كيفية إجراء اختبار Z لنسبة واحدة في بايثون

تُعد عملية الاستدلال الإحصائي الركيزة الأساسية التي تقوم عليها الأبحاث العلمية الحديثة وقرارات الأعمال المبنية على البيانات، إذ تتيح للباحثين والمحللين الانتقال من مجرد وصف البيانات المرصودة في عينة محددة إلى تعميم النتائج واستخلاص أحكام موثوقة حول المجتمعات الإحصائية الكبرى. وفي خضم التعامل مع المتغيرات النوعية والتصنيفية، تحتل النسب المئوية مكانة محورية في صياغة الفرضيات العلمية؛ فاختبار ما إذا كانت نسبة الاستجابة لعقار جديد تتجاوز المعدل الطبيعي، أو ما إذا كانت نسبة انتشار ظاهرة سلوكية معينة تختلف عما وثقته الأدبيات السابقة، يتطلب منهجية استدلالية صارمة تضبط احتمالات الخطأ العشوائي والتحيز الناتج عن المعاينة.

يمثل اختبار Z لنسبة واحدة (One Proportion Z-Test) أحد أهم الاختبارات المعلمية الكلاسيكية المستخدمة لاختبار الفرضيات المتعلقة بالمتغيرات الثنائية (Binary Variables). ويستند هذا الاختبار إلى تقريب التوزيع التكراري للنسبة من التوزيع الطبيعي المعياري استناداً إلى مبرهنة النهاية المركزية، مما يمنح الباحثين أداة رياضية قوية لتقييم مدى تباعد النسبة الملاحظة في العينة عن النسبة المرجعية المفترضة في المجتمع، وتحديد ما إذا كان هذا التباعد ذا دلالة إحصائية حقيقية أم مجرد تباين عشوائي ناتج عن الصدفة.

ومع التحول الرقمي وتطور أدوات الحوسبة الإحصائية، أصبحت لغة البرمجة بايثون (Python) البيئة الأكثر مرونة ودقة لتنفيذ هذه التحليلات الإحصائية وتطوير النماذج التنبؤية. ومن خلال الحزم الإحصائية المتقدمة مثل مكتبة Statsmodels ومكتبة SciPy، يستطيع الباحثون كتابة شيفرات برمجية قابلة لإعادة الإنتاج، وحساب القيم الاحتمالية ومجالات الثقة بدقة متناهية، وتصوير النتائج بيانيًا بجودة عالية. يهدف هذا الدليل الشامل والمفصل إلى تأصيل الأسس النظرية والرياضية لاختبار Z للنسبة الواحدة، وشرح خطوات تنفيذه البرمجي خطوة بخطوة في بايثون، وصولاً إلى تفسير المخرجات وتوثيقها وفق المعايير الأكاديمية الصارمة المعمول بها في دليل الجمعية الأمريكية لعلم النفس (APA).

1. مقدمة تأصيلية لاختبار Z لنسبة واحدة (One Proportion Z-Test)

1.1 المفهوم الإحصائي لاختبار النسبة الواحدة

يُعرف اختبار Z لنسبة واحدة في الأدبيات الإحصائية بأنه إجراء استدلالي معلمي يهدف إلى تقييم ما إذا كانت النسبة الملاحظة لخاصية معينة في عينة عشوائية واحدة تختلف اختلافاً جوهرياً عن نسبة مرجعية أو قيمة افتراضية مسبقة للمجتمع الإحصائي ككل. يتمحور هذا الاختبار حول المتغيرات الثنائية (Dichotomous/Binary Variables)، وهي المتغيرات التي لا تحتمل سوى نتيجتين متنافيتين وشاملتين، مثل: النجاح أو الفشل، الحدوث أو عدم الحدوث، وجود العرض النفسي أو غيابه، وتخضع هذه التجارب في أصلها النظري لتوزيع برنولي (Bernoulli Distribution).

عند تكرار تجربة برنولي لعدد محدد من المحاولات المستقلة، تنتقل الظاهرة إلى الخضوع لـ توزيع ذي الحدين (Binomial Distribution). وهنا تتجلى الأهمية الجوهرية لاختبار Z للنسبة الواحدة في التمييز الدقيق بين الفروق الحقيقية ذات المعنى الإحصائي والفروق الظاهرية الناتجة عن التقلبات العشوائية للمعاينة (Sampling Fluctuations). فالمعاينة العشوائية بطبيعتها تؤدي إلى وجود تباين طفيف بين نسبة العينة ونسبة المجتمع؛ ولذلك يوفر هذا الاختبار الميزان الكمي الدقيق للحكم على ما إذا كان التباعد المرصود كبيرًا لدرجة تجعل افتراض الصدفة غير مقبول رياضيًا ومنطقيًا.

تعتمد الموثوقية التفسيرية للاختبار على صرامة التصميم المنهجي للبحث، حيث يسعى الباحث من خلاله إلى فحص أدلة تدعم ادعاءً علمياً محدداً، مثل فحص ما إذا كانت نسبة مستخدمي منصة معينة الذين يفضلون ميزة تجريبية جديدة تتجاوز النسبة المعيارية البالغة 50%، أو ما إذا كان برنامج إرشادي قد خفض نسبة التغيب المدرسي عن المعدل الوطني المعتمد.

1.2 موقع الاختبار ضمن عائلة الاختبارات المعلمية (Parametric Tests)

يحتل اختبار Z للنسبة الواحدة موقعاً متميزاً ضمن عائلة الاختبارات الإحصائية المعلمية (Parametric Tests)، حيث يستند تبريره الرياضي على مبرهنة النهاية المركزية (Central Limit Theorem). تنص هذه المبرهنة على أنه عندما يكون حجم العينة كبيرًا بدرجة كافية، فإن توزيع المعاينة لنسبة العينة يقترب بصورة وثيقة من التوزيع الطبيعي، بمتوسط يساوي نسبة المجتمع الحقيقية وتباين محدد بخطأ المعاينة، حتى وإن كانت البيانات الفردية الأصلية تتبع توزيعاً ثنائياً متقطعاً.

تتضح الفروق الدقيقة عند مقارنة اختبار Z بنظيره اللامعلمي التام: اختبار ذي الحدين التام (Exact Binomial Test). بينما يحسب اختبار ذي الحدين التام الاحتمالات بدقة متناهية بناءً على دالة الكتلة الاحتمالية التراكمية لتوزيع ذي الحدين المتقطع، يعتمد اختبار Z على التقريب الطبيعي المستمر (Normal Approximation). ويُفضل استخدام اختبار Z في العينات الكبيرة والمتوسطة نظراً لسهولة حسابه وتكامله المباشر مع حساب فترات الثقة المعيارية وتطبيقات اختبار الفرضيات الخطية العامة.

تتمثل معايير المفاضلة الإحصائية لاختيار اختبار Z في تلبية شروط التقريب الطبيعي (قاعدة النجاح والفشل)، وسهولة تفسير درجات Z المعيارية ومقارنتها عبر دراسات مختلفة، إلى جانب توافر مكتبات برمجية غنية تنفذ هذا الاختبار بسرعة حسابية فائقة مع أحجام العينات الضخمة (Big Data) التي قد تُشكل عائقاً حسابياً أمام حساب التوافيق الكبيرة في اختبار ذي الحدين التام.

1.3 تطبيقات الاختبار في البحوث النفسية والبيانات السلوكية

يمتد التطبيق الميداني لاختبار Z لنسبة واحدة إلى مجالات واسعة في العلوم السلوكية والنفسية، حيث تشكل المتغيرات الفئوية الثنائية جزءاً كبيراً من المعطيات الميدانية. في بحوث علم النفس الإكلينيكي، يُستخدم الاختبار لتقييم معدلات الاستجابة للعلاجات النفسية والسلوكية؛ فعلى سبيل المثال، إذا كانت الأدبيات السابقة تشير إلى أن نسبة الشفاء التلقائي من اضطراب الهلع دون تدخل علاجي تبلغ 25%، يمكن تطبيق الاختبار للتحقق مما إذا كانت نسبة المتعافين في عينة خضعت لـ العلاج المعرفي السلوكي (CBT) تفوق هذه النسبة المرجعية بدرجة دالة إحصائياً.

