كيفية إجراء اختبار الإشارة في إكسيل (خطوة بخطوة)

تُعد معالجة البيانات الإحصائية في العلوم السلوكية والنفسية ركيزة محورية لفهم الظواهر المعقدة التي تحكم السلوك الإنساني والعمليات المعرفية. وفي كثير من الأحيان، يجد الباحث النفسي والإكلينيكي نفسه أمام بيانات تراتبية أو كمية لا تستوفي افتراضات التوزيع الطبيعي المعياري، إما بسبب صغر حجم العينات المتاحة للدراسة أو لوجود انحرافات والتواءات شديدة ناتجة عن التباين الفردي الواسع بين المفحوصين. في مثل هذه البيئات المنهجية، تفقد الاختبارات المعلمية التقليدية كفاءتها وقوتها الاستدلالية، مما يستوجب اللجوء إلى حزمة من الأساليب الإحصائية اللامعلمية (Nonparametric Statistics) التي توفر بدائل متينة وقادرة على معالجة البيانات بأقل قدر ممكن من الافتراضات التوزيعية المسبقة.

يمثل اختبار الإشارة (Sign Test) أحد أقدم هذه الاختبارات اللامعلمية وأكثرها مرونة، حيث يرتكز على منطق احتمالي استدلالي بسيط وأنيق في آن واحد. فبدلاً من التركيز على الفروق العددية المطلقة وحساب المتوسطات الحسابية والانحرافات المعيارية التي تتأثر بشدة بالقيم الشاذة، يعتمد الاختبار على اتجاه التغير (+ أو -) لتحديد ما إذا كان وسيط المجتمع يختلف جوهرياً عن قيمة مرجعية مفترضة، أو ما إذا كان هناك تحسن دال إحصائياً بين قياسين قبلي وبعدي لدى نفس العينة من الأفراد. ونظراً لانتشار برنامج ميكروسوفت إكسيل (Microsoft Excel) كأداة تحليلية ميسرة وواسعة الانتشار في المؤسسات البحثية والأكاديمية، فإن فهم كيفية تنفيذ هذا الاختبار من خلاله يمثل مهارة جوهرية لكل باحث وممارس إكلينيكي يسعى لتقييم التدخلات النفسية والسلوكية بدقة وموثوقية.

يهدف هذا الدليل المرجعي الشامل إلى تفكيك كافة الجوانب النظرية والتطبيقية لاختبار الإشارة خطوة بخطوة، بدءاً من تأصيل أسسه الرياضية القائمة على التوزيع ثنائي الحدين، مروراً بمقارنته بالاختبارات المنافسة مثل اختبار ويلكوكسون واختبار “ت”، وصولاً إلى التطبيق الإجرائي الكامل داخل ميكروسوفت إكسيل، وتفسير المخرجات وصياغتها وفق الضوابط الأكاديمية الدقيقة الصادرة عن جمعية علم النفس الأمريكية (APA).

1. مقدمة نظرية حول اختبار الإشارة وأهميته في التحليل الإحصائي النفسي

1.1 مفهوم اختبار الإشارة وطوطبيعته اللامعلمية

يُعرف اختبار الإشارة تاريخياً بأنه أول اختبار إحصائي استدلالي تم توثيقه علمياً، حيث تعود جذوره المبكرة إلى دراسات جون أربوثنوت (John Arbuthnot) في أوائل القرن الثامن عشر حين حاول دراسة نسب المواليد الذكور والإناث. ويُصنف الاختبار اليوم كأحد أهم الاختبارات اللامعلمية التوزيعية الحرة (Distribution-free Tests)، والمصممة خصيصاً للتعامل مع البيانات التي لا تتبع شكلاً توزيعياً محدداً، أو عندما لا تتطابق البيانات مع منحنى التوزيع الطبيعي الجاوسي التماثلي.

يكمن جوهر اختبار الإشارة في تحويل تركيز التحليل الإحصائي من المتوسط الحسابي (Mean) إلى الوسيط الحسابي (Median). فالوسيط يمثل النقطة المركزية الحقيقية التي تقسم رتب المشاهدات إلى نصفين متساويين، وهو مقياس نزعة مركزية بالغ القوة في مواجهة الانحرافات الشديدة والقيم المتطرفة التي تشيع في مقاييس الاضطرابات النفسية والسلوكية، كقياسات حدة نوبات الهلع أو مؤشرات اضطراب ما بعد الصدمة، حيث تؤدي بضع استجابات حادة إلى سحب المتوسط الحسابي بعيداً عن المركز الحقيقي للمجموعة.

تعتمد آلية الاختبار على تحويل كل مشاهدة كمية إلى مؤشر ثنائي بسيط يرمز إلى اتجاه القيمة بالنسبة لقيمة محددة مسبقاً، حيث تُعطى القيمة إشارة موجبة (+) إذا كانت تتجاوز وسيط المقارنة، أو إشارة سالبة (-) إذا كانت أقل منه، بينما تُستبعد المشاهدات المساوية تماماً للوسيط. هذا التبسيط الاستدلالي يتيح للباحث اختبار الفرضيات المتعلقة بموقع التوزيع دون الحاجة إلى افتراض معرفة التباين المجتمعي أو الخصائص المترية للمتغيرات، مما يجعله مثالياً للبيانات التي تُقاس بمستويات تراتبية (Ordinal Scales).

