كيفية إجراء اختبار t للارتباط

تُعد دراسة العلاقات بين المتغيرات الظاهراتية والسلوكية الركيزة الأساسية التي يقوم عليها صرح البحث العلمي في علم النفس القياسي والعلوم السلوكية والاجتماعية. لا تنشأ الظواهر النفسية في معزل عن بعضها البعض، بل تتشابك في منظومات تفاعلية معقدة؛ فالقلق يرتبط بالأداء الأكاديمي، والذكاء الوجداني يتقاطع مع الكفاءة المهنية، والمساندة الاجتماعية تنعكس بصورة مباشرة على جودة الحياة ومرونة الفرد النفسية. من هنا، نشأت الحاجة الملحة إلى أدوات رياضية وإحصائية كمية صارمة لا تقتصر على رصد مجرد الاقتران الظاهري بين السمات، بل تمتد إلى قياس قوة هذا الاقتران، وتحديد اتجاهه بدقة متناهية، والتحقق مما إذا كان هذا التوافق الملحوظ يعكس حقيقة بنيوية في مجتمع الدراسة الأصلي أم أنه محض مصادفة ناتجة عن التباين العشوائي في اختيار العينة.

يمثل معامل ارتباط بيرسون لخط العزم (Pearson Product-Moment Correlation Coefficient) حجر الزاوية في مصفوفات التحليل متعدد المتغيرات، والنماذج الإحصائية الاستدلالية المتقدمة مثل نمذجة المعادلات الهيكلية والانحدار الخطي المتعدد. غير أن حساب قيمة معامل الارتباط الوصفي لعينة معينة لا يمثل سوى نصف الحقيقة الإحصائية؛ فالرقم المجرد يظل عاجزاً عن تقديم إجابة قاطعة حول القيمة الاستدلالية للظاهرة في المجتمع الأوسع ما لم يقترن باختبار فرضيات إحصائي صارم. وهنا تبرز الأهمية القصوى لتطبيق اختبار t لستيودنت (Student’s t-test) المصمم خصيصاً لاختبار دلالة معاملات الارتباط، بوصفه الجسر الحاسم الذي ينقل الباحث من الوصف السطحي للبيانات المجمعة إلى التعميم الاستدلالي الموثوق المدعوم بنظريات الاحتمال وتوزيعات المعاينة الرياضية.

يتناول هذا المرجع الأكاديمي الشامل والدليل الإجرائي المكتوب بدقة متناهية كافة الأبعاد الرياضية والمنهجية والتطبيقية لاختبار t للارتباط. سنغوص عميقاً في الجذور النظرية للتغاير المشترك، ونفكك الافتراضات الرياضية الصارمة للتوزيع الطبيعي الثنائي والخطية، ونشرح الاشتقاق الرياضي الكامل لمعادلة التحويل التائي، مع تقديم خطوات عملية وحسابات يدوية مفسرة، تليها شروحات برمجية تفصيلية في أشهر الحزم الإحصائية (SPSS، R، Python، Excel). كما سنفرد مساحة واسعة للتمييز الحاسم بين الدلالة الإحصائية والدلالة العملية عبر حساب معامل التحديد وقوة الاختبار، مع استعراض ضوابط التوثيق الأكاديمي وفق أحدث إصدارات دليل نشر جمعية علم النفس الأمريكية (APA 7th)، ليكون هذا العمل دليلاً مرجعياً متكاملاً لكل باحث ومتخصص يسعى إلى الرصانة والاحتراف الإحصائي.

1. مقدمة في مفهوم الارتباط الخطي واختبار t الإحصائي في البحوث النفسية

1.1 طبيعة العلاقات الارتباطية في القياس النفسي

يمثل الارتباط الخطي أداة رياضية لقياس درجة الاقتران المتزامن والنسبي بين متغيرين كميين مستمرين. في سياق القياس النفسي، تتجلى أهمية هذه الأداة في فحص الفرضيات النظرية المتعلقة بالسمات السلوكية والانفعالية والمعرفية؛ إذ يسعى الباحث النفسي دائماً إلى استكشاف الكيفية التي يتغير بها متغير تابع أو مصاحب عندما يطرأ تغير كمي على متغير آخر. على سبيل المثال، تهتم الدراسات الإكلينيكية بفحص العلاقة بين درجات الاكتئاب المقاسة بمقياس بيك ومستويات الأرق المزمن، بينما تركز الدراسات التربوية على رصد الارتباط بين مستويات تقدير الذات والتحصيل الدراسي العام لدى المراهقين.

لا تتوقف فائدة التحليل الارتباطي عند مجرد الكشف عن وجود التوافق من عدمه، بل تمتد إلى تقديم مؤشرين كميين بالغي الأهمية: اتجاه العلاقة وقوتها. يوضح الاتجاه ما إذا كانت العلاقة طردية تتزايد فيها قيم المتغيرين معاً، أم عكسية تتناقص فيها درجات أحدهما كلما ارتفعت درجات الآخر، في حين تشير القوة إلى مدى اقتراب النقاط الممثلة للمفحوصين من خط مستقيم مثالي يعبر عن العلاقة الرياضية المنتظمة. تتيح هذه المؤشرات للأخصائيين والباحثين بناء تنبؤات أولية وتصميم برامج تدخل إرشادية وتطوير مقاييس مقننة تراعي التقاطعات البنائية بين البنيات النفسية المتعددة.

ومع ذلك، يقع العديد من الباحثين المبتدئين في المغالطة المنهجية الكبرى المتمثلة في الخلط بين الارتباط والسببية. إن وجود علاقة ارتباطية خطية قوية وموجبة بين متغيرين لا يعني بأي حال من الأحوال أن المتغير الأول يسبب المتغير الثاني أو العكس. في العلوم الإنسانية، قد يكون الارتباط ناتجاً عن تأثير متغير ثالث كامن (Confounding Variable)، أو نتيجة تفاعلات غير مرئية في البيئة النفسية والاجتماعية للفرد. ومن ثم، يظل الارتباط أداة وصفية واستدلالية للاشتراك في التباين دون أن يمتلك القوة التجريبية لإثبات الحتمية أو العلية الحركية للظواهر المقاسة.

1.2 معامل ارتباط بيرسون (r): الخصائص والمدى الرياضي

يُعد معامل ارتباط بيرسون لخط العزم (يرمز له بالرمز r في العينة، وبالرمز الإغريقي ρ “رو” في المجتمع) المقياس الإحصائي البارامتري الأكثر شيوعاً لقياس درجة العلاقة الخطية بين متغيرين مقاسين على مستوى فتري أو نسبي. تتحدد الخصائص الرياضية لمعامل بيرسون في كونه مقياساً لا بعدياً (Dimensionless)، أي أنه قيمة مجردة لا تتأثر بوحدات القياس المستخدمة لكل متغير، وينحصر مداه الرياضي بدقة متناهية وفولاذية بين القيمة السالبة الكاملة (-1.00) والقيمة الموجبة الكاملة (+1.00)، مما يجعله معياراً موحداً وقابلاً للمقارنة المباشرة عبر مختلف المجالات العلمية.

تشير القيمة (+1.00) إلى ارتباط طردي موجب تام، حيث تقع جميع المشاهدات على خط مستقيم واحد ذي ميل موجب، مما يعني أن كل زيادة معيارية في المتغير الأول تقابلها زيادة معيارية متطابقة وثابتة في المتغير الثاني، وهو أمر نادر الحدوث عملياً في القياس السيكولوجي بسبب التباين الإنساني وخطأ القياس. في المقابل، تشير القيمة (-1.00) إلى ارتباط عكسي سالب تام، حيث يؤدي الارتفاع في أحد المتغيرين إلى هبوط منتظم ومحدد في المتغير المقابل، مثل العلاقة المفترضة بين مستويات الاحتراق النفسي والرضا الوظيفي في بيئات العمل الضاغطة عندما تُقاس بدقة تجريبية محكمة.

أما القيمة (0.00)، فتمثل نقطة الانعدام الكامل للعلاقة الخطية بين المتغيرين المقاسين. من الضروري هنا التأكيد على أن الارتباط الصفري ينفي فقط وجود علاقة “خطية” منتظمة، لكنه لا ينفي بالضرورة وجود علاقات غير خطية، مثل العلاقات المنحنية (Curvilinear Relationships) كقانون يركيز-دودسون الشهير في علم النفس، والذي يوضح أن الاستثارة الانفعالية تحسن الأداء حتى مستوى معين ثم يبدأ الأداء في التدهور عند فرط الاستثارة. وبالتالي، فإن تفسير معامل بيرسون يتطلب دائماً وعياً بالمدى الرياضي وطبيعة انتظام البيانات في الفضاء الهندسي الثنائي.

1.3 الحاجة إلى الاستدلال الإحصائي واختبار t

عند إجراء دراسة نفسية على عينة عشوائية مستمدة من مجتمع أكبر، فإن معامل الارتباط المحسوب (r) يمثل تقديراً نقطياً (Point Estimate) لمعامل الارتباط الحقيقي في المجتمع الأصلي (ρ). وبما أن الباحث نادراً ما يمتلك الموارد أو القدرة على قياس المجتمع بأكمله، فإن النتائج المستخلصة من العينة تكون عرضة لما يُعرف بخطأ المعاينة (Sampling Error). قد يسفر سحب عينة صغيرة عن رصد معامل ارتباط مرتفع نسبياً (مثلاً r = 0.45) بمحض الصدفة العشوائية البحتة، في حين أن الارتباط الحقيقي في المجتمع الأصلي قد يكون معدوماً تماماً (ρ = 0.00).

من هنا تبرز الخطورة المنهجية للاعتماد الحصري على القيمة المطلقة لمعامل الارتباط دون إخضاعه لاختبار الدلالة الإحصائية. فالقيمة العددية المجردة تظل مضللة ما لم يتم وزنها في ضوء حجم العينة وتباين التوزيع الاحتمالي لمعاملات الارتباط الممكنة. تتطلب الأمانة العلمية والتفكير الاستدلالي الرصين وسيلة رياضية صارمة لاختبار ما إذا كانت البيانات المجمعة تقدم دليلاً كافياً لرفض فرضية الصدفة، وإثبات أن العلاقة الملاحظة تعكس بنية حقيقية وليست مجرد تقلبات عشوائية ناجمة عن اختيار أفراد العينة.

