين ومحكم إحصائياً ومنهجياً.

1. مفهوم اختبار مربع كاي لجودة المطابقة وأهميته المنهجية

1.1 التعريف النظري لاختبار جودة المطابقة

يُعرَّف اختبار مربع كاي لجودة المطابقة (Chi-Square Goodness of Fit Test)، الذي طوره عالم الإحصاء البريطاني الشهير كارل بيرسون في مطلع القرن العشرين، بأنه اختبار إحصائي استدلالي لا معلمي (Non-parametric Test) يُستخدم لتحديد ما إذا كانت عينة مفردة من المتغيرات الفئوية (Categorical Variables) تنحدر من مجتمع يتطابق مع توزيع نظري مفترض مسبقاً. يقوم الاختبار بمقارنة التكرارات المشاهدة فعلياً (Observed Frequencies) في كل فئة من فئات المتغير بتكرارات متوقعة نظرياً (Expected Frequencies) يتم اشتقاقها بناءً على نموذج احتمالي مقترح، سواء كان هذا النموذج يفترض تساوياً تاماً بين الفئات (Equal Probabilities) أو يحدد نسباً معينة مستمدة من دراسات سابقة أو أطر نظرية مستقرة.

تتمحور الفرضية الصفرية ($H_0$) في هذا الاختبار حول التأكيد على أن التوزيع المشاهد للبيانات يتطابق تماماً مع التوزيع النظري المقترح، أي أن الفروق الملاحظة بين التكرارات المشاهدة والتكرارات المتوقعة ليست سوى تباينات عشوائية ناتجة عن أخطاء المعاينة (Sampling Error). في المقابل، تنص الفرضية البديلة ($H_1$) على أن التوزيع المشاهد يختلف اختلافاً جوهرياً عن التوزيع النظري المحدد، مما يعني أن النموذج النظري المفترض يفشل في تفسير بنية البيانات الميدانية، ويتطلب الأمر رفض التطابق والبحث عن تفسيرات سياقية أو تعديل النموذج النظري المعتمد في الدراسة.

من الأهمية بمكان التمييز المنهجي الدقيق بين اختبار جودة المطابقة (Goodness of Fit) واختبار الاستقلالية لمربع كاي (Chi-Square Test of Independence). فبينما يطبق اختبار جودة المطابقة على متغير فئوي أحادي البعد (Univariate Categorical Variable) لتقييم مدى تطابق فئاته مع توزيع احتمالي محدد سلفاً، يختص اختبار الاستقلالية بدراسة العلاقة والارتباط المشترك بين متغيرين فئويين أو أكثر في جدول اقتران مزدوج (Bivariate Contingency Table) لتحديد ما إذا كان توزيع أحد المتغيرين يعتمد على المتغير الآخر. هذا الفارق البنيوي يحدد صيغة الفرضيات، ودرجات الحرية، وطبيعة المدخلات البرمجية داخل بيئة ستاتا.

1.2 الأهمية الإحصائية للاختبار في تحليل البيانات النفسية

يكتسب اختبار جودة المطابقة أهمية منهجية بالغة في حقول القياس النفسي والعلوم السلوكية، حيث تتطلب العديد من التصاميم التجريبية والوصفية التأكد من أن العينات المدروسة تمثل المجتمع المستهدف تمثيلاً دقيقاً وفق معايير ديموغرافية وسكانية مقننة. فعلى سبيل المثال، عند بناء وتقنين مقياس نفسي، يلجأ الباحث إلى مقارنة التوزيع التكراري لفئات عينة التقنين (من حيث النوع الاجتماعي، المستوى التعليمي، أو التوزيع الجغرافي) مع النسب السكانية الرسمية المنشورة في الإحصاءات العامة للتحقق من انتفاء التحيز في المعاينة وضمان الصدق الخارجي لأدوات القياس.

علاوة على ذلك، يبرز دور الاختبار في فحص التوزيع التكراري لاستجابات الأفراد على بنود الاستبيانات والمقاييس السيكومترية. ففي كثير من الأحيان، يسعى الباحث إلى استكشاف ما إذا كانت استجابات المفحوصين على مقاييس ليكرت (Likert Scales) تتوزع بالتساوي بين بدائل الإجابة، أو إذا ما كان هناك ميل نسقي نحو خيارات معينة مثل الحياد أو التطرف في الإجابة. إن تطبيق اختبار جودة المطابقة في هذا السياق يوفر دليلاً كمياً حول وجود ظاهرة التمركز (Central Tendency Bias) أو الاستجابة الإيجابية المطلقة (Acquiescence Bias)، وهو ما يساعد في تحسين الصياغة البنائية للفقرات وضبط كفاءتها التمييزية.

يمتد الاستخدام المنهجي للاختبار أيضاً إلى دعم البناء العاملي واختبار الفرضيات النظرية في النمذجة السلوكية، حيث يمكن للباحث مقارنة نماذج الاختيار السلوكي الملاحظة مع افتراضات النظريات المعرفية والسلوكية التي تتنبأ بنسب محددة لتفضيل بدائل معينة. ومن خلال هذا التحليل، يمكن رفض أو تأييد النماذج السلوكية المفترضة استناداً إلى معايير إحصائية دقيقة تكشف مدى ملاءمة النموذج النظري للبيانات الواقعية المستخلصة من التجارب المعملية والميدانية في علم النفس المعرفي والاجتماعي.

2. الأسس الرياضية والمعادلات الحسابية للاختبار

2.1 صيغة حساب إحصاء مربع كاي

يقوم البناء الرياضي لاختبار بيرسون لمربع كاي على قياس المسافة الإحصائية والانحراف بين ما تمت ملاحظته ميدانياً وما كان متوقعاً حدوثه نظرياً. تُعطى الصيغة الرياضية الكلاسيكية لإحصاء مربع كاي المحسوب ($\chi^2$) بالمعادلة التالية:

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

حيث يمثل $k$ العدد الإجمالي للفئات المستقلة المكونة للمتغير الفئوي، في حين يرمز $O_i$ إلى التكرار المشاهد الفعلي (Observed Frequency) في الفئة رقم $i$، بينما يمثل$E_i$ التكرار النظري المتوقع (Expected Frequency) في الفئة ذاتها. تعتمد الآلية الحسابية على تربيع الفروق الفردية $(O_i – E_i)$ للتخلص من الإشارات السالبة، وضمان أن جميع الانحرافات تسهم بشكل إيجابي في القيمة الإجمالية للإحصاء، ثم قسمة كل مربع فرق على التكرار المتوقع الخاص بالفئة لتوزين الانحراف قياساً لحجم الفئة النسبي.