كما يُستخدم الاختبار في دراسات علم الأوبئة النفسية (Psychiatric Epidemiology) لتحليل نسب انتشار اضطرابات محددة كالاكتئاب أو القلق في بيئات مهنية معينة، ومقارنتها بالنسب الوطنية الموثقة في المسوح الديموغرافية والصحية. يتيح ذلك لصناع القرار تقييم ما إذا كانت فئة مهنية معينة تواجه ضغوطاً غير اعتيادية ترفع معدل الانتشار عن المعدل السائد في المجتمع العام.

وفي مجال القياس النفسي والمعرفي، يبرز دور الاختبار في التحقق من دقة المقاييس التشخيصية وتقييم معدلات النجاح في المهام الإدراكية؛ حيث يمكن اختبار ما إذا كان أداء عينة من الأفراد في مهمة تمييز بصري يتجاوز مستوى التخمين العشوائي (50%)، مما يؤكد امتلاك الأفراد لقدرة تمييزية واعية تتجاوز الصدفة البحتة.

2. الأسس النظرية والرياضية لاختبار Z لنسبة واحدة

2.1 صياغة الفرضيات الإحصائية (الصفرية والبديلة)

تبدأ المنهجية العلمية لاختبار الفرضيات بتحديد فرضيتين إحصائيتين متنافيتين: الفرضية الصفرية (Null Hypothesis) والفرضية البديلة (Alternative Hypothesis). تنص الفرضية الصفرية (ويرمز لها بالرمز H0) على حالة عدم وجود تأثير أو عدم وجود فرق، وتصاغ رياضياً بأن نسبة المجتمع الحقيقية (p) تساوي تماماً النسبة المرجعية المفترضة (p0)، أي:

H0: p = p0

حيث تمثل p0 القيمة المعيارية المستمدة من الأدبيات، أو التوزيع العشوائي، أو المعايير القياسية السابقة.

في المقابل، تعبر الفرضية البديلة (ويرمز لها بالرمز H1 أو Ha) عن ادعاء الباحث بوجود فرق حقيقي. وتأخذ الفرضية البديلة أحد شكلين رئيسيين تِبعاً لأهداف البحث وطبيعة الفرضية النظرية:

• الفرضية ثنائية الطرف (Two-Tailed Hypothesis): تصاغ كالتالي: H1: p ≠ p0، وتُستخدم عندما يرغب الباحث في الكشف عن أي حيود أو اختلاف جوهري عن النسبة المرجعية في أي من الاتجاهين (زيادة أو نقصاناً) دون تحديد مسبق لاتجاه التأثير.
• الفرضيات أحادية الطرف (One-Tailed Hypotheses): وتُعرف بفرضيات التأثير الموجه، وتصاغ بإحدى طريقتين:
  • الاتجاه الأيمن (Right-Tailed): H1: p > p0، عندما يفترض الباحث أن النسبة المدروسة أعلى من النسبة المعيارية (مثل اختبار فعالية تدريب في زيادة نسبة النجاح).
  • الاتجاه الأيسر (Left-Tailed): H1: p < p0، عندما يفترض الباحث أن النسبة المدروسة أقل من النسبة المعيارية (مثل اختبار برنامج للحد من نسبة التدخين).

يعد التحديد المسبق والصارم لطبيعة الفرضية البديلة قبل البدء في جمع البيانات وتحليلها ركيزة أخلاقية ومنهجية لمنع التحيز وضمان نزاهة التحليل الإحصائي.

2.2 المعادلة الرياضية لاختبار Z وحساب الخطأ المعياري

يقوم الاختبار على حساب إحصاء الاختبار المعياري (Z-statistic)، والذي يمثل المسافة بين النسبة المحسوبة من العينة والنسبة المفترضة في المجتمع، مقيسة بوحدات الخطأ المعياري. إذا رمزنا لنسبة العينة الملاحظة بالرمز p̂ (وتساوي عدد النجاحات مقسوماً على إجمالي حجم العينة n)، فإن معادلة إحصاء Z تأخذ الشكل الرياضي التالي:

Z = (p̂ – p0) / SE

حيث يمثل SE الخطأ المعياري (Standard Error) لنسبة المجتمع تحت افتراض صحة الفرضية الصفرية. ويتم حسابه عبر المعادلة الرياضية التالية:

SE = √[ p0 * (1 – p0) / n ]

تعتبر هذه النقطة من أدق الركائز النظرية لاختبار Z؛ إذ يُحسب الخطأ المعياري باستخدام النسبة المفترضة في المجتمع p0 وليس نسبة العينة p̂، وذلك اتساقاً مع مبدأ الاستدلال الإحصائي القائل بأن توزيع المعاينة يُبنى تحت افتراض أن الفرضية الصفرية صحيحة تماماً. يعبر إحصاء Z الناتج عن عدد الانحرافات المعيارية التي تبتعد بها نسبة العينة الملاحظة عن مركز التوزيع الافتراضي؛ فكلما كانت القيمة المطلقة لـ Z كبيرة، دل ذلك على أن النسبة الملاحظة تقع في أطراف التوزيع الطبيعي، مما يضعف احتمال حدوثها بمحض الصدفة.

2.3 مفهوم الدلالة الإحصائية (P-value) ومستوى المعنوية (Alpha)

تمثل القيمة الاحتمالية (P-value) احتمال الحصول على نتيجة في العينة تكون مساوية للنتيجة الملاحظة فعلياً أو أكثر تطرفاً منها، بافتراض أن الفرضية الصفرية صحيحة تماماً. وتُحسب بيانياً كمساحة الذيل (أو الذيلين في الاختبار ثنائي الطرف) الواقعة تحت منحنى دالة الكثافة الاحتمالية للتوزيع الطبيعي المعياري بعد نقطة إحصاء Z المحسوب.

يقابل القيمة الاحتمالية ما يُعرف بـ مستوى المعنوية أو الدلالة (Alpha, α)، وهو العتبة الحرجة المحددة مسبقاً من قِبل الباحث للتحكم في معدل الخطأ من النوع الأول (Type I Error)، وهو احتمال رفض الفرضية الصفرية بينما هي صحيحة في الواقع. وتعتبر المستويات التالية هي الأكثر شيوعاً في العلوم الإنسانية والتطبيقية:

• α = 0.05: المعيار التقليدي المقبول في معظم الدراسات السلوكية والنفسية، ويعني قبول احتمالية 5% لارتكاب خطأ من النوع الأول.
• α = 0.01: مستوى صارم يُستخدم في الأبحاث الطبية والتشخيصية التي تتطلب درجة عالية من الموثوقية.
• α = 0.10: مستوى متساهل يُستخدم أحياناً في الدراسات الاستكشافية الميدانية الأولية.

تتمثل قاعدة اتخاذ القرار الإحصائي في مقارنة P-value بمستوى المعنوية المختار α؛ فإذا كانت P-value أصغر من أو تساوي α (أي P ≤ α)، يتم رفض الفرضية الصفرية H0 والاستنتاج بوجود فرق ذي دلالة إحصائية لصالح الفرضية البديلة. أما إذا كانت P-value أكبر من α (أي P > α)، فإننا نفشل في رفض الفرضية الصفرية لعدم كفاية الأدلة الإحصائية ضدها.

3. الافتراضات الإحصائية وشروط تطبيق اختبار Z لنسبة واحدة

3.1 شرط العشوائية والاستقلالية في جمع العينات

تستند صحة الاستدلال الإحصائي عبر اختبار Z إلى مجموعة من الافتراضات الصارمة المتعلقة ببروتوكول جمع البيانات وتصميم التجربة. يأتي في مقدمة هذه الشروط شرط المعاينة العشوائية (Random Sampling)، والذي يقتضي سحب مفردات العينة بطريقة عشوائية تمثيلية تضمن أن لكل فرد في المجتمع المستهدف فرصة متساوية ومعلومة للاختيار؛ حيث يؤدي غياب العشوائية إلى تحيزات منهجية تجعل حسابات الخطأ المعياري غير معبرة عن المجتمع الأصلي.

