كيفية إجراء اختبار جارك-بيرا في بايثون

يمثل الاستدلال الإحصائي الدعامة الأساسية التي ترتكز عليها البحوث العلمية الحديثة في مجالات الاقتصاد القياسي، والعلوم المالية، والقياس النفسي، والعلوم الاجتماعية والسلوكية. وتعتمد الغالبية العظمى من النماذج الإحصائية المعلمية (Parametric Models) على افتراض محوري مفاده أن البيانات الملاحظة أو الأخطاء العشوائية للنماذج تتبع التوزيع الطبيعي المعياري (Normal Distribution). ويعد التحقق من هذا الافتراض خطوة تشخيصية حاسمة لا غنى عنها قبل المضي قدماً في تعميم النتائج أو بناء التنبؤات الاستقرائية، نظراً لأن انتهاك فرضية التوزيع الطبيعي قد يؤدي إلى تحيز التقديرات وتضخيم الأخطاء المعيارية، مما يقود في نهاية المطاف إلى استنتاجات خاطئة وتفسيرات غير دقيقة للظواهر المدروسة.

من بين حزمة الاختبارات المخصصة لفحص اعتدالية البيانات، يبرز اختبار جارك-بيرا (Jarque-Bera Test) كواحد من أكثر المقاييس الإحصائية المعتمدة انتشاراً وأناقة رياضية، لا سيما عند التعامل مع مجموعات البيانات الكبيرة والمتوسطة في بيئات الاقتصاد والتحليل المالي والقياس النفسي المتقدم. يستند هذا الاختبار إلى الفحص المزدوج للعزوم الإحصائية العليا للتوزيع، وتحديداً معاملي الالتواء (Skewness) والتفرطح (Kurtosis)، لقياس مدى ابتعاد التوزيع الفعلي للبيانات عن التماثل والتفرطح النمطيين للتوزيع الطبيعي المثالي. ونظراً لخصائصه التقاربية وقدرته الفائقة على رصد الانحرافات الهيكلية في أطراف التوزيع وقمته، فقد أصبح أداة قياسية في النمذجة القياسية وتحليل السلاسل الزمنية وبواقي نماذج الانحدار الخطي.

مع تنامي الاعتماد على لغة البرمجة بايثون (Python) كبيئة رائدة في علم البيانات والتحليل الإحصائي، أضحى تنفيذ اختبار جارك-بيرا وتفسير مخرجاته بكفاءة مهارة جوهرية لكل باحث ومحلل كمي. تقدم هذه المقالة دليلاً مرجعياً وأكاديمياً شاملاً ومكثفاً، يغطي الأسس الرياضية والنظرية الدقيقة لاختبار جارك-بيرا، ودوافعه في العلوم السلوكية والاقتصادية، مع شرح تفصيلي خطوة بخطوة لكيفية تطبيقه عملياً باستخدام مكتبتي SciPy وStatsmodels، وصولاً إلى استراتيجيات صنع القرار العلمي، والتحليل البصري التكاملي، ومعالجة البيانات التي تنتهك فرضية الاعتدالية.

1. مقدمة شاملة حول اختبار جارك-بيرا وأهميته في التحليل الإحصائي

1.1 التعريف باختبار جارك-بيرا ومفهوم جودة المطابقة

يُعرَّف اختبار جارك-بيرا بأنه اختبار إحصائي استدلالي يندرج تحت فئة اختبارات جودة المطابقة (Goodness-of-Fit Tests). والهدف الأساسي للاختبار يتمثل في التحقق مما إذا كانت عينة من البيانات الملاحظة مستمدة من مجتمع إحصائي يتبع التوزيع الطبيعي. يتميز هذا الاختبار عن غيره بتركيزه الحصري على خصائص العزوم (Moments) للعينة، وتحديداً العزم الثالث المتمثل في الالتواء والعزم الرابع المتمثل في التفرطح، بدلاً من مقارنة دوال التوزيع التراكمي التجريبية كما هو الحال في اختبارات أخرى كاختبار كولموجوروف-سميرنوف.

يقوم الاختبار على صياغة فرضيتين أساسيتين: الفرضية الصفرية (Null Hypothesis – $H_0$) التي تنص على أن البيانات تتوزع توزيعاً طبيعياً، مما يعني رياضياً أن معامل الالتواء يساوي صفراً وأن معامل التفرطح يساوي 3 (أو التفرطح الزائد يساوي صفراً). في المقابل، تنص الفرضية البديلة (Alternative Hypothesis – $H_1$) على أن البيانات لا تتوزع توزيعاً طبيعياً، إما بسبب عدم تماثل التوزيع (وجود التواء معنوي) أو بسبب تفرطح يختلف بصورة دالة عن تفرطح التوزيع الطبيعي (تفرطح مدبب أو مفلطح).

تتخذ إحصائية اختبار جارك-بيرا ($JB$) دائماً قيمة غير سالبة ($JB ge 0$)، وذلك لأنها تتشكل رياضياً من مجموع مربعي قيمتي الالتواء والتفرطح المعياريين. وكلما اقتربت قيمة الإحصائية من الصفر، كان ذلك مؤشراً على تطابق العينة مع التوزيع الطبيعي النظري، بينما يؤدي أي انحراف في التماثل أو سمك الذيول إلى تضخيم قيمة الإحصائية بصورة أسية، مما يرجح رفض الفرضية الصفرية لصالح الفرضية البديلة.

1.2 السياق التاريخي وتطور الاختبار في القياس الكمي

طُوِّر هذا الاختبار الإحصائي في مطلع ثمانينيات القرن العشرين بواسطة الخبيرين الإحصائيين كارلوس جارك (Carlos M. Jarque) وأنيل بيرا (Anil K. Bera) في ورقتهما العلمية المرجعية المنشورة عام 1980 بعنوان “Efficient tests for normality, homoscedasticity and serial independence of regression residuals”، والتي تلتها دراستهما المستفيضة عام 1987. وقد انبثق تطوير الاختبار من حاجة ملحة في مجال الاقتصاد القياسي (Econometrics) لتطوير اختبار مباشر وسريع وموثوق لفحص اعتدالية بواقي نماذج الانحدار المتعدد والسلاسل الزمنية المالية دون الحاجة إلى افتراضات مسبقة معقدة.

قبل ظهور اختبار جارك-بيرا، كانت معظم الاختبارات المتاحة تتطلب جهداً حسابياً كبيراً في ترتيب العينات وبناء دوال التوزيع التجريبية، أو كانت تعاني من ضعف القوة الإحصائية عند التعامل مع العينات الكبيرة شائعة الاستخدام في البيانات المالية والاقتصادية الكلية. نجح جارك وبيرا في توظيف مصفوفة المعلومات ومبدأ مضاعف لاجرانج (Lagrange Multiplier Principle) لاشتقاق إحصائية اختبار تتمتع بأعلى كفاءة تقاربية ممكنة عند اختبار الفرضية المشتركة لاعتدالية الالتواء والتفرطح.

