كيفية إجراء اختبار ماكنيمار في لغة R

تُعد معالجة البيانات الفئوية المقترنة (Paired Categorical Data) إحدى الركائز المنهجية الجوهرية في تصميم البحوث التجريبية وشبه التجريبية ضمن العلوم السلوكية والاجتماعية والطبية. فعندما يواجه الباحث موقفا تحليليا يتطلب تتبع التغير في استجابات الأفراد عبر نقطتين زمنيتين مختلفتين، مثل قياس المواقف قبل تطبيق برنامج تدخلي وبعده، تفقد الاختبارات الاستدلالية التقليدية المستندة إلى افتراض استقلالية الملاحظات—مثل اختبار كاي تربيع للاستقلالية—صلاحيتها الرياضية والتطبيقية تماما. يؤدي إغفال طبيعة الاقتران والارتباط الداخلي بين استجابات المفحوص الواحد إلى تشويه الأخطاء المعيارية وزيادة احتمالية الوقوع في الخطأ الإحصائي من النوعين الأول والثاني، مما يستدعي توظيف أساليب متخصصة صُممت خصيصا للتعامل مع هذا النمط من القياسات المتكررة ذات الطبيعة الثنائية.

يمثل اختبار ماكنيمار (McNemar’s Test) الحل الإحصائي الأمثل والأكثر رسوخا في أدبيات القياس النفسي والإحصاء الحيوي لمقارنة نسب الاستجابات الثنائية في العينات المرتبطة أو المزدوجة. ينفرد هذا الاختبار بقدرته على عزل أثر التغير النوعي وتركيز طاقته الاستدلالية على الأفراد الذين غيروا استجاباتهم بالفعل بين القياسين القبلي والبعدي، متجاهلا أولئك الذين أظهروا ثباتا واستقرارا في نمط إجاباتهم. يتيح هذا المنطق الرياضي للباحثين تقييم الفاعلية الحقيقية للبرامج العلاجية، والحملات التوعوية، والتغيرات السلوكية بدقة متناهية ودون الحاجة إلى افتراض التوزيع الطبيعي المتصل للبيانات.

تكتسب لغة البرمجة الإحصائية The R Project for Statistical Computing أهمية استثنائية في تنفيذ هذا الاختبار؛ إذ توفر بيئة برمجية متكاملة تتراوح بين الدوال القياسية المدمجة لإجراء الحسابات التقريبية والدقيقة، وحزم إحصائية متقدمة لحساب أحجام الأثر، وفترات الثقة، ونسب الأرجحية المقترنة، فضلا عن إمكانات تصورية فائقة تتيح نمذجة التحولات السلوكية بصريا. يقدم هذا الدليل الشامل تفكيكا نظريا، ورياضيا، وبرمجيا لاختبار ماكنيمار في R، مصمما لتمكين الباحثين والمحللين من تنفيذ التحليل، وتفسير نتائجه النفسية والإحصائية، وتوثيقها وفق أعلى معايير النشر الأكاديمي الدولية.

1. المقدمة والمفاهيم النظرية لاختبار ماكنيمار

1.1 التعريف باختبار ماكنيمار وسياقه التاريخي

تعود الجذور التاريخية لاختبار ماكنيمار إلى عام 1947 عندما نشر عالم النفس والإحصاء الأمريكي البارز كوين ماكنيمار (Quinn McNemar) ورقته المرجعية في مجلة Psychometrika بعنوان “Note on the sampling error of the difference between correlated proportions or percentages”. جاء هذا الابتكار كاستجابة منهجية ملحة لمعالجة قصور اختبار كاي تربيع التقليدي لبيرسون، والذي يفترض بالضرورة استقلالية تامة بين المشاهدات. أوضح ماكنيمار أن استخدام اختبار الاستقلالية على بيانات مقترنة ناتجة عن نفس الأفراد يؤدي إلى تقليل التباين المقدر بشكل خاطئ، مما ينتج عنه قيم كاي غير دقيقة واستنتاجات مضللة حول الدلالة الإحصائية للفروق.

يُصنف اختبار ماكنيمار ضمن الاختبارات اللامعلمية (Non-parametric Tests) المخصصة للمتغيرات الفئوية الاسمية ثنائية الاستجابة (Dichotomous Variables)، والتي تُقاس على نفس العينة في مناسبتين مختلفتين، أو على عينات متناظرة جرى التوفيق بين أفرادها زوجيا (Matched-Pairs Design) بناء على متغيرات دخيلة مثل العمر والجنس والمستوى الاجتماعي. تكمن البراعة الرياضية للاختبار في تحويل مشكلة مقارنة النسبتين المترابطتين إلى فحص لتماثل التكرارات في الخلايا المتنافرة داخل مصفوفة الاقتران، مما يجعله أداة دقيقة للغاية ومتحررة من افتراضات التوزيع الطبيعي المعقدة.

تتجلى الأهمية التطبيقية لاختبار ماكنيمار في رصد التحولات الديناميكية في الاتجاهات، والآراء، والسلوكيات الفردية. على سبيل المثال، عند دراسة أثر إعلان توعوي على قرار الإقلاع عن التدخين (مدخن / غير مدخن) أو قياس اتجاهات الناخبين تجاه مرشح سياسي معين (مؤيد / معارض) قبل وبعد مناظرة تلفزيونية، يقدم الاختبار مقياسا إحصائيا يحدد ما إذا كان التحول الإيجابي في الاتجاه يفوق التحول العكسي بدرجة لا يمكن عزوها إلى المصادفة العشوائية وحدها.

1.2 أهمية الاختبار في القياس والتقييم النفسي

يحتل اختبار ماكنيمار مكانة محورية في حقل القياس والتقييم النفسي والتشخيص الإكلينيكي، نظرا لأن العديد من الأدوات السيكومترية وقوائم الفحص السريري تعتمد بنية استجابة ثنائية مثل (نعم / لا)، (حاضر / غائب)، أو (موافق / غير موافق). في سياق تقييم الاضطرابات النفسية، يُستخدم الاختبار لتتبع زوال الأعراض الإكلينيكية (مثل تشخيص اضطراب القلق العام أو الاكتئاب وفق معايير الدليل التشخيصي والإحصائي) لدى المرضى الخاضعين لبروتوكول علاجي محدد، ومقارنة نسبتهم قبل بدء التدخل السلوكي وبعد استكماله.

كما يُعد الاختبار أداة مثالية لتقييم فعالية البرامج التدخلية المعرفية والسلوكية قصيرة المدى؛ حيث يساعد الباحثين في التحقق من حدوث تغير نوعي ذي دلالة في المعتقدات التكيفية أو المهارات السلوكية المستهدفة. إضافة إلى ذلك، يلعب الاختبار دورا بالغا في دراسات التكافؤ المنهجي وفحص ثبات الاتساق عبر الزمن (Test-Retest Reliability) للفقرات والاختبارات النفسية الموضوعية ذات البدائل الثنائية، إذ يتيح فحص ما إذا كان هناك انحراف منهجي منتظم في أنماط الإجابة بين مرتي التطبيق، وهو ما قد يشير إلى تأثيرات التذكر أو التعب أو عدم ثبات البناء السيكومتري للمقياس.

يمتد توظيف الاختبار أيضا إلى مجالات الإرشاد النفسي والتوجيه المهني لتقييم تحولات صنع القرار وحل المشكلات لدى المسترشدين. إن قدرة الباحث على الفصل بين الاستقرار في السمات السلوكية وبين التغير الحقيقي الناتج عن التدخل تجعل من اختبار ماكنيمار وسيلة لا غنى عنها في أبحاث التقييم القائم على الأدلة (Evidence-Based Assessment)، مما يضمن عدم تضخيم فاعلية العلاج من خلال إقصاء الأثر المشترك للمستجيبين الذين لم تتغير حالتهم السريرية.

1.3 مقارنة اختبار ماكنيمار بالاختبارات الإحصائية المجاورة

لضمان الاختيار المنهجي السليم للاختبار الإحصائي، يجب على الباحث التمييز الدقيق بين اختبار ماكنيمار والأساليب الإحصائية الأخرى التي تتعامل مع البيانات الفئوية أو القياسات المتكررة. يكمن الفرق الجوهري بين اختبار ماكنيمار واختبار كاي تربيع للاستقلالية (Pearson’s Chi-Square Test of Independence) في بنية العينة؛ فاختبار كاي تربيع يفترض استقلال المشاهدات بين المجموعات ولا يأخذ في الحسبان الارتباط الناتج عن قياس نفس المفحوصين، بينما صُمم ماكنيمار صراحة للتعامل مع البيانات التابعة والمقترنة وتجاهل الاستقلال التام.