1.2 سياقات استخدام اختبار الإشارة في القياس النفسي

تتعدد السياقات التطبيقية لاختبار الإشارة داخل أروقة القياس النفسي والتشخيص الإكلينيكي. يُعد الاختبار أداة مثالية لتحليل البيانات المجمعة بواسطة مقاييس ليكرت المتدرجة (Likert Scales)، مثل مقاييس الرضا عن الحياة، والاحتراق النفسي الوظيفي، وتقدير الذات. هذه المقاييس تولد بيانات رتبية لا تضمن تساوي المسافات بين خيارات الاستجابة (مثل: غير موافق بشدة، غير موافق، محايد، موافق، موافق بشدة)، وبالتالي فإن استخدام الاختبارات المعلمية عليها ينتهك الشروط الرياضية الصارمة لتلك الاختبارات.

كما يُستخدم اختبار الإشارة بكثافة في دراسات الحالة الواحدة والتصميمات شبه التجريبية لتقييم التدخلات العلاجية النفسية، حيث يُقارن سلوك المفحوصين قبل وبعد خضوعهم لبرنامج علاجي محدد، مثل العلاج المعرفي السلوكي (CBT) أو تدريبات اليقظة الذهنية (Mindfulness). في هذه الحالة، يتم فحص ما إذا كان اتجاه التغير الإيجابي (انخفاض درجات الاكتئاب مثلاً) يغلب بصورة دالة إحصائياً على حالات عدم التغير أو التراجع، دون التورط في اشتراطات التوزيع الطبيعي لفروق الدرجات.

إضافة إلى ذلك، يلعب الاختبار دوراً هاماً في اختبار مطابقة أداء عينة دراسية معيارية مع معايير مجتمعية مقننة مسبقاً (Normative Benchmarks)، خاصة في المراحل الأولى لتطوير وتقنين الاختبارات النفسية الجديدة، وكذلك في الدراسات الإكلينيكية المعقدة التي تفرض شروطاً طبية نادرة تؤدي بطبيعتها إلى صغر حجم العينات المتاحة، حيث يعجز الباحث عن جمع أعداد كافية لتحقيق اشتراطات نظرية النهاية المركزية (Central Limit Theorem).

1.3 الأسس الرياضية للتوزيع ثنائي الحدين المستند إليه الاختبار

يستند اختبار الإشارة إلى منطق رياضي محكم مستمد مباشرة من نظرية الاحتمالات الكلاسيكية والتوزيع ثنائي الحدين (Binomial Distribution). تنطلق فرضية العدم في هذا الاختبار من افتراض أن وسيط المجتمع هو $M_0$. وبناءً على التعريف الدقيق للوسيط، فإن احتمالية أن تسقط أي ملاحظة عشوائية فوق هذا الوسيط تساوي تماماً احتمالية أن تسقط تحته، أي أن الاحتمال الأساسي للنجاح في كل محاولة هو:

$$P(+) = P(-) = 0.5$$

تتحول كل استجابة لكل مفحوص إلى تجربة برنولي مستقلة (Bernoulli Trial)، لها نتيجتان محتملتان فقط: إشارة موجبة (+) أو إشارة سالبة (-). وإذا كانت فرضية العدم صحيحة، فإن عدد الإشارات الموجبة $X$ في عينة مؤلفة من $n$ من المفحوصين سيخضع لتوزيع ثنائي الحدين بالمعلمات $(n, p=0.5)$. وتُحسب دالة الكتلة الاحتمالية الدقيقة لملاحظة عدد $k$ من الإشارات وفق المعادلة الرياضية الآتية:

$$P(X = k) = \binom{n}{k} p^k (1-p)^{n-k} = \frac{n!}{k!(n-k)!} (0.5)^n$$

تتيح هذه الصياغة الرياضية للباحث حساب الاحتمال الدقيق (Exact Probability) لحدوث التوزيع الملاحظ للإشارات، أو لأي توزيع أكثر تطرفاً منه، دون الاعتماد على أي تقديرات تقريبية عندما تكون العينات صغيرة، وهو ما يوفر حماية إحصائية بالغة ضد تضخيم الخطأ من النوع الأول (Type I Error).

2. المقارنة بين اختبار الإشارة والاختبارات الإحصائية البديلة

2.1 اختبار الإشارة مقابل اختبار t للعينات الفردية والمرتبطة

يمثل اختبار “ت” للعينات الواحدة أو العينات المترابطة (Student’s t-test) المعيار الذهبي الكلاسيكي لمقارنة المتوسطات الحسابية عندما تكون المتغيرات كمية متصلة وموزعة توزيعاً طبيعياً. ومع ذلك، فإن الفارق الجوهري بينه وبين اختبار الإشارة يكمن في متطلبات البيانات وحساسية النماذج للتشوهات التوزيعية. يفترض اختبار “ت” التجانس والاعتدالية، وفي حال انتهاك هذه الفروض بدرجة ملحوظة، يصبح الاختبار غير دقيق، وتفقد القيمة الاحتمالية ($p\text{-value}$) موثوقيتها الرياضية.

تتميز اختبارات الإشارة بمناعة كاملة ضد تأثير القيم المتطرفة (Outliers) والانحرافات التوزيعية، حيث إن تحويل الفروق إلى إشارات (+ و -) يجرد القيمة المتطرفة من وزنها الرقمي الهائل الذي قد يشوه المتوسط الحسابي في اختبار “ت”. فإذا كانت درجة أحد المفحوصين تبتعد بمقدار أربعة انحرافات معيارية عن المركز، فإنها ستُعامل في اختبار الإشارة كمجرد إشارة موجبة واحدة دون أن تخل بميزان التحليل العام.

في المقابل، فإن هذه الحصانة التوزيعية يقابلها ما يُعرف في الإحصاء بـ التضحية بالقوة الإحصائية (Power Efficiency). ففي الحالات التي تكون فيها البيانات مستوفية لجميع شروط التوزيع الطبيعي، يمتلك اختبار الإشارة كفاءة نسبية مقاربة لـ $63.7%$ مقارنة باختبار “ت”، مما يعني أن الباحث يحتاج إلى عينة أكبر في اختبار الإشارة لاكتشاف نفس حجم الأثر الحقيقي الذي يمكن لاختبار “ت” رصده. ومع ذلك، في العينات الإكلينيكية المضطربة والمحدودة، تظل الموثوقية التوزيعية لاختبار الإشارة خياراً أكثر أماناً وأصالة منهجية.