يتم اشتقاق التكرارات المتوقعة ($E_i$) رياضياً بضرب الحجم الإجمالي للعينة ($N$) في النسبة الاحتمالية النظرية المفترضة لتلك الفئة ($p_i$) وفقاً للمعادلة:

$$E_i = N \times p_i$$

مع اشتراط أساسي بأن يكون مجموع الاحتمالات النظرية مساوياً للواحد الصحيح ($\sum p_i = 1$)، ومجموع التكرارات المتوقعة مساوياً تماماً لمجموع التكرارات المشاهدة ($\sum E_i = \sum O_i = N$). أما درجات الحرية ($df$) المرتبطة بهذا الاختبار، فتُحسب ببساطة استناداً إلى عدد الفئات المستقلة مطروحاً منها قيد خطي واحد ناجم عن ثبات حجم العينة الإجمالي، وذلك وفق الصيغة:

$$df = k – 1$$

2.2 مستوى الدلالة وحجم التأثير

بعد حساب القيمة العددية لإحصاء $\chi^2$ وتحديد درجات الحرية ($df$)، يتم اللجوء إلى دالة التوزيع الاحتمالي التراكمي لمربع كاي لتحديد مستوى الدلالة الإحصائية المقابل، والمعروف بقيمة الاحتمال ($p\text{-value}$). تمثل هذه القيمة احتمالية الحصول بالصدفة على قيمة $\chi^2$ تساوي أو تفوق القيمة المحسوبة في حال كانت الفرضية الصفرية صحيحة تماماً. إذا كانت قيمة $p$ المحسوبة أصغر من مستوى الدلالة المعنوية المحدد مسبقاً (وعادة ما يُعتمد $\alpha = 0.05$ في البحوث النفسية والتربوية)، يتم اتخاذ القرار الإحصائي برفض الفرضية الصفرية والاستنتاج بأن التوزيع المشاهد يختلف بدلالة إحصائية عن التوزيع المتوقع.

ومع ذلك، فإن الاعتماد المنفرد على مستوى الدلالة الإحصائية يعاني من إشكالية جوهرية تتمثل في الحساسية المفرطة لحجم العينة ($N$)؛ إذ إن العينات الضخمة تميل دائماً إلى إظهار دلالة إحصائية حتى في ظل وجود فروق طفيفة للغاية وغير ذات قيمة تطبيقية بين التكرارات المشاهدة والمتوقعة. لتجاوز هذه القيود، يُوصى بحساب حجم التأثير باستخدام معامل كوهين $w$ (Cohen’s $w$)، الذي يقيس الحجم المجرد للاختلاف بمعزل عن حجم العينة، ويُحسب عبر الصيغة الرياضية الآتية:

$$w = \sqrt{\sum_{i=1}^{k} \frac{(p_{oi} – p_{ei})^2}{p_{ei}}} = \sqrt{\frac{\chi^2}{N}}$$

حيث تمثل $p_{oi}$ النسبة المشاهدة في الفئة، و$p_{ei}$ النسبة المتوقعة نظرياً. وضع جاكوب كوهين (Jacob Cohen) معايير إرشادية لتفسير قيمة $w$ في العلوم السلوكية: فتُعد القيمة $w = 0.10$ أثراً صغيراً (Small Effect)، والقيمة $w = 0.30$ أثراً متوسطاً (Medium Effect)، بينما تُعتبر القيمة $w = 0.50$ فما فوق أثراً كبيراً (Large Effect)، مما يمنح الباحث رؤية واضحة حول الأهمية العملية (Practical Significance) للنتائج الميدانية.

3. الافتراضات الإحصائية وشروط التطبيق في ستاتا

3.1 شروط العينة والتكرارات المتوقعة

لكي تكون نتائج اختبار مربع كاي لجودة المطابقة صالحة وسليمة من الناحية الاستدلالية، يجب أن تستوفي مصفوفة البيانات مجموعة من الافتراضات المنهجية والإحصائية الصارمة. يتمثل الشرط الأول والأكثر أهمية في استقلالية المشاهدات (Independence of Observations)، مما يعني أن كل مفردة أو مشارك في العينة يجب أن ينتمي إلى فئة واحدة فقط دون غيرها (Mutually Exclusive Categories)، ولا يجوز بأي حال من الأحوال إدراج نفس المفحوص في أكثر من فئة أو استخدام قياسات مكررة لنفس الأفراد داخل الاختبار اللامعلمي الكلاسيكي.

أما الشرط الثاني فيتعلق بحجم التكرارات المتوقعة في كل خلية من خلايا التحليل. تنص القاعدة الإحصائية الشائعة والمعتمدة من قبل معظم الإحصائيين على ضرورة ألا يقل التكرار المتوقع ($E_i$) في أي فئة عن 5 مفردات كحد أدنى ($E_i ge 5$)، لضمان تقارب توزيع مربع كاي المتقطع نحو التوزيع الاحتمالي المستمر بنجاح. وفي الحالات التي يشتمل فيها المتغير على عدد كبير من الفئات (أكثر من 4 فئات)، يمكن التساهل بالسماح لنسبة لا تتجاوز 20% من الفئات بامتلاك تكرارات متوقعة تقل عن 5، بشرط ألا يقل التكرار المتوقع في أي خلية إطلاقاً عن 1 مفردة، وألا يقل إجمالي حجم العينة عن 20 إلى 30 مشاركاً كحد أدنى.

كما يُشترط أن تكون طبيعة المتغير قيد التحليل مصنفة كمتغير فئوي (نوعي) سواء كان في صورة متغير اسمي (Nominal) مثل التوزيع الجغرافي أو التخصص الأكاديمي، أو متغيراً ترتيبياً (Ordinal) مثل مقاييس التقدير المتدرجة، شريطة أن يتم التعامل معه على مستوى التكرارات الفردية لكل مستوى مستقل داخل بيئة التحليل في ستاتا.