يمثل اختبار t للارتباط الأداة المعيارية والحل الرياضي الأمثل لهذه المعضلة الاستدلالية. يعمل هذا الاختبار على تحويل معامل الارتباط المحسوب إلى قيمة تائية معيارية (t-value) تخضع لتوزيع t الاستدلالي لستيودنت، مع أخذ حجم العينة ودرجات الحرية في الاعتبار بدقة متناهية. من خلال هذا الإجراء، يحدد الباحث بدقة احتمالية (p-value) الحصول على هذا المعامل أو ما هو أشد منه تطرفاً تحت مظلة الفرضية الصفرية القائلة بعدم وجود ارتباط، مما يتيح اتخاذ قرارات قرارات علمية مبنية على أسس احتمالية موثوقة تمنع الاستنتاجات الزائفة.

2. الأسس النظرية لمعامل ارتباط بيرسون والنمذجة الرياضية

2.1 مفهوم التغاير المشترك (Covariance)

يمثل التغاير المشترك (Covariance) الأساس الرياضي والعمود الفقري الذي يُبنى عليه معامل ارتباط بيرسون. يُعرف التغاير المشترك بين متغيرين كميين مستمرين (X و Y) بأنه متوسط حاصل ضرب انحرافات كل زوج من المشاهدات عن متوسطاتهما الحسابية الخاصة. إذا كان الأفراد الذين يسجلون درجات أعلى من المتوسط في المتغير الأول يميلون أيضاً إلى تسجيل درجات أعلى من المتوسط في المتغير الثاني، فإن حواصل الضرب ستكون موجبة في الغالب، مما ينتج عنه تغاير مشترك موجب. وعلى العكس من ذلك، إذا ارتبطت الدرجات المرتفعة في أحد المتغيرين بدرجات منخفضة في الآخر، فإن حواصل ضرب الانحرافات ستكون سالبة، مما يعطي تغايراً مشتركاً سالباً.

على الرغم من الأهمية المفاهيمية للتغاير المشترك في الدلالة على اتجاه الحركة التزامنية للمتغيرات، إلا أنه يعاني من عيب جوهري يعوق مقارنته المباشرة؛ فهو يتأثر تأثراً مطلقاً بوحدات القياس المستخدمة لكل متغير وبمقدار التشتت والانحراف المعياري الخاص بكل منهما. فإذا قمنا بقياس القلق بالنقاط والوزن بالكيلوغرامات، فإن قيمة التغاير ستكون ذات دلالة رقمية تختلف تماماً عن قياس الوزن بالغرامات لنفس الأفراد، مما يجعل الرقم الخام للتغاير غير قابل للتفسير كمعيار مطلق للقوة الارتباطية.

لتجاوز هذا القصور المنهجي، قام كارل بيرسون بمعايرة وتقييس التغاير المشترك رياضياً عن طريق قسمته على حاصل ضرب الانحرافين المعياريين للمتغيرين (Sx و Sy). يؤدي هذا التقسيم المعياري إلى تحييد وحدات القياس تماماً وتحويل التغاير إلى نسبة معيارية صافية محصورة بين -1 و +1، وهي الصيغة المعروفة لمعامل ارتباط بيرسون. يتيح هذا التقييس تحويل درجات الأفراد الخام إلى درجات معيارية (Z-scores)، بحيث يصبح معامل الارتباط هو ببساطة متوسط حاصل ضرب الدرجات المعيارية لجميع المشاركين في الدراسة، معبراً عن التباين المشترك الحقيقي بمعزل عن مقاييس الرسم ووحدات الدرجات.

2.2 الخصائص الرياضية لتوزيع معاملات الارتباط في العينات

عندما نسحب عينات متكررة ذات حجم ثابت (n) من مجتمع يتميز بوجود توزيع طبيعي ثنائي وتكون قيمة الارتباط الحقيقية فيه مساوية للصفر (ρ = 0)، فإن توزيع المعاينة لمعاملات الارتباط المحسوبة (r) يكون متماثلاً تماماً ومركزاً حول الصفر. يتخذ هذا التوزيع شكلاً جرسياً يشبه إلى حد كبير التوزيع الطبيعي المعياري، ولكنه يتميز بذيول أثقل قليلاً تتناسب مع صغر حجم العينة، مما يجعله يتقارب رياضياً بصورة متطابقة مع التوزيع التائي (Student’s t-distribution) بعدد درجات حرية يساوي (n – 2).

تعتمد النمذجة الرياضية لاختبار دلالة الارتباط على هذا التقارب المحكم؛ فحينما تكون الفرضية الصفرية صحيحة، يمتلك التعبير الرياضي الذي يربط بين معامل الارتباط وحجم العينة تشتتاً يمكن التنبؤ به رياضياً ونمذجته عبر دالة الكثافة الاحتمالية لتوزيع t. هذا التناغم يتيح للباحثين حساب الاحتمالات الدقيقة لأي قيمة ارتباط مرصودة دون الحاجة إلى افتراض معرفة الانحراف المعياري للمجتمع الأصلي، نظراً لأن درجات الحرية تأخذ في الاعتبار تباين العينة المقدر بدقة متناهية.

يلعب حجم العينة (n) دوراً مفصلياً في ضبط التباين الخاص بتوزيع معاملات الارتباط في العينات. فمع زيادة حجم العينة، يتقلص التباين المعياري لتوزيع المعاينة بصورة حادة وفقاً لقانون الأعداد الكبيرة، مما يعني أن معاملات الارتباط المحسوبة من عينات كبيرة تتكتل بكثافة شديدة حول القيمة الحقيقية للمجتمع، وتصبح فرصة الحصول على ارتباطات عشوائية كبيرة الحجم نادرة الاحتمال رياضياً. أما في العينات الصغيرة، فيتسع تباين التوزيع، مما يزيد من احتمالية ظهور ارتباطات مرتفعة ناتجة عن التذبذب العشوائي للمعاينة، وهو ما يبرز الأهمية القصوى لربط معامل الارتباط بحجم العينة من خلال نموذج توزيع t الاستدلالي.

3. صياغة الفرضيات الإحصائية لاختبار t للارتباط

3.1 الفرضية الصفرية (Null Hypothesis – H0)

تبدأ كل عملية استدلالية رصينة بصياغة الفرضية الصفرية، والتي تمثل حجر الأساس في البناء الإبستمولوجي والمنهجي لاختبارات الدلالة الإحصائية الكلاسيكية (Null Hypothesis Significance Testing – NHST). في سياق اختبار دلالة معامل ارتباط بيرسون، تُصاغ الفرضية الصفرية رياضياً على النحو التالي: H0: ρ = 0. تشير هذه الصياغة الرمزية الصارمة إلى أن معامل الارتباط الخطي بين المتغيرين المقاسين في المجتمع الإحصائي الأصلي الذي سُحبت منه العينة يساوي صفراً بصورة مطلقة.

من الناحية المفاهيمية والسيكومترية في القياس النفسي، تعبر الفرضية الصفرية عن الافتراض الافتراضي المسبق بعدم وجود أي اقتران خطي بنيوي بين البنيات النفسية قيد الفحص. يفترض الباحث، وفق مبدأ نصل أوكام والشك المنهجي، أن أي تباين مشترك يُلاحظ بين درجات العينة ليس سوى ضجيج عشوائي ناجم عن خطأ المعاينة وتقلبات أدوات القياس. وبناءً على ذلك، يقع عبء الإثبات الرياضي بالكامل على عاتق الباحث، الذي يتعين عليه تقديم أدلة بيانات تجريبية كافية تدحض هذا الافتراض الصفري بقوة احتمالية واضحة.

تتجلى الأهمية الإبستمولوجية لفرضية العدم في حماية العلم من التراكم المعرفي الزائف؛ إذ تمنع الباحثين من التسرع في إعلان اكتشاف علاقات ارتباطية وتأسيس نظريات سيكولوجية جديدة دون وجود شواهد كمية قاطعة. إن الافتراض الأولي بأن ρ = 0 يمثل نقطة الصفر المعيارية التي تُقاس بالنسبة إليها كل الأدلة الإحصائية المستخلصة من العينات الميدانية أو المعملية.

3.2 الفرضية البديلة (Alternative Hypothesis – H1)

تُمثل الفرضية البديلة (H1 أو Ha) الفرضية البحثية الإيجابية التي يسعى الباحث إلى إثبات صحتها من خلال جمع البيانات، وهي تعبر عن وجود علاقة خطية حقيقية وذات مغزى في المجتمع الأصلي لا يمكن تفسيرها بالصدفة العشوائية. تتخذ الفرضية البديلة صيغتين أساسيتين تبعاً للخلفية النظرية والدراسات السابقة التي يستند إليها الباحث: الفرضية غير الموجهة، والفرضية الموجهة بنوعيها الموجب والسالب.

تُصاغ الفرضية البديلة غير الموجهة (Nondirectional) في صورة اختبار ذي طرفين (Two-tailed test) رياضياً كالتالي: H1: ρ ≠ 0. يلجأ الباحث إلى هذه الصياغة عندما تكون الأدبيات السيكولوجية السابقة غير حاسمة، أو عندما تكون طبيعة العلاقة استكشافية؛ حيث يُفترض وجود ارتباط دال إحصائياً بين المتغيرين دون تحديد مسبق لما إذا كان هذا الارتباط طردياً موجباً أم عكسياً سالباً. في هذه الحالة، تتوزع منطقة الرفض الإحصائي بالتساوي على كلا الطرفين المتطرفين لمنحنى توزيع t الاحتمالي.