2.2 اختبار الإشارة مقابل اختبار ويلكوكسون للرتب الموقعة

يقع اختبار ويلكوكسون للرتب الموقعة (Wilcoxon Signed-Rank Test) في موقع وسط بين اختبار الإشارة البسيط واختبار “ت”. فبينما يكتفي اختبار الإشارة بتسجيل اتجاه الفروق فقط، يخطو اختبار ويلكوكسون خطوة إضافية من خلال ترتيب الفروق المطلقة تصاعدياً وإعطاء وزن رتبي لكل إشارة، مما يمنحه قوة إحصائية أعلى تقارب $95.5%$ من قوة اختبار “ت” في ظل التوزيعات التماثلية.

ورغم التفوق النظري لاختبار ويلكوكسون في القوة الإحصائية، إلا أنه يفرض شرطاً منهجياً ضمنياً بالغ الأهمية: وهو افتراض أن توزيع الفروق متماثل حول وسيطه. إذا كان توزيع الفروق ملتوياً بشدة أو غير متماثل (Asymmetric Distribution)، فإن اختبار ويلكوكسون يتحول عملياً إلى اختبار لتوليفة معقدة من الوسيط والتماثل، وقد يعطي نتائج مضللة تشير إلى وجود دلالة لا ترجع إلى الإزاحة المركزية للوسيط بل إلى شكل الالتواء.

لذلك، يُفضل استخدام اختبار الإشارة بشكل حاسم في الدراسات النفسية عندما تكون الفروق غير متماثلة على الإطلاق، أو عندما تكون البيانات رتبية بحتة لا تسمح منطقياً بحساب “فروق المسافات” بين الدرجات وإعادة ترتيبها بصورة معيارية ذات معنى سيكومتري دقيق.

3. الافتراضات والشروط المنهجية لتطبيق اختبار الإشارة

3.1 مستوى قياس المتغيرات واستقلال الملاحظات

على الرغم من الطبيعة اللامعلمية لاختبار الإشارة وتحرره من قيود التوزيع الطبيعي، إلا أن تطبيقه السليم يرتكز على مجموعة من الاشتراطات المنهجية التي لا يجوز التغاضي عنها لضمان سلامة الاستدلال الإحصائي:

• مستوى القياس: يجب أن تكون البيانات مقاسة على الأقل بمستوى ترتيبي (Ordinal Scale) أو مستوى فتري/نسبي متصل (Interval/Ratio Scale). يجب أن تتيح طبيعة البيانات للباحث تحديد ما إذا كانت القيمة أكبر من، أو أصغر من، أو مساوية للقيمة المعيارية المرجعية.
• استقلالية الملاحظات: يجب أن تكون الملاحظات أو أزواج الملاحظات مستقلة تماماً عن بعضها البعض. اختيار أي مفحوص في العينة ودرجاته النفسية لا ينبغي أن يؤثر بأي شكل من الأشكال على درجات مفحوص آخر. انتهاك الاستقلالية يؤدي إلى أخطاء فادحة في تقدير درجات الحرية وتشويه مباشر في القيمة الاحتمالية المحسوبة.
• الاستمرارية الكامنة للمتغير: يُفترض نظرياً أن المتغير النفسي أو السلوكي المقاس يتمتع باستمرارية ضمنية، حتى لو تم التعبير عنه رقمياً بدرجات منفصلة على مقياس تقييم رتبي.

3.2 طبيعة العينة والتوزيع المرجعي المفترض

لا يشترط اختبار الإشارة أي تماثل في شكل توزيع المجتمع الأصلي حول الوسيط، وتلك إحدى أهم مزاياه التنافسية. يمكن أن يكون المجتمع ملتوياً نحو اليمين (Positive Skewness) كما في قياسات تعاطي الكحوليات أو التغيب عن العمل، أو ملتوياً نحو اليسار (Negative Skewness) كما في مقاييس الكفاءة الاجتماعية لدى الأفراد الأسوياء.

يتعامل الاختبار مع المتغير المدروس من خلال مقارنته بنقطة ارتكاز ثابتة هي الوسيط المفترض ($M_0$). الشرط المنهجي الوحيد المتعلق بالعينة هو أن تكون العينة ممثلة للمجتمع المستهدف من خلال تطبيق أساليب المعاينة الاحتمالية السليمة لتجنب التحيزات الانتقائية التي لا يمكن لأي اختبار إحصائي معالجتها رياضياً.

4. صياغة الفرضيات الإحصائية لاختبار الإشارة

4.1 صياغة فرضية العدم والفرضية البديلة ثنائية الاتجاه

في الأبحاث الاستكشافية والمقارنات العامة التي لا يمتلك فيها الباحث توجهاً نظرياً جازماً حول اتجاه التغير، تُصاغ الفرضيات الإحصائية في صورة اختبار ثنائي الطرفين (Two-Tailed Test):

فرضية العدم ($H_0$): تنص على أن وسيط المجتمع الممثل بالعينة ($M$) يساوي الوسيط المرجعي المفترض ($M_0$). أي أن احتمالية الحصول على إشارة موجبة تساوي احتمالية الحصول على إشارة سالبة وتساوي تماماً 0.50.

H0: Median = M0   (أو P(+) = 0.50)

الفرضية البديلة ($H_1$): تنص على أن وسيط المجتمع يختلف جوهرياً عن الوسيط المفترض، سواء بالزيادة أو النقصان دون تحديد مسبق للاتجاه.