3.2 إجراءات التعامل مع انتهاك الافتراضات

عند فحص البيانات واكتشاف انتهاك لافتراض التكرارات المتوقعة الدنيا (بسبب قلة حجم العينة أو وجود فئات نادرة التكرار)، يواجه الباحث خطراً حقيقياً يتمثل في تضخيم معدل خطأ النوع الأول (Type I Error) أو انخفاض القوة الإحصائية للاختبار (Statistical Power). في مثل هذه الحالات المنهجية، يتاح للباحث استخدام استراتيجيات علاجية إحصائية متعددة داخل برنامج ستاتا لتصحيح المسار الاستدلالي وضمان موثوقية النتائج.

تتمثل الاستراتيجية الأولى في إعادة دمج الفئات (Collapsing Categories)؛ حيث يتم دمج الفئات المتجاورة منطقياً أو المتشابهة دلالياً في فئة واحدة مجمعة لرفع التكرار الملاحظ والمتوقع في الخلايا المتأثرة. على سبيل المثال، إذا كان الباحث يحلل متغيراً يشتمل على خمسة مستويات من الرضا وكان مستوى “غير راضٍ بشدة” يحوي تكراراً متوقعاً هزيلاً يقل عن 5، فيمكن دمج فئتي “غير راضٍ” و”غير راضٍ بشدة” في فئة واحدة متماسكة تعيد استيفاء الشروط الإحصائية بنجاح دون الإخلال بالمعنى العام للدراسة.

أما الاستراتيجية الثانية، فتتمثل في اللجوء إلى الاختبارات الدقيقة القائمة على المحاكاة التباديلية (Exact Tests / Monte Carlo Simulations) كبديل متقدم لاختبار مربع كاي التقريبي. تتيح هذه الطرق الحسابية توليد التوزيع الدقيق لإحصاء الاختبار عبر سحب آلاف العينات العشوائية التباديلية من البيانات المتاحة، مما يوفر قيمة دلالة ($p\text{-value}$) دقيقة وغير متحيزة حتى في ظل أحجام العينات المتناهية في الصغر، وهو خيار متوفر بكفاءة عالية في دوال ستاتا المتقدمة.

4. تجهيز بيئة العمل وإعداد مجموعة البيانات في برنامج ستاتا

4.1 تحميل البيانات واستعراض البنية الأساسية

لبدء التطبيق العملي على برنامج ستاتا، سنعتمد على واحدة من قواعد البيانات القياسية المدمجة داخل بيئة البرنامج وهي قاعدة بيانات المسح الوطني الطولي للنساء للعام 1988 (National Longitudinal Survey of Young Women, 1988)، والمخزنة تحت المسمى nlsw88. تحتوي هذه المجموعة على بيانات واقعية وشاملة تمس متغيرات ديموغرافية واقتصادية متعددة. لتحميل مصفوفة البيانات في الذاكرة النشطة للبرنامج، نكتب الأمر المباشر التالي في نافذة الأوامر (Command Window):

sysuse nlsw88, clear

بمجرد تنفيذ هذا الأمر بنجاح، يقوم ستاتا بتحميل 2,246 حالة (ملاحظة) موزعة على مجموعة واسعة من المتغيرات. لفحص واستعراض التركيبة الهيكلية لمصفوفة البيانات والتأكد من أنواع المتغيرات وأسمائها وترميزاتها، نستخدم الأمر:

describe

يركز تطبيقنا العملي في هذا الدليل على متغير العرق المسجل باسم race، والذي يصنف المبحوثات إلى ثلاث فئات رئيسية هي: البيض (White)، السود (Black)، والأعراق الأخرى (Other). لاستعراض البيانات في نافذة محرر البيانات (Data Editor) بطريقة تفاعلية بصرية، يمكن تنفيذ الأمر التالي:

browse race wage age occupation

4.2 التأكد من نظافة وترميز المتغيرات

قبل الشروع في تطبيق أي اختبار استدلالي، تقتضي القواعد المنهجية إجراء فحص تنظيفي للمتغير للتأكد من عدم وجود قيم شاذة، أو أخطاء إدخال، أو بيانات مفقودة (Missing Values) قد تؤدي إلى تشويه حجم العينة الإجمالي أو التأثير على حساب التكرارات المتوقعة. يُعد أمر التجدول البسيط tabulate الأداة الأساسية لاستكشاف التوزيع التكراري الخام:

tabulate race, missing

يوفر هذا الأمر جدولاً تكرارياً شاملاً يعرض التكرار المشاهد لكل فئة والنسب المئوية المقابلة، بالإضافة إلى رصد دقيق لأي حالات مفقودة مرمزة بالرمز النقطي (.) في ستاتا. لنفترض أننا نرغب في فحص التسميات النصية (Value Labels) المرتبطة بالقيم الرقمية المشفرة للمتغير، يمكننا استخدام أمر الاستعراض التفصيلي للترميز:

label list race

يكشف هذا الأمر أن القيمة 1 تقابل فئة “white”، والقيمة 2 تقابل “black”، والقيمة 3 تقابل “other”. إذا تطلب التحليل استبعاد فئة معينة أو إعادة تصنيف البيانات لتتناسب مع فرضية نظرية محددة، يمكن إنشاء متغير جديد باستخدام دالة recode أو generate لضمان الحفاظ على سلامة المتغير الأصلي دون تعديل مباشر في مصفوفة البيانات الخام.

5. تثبيت واستدعاء الحزم المخصصة للاختبار في ستاتا

5.1 البحث عن حزمة csgof وتثبيتها

على الرغم من القوة البرمجية لبرنامج ستاتا، فإن الأوامر المدمجة الأساسية لا تتضمن أمراً مباشراً بسيطاً لتنفيذ اختبار مربع كاي لجودة المطابقة بنقرة واحدة كما هو الحال في اختبارات الاقتران الثنائي. لذلك، طور المجتمع الأكاديمي لمستخدمي ستاتا حزم برمجية مخصصة ومعتمدة، تأتي في مقدمتها حزمة csgof (Chi-Square Goodness of Fit) التي كتبها الإحصائي إشعياء ب. فريزر (Isaiah B. Fraser).