يرتبط بهذا الشرط ارتباطاً وثيقاً شرط استقلالية المشاهدات (Independence Assumption)، والذي ينص على ألا تؤثر استجابة أو تصنيف أي مفردة في العينة على تصنيف مفردة أخرى. وتبرز أهمية هذا الشرط عند السحب بدون إرجاع (Sampling Without Replacement) من مجتمعات متناهية الحجم؛ حيث يُشترط ألا يتجاوز حجم العينة المسحوبة نسبة 10% من إجمالي حجم المجتمع الإحصائي (قاعدة 10%)، وذلك لتجنب تأثير تغير الاحتمالات المشروطة وضمان بقاء المحاولات مستقلة تقريبياً بما يطابق توزيع برنولي المستقل.

3.2 شرط حجم العينة والتقريب الطبيعي (Success-Failure Condition)

لكي يكون استخدام التوزيع الطبيعي المعياري كبديل تقريبي لتوزيع ذي الحدين مبرراً رياضياً وفق مبرهنة النهاية المركزية، يجب التحقق من شرط النجاح والفشل (Success-Failure Condition). ينص هذا الشرط على ضرورة أن يكون العدد المتوقع لحالات النجاح والعدد المتوقع لحالات الفشل في العينة مساوياً لـ 10 على الأقل (أو 5 كحد أدنى مطلق في بعض المراجع الإحصائية الكلاسيكية)، ويُصاغ رياضياً كالتالي:

• n * p0 ≥ 10 (العدد المتوقع لحالات النجاح تحت الفرضية الصفرية)
• n * (1 – p0) ≥ 10 (العدد المتوقع لحالات الفشل تحت الفرضية الصفرية)

تظهر أهمية هذا الشرط بوضوح عند التعامل مع النسب الحدية القريبة جداً من الصفر (أحداث نادرة) أو القريبة من الواحد الصحيح؛ ففي مثل هذه الحالات، يكون توزيع ذي الحدين شديد الالتواء (Skewed Distribution)، ويتطلب تحقيق التقريب الطبيعي حجماً كبيراً جداً للعينة (n) لمعادلة هذا الالتواء واستعادة التماثل الجرسي المميز للمنحنى الطبيعي. وفي حال عدم تحقق هذا الشرط، فإن اختبار Z يفقد دقته وترتفع معدلات الخطأ الاحتمالي بشكل كبير.

3.3 معالجة الانتهاكات المحتملة لشروط الاختبار

عندما تتعرض الشروط الإحصائية السابقة للانتهاك في الممارسة العملية، يتعين على الباحث اتباع استراتيجيات منهجية بديلة لضمان مصداقية النتائج. إذا كان حجم العينة صغيراً وفشل شرط النجاح والفشل (n*p0 < 10)، يُعد اللجوء إلى اختبار ذي الحدين التام (Exact Binomial Test) البديل الإحصائي الأمثل؛ إذ لا يعتمد على أي تقريب مستمر بل يحسب الاحتمالات المنفصلة مباشرة عبر التوافيق الرياضية.

كما يمكن تطبيق تصحيح الاستمرارية لـ ييتس (Yates’ Continuity Correction) على معادلة اختبار Z للتقليل من خطأ التقريب الناجم عن استخدام توزيع متصل (التوزيع الطبيعي) لنمذجة متغير متقطع (توزيع ذي الحدين)، وذلك بطرح أو إضافة القيمة (0.5 / n) إلى بسط المعادلة لتقليص مسافة الفرق الملاحظ وتجنب تضخيم قيمة Z.

وفي بعض الحالات المعقدة التي تشهد تداخلاً بين العينات أو وجود ارتباط بين المفردات (كالعينات العنقودية)، قد تظهر ظاهرة التباين الإحصائي المفرط (Overdispersion)، حيث يكون التباين الفعلي أكبر من التباين النظري المفترض لنموذج برنولي. يتطلب ذلك استخدام نماذج شبه الاحتمالية (Quasi-likelihood Models) أو نماذج الانحدار اللوجستي ذات التأثيرات المختلطة لضبط التباين وتصحيح الأخطاء المعيارية.

4. إعداد بيئة العمل البرمجية في بايثون للتحليل الإحصائي

4.1 تثبيت وإعداد مكتبات Python الإحصائية المتخصصة

تتميز لغة بايثون بمنظومة برمجية متكاملة للحوسبة العلمية والاستدلال الإحصائي تجعلها منصة مثالية للمحللين والباحثين. لتنفيذ اختبار Z لنسبة واحدة، نعتمد بصورة أساسية على مكتبة Statsmodels، وهي الحزمة الرائدة في بايثون المتخصصة في تقدير النماذج الإحصائية واختبار الفرضيات واستكشاف البيانات العلمية، مدعومة بمكتبات التحليل الرقمي الأساسية مثل NumPy و SciPy و Pandas.

يمكن تهيئة بيئة العمل عبر تثبيت الحزم المطلوبة باستخدام مدير الحزم القياسي من خلال تشغيل الأمر التالي في سطر الأوامر:

pip install numpy scipy pandas statsmodels matplotlib seaborn

يُنصح بإجراء هذه التحليلات داخل بيئات تفاعلية متطورة مثل Jupyter Notebook أو بيئة Google Colab؛ حيث تتيح هذه البيئات دمج الشيفرة البرمجية مع المخرجات الرقمية، والرسوم البيانية، والشروحات النصية المنسقة في وثيقة علمية واحدة قابلة للتكرار والمشاركة والتدقيق المنهجي.

4.2 تهيئة البيانات وهيكلتها بصيغة تتوافق مع التحليل

في بيئات العمل الواقعية، تتواجد البيانات غالباً في صورتين رئيسيتين: إما في صورة بيانات خام مجمعة فردياً (Raw Microdata) كأعمدة داخل إطار بيانات Pandas تحتوي على قيم ثنائية مشفرة (مثل 1 للدلالة على تحقق الخاصية أو النجاح، و 0 للدلالة على عدم تحققها)، أو في صورة بيانات ملخصة (Aggregated Data) تمثل العدد الإجمالي للحالات الإيجابية وإجمالي عدد المشاهدات الكلي.

عند التعامل مع البيانات الخام باستخدام مكتبة Pandas، تتضمن خطوات التهيئة التحقق الصارم من سلامة البيانات وخلوها من القيم المفقودة (Missing Values) التي قد تؤثر سلباً على تقدير حجم العينة الفعلي. يتم تلخيص المتغير الثنائي باستخدام دوال التجميع مثل الدالة sum لحساب عدد حالات النجاح الكلي، واستخدام الدالة count أو الدالة len لحساب الحجم الإجمالي للعينة، مما يوفر المدخلات الرقمية الأساسية المطلوبة لدوال الاختبار الإحصائي.

تضمن عملية الهيكلة والتنظيف المسبقة للبيانات اتساق المدخلات الرياضية مع الفرضيات المصاغة، وتمنع الوقوع في أخطاء الحساب الناتجة عن القيم الشاذة أو التشفير الخاطئ للفئات الثنائية.

4.3 أفضل الممارسات في كتابة الشيفرة البرمجية التكرارية (Reproducible Code)

تتطلب المعايير الأكاديمية والمهنية المعاصرة أن تتسم الشيفرة البرمجية المكتوبة بقابلية التكرار وإعادة الاستخدام (Reproducibility). ولتحقيق ذلك في بايثون، يُفضل تغليف خطوات الاختبار الإحصائي داخل دوال برمجية مخصصة (Custom Functions) تأخذ المدخلات الأساسية، وتجري الفحوصات المسبقة للشروط الإحصائية، ثم تستدعي الدوال التحليلية وتطبع تقريراً منسقاً ومكتملاً للنتائج.

يتضمن التوثيق البرمجي السليم كتابة سلاسل التوثيق النصية (Docstrings) لشرح معاملات الدالة، ونوع المخرجات المتوقعة، والافتراضات المنهجية المعتمدة. كما يشمل استخدام تعليقات برمجية توضح مبررات اختيار المعاملات (مثل مستوى الثقة ونوع الاختبار أحادي أو ثنائي الطرف). بالإضافة إلى ذلك، ينبغي تنسيق المخرجات الإحصائية داخل كائنات منظمة كالقواميس (Dictionaries) أو أطر البيانات (DataFrames) لتسهيل تصديرها لاحقاً إلى جداول الأبحاث أو التقارير التفاعلية.