H1: Median ≠ M0   (أو P(+) ≠ 0.50)

يُعد الاختبار ثنائي الطرفين الأكثر تحفظاً منهجياً، ويُنصح باعتماده دائماً ما لم تتوافر أدلة نظرية أو تجريبية قاطعة تبرر التوجيه الأحادي للفرضيات الإحصائية.

4.2 صياغة الفرضيات أحادية الاتجاه (الموجهة)

تُستخدم الفرضيات الموجهة أو أحادية الطرف (One-Tailed Test) عندما يستند الباحث إلى تراكم نظري راسخ أو نتائج دراسات استطلاعية تؤكد أن التدخل العلاجي لا يمكن أن يسفر إلا عن تحسن (أو تراجع). وهنا نميز بين حالتين:

• اختبار الطرف الأيمن (Right-Tailed Test): يُستخدم عندما يُتوقع أن تكون درجات المفحوصين أعلى من القيمة المرجعية:
  
  H0: Median ≤ M0 مقابل H1: Median > M0 (أي أن $P(+) > 0.50$).
• اختبار الطرف الأيسر (Left-Tailed Test): يُستخدم في الدراسات الإكلينيكية التي تهدف إلى خفض الأعراض المرضية (مثل خفض درجات الاكتئاب أو القلق تحت معيار سريري محدد):
  
  H0: Median ≥ M0 مقابل H1: Median < M0 (أي أن $P(+) < 0.50$).

ينبغي توخي الحذر الشديد عند صياغة الفرضيات الموجهة، إذ لا يجوز للباحث تعديل صياغة الفرضية من ثنائية إلى أحادية بعد الاطلاع على مخرجات البيانات، لأن ذلك يمثل خرقاً صريحاً لأخلاقيات البحث العلمي ويضاعف من احتمالية الوقوع في الخطأ من النوع الأول.

5. إعداد ورقة العمل في ميكروسوفت إكسيل وتنظيم مصفوفة البيانات

5.1 هيكلة الأعمدة والمتغيرات في إكسيل

يتطلب التحليل الدقيق في برنامج إكسيل تنظيماً منهجياً لهيكل ورقة العمل (Worksheet) لضمان سهولة كتابة الدوال البرمجية ومنع تداخل البيانات. يُفضل تخصيص ورقة العمل على النحو الآتي:

• العمود A (معرف المفحوص – Subject ID): يحتوي على الترقيم التسلسلي للمشاركين في الدراسة (مثل: P01, P02, P03…).
• العمود B (الدرجة المرصودة – Observed Score): يحتوي على البيانات الرقمية الخام أو درجات المقياس النفسي لكل مفحوص.
• الخلية المرجعية الثابتة: تخصيص خلية محددة ومنفصلة خارج جدول البيانات الرئيسي (ولتكن الخلية $E$2) لوضع قيمة “الوسيط المفترض” (Hypothesized Median).
• العمود C (حساب الإشارة – Sign Allocation): يُخصص لاستخراج الرمز الجبري أو القيمة الرقمية المعبرة عن اتجاه المقارنة (+1, -1, 0).

يجب التأكد من ضبط تنسيق الخلايا (Cell Formatting) كأرقام عامة أو قيم رقمية محددة وتجنب تنسيقها كنصوص، حتى تتمكن دوال إكسيل الشرطية والحسابية من معالجتها بسلاسة دون التسبب في أخطاء التقييم المرجعي مثل #VALUE!.

5.2 تنظيف البيانات والتحقق من صحة المدخلات

قبل الشروع في كتابة المعادلات، من الضروري تنظيف مصفوفة البيانات الأولية. يُنصح باستخدام أداة التحقق من صحة البيانات (Data Validation) المدمجة في إكسيل من خلال التبويب Data > Data Validation، لتحديد النطاق المسموح به لدرجات المقياس النفسي (مثلاً: أرقام صحيحة من 1 إلى 5 في مقاييس ليكرت الخماسية)، مما يمنع أخطاء الطباعة غير المقصودة أثناء إدخال الاستجابات.

كما ينبغي فحص القيم المفقودة (Missing Values) واستبعادها منهجياً من التحليل وفق بروتوكولات البحث المتبعة، مع التأكد من أن كل صف يمثل استجابة كاملة غير مقتطعة لمفحوص واحد مستقل.

6. الخطوة الأولى: إدخال البيانات وترميز القيم في إكسيل

6.1 نموذج عملي لبيانات قياس نفسي تجريبي

لتوضيح الخطوات التطبيقية بدقة متناهية، سنعتمد على سيناريو بحثي إكلينيكي واقعي: قام باحث نفسي بتطبيق مقياس تقييم مستوى القلق المعرفي على عينة مؤلفة من $N = 20$ طالباً جامعياً خلال فترة الاختبارات النهائية. القيمة المعيارية المرجعية لوسيط القلق في المجتمع الطبيعي العام وفق دليل المقياس هي $M_0 = 28$. يرغب الباحث في اختبار ما إذا كان وسيط مستوى القلق لدى هؤلاء الطلاب يختلف اختلافاً جوهرياً عن الوسيط المرجعي العام ($28$) عند مستوى دلالة $\alpha = 0.05$.