ومع مرور الوقت، لم يعد تطبيق الاختبار مقتصراً على الاقتصاد القياسي، بل توسع نطاقه ليشمل العلوم السلوكية، وعلم النفس القياسي، والبيولوجيا الإحصائية، وعلم البيانات الحديث. وقد لعب هذا التوسع دوراً كبيراً في ترسيخ اختبار جارك-بيرا كمعيار افتراضي مدمج في معظم البرمجيات الإحصائية المتقدمة والتقارير الأكاديمية الرصينة في مختلف التخصصات الكمية.

1.3 أهمية التحقق من اعتدالية البيانات قبل النمذجة

يمثل افتراض اعتدالية البيانات (Normality Assumption) الركيزة البنيوية التي تُبنى عليها الغالبية العظمى من الاختبارات الإحصائية المعلمية، مثل اختبار “تي” للعينات المستقلة والمرتبطة (Student’s t-test)، وتحليل التباين الأحادي والمتعدد (ANOVA / MANOVA)، ونماذج الانحدار الخطي العادي (Ordinary Least Squares – OLS). عندما يتحقق هذا الافتراض، تضمن نظرية غاوس-ماركوف أن تكون مقدرات المربعات الصغرى هي أفضل المقدرات الخطية غير المتحيزة ذات التباين الأدنى (BLUE)، مما يمنح فترات الثقة واختبارات الدلالة الإحصائية دقتها ومصداقيتها الرياضية.

تؤدي انتهاكات فرضية التوزيع الطبيعي إلى عواقب وخيمة على صحة الاستدلال الإحصائي؛ إذ تصبح الأخطاء المعيارية المقدرة لمعاملات النماذج متحيزة، مما يفضي بدوره إلى حسابات غير صحيحة للقيم الاحتمالية ($p$-values). هذا التحيز يرفع من احتمالية الوقوع في الخطأ من النوع الأول (Type I Error) برفض الفرضية الصفرية الصحيحة وقبول تأثيرات وهمية، أو الخطأ من النوع الثاني (Type II Error) بالإخفاق في كشف العلاقات الحقيقية بين المتغيرات نتيجة تراجع القوة الإحصائية للاختبارات المعلمية.

علاوة على ذلك، فإن وجود توزيعات ملتوية أو ذات ذيول ثقيلة في البيانات يؤثر بصورة مباشرة على اختبارات الفروق، حيث يفقد المتوسط الحسابي كفاءته كمقياس للنزعة المركزية ويصبح عرضة للتأثر بالقيم المتطرفة. وفي مجالات التنبؤ وتحليل المخاطر، يتسبب الجهل بعدم اعتدالية البيانات في التقليل الكارثي من احتمالية حدوث الأحداث القصوى (Extreme Events)، وهو ما يبرز الأهمية القصوى لإجراء اختبارات جودة المطابقة كخطوة أولى وأساسية في أي بروتوكول تحليلي متكامل.

2. الأسس الرياضية والنظرية لاختبار جارك-بيرا

2.1 معامل الالتواء (Skewness) ودوره في الاختبار

يُعد معامل الالتواء المقياس الرياضي الأساسي لدرجة عدم تماثل (Asymmetry) دالة الكثافة الاحتمالية حول متوسطها الحسابي. في التحليل الرياضي، يمثل الالتواء العزم المركزي الثالث المعياري للتوزيع، ويُرمز له إحصائياً بالرمز $S$ أو $\sqrt{\beta_1}$. في المجتمع الإحصائي، يُعرف الالتواء بالصيغة الرياضية التالية:

$$\gamma_1 = \frac{\mu_3}{\sigma^3} = \frac{\mathbb{E}[(X – \mu)^3]}{(\mathbb{E}[(X – \mu)^2])^{3/2}}$$

أما بالنسبة لعينة مكونة من $n$ من المشاهدات، فيتم تقدير معامل الالتواء من العينة عبر المعادلة:

$$S = \frac{\frac{1}{n}\sum_{i=1}^{n}(x_i – \bar{x})^3}{\left(\frac{1}{n}\sum_{i=1}^{n}(x_i – \bar{x})^2\right)^{3/2}}$$

يأخذ معامل الالتواء قيمة مساوية للصفر ($S = 0$) في التوزيعات المتماثلة تماماً، وعلى رأسها التوزيع الطبيعي المعياري، حيث يتطابق المتوسط والوسيط والمنوال. وإذا كانت قيمة $S > 0$، فإن التوزيع يكون ملتوياً نحو اليمين (Positive Skewness)، مما يشير إلى وجود ذيل طويل من القيم المرتفعة على الجانب الأيمن وتمركز معظم المشاهدات على اليسار. أما إذا كانت $S < 0$، فإن التوزيع يكون ملتوياً نحو اليسار (Negative Skewness)، مع وجود ذيل ممتد نحو القيم الدنيا. يؤدي أي انحراف لمعامل الالتواء عن الصفر إلى رفع قيمة إحصائية جارك-بيرا مباشرة.

2.2 معامل التفرطح (Kurtosis) وأشكاله المختلفة

يمثل معامل التفرطح المقياس الإحصائي لدرجة حدة قمة التوزيع وثقل أطرافه (Tails Weight) مقارنة بالتوزيع الطبيعي. يستند التفرطح إلى العزم المركزي الرابع المعياري، ويُرمز له بـ $K$ أو $\beta_2$. ويُحسب في المجتمع الإحصائي وفق المعادلة:

$$\beta_2 = \frac{\mu_4}{\sigma^4} = \frac{\mathbb{E}[(X – \mu)^4]}{(\mathbb{E}[(X – \mu)^2])^2}$$

وعلى مستوى العينة، يُقدَّر معامل التفرطح بواسطة الصيغة الحسابية التالية:

$$K = \frac{\frac{1}{n}\sum_{i=1}^{n}(x_i – \bar{x})^4}{\left(\frac{1}{n}\sum_{i=1}^{n}(x_i – \bar{x})^2\right)^2}$$

في التوزيع الطبيعي المعياري، تبلغ القيمة النظرية لمعامل التفرطح دائماً 3 ($K = 3$). ولتسهيل التفسير، يعتمد الإحصائيون مفهوم “التفرطح الزائد” (Excess Kurtosis) الذي يُحسب بطرح 3 من قيمة التفرطح المقدرة ($K – 3$). وبناءً على هذه القيمة، تُصنف التوزيعات إلى ثلاثة أشكال رئيسية:

• التوزيع متوسط التفرطح (Mesokurtic): وفيه يكون $K = 3$ (أو التفرطح الزائد يساوي صفر)، وهو الشكل المعياري للتوزيع الطبيعي حيث تتوزع المشاهدات والكتلة الاحتمالية عند الأطراف بشكل متوازن تماماً.
• التوزيع المدبب (Leptokurtic): وفيه يكون $K > 3$، ويتميز بقمة حادة وذيول سميكة وثقيلة (Fat Tails)، مما يعني ارتفاع احتمالية ظهور القيم المتطرفة والشديدة مقارنة بالتوزيع الطبيعي.
• التوزيع المفلطح (Platykurtic): وفيه يكون $K < 3$، ويتسم بقمة مسطحة وأطراف خفيفة ونحيفة (Thin Tails)، مما يشير إلى تشتت البيانات على نطاق واسع وانخفاض احتمالية القيم القصوى.