من زاوية أخرى، يشبه اختبار ماكنيمار اختبار “ت” للعينات المرتبطة (Paired t-test) من حيث منطق التصميم التجريبي القائم على القياس القبلي والبعدي لنفس المفحوصين، إلا أن نقطة الافتراق تكمن في طبيعة المتغير التابع؛ فاختبار “ت” يتطلب متغيرا كميا متصلا يُقاس على مستوى فئوي أو نسبي ويخضع لافتراض التوزيع الطبيعي، في حين يتعامل ماكنيمار حصريا مع المتغيرات النوعية الاسمية ثنائية الفئات. وبالتالي، يمثل ماكنيمار المعادل اللامعلمي الثنائي لاختبار “ت” المقترن.

عندما يتوسع التصميم التجريبي ليشمل أكثر من نقطتين زمنيتين لنفس العينة (مثل: القياس القبلي، البعدي، والتتبعي بعد 6 أشهر)، أو عند تعريض المفحوصين لثلاثة شروط تجريبية مختلفة لمتغير ثنائي، يعجز اختبار ماكنيمار الثنائي عن استيعاب التصميم بالكامل. في هذه الحالة، يتم التوسع الرياضي نحو اختبار كوشران كيو (Cochran’s Q Test)، والذي يُعتبر الامتداد الطبيعي والمباشر لاختبار ماكنيمار للقياسات المتكررة متعددة النقاط الزمنية ($k ge 3$)، محافظا على نفس المبادئ اللامعلمية الخاصة بالبيانات الاسمية الثنائية.

2. الأسس الرياضية والإحصائية لاختبار ماكنيمار

2.1 بنية مصفوفة الاقتران الثنائية (2×2 Contingency Table)

ينطلق التحليل الرياضي لاختبار ماكنيمار من تنظيم البيانات المقترنة في جدول اقتران ثنائي الأبعاد (2×2 Contingency Table). في هذا الجدول، تُمثل الصفوف مستويات الاستجابة في القياس الأول (القبلي)، بينما تُمثل الأعمدة مستويات الاستجابة في القياس الثاني (البعدي)، بحيث تُسجل كل مفردة من مفردات العينة مرة واحدة فقط في إحدى الخلايا الأربع بناء على تركيبتها السلوكية المزدوجة.

تُصنف خلايا المصفوفة الأربع إلى نمطين رئيسيين:

• الخلايا المتوافقة (Concordant Pairs): وهي الخلية (أ / $a$) التي تمثل الأفراد الذين أظهروا استجابة إيجابية في كلا القياسين، والخلية (د /$d$) التي تمثل الأفراد الذين أظهروا استجابة سلبية في كلا القياسين. يعكس هذان المجالان الاستقرار والثبات السلوكي وغياب التغير.
• الخلايا المتنافرة أو غير المتوافقة (Discordant Pairs): وهي الخلية (ب / $b$) التي تمثل التحول من الإيجاب إلى السلب، والخلية (ج /$c$) التي تمثل التحول من السلب إلى الإيجاب بين القياسين.

تتمحور الفلسفة الرياضية لاختبار ماكنيمار حول حقيقة أن الخلايا المتوافقة ($a$ و $d$) لا تقدم أي معلومات استدلالية بخصوص اتجاه التغير أو فاعلية التدخل التجريبي؛ لأن أفرادها لم يغيروا سلوكهم مطلقا. وبالتالي، يتم استبعاد الخلايا المتوافقة تماما من الحسابات الرياضية المباشرة، ويتركز الاختبار بالكامل وبشكل حصري على التكرارات المشاهدة في الخلايا المتنافرة ($b$ و $c$) كمصدر وحيد لقياس التباين والتحول الدال إحصائيا.

2.2 معادلة الاختبار وحساب قيمة كاي تربيع

تستند الفرضية الصفرية ($H_0$) في اختبار ماكنيمار إلى افتراض التماثل الهامشي (Marginal Symmetry)، والذي ينص على أن الاحتمال الحقيقي للتحول من الفئة الأولى إلى الثانية مساوٍ تماما لاحتمال التحول المعاكس من الفئة الثانية إلى الأولى في المجتمع الإحصائي ($H_0: p_b = p_c$ أو $H_0: P(B) = P(C)$). في المقابل، تنص الفرضية البديلة ثنائية الاتجاه ($H_a$) على عدم تماثل احتمالات التحول ($H_a: p_b \neq p_c$).

في ظل صحة الفرضية الصفرية، يخضع توزيع التكرارات المتنافرة لتوزيع ثنائي الحدين بمعلمة نجاح متساوية ($p = 0.5$). وعندما يكون مجموع الخلايا المتنافرة كبيرا بما يكفي، يمكن تقريب هذا التوزيع إلى توزيع كاي تربيع (Chi-square Distribution) بدرجة حرية واحدة ($df = 1$). تُصاغ المعادلة الرياضية القياسية للاختبار بدون تصحيح على النحو التالي:

$\chi^2 = \frac{(b – c)^2}{b + c}$

حيث يمثل البسط مربع الفرق بين التكرارات المتنافرة، بينما يمثل المقام مجموع هذه التكرارات، والذي يعبر عن التباين المتوقع للفرق تحت الفرضية الصفرية. تُقارن قيمة كاي تربيع المحسوبة بالقيمة الحرجة المستخرجة من جدول توزيع كاي تربيع عند مستوى دلالة محدد (عادة $\alpha = 0.05$) ودرجة حرية $df = 1$. فإذا تجاوزت القيمة المحسوبة القيمة الحرجة (وهي 3.841 عند مستوى 0.05)، تُرفض الفرضية الصفرية لصالح الفرضية البديلة، مما يدل على وجود تغير ذي دلالة إحصائية في النسب المقترنة.

2.3 تعديل إدواردز للاستمرارية (Continuity Correction)

نظرا لأن تكرارات الخلايا هي متغيرات منفصلة ومتقطعة (Discrete Counts)، بينما توزيع كاي تربيع المستخدم في استنتاج القيمة الاحتمالية هو توزيع احتمالي متصل (Continuous Distribution)، فإن استخدام المعادلة الكلاسيكية المباشرة قد يؤدي إلى تقليل طفيف في قيمة $p$ المحسوبة، مما يرفع احتمالية الوقوع في خطأ من النوع الأول (Type I Error) برفض الفرضية الصفرية وهي صحيحة.

لمعالجة هذا التحيز في العينات المتوسطة، اقترح الإحصائي ألن إدواردز (Allen Edwards) عام 1948 تعديلا رياضيا يُعرف بـ “تصحيح الاستمرارية” (Edwards’ Continuity Correction)، والذي يقضي بطرح القيمة الثابتة 1 من القيمة المطلقة للفرق بين التكرارات المتنافرة قبل تربيعها في البسط. وتصبح الصيغة الرياضية المصححة كما يلي:

$\chi_{\text{corrected}}^2 = \frac{(|b – c| – 1)^2}{b + c}$

يعمل هذا التصحيح على تقليص قيمة كاي تربيع المحسوبة بشكل طفيف، مما يضفي طابعا محافظا (Conservative) على الاختبار ويضمن عدم تضخيم الدلالة الإحصائية بشكل وهمي. يُعد تصحيح إدواردز هو الإعداد الافتراضي القياسي في العديد من البرمجيات الإحصائية المتقدمة بما فيها لغة R، ويُنصح باعتماده ما لم يكن حجم الخلايا المتنافرة ضخما جدا بما يتجاوز مئات المشاهدات.

3. شروط وافتراضات تطبيق اختبار ماكنيمار في البحوث النفسية

3.1 طبيعة وتصنيف المتغيرات التابعة والمستقلة

يتطلب التطبيق الصارم لاختبار ماكنيمار استيفاء شروط قياسية تتعلق بطبيعة المتغيرات وتصميم البحث. يكمن الشرط الأساسي في أن يكون المتغير التابع متغيرا فئويا اسميا ثنائي التقسيم الحصري (Dichotomous Binary Variable)؛ أي أنه يمتلك مستويين فقط غير قابلين للترتيب الرياضي الذاتي، مثل: (مضطرب / غير مضطرب)، (ناجح / راسب)، أو (مؤيد / معارض). يجب أن تكون الفئات شاملة ومتبادلة كليا، بحيث لا يمكن للمفحوص أن ينتمي إلى أكثر من فئة واحدة في نقطة زمنية بعينها.

يتمثل المتغير المستقل عادة في عامل الوقت أو التدخل التجريبي المطبق بين نقطتي القياس (القبلية والبعدية)، مما ينتج أزواجا متطابقة من الملاحظات لكل فرد في العينة. وفي حال جمع بيانات رتبية (Ordinal) مثل مقاييس ليكرت الخماسية، يلجأ بعض الباحثين إلى تحويلها قسريا إلى بيانات ثنائية (Dichotomization) من خلال دمج الفئات (مثلا: دمج “أوافق بشدة” و”أوافق” في فئة الإيجاب، ودمج باقي الفئات في فئة السلب).