يوضح الجدول التالي مصفوفة البيانات التجريبية المرصودة لهؤلاء المفحوصين العشرين داخل ورقة عمل إكسيل:

معرف المفحوص (Subject ID)	الدرجة المرصودة (Score – العمود B)	الوسيط المفترض ($M_0$ في الخلية E2)
P01	34	28
P02	31	28
P03	28	28
P04	39	28
P05	25	28
P06	42	28
P07	35	28
P08	30	28
P09	22	28
P10	37	28
P11	28	28
P12	33	28
P13	40	28
P14	36	28
P15	29	28
P16	38	28
P17	24	28
P18	31	28
P19	35	28
P20	41	28

6.2 تثبيت الخلايا المرجعية واستخدام التسميات المعرفة

عند بناء الصيغ في إكسيل لمقارنة الدرجات بالقيمة $28$ الموجودة في الخلية E2، يجب استخدام المرجع المطلق (Absolute Reference) عبر إدراج علامة الدولار ($) قبل الحرف والرقم: $E$2. يضمن هذا التثبيت بقاء الإشارة إلى وسيط المجتمع ثابتة عند نسخ المعادلة وسحبها إلى باقي صفوف العمود.

كإجراء احترافي متقدم يسهل قراءة المعادلات ويقلل احتمالات الخطأ، يمكن استخدام ميزة تسمية النطاقات (Named Ranges). من خلال تحديد الخلية E2، ثم الانتقال إلى مربع الاسم (Name Box) في الزاوية العلوية اليسرى من إكسيل وكتابة HypoMedian ثم الضغط على مفتاح Enter. بعد هذه الخطوة، يمكن استخدام الاسم مباشرة في جميع الصيغ البرمجية (مثل: B2 - HypoMedian)، مما يجعل التحليل الإحصائي أكثر وضوحاً وأناقة برمجية.

7. الخطوة الثانية: حساب الإشارات الجبرية باستخدام الدوال الشرطية في إكسيل

7.1 تطبيق الدالة الشرطية المتداخلة IF لتوليد الإشارات

تتمثل الخطوة التالية في توليد الترميز الرقمي للإشارات. في الخلية C2، نقوم بإنشاء دالة شرطية متداخلة من شأنها فحص قيمة الدرجة ومقارنتها بالوسيط المفترض وفق المنطق الآتي:

إذا كانت الدرجة أكبر من الوسيط المفترض، تُسند القيمة (+1). وإذا كانت الدرجة أصغر من الوسيط المفترض، تُسند القيمة (-1). وإذا تساوت الدرجة تماماً مع الوسيط، تُسند القيمة (0).

تُكتب الصيغة الرياضية داخل الخلية C2 على النحو التالي:

=IF(B2>$E$2, 1, IF(B2<$E$2, -1, 0))

بعد إدخال المعادلة في الخلية C2، يتم تعميمها على كامل مصفوفة البيانات من خلال النقر المزدوج على مربع التعبئة التلقائي (AutoFill Handle) في الركن السفلي الأيسر للخلية، ليتم تطبيق الشرط بدقة على كافة المشاركين من الصف 2 إلى الصف 21.

7.2 استخدام دالة SIGN كطريقة بديلة ومباشرة

يوفر برنامج إكسيل دالة رياضية مدمجة مخصصة حصرياً لاستخراج إشارات الأرقام تُعرف باسم دالة SIGN. تقوم هذه الدالة بإرجاع القيمة (1) للأرقام الموجبة، و(-1) للأرقام السالبة، و(0) للصفر التام. يمكن استبدال الدالة الشرطية السابقة بصيغة طرح مباشرة فائقة البساطة والسرعة داخل الخلية C2:

=SIGN(B2 - $E$2)

تتميز دالة SIGN بكفاءتها الحسابية العالية وخفضها للتعقيد البرمجي في الصيغ، وهي الطريقة المفضلة عند التعامل مع مجموعات البيانات الكبيرة (Big Datasets) التي تحتوي على آلاف الملاحظات في البحوث النفسية والمسوح الميدانية الواسعة.

8. الخطوة الثالثة: معالجة حالات التعادل واستبعاد الأصفار

8.1 الأساس النظري لإسقاط حالات التعادل (Zeros)

في اختبار الإشارة، تُعرف الملاحظات التي تتساوى فيها الدرجة المرصودة تماماً مع الوسيط المفترض باسم حالات التعادل (Ties)، والتي ينتج عنها إشارة مساوية للصفر ($0$). من المنظور الإحصائي الصارم، لا تقدم هذه الملاحظات أي معلومات تدعم اتجاه التغير الإيجابي أو السلبي.

القاعدة المنهجية القياسية المعتمدة في الإحصاء الاستدلالي هي استبعاد حالات التعادل تماماً من الحسابات الاحتمالية، وتعديل حجم العينة الكلي ليصبح ما يُعرف بـ حجم العينة الفعال ($n_{effective}$). إذا بدأنا بعينة حجمها $N = 20$ واكتشفنا وجود حالتي تعادل (كما في المفحوصين P03 و P11 حيث درجاتهما 28 مساوية للوسيط 28)، فإن حجم العينة الفعال ينخفض ليصبح:

$$n = N – \text{عدد حالات التعادل} = 20 – 2 = 18$$

إن محاولة فرض الإشارات على حالات التعادل (كتوزيعها عشوائياً أو قسمتها مناصفة) يؤدي إلى تشويه خطير في مستوى المعنوية الحقيقي وزيادة احتمالية ارتكاب الخطأ من النوع الأول أو الثاني، ولذلك يُعد الحذف هو الإجراء المنهجي الأصوب.