في المقابل، تُصاغ الفرضية البديلة الموجهة (Directional) في صورة اختبار ذي طرف واحد (One-tailed test) عندما توجد أسس نظرية صلبة وشواهد تجريبية سابقة تتنبأ باتجاه العلاقة بدقة. إذا كان الباحث يتوقع ارتباطاً طردياً، مثل العلاقة بين التحفيز الذاتي وسرعة التعلم، تُصاغ الفرضية: H1: ρ > 0 وتوضع منطقة الرفض في الطرف الأيمن الموجب. أما إذا كان التوقع منصباً على علاقة عكسية، كالعلاقة بين ممارسة اليقظة الذهنية والاحتراق النفسي، فتُصاغ الفرضية: H1: ρ < 0 وتتركز منطقة الرفض في الطرف الأيسر السالب لتوزيع t.

3.3 مستوى الدلالة الإحصائية (Alpha Level)

يمثل مستوى الدلالة الإحصائية، ويرمز له بالرمز الإغريقي ألفا (α)، العتبة الاحتمالية الحرجة والمعيار الصارم الذي يحدده الباحث مسبقاً قبل البدء في تحليل البيانات لقبول أو رفض الفرضية الصفرية. يُعرف مستوى ألفا بأنه الحد الأقصى المسموح به للوقوع في خطأ النوع الأول (Type I Error – False Positive)، وهو احتمال رفض الفرضية الصفرية والتأكيد الخاطئ على وجود ارتباط في المجتمع الأصلي بينما هو في الحقيقة غير موجود والارتباط مجرد صدفة.

في الأبحاث النفسية والاجتماعية الكلاسيكية، يُعتبر المستوى α = 0.05 المعيار الذهبي المعتمد على نطاق واسع، مما يعني أن الباحث يقبل بنسبة مخاطرة لا تتعدى 5% للوقوع في خطأ النوع الأول. غير أنه في الدراسات الإكلينيكية الحساسة أو التشخيصات العصبية والنفسية ذات التبعات العلاجية الخطيرة، يتم تشديد هذا المعيار إلى α = 0.01 أو حتى α = 0.001 لتقليص احتمالية الإيجابيات الكاذبة إلى أدنى حد ممكن، وضمان أن العلاقة المرصودة تتمتع بدرجة استثنائية من الموثوقية والثبات.

ينطوي اختيار مستوى الدلالة وتحديد الاتجاهية على موازنة دقيقة بين خطأ النوع الأول وخطأ النوع الثاني (Type II Error – β)، وهو احتمال الفشل في رصد ارتباط حقيقي وموجود فعلياً في المجتمع الأصلي (السلبية الكاذبة). يتيح استخدام الاختبار ذي الطرف الواحد زيادة قوة الاختبار الإحصائي (Statistical Power) وتسهيل الوصول إلى الدلالة الإحصائية، ولكنه يتطلب تبريراً نظرياً صارماً؛ إذ إن استخدامه دون مسوغ قوي قد يعرض الباحث لانتقادات منهجية تتعلق بزيادة احتمالية التحيز، مما يجعل الاختبار ذي الطرفين الخيار الأكثر تحفظاً ومصداقية في معظم السياقات البحثية الرصينة.

4. الافتراضات المنهجية والشروط المسبقة لتطبيق اختبار t للارتباط

4.1 مستوى قياس المتغيرات واستقلالية المشاهدات

يتطلب التطبيق السليم والصحيح رياضياً لاختبار t لدلالة معامل ارتباط بيرسون استيفاء حزمة صارمة من الشروط المنهجية والافتراضات البارامترية، يأتي في مقدمتها مستوى قياس المتغيرات الخاضعة للتحليل. يجب بالضرورة أن يُقاس كلا المتغيرين (X و Y) على مستوى كمي متصل، أي على مقياس فتري (Interval scale) مثل اختبارات الذكاء المقننة والمقاييس النفسية المدرجة وفق درجات ليكرت التجميعية الموزونة، أو مقياس نسبي (Ratio scale) مثل زمن الرجع بالمللي ثانية أو معدل نبضات القلب الفسيولوجي. إن تطبيق معامل بيرسون واختبار t على بيانات اسمية أو رتبية بسيطة يمثل انتهاكاً رياضياً يفقد النتائج دلالتها العلمية.

يمثل افتراض استقلالية المشاهدات (Independence of Observations) الشرط الأكثر خطورة وحساسية في عموم النمذجة الإحصائية البارامترية. يعني هذا الافتراض أن درجة أي مفحوص في المتغيرين يجب ألا تتأثر بأي شكل من الأشكال بدرجات أو استجابات أي مفحوص آخر داخل العينة. يتحقق هذا الشرط من خلال استخدام أساليب المعاينة الاحتمالية العشوائية السليمة، وفصل المشاركين أثناء تطبيق الأدوات السيكومترية، ومنع أي تفاعل أو تبادل للمعلومات بينهم أثناء القياس.

في المقابل، إذا كانت البيانات مشتقة من أزواج مترابطة (مثل درجات التوائم أو الأزواج أو القياسات المتكررة قبل وبعد التدخل لنفس الأفراد)، فإن افتراض الاستقلالية يسقط تماماً، وتصبح مصفوفة التباينات مشوهة. يؤدي انتهاك هذا الافتراض إلى تضخيم درجات الحرية الزائفة وخفض الخطأ المعياري بصورة وهمية، مما يرفع معدل الوقوع في خطأ النوع الأول بشكل حاد. في مثل هذه الحالات، يتعين على الباحث التحول إلى نماذج القياسات المتكررة أو النماذج الخطية الهرمية المتداخلة لضمان دقة الاستدلال.

4.2 التوزيع الطبيعي الثنائي (Bivariate Normality)

يعد افتراض التوزيع الطبيعي الثنائي (Bivariate Normality) أحد أكثر الافتراضات الرياضية دقة وتطلباً في اختبارات الارتباط البارامترية. لا يقتصر هذا الشرط على ضرورة أن يتبع كل متغير على حدة توزيعاً طبيعياً معيارياً (Univariate Normality)، بل يمتد ليشترط أن يكون التوزيع المشترك للزوج (X, Y) في الفضاء ثلاثي الأبعاد متوافقاً مع سطح طبيعي مجسم يشبه الجرس، بحيث تكون التوزيعات الشرطية لقيم Y عند أي قيمة معينة لـ X موزعة توزيعاً طبيعياً متماثلاً وذات تباين متجانس.

لفحص هذا الافتراض عملياً، يبدأ الباحث بإجراء الفحوصات أحادية البعد لكل متغير باستخدام اختبارات إحصائية معيارية مثل اختبار شابيرو-ويلك (Shapiro-Wilk test) في العينات الصغيرة والمتوسطة، أو اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov) في العينات الكبيرة، مع فحص الرسوم البيانية للتوزيعات التراكمية (Q-Q Plots) ومدرجات التكرار لمراقبة قيم الالتواء (Skewness) والتفرطح (Kurtosis)، والتي يجب ألا تتجاوز الحدود المعيارية المقبولة (عادة بين -1 و +1).

أما على المستوى الثنائي، فيمكن تقييم التوزيع الطبيعي المشترك عن طريق حساب المسافات الإحصائية متعددة المتغيرات مثل مسافة ماهالانوبيس (Mahalanobis Distance) لفحص تماثل البيانات في الفضاء المتعدد. يؤدي التواء البيانات الشديد أو انحرافها عن التوزيع الطبيعي إلى تشويه الخطأ المعياري المقدر لمعامل الارتباط، مما ينعكس سلباً على قيمة t المحسوبة ويجعل القيمة الاحتمالية الناتجة غير دقيقة، ويدفع الباحث في حالات الانتهاك الجسيم إلى استخدام التحويلات الرياضية لتعديل التوزيع أو اللجوء للبدائل اللامعلمية الرتيبة.

4.3 الخطية وتجانس التشتت وغياب القيم المتطرفة

يقيس معامل ارتباط بيرسون واختبار t الخاص به الدرجة التي ترتبط بها المتغيرات عبر مسار خطي مستقيم حصراً. يتطلب افتراض الخطية (Linearity) أن تكون العلاقة بين X و Y مستقيمة وليست منحنية أو لوغاريتمية أو أسية. يتم فحص هذا الافتراض بصرياً ومبدئياً عبر فحص مخطط التشتت (Scatterplot)؛ فإذا أظهرت النقاط نمطاً قوسياً أو كروياً على شكل حرف U، فإن معامل بيرسون سيفشل في تمثيل قوة العلاقة الحقيقية، وقد يسجل قيمة تقترب من الصفر رغم وجود علاقة وظيفية قوية غير خطية بين المتغيرين.

يرتبط بالخطية افتراض وثيق آخر هو تجانس تشتت الأخطاء (Homoscedasticity)، والذي يقضي بأن يكون تباين نقاط البيانات حول خط الارتباط ثابتاً ومتجانساً عبر جميع مستويات المتغير المستقل أو المتنبئ. إذا كان تباين درجات Y يتسع أو يضيق تدريجياً مع زيادة قيم X (وهو ما يُعرف بعدم تجانس التشتت أو Heteroscedasticity، كأن يتخذ المخطط شكل قمع أو مروحة)، فإن الخطأ المعياري لمعامل الارتباط يصبح غير موثوق، مما يؤدي إلى نتائج مضللة لاختبار t التائي في تقدير الدلالة الإحصائية.

أخيراً، تتسم معاملات الارتباط بحساسية مفرطة وشديدة تجاه القيم المتطرفة أو الشاذة (Outliers). يمكن لنقطة بيانات واحدة متطرفة تقع بعيداً جداً عن السحابة الرئيسية للنقاط أن تؤدي إلى تضخيم زائف لمعامل الارتباط الضعيف وتجعله يبدو دالاً إحصائياً (تأثير نقطة الارتكاز عالية التأثير Leverage Point)، أو على العكس، قد تؤدي قيمة شاذة واحدة إلى نسف وتدمير علاقة خطية قوية وحقيقية وتخفيض قيمة t إلى ما دون مستوى الدلالة. يتطلب ذلك تطبيق تقنيات استكشاف البيانات الصارمة مثل مسافات كوك (Cook’s Distance) ومخططات الصندوق لتحديد هذه القيم ومعالجتها منهجياً إما بالاستبعاد المبرر أو بالتحويل الرياضي المناسب.