2.3 المعادلة الرياضية الشاملة وتوزيع مربع كاي

تجمع معادلة اختبار جارك-بيرا بين الانحراف في معامل الالتواء والانحراف في معامل التفرطح ضمن إحصائية مفردة موزونة بحجم العينة $n$. تُصاغ المعادلة الرياضية الشاملة للإحصائية على النحو التالي:

$$JB = \frac{n}{6} \left( S^2 + \frac{(K – 3)^2}{4} \right)$$

حيث تمثل $n$ إجمالي عدد المشاهدات في العينة، و$S$ معامل التواء العينة، و$K$ معامل تفرطح العينة، بينما يمثل المقدار $(K – 3)$ التفرطح الزائد. تُظهر المعادلة بوضوح أن الأوزان النسبية للالتواء ($\frac{n}{6}$) والتفرطح ($\frac{n}{24}$) تعكس التباين التقاربي لهذين العزمين في ظل الفرضية الصفرية للتوزيع الطبيعي، حيث أثبتت النظرية الإحصائية أن $\text{Var}(S) to \frac{6}{n}$ و $\text{Var}(K) to \frac{24}{n}$ مع اقتراب العينة من اللانهاية.

وفقاً لنظرية النهاية المركزية والخصائص التقاربية، تتبع إحصائية $JB$ تقاربياً توزيع مربع كاي ($\chi^2$) بدرجتي حرية ($\text{df} = 2$) عند تحقق الفرضية الصفرية ($H_0$):

$$JB x\rightarrow{d} \chi^2(2) \quad \text{as } n to \infty$$

تُعزى درجتا الحرية إلى قيدين مستقلين تم اختبارهما في آن واحد: قيد تماثل الالتواء حول الصفر ($S=0$)، وقيد اعتدالية التفرطح حول الثلاثة ($K=3$). واستناداً إلى هذا التوزيع التقاربي، يتم استخراج القيمة الاحتمالية ($p$-value) من المساحة الواقعة تحت منحنى توزيع$chi^2(2)$ إلى يمين قيمة الإحصائية المحسوبة. وتجدر الإشارة إلى أن دقة هذا التوزيع التقاربي تشترط أحجام عينات معتدلة إلى كبيرة لضمان كفاءة الاختبار، بينما قد يعاني من انحراف طفيف في العينات الصغيرة جداً.

3. أهمية اختبار الاعتدالية في القياس النفسي والعلوم السلوكية

3.1 خصائص السمات النفسية والقدرات العقلية

تستند النظريات الكلاسيكية والحديثة في القياس النفسي (Psychometrics) إلى افتراض أن السمات النفسية الكامنة، مثل الذكاء العام، والاستعدادات المعرفية، والسمات الشخصية (كالانبساطية والعصابية)، تتوزع توزيعاً طبيعياً متصلاً في المجتمعات البشرية العامة. ويُعزى هذا الافتراض إلى أن تلك السمات ناتجة عن تفاعل معقد بين عدد هائل من العوامل الجينية والبيئية التراكمية المستقلة، وهو ما يتفق تماماً مع منطق نظرية النهاية المركزية.

ومع ذلك، تواجه البيانات التجريبية المستخلصة من مقاييس التقرير الذاتي والاستبيانات السلوكية تحديات متكررة تؤدي إلى تشويه هذا التوزيع النظري. من أبرز هذه التحديات ظاهرة “تأثير السقف” (Ceiling Effect)، حيث تكون فقرات الاختبار شديدة السهولة فتتكدس معظم الدرجات عند النهاية العليا للمقياس مسببة التواءً سالباً، وظاهرة “تأثير الأرضية” (Floor Effect) الناتجة عن صعوبة الفقرات وتكدس الاستجابات عند الحد الأدنى مسببة التواءً موجباً. كما تسهم الرغبة الاجتماعية والاستجابات النمطية في إحداث تفرطح شاذ في البيانات.

من هنا تنبع الضرورة المنهجية لفحص اعتدالية البيانات النفسية باستخدام اختبار جارك-بيرا قبل تقنين المقاييس أو بناء المعايير المئينية والتائية. يضمن هذا الفحص سلامة الخصائص السيكومترية للأدوات، ويوفر أرضية صلبة لتقييم صدق البناء وثبات المقياس، متفادياً الوقوع في فخ التفسيرات المضللة للمستويات الإكلينيكية والقدرات الفردية.

3.2 القرارات المنهجية لاختيار الاختبارات المناسبة

يترتب على نتيجة اختبار اعتدالية البيانات قرارات منهجية وإجرائية حاسمة في مسار التحليل الإحصائي السلوكي. فعندما يؤكد اختبار جارك-بيرا مطابقة البيانات للتوزيع الطبيعي، يمتلك الباحث المسوغ العلمي الكامل لاستخدام الاختبارات المعلمية المتقدمة، مثل معاملات ارتباط بيرسون، واختبارات “تي”، وتحليلات التباين، ونماذج المعادلات البنائية (SEM)، والتي تتميز بقوتها الإحصائية العالية وقدرتها على رصد التفاعلات الدقيقة بين المتغيرات النفسية.

في المقابل، إذا أظهرت إحصائية جارك-بيرا انحرافاً دالاً عن الاعتدالية، يتعين على الباحث التحول نحو البدائل اللامعلمية المناسبة؛ مثل استخدام معامل ارتباط سبيرمان للرتب، أو اختبار مان-ويتني (Mann-Whitney U) كبديل لاختبار “تي” للعينات المستقلة، أو اختبار كروسكال-واليس (Kruskal-Wallis) كبديل لتحليل التباين الأحادي. كما يمكن للباحث اللجوء إلى تقنيات التحويلات الرياضية لإعادة البيانات إلى مسار الاعتدالية قبل تطبيق النماذج المعلمية.

إضافة إلى ذلك، يلعب اعتدال التفرطح دوراً محورياً في دقة تقدير مصفوفات التباين والتباين المشترك (Covariance Matrices). فالبيانات السلوكية ذات التفرطح العالي تؤدي إلى تقليل فادح في تقدير دقة التباين المشترك، مما يشوه مؤشرات المطابقة في التحليل العاملي التوكيدي (CFA) ونماذج المسار، ويقود الباحثين إلى تعديل نماذج نظرية سليمة بناءً على تشوهات إحصائية ناتجة حصراً عن عدم تفرطح البيانات.