5. تشريح دالة proportions_ztest في مكتبة Statsmodels

5.1 المتغيرات الأساسية للدالة (count, nobs, value)

توفر مكتبة Statsmodels دالة متخصصة وفائقة الكفاءة لإجراء اختبارات Z للنسب تُعرف باسم proportions_ztest، وتقع ضمن وحدة التحليل: statsmodels.stats.proportion. تعتمد هذه الدالة على ثلاثة معاملات أساسية ومحورية لتنفيذ اختبار النسبة الواحدة:

• count: يمثل هذا المعامل عدد حالات النجاح أو عدد المرات التي ظهرت فيها الخاصية قيد الدراسة داخل العينة. في اختبار النسبة الواحدة، يُمرر هذا المعامل كقيمة عددية صحيحة مفردة (Integer).
• nobs: يمثل هذا المعامل إجمالي عدد المشاهدات أو المحاولات في العينة الكلية (Number of Observations). ويُمرر أيضاً كقيمة عددية صحيحة مفردة تعبر عن حجم العينة الإجمالي (n).
• value: يمثل هذا المعامل النسبة المرجعية المفترضة في المجتمع الإحصائي (p0) والتي تُبنى الفرضية الصفرية على أساسها. يجب أن تكون قيمة كسرية عائمة تقع في المدى بين الصفر والواحد الصحيح (مثلاً: 0.50 أو 0.35). في حال عدم تحديد هذا المعامل، تفترض الدالة افتراضياً اختبار تساوي نسبتين، لذا يُعد تحديد قيمة value شرطاً إلزامياً لاختبار النسبة الواحدة.

تسمح مرونة هذه المعاملات بالتعامل السريع مع البيانات الملخصة دون الحاجة إلى تحميل مصفوفات البيانات الضخمة في الذاكرة الحوسبية، مما يعزز الكفاءة والسرعة في المعالجة.

5.2 ضبط وسيط الفرضية البديلة (alternative)

يعد المعامل alternative من أهم معاملات الدالة، حيث يتحكم في البنية الاتجاهية لاختبار الفرضية وكيفية حساب القيمة الاحتمالية P-value من التوزيع الطبيعي المعياري. يقبل هذا المعامل ثلاث سلاسل نصية محددة بدقة:

• ‘two-sided’: الخيار الافتراضي في الدالة، ويُستخدم لإجراء اختبار ثنائي الطرف للتحقق من أي اختلاف ذي دلالة إحصائية بين نسبة العينة والنسبة المفترضة في أي من الاتجاهين (H1: p ≠ p0). وفيه تُحسب مساحة الذيلين معاً.
• ‘larger’: يُستخدم لإجراء اختبار أحادي الطرف الأيمن، لاختبار الفرضية البديلة القائلة بأن نسبة العينة الملاحظة أكبر من النسبة المفترضة في المجتمع (H1: p > p0). وفيه تُحسب المساحة الواقعة على يمين قيمة Z المحسوبة فقط.
• ‘smaller’: يُستخدم لإجراء اختبار أحادي الطرف الأيسر، لاختبار الفرضية البديلة القائلة بأن نسبة العينة الملاحظة أصغر من النسبة المفترضة في المجتمع (H1: p < p0). وفيه تُحسب المساحة الواقعة على يسار قيمة Z المحسوبة فقط.

يؤدي الضبط الخاطئ لهذا الوسيط إلى تشويه القيمة الاحتمالية الناتجة بمقدار النصف أو المضاعفة، مما قد يقود الباحث إلى اتخاذ قرار إحصائي خاطئ تماماً بشأن رفض أو قبول الفرضية الصفرية.

5.3 مخرجات الدالة وكيفية استخراج قيمة Z وقيمة P

عند تنفيذ الدالة proportions_ztest، فإنها تُرجع زوجاً مرتباً من القيم (Tuple) يحتوي على عنصرين إحصائيين جوهريين:

• الإحصاء Z (z_stat): القيمة العددية الناتجة عن تطبيق معادلة الاختبار، والتي تعبر عن موقع نسبة العينة بالنسبة لنسبة المجتمع بوحدات الانحراف المعياري. وتكون هذه القيمة موجبة إذا كانت نسبة العينة أكبر من p0، وسالبة إذا كانت أصغر منها.
• القيمة الاحتمالية (p_value): القيمة الاحتمالية الدقيقة المقابلة لإحصاء Z تحت التوزيع الطبيعي المعياري، محسوبة وفقاً لاتجاه الفرضية البديلة المحدد في المعامل alternative.

تجدر الإشارة إلى وجود معامل إضافي متقدم في الدالة وهو prop_var، والذي يحدد الطريقة الرياضية لتقدير التباين في مقام معادلة Z. القيمة الافتراضية للدالة تحسب التباين استناداً إلى نسبة العينة الملاحظة p̂ عند إغفال ضبط القيمة، ولكن لاتباع المنهجية الأكاديمية الصارمة للاختبار المعلمي القياسي لاختبار النسبة الواحدة، يقوم تمرير المعامل value بضبط حساب الخطأ المعياري تلقائياً تحت الفرضية الصفرية باستخدام p0، محققاً التطابق التام مع المعادلات الرياضية الكلاسيكية.

6. التطبيق العملي للاختبار ثنائي الطرف (Two-Tailed Z-Test) في بايثون

6.1 السيناريو البحثي وبناء الفرضيات

لتجسيد التطبيق العملي، نفترض سيناريو بحثياً في علم النفس الصحي؛ حيث تشير التقارير الوطنية المرجعية إلى أن نسبة البالغين الذين يعانون من اضطرابات النوم المزمنة في عموم السكان تبلغ 50% (p0 = 0.50). أراد فريق بحثي دراسة عينة عشوائية مكونة من العاملين في نوبات العمل الليلية غير المنتظمة، لمعرفة ما إذا كانت نسبة انتشار اضطرابات النوم بين هؤلاء العاملين تختلف (سواء بالزيادة أو النقصان) عن المعدل العام للمجتمع.

قام الباحثون بجمع عينة عشوائية تضم n = 200 عامل، وأظهرت الفحوصات التشخيصية المعتمدة أن count = 120 عاملاً منهم يعانون بالفعل من اضطرابات نوم مزمنة. ومن هنا تصاغ الفرضيات الإحصائية للبحث عند مستوى معنوية α = 0.05 كما يلي:

• الفرضية الصفرية: H0: p = 0.50 (نسبة انتشار اضطرابات النوم بين عمال النوبات تساوي النسبة العامة في المجتمع).
• الفرضية البديلة: H1: p ≠ 0.50 (نسبة انتشار اضطرابات النوم بين عمال النوبات تختلف عن النسبة العامة في المجتمع).

يلاحظ هنا أن النسبة الملاحظة في العينة هي: p̂ = 120 / 200 = 0.60 (أي 60%).

6.2 كتابة الكود البرمجي وتنفيذه خطوة بخطوة

لتنفيذ هذا التحليل برمجياً في بايثون، نتبع تسلسلاً منطقياً يبدأ باستيراد الدوال المطلوبة، وإسناد المتغيرات، ثم استدعاء دالة الاختبار مع ضبط الوسائط المناسبة:

أولاً، نقوم باستيراد دالة الاختبار من مكتبة Statsmodels عبر استدعاء proportions_ztest من المسار statsmodels.stats.proportion. بعد ذلك، نحدد المتغيرات العددية الأساسية: إسناد القيمة 120 لمتغير count، والقيمة 200 لمتغير nobs، والقيمة 0.50 لمتغير value.