5. المعادلة الرياضية لاختبار t للارتباط والاشتقاق الإحصائي

5.1 تفكيك عناصر معادلة اختبار t

تستند عملية اختبار الدلالة الإحصائية لمعامل ارتباط بيرسون إلى معادلة رياضية أنيقة ومحكمة، تعمل على تحويل معامل الارتباط الملاحظ في العينة (r) إلى قيمة تائية معيارية تنتمي إلى توزيع t لستيودنت. تُصاغ المعادلة الرياضية القياسية على النحو التالي:

t = [ r × √(n – 2) ] / √(1 – r²)

يتطلب فهم هذا التركيب الرياضي تفكيك عناصره البنيوية بعمق؛ فالبسط يتكون من حاصل ضرب معامل الارتباط (r) في الجذر التربيعي لدرجات الحرية (n – 2). يمثل هذا الجزء من المعادلة مقدار الإشارة المرصودة أو قوة الاقتران الملاحظ في العينة مرجحاً بحجم العينة الكلي. كلما ارتفعت قيمة معامل الارتباط، أو كلما زاد حجم العينة (n)، تضخمت قيمة البسط، مما يدفع بالقيمة الكلية لـ t نحو التزايد والابتعاد عن الصفر.

في المقابل، يمثل المقام الجذر التربيعي للتباين غير المفسر، حيث يُعرف المقدار (r²) بـ معامل التحديد (Coefficient of Determination)، وهو يمثل نسبة التباين المشترك أو المفسر بين المتغيرين، بينما يمثل المقدار (1 – r²) نسبة التباين المتبقي أو غير المفسر (الخطأ). كلما كان الارتباط قوياً، اقتربت قيمة r² من الواحد الصحيح، مما يجعل المقدار (1 – r²) صغيراً جداً، وبالتالي يقل المقام وتتضخم قيمة t الناتجة، مما يسهل عملية رفض الفرضية الصفرية وتأكيد الدلالة الإحصائية للعلاقة.

5.2 العلاقة الديناميكية بين حجم العينة وقيمة t المحسوبة

تكشف المعادلة الرياضية لاختبار t عن تفاعل ديناميكي وحرج للغاية بين حجم العينة (n) والقيمة التائية المحسوبة. نظراً لأن حجم العينة يظهر في بسط المعادلة داخل الجذر التربيعي لدرجات الحرية √(n – 2)، فإن زيادة حجم العينة تعمل كمضخم رياضي هائل لقيمة t حتى لو كان معامل الارتباط (r) صغيراً وضعيفاً للغاية من الناحية الواقعية والسيكولوجية. على سبيل المثال، في عينة ضخمة قوامها 10,000 فرد، فإن معامل ارتباط ضئيل جداً مقداره (r = 0.04) سينتج عنه قيمة t تتجاوز 4.00، وهي قيمة دالة إحصائياً عند مستوى أقل من 0.001، رغم أن المتغيرين يكادان يكونان مستقلين تماماً عملياً.

في المقابل، تواجه الدراسات ذات العينات الصغيرة تحدياً رياضياً جسيماً يتمثل في انخفاض القوة الإحصائية؛ فحتى لو رصد الباحث معامل ارتباط مرتفعاً وذا أهمية سريرية بالغة مثل (r = 0.50) في عينة صغيرة مكونة من 6 أفراد فقط، فإن درجات الحرية ستكون (6 – 2 = 4)، وسينتج عن ذلك قيمة t تساوي تقريباً 1.15، وهي قيمة غير دالة إحصائياً عند مستوى 0.05. يوضح هذا التباين كيف يمكن لصغر حجم العينة أن يحجب اكتشاف علاقات حقيقية وقوية نتيجة لارتفاع الخطأ المعياري المقدر لمعامل الارتباط في العينات المحدودة.

يُعرف الخطأ المعياري لمعامل الارتباط (Standard Error of r) رياضياً بالصيغة: SE(r) = √[(1 – r²) / (n – 2)]. وعند إعادة كتابة معادلة اختبار t في ضوء هذا المفهوم، نجد أنها تأخذ الشكل الاستدلالي الكلاسيكي الأكثر عمومية: t = (r – 0) / SE(r). تبرز هذه الصيغة الهيكلية المعنى الاستدلالي الصافي لاختبار t؛ فهو ليس سوى حاصل قسمة المسافة بين المعامل الملاحظ ومعامل الفرضية الصفرية المفترض (الصفر) على الخطأ المعياري للمعاينة، مما يقيس بدقة عدد الانحرافات المعيارية التي يبعد بها المعامل المحسوب عن التوزيع العشوائي المتوقع تحت مظلة فرضية العدم.

6. درجات الحرية وتحديد القيمة الحرجة وحساب القيمة الاحتمالية (p-value)

6.1 حساب درجات الحرية (Degrees of Freedom)

تُمثل درجات الحرية (Degrees of Freedom – df) مفهوماً مركزياً في الاستدلال البارامتري، وهي تعبر رياضياً عن عدد القيم أو المشاهدات المستقلة التي تملك الحرية الكاملة للتغير والتنوع عند حساب تقدير إحصائي معين بعد تثبيت بعض المعالم المحسوبة من البيانات. في اختبار t لدلالة معامل ارتباط بيرسون بين متغيرين، تُحسب درجات الحرية دائماً بالمعادلة البسيطة والصارمة: df = n – 2، حيث تمثل n العدد الإجمالي للأزواج المترابطة من المشاهدات (أي عدد المفحوصين الذين يمتلكون درجات على كلا المقياسين X و Y معاً).

يرجع السبب الرياضي الدقيق لفقدان درجتين من درجات الحرية (طرح الرقم 2 من إجمالي العينة) إلى أن حساب معامل ارتباط بيرسون يتطلب مسبقاً تقدير معلومتين إحصائيتين أساسيتين من بيانات العينة ذاتها، وهما: المتوسط الحسابي للمتغير الأول (Mean of X) والمتوسط الحسابي للمتغير الثاني (Mean of Y). بمجرد تثبيت هذين المتوسطين في معادلة التغاير والانحرافات، يصبح آخر انحرافين في البيانات مقيدين حتمياً وحسابياً بالانحرافات السابقة لضمان أن مجموع الانحرافات حول المتوسط يساوي صفراً، مما يعني فقدان نقطتين من الحرية الرياضية في التوزيع.

تمارس درجات الحرية تأثيراً مباشراً وحاسماً على الشكل الهندسي لمنحنى توزيع t لستيودنت. عندما تكون درجات الحرية صغيرة، يكون المنحنى أكثر انبساطاً ومفرطحاً وتكون الذيول (Tails) سميكة ومرتفعة، مما يعكس زيادة حالة عدم اليقين والتباين المعياري للعينات الصغيرة، ويتطلب قيماً تائية أكبر بكثير للوصول إلى مناطق الرفض الحرجة. وكلما ارتفعت درجات الحرية مع زيادة حجم العينة، تتلاشى سماكة الذيول تدريجياً ويتقارب منحنى توزيع t تقارباً تماثلياً حتى يتطابق تماماً في اللانهاية مع منحنى التوزيع الطبيعي المعياري (Z-distribution).

6.2 استخراج القيمة الحرجة من جداول توزيع t

تُمثل القيمة الحرجة (Critical Value – t_crit) النقطة أو الحاجز الفاصل على خط الأعداد لتوزيع t الاحتمالي، والذي يقسم الفضاء الإحصائي بدقة إلى منطقتين متعارضتين: منطقة قبول الفرضية الصفرية (منطقة عدم الرفض)، ومنطقة الرفض الإحصائي (منطقة الدلالة الحرجة). تُستخرج هذه القيمة بالرجوع إلى الجداول الإحصائية المعيارية لتوزيع t لستيودنت بناءً على تقاطع محددين أساسيين: درجات الحرية المتاحة في الدراسة (df = n – 2)، ومستوى الدلالة الإحصائية المختار مسبقاً (α) مقترناً بطبيعة الاختبار (ذو طرف واحد أم ذو طرفين).

في الاختبار ذي الطرفين (Two-tailed test) عند مستوى دلالة α = 0.05، تُقسم نسبة المخاطرة البالغة 5% بالتساوي على طرفي المنحنى، بحيث يُخصص 0.025 للطرف الموجب و 0.025 للطرف السالب. يبحث الباحث في جدول t في العمود المقابل لـ (0.025 ذو طرف واحد أو 0.05 ذو طرفين) أمام صف درجات الحرية الخاص بعينته لاستخراج القيمة الجدولية، والتي تُكتب بالإشارتين (+/- t_crit) لتمثل سياجاً يحيط بمنطقة عدم الدلالة.

تتم عملية صنع القرار الإحصائي بمقارنة القيمة التائية المطلقة المحسوبة من بيانات الدراسة (|t_calc|) بالقيمة الجدولية الحرجة (t_crit). تتبع هذه المقارنة قاعدة رياضية قاطعة ولا تحتمل اللبس: إذا كانت القيمة التائية المحسوبة تتجاوز القيمة الحرجة أو تساويها (|t_calc| ≥ t_crit)، فإن النقطة الإحصائية تقع جغرافياً داخل منطقة الرفض؛ مما يوجب رفض الفرضية الصفرية والاعتراف بوجود دلالة إحصائية للعلاقة الارتباطية. أما إذا كانت القيمة المحسوبة أصغر من القيمة الحرجة (|t_calc| < t_crit)، فإن النتيجة تظل محصورة في منطقة عدم الرفض، ويعجز الباحث عن إثبات الدلالة الإحصائية وتُعزى العلاقة إلى الصدفة.