4. إعداد وتجهيز بيئة العمل البرمجية في بايثون

4.1 تثبيت وضبط المكتبات الأساسية للتحليل الإحصائي

تتطلب معالجة وتحليل البيانات الإحصائية في لغة بايثون إعداد بيئة برمجية متكاملة تحتوي على الحزم الرياضية والتحليلية القياسية. تعتمد بنيتنا التحتية لاختبار جارك-بيرا على أربع مكتبات رئيسية: NumPy للعمليات الرياضية السريعة وإدارة المصفوفات، وSciPy للحسابات الإحصائية المتقدمة وتطبيق الاختبارات الاستدلالية، وPandas لإدارة هياكل البيانات والجداول وتنظيف المتغيرات، بالإضافة إلى مكتبة Statsmodels لتقدير النماذج الإحصائية القياسية واختبار بواقي الانحدار.

يمكن تثبيت هذه الحزم المتكاملة بسهولة عبر مدير الحزم القياسي pip داخل سطر الأوامر أو البيئة الافتراضية للغة بايثون بتنفيذ الأمر التالي:

pip install numpy scipy pandas statsmodels matplotlib seaborn

يُوصى بتنفيذ هذه العمليات التحليلية داخل بيئات تفاعلية متطورة مثل Jupyter Notebook أو JupyterLab أو بيئات التطوير المتكاملة مثل Visual Studio Code أو PyCharm. توفر هذه البيئات التفاعلية إمكانية مراجعة المخرجات الإحصائية والرسوم البيانية التشخيصية بصورة متزامنة وفورية، مما يسهل سير العمل التحليلي ويوثق الخطوات البرمجية بطريقة قابلة للتكرار العلمي (Reproducible Science).

4.2 استيراد الحزم البرمجية والتحقق من الإصدارات

تبدأ الخطوة التنفيذية في كود بايثون باستيراد الوحدات النمطية المخصصة لكل وظيفة إحصائية، مع التأكد من التوافق البرمجي للإصدارات لتفادي أي تحذيرات تتعلق بالدوال المتقادمة. نستعرض فيما يلي البنية البرمجية القياسية لاستيراد الحزم وضبط إعدادات الدقة الحسابية:

import numpy as np
import pandas as pd
import scipy.stats as stats
import statsmodels.api as sm
from statsmodels.stats.stattools import jarque_bera as sm_jarque_bera
import matplotlib.pyplot as plt
import seaborn as sns

من الممارسات البرمجية الموصى بها ضبط خيارات تنسيق المخرجات العددية في مكتبتي NumPy وPandas لتسهيل قراءة القيم الاحتمالية والإحصاءات متناهية الصغر التي قد تظهر بالترميز العلمي. يمكن تحقيق ذلك من خلال الكود التالي:

np.set_printoptions(precision=4, suppress=True)
pd.set_option('display.float_format', lambda x: '%.4f' % x)

يضمن هذا الضبط عرض الإحصاءات والقيم الاحتمالية بدقة تصل إلى أربع خانات عشرية، مع منع التحويل التلقائي للأرقام إلى الصيغ الأسية، مما يمنح الباحث رؤية واضحة ومباشرة للفروق الإحصائية أثناء تحليل عينات البيانات.

5. تنفيذ اختبار جارك-بيرا باستخدام مكتبة SciPy

5.1 بنية واستخدام الدالة stats.jarque_bera

توفر مكتبة SciPy الإحصائية تنفيذاً فائق السرعة والموثوقية لاختبار جارك-بيرا من خلال الوحدة scipy.stats عبر الدالة المباشرة jarque_bera. تتميز هذه الدالة ببساطة واجهتها البرمجية وتكاملها السلس مع مصفوفات NumPy وسلاسل Pandas Series.

تستقبل الدالة المعامل الأساسي x الذي يمثل العينة الرقمية المراد فحصها، وتقوم بحساب العزمين الثالث والرابع ومطابقتهما مع التوزيع النظري. وتُرجع الدالة كائناً إحصائياً يحتوي على قيمتين رئيسيتين: قيمة إحصائية الاختبار المحسوبة ($JB \text{ statistic}$)، والقيمة الاحتمالية الدلالية المرافقة لها ($p\text{-value}$). يوضح الكود التالي كيفية التطبيق المباشر:

data = np.array([2.3, 1.9, 2.1, 2.5, 2.0, 2.2, 1.8, 2.4, 2.1, 2.0])
jb_test = stats.jarque_bera(data)
print("JB Statistic:", jb_test.statistic)
print("p-value:", jb_test.pvalue)

تستطيع الدالة التعامل بكفاءة عالية مع المتجهات الأحادية، كما يمكن تطبيقها على مصفوفات ثنائية الأبعاد عبر تحديد محور الحساب باستخدام المعامل axis، مما يتيح فحص اعتدالية عشرات المتغيرات النفسية أو الاقتصادية في مصفوفة واحدة في جزء من الثانية وبأعلى كفاءة في استهلاك الذاكرة.

5.2 التعامل مع القيم المفقودة (NaNs) في البيانات

تشكل القيم المفقودة (Missing Values / NaNs) تحدياً شائعاً في جمع البيانات الواقعية، لا سيما في المسوح الميدانية والاستبيانات النفسية. يؤدي تمرير بيانات تحتوي على قيم مفقودة إلى دالة jarque_bera الافتراضية في بايثون إلى إرجاع قيمة nan لكل من إحصائية الاختبار والقيمة الاحتمالية، مما يعطل مسار التحليل.

تتيح مكتبة SciPy إدارة القيم المفقودة مباشرة عبر المعامل nan_policy، والذي يقبل ثلاثة خيارات استراتيجية:

• nan_policy='propagate': الخيار الافتراضي، حيث يتم إرجاع nan إذا احتوت البيانات على أي قيمة مفقودة.
• nan_policy='raise': يطلق خطأ برمجياً صريحاً (ValueError) عند رصد أي قيمة مفقودة، وهو خيار ممتاز لمنع تسرب البيانات الملوثة في الأنابيب البرمجية الآلية.
• nan_policy='omit': يقوم تلقائياً باستبعاد المشاهدات المفقودة من المتجه وتطبيق الاختبار حصرياً على البيانات المكتملة.

يوضح الكود التالي كيفية استبعاد القيم المفقودة بأمان وتنظيف سلاسل البيانات:

raw_data = np.array([12.5, np.nan, 14.2, 13.8, 15.1, np.nan, 12.9])
clean_result = stats.jarque_bera(raw_data, nan_policy='omit')
print("Statistic after omission:", clean_result.statistic)
print("p-value:", clean_result.pvalue)

وفي إطار معالجة البيانات باستخدام Pandas، يفضل دائماً تنظيف الأعمدة مسبقاً باستخدام الدالة series.dropna() لضمان توثيق حجم العينة الفعلي المستخدم في الاختبار قبل إصدار التقارير الإحصائية.

6. استخدام مكتبة Statsmodels كمنهج متقدم للتحليل

6.1 دالة jarque_bera في statsmodels.stats.stattools

توفر حزمة Statsmodels الإحصائية تنفيذاً متقدماً وموسعاً لاختبار جارك-بيرا عبر الوحدة statsmodels.stats.stattools. تتميز دالة jarque_bera في هذه المكتبة بأنها لا تقتصر على إرجاع إحصائية الاختبار والقيمة الاحتمالية فحسب، بل تُرجع مصفوفة رباعية متكاملة تشتمل على الإحصائية، والقيمة الاحتمالية، ومعامل الالتواء المقدر للعينة، ومعامل التفرطح المقدر.