ومع ذلك، تفرض المنهجية العلمية التحذير من المخاطر السيكومترية المترتبة على هذا التحويل الاصطناعي للمتغيرات متعددة الفئات؛ إذ قد يؤدي تفريق البيانات الرتبية إلى فقدان جزء كبير من التباين الحقيقي والمعلومات التفصيلية الدقيقة، فضلا عن خفض القوة الإحصائية للاختبار. لذلك، يجب ألا يُلجأ إلى تقليص الفئات الرتبية إلا إذا كانت هناك مبررات نظرية قوية تستند إلى معايير تشخيصية فاصلة ومحددة سلفا.

3.2 الاقتران والاستقلالية بين الأزواج

يقوم اختبار ماكنيمار على شرط الاقتران التام والارتباط المباشر بين المشاهدات المتقابلة داخل كل زوج. يتحقق هذا الشرط عندما تأتي البيانات من نفس المفحوصين عبر خطتي قياس متتابعتين (Repeated Measures)، أو من عينات متناظرة ومزدوجة تماما بناء على مطابقة دقيقة في خصائص أساسية متطابقة (كالتوائم الحقيقية أو أزواج المرضى الذين جرى التوفيق بينهم وفق معايير تشخيصية وديموغرافية متطابقة تماما).

في المقابل، يفرض الاختبار افتراضا جوهريا يتعلق بالاستقلالية بين الأزواج؛ أي أن استجابة أي زوج من المشاهدات يجب ألا تؤثر أو تتأثر باستجابات الأزواج الأخرى داخل العينة الإحصائية. يتطلب هذا استبعاد أي تفاعل جماعي بين المفحوصين قد يقوض استقلالية القرارات الفردية، مثل الإجابة الجماعية داخل قاعة الاختبار أو تأثير التعلم التبادلي بين أفراد المجموعات العلاجية دون عزل تجريبي محكم.

يؤدي الإخلال بشرط استقلالية الأزواج إلى انتهاك التوزيع الاحتمالي للبيانات، مما يجعل تقدير الخطأ المعياري غير دقيق. لذلك، يجب على الباحثين في علم النفس والمجالات الإكلينيكية التأكد من ضبط البيئة التجريبية وضمان استقلالية كل مفحوص في اتخاذ قراراته وتقديم استجاباته في كلتا جلستي القياس.

3.3 اشتراطات حجم العينة في الخلايا المتنافرة

نظرا لأن الصيغة الكلاسيكية لاختبار ماكنيمار تستند إلى التقريب التقاربي لتوزيع كاي تربيع، فإن دقة النتائج ترتبط ارتباطا وثيقا بالعدد الإجمالي للملاحظات الواقعة في الخلايا المتنافرة ($b + c$)، وليس بالحجم الإجمالي الكلي للعينة ($N = a + b + c + d$). تنص القاعدة الإحصائية الشائعة على أن تقريب كاي تربيع يكون موثوقا ومقبولا عندما يكون مجموع الخلايا المتنافرة مساويا أو أكبر من 25 مشاهَدة ($b + c ge 25$).

إذا كان مجموع الخلايا المتنافرة أقل من 25 ($b + c < 25$)، يفقد تقريب كاي تربيع دقته الرياضية، وتصبح القيم الاحتمالية الناتجة عرضة للخطأ والتشويه. في مثل هذه الحالات الشائعة في الدراسات الإكلينيكية والطبية ذات العينات المحدودة، يُشترط التخلي عن الاختبار التقريبي واللجوء فورا إلى "اختبار ماكنيمار الدقيق" (Exact Binomial McNemar Test)، والذي يعتمد على حساب الاحتمالات المباشرة من التوزيع ذي الحدين دون اللجوء إلى أي تقريب مستمر.

علاوة على ذلك، ينبغي على الباحث إجراء تحليل القوة الإحصائية البعدي أو القبلي (Statistical Power Analysis) باستخدام حزم إحصائية متخصصة لتقدير حجم العينة الكلي المطلوب، مع الأخذ في الحسبان النسبة المتوقعة للخلايا المتوافقة؛ فإذا كانت نسبة الثبات عالية جدا بين القبلي والبعدي، سيتطلب الأمر عينة كلية ضخمة لضمان الحصول على تكرارات كافية في الخلايا المتنافرة لتحقيق قوة اختبار إحصائية كافية تضمن اكتشاف الفروق الحقيقية عند مستوى دلالة محدد.

4. التهيئة البرمجية والبيئة الأساسية في لغة R

4.1 إعداد بيئة العمل واستيراد الحزم الإحصائية المطلوبة

تتميز لغة R بوجود دعم أصيل مدمج لاختبار ماكنيمار عبر حزمة stats الأساسية التي يتم تحميلها تلقائيا مع بدء تشغيل بيئة R دون الحاجة إلى تنصيب حزم إضافية لإجراء الاختبار البسيط. تتضمن هذه الحزمة دالة mcnemar.test() القياسية والقادرة على معالجة مصفوفات الاقتران وحساب الاختبار التقريبي مع تصحيح الاستمرارية أو بدونه.

ولكن لإجراء تحليلات إحصائية وسيكومترية متقدمة، تشمل حساب أحجام الأثر، ونسب الأرجحية المقترنة، والتصوير البياني الأكاديمي، والاختبارات الدقيقة، يتطلب الأمر تثبيت واستدعاء مجموعة من الحزم المتخصصة المتاحة عبر مستودع CRAN الرسمي. تشمل الحزم الأساسية الموصى بها:

• حزمة tidyverse: وهي منظومة متكاملة لمعالجة وهيكلة البيانات تشمل حزم dplyr وtidyr وreadr.
• حزمة ggplot2: المعيار الذهبي لتوليد الرسوم البيانية الإحصائية المتقدمة.
• حزمة rcompanion: لحساب مؤشرات حجم الأثر الخاصة بالعينات المقترنة مثل معامل كوهين $g$.
• حزمة exact2x2: لتنفيذ اختبارات ماكنيمار الدقيقة وحساب فترات الثقة غير التقريبية.
• حزمة ggalluvial: لتصميم مخططات التدفق والتحول البصري للبيانات المقترنة.

يتم تثبيت هذه الحزم في منصة R أو RStudio باستخدام أوامر التثبيت المعيارية واستدعاؤها في بداية جلسة العمل، مما يوفر بيئة استدلالية متماسكة ومرنة قادرة على إنجاز التحليل الإحصائي من مرحلة استيراد البيانات حتى التقرير النهائي القابل للنشر.

4.2 هيكلة البيانات وتجهيز مصفوفات التوافق في R

يقبل التحليل الإحصائي لاختبار ماكنيمار في R نسقين رئيسيين من البيانات: الأول هو البيانات الخام غير المجدولة الموجودة في إطار بيانات (Data Frame) يحتوي على عمودين يمثلان القياس القبلي والبعدي لكل مفحوص، والثاني هو مصفوفة الاقتران المجدولة مسبقا (2×2 Matrix) التي تحتوي على التكرارات التراكمية للخلايا الأربع.

لبناء مصفوفة الاقتران مباشرة من الأرقام التكرارية، تُستخدم دالة matrix() مع تحديد أبعاد المصفوفة عبر معامل nrow = 2 وإسناد أسماء الصفوف والأعمدة بدقة باستخدام dimnames لتوضيح شروط التجربة ومستويات الاستجابة. أما إذا كانت البيانات متاحة في هيئة إطار بيانات خام، فيتم تحويلها إلى مصفوفة تقاطع تكرارية ثنائية باستخدام دالة table() أو دالة xtabs()، اللتين تقومان بمطابقة المتجهات وتوليد جدول التقاطع الزوجي المطلوب بدقة متناهية.

تضمن الهيكلة السليمة للبيانات في R تجنب الأخطاء الشائعة المتعلقة بخلط أبعاد المصفوفة؛ حيث يفترض الترتيب القياسي في R أن الصفوف تمثل شروط المتغير الأول (غالبا القياس القبلي) والأعمدة تمثل شروط المتغير الثاني (القياس البعدي)، وهو ما يسهل تتبع الخلايا المتوافقة والمتنافرة وحساب مؤشرات الفاعلية اللاحقة دون أي التباس رياضي.

4.3 التحقق من سلامة البيانات وخلوها من القيم المفقودة

تعد جودة البيانات وسلامتها خطوة تمهيدية حاسمة قبل الشروع في إجراء التحليل الاستدلالي. نظرا لأن اختبار ماكنيمار يتطلب بيانات مقترنة بالكامل، فإن وجود أي قيمة مفقودة (Missing Value: NA) في أحد القياسين لأي مفحوص يؤدي حتما إلى إفقاد الزوج بالكامل قيمته التحليلية؛ إذ لا يمكن حساب التحول السلوكي لمفردة تفتقر إلى القياس البعدي أو القبلي.