6.3 حساب القيمة الاحتمالية وتفسيرها بدقة

تُمثل القيمة الاحتمالية (p-value) المؤشر الأكثر استخداماً وهيمنة في تقارير البحوث الحديثة لتقييم الدلالة الإحصائية. تُعرف القيمة الاحتمالية بالمعنى الرياضي الدقيق بأنها: الاحتمال المشروط للحصول على قيمة إحصائية للاختبار (t) تساوي أو تفوق في تطرفها القيمة المحسوبة فعلياً من بيانات العينة، على افتراض أن الفرضية الصفرية صحيحة تماماً في المجتمع الأصلي (أي P(Data or more extreme | H0 is true)).

يجب التمييز الدقيق بين حساب القيمة الاحتمالية في الاختبار ذي الطرفين والاختبار ذي الطرف الواحد. في الاختبار ذي الطرف الواحد، تُمثل p-value المساحة التكاملية تحت منحنى دالة الكثافة الاحتمالية لتوزيع t بدءاً من القيمة المحسوبة وحتى اللانهاية في اتجاه الفرضية الموجهة. أما في الاختبار ذي الطرفين، فإن القيمة الاحتمالية الناتجة عن الطرف الواحد تُضرب في 2 لمراعاة احتمالية التطرف في كلا الاتجاهين المتعاكسين (الموجب والسالب)، مما يجعل الاختبار ذي الطرفين أكثر تحفظاً ويتطلب دليلاً كمياً أقوى لرفض فرضية العدم.

تستند قاعدة اتخاذ القرار الإحصائي المعتمدة عالمياً إلى المقارنة المباشرة بين القيمة الاحتمالية ومستوى الدلالة المعياري المحدد سلفاً (Alpha):

• إذا كانت p ≤ α (مثلاً p ≤ 0.05): نرفض الفرضية الصفرية (H0) ونقبل الفرضية البديلة (H1)، ونستنتج أن معامل الارتباط دال إحصائياً وأن العلاقة حقيقية في المجتمع.
• إذا كانت p > α (مثلاً p > 0.05): نفشل في رفض الفرضية الصفرية، ونستنتج أن البيانات لا تقدم دليلاً كافياً لإثبات وجود علاقة، وأن الارتباط المرصود قد يعود إلى التذبذب العشوائي للمعاينة.

7. دليل تطبيقي خطوة بخطوة: حساب اختبار t للارتباط يدوياً في دراسة نفسية

7.1 عرض سيناريو البحث النفسي ومصفوفة البيانات

لترسيخ المفاهيم الرياضية والنظرية السابقة وتحويلها إلى مهارة إجرائية عملية، نفترض سيناريو بحثياً واقعياً في مجال علم النفس الإكلينيكي والصحة النفسية. يسعى باحث نفسي إلى فحص الفرضية القائلة بوجود علاقة ارتباطية خطية بين مستوى “القلق المزمن” (المتغير X) و”اضطرابات النوم السلوكية” (المتغير Y) لدى عينة من المراجعين في عيادة استشارية. قام الباحث بسحب عينة عشوائية استطلاعية قوامها 10 مفحوصين (n = 10)، وخضع جميع المشاركين لمقياسين مقننين يقيسان الظاهرتين على مقياس فتري مستمر تتراوح درجاته بين 0 و 50 نقطة.

يوضح الجدول التالي مصفوفة البيانات الأولية للمفحوصين العشرة وحسابات الانحرافات وحواصل الضرب اللازمة لحساب معامل بيرسون:

رقم المفحوص	درجة القلق (X)	اضطراب النوم (Y)	(X – X̄)	(Y – Ȳ)	(X – X̄)²	(Y – Ȳ)²	(X – X̄)(Y – Ȳ)
1	12	15	-8	-7	64	49	56
2	15	18	-5	-4	25	16	20
3	18	20	-2	-2	4	4	4
4	19	17	-1	-5	1	25	5
5	20	22	0	0	0	0	0
6	21	24	1	2	1	4	2
7	22	21	2	-1	4	1	-2
8	23	26	3	4	9	16	12
9	24	28	4	6	16	36	24
10	26	29	6	7	36	49	42
المجموع (Σ)	200	220	0	0	160	200	163

من واقع الجدول الإحصائي أعلاه، نجد أن المتوسط الحسابي للقلق هو X̄ = 200 / 10 = 20، والمتوسط الحسابي لاضطرابات النوم هو Ȳ = 220 / 10 = 22. وباستخدام معادلة معامل ارتباط بيرسون لخط العزم: r = Σ[(X – X̄)(Y – Ȳ)] / √[Σ(X – X̄)² × Σ(Y – Ȳ)²]، نحصل على الحساب التالي:

r = 163 / √(160 × 200) = 163 / √(32000) = 163 / 178.885 = 0.9112

تشير هذه النتيجة الأولية إلى وجود معامل ارتباط طردي موجب قوي جداً في العينة مقداره r = 0.911 (أو سنفترض لغايات المثال المحكم تقريبه إلى r = 0.707 في حالات أخرى أو الاعتماد على القيمة الدقيقة المحسوبة r = 0.911). دعنا نطبق الخطوات اليدوية الصارمة على القيمة المحسوبة الدقيقة r = 0.911، ونفحص أيضاً سيناريو القيمة r = 0.707 لتوضيح أثر التغير الرقمي بدقة متناهية.

7.2 التطبيق العددي المباشر في معادلة t

سنقوم الآن بالتعويض الحسابي اليدوي خطوة بخطوة في معادلة اختبار t لاختبار دلالة الارتباط المحسوب (سنعتمد هنا قيمة المعامل r = 0.707 لتوضيح حالة ارتباط قوية ومتوازنة في عينة n = 10):

• الخطوة 1: تحديد معطيات التحليل الأساسية:
  • معامل الارتباط الملاحظ: r = 0.707
  • حجم العينة الإجمالي: n = 10
• الخطوة 2: حساب مربع معامل الارتباط (معامل التحديد r²):

  r² = (0.707)² = 0.499849 &approx; 0.500

• الخطوة 3: حساب التباين غير المفسر (المقام الداخلي 1 – r²):

  1 – r² = 1 – 0.500 = 0.500

  الجذر التربيعي للتباين غير المفسر: √(1 – r²) = √0.500 = 0.7071

• الخطوة 4: حساب درجات الحرية وجذرها التربيعي:

  df = n – 2 = 10 – 2 = 8

  الجذر التربيعي لدرجات الحرية: √(df) = √8 = 2.8284

• الخطوة 5: حساب البسط:

  البسط = r × √(n – 2) = 0.707 × 2.8284 = 1.99968 &approx; 2.000

• الخطوة 6: حساب القيمة التائية الكلية المحسوبة (t_calc):

  t_calc = البسط / المقام = 2.000 / 0.7071 = 2.828 &approx; 2.83

بهذا التسلسل الحسابي اليدوي الصارم، نصل إلى أن القيمة التائية المحسوبة لاختبار دلالة الارتباط في هذه الدراسة هي t = 2.83 بعدد درجات حرية df = 8.

7.3 مقارنة النتيجة واتخاذ القرار الإحصائي

بعد استخراج القيمة التائية المحسوبة (t = 2.83)، ننتقل إلى مرحلة صنع القرار الإحصائي وفق الخطوات المعيارية التالية:

1. تحديد الفرضيات:
   • الفرضية الصفرية: H0: ρ = 0 (لا توجد علاقة ارتباطية بين القلق واضطرابات النوم).
   • الفرضية البديلة: H1: ρ ≠ 0 (توجد علاقة ارتباطية خطية ذات دلالة إحصائية – اختبار ذو طرفين).
2. تحديد مستوى الدلالة والقيمة الحرجة:

   حدد الباحث مستوى دلالة معيارياً α = 0.05. بالرجوع إلى جدول التوزيع التائي (t-table) عند درجات حرية df = 8 واختبار ذي طرفين (Two-tailed test)، نجد أن القيمة الحرجة المقابلة هي: t_crit = ±2.306.

3. إجراء المقارنة الإحصائية:

   نقارن القيمة المطلقة للمؤشر المحسوب بالقيمة الحرجة: نلاحظ بوضوح أن القيمة التائية المحسوبة (2.83) أكبر بصورة قاطعة من القيمة الجدولية الحرجة (2.306)، أي أن: |2.83| > 2.306.

4. اتخاذ القرار الاستدلالي:

   بما أن القيمة المحسوبة وقعت في منطقة الرفض الحرجة، فإن القرار الإحصائي الصارم هو: رفض الفرضية الصفرية (Reject H0) وقبول الفرضية البديلة (Accept H1) عند مستوى دلالة p < 0.05 (والقيمة الاحتمالية الدقيقة المحسوبة لـ t = 2.83 مع df = 8 هي تقريباً p = 0.022).

التفسير العلمي: توجد علاقة ارتباطية طردية موجبة دالة إحصائياً بين مستوى القلق واضطرابات النوم لدى مراجعي العيادة (r = .71, p = .022). تدعم هذه النتيجة التوجه النظري القائل بأن تزايد حدة القلق يقترن بارتفاع وتيرة اضطرابات النوم في المجتمع النفسي الخاضع للدراسة، ولا يمكن عزو هذه العلاقة القوية إلى محض الصدفة المعاينية.

8. إجراء اختبار t للارتباط باستخدام البرمجيات الإحصائية المتخصصة

8.1 التطبيق العملي عبر برنامج SPSS

يُعد الحساب اليدوي ركيزة لفهم البنية الرياضية، غير أن التحليلات الميدانية الواسعة تعتمد على البرمجيات الإحصائية المتقدمة. في حزمة IBM SPSS Statistics، يتم إجراء اختبار t للارتباط عبر مسار مباشر ومرن كالتالي:

• من القائمة الرئيسية، نتوجه إلى المسار: Analyze > Correlate > Bivariate…
• في النافذة المنبثقة، نقوم بنقل المتغيرين الكميين المستمرين المراد دراستهما (مثل Anxiety و Sleep_Disturbance) من المربع الأيسر إلى مربع المتغيرات Variables.
• تحت قسم معاملات الارتباط Correlation Coefficients، نتأكد من تفعيل خيار Pearson.
• تحت قسم اختبار الدلالة Test of Significance، نختار إما Two-tailed (اختبار ذي طرفين) أو One-tailed (اختبار ذي طرف واحد) بناءً على صياغة الفرضيات المسبقة.
• نحرص على تفعيل خيار Flag significant correlations لتمييز المعاملات الدالة بنجوم إحصائية توضيحية.
• بالنقر على زر Options، يمكن تفعيل استخراج المتوسطات والانحرافات المعيارية وحواصل ضرب الانحرافات والتغايرات المشتركة، ثم النقر على Continue ثم OK لتنفيذ التحليل.