يعد هذا الإخراج الرباعي بالغ الأهمية من المنظور التشخيصي؛ إذ يتيح للباحث معرفة السبب الدقيق لرفض الفرضية الصفرية في حال حدوثه (هل يرجع الرفض إلى شدة التواء البيانات أم إلى ثقل أطرافها وتفرطحها الشاذ). يمكن استدعاء الدالة وتفكيك مخرجاتها برمجياً على النحو التالي:

from statsmodels.stats.stattools import jarque_bera
sample_data = np.random.normal(loc=50, scale=10, size=500)
jb_stat, p_val, skew, kurt = jarque_bera(sample_data)
print(f"JB Statistic: {jb_stat:.4f}")
print(f"p-value: {p_val:.4f}")
print(f"Skewness: {skew:.4f}")
print(f"Kurtosis: {kurt:.4f}")

تسهل هذه الصيغة البرمجية دمج اختبار جارك-بيرا ضمن دوال مخصصة تبني جداول وصفية شاملة لجميع متغيرات الدراسة دفعة واحدة، مما يوفر وقتاً طويلاً في مرحلة التحليل الاستكشافي للبيانات الكبيرة.

6.2 تطبيق الاختبار على بواقي نماذج الانحدار (OLS Residuals)

أحد الاستخدامات الأكثر شيوعاً لاختبار جارك-بيرا في الأدبيات التطبيقية هو التحقق من افتراض اعتدالية الأخطاء العشوائية في نماذج انحدار المربعات الصغرى العادية (OLS). في هذه النماذج، لا يُشترط بالضرورة أن تكون المتغيرات التفسيرية موزعة طبيعياً، ولكن يُشترط بشكل صارم أن تكون البواقي (Residuals) متطابقة وموزعة طبيعياً بمتوسط صفري وتباين ثابت لضمان صحة اختبارات “t” للمعاملات واختبار “F” للنموذج ككل.

عند بناء نموذج انحدار خطي باستخدام Statsmodels، تقوم المكتبة بحساب إحصائية جارك-بيرا لبواقي النموذج تلقائياً وتضمينها في جدول ملخص الانحدار الشامل (OLS Summary). يوضح النموذج البرمجي التالي كيفية بناء نموذج واستخراج النتائج وفحص اعتدالية البواقي برمجياً:

X = np.random.rand(100, 2)
X = sm.add_constant(X)
y = 1.5 + 2.0 * X[:, 1] + 3.5 * X[:, 2] + np.random.normal(0, 0.5, 100)
model = sm.OLS(y, X).fit()
residuals = model.resid
jb_res, p_res, skew_res, kurt_res = jarque_bera(residuals)
print("Residuals JB Statistic:", jb_res)
print("Residuals p-value:", p_res)

عند طباعة model.summary()، سيظهر اختبار جارك-بيرا وقيمته الاحتمالية في الجزء السفلي من الجدول إلى جانب اختبارات الارتباط الذاتي (Durbin-Watson) وعدم ثبات التباين (Omnibus)، مما يوفر تشخيصاً شاملاً لسلامة النموذج القياسي.

7. تطبيق عملي: تحليل بيانات موزعة طبيعياً في بايثون

7.1 توليد عينة محاكاة للتوزيع الطبيعي المعياري

لفهم السلوك الرياضي والتنفيذي لاختبار جارك-بيرا بشكل تجريبي دقيق، نقوم بتوليد عينة بيانات عشوائية تخضع لخصائص التوزيع الطبيعي المعياري، بمتوسط حسابي محدد وانحراف معياري معلوم، مع تثبيت البذرة العشوائية (Random Seed) لضمان إمكانية تكرار التجربة والحصول على نفس النتائج بدقة متناهية.

نستعين بدالة np.random.normal من مكتبة NumPy لإنشاء عينة تمثل، على سبيل المثال، درجات 1000 طالب في اختبار ذكاء مقنن بمتوسط حسابي $\mu = 100$ وانحراف معياري $\sigma = 15$:

np.random.seed(42)
normal_sample = np.random.normal(loc=100, scale=15, size=1000)
mean_val = np.mean(normal_sample)
std_val = np.std(normal_sample, ddof=1)
print(f"المتوسط الحسابي: {mean_val:.2f}")
print(f"الانحراف المعياري: {std_val:.2f}")

تُظهر الحسابات الأولية للعينة تقارباً وثيقاً مع المعالم النظرية للمجتمع، مما يمهد لتطبيق الاختبار الإحصائي ورصد تجاوب مؤشرات الالتواء والتفرطح مع البيانات السوية.

7.2 تنفيذ الاختبار وتفسير القيم المستخرجة خطوة بخطوة

نقوم الآن بتمرير العينة المعتدلة المولدة إلى اختبار جارك-بيرا لاستخراج النتائج وتقييمها مقابل المعايير الإحصائية المعتمدة:

jb_stat, p_val, skewness, kurtosis = jarque_bera(normal_sample)
print(f"إحصائية جارك-بيرا: {jb_stat:.4f}")
print(f"القيمة الاحتمالية: {p_val:.4f}")
print(f"معامل الالتواء: {skewness:.4f}")
print(f"معامل التفرطح: {kurtosis:.4f}")

عند تنفيذ الكود أعلاه، نحصل على النتائج التحليلية التالية:

• إحصائية جارك-بيرا ($JB$): تبلغ حوالي $0.0963$، وهي قيمة قريبة جداً من الصفر، مما يدل على تطابق شبه تام بين التوزيع التجريبي والتوزيع النظري.
• معامل الالتواء ($S$): يبلغ حوالي $0.0076$، وهو قريب للغاية من الصفر، مما يعكس تماثلاً دقيقاً للبيانات حول المتوسط.
• معامل التفرطح ($K$): يبلغ حوالي $2.9554$، وهو قريب جداً من القيمة المعيارية 3.
• القيمة الاحتمالية ($p\text{-value}$): تبلغ حوالي $0.9530$.

التفسير وصنع القرار الإحصائي: بمقارنة القيمة الاحتمالية ($p = 0.9530$) بمستوى الدلالة المعياري ($\alpha = 0.05$)، نجد أن القيمة الاحتمالية أكبر بكثير من مستوى الدلالة ($p > 0.05$). وبناءً على ذلك، نفشل في رفض الفرضية الصفرية ($Fail to Reject H_0$)، ونخلص علمياً إلى أن البيانات تتوزع توزيعاً طبيعياً، مما يسمح للباحث باستخدام النماذج المعلمية بثقة مطلقة.