ثانياً، نقوم بتنفيذ الدالة وتمرير هذه المتغيرات مع تعيين المعامل alternative بالقيمة ‘two-sided’، واستقبال النتيجة في متغيرين يمثلان إحصاء Z والقيمة الاحتمالية p-value على النحو التالي:

عند تنفيذ هذه الأوامر، تحسب الدالة الفرق بين 0.60 و 0.50، وتقسمه على الخطأ المعياري المحسوب تحت الفرضية الصفرية وهو الجذر التربيعي لـ [0.50 * (1 – 0.50) / 200]، والذي يساوي 0.035355. ينتج عن هذه العملية الرياضية إحصاء Z معياري يساوي تقريباً 2.8284.

ثالثاً، تقوم الدالة بحساب المساحة التراكمية في كلا الذيلين للتوزيع الطبيعي المعياري عند القيمة 2.8284- والقيمة 2.8284+، لتنتج قيمة احتمالية فائقة الدقة تبلغ حوالي P = 0.00468.

6.3 تفسير المخرجات وصنع القرار الإحصائي

بمراجعة المخرجات الرقمية للاختبار ثنائي الطرف، نجد أن إحصاء Z المحسوب (Z = 2.83) يقع في منطقة الرفض الحرجة؛ إذ إنه يتجاوز بكثير القيمة الحرجة المعيارية للتوزيع الطبيعي عند مستوى معنوية 0.05، والبالغة ±1.96. ويعني ذلك أن نسبة العينة الملاحظة تبتعد بأكثر من 2.82 انحراف معياري عن القيمة المفترضة للمجتمع.

بالإضافة إلى ذلك، فإن القيمة الاحتمالية المحسوبة (P = 0.0047) هي أصغر بكثير من مستوى الدلالة المعتمد (α = 0.05)، مما يحقق قاعدة اتخاذ القرار برفض الفرضية الصفرية. وعليه، يتخذ الباحث القرار الإحصائي بـ رفض الفرضية الصفرية (Reject H0) وقبول الفرضية البديلة.

من الناحية الموضوعية والتطبيقية، يُستنتج أن هناك فرقاً ذا دلالة إحصائية جوهرية بين نسبة انتشار اضطرابات النوم لدى عمال النوبات الليلية والنسبة المرجعية في المجتمع العام؛ حيث تدل النتائج على أن هذه الفئة تعاني من معدلات انتشار أعلى بشكل ملحوظ لا يمكن عزوه لعوامل الصدفة الإحصائية للمعاينة.

7. التطبيق العملي للاختبار أحادي الطرف الأيمن (Right-Tailed Z-Test)

7.1 تحديد متى يُستخدم الاختبار أحادي الطرف الأيمن

يُستخدم الاختبار أحادي الطرف الأيمن (Upper-tailed / Right-tailed test) عندما ينطلق الباحث من خلفية نظرية أو أدلة تجريبية سابقة تفترض صراحة أن التدخل أو المتغير المستقل سيؤدي إلى زيادة النسبة المدروسة، ولا يهتم الباحث باختبار النقصان إلا باعتباره عدم تحقق للفرضية.

لنفترض دراسة تجريبية في علم النفس التربوي تهدف إلى تقييم فاعلية استراتيجية تعلم حديثة قائمة على الألعاب الرقمية (Gamification). تفيد السجلات الأكاديمية السابقة بأن نسبة الطلاب الذين يحققون درجة الإتقان في مادة الرياضيات بالطرق التقليدية تبلغ 60% (p0 = 0.60). طبق الباحث الاستراتيجية الجديدة على عينة تجريبية عشوائية قوامها n = 150 طالباً، وحقق count = 105 طلاب منهم درجة الإتقان، أي بنسبة ملاحظة p̂ = 105 / 150 = 0.70 (70%).

تتم صياغة الفرضيات الموجهة عند مستوى معنوية α = 0.05 كالتالي:

• الفرضية الصفرية: H0: p ≤ 0.60 (نسبة الإتقان بالاستراتيجية الجديدة لا تتجاوز النسبة السابقة 60%).
• الفرضية البديلة: H1: p > 0.60 (نسبة الإتقان بالاستراتيجية الجديدة تفوق النسبة السابقة 60%).

وتكون القيمة الحرجة المقابلة لمستوى الدلالة 0.05 في الاتجاه الأيمن للتوزيع الطبيعي المعياري هي Z_crit = +1.645.

7.2 ضبط المعلمات البرمجية وتنفيذ الشيفرة في بايثون

لتنفيذ الاختبار أحادي الطرف الأيمن، نستدعي دالة proportions_ztest ونمرر المدخلات التالية: count = 105، nobs = 150، value = 0.60، مع ضبط المعامل الجوهري alternative=’larger’.

عند تشغيل الشيفرة البرمجية، تحسب بايثون الخطأ المعياري تحت الفرضية الصفرية كالتالي: √[ 0.60 * (1 – 0.60) / 150 ] = √[ 0.24 / 150 ] = 0.040. ومن ثم يتم حساب إحصاء Z:

Z = (0.70 – 0.60) / 0.040 = 2.50.

يقوم المعامل alternative=’larger’ بتوجيه بايثون لحساب المساحة تحت منحنى التوزيع الطبيعي المعياري الواقعة على يمين القيمة Z = 2.50 فقط. فتكون القيمة الاحتمالية الناتجة هي: P = 0.0062 تقريباً (وهي تمثل نصف القيمة الاحتمالية التي كانت ستظهر لو كان الاختبار ثنائي الطرف لنفس إحصاء Z).

7.3 قراءة المخرجات وربطها بالاستنتاج الإحصائي

تظهر نتائج الاختبار أن قيمة إحصاء Z المحسوبة (+2.50) تفوق القيمة الحرجة المحددة سلفاً (+1.645)، كما أن القيمة الاحتمالية الناتجة (P = 0.0062) هي أقل بكثير من مستوى المعنوية المختار (α = 0.05). ووفقاً لقواعد القرار الإحصائي، يتم رفض الفرضية الصفرية لصالح الفرضية البديلة الموجهة.

يجب التنبيه هنا إلى أهمية التحقق من اتجاه الفرق الملاحظ قبل اتخاذ القرار النهائي؛ فلو كانت نسبة العينة الملاحظة أصغر من 0.60 (مثلاً 0.55)، لنتجت قيمة Z سالبة، وكانت القيمة الاحتمالية الناتجة للاختبار الأيمن قريبة جداً من الواحد الصحيح (نظراً لاحتساب المساحة الكاملة عن اليمين)، مما يستوجب حتماً عدم رفض الفرضية الصفرية.

يقود هذا الاستنتاج الإحصائي القوي الباحثين وصناع القرار التربوي إلى الاستنتاج بأن استراتيجية التعلم الرقمية قد حققت زيادة حقيقية ذات دلالة إحصائية في معدل إتقان الطلاب لمادة الرياضيات، مما يبرر التوصية بتعميمها على نطاق أوسع.

8. التطبيق العملي للاختبار أحادي الطرف الأيسر (Left-Tailed Z-Test)

8.1 صياغة الفرضية لاختبار الانخفاض الإحصائي

يُطبق الاختبار أحادي الطرف الأيسر (Lower-tailed / Left-tailed test) عندما يسعى الباحث إلى إثبات انخفاض نسبة حدوث ظاهرة غير مرغوب فيها نتيجة لتطبيق برنامج وقائي أو تدخل علاجي محدد، استناداً إلى فرضية مسبقة تتوقع تراجع النسبة عن الخط المرجعي الأساسي.

نطرح هنا حالة دراسية في علم النفس الإكلينيكي والصحة العامة؛ حيث توضح السجلات التاريخية أن نسبة الانتكاس (Relapse Rate) خلال السنة الأولى لدى المتعافين من إدمان التدخين دون متابعة تبلغ 35% (p0 = 0.35). تم تصميم برنامج دعم سلوكي ومعرفي عبر تطبيق هاتفي تفاعلي، وطُبق على عينة عشوائية تضم n = 300 مشارك من المتعافين حديثاً. وبعد انقضاء عام كامل، سُجلت حالات الانتكاس في العينة وبلغت count = 75 مشاركاً فقط، أي بنسبة ملاحظة p̂ = 75 / 300 = 0.25 (25%).