لتثبيت هذه الحزمة المتقدمة داخل ستاتا عبر شبكة الإنترنت من مستودعات Boston College Statistical Software Components (SSC)، نقوم بتنفيذ أمر البحث والتثبيت المباشر الآتي في سطر الأوامر:

ssc install csgof, replace

في حال رغبة الباحث في البحث الشامل عن كافة الحزم المتاحة المرتبطة باختبارات جودة المطابقة وقراءة التوثيق الخاص بها قبل التثبيت، يمكن كتابة الأمر:

findit csgof

بمجرد اكتمال التثبيت بنجاح، يصبح الأمر متاحاً للاستخدام الفوري الدائم داخل ستاتا. وللتحقق من نجاح عملية التثبيت واستعراض خيارات الدالة ومعاملاتها البرمجية والاطلاع على الأمثلة التوضيحية المرفقة من قبل مطور الحزمة، نستعرض ملف المساعدة من خلال تنفيذ:

help csgof

5.2 استعراض حزم بديلة مثل chitest

إلى جانب حزمة csgof، تبرز حزمة إحصائية أخرى واسعة الشهرة والمرونة وهي حزمة chitest المطورة من قبل عالم الإحصاء المرموق نيكولاس كوكس (Nicholas J. Cox). تتميز هذه الحزمة بقدرتها الفائقة على التعامل مع كل من البيانات الخام المخزنة في المتغيرات، أو البيانات المجدولة التلخيصية التي يتم إدخال تكراراتها مباشرة دون الحاجة لتحميل قاعدة بيانات كاملة.

لتثبيت حزمة chitest وملحقاتها (والتي تتضمن أمر chifit أيضاً) من مستودع SSC، ننفذ الأمر التالي:

ssc install chitest, replace

توفر حزمة chitest ميزة برمجية فائقة تتيح إدخال مصفوفات التكرارات المشاهدة والمتوقعة في سطر واحد، مما يجعلها مثالية للتحقق السريع من النتائج المنشورة في الدراسات المقارنة أو أوراق المؤتمرات دون الحاجة لتوليد ملفات بيانات جديدة. للتأكد من استقرار مسارات الحزم المضافة في ستاتا (ADO Paths) وقدرة النظام على استدعائها تلقائياً، يمكن فحص المسار عبر الأمر:

adopath

مما يضمن أن المجلد PLUS المخصص لتخزين إضافات المستخدم يعمل بشكل سليم ومرتبط بالذاكرة الحسابية للبرنامج بصفة دائمة.

6. خطوات تنفيذ اختبار جودة المطابقة عملياً باستخدام ستاتا

6.1 صياغة الأمر الأساسي وتحديد النسب النظرية

بعد إعداد البيانات وتثبيت الحزمة اللازمة، ننتقل إلى التطبيق العملي للاختبار. لنفترض أن لدينا فرضية نظرية مستمدة من التعداد السكاني الوطني تفترض أن التركيبة العرقية للمجتمع المستهدف تتوزع على النحو التالي: 70% من البيض (White)، و20% من السود (Black)، و10% من الأعراق الأخرى (Other). لاختبار ما إذا كانت العينة المتاحة في قاعدة nlsw88 (والتي تضم 2,246 مبحوثة) تتطابق جودتها مع هذا التوزيع الديموغرافي المفترض، نصيغ الأمر باستخدام حزمة csgof وخيار exp() على النحو الآتي:

csgof race, exp(70 20 10)

عند صياغة محدد التوقعات exp()، يجب الانتباه إلى الترتيب التصاعدي لقيم المتغير؛ فالرقم الأول (70) يقابل القيمة المشفرة الأصغر للمتغير (1 = white)، والرقم الثاني (20) يقابل القيمة التالية (2 = black)، والرقم الثالث (10) يقابل الفئة الأخيرة (3 = other). يقبل ستاتا إدخال الأرقام داخل القوسين كنسب مئوية صحيحة (مجموعها 100) أو ككسور عشرية احتمالية (0.70 0.20 0.10) أو حتى كتكرارات عددية مطلقة متوقعة؛ حيث يقوم المحرك الداخلي للبرنامج بإعادة توزين المدخلات تلقائياً لتتطابق مع الحجم الإجمالي الفعلي للعينة.

يُعد تطابق عدد القيم داخل دالة exp() مع العدد الفعلي لفئات المتغير شرطاً صارماً؛ فإذا تم إدخال قيمتين فقط لمتغير ثلاثي الفئات، سيقوم ستاتا بإنهاء المعالجة وإصدار رسالة خطأ صريحة توضح عدم تطابق الأبعاد.

6.2 اختبار فرضية التوزيع المتساوي بين الفئات

في العديد من التجارب المعملية النفسية والتربوية، تنص الفرضية الصفرية الأساسية على التوزيع المتكافئ أو المتساوي تماماً بين جميع الخيارات المتاحة (Equal Distribution / Uniform Probabilities). في مثالنا، قد نفترض افتراضاً صفرياً يرى أن المبحوثات يتوزعن بنسب متساوية تماماً عبر الفئات العرقية الثلاث، أي بنسبة الثلث ($33.33%$) لكل فئة من الفئات.

تتيح حزمة csgof ميزة برمجية ذكية لاختبار هذه الفرضية دون الحاجة لكتابة النسب يدوياً، وذلك بمجرد تنفيذ الأمر وتمرير اسم المتغير مفرداً دون إضافة خيار exp()، كالتالي:

csgof race

عند إغفال محدد التوقعات، يقوم البرنامج تلقائياً بحساب عدد المستويات الفرعية للمتغير المستهدف ($k = 3$)، ثم يقسم التكرار الكلي للعينة بالتساوي على هذا العدد ($E_i = N / k = 2246 / 3 = 748.67$). يمثل هذا الإجراء البرمجي فحصاً دقيقاً لفرضية التوزيع العشوائي المنتظم، وهو مفيد جداً في دراسات تفضيل المنتجات الاستهلاكية أو فحص التخمين العشوائي في الاختبارات التحصيلية والنفسية متعددة الخيارات.

7. قراءة وتفسير المخرجات الإحصائية لبرنامج ستاتا

7.1 تفسير قيم التكرارات المشاهدة والمتوقعة

عند تشغيل الأمر csgof race, exp(70 20 10)، يُخرج برنامج ستاتا جدولاً إحصائياً منظماً يشتمل على عدة أعمدة رئيسية تمثل جوهر المقارنة الاستدلالية. يتضمن العمود الأول قيم الفئات ومسمياتها التوصيفية، متبوعاً بعمود التكرارات المشاهدة الفعلية (Observed Frequencies) الذي يعكس العدد الحقيقي للحالات المرصودة في كل فئة داخل العينة: 1,637 حالة لفئة البيض، 583 حالة لفئة السود، و26 حالة فقط لفئة الأعراق الأخرى، ليصبح المجموع الكلي 2,246 حالة.