8. تطبيق عملي: تحليل بيانات غير طبيعية (ملتوية وذات تفرطح مرتفع)

8.1 توليد واختبار بيانات ملتوية التوزيع (Skewed Data)

تتميز العديد من الظواهر الواقعية، مثل توزيع الدخل الفردي، أو زمن رد الفعل في التجارب المعرفية، أو معدلات تكرار السلوكيات العدوانية، بأنها ملتوية بشدة نحو اليمين. لمحاكاة هذه الظاهرة في بايثون، نقوم بتوليد عينة تتبع التوزيع اللوغاريتمي الطبيعي (Log-normal Distribution) بحجم 1000 مشاهدة:

np.random.seed(42)
skewed_data = np.random.lognormal(mean=2.0, sigma=0.75, size=1000)
jb_s, p_s, skew_s, kurt_s = jarque_bera(skewed_data)
print(f"إحصائية JB للبيانات الملتوية: {jb_s:.2f}")
print(f"القيمة الاحتمالية: {p_s:.4e}")
print(f"الالتواء: {skew_s:.2f}")
print(f"التفرطح: {kurt_s:.2f}")

تُسفر هذه التجربة عن إحصائية جارك-بيرا ضخمة للغاية تتجاوز عادةً مئات أو آلاف الوحدات (مثلاً: $JB > 2500$)، مع معامل التواء موجب مرتفع ($S \approx 3.2$) ومعامل تفرطح عالٍ ($K \approx 18.5$). في هذه الحالة، تهبط القيمة الاحتمالية إلى مستويات شديدة الصغر ($p < 0.0001$). وبما أن القيمة الاحتمالية أقل بكثير من $\alpha = 0.05$، فإننا نرفض الفرضية الصفرية رفضاً قاطعاً ونستنتج عدم اعتدالية التوزيع، مما يحظر استخدام الاختبارات المعلمية المباشرة دون معالجة مسبقة.

8.2 توليد واختبار بيانات ذات ذيول ثقيلة (Heavy-tailed Data)

تتجلى مشكلة الذيول الثقيلة (Heavy Tails) بوضوح في عوائد الأصول المالية والمقاييس السلوكية للمخاطر، حيث تكون البيانات متماثلة ولكنها تحتوي على قيم شاذة ومتطرفة بنسب أعلى بكثير مما يسمح به التوزيع الطبيعي. لمحاكاة هذه الظاهرة، نستخدم توزيع تي-ستيودنت (Student’s t-distribution) بدرجات حرية منخفضة ($\text{df} = 3$):

np.random.seed(42)
heavy_tail_data = np.random.standard_t(df=3, size=1000)
jb_h, p_h, skew_h, kurt_h = jarque_bera(heavy_tail_data)
print(f"إحصائية JB للذيول الثقيلة: {jb_h:.2f}")
print(f"القيمة الاحتمالية: {p_h:.4e}")
print(f"الالتواء: {skew_h:.2f}")
print(f"التفرطح: {kurt_h:.2f}")

تكشف النتائج أن معامل الالتواء قد يظل قريباً من الصفر ($S \approx 0.1$) نظراً لتماثل التوزيع، إلا أن معامل التفرطح يقفز إلى قيم قياسية ($K > 10$). ترصد إحصائية جارك-بيرا هذا الخلل الحاد في العزم الرابع مباشرة، فترتفع قيمة $JB$ بشكل حاد وتهبط القيمة الاحتمالية إلى الصفر العملي ($p < 0.001$). يقودنا هذا القرار الإحصائي إلى تأكيد فشل فرضية الاعتدالية بسبب مشكلة التفرطح والسمك الزائد للذيول، محذراً الباحث من المخاطر الكامنة للقيم المتطرفة.

9. منهجية تفسير مخرجات الاختبار وصنع القرار العلمي

9.1 قواعد اتخاذ القرار الإحصائي وفق مستويات الدلالة

يخضع اتخاذ القرار الإحصائي في اختبار جارك-بيرا إلى القواعد المنهجية الصارمة لاختبار الفرضيات المعلمية. يقارن الباحث القيمة الاحتمالية المستخرجة ($p$-value) بمستوى الدلالة المحدد سلفاً ($alpha$)، والذي يُحدد عادةً عند $0.05$ في البحوث النفسية والاجتماعية، وعند $0.01$ أو $0.001$ في الدراسات الطبية والمالية الحساسة:

• حالة $p\text{-value} > \alpha$: الفشل في رفض الفرضية الصفرية ($H_0$). يُعد هذا دليلاً إحصائياً كافياً على أن البيانات لا تختلف جوهرياً عن التوزيع الطبيعي، مما يتيح تطبيق النماذج المعلمية بأمان.
• حالة $p\text{-value} le \alpha$: رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$). يُثبت هذا أن البيانات غير معتدلة بسبب التواء معنوي أو تفرطح شاذ أو كليهما.

في بعض الحالات الواقعية، قد يواجه الباحث ما يُعرف بـ “الحالات الحدية” (Marginal Cases) حيث تتراوح القيمة الاحتمالية بين $0.04$ و $0.06$. في مثل هذه المواقف، لا يُنصح بالاكتفاء بالقرار الرقمي الميكانيكي، بل يجب تدعيم القرار بفحص الرسوم البيانية التشخيصية وفحص حجم العينة، لتجنب رفض فرضية صالحة عملياً بسبب حساسية طفيفة للاختبار أو قبول بيانات مشوهة.

9.2 كتابة وتوثيق النتائج وفق أسلوب الجمعية الأمريكية لعلم النفس (APA)

يتطلب توثيق النتائج الإحصائية في الدوريات العلمية والرسائل الجامعية اتباع المعايير القياسية لدليل النشر الخاص بـ الجمعية الأمريكية لعلم النفس (APA 7th Edition). عند الإبلاغ عن نتائج اختبار جارك-بيرا، يجب تضمين حجم العينة، وقيمة الإحصائية، ودرجات الحرية ($\text{df} = 2$)، والقيمة الاحتمالية الدقيقة، مع تفصيل قيمتي الالتواء والتفرطح لتوضيح طبيعة التوزيع.

نموذج توثيق لحالة اعتدالية البيانات (قبول الاعتدالية):
“أظهر اختبار جارك-بيرا للاعتدالية أن درجات التحصيل الدراسي تتوزع توزيعاً طبيعياً، $JB(2, N = 250) = 1.42$، $p = .491$، مع معامل التواء $S = 0.08$ وتفرطح $K = 3.12$. وبناءً على ذلك، تم استيفاء فرضية التوزيع الطبيعي اللازمة لتطبيق النماذج المعلمية.”

نموذج توثيق لحالة انتهاك الاعتدالية (رفض الاعتدالية):
“كشفت نتائج اختبار جارك-بيرا عن انتهاك دال إحصائياً لفرضية الاعتدالية في مقياس القلق، $JB(2, N = 400) = 87.65$، $p < .001$. ويُعزى هذا الانحراف إلى التواء موجب ملحوظ في الدرجات ($S = 0.94$) وتفرطح مدبب ($K = 4.85$)، مما استدعى استخدام الأساليب الإحصائية اللامعلمية."