تتم صياغة الفرضيات الإحصائية الصارمة عند مستوى معنوية مرتفع α = 0.01 على النحو التالي:

• الفرضية الصفرية: H0: p ≥ 0.35 (نسبة الانتكاس للمشاركين في البرنامج لا تقل عن النسبة التاريخية 35%).
• الفرضية البديلة: H1: p < 0.35 (نسبة الانتكاس للمشاركين في البرنامج انخفضت بشكل دال عن 35%).

وتكون القيمة الحرجة للتوزيع الطبيعي المعياري في أقصى الطرف الأيسر عند مستوى دلالة 0.01 هي Z_crit = -2.326.

8.2 التنفيذ البرمجي ومطابقة النتائج مع القيمة النظرية

يتم تنفيذ الاختبار أحادي الطرف الأيسر في بايثون عبر استدعاء دالة proportions_ztest مع إسناد المعاملات: count = 75، nobs = 300، value = 0.35، وضبط المعامل alternative=’smaller’.

تجري بايثون الحسابات الرياضية للخطأ المعياري كالتالي: √[ 0.35 * (1 – 0.35) / 300 ] = √[ 0.2275 / 300 ] = 0.027537. وبناءً عليه يُحسب إحصاء Z المعياري:

Z = (0.25 – 0.35) / 0.027537 = -3.6314.

نظراً لضبط وسيط alternative على ‘smaller’، تقوم بايثون بحساب المساحة التراكمية تحت منحنى التوزيع الطبيعي المعياري الواقعة على يسار القيمة Z = -3.6314، وتنتج قيمة احتمالية ضئيلة جداً تبلغ P = 0.000141 (أي ما يعادل تقريباً 0.014%).

يمكن تضمين منطق برمجي شرطي في بايثون باستخدام عبارات if-else لطباعة القرار الإحصائي آلياً، بحيث تتم مقارنة p_value مع مستوى alpha المعتمد وطباعة عبارة رفض الفرضية الصفرية أو الفشل في رفضها بناءً على النتيجة الرقمية.

8.3 صياغة التقرير الإحصائي بأسلوب أكاديمي

تظهر المخرجات البرمجية أن إحصاء Z المحسوب (-3.63) يقع في أقصى منطقة الرفض اليسرى، متجاوزاً القيمة الحرجة المتطلبة (-2.33). وبما أن القيمة الاحتمالية الناتجة (P < 0.001) تقل كثيراً عن مستوى المعنوية الصارم المحدد بـ 0.01، فإن القرار الإحصائي المؤكد هو رفض الفرضية الصفرية H0.

يشير هذا الانخفاض الدال إحصائياً من 35% إلى 25% إلى أن برنامج الدعم السلوكي عبر الهاتف قد نجح بصورة قاطعة في خفض معدلات الانتكاس السنوية بين المتعافين. ويعبر حجم التأثير الملاحظ (انخفاض بمقدار 10 نقاط مئوية كاملة) عن قيمة تطبيقية وسريرية عالية تسوغ اعتماد البرنامج كأداة تدخل وقائي قياسية في عيادات الإرشاد النفسي وعلاج الإدمان.

9. حساب وتفسير فترات الثقة (Confidence Intervals) للنسبة في بايثون

9.1 العلاقة الرياضية بين فترات الثقة واختبار Z

تمثل فترات الثقة (Confidence Intervals – CI) وجهاً مكملاً وأساسياً لاختبار الفرضيات الإحصائية في منهجية الاستدلال؛ فبينما يقدم اختبار Z إجابة ثنائية حول رفض أو قبول الفرضية الصفرية، تقدم فترة الثقة تقديراً مجالياً لحجم التأثير ومقدار عدم اليقين المحيط بتقدير نسبة المجتمع الحقيقية بناءً على بيانات العينة.

تعبر فترة الثقة 95% عن مدى رقمي نكون واثقين بنسبة 95% أنه يحتوي على النسبة الحقيقية لمجتمع الدراسة إذا ما كررنا سحب العينات بنفس الحجم وبنفس الشروط لعدد لا نهائي من المرات. وتتكامل فترات الثقة ثنائية الطرف تكاملاً تاماً مع اختبار Z ثنائي الطرف؛ حيث تنص القاعدة الرياضية على أنه: إذا وقعت النسبة المرجعية المفترضة p0 خارج حدود فترة الثقة 95%، فإن اختبار Z المقابل عند α = 0.05 سيرفض حتماً الفرضية الصفرية، والعكس صحيح.

توجد عدة طرق رياضية لحساب فترات الثقة للنسب، من أبرزها:

• طريقة فالد المعيارية (Wald Interval): وهي الطريقة الكلاسيكية القائمة على التقريب الطبيعي البسيط باستخدام خطأ العينة الملاحظ، ولكن يعيبها ضعف الأداء في العينات الصغيرة أو عندما تكون النسب قريبة من الأطراف.
• طريقة ويلسون (Wilson Score Interval): طريقة متقدمة تعتمد على مقلوب اختبار درجات ويلسون، وتوفر تغطية احتمالية ممتازة ودقيقة حتى مع العينات الصغيرة والنسب الملتوية.
• طريقة كلوبر-بيرسون التامة (Clopper-Pearson Exact Interval): طريقة تعتمد على توزيع بيتا وتوزيع ذي الحدين لضمان عدم تجاوز معدل الخطأ، وتعتبر الطريقة الأكثر تحفظاً في الإحصاء اللامعلمي.

9.2 استخدام دالة proportion_confint في Statsmodels

توفر مكتبة Statsmodels دالة متكاملة لحساب فترات الثقة للنسب تُسمى proportion_confint، وتقع أيضاً ضمن وحدة statsmodels.stats.proportion. تتميز هذه الدالة بقدرتها على حساب فترات الثقة باستخدام مختلف المنهجيات الرياضية عبر معاملات واضحة:

• count: عدد حالات النجاح في العينة.
• nobs: الحجم الكلي للعينة.
• alpha: مستوى عدم اليقين (يُضبط على 0.05 للحصول على فترة ثقة 95%، أو 0.01 لفترة ثقة 99%).
• method: المنهجية الحسابية المعتمدة، وتقبل خيارات متعددة مثل:
  • ‘normal’: لتطبيق طريقة فالد المعيارية الكلاسيكية.
  • ‘wilson’: لتطبيق طريقة درجات ويلسون الموصى بها في الأبحاث الحديثة.
  • ‘beta’ أو ‘exact’: لتطبيق طريقة كلوبر-بيرسون التامة.
  • ‘agresti_coull’: لتطبيق طريقة أغريستي-كول المعدلة الشهيرة بإضافة نجاحين وفشلين.

عند تمرير بيانات السيناريو الأول (120 نجاحاً من أصل 200 مشاهدة) للدالة مع ضبط method=’wilson’ و alpha=0.05، تُرجع الدالة حداً أدنى يبلغ 0.5312 وحداً أعلى يبلغ 0.6651، مما يوضح حدود المجال الدقيق للنسبة الحقيقية في المجتمع بثقة 95%.

9.3 تفسير حدود الثقة وربطها بالقرارات الميدانية

يعد التفسير الدقيق لحدود فترة الثقة خطوة جوهرية لتجنب المفاهيم الخاطئة الشائعة في الإحصاء؛ ففترة الثقة المحسوبة [0.531, 0.665] تعني أننا على ثقة بنسبة 95% بأن النسبة الحقيقية لانتشار اضطرابات النوم بين جميع عمال النوبات في المجتمع تقع بين 53.1% و 66.5%.

يوفر اتساع فترة الثقة (عرض المجال) مؤشراً مباشراً على دقة التقدير الإحصائي (Precision of Estimation)؛ فكلما كانت العينة أكبر، كلما ضاقت فترة الثقة وانخفض هامش الخطأ (Margin of Error). ويتضح من هذه الفترة أن الحد الأدنى للثقة (53.1%) يقع بالكامل فوق القيمة المرجعية للمجتمع (50%)، وهو ما يؤكد مجدداً وبشكل بصري وقاطع رفض الفرضية الصفرية دون الحاجة للنظر إلى قيمة P-value وحدها.