يتم فحص البيانات المفقودة واستكشاف البنية العامة للبيانات في R باستخدام دوال مثل str() وsummary() وcomplete.cases(). وفي حال وجود قيم مفقودة، يجب على الباحث اتخاذ قرار منهجي واعٍ إما باستبعاد الحالات غير المكتملة عبر الحذف الزوجي المباشر (Listwise Deletion)، أو بتطبيق أساليب التعويض المتعدد للبيانات المفقودة (Multiple Imputation) إذا كانت البيانات مفقودة عشوائيا بنسب لا تخل بصحة النموذج الإحصائي.

بالإضافة إلى ذلك، يجب التحقق من تجانس مستويات العوامل (Factor Levels) بين المتغيرين المقترنين؛ إذ يجب أن يمتلك كلا المتغيرين نفس الفئات الاسمية والترتيب التعريفي تماما (مثلا: “نعم” و”لا” بنفس التهجئة والترتيب)، لضمان أن دالة table() تُطابق المستويات بصورة متوازية في الصفوف والأعمدة دون حدوث ترحيل غير مقصود للخلايا.

5. تمثيل البيانات الثنائية المقترنة في R ومصفوفة الاقتران

5.1 إنشاء مصفوفة الاقتران يدوياً من القيم التكرارية

في العديد من السيناريوهات الأكاديمية والعملية، تتوفر لدى الباحث النتائج التلخيصية للدراسة في صورة جدول تكراري منشور دون الحاجة للوصول إلى ملف البيانات الخام الفردي. يتيح برنامج R بناء مصفوفة الاقتران 2×2 بصورة يدوية مباشرة وسريعة من خلال تمرير متجهات القيم العددية إلى دالة matrix().

عند بناء المصفوفة يدويا، يتم تمرير القيم التكرارية للخلايا الأربع بترتيب تعبئة الأعمدة الافتراضي في R (أو بتحديد byrow = TRUE لتعبئتها صفا فصفا). ويُتبع ذلك بإرفاق قائمة تسميات الأبعاد (Dimension Names) التي تعكس الحالات بوضوح، مثل تسمية الصفوف بـ “القبلي: موافق / غير موافق” والأعمدة بـ “البعدي: موافق / غير موافق”.

تسمح هذه الصياغة اليدوية بالتحقق الفوري من التوزيع المكاني للخلايا داخل المصفوفة والتأكد من تموضع الخلايا المتوافقة ($a$ و $d$) على القطر الرئيسي (الركن العلوي الأيسر والركن السفلي الأيمن)، بينما تشغل الخلايا المتنافرة ($b$ و $c$) القطر الثانوي، مما يضمن التفسير الرياضي الدقيق عند إدخال هذا الكائن إلى دوال الاختبار الاستدلالي.

5.2 تحويل البيانات الطولية والواسعة إلى جداول متقاطعة

تخضع البيانات المقترنة في البحوث النفسية لأحد نمطين من الهيكلة: النسق العريض (Wide Format) حيث يمتلك كل فرد صفا واحدا يحتوي على عمود للقياس القبلي وعمود للقياس البعدي، أو النسق الطويل (Long Format) حيث تُمثل كل نقطة زمنية صفا منفصلا مع وجود عمود لتعريف هوية المفحوص وعمود لزمن القياس وعمود للاستجابة.

في النسق العريض، يكون إنشاء مصفوفة الاقتران في غاية البساطة عبر استدعاء دالة table(data$pre, data$post). أما إذا كانت البيانات منظمة في النسق الطويل، فيتطلب الأمر إعادة هيكلتها أولا إلى النسق العريض باستخدام دالة pivot_wider() من حزمة tidyr، مع تحديد معرف المفحوص كمتغير محوري، والزمن كمتغير للأسماء، والاستجابة كمتغير للقيم، قبل إنشاء جدول التقاطع.

كما تتيح دالة ftable() (Flat Contingency Tables) التعامل مع السيناريوهات الأكثر تعقيدا التي تتضمن متغيرات تصنيفية إضافية (مثل تقسيم العينة حسب الجنس أو الفئة العمرية)، مما يوفر جداول تقاطع مسطحة متعددة الأبعاد تُمكن الباحث من إجراء اختبارات ماكنيمار طبقية عبر المجموعات الفرعية للدراسة.

5.3 فحص التكرارات الهامشية وتوزيع التكرارات

قبل الشروع في قراءة نتائج الاختبار الاستدلالي، يمثل الفحص الوصفي للتكرارات والنسب الهامشية (Marginal Frequencies and Proportions) خطوة تشخيصية ضرورية لفهم طبيعة البيانات. تُستخدم دالة addmargins() في R لإضافة مجاميع الصفوف والأعمدة والمجموع الكلي للعينة تلقائيا إلى مصفوفة الاقتران، مما يوضح العدد الإجمالي للمستجيبين إيجابيا في القياس القبلي مقارنة بالقياس البعدي.

ولتحويل هذه التكرارات إلى نسب مئوية سهلة التفسير، تُوظف دالة prop.table(). يتيح المعامل margin = NULL حساب النسب المئوية الإجمالية لكل خلية منسوبة إلى الحجم الكلي للعينة، بينما يتيح تحديد margin = 1 حساب النسب المئوية المشروطة على الصفوف، وتحديد margin = 2 حساب النسب المشروطة على الأعمدة، مما يكشف عن احتمالية التحول السلوكي لكل فئة بشكل تفصيلي.

يكشف الفحص البصري الأولي للتكرارات الهامشية والمتنافرة عن اتجاه التغير المبدئي؛ فإذا كان التكرار في الخلية $b$ يفوق تكرار الخلية $c$ بفارق واضح، فإن ذلك يشير إلى أن الفروق ليست عشوائية وأن التدخل التجريبي قد أحدث إزاحة منهجية واضحة في اتجاه محدد، وهو ما سيتحقق منه اختبار ماكنيمار إحصائيا.

6. الدالة الأساسية mcnemar.test() في بيئة R القياسية

6.1 بنية دالة mcnemar.test() ومعاملاتها الأساسية

تُعد دالة mcnemar.test() التابعة لحزمة stats الأداة البرمجية المرجعية لإجراء اختبار ماكنيمار في بيئة R. تمتلك هذه الدالة بنية معمارية بسيطة وقوية في آن واحد؛ حيث تقبل المدخلات إما في صورة مصفوفة اقتران ثنائية الأبعاد (Matrix or 2D Table) عبر المعامل الرئيسي x، أو في صورة متجهين متطابقين ومنفصلين للعوامل (Factors) عبر تمرير القياس القبلي إلى x والقياس البعدي إلى y.

تتضمن الدالة المعامل المنطقي المحوري correct، والذي يحدد ما إذا كان التحليل سيطبق تصحيح إدواردز للاستمرارية أم لا. القيمة الافتراضية لهذا المعامل هي correct = TRUE، مما يعني أن R تُطبق التصحيح تلقائيا لحماية الباحث من تضخيم الدلالة في العينات غير الضخمة. وعند ضبط المعامل على correct = FALSE، تقوم الدالة بحساب صيغة كاي تربيع الكلاسيكية البسيطة دون أي تعديل.

تُرجع الدالة كائنا إحصائيا من الفئة htest (Hypothesis Test Object)، وهو هيكل بيانات منظم يحتوي على كافة مخرجات التحليل بما فيها قيمة إحصاء الاختبار، درجات الحرية، القيمة الاحتمالية، اسم طريقة الاختبار المستخدمة، والبيانات المدخلة، مما يتيح استخراج هذه المكونات برمجيا وإدراجها في التقارير والجداول الآلية.

6.2 تطبيق الدالة مع وبدون تصحيح ييتس للاستمرارية

يختلف سلوك دالة mcnemar.test() اختلافا واضحا تبعا لحالة المعامل correct، مما يفرض على الباحث فهما منهجيا لاختيار الصيغة المناسبة لبياناته. عند تنفيذ الاختبار المصحح الافتراضي:

mcnemar.test(contingency_matrix, correct = TRUE)

تطبق الدالة معادلة إدواردز التي تطرح 1 من بسط الفرق المتنافر، مما ينتج عنه قيمة كاي تربيع أصغر نسبيا وقيمة احتمالية ($p$-value) أعلى قليلا، وهو النهج الأنسب للدراسات النفسية والسلوكية التي تتراوح فيها تكرارات الخلايا المتنافرة بين 25 وبضع مئات.

في المقابل، عند تنفيذ الاختبار غير المصحح:

mcnemar.test(contingency_matrix, correct = FALSE)

تُحسب قيمة كاي تربيع الكلاسيكية بدقة تطابق الصيغة اليدوية البسيطة. في العينات الكبيرة جدا التي تتجاوز فيها التكرارات المتنافرة مئات الحالات، تتقارب نتائج الصيغتين بشكل شبه تام، وتتلاشى الفروق الرياضية بينهما عمليا، إلا أن التصريح المنهجي بالخيار المعتمد يظل متطلبا أكاديميا حاسما لضمان إمكانية تكرار التحليل والتحقق من نتائجه.