8.2 حساب عدد الإشارات الفعالة في إكسيل

لحساب التكرارات الإحصائية وتحديد معلمات التوزيع داخل ورقة العمل، نقوم بتجهيز جدول ملخص التحليل في نطاق جانبي (مثلاً في الخلايا من E5 إلى E9) باستخدام الدوال الإحصائية المتقدمة:

• حساب عدد الإشارات الموجبة ($n_+$): يُكتب في الخلية E5 الصيغة الآتية:
  
  =COUNTIF(C2:C21, 1)   →   (في مثالنا ينتج: 15 إشارة موجبة).
• حساب عدد الإشارات السالبة ($n_-$): يُكتب في الخلية E6 الصيغة الآتية:
  
  =COUNTIF(C2:C21, -1)   →   (في مثالنا ينتج: 3 إشارات سالبة).
• حساب عدد حالات التعادل ($n_0$): يُكتب في الخلية E7 الصيغة الآتية:
  
  =COUNTIF(C2:C21, 0)   →   (في مثالنا ينتج: 2 حالات تعادل).
• حساب حجم العينة الفعال ($n$): يُكتب في الخلية E8 الصيغة الآتية:
  
  =COUNTIF(C2:C21, "<>0")  أو  =E5 + E6   →   (في مثالنا ينتج: 18).
• تحديد الإحصاء الاختباري ($k$): يُعرف الإحصاء الاختباري في الاختبار ثنائي الذيل بأنه القيمة الأقل بين التكرارات الموجبة والسالبة: $k = \min(n_+, n_-)$. يُكتب في الخلية E9:
  
  =MIN(E5, E6)   →   (في مثالنا ينتج: 3).

9. الخطوة الرابعة: حساب القيمة الاحتمالية (P-Value) باستخدام دالة التوزيع ثنائي الحدين

9.1 استخدام دالة BINOM.DIST في إكسيل للاختبارات ثنائية الذيل

لحساب القيمة الاحتمالية الدقيقة ($p\text{-value}$) في ميكروسوفت إكسيل، نستخدم دالة التوزيع ثنائي الحدين الحديثة BINOM.DIST (أو BINOMDIST في الإصدارات القديمة). تقبل هذه الدالة أربعة وسائط أساسية:

BINOM.DIST(number_s, trials, probability_s, cumulative)

• number_s: عدد مرات النجاح المرصودة (ويمثل هنا إحصاء الاختبار $k$ الموجود في الخلية E9).
• trials: إجمالي عدد المحاولات المستقلة (ويمثل حجم العينة الفعال $n$ في الخلية E8).
• probability_s: احتمالية النجاح في كل محاولة تحت فرضية العدم (وهي ثابتة دائماً وتساوي $0.5$).
• cumulative: قيمة منطقية نحددها دائماً بـ TRUE لحساب دالة التوزيع التراكمي ($P(X le k)$).

بما أن الاختبار ثنائي الطرفين (Two-Tailed)، فإن القيمة الاحتمالية الدقيقة تمثل ضعف الاحتمال التراكمي للطرف الأصغر، وذلك لتغطية كلا جانبي التوزيع المتماثل. تُكتب الصيغة الكاملة في الخلية E10 كما يلي:

=2 * BINOM.DIST(E9, E8, 0.5, TRUE)

ملاحظة تقنية بالغة الأهمية: في بعض الحالات النادرة عندما تكون الإشارات متوازنة تماماً أو قريبة جداً من النصف، قد يؤدي ضرب الاحتمال في 2 إلى تجاوز القيمة 1.0. ولتفادي هذا الخلل الرياضي الشكلي، يمكن صياغة الدالة بحصانة برمجية عبر دالة MIN كما يلي:

=MIN(1, 2 * BINOM.DIST(E9, E8, 0.5, TRUE))

بتطبيق هذه المعادلة على بياناتنا ($k = 3, n = 18, p = 0.5$)، تُرجع دالة إكسيل القيمة الدقيقة:

P-value = 2 * 0.003768 = 0.007537 (تقريباً 0.0075)

9.2 حساب القيمة الاحتمالية للاختبارات أحادية الذيل

إذا كانت الفرضية البحثية مصاغة سلفاً كفرضية موجهة (أحادية الطرف)، فلا نقوم بمضاعفة الناتج، وإنما نعتمد على اتجاه الفرضية مباشرة:

• اختبار الطرف الأيسر (الفرضية تنص على انخفاض الوسيط، $H_1: M < M_0$): نحسب احتمال الحصول على عدد من الإشارات الموجبة يساوي أو يقل عن القيمة المرصودة:
  
  =BINOM.DIST(COUNTIF(C2:C21, 1), E8, 0.5, TRUE)
• اختبار الطرف الأيمن (الفرضية تنص على ارتفاع الوسيط، $H_1: M > M_0$): نحسب احتمال الحصول على هذا العدد أو أكثر من الإشارات الموجبة، وهو ما يعادل رياضياً:
  
  =1 - BINOM.DIST(COUNTIF(C2:C21, 1) - 1, E8, 0.5, TRUE)

9.3 التقريب التوزيعي الطبيعي للعينات الكبيرة (Z-Approximation)

عندما يكون حجم العينة الفعال كبيراً نسبياً ($n > 25$)، يقترب التوزيع ثنائي الحدين تلقائياً من شكل التوزيع الطبيعي وفق نظرية النهاية المركزية بمتوسط وانحراف معياري قدرهما:

$$\mu = \frac{n}{2}, \quad \sigma = \sqrt{\frac{n}{4}} = 0.5 \sqrt{n}$$

في هذه الحالة، يمكن حساب الإحصائي المعياري $Z$ مع تطبيق تصحيح الاستمرارية (Continuity Correction بمقدار $0.5$) لتعويض الفجوة الناتجة عن تقريب توزيع منفصل بواسطة توزيع متصل. تُحسب قيمة $Z$ المحولة بالمعادلة التالية:

$$Z = \frac{|n_+ – 0.5n| – 0.5}{0.5\sqrt{n}} = \frac{|15 – 9| – 0.5}{0.5\sqrt{18}} = \frac{6 – 0.5}{2.1213} = \frac{5.5}{2.1213} = 2.5927$$

ولاستخراج القيمة الاحتمالية المقابلة لقيمة $Z$ في إكسيل للاختبار ثنائي الذيل، نستخدم دالة التوزيع الطبيعي المعياري التراكمي NORM.S.DIST:

=2 * (1 - NORM.S.DIST(2.5927, TRUE))

تُعطي هذه الصيغة قيمة احتمالية تقريبية قدرها $p \approx 0.0095$، وهي قريبة جداً من القيمة الدقيقة ($0.0075$)، مما يؤكد دقة التقريب الطبيعي في العينات الأكبر.