أما العمود الثاني، فيعرض التكرارات النظرية المتوقعة (Expected Frequencies) التي تم اشتقاقها بناءً على النسب المحددة في أمر الاختبار ($N \times p_i$). نجد أن البرنامج قد حسب التكرارات المتوقعة على النحو التالي: 1,572.2 لفئة البيض ($2246 times 0.70$)، 449.2 لفئة السود ($2246 times 0.20$)، و224.6 لفئة الأعراق الأخرى ($2246 times 0.10$).

من خلال الموازنة الأولية بين العمودين، يلاحظ الباحث اتجاه الفروق بدقة؛ حيث نجد أن فئة البيض تزيد في الواقع المشاهد عن المتوقع النظري بنحو 64.8 حالة، وفئة السود تزيد بفارق ملحوظ يبلغ 133.8 حالة، بينما تظهر فئة الأعراق الأخرى عجزاً حاداً وانخفاضاً كبيراً جداً عن المتوقع النظري بمقدار 198.6 حالة. هذا التفصيل يمهد لفهم عميق للبنية الداخلية للتفاوت قبل الانتقال للحكم الكلي على الاختبار.

7.2 تفسير قيمة إحصاء كاي ومستوى المعنوية

يظهر أسفل الجدول التلخيصي السطر الإحصائي الاستدلالي الحاسم، والذي يحتوي على قيمة إحصاء مربع كاي الإجمالية، ودرجات الحرية المقابلة، ومستوى الدلالة الإحصائية الدقيق ($p\text{-value}$). يطبع ستاتا النتائج بصيغة قياسية مماثلة للشكل التالي:

Chi2 = 218.15     df = 2     Pr = 0.0000

تُظهر المخرجات أن قيمة مربع كاي المحسوبة بلغت $\chi^2 = 218.15$، وهي قيمة مرتفعة جداً عند درجات حرية $df = k – 1 = 3 – 1 = 2$. وبالنظر إلى مستوى المعنوية المشاهد ($Pr = 0.0000$)، نجد أن قيمة الاحتمال أقل بكثير من المستوى الحرج المعتمد ($\alpha = 0.05$). وبناءً على هذه النتيجة، يتخذ الباحث القرار الإحصائي القاطع بـ رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$).

يعني هذا القرار المنهجي أن التوزيع الديموغرافي للمبحوثات في هذه العينة يختلف اختلافاً جوهرياً وجازماً من الناحية الإحصائية عن التوزيع النظري المقترح (70% بيض، 20% سود، 10% أعراق أخرى)، ولا يمكن عزو هذا التباين الشاسع إلى أخطاء الصدفة أو تقلبات المعاينة العشوائية وحدها، مما يشير إلى وجود خلل في التمثيل أو اختلاف حقيقي في خصائص المجتمع المدروس.

8. تحليل البواقي وفحص مساهمة كل فئة في الدلالة الإحصائية

8.1 حساب وتفسير البواقي المعيارية

إن رفض الفرضية الصفرية في اختبار جودة المطابقة يقدم حكماً كلياً (Omnibus Decision) بوجود تباعد عام بين المشاهد والمتوقع، لكنه يعجز عن تحديد الفئة أو الفئات المحددة التي كانت سبباً رئيساً في توليد هذا التباعد الإحصائي. لسد هذه الثغرة المنهجية، يتعين على الباحث الانتقال إلى إجراء المقارنات البعدية من خلال حساب وتحليل البواقي المعيارية (Standardized Residuals أو Pearson Residuals)، والتي تُعرَّف رياضياً لكل فئة $i$ بالصيغة:

$$R_i = \frac{O_i – E_i}{\sqrt{E_i}}$$

تتبع هذه البواقي المعيارية تقريباً التوزيع الطبيعي المعياري ($Z$-distribution) بمتوسط صفر وانحراف معياري واحد. واستناداً إلى قواعد الاستدلال الإحصائي، تُعد القيمة المتبقية المعيارية دالة إحصائياً عند مستوى ثقة 95% إذا تجاوزت قيمتها المطلقة العتبة الحرجة$pm 1.96$ (والتي تُقرب عادة إلى $\pm 2.0$). فإذا كانت قيمة الباقي المعياري أكبر من $+2.0$، فهذا يعني أن الفئة ممثلة في الواقع بزيادة جوهرية عن المتوقع، أما إذا كانت أقل من $-2.0$، فإن الفئة تعاني من نقص وتمثيل ضعيف بدرجة دالة مقارنة بالنموذج النظري.

بتطبيق المعادلة على نتائجنا:

• فئة البيض (White): $R_1 = \frac{1637 – 1572.2}{\sqrt{1572.2}} = \frac{64.8}{39.65} = +1.63$ (غير دال، حيث تقع ضمن النطاق الطبيعي).
• فئة السود (Black): $R_2 = \frac{583 – 449.2}{\sqrt{449.2}} = \frac{133.8}{21.19} = +6.31$ (دال إحصائياً بزيادة جوهرية كبيرة جداً).
• فئة الأعراق الأخرى (Other): $R_3 = \frac{26 – 224.6}{\sqrt{224.6}} = \frac{-198.6}{14.99} = -13.25$ (دال إحصائياً بنقص حاد وهائل).

يكشف تحليل البواقي المعيارية بدقة متناهية أن السبب الجوهري وراء رفض النموذج النظري يكمن في فئتي السود والأعراق الأخرى؛ حيث تم تمثيل المبحوثات السود بمعدل أعلى بكثير من النسبة النظرية المفترضة، في حين انحسرت فئة الأعراق الأخرى بشكل حاد للغاية عن التقدير النظري.