6.3 قراءة وتفكيك مخرجات الكائن الناتج من الاختبار

عند تنفيذ الدالة وتخزين مخرجاتها في متغير كائني، يمكن فحص النتائج واستخلاص مكوناتها بدقة باستخدام عوامل التشغيل القياسية في R. تشمل العناصر الأساسية للكائن htest ما يلي:

• $statistic: ويحتوي على القيمة العددية المحسوبة لإحصاء كاي تربيع لماكنيمار (McNemar’s Chi-squared).
• $parameter: ويمثل درجات الحرية المرافقة للاختبار، وتكون دائما مساوية لـ 1 ($df = 1$) في مصفوفات 2×2 الثنائية.
• $p.value: ويمثل القيمة الاحتمالية الدقيقة المستخرجة بناء على التوزيع الاحتمالي لكاي تربيع.
• $method: ويوضح التسمية النصية الرسمية للاختبار المطبق (سواء مع تصحيح الاستمرارية أو بدونه).

تتم عملية اتخاذ القرار الإحصائي بمقارنة القيمة الاحتمالية المستخرجة ($p.value) بمستوى الدلالة المعياري المحدد مسبقا ($\alpha = 0.05$). فإذا كانت القيمة الاحتمالية أقل من أو تساوي 0.05، يتم رفض الفرضية الصفرية والتأكيد على وجود تحول ذي دلالة إحصائية في النسب بين القياسين، في حين يشير تجاوز القيمة الاحتمالية لهذا المستوى إلى عدم كفاية الأدلة الإحصائية لرفض فرضية التماثل وتكافؤ التغير.

7. تطبيق عملي: دراسة أثر التدخل النفسي والتسويقي

7.1 صياغة الفرضيات الإحصائية لسيناريو الدراسة التجريبية

لتجسيد التطبيق العملي لاختبار ماكنيمار، نفترض سيناريو تجريبيا من واقع بحوث علم النفس الاجتماعي والتسويقي؛ حيث تم استقطاب عينة عشوائية مكونة من 120 مفحوصا لقياس اتجاهاتهم تجاه دعم وتأييد سياسة بيئية جديدة لفرض ضرائب على المنتجات البلاستيكية غير القابلة للتدوير. تم قياس استجابة الأفراد في البداية كمتغير ثنائي (مؤيد / غير مؤيد). بعد ذلك، خضع جميع المفحوصين لبرنامج تدخلي نفسي مكثف تضمن عرض فيلم وثائقي توعوي قصير يستعرض المخاطر الكارثية للتلوث البلاستيكي على الصحة العامة، وأُعيد قياس اتجاهاتهم مباشرة بعد التدخل.

تتم صياغة الفرضيات الإحصائية للدراسة بدقة كما يلي:

• الفرضية الصفرية ($H_0$): لا توجد فروق ذات دلالة إحصائية في نسبة تأييد السياسة البيئية قبل التدخل التوعوي وبعده بين أفراد العينة؛ أي أن احتمال التحول من الرفض إلى التأييد مساوٍ لاحتمال التحول من التأييد إلى الرفض ($H_0: p_{\text{تحول إيجابي}} = p_{\text{تحول سلبي}}$).
• الفرضية البديلة ($H_a$): توجد فروق ذات دلالة إحصائية في نسبة تأييد السياسة البيئية قبل التدخل التوعوي وبعده؛ أي أن هناك عدم تماثل في احتمالات التحول السلوكي نتيجة التدخل ($H_a: p_{\text{تحول إيجابي}} \neq p_{\text{تحول سلبي}}$).

تم تعيين مستوى الدلالة الحرج مسبقا عند $\alpha = 0.05$، مع اعتماد اختبار ثنائي الطرفين (Two-tailed test) لضمان النزاهة المنهجية ورصد أي تحول غير متوقع في الاتجاهين.

7.2 التنفيذ العملي خطوة بخطوة للبيانات المعيارية في R

أظهرت النتائج الميدانية للدراسة التكرارات التالية: من بين 120 مفحوصا، كان هناك 40 فردا أيدوا القانون في كلا القياسين (الخلية المتوافقة $a = 40$)، و15 فردا عارضوا القانون في كلا القياسين (الخلية المتوافقة $d = 15$). بينما أظهرت الخلايا المتنافرة تحول 55 فردا من المعارضة إلى التأييد بعد مشاهدة الوثائقي (الخلية $c = 55$)، في حين تراجع 10 أفراد فقط من التأييد إلى المعارضة (الخلية $b = 10$).

يتم إدخال هذه البيانات وتنفيذ التحليل في بيئة R من خلال الخطوات البرمجية التالية:

أولا، بناء مصفوفة الاقتران وإسناد التسميات الوصفية:

study_matrix <- matrix(c(40, 10, 55, 15), nrow = 2, byrow = TRUE, dimnames = list("Pre" = c("Support", "Oppose"), "Post" = c("Support", "Oppose")))

ثانيا، تنفيذ اختبار ماكنيمار القياسي بدون تصحيح الاستمرارية:

test_uncorrected <- mcnemar.test(study_matrix, correct = FALSE)

ينتج عن هذا الأمر قيمة كاي تربيع تساوي:

$\chi^2 = \frac{(10 – 55)^2}{10 + 55} = \frac{(-45)^2}{65} = \frac{2025}{65} \approx 31.154$

مع درجات حرية $df = 1$ وقيمة احتمالية بالغة الصغر ($p < 0.0001$).

ثالثا، إعادة التحليل مع تفعيل تصحيح الاستمرارية:

test_corrected <- mcnemar.test(study_matrix, correct = TRUE)

ينتج عن التحليل المصحح:

$\chi^2 = \frac{(|10 – 55| – 1)^2}{65} = \frac{(44)^2}{65} = \frac{1936}{65} \approx 29.785$

مع قيمة احتمالية تكاد تقترب من الصفر ($p = 4.82 \times 10^{-8}$).

7.3 التفسير النفسي والإحصائي التفصيلي لمخرجات النموذج

تُظهر المخرجات الإحصائية المتحققة رفضا قاطعا للفرضية الصفرية عند مستوى دلالة $\alpha = 0.05$؛ حيث بلغت القيمة الاحتمالية الناتجة ($p < 0.001$) في كلتا الصيغتين المصححة وغير المصححة، مما يثبت بما لا يدع مجالا للشك أن التغير المشاهد في نسب التأييد ليس وليد الصدفة العشوائية أو خطأ المعاينة الإحصائية.

عند تفكيك اتجاه التغير من المنظور السيكولوجي، يتضح أن التدخل التوعوي أحدث إزاحة إيجابية حاسمة في البناء المعرفي للمفحوصين؛ فقد تحول 55 فردا من موقف المعارضة المبدئي إلى موقف التأييد، في مقابل تراجع 10 أفراد فقط من التأييد إلى المعارضة. ارتفعت النسبة الإجمالية للمؤيدين للسياسة البيئية من 41.67% قبل التدخل ($50/120$) إلى 79.17% بعد التدخل ($95/120$)، وهو تحول جوهري يبرهن على الفاعلية الإقناعية الفائقة للرسائل الاتصالية المستندة إلى الإثارة الوجدانية والمعرفية في توجيه السلوك المدني والاتجاهات العامة.

يقدم هذا التفسير دليلا تطبيقيا لمخططي الحملات التسويقية والتدخلات النفسية حول إمكانية قياس العائد السلوكي المباشر (Behavioral ROI) للتدخلات قصيرة المدى، مستندا إلى استبعاد الأفراد الثابتين في مواقفهم وتأكيد الأثر الإحصائي على الفئة المستهدفة القابلة للتغيير والتعديل السلوكي.

8. تصحيح الاستمرارية واختبار ماكنيمار الدقيق للعينات الصغيرة

8.1 محدودية التوزيع التقريبي في حالات التكرارات المنخفضة

على الرغم من القوة الرياضية لاختبار ماكنيمار المستند إلى توزيع كاي تربيع، إلا أن الاعتماد على الخصائص التقاربية (Asymptotic Properties) لهذا التوزيع يصبح مصدرا للخطأ المنهجي عندما تكون أحجام العينات صغيرة، أو عندما تتركز الغالبية الساحقة من العينة في الخلايا المتوافقة مما يترك الخلايا المتنافرة بتكرارات شديدة التدني. فإذا كان مجموع تكرارات التحول ($b + c$) أقل من 25، فإن تقريب التوزيع المتقطع إلى توزيع كاي تربيع المتصل يفشل في ضبط معدل الخطأ من النوع الأول بدقة.

في الدراسات الإكلينيكية النادرة، مثل تقييم استجابة مرضى يعانون من متلازمات نفسية غير شائعة لعلاج تجريبي مبتكر، غالبا ما تكون العينات المتاحة محدودة جدا (مثلا: $N = 15$ أو $20$). في هذه البيئات العلاجية، قد يؤدي استخدام معادلة كاي تربيع التقليدية أو حتى المصححة إلى تضخيم القوة الاحتمالية بشكل زائف أو إخفاء دلالة حقيقية نتيجة تشوه التوزيع في الأطراف الاحتمالية القصوى.