10. التحليل البصري المكمل لاختبار جارك-بيرا

10.1 رسم المدرجات التكرارية ومنحنى الكثافة الاحتمالية

على الرغم من القوة الرياضية لاختبار جارك-بيرا، يؤكد علماء الإحصاء التطبيقي على ضرورة اقتران الفحص الرقمي دائماً بالاستكشاف البصري (Visual Data Exploration). يساعد التمثيل البصري في تكوين فهم نوعي لطبيعة التوزيع، والكشف عن وجود فئات فرعية متعددة القمم (Multimodal Distributions) أو قيم متطرفة معزولة قد تشوه نتائج الاختبار الرقمي.

تتيح مكتبة Seaborn مع Matplotlib إنشاء مدرج تكراري (Histogram) مدمج مع منحنى تقدير الكثافة الاحتمالية (Kernel Density Estimation – KDE) ومطابقته مباشرة مع المنحنى الطبيعي النظري، كما في الكود التالي:

plt.figure(figsize=(9, 5))
sns.histplot(normal_sample, kde=True, stat="density", color="steelblue", bins=30, alpha=0.6)
# رسم المنحنى النظري الطبيعي المطابق
x_axis = np.linspace(min(normal_sample), max(normal_sample), 200)
norm_pdf = stats.norm.pdf(x_axis, mean_val, std_val)
plt.plot(x_axis, norm_pdf, color="red", linestyle="--", linewidth=2, label="Gaussian Fit")
plt.title("المدرج التكراري ومنحنى الكثافة مقارنة بالتوزيع الطبيعي")
plt.xlabel("القيم")
plt.ylabel("الكثافة")
plt.legend()
plt.show()

يتيح هذا المخطط للباحث رؤية التماثل ومدى تطابق القمة الحقيقية للعينة مع المنحنى الغاوسي النظري الموضح بالخط المتقطع الأحمر، مما يوفر سنداً بصرياً قاطعاً لتأكيد نتائج الاختبار الرقمي.

10.2 مخطط الاحتمال الطبيعي (Q-Q Plot)

يُعد مخطط المئين-المئين (Quantile-Quantile Plot / Q-Q Plot) الأداة البصرية الأقوى والأكثر حساسية لتشخيص انحرافات الاعتدالية، وتحديداً في منطقتي الذيول والقمة. يقوم المخطط برسم مئينات البيانات التجريبية على المحور الرأسي مقابل المئينات المتوقعة للتوزيع الطبيعي النظري على المحور الأفقي.

إذا كانت البيانات معتدلة تماماً، تصطف جميع النقاط بدقة على خط مستقيم بزاوية 45 درجة. وأي انحراف لنقاط العينة عن هذا الخط يحمل دلالة تشخيصية مباشرة: فالانحناء على شكل حرف “S” يعكس وجود تفرطح شاذ (ذيول ثقيلة أو خفيفة)، بينما يعكس الانحناء المقعر أو المحدب العام وجود التواء. يمكن إنشاء هذا المخطط عبر دالة sm.qqplot في بايثون:

fig, ax = plt.subplots(figsize=(7, 7))
sm.qqplot(normal_sample, line='45', fit=True, ax=ax)
plt.title("مخطط الاحتمال الطبيعي (Q-Q Plot)")
plt.xlabel("المئينات النظرية (Theoretical Quantiles)")
plt.ylabel("مئينات العينة (Sample Quantiles)")
plt.grid(True, linestyle=":", alpha=0.6)
plt.show()

يوفر التكامل بين مخطط Q-Q واختبار جارك-بيرا منظومة تشخيصية مزدوجة ومحكمة، تمنح الباحث ثقة مطلقة في قراره الإحصائي قبل الانتقال إلى مراحل النمذجة المتقدمة.

11. مقارنة شاملة بين اختبار جارك-بيرا واختبارات الاعتدالية الأخرى

11.1 مقارنة مع اختبار شابيرو-ويلك (Shapiro-Wilk Test)

يُعد اختبار شابيرو-ويلك (Shapiro-Wilk Test) المعيار الذهبي المفضل لاختبار الاعتدالية في العينات الصغيرة والمتوسطة الحجم ($n < 50$). يعتمد الاختبار على حساب معامل الارتباط بين مئينات العينة المرتّبة والمئينات المتوقعة للتوزيع الطبيعي. يتميز شابيرو-ويلك بقوته الإحصائية المتفوقة في رصد الانحرافات الدقيقة في العينات المحدودة، وهي النقطة التي قد يعاني فيها اختبار جارك-بيرا من قصور طفيف نظراً لطبيعته التقاربية.

ومع ذلك، تظهر أفضلية اختبار جارك-بيرا بوضوح عند التعامل مع العينات الكبيرة والمتوسطة في النماذج القياسية؛ حيث يصبح اختبار شابيرو-ويلك شديد الحساسية لأبسط الفروق التافهة التي لا تؤثر عملياً على النماذج، فضلاً عن تعقيده الحسابي مقارنة بالسرعة الفائقة لجارك-بيرا المعتمد على معادلة العزوم المباشرة. يوضح الكود التالي كيفية مقارنة الاختبارين على نفس العينة في بايثون:

# مقارنة شابيرو-ويلك وجارك-بيرا
sw_stat, sw_p = stats.shapiro(normal_sample)
jb_stat, jb_p = stats.jarque_bera(normal_sample)
print(f"Shapiro-Wilk: W={sw_stat:.4f}, p={sw_p:.4f}")
print(f"Jarque-Bera: JB={jb_stat:.4f}, p={jb_p:.4f}")

عند تكامل الاختبارين في التقارير الإحصائية، يكتسب التحليل رصانة منهجية تدعم استقرار الاستنتاجات العلمية للباحث عبر مختلف أحجام العينات.

11.2 مقارنة مع اختباري كولموجوروف-سميرنوف وداجوستينو-بيرسون

يعد اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test) مع تعديل ليليفورس (Lilliefors Correction) من الاختبارات التاريخية الشائعة التي تقارن دالة التوزيع التراكمي التجريبية بالدالة النظرية. إلا أن الدراسات الإحصائية الحديثة أثبتت تدني القوة الإحصائية لاختبار كولموجوروف-سميرنوف مقارنة باختبار جارك-بيرا، مما يجعله أقل تفضيلاً في التطبيقات العملية الحديثة.