8.2 التمثيل البياني للفروق التكرارية

يُعد التمثيل البصري للبيانات أداة تكميلية لا غنى عنها في التقارير الإحصائية الحديثة لتعزيز الفهم المباشر للنتائج. يوفر ستاتا محرك رسومي متطور (Graph Engine) يمكن توظيفه لإنشاء مخطط أعمدة مزدوج (Clustered Bar Chart) يقارن جنباً إلى جنب بين التكرارات المشاهدة والمتوقعة لكل فئة. يمكن للباحث توليد متغيرات التكرار ورسمها عبر سلسلة الأوامر البرمجية التالية:

preserve
contract race, freq(observed)
generate expected = .
replace expected = 2246 * 0.70 if race == 1
replace expected = 2246 * 0.20 if race == 2
replace expected = 2246 * 0.10 if race == 3
graph bar (asis) observed expected, over(race, relabel(1 "White" 2 "Black" 3 "Other")) ///
    ytitle("التكرارات العددية") title("مقارنة التكرارات المشاهدة بالمتوقعة لمتغير العرق") ///
    legend(label(1 "المشاهد (Observed)") label(2 "المتوقع (Expected)")) ///
    scheme(s2color)
restore

يتيح هذا الكود البرمجي توليد شكل بياني احترافي يوضح التباين الواضح بين الأعمدة الزرقاء (المشاهدة) والحمراء (المتوقعة)، مما يسهل على القارئ استيعاب حجم الفجوة المكانية بين بيانات العينة والنموذج النظري دون الغوص المعقد في الأرقام الجافة. يمكن بعد ذلك تصدير الرسم البياني بدقة وضوح فائقة (300 DPI) بصيغ متعددة مثل TIFF أو PDF ليتوافق تماماً مع متطلبات النشر في المجلات العلمية المصنفة دولياً.

9. طرق برمجية بديلة لإجراء الاختبار داخل بيئة ستاتا

9.1 استخدام أمر tabulate مع التحويلات الحسابية

بالإضافة إلى استخدام الحزم الخارجية الجاهزة، يمتلك باحث الإحصاء المتقدم في ستاتا القدرة على بناء خوارزمية الاختبار يدوياً باستخدام الأدوات الأساسية والبيئة المصفوفية Mata. تمكن هذه الطريقة الباحث من التحكم الكامل في العمليات الحسابية الوسيطة، واشتقاق مصفوفات التباين والتباين المشترك، وحساب اختبارات دقيقة مخصصة لا توفرها الحزم المبرمجة مسبقاً.

تبدأ هذه العملية باستخراج مصفوفة التكرارات المشاهدة من خلال أمر tabulate وتخزين النتائج في مصفوفة داخلية عبر المعامل matcell:

tabulate race, matcell(O)

يقوم هذا الأمر بتخزين التكرارات المشاهدة في مصفوفة عمودية تُدعى O بحجم $3 times 1$. بعد ذلك، يمكن استدعاء بيئة لغة المصفوفات الرياضية Mata لحساب التكرارات المتوقعة وتطبيق معادلة كاي بدقة عبر كتابة التعليمات الآتية:

mata:
O = st_matrix("O")
N = sum(O)
P = (0.70 0.20 0.10)
E = N :* P
chi2 = sum(((O :- E):^2) :/ E)
df = rows(O) - 1
p_val = chi2tail(df, chi2)
st_numscalar("chi2_calc", chi2)
st_numscalar("p_value", p_val)
printf("Chi-Square = %8.4f, df = %g, p-value = %8.6fn", chi2, df, p_val)
end

تُظهر هذه المعالجة المصفوفية المرونة الاستثنائية لبرنامج ستاتا؛ حيث تتيح للباحث دمج العمليات الرياضية المعقدة في برامجه المخصصة (ADO-files) أو استخدامها في حلقات التكرار (Simulation Loops) لدراسات مونت كارلو واسعة النطاق.

9.2 تطبيق أمر chitest على البيانات المجمعة مسبقاً

في كثير من الحالات البحثية، قد لا يتوفر لدى الباحث ملف البيانات الأصلي الذي يحتوي على السجلات الفردية للمشاركين، بل تتوفر لديه أرقام التكرارات المجمعة الجاهزة المستخلصة من تقرير سنوي أو دراسة سابقة منشورة. في مثل هذه الظروف، يبرز أمر chitest كأداة فائقة الكفاءة لإجراء اختبار جودة المطابقة فورياً دون الحاجة لتوليد متغيرات أو إنشاء مصفوفات بيانات وسيطة.

يتم تنفيذ الأمر عن طريق كتابة التكرارات المشاهدة متبوعة بفاصل مائل (/) ثم كتابة التكرارات أو النسب المتوقعة، كما في التركيب التالي:

chitest 1637 583 26 / 1572.2 449.2 224.6

أو بصيغة النسب الاحتمالية المباشرة:

chitest 1637 583 26 / 0.70 0.20 0.10

يقوم البرنامج في الحال بإجراء الحسابات كاملة وعرض جدول مفصل يحتوي على قيم المشاهد والمتوقع، والبواقي الخام، والبواقي المعيارية الموزونة، وقيمة $\chi^2$ ومستوى الدلالة المعنوية. تمثل هذه الميزة قيمة منهجية مضافة للباحثين والمراجعين الأقران (Peer Reviewers) الراغبين في التحقق الفوري من دقة وموثوقية الحسابات الإحصائية الواردة في الأوراق البحثية قيد التحكيم.

10. تطبيقات اختبار جودة المطابقة في البحوث النفسية والسلوكية

10.1 اختبار اتزان الاستجابات على مقاييس ليكرت

تُعد مقاييس ليكرت الخماسية والسباعية العمود الفقري لأدوات جمع البيانات في البحوث السيكومترية والتربوية. يفترض التصميم القياسي لهذه المقاييس أن بدائل الاستجابة (مثل: أعارض بشدة، أعارض، محايد، أوافق، أوافق بشدة) تمثل متصلاً نفسياً متوازناً. يتيح اختبار جودة المطابقة للباحث فحص ما إذا كانت استجابات المفحوصين على بند معين تتبع توزيعاً متماثلاً حول النقطة المركزية، أو ما إذا كانت تنحرف انحرافاً دالاً نحو أنماط استجابة محددة.