تقتضي النزاهة العلمية في هذه الحالات التخلي التام عن دوال التقريب التقاربي والانتقال الفوري إلى الحلول الرياضية الدقيقة المبنية على التوزيع ثنائي الحدين، والتي تحسب الاحتمالات التراكمية الدقيقة لمشاهدة مثل هذا التوزيع أو أكثر تطرفا منه دون الحاجة لأي افتراضات حول التوزيع المقارب.

8.2 استخدام دالة exact2x2 لاختبار ماكنيمار الدقيق

توفر حزمة exact2x2 في R الدالة التخصصية mcnemar.exact() لتنفيذ اختبار ماكنيمار الدقيق للعينات الصغيرة. يعتمد هذا الاختبار على حساب دالة التوزيع التراكمي لثنائي الحدين مع فرض معلمة احتمال النجاح $p = 0.5$ وحجم محاولات كلي مساوٍ لمجموع الخلايا المتنافرة ($n = b + c$).

يمكن تثبيت الحزمة واستدعاء الدالة على مصفوفة بيانات صغيرة (مثلا: $a=8, b=1, c=7, d=4$) على النحو التالي:

library(exact2x2)

small_matrix <- matrix(c(8, 1, 7, 4), nrow = 2)

exact_test <- mcnemar.exact(small_matrix)

كما يمكن تحقيق نفس النتيجة الدقيقة بدقة رياضية مطلقة باستخدام الدالة القياسية المدمجة في R دون حزم إضافية، عبر توظيف دالة binom.test() وتمرير تكرارات إحدى الخلايا المتنافرة مع مجموعها الإجمالي:

binom_test <- binom.test(x = 1, n = 1 + 7, p = 0.5, alternative = "two.sided")

تُظهر مخرجات الاختبار الدقيق القيمة الاحتمالية الفعلية الدقيقة دون أي تقريب رياضي، مما يوفر للباحث أداة برمجية آمنة وموثوقة لتحليل العينات السريرية والمخبرية المحدودة دون المساس بسلامة الاستنتاج الإحصائي.

8.3 فترات الثقة الدقيقة للفروق في النسب المقترنة

لا يكتفي التحليل الإحصائي الرصين بتقرير القيمة الاحتمالية وحدها، بل يتطلب استكمال الصورة بتقدير فترة الثقة (Confidence Interval) للفرق الحقيقي بين النسبتين المقترنتين في المجتمع الإحصائي ($\Delta p = p_{\text{pre}} – p_{\text{post}}$). تمثل فترة الثقة بنسبة 95% النطاق المعلمي الذي يرجح باحتمال 95% أن يقع داخله الفرق الفعلي في النسب.

في العينات الكبيرة، يمكن حساب فترة الثقة الكلاسيكية بطريقة والد (Wald Method) القائمة على الخطأ المعياري المقارب، إلا أن هذه الطريقة تعاني من اختلالات شديدة وضعف في التغطية الاحتمالية عندما تقترب النسب من الأطراف (0 أو 1) أو في العينات الصغيرة. البديل الإحصائي الأكثر موثوقية والأوسع قبولا هو طريقة نيوكومب (Newcombe’s Hybrid Score Method) لتسجيل فترات الثقة للبيانات المقترنة.

توفر حزم R مثل حزمة PropCIs إمكانية حساب فترة ثقة نيوكومب الدقيقة باستخدام الدالة diffscoreci(). يتيح فحص فترة الثقة المحسوبة للباحث التحقق المباشر من الدلالة الإحصائية؛ فإذا لم تتضمن فترة الثقة القيمة صفر (0.00) داخل مداها (مثلا: فترة الثقة تتراوح بين [0.12, 0.45])، فإن ذلك يبرهن بصورة حاسمة على أن الفرق دال إحصائيا عند مستوى الدلالة المقابل.

9. حساب وتفسير أحجام الأثر ونسب الأرجحية المقترنة

9.1 حساب نسبة الأرجحية للبيانات المقترنة (Paired Odds Ratio)

تعد نسبة الأرجحية المقترنة (Paired Odds Ratio – OR) المقياس القياسي المعتمد في الوبائيات والقياس النفسي لتقدير الحجم النسبي للتغير بين الشروط المقترنة. على عكس نسبة الأرجحية في الجداول المستقلة التي تأخذ كافة الخلايا في الاعتبار، تُحسب نسبة الأرجحية المقترنة حصريا من النسبة بين تكرارات الخلايا المتنافرة وفق المعادلة الرياضية البسيطة والعميقة التالية:

$\text{Odds Ratio} = \frac{b}{c}$ (أو $\frac{c}{b}$ تبعا لاتجاه التحول المراد دراسته)

في سيناريو دراستنا البيئية السابقة ($b = 10, c = 55$)، تصبح نسبة أرجحية التحول الإيجابي نحو التأييد مقارنة بالتحول السلبي:

$\text{OR} = \frac{55}{10} = 5.50$

يُفسر هذا الرقم إحصائيا وسلوكيا بأن المفحوصين الذين غيروا مواقفهم كانوا أكثر عرضة للتحول نحو تأييد السياسة البيئية بمقدار 5.5 أضعاف مقارنة باحتمالية تراجعهم نحو المعارضة. تمثل هذه القيمة مؤشرا حيويا يسهل فهمه وتداوله بين صناع القرار والمتخصصين، متجاوزا مجرد الدلالة الرقمية للقيمة الاحتمالية المجردة.

9.2 معامل كوهين g لقياس حجم الأثر في العينات المقترنة

اقترح الإحصائي الشهير جاكوب كوهين (Jacob Cohen) مقياسا معياريا موحدا لقياس حجم الأثر المباشر في اختبارات الفئات المقترنة ثنائية الاستجابة يُعرف بـ معامل كوهين $g$ (Cohen’s $g$). ينطلق هذا المعامل من قياس مقدار انحراف نسبة النجاح في الخلايا المتنافرة عن قيمة التماثل المتوقعة تحت الفرضية الصفرية (وهي 0.50).

تُصاغ المعادلة الرياضية لمعامل كوهين $g$ على النحو التالي:

$P = \frac{b}{b + c}$

$g = |P – 0.5|$

يتراوح المدى النظري لقيمة $g$ بين 0.00 (عندما يتطابق $b$ و $c$ تماما مما يدل على انعدام الأثر تماما) و 0.50 (عندما تتركز كافة التحولات في اتجاه واحد حصرا مما يدل على أثر أقصى). وضع كوهين معايير استرشادية لتفسير هذا المعامل في البحوث السلوكية:

• أثر صغير (Small Effect): عندما تقترب قيمة $g$ من 0.05.
• أثر متوسط (Medium Effect): عندما تقترب قيمة $g$ من 0.15.
• أثر كبير (Large Effect): عندما تصل قيمة $g$ إلى 0.25 أو تتجاوزها.

في مثالنا العملي: $P = \frac{55}{65} \approx 0.846$، وبالتالي فإن $g = |0.846 – 0.50| = 0.346$. تتجاوز هذه القيمة عتبة الأثر الكبير (0.25) بفارق ملموس، مما يؤكد أن التدخل التوعوي أحدث تأثيرا بالغا وعميقا يتعدى مجرد الدلالة الإحصائية إلى دلالة عملية وسلوكية حاسمة.

9.3 استخدام حزمة rcompanion لحساب مؤشرات الفاعلية

لتجنب الحسابات اليدوية وضمان توليد فترات الثقة لمؤشرات حجم الأثر عبر أساليب إعادة المعاينة غير المعلمية (Bootstrapping)، توفر حزمة rcompanion في R دوال برمجية متطورة للغاية لحساب هذه المقاييس وتوثيقها بدقة متناهية.

تُستخدم دالة cohenG() لحساب معامل كوهين $g$ وفترات الثقة المرافقة له عبر كود برمجي مباشر:

library(rcompanion)

cohen_result <- cohenG(study_matrix, ci = TRUE, conf = 0.95, type = "bca")

تستخرج هذه الدالة قيمة $g$ المحسوبة جنبا إلى جنب مع النسبة المتنافرة $P$ وفترة الثقة المصححة للتحيز والتسارع (BCa Confidence Intervals)، مما يوفر أساسا صلبا للتقرير الأكاديمي.

كما توفر الحزمة دالة nominalSymmetryTest() للتعامل مع جداول الاقتران المتماثلة الأكبر من 2×2 (مثل الجداول الثلاثية 3×3 للتحولات بين فئات: منخفض، متوسط، مرتفع)، والتي تتوسع في تطبيق منطق ماكنيمار-باوكر (McNemar-Bowker Test) مع حساب مؤشرات التماثل الشاملة، مما يمنح المحلل النفسي مرونة قصوى في معالجة مختلف مستويات التعقيد في البيانات المقترنة.