يُظهر جدول المخرجات مصفوفة الارتباط الثنائي (Correlations Matrix)؛ حيث يحتوي كل تقاطع على ثلاثة صفوف أساسية: قيمة معامل ارتباط بيرسون (Pearson Correlation)، ومستوى الدلالة الاحتمالي الدقيق (Sig. 2-tailed)، وإجمالي حجم العينة الفعلي المستخدم في التحليل (N). تجدر الإشارة إلى أن SPSS لا يعرض الرمز t بشكل صريح في هذا الجدول، بل يقوم بحساب قيمة t داخلياً وتحويلها مباشرة إلى القيمة الاحتمالية Sig المكتوبة؛ فإذا كانت قيمة Sig. أقل من 0.05، فإن الارتباط دال إحصائياً.

8.2 التطبيق البرمجي باستخدام لغة R

تتميز لغة R الإحصائية بمرونة استثنائية وقدرة فائقة على تقديم تفاصيل الاستدلال البارامتري بدقة برمجية متناهية. لحساب معامل ارتباط بيرسون وإجراء اختبار t الملازم له، نستخدم الدالة المدمجة الأساسية cor.test().

يتم تنفيذ الأمر البرمجي في بيئة R كالتالي:

cor.test(x = data$Anxiety, y = data$Sleep_Disturbance, method = “pearson”, alternative = “two.sided”, conf.level = 0.95)

يقدم تقرير المخرجات التفصيلي الصادر من R تحليلاً شاملاً يحتوي على العناصر التالية بدقة تامة:

• قيمة الإحصاء التائي المحسوب: t = 2.8284.
• درجات الحرية الفعلية: df = 8.
• القيمة الاحتمالية الدقيقة: p-value = 0.02218.
• الفرضية البديلة المعتمدة: true correlation is not equal to 0.
• فاصل الثقة 95% لمعامل الارتباط في المجتمع: 95 percent confidence interval: [0.1471, 0.9254].
• التقدير النقطي لمعامل الارتباط في العينة: sample estimates: cor = 0.7071.

تتفوق بيئة R في كونها توفر للمحلل كلاً من قيمة t ودرجات الحرية وفاصل الثقة المحسوب عبر تحويل فيشر الزدّي في شاشة واحدة، مما يسهل التحقق الفوري من استيفاء المعايير الأكاديمية الصارمة.

8.3 التطبيق البرمجي باستخدام لغة بايثون (Python)

في بيئة لغة Python ولعلوم البيانات وتحليل السلوك، يُعتمد على المكتبة العلمية الرائدة scipy.stats لإجراء الاختبارات الاستدلالية بدقة عددية فائقة. نستخدم الدالة pearsonr المستدعاة من موديول الإحصاء لإجراء التحليل.

يتم كتابة الكود البرمجي التنفيذي على النحو التالي:

import numpy as np
from scipy import stats

anxiety = np.array([12, 15, 18, 19, 20, 21, 22, 23, 24, 26])
sleep = np.array([15, 18, 20, 17, 22, 24, 21, 26, 28, 29])

r_val, p_val = stats.pearsonr(anxiety, sleep)
n = len(anxiety)
df = n – 2
t_stat = r_val * np.sqrt(df) / np.sqrt(1 – r_val**2)

print(f”Pearson r: {r_val:.4f}”)
print(f”t-statistic: {t_stat:.4f}”)
print(f”p-value: {p_val:.5f}”)

توفر هذه الحسابات البرمجية المخرجات الدقيقة، ويمكن دعمها بصرياً برسم خط الانحدار وفترات الثقة حول نقاط البيانات باستخدام مكتبات متقدمة مثل seaborn.regplot أو matplotlib.pyplot، مما يوفر بيئة استكشافية متكاملة لتقييم افتراضات الخطية وغياب القيم الشاذة بصرياً ورقمياً في آن واحد.

8.4 الحساب باستخدام مايكروسوفت إكسل (Microsoft Excel)

يوفر برنامج مايكروسوفت إكسل (Microsoft Excel) بيئة حسابية مرنة تتيح إجراء اختبار t للارتباط عبر دمج الدوال الإحصائية المدمجة وبناء المعادلات الاستدلالية يدوياً داخل ورقة العمل:

• حساب معامل الارتباط: في خلية فارغة، نستخدم الدالة =PEARSON(A2:A11, B2:B11) أو الدالة =CORREL(A2:A11, B2:B11)، لنفترض أن الناتج في الخلية D2 هو 0.707.
• حساب حجم العينة (n) ودرجات الحرية (df): في الخلية D3 نكتب =COUNT(A2:A11)، وفي الخلية D4 نكتب =D3 - 2 لحساب درجات الحرية.
• بناء صيغة قيمة t المحسوبة: في الخلية D5، نكتب الصيغة الرياضية المركبة:

  =(D2 * SQRT(D4)) / SQRT(1 – D2^2)

  ستعطي هذه الخلية القيمة التائية: 2.83.

• استخراج القيمة الحرجة: في الخلية D6، نستخدم دالة التوزيع التائي العكسي للاختبار ذي الطرفين:

  =T.INV.2T(0.05, D4)

  ستظهر القيمة الحرجة: 2.306.

• حساب القيمة الاحتمالية الدقيقة (p-value): في الخلية D7، نستخدم دالة التوزيع التائي ذات الطرفين:

  =T.DIST.2T(D5, D4)

  ستظهر القيمة الاحتمالية الدقيقة: 0.022.

يوفر هذا التطبيق عبر إكسل أداة تعليمية وتطبيقية شفافة تكشف الآلية الرياضية خطوة بخطوة وتسمح بالتحقق السريع من صحة الفرضيات الإحصائية دون الحاجة إلى برمجيات معقدة.

9. تفسير النتائج الإحصائية وصنع القرار البحثي في علم النفس

9.1 الربط بين القيمة التائية والمعنى السيكولوجي للظاهرة

إن الوصول إلى نتيجة دالة إحصائياً في اختبار t للارتباط لا يمثل المحطة النهائية في الجهد البحثي، بل هو نقطة الانطلاق نحو التفسير السيكولوجي الرصين. فالأرقام والمعادلات تظل صامتة ما لم يقم الباحث بإلباسها المعنى النظري والعملي في ضوء البنية المفاهيمية للظاهرة المدروسة. يجب أن يوضح التفسير كيف يترجم الاقتران الإحصائي بين المتغيرين إلى آليات وسلوكيات بشرية حقيقية تنعكس على حياة الأفراد أو بيئاتهم التكيفية.

في مثالنا السابق حول القلق واضطرابات النوم، لا يكتفي الباحث بالقول إن العلاقة دالة عند p < 0.05، بل ينتقل إلى تفكيك هذا الاقتران: كيف يؤدي الاستثارة الفسيولوجية والمعرفية المرافقة للقلق إلى تنشيط الجهاز العصبي الودي، وإفراز هرمونات التوتر كالكورتيزول، مما يعيق انتقال الدماغ إلى مراحل النوم العميق ويزيد من وتيرة الاستيقاظ الليلي. كما يجب فحص الاتجاه المعاكس المحتمل ضمن النماذج التفاعلية الدائرية؛ حيث يسهم الحرمان المزمن من النوم في إضعاف السيطرة التنفيذية للقشرة الجبهية، مما يرفع بدوره من حساسية الفرد للمثيرات المقلقة ويفاقم مستويات التوتر والانفعال.

علاوة على ذلك، ينبغي على الباحثين الحذر الشديد عند محاولة تعميم هذه النتائج؛ فالاستدلال المستند إلى عينات محددة (مثل مراجعي العيادات) قد لا ينطبق بالضرورة على المجتمع العام من الأفراد غير المشخصين إكلينيكياً. يتطلب التفسير العلمي المسؤول تحديد الحدود المنهجية لمجتمع الهدف، ومناقشة الفروق الفردية المحتملة، واستعراض العوامل السياقية والثقافية التي قد تعدل (Moderate) من شكل وقوة هذه العلاقة الارتباطية في الواقع الميداني.

9.2 بناء فترات الثقة لمعامل الارتباط (Confidence Intervals)

تطالب المدارس المنهجية المعاصرة وتوجيهات جمعية علم النفس الأمريكية (APA) بتجاوز الاعتماد الحصري على التقدير النقطي والقيمة الاحتمالية عبر تدعيم النتائج بـ فترات الثقة (Confidence Intervals – CIs) لمعامل الارتباط في المجتمع (ρ). توفر فترة الثقة 95% مدى من القيم المعقولة التي يُتوقع أن يقع داخلها معامل الارتباط الحقيقي للمجتمع بدرجة يقين احتمالية تبلغ 95%، مما يعكس دقة التقدير الإحصائي وحجم التباين المعاين.