10. تفسير النتائج الإحصائية واتخاذ القرار العلمي في الأبحاث

10.1 مقارنة القيمة الاحتمالية بمستوى الدلالة المعياري (Alpha)

تستند قاعدة اتخاذ القرار الإحصائي إلى مقارنة القيمة الاحتمالية المستخرجة ($p\text{-value}$) بمستوى الدلالة المحدد مسبقاً (عادة $\alpha = 0.05$):

• إذا كانت $P le \alpha$: نرفض فرضية العدم ($H_0$) ونقبل الفرضية البديلة ($H_1$)، مما يعني وجود دلالة إحصائية كافية تثبت أن وسيط المجتمع يختلف جوهرياً عن القيمة المفترضة.
• إذا كانت $P > \alpha$: نفشل في رفض فرضية العدم ($H_0$)، مما يشير إلى أن الفروق المرصودة بين العينة والقيمة المفترضة يمكن عزوها إلى عوامل الصدفة والمعاينة العشوائية.

في نموذجنا العملي، بما أن القيمة الاحتمالية المحسوبة ($p = 0.0075$) أصغر بكثير من مستوى الدلالة المعياري ($0.05$)، فإننا نرفض فرضية العدم قطيعاً. هذا يبرهن إحصائياً على أن مستوى القلق المعرفي لدى الطلاب خلال فترة الامتحانات يرتفع بشكل دال إحصائياً عن الوسيط المرجعي العام ($28$).

من الناحية السيكومترية والإكلينيكية، يجب التمييز دوماً بين الدلالة الإحصائية (Statistical Significance) والدلالة الإكلينيكية/العملية (Clinical Significance). فالدلالة الإحصائية تخبرنا فقط بمدى احتمالية حدوث النتيجة بالصدفة، بينما تتطلب الدلالة الإكلينيكية تقييم ما إذا كان هذا الارتفاع في درجات القلق يستدعي تدخلاً علاجياً أو دعماً نفسياً للطلاب داخل البيئة الجامعية.

10.2 كتابة تقرير النتائج وفق معايير جمعية علم النفس الأمريكية (APA)

تفرض معايير الجمعية الأمريكية لعلم النفس (APA 7th Edition) توثيقاً دقيقاً وموجزاً للاختبارات اللامعلمية يشمل حجم العينة الفعال، والتكرارات، واتجاه التغير، والقيمة الاحتمالية الدقيقة. يُصاغ التقرير النهائي للنتائج بالصيغة الأكاديمية التالية:

“أُجري اختبار الإشارة (Sign Test) لفحص ما إذا كان وسيط مستوى القلق المعرفي لدى طلاب الجامعة خلال فترة الامتحانات يختلف عن الوسيط المعياري المرجعي البالغ 28 درجة. أظهرت النتائج وجود فروق ذات دلالة إحصائية واضحة، حيث سجل 15 طالباً درجات أعلى من الوسيط المرجعي، في حين سجل 3 طلاب فقط درجات أدنى، مع وجود حالتي تعادل تم استبعادهما ($n = 18$). وأسفر الاختبار ثنائي الطرفين عن دلالة إحصائية مؤكدة ($k = 3, p = .008$). تشير هذه المعطيات إلى أن فترة الامتحانات ترتبط بارتفاع جوهري في مستويات القلق لدى مجتمع الطلاب.”

11. تطبيق متقدم: اختبار الإشارة للعينات المرتبطة (قبل/بعد التدخل النفسي)

11.1 هيكلة بيانات القياس القبلي والبعدي في إكسيل

يبرز اختبار الإشارة كأداة شديدة القوة والفاعلية في تصميمات القياس المتكرر (Repeated Measures Design) لمقارنة درجات نفس المفحوصين قبل تطبيق برنامج علاجي نفسي وبعده. لتنفيذ ذلك في إكسيل، يتم تنظيم الأعمدة كما يلي:

• العمود A: كود المفحوص (Subject ID).
• العمود B: القياس القبلي (Pre-Test Score) – درجات شدة الاكتئاب قبل العلاج مثلاً.
• العمود C: القياس البعدي (Post-Test Score) – درجات شدة الاكتئاب بعد انتهاء الجلسات.
• العمود D (عمود الفروق): يحسب الفارق المباشر عبر المعادلة: =C2 - B2.
• العمود E (توليد الإشارة): نطبق دالة الإشارة على الفروق: =SIGN(D2).

في هذا السياق، تدل الإشارة السالبة (-1) على انخفاض درجات الاكتئاب بعد العلاج (وهو مؤشر التحسن السلوكي)، بينما تدل الإشارة الموجبة (+1) على تفاقم الأعراض، وتدل القيمة (0) على ثبات الحالة دون تأثر بالبرنامج العلاجي.