10. تصور النتائج والبيانات المقترنة بيانياً في R

10.1 رسم المخططات الشريطية المقترنة بنظام ggplot2

يمثل التصور البياني التفاعلي خطوة حيوية لتقديم النتائج الإحصائية بوضوح وجاذبية بصرية تلائم المعايير الأكاديمية والنشر في الدوريات العلمية المرموقة. تُعد حزمة ggplot2 الأداة البرمجية الأقوى لهيكلة وعرض التحولات السلوكية في البيانات المقترنة.

لعرض التغير في نسب الاستجابة بين القياسين القبلي والبعدي، يتم تحويل البيانات إلى إطار بيانات طويل يحتوي على متغيرات: زمن القياس (القبل / البعد)، وفئة الاستجابة (مؤيد / معارض)، والتكرار المشاهد. يُستخدم بعد ذلك مخطط الأشرطة المكدسة المتناسبة (100% Stacked Bar Chart) عبر تحديد geom_bar(position = "fill", stat = "identity") لتسليط الضوء على الإزاحة النسبية في كتلة التأييد الإجمالية.

تتيح منظومة ggplot2 تخصيصا كاملا للألوان بما يتوافق مع إمكانية القراءة للجميع وللطباعة أحادية اللون عبر لوحات ألوان معيارية مثل scale_fill_viridis_d() أو لوحات scale_fill_brewer()، مع تطبيق التنسيقات الأكاديمية النظيفة مثل theme_classic() أو theme_minimal()، وإدراج علامات النسب المئوية وقيم الدلالة الإحصائية مباشرة فوق الأشرطة لتسهيل الاستيعاب البصري السريع للنتائج.

10.2 تصميم مخططات التحول والتدفق (Alluvial / Sankey Diagrams)

على الرغم من فاعلية المخططات الشريطية في إظهار النسب الإجمالية، إلا أنها تعجز عن إظهار مسارات الأفراد والتدفق الحقيقي للتحولات الفردية بين الحالات. تقدم “المخططات الطميية أو التوزيعية” (Alluvial Diagrams) الحل البصري المثالي لتمثيل بنية مصفوفة ماكنيمار بكامل تفاصيلها الديناميكية.

توفر حزمة ggalluvial في R امتدادا سلسا لحزمة ggplot2 لبناء هذه المخططات. يتم تعيين المحور الأفقي ليمثل المحطات الزمنية (القبل والبعد)، بينما تُمثل العقد الرأسية (Strata) فئات الاستجابة (مؤيد / معارض)، وتربط بينها تدفقات شريطية متموجة (Alluvial Flows) يتناسب سمكها الفيزيائي تماما مع التكرار العددي لكل خلية من الخلايا الأربع ($a, b, c, d$).

يسمح هذا المخطط للباحث بفرز بصري فوري بين مسارات الاستقرار العريضة التي تربط المؤيدين بالمؤيدين والمعارضين بالمعارضين، وبين مسار التحول الأكبر الذي يتدفق من المعارضة القبلية إلى التأييد البعدي، مما يجعل مخطط التدفق وسيلة توضيحية استثنائية لتقديم نتائج اختبار ماكنيمار في المؤتمرات والتقارير التنفيذية.

10.3 مخطط الفسيفساء والمخططات الاتفاقية (Fourfold & Agreement Plots)

توفر بيئة R القياسية دوال بيانية كلاسيكية متخصصة للغاية في تمثيل مصفوفات الاقتران 2×2، وفي مقدمتها دالة fourfoldplot() التابعة لحزمة graphics الأساسية. يقوم هذا المخطط بتمثيل الخلايا الأربع للمصفوفة في هيئة أربعة أرباع دائرية متجاورة تتناسب مساحاتها الإشعاعية مع الجذر التربيعي للتكرارات المشاهدة.

يتميز مخطط Fourfold بقدرته على تضمين حلقات ثقة دائرية بصرية؛ فإذا لم تتداخل الدوائر المتقابلة للقطرين، دل ذلك بصريا على وجود انحراف دال إحصائيا عن فرضية التماثل والاستقلال عند مستوى دلالة 95%. كما يُبرز التلوين التلقائي اتجاه الارتباط والتحول السلوكي بكفاءة عالية.

لتصدير هذه الرسوم البيانية بأعلى معايير الجودة الأكاديمية الصالحة للنشر في مجلات APA، تتيح لغة R حفظ المخرجات بصيغ المتجهات الرسومية القابلة للتحجيم مثل (PDF وSVG) أو بصيغ نقطية فائقة الدقة مثل (TIFF بمعدل 300 أو 600 DPI) عبر استدعاء دالة tiff(filename, width = 8, height = 6, units = "in", res = 300)، مما يضمن خروج الأشكال البيانية بأقصى درجات الوضوح والاحترافية المطبعية.

11. الأخطاء الشائعة واستكشاف الأخطاء وإصلاحها في R

11.1 الخلط بين البيانات المستقلة والمقترنة برمجياً

يعد الخلط بين بنية البيانات المستقلة والمقترنة أحد أخطر الأخطاء المنهجية التي يقع فيها الباحثون المبتدئون في لغة R؛ حيث يلجأ البعض عن غير قصد إلى استدعاء دالة chisq.test() بدلا من mcnemar.test() لتحليل مصفوفة القياس القبلي والبعدي. يؤدي تطبيق اختبار كاي تربيع للاستقلالية على بيانات مقترنة إلى تجاهل الارتباط الذاتي بين القياسات لنفس المفحوصين، مما يرفع تقدير تباين الخطأ ويؤدي في كثير من الأحيان إلى الفشل في اكتشاف التأثيرات الحقيقية للتدخل (خطأ من النوع الثاني – Type II Error).

خطأ برمجي شائع آخر يتمثل في الانعكاس غير المقصود لترتيب عناصر المصفوفة أثناء استدعاء دالة matrix() بدون الانتباه لمعامل byrow. فإذا تم إدخال القيم التكرارية بترتيب خاطئ، قد تتبادل الخلايا المتوافقة مواقعها مع الخلايا المتنافرة، مما يقود إلى نتائج إحصائية مقلوبة تماما وإلى تشويه كامل لمؤشرات حجم الأثر واتجاه الدلالة.

لتفادي هذه الأخطاء، يجب على الباحث التحقق دائما من أسماء الأبعاد ومطابقة مجاميع الصفوف والأعمدة مع البيانات الأصلية الخام، والتأكد المنهجي من أن كل صف وعمود يمثل بالفعل نفس المفحوصين عبر خطي الزمن، وليس مجموعتين تجريبيتين منفصلتين.

11.2 التعامل مع التكرارات الصفرية في الخلايا المتنافرة

تفرض التكرارات الصفرية في مصفوفة الاقتران تحديات رياضية وبرمجية محددة عند تنفيذ اختبار ماكنيمار وحساب مؤشرات الفاعلية المرتبطة به. في حال كانت إحدى الخلايا المتنافرة تحتوي على تكرار صفري (مثلا: $b = 0$ و $c = 15$)، فإن دالة mcnemar.test() في R تنجح في حساب قيمة كاي تربيع، ولكن تظهر المشكلة الرياضية الحادة عند حساب نسبة الأرجحية المقترنة ($OR = b/c$)؛ حيث تؤدي القسمة على صفر إلى قيمة غير معرفة رياضيا ($\infty$ أو $0$).

للتغلب على هذه المعضلة الحسابية، يُطبق في التحليل المتقدم ما يُعرف بـ “تصحيح هالدين-أنسكومب” (Haldane-Anscombe Correction)، والذي يقضي بإضافة قيمة كسرية ثابتة صغيرة (عادة $0.5$) إلى جميع خلايا المصفوفة الأربع قبل حساب نسبة الأرجحية المقترنة وفترات ثقتها اللوغاريتمية، مما يتيح الحصول على تقديرات مستقرة وقابلة للتفسير الرياضي دون المساس الجوهري بطبيعة البيانات.

أما إذا كانت كلتا الخليتين المتنافرتين صفرا ($b = 0$ و $c = 0$)، فإن الاختبار يفقد موضوعه تماما لعدم وجود أي تغير بين القياسين، وتُصدر R تحذيرات تشير إلى عدم إمكانية إجراء الاختبار، وهو ما يفرض على الباحث تقرير استقرار الحالة السلوكية لكامل العينة وصفيا دون الحاجة لاختبار استدلالي.