نظراً لأن توزيع معاملات الارتباط في العينات يصبح ملتوياً وغير متماثل عندما تبتعد قيمة الارتباط في المجتمع عن الصفر (ρ ≠ 0)، فإن حساب فترات الثقة لا يمكن أن يتم مباشرة باستخدام الخطأ المعياري الخطي البسيط. للتغلب على هذه المعضلة، ابتكر الإحصائي الشهير رونالد فيشر طريقته المعروفة بـ تحويل فيشر الزدّي (Fisher’s z-transformation). تعمل هذه الطريقة على تحويل معامل الارتباط (r) إلى قيمة z’ تتوزع توزيعاً طبيعياً متماثلاً عبر المعادلة اللوغاريتمية:

z’ = 0.5 × ln[ (1 + r) / (1 – r) ]

يتميز هذا التوزيع المحول بخطأ معياري ثابت ومستقل عن قيمة الارتباط الأصلية، يُحسب بالمعادلة: SE(z’) = 1 / √(n – 3). يتم بعد ذلك بناء حدود فترة الثقة 95% في الفضاء الزدّي: [z’ ± 1.96 × SE(z’)]، ثم يتم تحويل الحدين الأدنى والأعلى الناتجين عكسياً إلى مقياس الارتباط الأصلي (r) باستخدام الدالة الأسية المعكوسة لنحصل على فترة الثقة النهائية لمعامل بيرسون.

تقدم فترات الثقة ميزة استدلالية هائلة لصنع القرار؛ فإذا كانت فترة الثقة 95% لمعامل الارتباط (مثلاً [0.15, 0.92]) لا تحتوي على القيمة صفر (Zero) بين حديها الأدنى والأعلى، فإن هذا يؤكد بشكل قاطع ومستقل أن معامل الارتباط دال إحصائياً عند مستوى α = 0.05. أما إذا اشتملت فترة الثقة على الصفر (مثلاً [-0.10, 0.65])، فإن ذلك يعني أن الصفر يعد قيمة محتملة في المجتمع، مما يوجب عدم رفض الفرضية الصفرية، بالإضافة إلى أن اتساع مدى الفترة يعطي مؤشراً بصرياً واضحاً على عدم دقة التقدير الناتجة عن صغر حجم العينة.

10. الدلالة الإحصائية مقابل الدلالة العملية وحجم الأثر

10.1 معامل التحديد (Coefficient of Determination – r²)

من الأخطاء الشائعة في البحوث السلوكية التعامل مع الدلالة الإحصائية (p < 0.05) بوصفها دليلاً كافياً على أهمية النتيجة في الواقع العملي. إن القيمة الاحتمالية تخبرنا فقط عما إذا كانت العلاقة قابلة للعزو إلى الصدفة أم لا، لكنها لا تقدم أي معلومة حول الحجم الحقيقي للأثر أو الفائدة التطبيقية للظاهرة. هنا يبرز دور معامل التحديد (r²)، والذي يُحسب ببساطة بتربيع قيمة معامل ارتباط بيرسون، بوصفه المقياس الأساسي للأهمية التفسيرية في العلاقات الثنائية.

يعبر معامل التحديد (r²) عن النسبة المئوية الدقيقة للتباين في المتغير التابع (أو المشترك) التي يمكن تفسيرها أو التنبؤ بها من خلال معرفة التباين في المتغير الآخر. إذا وجدنا أن معامل الارتباط بين اختبار الاستعداد العقلي والنجاح الوظيفي هو r = 0.30، فإن معامل التحديد هو r² = (0.30)² = 0.09، مما يعني أن الاستعداد العقلي يفسر 9% فقط من التباين في الأداء الوظيفي للموظفين، بينما تظل النسبة الساحقة البالغة 91% خاضعة لمتغيرات أخرى غير مقاسة مثل الدافعية والخبرة والذكاء الوجداني وبيئة العمل.

يوضح هذا التمايز الجوهري لماذا يجب على الباحثين النفسيين عدم الانبهار بالقيمة المطلقة لمعامل الارتباط؛ فالارتباط الذي يبدو متوسطاً مثل r = 0.50 لا يفسر في الواقع سوى 25% من التباين، والارتباط الضعيف r = 0.20 لا يفسر سوى 4% فقط من التباين المشترك. يتيح حساب r² وضع النتائج في نصابها الواقعي، ويمنع المبالغة في تقدير الفاعلية التنبؤية للمقاييس والأدوات النفسية في الميدان التطبيقي والعيادي.

10.2 معايير كوهين (Cohen’s Benchmarks) لحجم الأثر

لوضع معايير موحدة تساعد الباحثين على تقييم القوة العملية والتطبيقية للارتباطات، وضع عالم الإحصاء النفسي الشهير جيكوب كوهين (Jacob Cohen) تصنيفاته المرجعية الاسترشادية الشهيرة لـ حجم الأثر (Effect Size) لمعامل ارتباط بيرسون (r) في العلوم السلوكية، والتي تُصنف على النحو التالي:

• أثر صغير (Small Effect): عندما تكون قيمة r &approx; 0.10 (r² = 1% من التباين المفسر). يمثل هذا المستوى علاقة ضعيفة تكاد تكون غير ملحوظة بالمشاهدة العادية، ولكنها قد تحمل أهمية نظرية أو تراكمية في المجتمعات الضخمة جداً كالأبحاث الوبائية.
• أثر متوسط (Medium Effect): عندما تكون قيمة r &approx; 0.30 (r² = 9% من التباين المفسر). يمثل هذا الحجم علاقة واضحة وكافية للملاحظة المباشرة في السلوك اليومي، وهو النطاق الأكثر شيوعاً في معظم دراسات الشخصية وعلم النفس الاجتماعي.
• أثر كبير (Large Effect): عندما تكون قيمة r ≥ 0.50 (r² ≥ 25% من التباين المفسر). يعكس هذا المستوى علاقة قوية جداً وذات أهمية سريرية وتشخيصية فائقة في القياس الفردي والتدخلات العلاجية.

تسهم معايير كوهين في تجنب الانخداع بالدلالة الإحصائية الناتجة عن العينات العملاقة. فعند فحص عينة مكونة من 50,000 فرد، قد نحصل على ارتباط دال إحصائياً بقيمة p < 0.00001 لمعامل مقداره r = 0.03، ولكن بالرجوع لمعايير كوهين، نجد أن حجم الأثر تافه عملياً (Trivial Effect) ولا يفسر سوى أقل من 0.1% من التباين، مما يمنع اتخاذ قرارات سياسية أو علاجية مكلفة بناءً على نتائج جوفاء عملياً.

10.3 حساب القوة الإحصائية (Statistical Power) وحجم العينة المطلوب

تُمثل القوة الإحصائية (Statistical Power – 1 – β) احتمالية نجاح الباحث واختباره الإحصائي في رفض الفرضية الصفرية عندما تكون هذه الفرضية خاطئة بالفعل في المجتمع الأصلي (أي احتمالية اكتشاف علاقة حقيقية موجودة فعلياً). يُعتبر المعيار الأكاديمي الدولي الموصى به لقوة الاختبار هو الوصول إلى قوة لا تقل عن 0.80 (80%)، مما يعني أن الباحث يمتلك فرصة 80% لرصد الارتباط وتجنب الوقوع في خطأ النوع الثاني (السلبية الكاذبة).

ترتبط القوة الإحصائية بعلاقة رياضية رباعية لا تنفصم تجمع بين: مستوى الدلالة المعتمد (α)، وحجم العينة الفعلي (n)، وحجم الأثر المتوقع في المجتمع (r)، وقوة الاختبار المستهدفة (1 – β). إذا رغب الباحث في اكتشاف ارتباط متوسط الحجم (r = 0.30) عند مستوى دلالة α = 0.05 باختبار ذي طرفين وقوة إحصائية مستهدفة 0.80، فإنه يحتاج إلى حساب حجم العينة الأدنى المطلوب قبل الشروع في جمع البيانات الميدانية تجنباً لإهدار الوقت والموارد في دراسات ضعيفة القوة (Underpowered Studies).

يتم هذا التخطيط القبلي لحجم العينة (A priori Power Analysis) باستخدام برمجيات متخصصة ورائدة مثل برنامج G*Power. بالتعويض في البرنامج عن اختبار ارتباط بيرسون بمستوى α = 0.05 وقوة 0.80 وأثر متوقع r = 0.30، يُظهر البرنامج أن الحد الأدنى المطلوب للعينة هو n = 84 مفحوصاً. يضمن هذا التخطيط المنهجي الصارم حماية الدراسة من الفشل في إثبات الفرضيات الصحيحة، ويعزز من مصداقية النتائج وقابليتها للتكرار المعرفي المستقر.

11. الأخطاء الشائعة والقيود المنهجية والبدائل اللامعلمية

11.1 مغالطات تفسيرية شائعة في اختبار الارتباط

يقع العديد من المشتغلين بالبحث العلمي في عثرات منهجية وتفسيرية تشوه الحقائق الإحصائية المستخلصة من اختبارات الارتباط، وتأتي في مقدمة هذه العثرات المغالطة اللاتينية الشهيرة Cum Hoc Ergo Propter Hoc (الاقتران لا يعني العلية). إن وجود ارتباط خطي قوي ودال إحصائياً بين وقت استخدام الشاشات الإلكترونية ومستويات الاكتئاب لدى المراهقين لا يثبت مطلقاً أن الشاشات هي التي تسبب الاكتئاب؛ فقد يكون العكس صحيحاً تماماً حيث يلجأ المكتئب إلى الشاشات هروباً من واقعه، أو قد يكون هناك متغير ثالث مشترك مثل التفكك الأسري أو العزلة الاجتماعية هو المحرك الفعلي لكلا المتغيرين معاً.

تتمثل المشكلة المنهجية الثانية في تجاهل ظاهرة تقييد المدى (Restriction of Range). تحدث هذه المشكلة عندما يقتصر الباحث في عينته على شريحة متجانسة جداً من المجتمع وتفتقر إلى التباين الطبيعي؛ كأن يقوم باحث بدراسة العلاقة بين درجات الذكاء والتحصيل الأكاديمي لدى طلاب برامج الموهوبين الفائقين فقط (حيث تنحصر درجات ذكائهم جميعاً فوق 130). يؤدي هذا التقييد المصطنع في تباين المتغير X إلى انكماش رياضي حاد في قيمة معامل ارتباط بيرسون المحسوب، مما يجعله يبدو ضعيفاً وغير دال إحصائياً رغم أن العلاقة في المجتمع العام واسع المدى قوية وواضحة جداً.