في المقابل، يشترك اختبار داجوستينو-بيرسون (D’Agostino’s K-squared Test) المتاح عبر الدالة stats.normaltest مع اختبار جارك-بيرا في اعتمادهما معاً على الالتواء والتفرطح، إلا أن داجوستينو يُجري تحويلات تقريبية على العزوم لجعلها تتبع التوزيع الطبيعي قبل جمع مربعاتها، مما يمنحه أداءً متزناً في العينات متوسطة الحجم. يوضح الجدول التالي معايير المفاضلة الشاملة بين هذه الاختبارات الإحصائية الرئيسية:

اسم الاختبار الإحصائي	الأساس الرياضي للاختبار	حجم العينة الأمثل	أبرز مجالات الاستخدام	الدالة البرمجية في Python
جارك-بيرا (Jarque-Bera)	عزوم التوزيع العليا (الالتواء والتفرطح)	العينات الكبيرة والمتوسطة ($N ge 100$)	الاقتصاد القياسي، النماذج المالية، بواقي OLS	stats.jarque_bera
شابيرو-ويلك (Shapiro-Wilk)	مصفوفة تباين المئينات المرتبة	العينات الصغيرة والمتوسطة ($3 le N le 50$)	التجارب المعملية، الدراسات الإكلينيكية	stats.shapiro
داجوستينو-بيرسون (D’Agostino)	العزوم المحولة للأشكال المعيارية	العينات المتوسطة والكبيرة ($N ge 20$)	العلوم العامة والتحليلات الاستكشافية	stats.normaltest
كولموجوروف-سميرنوف (KS-Test)	المسافة القصوى في التوزيع التراكمي (EDF)	العينات الكبيرة جداً ($N > 2000$)	مقارنة التوزيعات العامة غير المحددة	stats.kstest

12. القيود، التحديات، وحلول التعامل مع انتهاكات الاعتدالية

12.1 حساسية الاختبار لحجم العينات الكبيرة والصغيرة

يواجه اختبار جارك-بيرا، كغيره من الاختبارات الإحصائية الاستدلالية، تحديات منهجية مرتبطة بحجم العينة ($n$). يتمثل التحدي الأول في “مشكلة القوة المفرطة” (Over-sensitivity) عند التعامل مع مجموعات البيانات الضخمة (Big Data) حيث يتجاوز حجم العينة عشرات الآلاف من المشاهدات. في هذه الحالات، تصبح القيمة الاحتمالية شديدة الصغر ($p < 0.001$) حتى لو كان الانحراف عن التوزيع الطبيعي طفيفاً وغير ذي قيمة من الناحية العملية، مما قد يدفع الباحث إلى رفض غير مبرر للنماذج المعلمية.

في المقابل، تكمن مشكلة التحدي الثاني في “ضعف القوة الإحصائية” (Low Statistical Power) عند تطبيق الاختبار على عينات صغيرة جداً ($n < 30$)؛ إذ يستند الاختبار إلى خصائص التقارب نحو توزيع مربع كاي التي لا تتحقق بالكامل إلا في العينات الكبيرة، مما قد يؤدي إلى الفشل في كشف الالتواء أو التفرطح الحقيقي وقبول زائف للفرضية الصفرية.

للتغلب على هذه التحديات، يتعين على الباحث الموازنة الحكيمة بين الدلالة الإحصائية (Statistical Significance) والدلالة العملية (Practical Significance)، من خلال الفحص المستقل لقيمتي الالتواء والتفرطح الفعليتين؛ حيث تُجمع الأدبيات الإحصائية على أنه إذا تراوحت قيمة الالتواء بين $[-1, +1]$ وقيمة التفرطح بين $[+1.5, +4.5]$، فإن الانحراف يُعد طفيفاً ولا يؤثر بصورة جوهرية على متانة النماذج المعلمية في العينات الكبيرة.

12.2 استراتيجيات معالجة البيانات غير الطبيعية في بايثون

عندما يسفر اختبار جارك-بيرا عن رفض قاطع لفرضية التوزيع الطبيعي، يمتلك المحلل الإحصائي في بايثون ترسانة متقدمة من الحلول المنهجية لمعالجة المشكلة دون التضحية بالقدرة التحليلية للدراسة:

• 1. التحويلات الرياضية المعلمية (Power Transformations): يُعد تحويل بوكس-كوكس (Box-Cox) الأداة الأكثر شهرة لتحويل البيانات الموجبة الملتوية نحو الاعتدالية، بينما يُستخدم تحويل ييو-جونسون (Yeo-Johnson) للبيانات التي تحتوي على قيم سالبة أو أصفار. يمكن تطبيقها في بايثون عبر:
  
  transformed_data, best_lambda = stats.boxcox(skewed_data)
• 2. أسلوب إعادة التعيين والتمهيد (Bootstrapping): في حال استمرار عدم اعتدالية البيانات، يمكن الاعتماد على تقنيات التمهيد غير المعلمي لتقدير فترات الثقة والأخطاء المعيارية لمعاملات النموذج دون الاعتماد على أي افتراض مسبق حول توزيع المجتمع الأصلي.
• 3. النماذج الخطية المعممة (Generalized Linear Models – GLM): الانتقال المنهجي من نماذج المربعات الصغرى العادية إلى نماذج GLM التي تسمح بنمذجة المتغيرات التابعة وفق توزيعات أخرى تتناسب مع طبيعة البيانات، مثل توزيع غاما (Gamma)، أو توزيع بواسون (Poisson)، أو التوزيع ثنائي الحدين السالب.

تضمن هذه الاستراتيجيات المتكاملة الحفاظ على الدقة العلمية للمخرجات، وتمكن الباحثين من بناء نماذج قوية وقابلة للتعميم حتى في ظل أصعب التحديات البنيوية للبيانات الميدانية.

خاتمة شاملة

يظل اختبار جارك-بيرا ركيزة أساسية لا غنى عنها في أدوات التحليل الإحصائي والاستدلال الكمي الحديث. بفضل جمعه الرياضي البديع بين فحص التماثل عبر معامل الالتواء وفحص سلوك الذيول والقمة عبر معامل التفرطح، يوفر الاختبار أداة دقيقة ومحكمة لتقييم جودة مطابقة البيانات للتوزيع الطبيعي. وتتيح منظومة لغة بايثون البرمجية، بما تضمه من مكتبات عريقة كـ SciPy وStatsmodels وPandas وSeaborn، بيئة تنفيذية فائقة المرونة لإجراء الاختبار، وأتمتة تشخيص البواقي، والجمع المتناغم بين النتائج الرقمية والتمثيلات البصرية التفسيرية، مما يرسخ دقة ومصداقية البحوث في شتى مجالات المعرفة العلمية.

References

• Bera, A. K., & Jarque, C. M. (1981). Efficient tests for normality, homoscedasticity and serial independence of regression residuals: Monte Carlo evidence. Economics Letters, 7(4), 313–318. https://doi.org/10.1016/0165-1765(81)90035-5
• Jarque, C. M., & Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics Letters, 6(3), 255–259. https://doi.org/10.1016/0165-1765(80)90024-5
• Jarque, C. M., & Bera, A. K. (1987). A test for normality of observations and regression residuals. International Statistical Review / Revue Internationale de Statistique, 55(2), 163–172. https://doi.org/10.2307/1403192
• McKinney, W. (2010). Data structures for statistical computing in Python. In Proceedings of the 9th Python in Science Conference (Vol. 445, pp. 51–56). https://doi.org/10.25080/Majora-92bf1923-00a
• Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. In Proceedings of the 9th Python in Science Conference (Vol. 57, pp. 61–66). https://doi.org/10.25080/Majora-92bf1923-00f
• Thode, H. C. (2002). Testing for normality. Marcel Dekker. https://doi.org/10.1201/9780203910894
• Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … & SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2