11.3 استكشاف رسائل الخطأ الشائعة وتصحيح الكود

أثناء التعامل مع دوال التحليل المقترن في R، قد يواجه الباحث مجموعة من رسائل الخطأ والتحذيرات البرمجية الشائعة التي تستلزم تدخلا تصحيحيا سريعا. من أبرز هذه الأخطاء:

• Error in mcnemar.test(...) : all entries of x must be nonnegative and finite: يظهر هذا الخطأ عند احتواء مصفوفة البيانات على قيم سالبة، أو قيم نصية غير محولة، أو وجود قيم غير معرفة (NaN / Inf). يُعالج ذلك بتنظيف البيانات وفحص is.na() والتأكد من إيجابية كافة التكرارات.
• Error in table(pre, post) : all arguments must have the same length: يطرأ هذا الخطأ عندما يتم تمرير متجهين غير متساويين في الطول للدالة، ويحدث ذلك غالبا بسبب حذف قيم مفقودة من أحد المتجهين دون الآخر. يُحل الخطأ بدمج المتغيرين داخل نفس إطار البيانات (Data Frame) وتطبيق الحذف الزوجي المشترك للمفقودات.
• Warning message: In mcnemar.test(...) : continuity correction may be improper: يظهر هذا التحذير عندما تكون التكرارات المتنافرة صغيرة جدا، وهو تنبيه برمجي ذكي من R يدعو الباحث إلى ترك الاختبار التقريبي واستخدام الاختبار الدقيق exact2x2 أو binom.test().

يضمن الفهم الواعي لهذه الرسائل البرمجية تصحيح مسار التحليل بسرعة والوصول إلى مخرجات إحصائية تتسم بالدقة الرياضية والنزاهة المنهجية الكاملة.

12. كتابة التقرير الإحصائي وتوثيق النتائج وفق معايير APA

12.1 صياغة الفقرة الإحصائية لاختبار ماكنيمار حسب دليل APA 7

تتطلب كتابة التقرير الإحصائي وفق الإصدار السابع لدليل جمعية علم النفس الأمريكية (APA 7th Edition) دقة متناهية وتوثيقا شاملا يجمع بين النزعة الوصفية للبيانات والأدلة الاستدلالية وحجم الأثر وفترات الثقة. يجب تضمين رمز إحصاء ماكنيمار، درجات الحرية بين قوسين، حجم العينة الإجمالي، القيمة العددية للاختبار، القيمة الاحتمالية الدقيقة (ما لم تكن أقل من 0.001 حيث تُكتب $p < .001$)، متبوعة بنسبة الأرجحية المقترنة ومعامل كوهين $g$ وفترات ثقتها.

نموذج الصياغة باللغة العربية:
“أُجري اختبار ماكنيمار لتحديد ما إذا كان هناك تحول ذو دلالة إحصائية في اتجاهات المشاركين نحو تأييد السياسة البيئية قبل التدخل التوعوي وبعده. أظهرت النتائج زيادة ذات دلالة إحصائية في نسبة المؤيدين من 41.67% في القياس القبلي إلى 79.17% في القياس البعدي، $\chi^2(1, N = 120) = 29.79$، $p < .001$. كما بينت النتائج أن احتمالية التحول الإيجابي نحو التأييد كانت أكبر بكثير من احتمالية التحول السلبي، بنسبة أرجحية مقترنة بلغت $OR = 5.50$، وبحجم أثر كبير وفق معيار كوهين، $g = 0.35$، فترة ثقة 95% $[0.23, 0.44]$. تشير هذه النتائج بوضوح إلى الفاعلية الإقناعية الكبيرة للبرنامج التوعوي في تعديل الاتجاهات البيئية.”

Standard English APA 7 Template:
“A McNemar’s test with continuity correction was conducted to assess the effect of the psychological intervention on participants’ support for the environmental policy. The proportion of participants who supported the policy increased significantly from 41.67% pre-intervention to 79.17% post-intervention, $\chi^2(1, N = 120) = 29.79$, $p < .001$. The paired odds ratio indicated that participants were 5.50 times more likely to switch to supporting the policy than to switch to opposing it ($OR = 5.50$). Cohen’s $g$ demonstrated a large effect size, $g = .35$, 95% CI $[.23, .44]$, demonstrating a substantial and meaningful intervention effect.”

12.2 تصميم جدول النتائج الأكاديمي لجداول التوافق المقترنة

يخضع تنسيق الجداول الإحصائية في أسلوب APA لمعايير تصميمية صارمة تمنع منعا باتا استخدام الخطوط الرأسية العمودية وتعتمد فقط على ثلاثة خطوط أفقية رئيسية نظيفة (أعلى الجدول، وأسفل عناوين الأعمدة، وأسفل الجدول الإجمالي). يجب أن يعرض الجدول التكرارات والنسب المشروطة بوضوح تام مع إدراج مجاميع التوافق والهوامش.

فيما يلي الهيكل النموذجي لعرض مصفوفة الاقتران المقترنة لنتائج التدخل:

القياس القبلي	القياس البعدي: مؤيد		القياس البعدي: معارض		المجموع الكلي
	$n$	%	$n$	%	$n$ (%)
مؤيد	40	33.3%	10	8.3%	50 (41.7%)
معارض	55	45.8%	15	12.5%	70 (58.3%)
المجموع الكلي	95	79.2%	25	20.8%	120 (100.0%)

ملاحظة. $N = 120$. النسب المئوية منسوبة إلى الحجم الإجمالي الكلي للعينة. طُبق تصحيح إدواردز للاستمرارية على التحليل الاستدلالي، $\chi^2(1) = 29.79$، $p < .001$.

12.3 أفضل الممارسات للشفافية وقابلية إعادة الإنتاج (Reproducibility)

تشهد الأوساط الأكاديمية المعاصرة تحولا حاسما نحو دعم مبادئ العلم المفتوح (Open Science) والشفافية وقابلية إعادة الإنتاج الإحصائي (Reproducibility). لضمان امتثال أبحاثك لهذه المعايير المتقدمة، يجب إرفاق كود R البرمجي الكامل والموثق كملحق رقمي أو رفعه إلى مستودعات البيانات المفتوحة مثل Open Science Framework (OSF) أو Zenodo وGitHub.

يتطلب التحليل القابل للتكرار تثبيت البذرة العشوائية عبر دالة set.seed() في حال استخدام أساليب المحاكاة أو حساب فترات ثقة Bootstrap، مما يضمن حصول أي باحث مستقل على نفس الأرقام الدقيقة عند إعادة تشغيل الكود البرمجي. كما ينبغي توثيق البيئة البرمجية وإصدارات الحزم المستخدمة في نهاية المخطوطة الأكاديمية عبر استدعاء دالة sessionInfo()، والتي تسجل إصدار نظام التشغيل، وإصدار R الأساسي، وأرقام إصدارات كافة الحزم المستدعاة أثناء جلسة التحليل.

تسهم هذه الممارسات الشفافة في رفع موثوقية البحث العلمي وتسهيل عمليات المراجعة والتحكيم الأكاديمي، وتتيح للمجتمع العلمي البناء التراكمي على النتائج المستخلصة بثقة منهجية تامة.

خاتمة

يمثل اختبار ماكنيمار أداة استدلالية فريدة وبالغة الدقة لمعالجة البيانات الفئوية الثنائية المقترنة في الأبحاث النفسية والسلوكية والطبية. من خلال تركيز طاقته الرياضية على الخلايا المتنافرة، ينجح الاختبار في تجاوز عيوب الاختبارات الاستقلالية وتقديم تقييم حقيقي وعادل لفاعلية التدخلات التجريبية والتغيرات السلوكية عبر الزمن. تتيح بيئة البرمجة الإحصائية R منظومة استثنائية لتنفيذ هذا التحليل بكافة مراحله، بدءا من الاختبارات التقريبية والدقيقة للعينات الصغيرة، مرورا بحساب مقاييس حجم الأثر ونسب الأرجحية المقترنة، وانتهاء بتوليد التصورات البيانية التفاعلية المتقدمة وتوثيق النتائج وفق أدلة النشر الدولية الصارمة.

References

• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0470114754
• 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.
• Edwards, A. L. (1948). Note on the “correction for continuity” in testing the significance of the difference between correlated proportions. Psychometrika, 13(3), 185–187. https://doi.org/10.1007/BF02289261
• Fay, M. P. (2010). Two-sided exact tests and matching confidence intervals for discrete data: The exact2x2 package. The R Journal, 2(1), 53–58. https://doi.org/10.32614/RJ-2010-008
• Mangiafico, S. S. (2016). Summary and analysis of extension program evaluation in R (Version 1.20.05). Rutgers Cooperative Extension. https://rcompanion.org/handbook/
• McNemar, Q. (1947). Note on the sampling error of the difference between correlated proportions or percentages. Psychometrika, 12(2), 153–157. https://doi.org/10.1007/BF02295996
• Newcombe, R. G. (1998). Improved confidence intervals for the difference between binomial proportions based on paired data. Statistics in Medicine, 17(22), 2635–2650. <a href="https://doi.org/10.1002/(SICI)1097-0258(19981130)17:223.0.CO;2-C”>https://doi.org/10.1002/(SICI)1097-0258(19981130)17:223.0.CO;2-C
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4