تساعد فترات الثقة متخذي القرار في تحديد أسوأ وأفضل السيناريوهات المتوقعة عند تطبيق السياسات؛ فمعرفة أن نسبة انتشار الاضطراب لن تقل عن 53.1% حتى في أكثر التقديرات تحفظاً يمنح المخططين أرضية صلبة لتخصيص الموارد العلاجية والوقائية الكافية.

10. التصور البصري للبيانات ونتائج اختبار Z باستخدام Python

10.1 رسم منحنى التوزيع الطبيعي المعياري وتحديد مناطق الرفض

يمثل التصور البصري أداة فعالة لتحويل المخرجات الإحصائية المجردة إلى رسوم بيانية بديهية تسهم في فهم بنية الاختبار. باستخدام مكتبتي Matplotlib و SciPy، يمكن توليد منحنى الكثافة الاحتمالية للتوزيع الطبيعي المعياري، وتظليل المناطق الحرجة للرفض، وإسقاط قيمة Z المحسوبة بصرياً لتوضيح موقعها.

تتضمن خطوات البناء البرمجي للرسم التوزيعي توليد مصفوفة من القيم المعيارية تمتد من -4 إلى +4 باستخدام دالة linspace في مكتبة NumPy، ثم حساب قيم دالة الكثافة الاحتمالية المقابلة باستخدام دالة norm.pdf من مكتبة SciPy Stats. يتم رسم المنحنى الجرسي الرئيسي كخط مستمر أنيق.

بعد ذلك، يتم استخدام دالة fill_between لتظليل مساحات الذيل التي تمثل مناطق الرفض الحرجة الواقعة خارج حدود Z_crit (مثل المناطق الواقعة تحت -1.96 وفوق +1.96 في الاختبار ثنائي الطرف). وأخيراً، يتم رسم خط عمودي متقطع بلون مميز وواضح عند موقع إحصاء Z المحسوب في الدراسة وإضافة أسهم توضيحية تشير إلى وقوعه عميقاً داخل منطقة الرفض، مما يجعل القرار الإحصائي واضحاً وجلياً لأي قارئ للتقرير العلمي.

10.2 تمثيل النسب الملاحظة والمتوقعة باستخدام Seaborn

إلى جانب رسم التوزيع المعياري، من الضروري مقارنة النسبة الملاحظة في العينة بالنسبة المفترضة للمجتمع بيانياً عبر مخططات الأعمدة المنسقة (Bar Plots) المدعومة بمكتبة Seaborn ومكتبة Matplotlib.

يتيح المخطط البياني المقارن عرض عمود يمثل النسبة المفترضة تحت الفرضية الصفرية (p0) بجانب عمود يمثل النسبة الملاحظة في العينة (p̂). ولإضفاء الدقة الأكاديمية على الرسم، يتم تثبيت أشرطة الخطأ (Error Bars) فوق عمود النسبة الملاحظة، بحيث تعبر هذه الأشرطة بدقة عن الحدين الأدنى والأعلى لفترة الثقة 95% المحسوبة مسبقاً عبر طريقة ويلسون.

يسهم هذا التمثيل في إبراز الفروق الجوهرية بوضوح؛ فإذا كان خط النسبة المفترضة لا يتقاطع مع شريط الخطأ الخاص بالنسبة الملاحظة، يتضح بصرياً وجود فرق دال إحصائياً بين العينة والمجتمع، مما يسهل استيعاب النتيجة في المؤتمرات والمنشورات العلمية.

10.3 بناء مخططات تفاعلية وشاملة للتقارير الإحصائية

لإعداد تقارير علمية متقدمة، يمكن دمج هذه الرسومات في لوحة بيانات بصرية متكاملة (Dashboard-style Figure) تتكون من عدة نوافذ بيانية فرعية (Subplots) باستخدام دالة plt.subplots في Matplotlib. تجمع هذه اللوحة في قسمها الأيمن منحنى التوزيع الطبيعي المعياري مع مناطق الرفض وقيمة Z، بينما يعرض قسمها الأيسر مقارنة النسب مع فترات الثقة، مصحوبة بجدول نصي ملخص لأهم المؤشرات الرقمية (حجم العينة، الخطأ المعياري، قيمة Z، قيمة P، فترات الثقة).

تتطلب معايير النشر في المجلات العلمية المحكمة تصدير هذه المخططات بدقة وضوح مكانية فائقة. يتم ذلك في بايثون عبر استدعاء دالة plt.savefig وتحديد معامل الكثافة النقطية dpi=300 مع تعيين المعامل bbox_inches=’tight’ لضمان عدم اقتطاع حواف الرسم، مما يضمن ظهور النصوص والرموز الرياضية بأعلى درجات النقاء والاحترافية عند الطباعة والنشر الرقمي.

11. الأخطاء الشائعة واستكشاف الأخطاء وإصلاحها (Troubleshooting)

11.1 الخلط بين الاختبارات أحادية وثنائية الطرف وأثره على P-value

من أكثر الأخطاء المنهجية شيوعاً في التحليل الإحصائي هو الخلط بين الاختبارات أحادية الطرف وثنائية الطرف، وما يترتب على ذلك من مضاعفة أو تنصيف غير واعٍ للقيمة الاحتمالية P-value. ينشأ هذا الخطأ عندما يقوم الباحث باختيار اختبار أحادي الطرف بعد معاينة البيانات ورؤية اتجاه الفرق، وهي الممارسة المرفوضة منهجياً وتعرف في أدبيات علم النفس بـ HARKing (Hypothesizing After the Results are Known).

يؤدي استخدام الاختبار أحادي الطرف دون تبرير نظري مسبق صارم إلى مضاعفة معدل الخطأ من النوع الأول بشكل غير معلن، مما يزيد من فرص ادعاء وجود دلالة إحصائية زائفة. لتفادي هذا الخطأ، يجب الالتزام بالفرضيات المحددة في بروتوكول البحث المسبق، والتحقق دائماً في بايثون من أن إشارة إحصاء Z تتطابق مع الاتجاه الموجه في وسيط alternative (إشارة موجبة مع ‘larger’ وإشارة سالبة مع ‘smaller’).

11.2 التعامل مع أحجام العينات الصغيرة وانتهاك شروط التقريب

يقع بعض الباحثين في فخ تطبيق اختبار Z للنسبة الواحدة على عينات صغيرة الحجم لا تفي بشرط التقريب الطبيعي (حيث يكون حاصل ضرب n*p0 أو n*(1-p0) أقل من 10). يؤدي هذا الانتهاك إلى تشوه دالة التوزيع، وتصبح القيمة الاحتمالية المستخرجة من التوزيع الطبيعي غير دقيقة ومضللة للغاية.

لاستكشاف هذه المشكلة وإصلاحها برمجياً، ينبغي تضمين كود فحص قبلي في بايثون يتحقق من قيم n*p0 و n*(1-p0). إذا تبين عدم استيفاء الشرط، يجب التبديل برمجياً ومباشرة إلى استخدام الدالة الدقيقة المخصصة للعينات الصغيرة من مكتبة SciPy وهي دالة scipy.stats.binomtest، والتي تنفذ اختبار ذي الحدين التام بدقة متناهية دون الاعتماد على التقريب الطبيعي، مما يحافظ على النزاهة العلمية للتحليل.

11.3 أخطاء تمرير المعاملات في Statsmodels وتفسير المخرجات

تشهد كتابة الأكواد في بايثون بعض الأخطاء التقنية المتكررة عند استدعاء دالة proportions_ztest، ومن أبرزها:

• الخطأ في ترتيب المعاملات: تمرير nobs أولاً ثم count، مما يؤدي إلى نتائج رياضية غير منطقية وتوليد أخطاء حسابية أو قيم Z وهمية. يجب دائماً التأكد من تمرير count كمعامل أول يليه nobs.
• تمرير النسب بدلاً من الأعداد الصحيحة: تمرير النسبة الملاحظة (مثل 0.60) كقيمة للمعامل count بدلاً من عدد الحالات الفعلي (120)، وهو ما يعطل خوارزمية الحساب البرمجي تماماً.
• نسيان تحديد المعامل value: إغفال تمرير المعامل value=p0، مما يجعل الدالة تفترض تلقائياً اختبار تساوي نسبتين لعينة فارغة وتنتج مخرجات خاطئة بالكامل.