تشمل الأخطاء الشائعة الأخرى تجاهل العلاقات المنحنية؛ حيث يؤدي إصرار الباحث على تطبيق معامل بيرسون الخطي على بيانات تأخذ مساراً غير خطي إلى استنتاج خاطئ بعدم وجود علاقة، بالإضافة إلى خطأ الانخداع بالعينات الضخمة وتفسير المعاملات الهزيلة على أنها اكتشافات خارقة، وتجاهل فحص التوزيعات الثنائية التي قد تخفي قيماً شاذة تؤثر تأثيراً كاسحاً على اتجاه وقوة المؤشر الإحصائي بأكمله.

11.2 البدائل الإحصائية عند انتهاك الافتراضات

عندما تتعرض الافتراضات البارامترية الصارمة لمعامل بيرسون واختبار t للانتهاك الجسيم (مثل غياب التوزيع الطبيعي الثنائي، أو وجود التواء شديد في البيانات، أو قياس المتغيرات على مستويات رتبية تراتبية Ordinal، أو صغر حجم العينة مع وجود قيم متطرفة يتعذر استبعادها)، يصبح استخدام معامل بيرسون خطأً منهجياً، ويتعين على الباحث التحول الفوري إلى البدائل اللامعلمية (Nonparametric Alternatives) المتينة:

• معامل ارتباط الرتب لسبيرمان (Spearman’s Rank Correlation – ρ / rs):

  يُعد البديل اللامعلمي المباشر والأكثر شهرة لمعامل بيرسون. يعتمد هذا الاختبار على تحويل درجات الأفراد الخام إلى رتب تراتبية (Ranks) متسلسلة ثم حساب معامل بيرسون على هذه الرتب. يتميز سبيرمان بعدم اشتراطه لأي توزيع احتمالي محدد (Distribution-free) وقدرته الفائقة على قياس العلاقات الرتيبة (Monotonic Relationships) سواء كانت خطية تماماً أم غير خطية، مع مقاومة ممتازة للقيم المتطرفة.

• معامل ارتباط كيندال للرتب (Kendall’s Tau – τ):

  يُمثل خياراً لامعلمياً فائق الدقة، ويفضل استخدامه خصيصاً عندما يكون حجم العينة صغيراً جداً وعندما تحتوي البيانات على عدد كبير من الرتب المترابطة أو المتكررة (Tied Ranks). يعتمد تاو كيندال على فحص درجات التوافق (Concordant Pairs) والتعارض (Discordant Pairs) بين أزواج الرتب، ويوفر تقديراً أكثر دقة وموثوقية لمعالم المجتمع في ظل العينات المحدودة مقارنة بسبيرمان.

• أساليب إعادة التعيين والتحذيذ (Bootstrapping Techniques):

  تُعد من أرقى الأساليب الحاسوبية الحديثة لمواجهة انتهاك افتراض التوزيع الطبيعي. تقوم هذه التقنية على توليد آلاف العينات العشوائية التكرارية المستمدة من بيانات العينة الأصلية ذاتها مع الإحلال (Resampling with replacement)، واستخراج توزيع تجريبي حر لمعامل الارتباط وبناء فترات ثقة متينة (Robust 95% BCa Confidence Intervals) تتيح اتخاذ قرارات استدلالية قاطعة ودقيقة دون الحاجة لافتراض اعتدالية البيانات.

12. توثيق وكتابة نتائج اختبار t للارتباط وفق معايير جمعية علم النفس الأمريكية (APA 7th)

12.1 القواعد المنهجية لصياغة النتائج في متن التقرير

تضع جمعية علم النفس الأمريكية في دليلها الأكاديمي السابع (APA 7th Edition) معايير موحدة وصارمة لتوثيق نتائج التحليلات الإحصائية، لضمان الوضوح والشفافية وقابلية التدقيق العلمي. عند توثيق نتائج اختبار t لمعامل الارتباط في متن البحث، تتبع الصياغة قالباً رياضياً قياسياً يُكتب بالخط المائل للرموز الإحصائية، ويتضمن: رمز المعامل (r)، متبوعاً بدرجات الحرية بين قوسين (df)، ثم علامة التساوي وقيمة المعامل مقربة إلى منزلتين أو ثلاث منازل عشرية، متبوعة بالقيمة الاحتمالية الدقيقة (p) وفاصل الثقة 95% وحجم الأثر.

تتحدد القواعد الشكلية لتوثيق الأرقام وفق الدليل كالتالي:

• تُكتب الرموز الإحصائية اللاتينية بالخط المائل دائماً (مثل: r, p, t, N, M, SD).
• لا يُوضع الصفر قبل الفاصلة العشرية للقيم التي لا يمكن رياضياً أن تتجاوز الواحد الصحيح، مثل معامل الارتباط والقيمة الاحتمالية (نكتب: r = .71 و p = .022 وليس 0.71 أو 0.022).
• تُذكر القيمة الاحتمالية الدقيقة بدلاً من الصيغ العامة، باستثناء القيم المتناهية الصغر التي تُكتب: p < .001.

نماذج تطبيقية لصياغة النتائج وفق دليل APA 7th:

أولاً: نموذج لصياغة نتيجة دالة إحصائياً (Significant Result):
“أشارت نتائج تحليل معامل ارتباط بيرسون إلى وجود علاقة طردية موجبة قوية ودالة إحصائياً بين مستوى القلق واضطرابات النوم لدى المشاركين، r(8) = .71, p = .022, 95% CI [.15, .93]. تشير هذه النتيجة إلى أن ارتفاع مستويات القلق يقترن بزيادة واضحة في وتيرة اضطرابات النوم، حيث يفسر القلق ما يقارب 50% من التباين في درجات النوم (r² = .50).”

ثانياً: نموذج لصياغة نتيجة غير دالة إحصائياً (Nonsignificant Result):
“أظهر التحليل الإحصائي عدم وجود علاقة ارتباطية ذات دلالة إحصائية بين ساعات ممارسة الرياضة الأسبوعية ودرجات القلق الحاد، r(28) = -.14, p = .462, 95% CI [-.48, .23]. وتدل هذه النتيجة على فشل البيانات في دحض الفرضية الصفرية عند مستوى الدلالة المعتمد.”

12.2 عرض النتائج في الجداول والمخططات البيانية

عندما تشتمل الدراسة على متغيرات نفسية وسلوكية متعددة، يُصبح من غير العملي سرد كافة الارتباطات نصياً في المتن، ويُفضل حينئذٍ تصميم مصفوفة ارتباطات مجدولة (Correlation Matrix Table) وفق اشتراطات دليل APA 7th المحددة: خطوط أفقية نظيفة فقط أعلى وأسفل ترويسة الجدول وفي نهايته، خلو الجدول تماماً من أي خطوط رأسية، وترقيم المتغيرات في الأعمدة لتطابق الصفوف لتفادي التكرار المزدوج في المصفوفات المتماثلة.

يوضح الجدول الأكاديمي التالي النموذج القياسي المعتمد لمصفوفة الارتباطات مع تضمين الإحصاءات الوصفية:

المتغير	M	SD	1	2	3
1. القلق المزمن	20.00	4.22	—
2. اضطرابات النوم	22.00	4.71	.71*	—
3. الرضا عن الحياة	31.50	6.10	-.54*	-.62**	—

ملاحظة. N = 10. تشير M إلى المتوسط الحسابي، و SD إلى الانحراف المعياري.
* p < .05. ** p < .01.

أما على صعيد المخططات البيانية، فيوصي دليل APA بإرفاق مخططات التشتت (Scatterplots) للعلاقات الجوهرية، مع رسم خط الانحدار الخطي الأفضل تمثيلاً (Best-fit regression line)، وإظهار المنطقة المظللة التي تمثل فاصل الثقة 95% حول الخط. يجب كتابة تسميات المحاور بوضوح متضمناً اسم المتغير ووحدة القياس، وضمان تناسب أبعاد الشكل الهندسي لتقديم قراءة بصرية دقيقة تعكس صدق وثبات التحليلات الإحصائية المنفذة.

خاتمة

يمثل اختبار t للارتباط أداة استدلالية محورية لا غنى عنها في ترسانة الباحث في العلوم النفسية والسلوكية والاجتماعية. إن الانتقال الواعي من مجرد حساب معامل ارتباط بيرسون كقيمة وصفية مجردة إلى إخضاعه للاختبار التائي يمثل الفارق الجوهري بين الملاحظة السطحية العابرة والاستدلال العلمي المنضبط القائم على النمذجة الاحتمالية الرصينة. تتيح هذه المنهجية للباحثين التحقق من صحة الفرضيات وتفنيد الصدفة المعاينية بدقة متناهية تحمي المعرفة العلمية من الاستنتاجات الزائفة.

ومع ذلك، يجب أن يظل التطبيق الإحصائي محكوماً بالوعي المنهجي النقدي الشامل. لا يكفي الوصول إلى قيمة احتمالية دالة (p < 0.05) لإعلان نجاح الفرضية، بل يتعين على الباحث التحقق الصارم من استيفاء الافتراضات البارامترية للتوزيع الطبيعي الثنائي والخطية والاستقلالية، ودعم النتائج بحساب فترات الثقة عبر تحويل فيشر الزدّي، وتقدير معامل التحديد وحجم الأثر وقوة الاختبار الإحصائي. إن الجمع المتناغم بين الدقة الرياضية، والفهم السيكومتري العميق، والتوثيق الأكاديمي الأمين يضمن للبحوث السلوكية رصانتها، ويسهم بفاعلية في بناء تراكم علمي موثوق يدعم التطبيقات الإكلينيكية والتربوية والاجتماعية في خدمة الإنسان والمجتمع.

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
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1921). On the “probable error” of a coefficient of correlation deduced from a small sample. Metron, 1, 3–32.
• Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (2nd ed.). Guilford Press.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Pearson, K. (1895). Note on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London, 58, 240–242. https://doi.org/10.1098/rspl.1895.0041
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.