على سبيل المثال، عند اختبار فقرة تقيس “مستوى القلق الوظيفي”، إذا لاحظ الباحث أن التكرارات تتكدس بصورة غير مبررة في خانة “محايد”، يمكنه صياغة فرضية صفرية تفترض التوزيع المنتظم للاستجابات (20% لكل خيار في المقياس الخماسي). إذا أسفر اختبار جودة المطابقة في ستاتا عن دلالة إحصائية ورافقت ذلك بواقي معيارية موجبة ومرتفعة لخانة الحياد، يقدم ذلك مؤشراً سيكومترياً حاسماً على غموض صياغة الفقرة أو تردد أفراد العينة في الإفصاح عن مشاعرهم، مما يستدعي إعادة كتابة الفقرة أو تعديل سلم التدريج المعتمد.

يفيد الاختبار أيضاً في الكشف عن انحياز المرغوبية الاجتماعية (Social Desirability Bias)، حيث تنحرف استجابات الأفراد بصورة كلية نحو خيارات الموافقة المطلقة عند الاستجابة لفقرات ذات حساسية أخلاقية أو اجتماعية، وهو ما يكشفه الاختبار بوضوح عند مقارنة التوزيع المشاهد بنموذج التوزيع الطبيعي المنفصل المتماثل.

10.2 مطابقة العينة الإكلينيكية مع المعايير التشخيصية

في حقل علم النفس الإكلينيكي والطب النفسي، يواجه الباحثون تحدياً مستمراً يتمثل في التحقق من أن العينات السريرية المسحوبة من المستشفيات ومراكز الرعاية النفسية تمثل التوزيع الوبائي المعتمد للاضطرابات النفسية وفق معايير الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5) أو تقارير منظمة الصحة العالمية (WHO).

لنفترض أن دراسة إكلينيكية جمعت عينة مكونة من 500 مريض باضطرابات المزاج، وترغب في فحص ما إذا كانت نسب المرضى المشخصين بالاكتئاب الجسيم (Major Depressive Disorder)، واضطراب ثنائي القطب من النوع الأول (Bipolar I)، واضطراب المزاج الدوري (Cyclothymic Disorder) تتوافق مع النسب الوبائية المعيارية المعروفة في هذا المجتمع الإكلينيكي (مثلاً 60%، 30%، 10% على التوالي). بتطبيق اختبار csgof في ستاتا، يستطيع الفريق البحثي الجزم بما إذا كانت العينة تمثل التوزيع التشخيصي العام بأمانة، أو إذا كان هناك إفراط في تمثيل اضطراب معين، مما يؤثر على إمكانية تعميم نتائج التدخلات العلاجية أو التجارب الدوائية المقترحة.

كما يمتد التطبيق الإكلينيكي ليشمل فحص تمثيل الفئات العمرية والجندرية المصابة باضطرابات معينة، مثل اضطراب فرط الحركة وتشتت الانتباه (ADHD)، للتأكد من مطابقة نسب الذكور إلى الإناث في العينة مع النسب السكانية المعيارية الموثقة علمياً.

11. الأخطاء الشائعة والتحذيرات الإحصائية في ستاتا وكيفية معالجتها

11.1 أخطاء التنسيق وإدخال الأوامر

أثناء التطبيق العملي لاختبار جودة المطابقة في برنامج ستاتا، يقع العديد من الباحثين في أخطاء برمجية وإجرائية شائعة تؤدي إما إلى توقف البرنامج عن التنفيذ أو إلى إصدار مخرجات مشوهة ومضللة. يأتي في مقدمة هذه الأخطاء عدم توافق عدد النسب المدخلة داخل دالة exp() مع العدد الفعلي للفئات الحقيقية الموجودة في البيانات. فعلى سبيل المثال، إذا كان المتغير يحتوي على 4 فئات مشفرة وقام الباحث بكتابة ثلاثة أرقام فقط داخل القوسين، فسيقوم ستاتا بإصدار رسالة خطأ صريحة تنص على:

number of categories in exp() does not match variable

ولمعالجة هذه الإشكالية، يجب دائماً تنفيذ أمر التجدول tabulate مسبقاً للتحقق من العدد الدقيق للمستويات وترتيبها الرقمي التصاعدي المشفر قبل كتابة معاملات التوقع.

من الأخطاء البرمجية الشائعة أيضاً التعامل مع متغيرات تم استيرادها كمتغيرات نصية (String Variables) وليست رقمية مدمجة بتسميات توصيفية. يفشل أمر csgof في معالجة المتغيرات النصية بشكل مباشر؛ ولحل هذه المعضلة، يتعين على الباحث استخدام أمر التشفير الآلي encode لتحويل النصوص إلى قيم عددية متسلسلة مرتبطة بتسميات ملصقة:

encode string_var, generate(numeric_var)

بالإضافة إلى ذلك، يجب الانتباه إلى توافق الحزم المضافة مع إصدار ستاتا المستخدم؛ ففي حال ظهور أخطاء متعلقة باستدعاء الدوال، يُوصى بتحديث النظام وحزم البرمجيات دورياً عبر الأمر update all.

11.2 المحاذير المنهجية والتفسير الخاطئ للنتائج

على الصعيد المنهجي والاستدلالي، يقع بعض المحللين في فخ التفسير الخاطئ للنتائج الإحصائية. ومن أبرز هذه المحاذير الخلط بين الدلالة الإحصائية والدلالة السببية؛ فاختبار مربع كاي لجودة المطابقة هو اختبار وصفي استدلالي يرصد الفروق التوزيعية فقط، ورفض الفرضية الصفرية لا يعني بأي حال من الأحوال وجود علاقة سببية تفسر سبب حدوث هذه الفروق، بل يشير فقط إلى عدم ملاءمة النموذج النظري للبيانات الواقعية.

يتمثل المحذور الثاني في تجاهل فحص التكرارات المتوقعة الصغرى ($E_i < 5$). إن التسرع في تفسير قيمة الدلالة ($p\text{-value}$) دون مراجعة عمود التكرارات المتوقعة قد يقود إلى استنتاجات زائفة ناشئة عن تشوه التوزيع الاحتمالي للاختبار. وفي حال تم رصد خلايا ذات تكرار متوقع ضئيل، يجب فوراً اللجوء إلى دمج الفئات أو استخدام المحاكاة التباديلية الدقيقة بدلاً من الاعتماد الأعمى على اختبار بيرسون الكلاسيكي.