تضمن المراجعة الدقيقة لبنية الأكواد واستخدام التمرير الصريح للمعاملات بالاسم (Keyword Arguments مثل count=count, nobs=nobs, value=value) التخلص التام من هذه الأخطاء البرمجية الشائعة.

12. توثيق النتائج الإحصائية وفق معايير APA وكتابة التقارير الأكاديمية

12.1 صياغة النتائج بلغة الجمعية الأمريكية لعلم النفس (APA Style)

تتطلب كتابة التقارير العلمية والنشر في المجلات الأكاديمية المرموقة الالتزام الصارم بقواعد دليل النشر الصادر عن الجمعية الأمريكية لعلم النفس في طبعته السابعة (APA 7th Edition). تفرض هذه المعايير قواعد محددة لتنسيق الرموز الإحصائية والأرقام العشرية:

• تُكتب جميع الرموز والحروف الإحصائية اللاتينية بخط مائل (Italicized)، مثل: z, p, N, CI. بينما تُكتب الحروف والرموز اليونانية (مثل α و β) بخط عادي غير مائل.
• يتم تقريب قيم إحصاء z والنسب المئوية ومجالات الثقة إلى خانتين عشريتين (Two decimal places).
• تُقرب القيم الاحتمالية p إلى ثلاث خانات عشرية (Three decimal places). وإذا كانت القيمة الاحتمالية أقل من 0.001، تُكتب كالتالي: p < .001 دون كتابة الصفر قبل الفاصلة العشرية (نظراً لأن قيمة الاحتمال لا يمكن أن تتجاوز الواحد الصحيح).
• يجب توثيق فترة الثقة بذكر معامل الثقة بوضوح داخل أقواس مربعة محددة، مثل: 95% CI [0.53, 0.67].

12.2 تضمين القيم الإحصائية الأساسية بدقة داخل النص والجدول

يقوم التوثيق الأكاديمي الشامل على دمج النسبة الملاحظة، والنسبة المرجعية للمجتمع، وإحصاء Z، والقيمة الاحتمالية، وفترة الثقة في صياغة نصية مترابطة تبرز الدلالة الإحصائية والأهمية العملية للنتائج.

الصيغة القياسية المعتمدة في تقارير APA تأخذ النمط التالي:

“أظهر اختبار Z لنسبة واحدة أن نسبة المشاركين الذين يعانون من اضطراب النوم في العينة (60.0%, n = 120) كانت أعلى بشكل دال إحصائياً عن النسبة المرجعية المفترضة في المجتمع العام (50.0%)، z = 2.83, p = .005, 95% CI [0.53, 0.67].”

وعند إعداد الجداول الإحصائية المجمعة للدراسة، يجب تنظيم البيانات في أعمدة واضحة تشمل: المتغير، حجم العينة الإجمالي (N)، عدد الحالات (n)، النسبة الملاحظة (p̂)، النسبة المرجعية (p0)، قيمة z، مستوى الدلالة (p)، وحدود فترة الثقة (95% CI)، مما يتيح للقارئ والمحكم الأكاديمي فحص كافة المؤشرات الإحصائية الأساسية بسرعة ودقة.

12.3 نماذج تقارير عملية مكتوبة وجاهزة للنشر الأكاديمي

نقدم فيما يلي نماذج نصية متكاملة لصياغة نتائج الاختبارات الإحصائية الثلاثة السابقة وفق أسلوب APA الأكاديمي الرصين:

نموذج تقرير لاختبار ثنائي الطرف (رفض الفرضية الصفرية):
“أُجري اختبار Z لنسبة واحدة لتقييم ما إذا كانت نسبة انتشار اضطرابات النوم بين العاملين بنظام النوبات الليلية تختلف عن النسبة المرجعية الوطنية البالغة 50%. أظهرت النتائج أن نسبة الانتشار في عينة الدراسة بلغت 60.00% (120 من أصل 200 عامل)، وهو اختلاف ذو دلالة إحصائية عن النسبة الوطنية، z = 2.83، p = .005. كما أشارت فترة الثقة 95% المعتمدة على طريقة درجات ويلسون [0.53, 0.67] إلى أن النسبة الحقيقية للانتشار في المجتمع المستهدف تفوق بوضوح المعدل العام، مما يؤكد الحاجة إلى برامج تدخل مخصصة لهذه الفئة.”

نموذج تقرير لاختبار موجه أحادي الطرف الأيمن:
“لاختبار الفرضية القائلة بأن استراتيجية التعلم الرقمي ترفع نسبة إتقان مادة الرياضيات عن النسبة التقليدية (60%)، أُجري اختبار Z أحادي الطرف الأيمن. أظهرت النتائج أن 70.00% من الطلاب في العينة التجريبية (105 من أصل 150) قد حققوا درجة الإتقان، وهي زيادة دالة إحصائياً مقارنة بالمعدل التقليدي، z = 2.50، p = .006 (أحادي الطرف)، 95% CI [0.62, 0.77]. تدعم هذه النتائج الفرضية التجريبية بفاعلية الاستراتيجية المستحدثة في تحسين نواتج التعلم.”

نموذج تقرير لاختبار موجه أحادي الطرف الأيسر:
“أُجري اختبار Z أحادي الطرف الأيسر لفحص مدى نجاح برنامج الدعم السلوكي في خفض نسبة الانتكاس السنوية بين المتعافين من التدخين إلى ما دون النسبة التاريخية (35%). كشفت التحليلات أن نسبة الانتكاس في عينة المشاركين في البرنامج بلغت 25.00% (75 من أصل 300 مشارك)، محققة انخفاضاً ذا دلالة إحصائية عالية، z = -3.63، p < .001 (أحادي الطرف)، 99% CI [0.19, 0.32]. تؤكد هذه النتائج الأثر الإيجابي الواضح للبرنامج الوقائي في تعزيز استدامة التعافي.”

خاتمة واستنتاجات ختامية

يعد اختبار Z لنسبة واحدة (One Proportion Z-Test) من الركائز الأساسية المنهجية في ترسانة التحليل الإحصائي والاستدلال العلمي، حيث يوفر جسراً رياضياً متيناً للربط بين المعطيات التجريبية الفئوية والفرضيات العامة حول المجتمعات الإحصائية. ومن خلال تبريره القائم على مبرهنة النهاية المركزية، يمنح الاختبار الباحثين القدرة على اتخاذ قرارات علمية دقيقة وموضوعية تضبط احتمالات الخطأ الإحصائي بدقة متناهية.

وقد أثبتت لغة البرمجة بايثون ومكتبتها الإحصائية الرائدة Statsmodels قدرة فائقة على تبسيط هذا الإجراء الرياضي وأتمتته، بدءاً من المعالجة الأولية للبيانات، مروراً بتنفيذ الاختبارات ثنائية وأحادية الطرف بدقة رقمية متناهية، وصولاً إلى بناء فترات الثقة المتقدمة وإنشاء التصورات البيانية التوضيحية الجاهزة للنشر الأكاديمي. إن الجمع الواعي بين الفهم العميق للافتراضات الإحصائية والتمكن من أدوات الحوسبة البرمجية يمثل المهارة الجوهرية التي تمكن الباحثين والمحللين من إنتاج أبحاث علمية رصينة وتقارير بيانات تتسم بأعلى معايير المصداقية وقابلية التكرار والنزاهة الأكاديمية.

المراجع (References)

• Agresti, A. (2018). An introduction to categorical data analysis (3rd ed.). John Wiley & Sons. https://www.wiley.com
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Brown, L. D., Cai, T. T., & DasGupta, A. (2001). Interval estimation for a binomial proportion. Statistical Science, 16(2), 101–117. https://doi.org/10.1214/ss/1009213286
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … & Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
• McKinney, W. (2022). Python for data analysis: Data wrangling with pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media. https://wesmckinney.com/book/
• 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-92bf1922-011
• 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
• Wackerly, D. D., Mendenhall, W., & Scheaffer, R. L. (2014). Mathematical statistics with applications (7th ed.). Cengage Learning.
• Wilson, E. B. (1927). Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association, 22(158), 209–212. https://doi.org/10.1080/01621459.1927.10502953