11.2 تحليل الأثر العلاجي وتفسير مؤشرات النجاح الإكلينيكي

بعد حساب الفروق وتوليد الإشارات، نطبق نفس منظومة الدوال السابقة لحساب عدد حالات التحسن وعدد حالات التراجع وحجم العينة الفعال:

=2 * BINOM.DIST(MIN(COUNTIF(E2:E21, 1), COUNTIF(E2:E21, -1)), COUNTIF(E2:E21, "<>0"), 0.5, TRUE)

إلى جانب القيمة الاحتمالية، يُستحسن في الأبحاث النفسية الإكلينيكية حساب حجم التأثير اللامعلمي ونسبة الاستجابة للعلاج (Response Rate)، والتي تُحسب ببساطة كنسبة مئوية للمرضى الذين أظهروا تحسناً حقيقياً:

$$\text{معدل التحسن الإكلينيكي} = \left( \frac{\text{عدد حالات التحسن}}{\text{حجم العينة الفعال}} \right) \times 100$$

تمنح هذه المؤشرات الوصفية عمقاً إكلينيكياً بالغ الأهمية لنتائج التحليل الإحصائي، مما يساعد المعالجين والباحثين على تقييم الجدوى الميدانية للبروتوكولات العلاجية المقترحة.

12. الأخطاء الشائعة والحدود المنهجية عند تطبيق اختبار الإشارة في إكسيل

12.1 أخطاء تقنية ومنهجية في كتابة الصيغ داخل إكسيل

يقع العديد من الباحثين المبتدئين في مجموعة من الأخطاء التقنية الشائعة أثناء بناء نماذج اختبار الإشارة في إكسيل، ومن أبرزها:

• نسيان مضاعفة الاحتمال في الاختبارات ثنائية الطرف: كتابة دالة BINOM.DIST مباشرة دون ضربها في 2 عند اختبار فرضية غير موجهة، مما يقسم القيمة الاحتمالية الحقيقية إلى النصف ويؤدي إلى رفض خاطئ لفرضية العدم.
• تضمين الأصفار في إجمالي حجم العينة: استخدام الدالة COUNT(C2:C21) بدلاً من COUNTIF(C2:C21, "<>0") لحساب $n$، مما يضخم حجم العينة الفعال باحتساب حالات التعادل التي يجب إسقاطها.
• الخلط بين المعامل التراكمي والنقطي: وضع المعامل FALSE بدلاً من TRUE داخل دالة BINOM.DIST، مما يحسب احتمالية النقطة المنفردة $P(X = k)$ بدلاً من الاحتمال التراكمي لجميع القيم المتطرفة $P(X le k)$.
• الخطأ في تثبيت الخلايا: كتابة معادلات المقارنة بدون علامة التثبيت $، مما يسبب إزاحة الخلية المرجعية للوسيط عند سحب المعادلة لأسفل وينتج عنه بيانات عشوائية خاطئة تماماً.

12.2 القيود الإحصائية لاختبار الإشارة وكيفية معالجتها

على الرغم من بساطة اختبار الإشارة وحصانته التوزيعية، إلا أنه ينطوي على قيود منهجية جوهرية ينبغي للباحث إدراكها:

• فقدان المعلومات الكمية (Loss of Information): يتجاهل الاختبار تماماً “مقدار” التغير ويركز فقط على “اتجاهه”. فالمفحوص الذي انخفضت درجة قلقه بمقدار 25 درجة يُعامل بنفس وزن المفحوص الذي انخفضت درجته بمقدار درجة واحدة فقط.
• انخفاض الكفاءة في التوزيعات التماثلية: إذا كانت البيانات موزعة توزيعاً تماثلياً أو تقترب من الاعتدالية، فإن اختبار ويلكوكسون أو اختبار “ت” يمتلكان قوة استدلالية أعلى بكثير وقدرة أكبر على رصد الفروق الحقيقية الدقيقة.
• الحساسية لصغر العينات الشديد: في العينات فائقة الصغر (مثلاً $n le 5$)، يعجز اختبار الإشارة رياضياً عن الوصول إلى مستوى دلالة $p le 0.05$ حتى لو كانت كافة الإشارات في اتجاه واحد، لأن أقل قيمة احتمالية ممكنة عند $n = 5$ لجميع الإشارات الموجبة في الاختبار ثنائي الطرف هي $2 \times (0.5)^5 = 0.0625$.

للتغلب على هذه الحدود، يُوصى دوماً بإجراء فحص استكشافي شامل للبيانات (Exploratory Data Analysis – EDA)، والتحقق من التماثل التوزيعي قبل اختيار الاختبار اللامعلمي المناسب، والجمع بين التحليلات الإحصائية الكمية وحساب حجوم التأثير الميدانية لتكوين رؤية علمية متكاملة.

خاتمة

يمثل اختبار الإشارة (Sign Test) أداة إحصائية لا غنى عنها في حقيبة الباحث النفسي والسلوكي، لما يوفره من حلول منهجية متينة لمعالجة البيانات الرتبية، والانحرافات التوزيعية الشديدة، والعينات الإكلينيكية الصغيرة. ومن خلال توظيف الإمكانات المتقدمة لبرنامج ميكروسوفت إكسيل عبر الدوال الشرطية ودوال التوزيع ثنائي الحدين، يستطيع الباحث تنفيذ كافة خطوات التحليل بدقة فائقة وبأعلى معايير الرصانة العلمية، بدءاً من تنظيف البيانات وفرز الإشارات، وصولاً إلى حساب القيم الاحتمالية الدقيقة وتوثيق النتائج وفق ضوابط جمعية علم النفس الأمريكية (APA).

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). John Wiley & Sons.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Gibbons, J. D., & Chakraborti, S. (2011). Nonparametric statistical inference (5th ed.). Chapman and Hall/CRC. https://doi.org/10.1201/EBK1420077612
• Hettmansperger, T. P., & McKean, J. W. (2011). Robust nonparametric statistical methods (2nd ed.). CRC Press.
• Microsoft Corporation. (2023). BINOM.DIST function documentation. Microsoft Support. https://support.microsoft.com/en-us/office/binom-dist-function
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Sheskin, D. J. (2020). Handbook of parametric and nonparametric statistical procedures (5th ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9780429186196