أما المحذور الثالث والأكثر انتشاراً، فهو الارتكاز المنفرد على قيمة $p$ وتجاهل حساب حجم التأثير (Cohen’s $w$). فعند التعامل مع عينات كبيرة جداً (مثل آلاف الحالات)، يصبح الاختبار شديد الحساسية لأي انحراف ميكروسكوبي ضئيل، مما يؤدي دائماً إلى ظهور دلالة إحصائية فائقة ($p < .001$) على الرغم من أن الفروق بين المشاهد والمتوقع قد تكون تافهة عملياً ولا تبرر رفض النظرية المعتمدة في الميدان التطبيقي.

12. كتابة وتوثيق النتائج الإحصائية وفق أسلوب الجمعية الأمريكية لعلم النفس (APA)

12.1 الصياغة النصية القياسية لتقرير النتائج

تفرض معايير الإصدار السابع من دليل النشر التابع لجمعية علم النفس الأمريكية (APA 7th Edition) قواعد صارمة ودقيقة لتوثيق نتائج الاختبارات الإحصائية اللامعلمية. عند توثيق اختبار مربع كاي لجودة المطابقة، يجب أن يتضمن النص التقريري: رمز إحصاء كاي بالخط المائل ($\chi^2$)، متبوعاً بدرجات الحرية ($df$) وإجمالي حجم العينة ($N$) بين قوسين، ثم القيمة العددية المحسوبة للاختبار مقربة إلى منزلتين عشريتين، تليها قيمة الدلالة الإحصائية بدقة ($ptext{-value}$)، وأخيراً قيمة حجم التأثير المحسوب (معامل كوهين$w$).

فيما يلي النموذج الأكاديمي القياسي لصياغة فقرة النتائج باللغة العربية مع مراعاة التوثيق المنهجي:

“أُجري اختبار مربع كاي لجودة المطابقة لفحص ما إذا كان التوزيع العرقي للمشاركات في العينة يتطابق مع النسب السكانية المفترضة نظرياً (70% بيض، 20% سود، 10% أعراق أخرى). أظهرت النتائج الإحصائية وجود اختلاف دال إحصائياً بين التوزيع المشاهد في العينة والتوزيع النظري المتوقع، $\chi^2(2, N = 2246) = 218.15$، $p < .001$، بحجم تأثير متوسط بلغ $w = 0.31$. وبناءً على ذلك، تم رفض الفرضية الصفرية القائلة بجودة مطابقة العينة للتوزيع السكاني المستهدف."

كما يُستحسن إضافة جملة توضيحية مستمدة من تحليل البواقي المعيارية لتحديد مصدر الخلل التوزيعي بدقة، مثل: “وقد كشف فحص البواقي المعيارية أن نسبة المبحوثات من فئة السود كانت أعلى بدلالة من المتوقع النظري ($R = +6.31$)، بينما كان تمثيل فئة الأعراق الأخرى أدنى بكثير من النسبة المفترضة ($R = -13.25$).”

12.2 بناء الجداول الإحصائية المعتمدة

وفقاً لإرشادات دليل APA (7th Edition)، يجب أن تتسم الجداول الإحصائية بالوضوح والنقاء الشكلي؛ حيث يُمنع استخدام الخطوط العمودية، ويقتصر التسطير على ثلاثة خطوط أفقية رئيسية (أعلى وأسفل رأس الجدول، وأسفل قاعدة الجدول). يجب أن يعرض الجدول الفئات، التكرارات المشاهدة، التكرارات المتوقعة، النسب المئوية، والبواقي المعيارية، مدعماً بملاحظة تفسيرية أسفل الجدول توضح النسب المفترضة ومصادرها.

فيما يلي التصميم الهيكلي للجدول المعتمد وفق معايير APA 7:

جدول 1
نتائج اختبار مربع كاي لجودة المطابقة للمتغير العرقي قياساً بالتوزيع النظري المفترض ($N = 2246$)

الفئة العرقية	التكرار المشاهد ($O$)	النسبة المشاهدة (%)	التكرار المتوقع ($E$)	النسبة المتوقعة (%)	الباقي المعياري ($R$)
البيض (White)	1637	72.89%	1572.2	70.0%	+1.63
السود (Black)	583	25.96%	449.2	20.0%	+6.31*
أعراق أخرى (Other)	26	1.16%	224.6	10.0%	-13.25*
المجموع الكلي	2246	100.0%	2246.0	100.0%	—

ملاحظة. $\chi^2(2) = 218.15$، $p 1.96$).

خاتمة

يمثل اختبار مربع كاي لجودة المطابقة أداة إحصائية لا غنى عنها في ترسانة الباحث العلمي في حقول العلوم النفسية والسلوكية والاجتماعية. ومن خلال توظيف برنامج ستاتا، يمتلك الباحث بيئة حاسوبية فائقة المرونة تتيح له الانتقال بسلاسة من تجهيز وفحص مصفوفات البيانات الأولية، إلى تثبيت وتشغيل الحزم المتخصصة مثل csgof وchitest، وصولاً إلى إجراء التحليلات المتقدمة للبواقي المعيارية وحساب حجوم التأثير وتوليد الرسوم البيانية الدقيقة للنشر الأكاديمي.

إن التطبيق المنهجي الرصين لهذا الاختبار يتطلب وعياً عميقاً بشروطه وافتراضاته، لا سيما استقلالية المشاهدات وحجم التكرارات المتوقعة الدنيا، وتجنب الاعتماد الساذج على قيم الدلالة الإحصائية المجردة دون وزنها بحجم التأثير والأهمية الميدانية للنتائج. ومن خلال اتباع المعايير القياسية لجمعية علم النفس الأمريكية في توثيق وكتابة الجداول والتقارير الإحصائية، يضمن الباحث تقديم أبحاث عالية الرصانة تسهم بفعالية في تعزيز المعرفة العلمية الموثوقة.

References

• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Cox, N. J. (2004). Speaking Stata: Chi-square tests of goodness of fit. The Stata Journal, 4(4), 428–435. https://www.stata-journal.com/article.html?article=st0078
• Fraser, I. B. (2001). CSGOF: Stata module to compute goodness-of-fit test for categorical variables. Statistical Software Components, Boston College Department of Economics. https://ideas.repec.org/c/boc/bocode/s418801.html
• Greenwood, P. E., & Nikulin, M. S. (1996). A guide to chi-squared testing. John Wiley & Sons.
• Long, J. S., & Freese, J. (2014). Regression models for categorical dependent variables using Stata (3rd ed.). Stata Press.
• 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
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf