كيفية اختبار التوزيع الطبيعي في برنامج SPSS

تُعد مسألة التحقق من اعتدالية البيانات أو ما يُعرف باختبار التوزيع الطبيعي (Normality Testing) إحدى الركائز المنهجية الجوهرية في تحليل البيانات الكمية، لا سيما في مجالات العلوم النفسية والتربوية والاجتماعية والطبية. تتوقف صلاحية الاستدلالات الإحصائية المستخلصة من الاختبارات المعلمية المتقدمة على مدى استيفاء هذا الافتراض البنيوي؛ إذ إن بناء النماذج الرياضية واستخلاص القرارات العلمية يستندان في جوهرهما إلى فرضية أن المجتمع الأصلي الذي سُحبت منه العينة يتوزع توزيعاً طبيعياً متماثلاً حول مركزه.

يقف الباحثون وطلبة الدراسات العليا في كثير من الأحيان أمام معضلة حقيقية عند التعامل مع البرمجيات الإحصائية، وعلى رأسها حزمة IBM SPSS Statistics؛ حيث تتعدد الطرق وتتنوع المؤشرات ما بين فحوصات بصرية استكشافية ومقاييس وصفية واختبارات استدلالية صارمة. إن الغرض من هذا الدليل الأكاديمي الشامل هو تقديم خارطة طريق تفصيلية ومنهجية لاختبار اعتدالية البيانات في برنامج SPSS، بدءاً من المنطلقات النظرية والمفاهيم الرياضية الأساسية، مروراً بالإجراءات التطبيقية خطوة بخطوة، ووصولاً إلى كيفية قراءة المخرجات وتفسيرها، والتعامل مع انتهاكات التوزيع الطبيعي، وتوثيق النتائج وفق المعايير الأكاديمية العالمية الصادرة عن الجمعية الأمريكية لعلم النفس (APA).

يتناول هذا المرجع المتعمق كافة الأدوات المتاحة داخل البيئة الإحصائية لبرنامج SPSS، موضحاً الفروق الدقيقة بين اختبارات شابيرو-ويلك وكولموجوروف-سميرنوف، وكيفية قراءة المخططات المتقدمة مثل مخططات Q-Q و P-P والمدرجات التكرارية ومخططات الصندوق، بالإضافة إلى استعراض استراتيجيات التحويل الرياضي للبيانات وتطبيق أساليب إعادة المعاينة (Bootstrapping) لضمان أعلى درجات الدقة والموثوقية في بحوثك العلمية.

1. مقدمة وأهمية اختبار التوزيع الطبيعي في البحوث النفسية والإحصائية

1.1 مفهوم التوزيع الطبيعي في العلوم السلوكية والنفسية

يمثل التوزيع الطبيعي (Normal Distribution)، والمعروف تاريخياً بتوزيع غاوس (Gaussian Distribution)، النموذج الاحتمالي الأكثر انتشاراً وأهمية في نظرية الاحتمالات والإحصاء التطبيقي. يأخذ هذا المنحنى شكلاً هندسياً يشبه الناقوس أو الجرس المتماثل (Bell-shaped curve)، وتتطابق فيه مقاييس النزعة المركزية الثلاثة: المتوسط الحسابي (Mean)، والوسيط (Median)، والمنوال (Mode) عند نقطة القمة المركزية تماماً. يتميز المنحنى بخصائص رياضية ثابتة، أبرزها القاعدة التجريبية (Empirical Rule 68-95-99.7)؛ حيث يقع ما نسبته 68.26% تقريباً من إجمالي المشاهدات ضمن مسافة انحراف معياري واحد (±1 SD) عن المتوسط، بينما يقع 95.44% منها ضمن نطاق انحرافين معياريين (±2 SD)، وتغطي ثلاثة انحرافات معيارية (±3 SD) نحو 99.74% من البيانات، بينما يمتد طرفا المنحنى إلى ما لا نهاية دون أن يمسا المحور الأفقي إطلاقاً.

في ميدان القياس النفسي والعلوم السلوكية، يُفترض أن غالبية السمات الفردية، والقدرات المعرفية كدرجات الذكاء (IQ)، والسمات المزاجية، والمستويات الدافعية، تتوزع طبيعياً بين أفراد المجتمع الإحصائي؛ إذ يتركز أغلب الأفراد حول المستويات المتوسطة بينما يتناقص التكرار تدريجياً وبصورة متناظرة كلما اتجهنا نحو الأطراف الدنيا أو العليا (كالعبقرية أو التخلف العقلي الحاد). هذا الافتراض ليس مجرد رفاهية نظرية، بل هو الأساس الذي يمنح الدرجات الخام دلالاتها المعيارية من خلال تحويلها إلى درجات معيارية (Z-scores) ورتب مئينية.

إن اعتدالية البيانات شرط حاسم لضمان صدق الاستدلالات وتعميم النتائج في الدراسات التجريبية والوصفية والارتباطية. إذا تم تطبيق نماذج رياضية مبنية على افتراض التوزيع الطبيعي على بيانات مشوهة أو شديدة الالتواء، فإن التقديرات الناتجة لفترات الثقة (Confidence Intervals) وقيم الخطأ المعياري ستكون متحيزة وغير دقيقة، مما يُفضي بالضرورة إلى تعميمات مضللة وقرارات بحثية غير موثوقة قد تمس جوانب تشخيصية أو تربوية حساسة.

1.2 دور اعتدالية البيانات كشرط أساسي للاختبارات المعلمية (Parametric Tests)

تُبنى الاختبارات الإحصائية المعلمية (Parametric Tests) على مجموعة صارمة من الافتراضات المنهجية، يأتي في مقدمتها افتراض التوزيع الطبيعي لمتغيرات الدراسة التابعة في المجتمع المسحوبة منه العينات. تشمل هذه الاختبارات أدوات تحليلية بالغة الأهمية مثل اختبار “ت” للعينات المستقلة (Independent Samples t-test)، واختبار “ت” للعينات المترابطة (Paired Samples t-test)، وتحليل التباين الأحادي والمتعدد (ANOVA & MANOVA)، وتحليل التباين المشترك (ANCOVA)، ومعامل ارتباط بيرسون (Pearson Correlation)، ونماذج الانحدار الخطي البسيط والمتعدد (Linear Regression).

تعتمد الاشتقاقات الرياضية لتوزيعات الاختبارات مثل توزيع $t$ وتوزيع $F$ على حقيقة أن المتغير يتبع التوزيع الغاوسي. عندما ينتهك الباحث هذا الافتراض ويصر على تطبيق الاختبارات المعلمية، فإنه يعرض تحليلاته لمخاطر منهجية جسيمة تتعلق بسلامة اتخاذ القرارات الإحصائية، وتحديداً الوقوع في خطأ النوع الأول (Type I Error – $\alpha$)؛ وهو رفض الفرضية الصفرية رغم صحتها، أي الادعاء بوجود فروق أو تأثيرات دالة إحصائياً وهي في الواقع ناجمة عن التواء البيانات فقط، أو خطأ النوع الثاني (Type II Error – $\beta$)؛ وهو الفشل في اكتشاف التأثيرات والفروق الحقيقية بسبب تضخم التباين العشوائي وانخفاض قوة الاختبار الإحصائي (Statistical Power).

يكمن الفرق الجوهري بين الاختبارات المعلمية والاختبارات اللامعلمية (Nonparametric Tests) في أن الأولى تتطلب شروطاً محددة لمعالم المجتمع مثل التوزيع الطبيعي وتجانس التباين (Homogeneity of Variance)، وتتعامل مع بيانات ذات مستوى قياس كمي (فئوي أو نسبي)، مما يمنحها قوة استدلالية عالية جداً وقدرة أكبر على رصد الفروق الطفيفة. أما الاختبارات اللامعلمية، فهي اختبارات حرة التوزيع (Distribution-free) تعتمد على الرتب (Ranks) بدلاً من القيم الأصلية، ولا تشترط اعتدالية التوزيع، ولكنها غالباً ما تكون أقل حساسية وقوة في حال كانت البيانات في الأصل مستوفية لشروط الاعتدالية.

1.3 تأثير حجم العينة على اختبارات التوزيع الطبيعي

يلعب حجم العينة ($N$) دوراً مزدوجاً وحاسماً في تقييم اعتدالية البيانات وفي سلوك المؤشرات والاختبارات الإحصائية المستخدمة لهذا الغرض. ينبثق هذا الدور من إحدى أهم النظريات في تاريخ الإحصاء الحديث، وهي نظرية النهاية المركزية (Central Limit Theorem). تنص هذه النظرية على أنه كلما كبر حجم العينة (غالباً عندما يتجاوز $N ge 30$ أو $N ge 50$ كحد أدنى)، فإن توزيع متوسطات العينات المتكررة المسحوبة من المجتمع يقترب بصورة مطردة من التوزيع الطبيعي، بغض النظر عن الشكل الفعلي لتوزيع الدرجات الخام في المجتمع الأصلي نفسه.

تترتب على نظرية النهاية المركزية نتائج منهجية بالغة الأهمية عند فحص الاعتدالية في SPSS؛ ففي العينات الكبيرة جداً ($N > 200$ أو $300$)، تصبح اختبارات الدلالة الاستدلالية الرسمية للاعتدالية (مثل اختبار شابيرو-ويلك أو كولموجوروف-سميرنوف) شديدة الحساسية بصورة مفرطة، مما يجعلها تكشف أدنى انحراف غير جوهري عن التوزيع الطبيعي وتعطي قيمة دلالة إحصائية دالة ($p < 0.05$)، وبالتالي ترفض فرضية التوزيع الطبيعي حتى لو كانت البيانات معتدلة بصورة كافية لتطبيق الاختبارات المعلمية. على النقيض من ذلك تماماً، تعاني هذه الاختبارات الاستدلالية في العينات الصغيرة ($N < 30$) من ضعف القوة الإحصائية، مما قد يجعلها تفشل في رفض الفرضية الصفرية حتى عند وجود تشوهات التوائية وتفرطحية بارزة في البيانات.

بناءً على هذه الديناميكية، يوصي خبراء القياس الإحصائي باتباع معايير منهجية تتماشى مع حجم العينة؛ ففي العينات الصغيرة إلى المتوسطة، يُنصح بالاعتماد المشترك على اختبار شابيرو-ويلك مع التدقيق في المخططات البيانية، بينما في العينات الكبيرة، يُفضل التركيز بشكل شبه كامل على الفحص البصري لمخططات الاحتمال الطبيعي (Q-Q Plots) والمدرجات التكرارية، وحساب الدرجات المعيارية للالتواء والتفرطح بدلاً من الاعتماد الحصري على القيم الاحتمالية للاختبارات الصارمة.

2. الأسس النظرية والمفاهيم الإحصائية لاختبار التوزيع الطبيعي

2.1 معامل الالتواء (Skewness) ودلالته الإحصائية

يُعد معامل الالتواء (Skewness) المقياس الإحصائي الوصفي الرئيسي لتحديد مدى عدم تماثل أو لا تناظر توزيع البيانات حول متوسطها الحسابي. في التوزيع الطبيعي المعياري التام، تكون قيمة الالتواء مساوية للصفر ($Skewness = 0$)؛ مما يعني أن النصف الأيمن من المنحنى يمثل صورة مرآتية مطابقة للنصف الأيسر تماماً. ينقسم الالتواء في البيانات الميدانية والنفسية إلى نوعين رئيسيين:

• الالتواء الموجب (Positive Skewness / Right-skewed): يمتد فيه ذيل التوزيع الطويل نحو اليمين (باتجاه القيم الموجبة المرتفعة)، بينما تتجمع غالبية الدرجات في الجانب الأيسر المنخفض. يظهر هذا النمط بشكل متكرر في مقاييس وقت الاستجابة، أو اختبارات التحصيل الدراسي بالغة الصعوبة، أو مقاييس الاضطرابات النفسية النادرة كالفصام أو السلوك الانتحاري بين عموم السكان. في هذه الحالة يكون: $\text{المنوال} < \text{الوسيط} < \text{المتوسط}$.
• الالتواء السالب (Negative Skewness / Left-skewed): يمتد فيه ذيل التوزيع الطويل نحو اليسار (باتجاه القيم الصفرية أو المنخفضة)، بينما تتكدس أغلب الدرجات في الجانب الأيمن المرتفع. يحدث هذا في الاختبارات السهلة جداً (ظاهرة السقف – Ceiling Effect) أو في مقاييس الرضا الوظيفي وتقدير الذات لدى العينات غير الإكلينيكية. في هذه الحالة يكون: $\text{المتوسط} < \text{الوسيط} < \text{المنوال}$.

تعتمد برمجية SPSS في حساب قيمة الالتواء على الصيغة الرياضية المستندة إلى العزم الثالث حول المتوسط مقسوماً على مكعب الانحراف المعياري، وتُحسب بالتوازي مع ذلك قيمة الخطأ المعياري للالتواء ($SE_{skew}$)، والتي تقترب تقريبياً من الصيغة: $\sqrt{6/N}$. لتقييم الدلالة الإحصائية للالتواء، يتم تحويل القيمة إلى درجة معيارية ($Z_{Skew}$) عبر قسمة معامل الالتواء على خطئه المعياري:

$$Z_{Skew} = \frac{\text{Skewness}}{\text{SE}_{\text{Skew}}}$$

تتم مقارنة الدرجة المعيارية المحسوبة بالقيم الحرجة لتوزيع $Z$ المعتاد عند مستويات دلالة معينة؛ فإذا تجاوزت القيمة المطلقة لـ $|Z_{Skew}|$ القيمة $1.96$ عند مستوى ثقة $95%$ ($\alpha = 0.05$) أو $2.58$ عند مستوى ثقة $99%$ ($\alpha = 0.01$)، يُعد الالتواء دالاً إحصائياً مما يشير إلى انحراف البيانات عن التوزيع الطبيعي. ومع ذلك، في البحوث السيكولوجية والتربوية المعاصرة، يُقبل النطاق الوصفي للالتواء بين $[-1.0 \text{ إلى } +1.0]$ كدليل على اعتدالية ممتازة، والنطاق بين $[-2.0 \text{ إلى } +2.0]$ كاعتدالية مقبولة في الدراسات السلوكية الواسعة.

2.2 معامل التفرطح (Kurtosis) وأشكاله المختلفة

يقيس معامل التفرطح (Kurtosis) مدى حدة قمة المنحنى وثقل أطرافه (ذيليه) مقارنة بالتوزيع الطبيعي القياسي. بينما يركز الالتواء على عدم التماثل الجانبي، يركز التفرطح على تركز التكرارات في المركز مقابل تشتتها عند الأطراف المتطرفة. في علم الإحصاء، يُقاس التفرطح بناءً على العزم الرابع الممركز حول المتوسط. يطرح برنامج SPSS تلقائياً الرقم $3$ من قيمة التفرطح المحسوبة ليعطي ما يُسمى بـ “التفرطح الإضافي” (Excess Kurtosis)، بحيث تكون القيمة الصفرية ($Kurtosis = 0$) دليلاً على التوزيع الطبيعي المعتدل (Mesokurtic).

يأخذ التفرطح في البيانات الإحصائية شكلين مغايرين للمنحنى المعتدل:

• التفرطح المدبب (Leptokurtic): تكون قيمة التفرطح موجبة ($Kurtosis > 0$)، ويتميز المنحنى بقمة حادة وعالية جداً، مع ذيول سميكة وثقيلة تحتوي على نسب مشاهدات متطرفة تفوق التوزيع الطبيعي، مما يعني تركزاً مكثفاً لدرجات الأفراد حول قيمة مركزية ضيقة.
• التفرطح المفلطح (Platykurtic): تكون قيمة التفرطح سالبة ($Kurtosis < 0$)، ويتميز المنحنى بقمة عريضة ومسطحة تشبه الهضبة، مع ذيول رقيقة وخفيفة، مما يشير إلى تشتت واسع للدرجات وتباعدها المتجانس نسبياً عبر المدى دون وجود قمة واضحة ومحددة.

تماماً كما هو الحال في الالتواء، يُقدم برنامج SPSS قيمة الخطأ المعياري للتفرطح ($SE_{kurt}$)، والتي تُقدر تقريبياً بـ $\sqrt{24/N}$. يمكن فحص الدلالة الإحصائية للتفرطح من خلال حساب الدرجة المعيارية ($Z_{Kurt}$):

$$Z_{Kurt} = \frac{\text{Kurtosis}}{\text{SE}_{\text{Kurt}}}$$

إذا تجاوزت القيمة المطلقة لـ $|Z_{Kurt}|$ عتبة $1.96$ (للعينات الصغيرة والمتوسطة)، يُعتبر التفرطح شاذاً عن الاعتدالية. أما في سياق القياس النفسي والنماذج البنائية المتقدمة مثل نمذجة المعادلات الهيكلية (Structural Equation Modeling – SEM)، وضع رواد القياس، مثل George & Mallery و Kline، معايير عملية واسعة؛ حيث يُعتبر التفرطح مقبولاً إذا تراوحت قيمته المطلقة بين $[-2.0 \text{ و } +2.0]$، بل ويرى البعض إمكانية قبول قيم تصل إلى $[-7.0 \text{ إلى } +7.0]$ في بعض المقاييس الإكلينيكية المعقدة قبل اللجوء للأساليب اللامعلمية.

2.3 الفرضيات الإحصائية الصفرية والبديلة لاختبارات الاعتدالية

تختلف اختبارات الدلالة الإحصائية الموجهة لفحص اعتدالية البيانات (مثل اختبار شابيرو-ويلك وكولموجوروف-سميرنوف) عن الاختبارات الإحصائية الفرضية التقليدية؛ حيث يسعى الباحث هنا إلى **تأييد الفرضية الصفرية وعدم رفضها**، على عكس ما هو معتاد في اختبار الفروق أو العلاقات حيث يُسعى لرفض الفرض الصفر.

تتم صياغة الفرضيات الإحصائية لاختبار التوزيع الطبيعي على النحو التالي:

• الفرضية الصفرية ($H_0$): تُقر بأن بيانات المتغير في العينة مسحوبة من مجتمع إحصائي يتبع التوزيع الطبيعي تماماً (أي أن الفروق بين التوزيع الفعلي والتوزيع الطبيعي النظري تساوي صفراً).
• الفرضية البديلة ($H_1$): تُقر بأن بيانات المتغير في العينة لا تتبع التوزيع الطبيعي (أي أن هناك فروقاً دالة إحصائياً بين التوزيع الملاحظ والتوزيع الطبيعي النظري).

يتم اتخاذ القرار الإحصائي بناءً على مقارنة القيمة الاحتمالية الملاحظة ($p$-value)، والتي يُرمز لها في مخرجات SPSS بـ Sig. (اختصاراً لـ Significance)، مع مستوى الدلالة الاسمية المختار مسبقاً ($\alpha = 0.05$):

• إذا كانت القيمة الاحتمالية $p > 0.05$: يتم الإبقاء على الفرضية الصفرية ($Fail to Reject H_0$)، والاستنتاج بأن البيانات تتوزع توزيعاً طبيعياً معتدلاً، مما يتيح للباحث المضي قدماً في تطبيق الاختبارات المعلمية مثل تحليل التباين أو اختبار “ت”.
• إذا كانت القيمة الاحتمالية $p le 0.05$: يتم رفض الفرضية الصفرية وقبول الفرضية البديلة ($Reject H_0$)، مما يعني أن البيانات تنتهك شرط الاعتدالية بصورة دالة إحصائياً، ويتطلب ذلك اتخاذ إجراءات علاجية كتحويل البيانات أو الانتقال إلى الاختبارات اللامعلمية المقابلة.

3. تجهيز وترتيب البيانات في SPSS قبل بدء الفحص

3.1 تعريف المتغيرات وتحديد مستويات القياس

يبدأ الفحص الإحصائي الدقيق للتوزيع الطبيعي من الضبط المنهجي لمصفوفة البيانات في شاشة عرض المتغيرات (Variable View) داخل برنامج SPSS. تقتضي الممارسات الإحصائية الرصينة فحص كل عمود من المتغيرات والتأكد من تحديد خصائصه بما يتوافق مع طبيعة القياس النفسي والكمي.

تتضمن خطوات الضبط الأساسية في شاشة (Variable View) ما يلي:

• الاسم (Name): كتابة اسم مختصر للمتغير يخلو من المسافات والرموز الخاصة (مثل: Depression_Score أو Anxiety_Pre).
• النوع (Type): التأكد من ضبط نوع المتغير على Numeric للمتغيرات الكمية التابعة، وتجنب استخدام النوع النصي (String) للأرقام لأن خوارزميات الاستكشاف الإحصائي لن تتعرف عليها.
• البيان/الوصف (Label): وضع وصف دقيق للمتغير (مثل: “درجات مقياس بيك للاكتئاب بعد التدخل”) ليظهر بوضوح في الجداول والرسومات البيانية.
• مستوى القياس (Measure): هذه الخطوة ذات أهمية بالغة؛ حيث يجب ضبط مستوى القياس للمتغيرات الكمية المراد فحص اعتداليتها على Scale (مقياس متصل يشمل المستويين الفئوي Interval والنسبي Ratio). أما المتغيرات المستقلة التصنيفية (كالنوع الاجتماعي أو المجموعات التجريبية والضابطة) فيجب ضبطها على Nominal أو Ordinal. إن إغفال ضبط مستوى القياس على Scale قد يمنع بعض النوافذ والمخططات البيانية في الإصدارات الحديثة لـ SPSS من العمل بالشكل الصحيح.

3.2 فحص البيانات المفقودة (Missing Data) وتأثيرها

تشكل القيم المفقودة (Missing Values) خطراً منهجياً على دقة فحص التوزيع الطبيعي؛ إذ إن وجود نمط غير عشوائي للفقدان قد يشوه شكل التوزيع الفعلي للدرجات بصورة دراماتيكية. قبل فحص الاعتدالية، يجب على الباحث إجراء فحص أولي لتحديد نسبة البيانات المفقودة وتوزيعها في مصفوفة المتغيرات عبر مسار: Analyze > Descriptive Statistics > Frequencies ثم مراجعة خانة Missing في الجدول الأولي.

إذا كانت القيم المفقودة ناتجة عن عدم إجابة المشاركين لرموز معينة (مثل إدخال الرمز 99 أو 999 للتعبير عن عدم الإجابة)، فيجب تعريف هذه القيم صراحة في شاشة Variable View تحت عمود Missing لتوجيه برنامج SPSS إلى استبعادها من الحسابات الإحصائية، وإلا سيقوم البرنامج بدمج القيمة 99 ضمن الدرجات الحقيقية، مما يؤدي إلى تشوه التوائي هائل ينسف اعتدالية البيانات بالكامل.

تؤثر طريقة التعامل مع البيانات المفقودة (سواء بالحذف الكلي للحالة Listwise Deletion، أو الحذف المزدوج Pairwise Deletion، أو التعويض بطرق متقدمة كـ التعويض المتعدد Multiple Imputation أو خوارزمية تعظيم التوقع Expectation-Maximization) بشكل مباشر على تباين وتفرطح التوزيع؛ حيث إن التعويض بالمتوسط الحسابي البسيط يقلل من التباين الحقيقي ويزيد من تدبب المنحنى (Leptokurtic) بصورة مصطنعة، وهو ما يجب تجنبه تماماً قبل فحص الاعتدالية.

3.3 إدخال مصفوفة البيانات وتنظيم مجموعات المقارنة

في العديد من التصاميم التجريبية وشبه التجريبية في العلوم السلوكية، لا يكون الهدف هو فحص اعتدالية المتغير التابع على مستوى العينة الإجمالية ككل، بل **فحص اعتدالية المتغير التابع داخل كل مجموعة من مجموعات المقارنة بشكل مستقل** (مثلاً: التحقق من اعتدالية درجات القلق داخل المجموعة التجريبية بمعزل عن المجموعة الضابطة، أو للذكور بمعزل عن الإناث)، وهو الشرط الصارم لاختبارات مثل اختبار “ت” المستقل أو تحليل التباين ANOVA.

لتنظيم البيانات وتسهيل هذا الفحص المقسم في SPSS، توجد طريقتان رئيسيتان:

1. إدراج متغير التصنيف في نافذة الاستكشاف: وضع المتغير التابع في خانة Dependent List ومتغير المجموعات في خانة Factor List، وهو الإجراء القياسي المفضل.
2. استخدام أمر تقسيم الملف (Split File): من خلال الانتقال إلى Data > Split File، ثم اختيار Compare groups أو Organize output by groups وإدراج المتغير التصنيفي في خانة Groups Based on:. بمجرد تفعيل هذا الأمر، سيقوم SPSS بإجراء كافة الفحوصات اللاحقة والمخططات البيانية واختبارات الدلالة لكل مجموعة على حدة وبصورة مستقلة تماماً.

يجب مراجعة دقة الإدخال والتحقق من عدم وجود أخطاء ناتجة عن لوحة المفاتيح (مثل إدخال درجة 550 بدلاً من 55) عبر مراجعة القيم الدنيا والعليا (Minimum & Maximum) في الإحصاء الوصفي، لأن خطأ إدخال وحيد كفيل بتدمير التوزيع الطبيعي للعينة بأكملها.

4. الفحص البصري الأول: المدرج التكراري (Histogram) في SPSS

4.1 خطوات إنشاء المدرج التكراري مع منحنى التوزيع الطبيعي

يُعد المدرج التكراري (Histogram) الخطوة الاستكشافية البصرية الأولى والأكثر شيوعاً لتقييم شكل توزيع البيانات المستمرة. يتيح برنامج SPSS طريقتين احترافيتين لتوليد المدرج التكراري مدمجاً معه منحنى التوزيع الطبيعي النظري للمقارنة المباشرة:

الطريقة الأولى (عبر قائمة التكرارات – Frequencies):

• من القائمة العلوية، انتقل إلى: Analyze > Descriptive Statistics > Frequencies.
• انقل المتغير أو المتغيرات المراد فحصها إلى مربع Variable(s):.
• انقر على زر Charts… في الجانب الأيمن من النافذة.
• في نافذة الرسوم، اختر Histograms، ثم ضع علامة صح داخل المربع الصغير: Show normal curve on histogram.
• اضغط على Continue ثم OK لتنفيذ التحليل واستخراج الرسم.

الطريقة الثانية (عبر منشئ المخططات – Chart Builder):

• انتقل إلى المسار: Graphs > Chart Builder....
• من معرض الرسوم أسفل النافذة (Gallery)، اختر Histogram.
• اسحب النمط الأول (Simple Histogram) إلى شاشة المعاينة العلوية، ثم اسحب المتغير الكمي إلى المحور الأفقي ($X\text{-Axis}$).
• في لوحة الخصائص الجانبية (Element Properties)، قم بتفعيل خيار Display normal curve، ثم اضغط على Apply وبعدها OK.

4.2 قراءة وتفسير شكل التوزيع البياني للمدرج التكراري

عند ظهور المدرج التكراري في نافذة مخرجات SPSS (Output Viewer)، يظهر الرسم البياني على هيئة أعمدة تكرارية رأسية متلاصقة، يعلوها منحنى متصل أسود يمثل المنحنى الجرسي الطبيعي المحسوب استناداً إلى متوسط وانحراف العينة الحالية. تقتضي القراءة العلمية المتأنية للرسم التركيز على الجوانب الآتية:

• التماثل العام حول المركز: مراقبة ما إذا كانت أعلى الأعمدة التكرارية تتطابق وتتركز تحت قمة المنحنى الجرسي في المنتصف، مع تناقص متوازن للأعمدة على كلا الجانبين الأيمن والأيسر.
• رصد اتجاه الالتواء بصرياً: إذا كانت الأعمدة الطويلة متراكمة في جهة اليسار بينما تمتد الأعمدة القصيرة والمنخفضة نحو اليمين، فهذا مؤشر بصري واضح على التواء موجب (Positive Skew). أما إذا كانت الأعمدة الطويلة متكتلة في اليمين والأعمدة القصيرة ممتدة نحو اليسار، فهذا يشير إلى التواء سالب (Negative Skew).
• تحديد تشوهات التفرطح: إذا كانت الأعمدة التكرارية المركزية تتجاوز بكثير قمة المنحنى الطبيعي وترتفع فوقه بصورة رأسية حادة وضيقة، فهذا يدل على تفرطح مدبب (Leptokurtic). وإذا كانت الأعمدة شبه متساوية في الارتفاع ومفرودة تحت المنحنى دون قمة واضحة، فالتوزيع مفلطح (Platykurtic).
• الفجوات والتشتت الشاذ: البحث عن وجود فجوات بيضاء فارغة بين الأعمدة تعقبها أعمدة فردية معزولة عند أقصى أطراف الرسم، وهو ما يعكس وجود قيم شاذة متطرفة تعزل نفسها عن كتلة التوزيع العامة.

4.3 مزايا وحدود الاعتماد على المدرج التكراري وحده

يمتاز المدرج التكراري بقدرته الاستثنائية على تقديم نظرة شمولية وسريعة وسهلة الفهم لطبيعة البيانات وتركيبتها التكرارية، مما يجعله مفضلاً لدى الباحثين في التقارير الأولية والمناقشات الاستكشافية. فهو يكشف بوضوح عن وجود أكثر من قمة في البيانات (Bimodal or Multimodal Distributions)، وهي حالة تدل على أن العينة قد تتكون من مجتمعين فرعيين مختلفين مدمجين معاً (مثل دمج درجات الذكور والإناث في سمة تتباين جذرياً بين الجنسين).

على الرغم من هذه المزايا، تفرض الطبيعة الرياضية للمدرج التكراري قيوداً منهجية خطيرة تمنع الاعتماد عليه كدليل منفرد لحسم اعتدالية البيانات. يرجع ذلك أساساً إلى ظاهرة **تأثير عرض الفئات (Bin Width Effect)**؛ حيث يعتمد الشكل الظاهري للأعمدة على عدد الفئات وحجمها الافتراضي الذي يختاره برنامج SPSS. إن تغيير عدد الفئات أو اتساعها قد يحول توزيعاً يبدو معتدلاً إلى توزيع يبدو ملتوياً أو العكس تماماً. علاوة على ذلك، يتأثر الحكم البصري بالذاتية التقديرية للباحث، مما يستوجب دعم المدرج التكراري بمخططات أكثر دقة كـ Q-Q Plots واختبارات استدلالية كمية.

5. الفحص البصري المتقدم: مخططات الاحتمال الطبيعي (Q-Q Plots و P-P Plots)

5.1 مخطط الاحتمال الطبيعي الربيعي (Normal Q-Q Plot)

يُمثل مخطط الاحتمال الطبيعي الربيعي (Quantile-Quantile Plot)، والمعروف اختصاراً بـ Normal Q-Q Plot، الأداة البصرية الأكثر كفاءة وموثوقية في تقييم التوزيع الطبيعي في الأدبيات الإحصائية المتقدمة. يقوم هذا المخطط على فكرة رياضية أنيقة: رسم بياني ناتج عن تقاطع نقطتين لكل مشاهدة؛ حيث يمثل المحور الأفقي ($X$) القيم الملاحظة الفعلية في العينة (Observed Values)، بينما يمثل المحور الرأسي ($Y$) القيم المتوقعة نظرياً (Expected Normal Values) في حال كانت البيانات تتبع التوزيع الطبيعي المعياري التام.

يتضمن المخطط خطاً مرجعياً قطرياً مستقيماً يميل بزاوية 45 درجة تقريباً ويمر بنقطة المركز. إذا كانت البيانات تتبع التوزيع الطبيعي بدقة، فإن كافة النقاط (المشاهدات) ستقع مباشرة فوق هذا الخط القطري أو تتجمع حوله في شريط ضيق جداً ومنتظم ومستقيم. أما إذا كانت البيانات غير معتدلة، فإن النقاط ستنحرف عن الخط بأشكال هندسية ذات دلالات إحصائية نوعية:

• نمط الالتواء الموجب: تتقوس النقاط وتنحني مشكلة شكلاً يشبه القوس الصاعد (Curved Pattern) بحيث تقع النقاط فوق الخط عند الأطراف أو تحته في المنتصف.
• نمط الذيول الثقيلة (التفرطح المدبب): تأخذ النقاط شكلاً يشبه حرف “S” ممتداً يتقاطع مع الخط القطري؛ حيث تكون النقاط في الطرف السفلي تحت الخط، وفي الطرف العلوي فوق الخط.
• نمط الذيول الخفيفة (التفرطح المفلطح): تأخذ النقاط شكلاً معكوساً لحرف “S” يتقاطع مع الخط المستقيم بصورة مغايرة.

5.2 مخطط الانحراف المعياري عن الاعتدالية (Detrended Q-Q Plot)

يولد برنامج SPSS تلقائياً مع كل مخطط Q-Q مخططاً تكميلياً ملحقاً يُسمى **مخطط الانحراف عن الاعتدالية (Detrended Normal Q-Q Plot)**. يهدف هذا المخطط إلى إزالة الاتجاه الخطي العام لتسهيل رؤية الفروق الدقيقة والانحرافات التي قد يصعب تمييزها بالعين المجردة على الخط المائل في المخطط الأصلي.

في هذا المخطط، يتم تحويل الخط القطري المائل إلى خط أفقي مستقيم يمر عند نقطة الصفر بالضبط ($Y = 0$)، ويمثل المحور الرأسي حجم الانحراف الفعلي (الفارق أو البواقي) بين كل قيمة ملاحظة والقيمة المتوقعة لها نظرياً ($Actual – Expected$). في حال اعتدالية البيانات، يجب أن تتوزع النقاط بشكل عشوائي تماماً وبكثافة متجانسة فوق وتحت خط الصفر الأفقي دون تشكيل أي نمط أو منحنى منتظم. أما إذا شكلت النقاط أنماطاً هندسية واضحة كشكل قطع مكافئ (Parabola)، أو موجة جيبية متذبذبة، أو تشتت مخروطي يتسع كلما اتجهنا لليمين، فإن ذلك يقدم برهاناً بصرياً قاطعاً على غياب التوزيع الطبيعي ووجود تشوهات في التباين أو التماثل.

5.3 مخطط الاحتمال النسبي المئوي (Normal P-P Plot)

يُعد مخطط الاحتمال النسبي المئوي (Probability-Probability Plot أو P-P Plot) أداة بصرية موازية لمخطط Q-Q، ولكنه يعتمد على مقارنة دالة التوزيع التراكمي الملاحظة (Observed Cumulative Probability) مع دالة التوزيع التراكمي المتوقعة نظرياً للتوزيع الطبيعي (Expected Cumulative Probability). في هذا المخطط، تتراوح قيم كلا المحورين بين $0.0$ و $1.0$.

تكمن الفروق المنهجية الجوهرية بين المخططين في حساسية كل منهما لمناطق التوزيع المختلفة:

• مخطط P-P Plot: يكون أكثر حساسية ودقة في كشف الانحرافات والتشوهات التي تحدث في **وسط ومركز التوزيع**؛ لأن التغيرات التراكمية في الاحتمال تتزايد بسرعة أكبر بالقرب من المتوسط.
• مخطط Q-Q Plot: يكون أكثر حساسية وقوة في كشف الانحرافات والتشوهات التي تحدث في **أطراف وذيول التوزيع (Tails)** والقيم الشاذة والمتطرفة؛ نظراً لأنه يتعامل مع الرتب المئينية والدرجات الأصلية مباشرة.

في معظم البحوث النفسية والسلوكية، يفضل الاعتماد على Normal Q-Q Plot لأن معظم مشكلات عدم الاعتدالية تنبع من سلوك الذيول والالتواءات الطرفية، إلا أن استخدام P-P Plot يُعد ممتازاً كأداة تأكيدية لفحص تجانس المركز وثبات كثافته الاحتمالية.

6. فحص القيم الشاذة والمتطرفة عبر مخطط الصندوق والطرفين (Boxplot)

6.1 توليد وقراءة مخطط الصندوق (Boxplot) في SPSS

يُعتبر مخطط الصندوق والطرفين (Box-and-Whisker Plot)، الذي ابتكره عالم الإحصاء الشهير جون توكي (John Tukey)، أحد أعظم الابتكارات في التحليل الاستكشافي للبيانات. يقدم المخطط ملخصاً بيانياً خماسياً لتوزيع المتغير: القيمة الدنيا (Minimum)، الربيع الأول ($Q_1$ المئين 25)، الوسيط ($Q_2$ المئين 50)، الربيع الثالث ($Q_3$ المئين 75)، والقيمة العليا (Maximum).

لتوليد هذا المخطط في SPSS، يمكن الانتقال عبر مسار: Analyze > Descriptive Statistics > Explore واختيار Boxplots، أو عبر Graphs > Boxplot. تدل قراءة مؤشرات الصندوق على التوزيع الطبيعي وفق المعايير التالية:

• موقع خط الوسيط: في التوزيع المعتدل، يقع خط الوسيط الغامق في منتصف الصندوق المستطيل تماماً ليقسمه إلى نصفين متساويين في المساحة.
• تماثل طول الطرفين (Whiskers): يجب أن يمتد الخطان الصاعد والهابط من حافتي الصندوق بمسافات متساوية ومتناظرة تقريباً للوصول إلى القيم القصوى غير الشاذة.
• المقارنة بين المجموعات: في حال المقارنة بين مجموعات تجريبية متعددة، يتيح المخطط مقارنة سريعة لأطوال الصناديق؛ حيث يشير تساوي أطوال الصناديق وتماثل أطرافها إلى تحقق افتراضي الاعتدالية وتجانس التباين في آن واحد.

6.2 التمييز بين القيم الشاذة (Outliers) والقيم المتطرفة (Extreme Values)

يتميز برنامج SPSS بنظام ترميز رياضي دقيق وصارم على مخطط الصندوق يتيح للباحث التمييز الفوري بين درجتين من المشاهدات غير الاعتيادية، بالاعتماد على **المدى الربيعي (Interquartile Range – IQR)**، وهو المسافة بين الربيع الثالث والربيع الأول ($IQR = Q_3 – Q_1$):

• القيم الشاذة المعتدلة (Outliers): يرمز لها البرنامج بدائرة صغيرة ($circ$). وهي المشاهدات التي تبعد عن حافة الصندوق (سواء الربيع الأول أو الثالث) بمسافة تتراوح بين $1.5$ إلى $3.0$ أضعاف المدى الربيعي ($1.5 times IQR text{ to } 3.0 times IQR$).
• القيم المتطرفة القصوى (Extreme Values): يرمز لها البرنامج بنجمة ($ast$). وهي المشاهدات الخطيرة إحصائياً التي تبعد عن حافة الصندوق بمسافة تتجاوز $3.0$ أضعاف المدى الربيعي ($> 3.0 \times IQR$).

الجدير بالذكر أن SPSS يطبع بجوار كل دائرة أو نجمة **رقم الصف (Case Number)** لتلك الحالة في ملف البيانات الأصلي. هذه الخاصية تمنح الباحث القدرة على العودة فوراً إلى مصفوفة البيانات وتحديد المفحوص الذي تنتمي إليه الدرجة الشاذة للتحقق من أسباب هذا الشذوذ.

6.3 استراتيجيات التعامل مع القيم الشاذة المؤثرة على التوزيع الطبيعي

تمثل القيم الشاذة والمتطرفة السبب الأول والأكثر شيوعاً لانتهاك التوزيع الطبيعي في البحوث الميدانية؛ إذ إن وجود حالة متطرفة وحيدة قادرة على سحب المتوسط الحسابي ومضاعفة التباين وإحداث التواء شديد في عينة صغيرة أو متوسطة. يتطلب التعامل المنهجي مع هذه القيم اتباع بروتوكول تدريجي:

1. التدقيق في أخطاء الإدخال والقياس: مراجعة استمارة الاستجابة الورقية أو الإلكترونية للمفحوص المعني للتأكد من عدم حدوث خطأ مطبعي أثناء التفريغ (Data Entry Error). في حال ثبوت الخطأ المطبعي، يتم تصحيح القيمة فوراً.
2. فحص صلاحية الحالة من مجتمع الدراسة: التحقق مما إذا كان المفحوص يعاني من ظروف خاصة تخالف معايير الاشتمال (Inclusion Criteria)، مثل إجابة مريض على مقياس مخصص للأسوياء أو عدم فهم التعليمات. في هذه الحالة، يُسوغ حذف الحالة منهجياً مع تبرير ذلك في تقرير البحث.
3. تطبيق أسلوب التعديل بالحد الأقصى (Winsorization): بدلاً من حذف الحالة بالكامل وخسارة حجم العينة، يمكن استبدال القيمة المتطرفة بأعلى قيمة غير شاذة في التوزيع تقع عند حدود $\pm 3\text{ SD}$ أو $1.5text{ IQR}$.
4. إعادة فحص الاعتدالية: بعد إجراء التصحيح أو التعديل، يجب إعادة تشغيل إجراءات الفحص البياني والاستدلالي للتأكد من استعادة التوزيع الطبيعي لخصائصه المعتدلة.

7. الفحص الإحصائي الاستدلالي الأول: اختبار شابيرو-ويلك (Shapiro-Wilk Test)

7.1 الأساس الرياضي لاختبار شابيرو-ويلك وملاءمته للعينات

ابتكر العالمان صمويل شابيرو ومارتن ويلك عام 1965 هذا الاختبار الذي أثبتت الدراسات المقارنة المتعاقبة في علم الإحصاء أنه أقوى الاختبارات الاستدلالية الموجهة لفحص التوزيع الطبيعي (Highest Statistical Power). يستند الأساس الرياضي لاختبار شابيرو-ويلك ($W$) إلى حساب معامل الارتباط الترتيبي بين إحصاءات الرتب الملاحظة في العينة بعد ترتيبها تصاعدياً ($X_{(1)} le X_{(2)} le dots le X_{(n)}$) وبين الأوزان المتوقعة المعيارية للتوزيع الطبيعي، من خلال قسمة مربع التقدير الخطي للتباين على التقدير الكلاسيكي لمجموع مربعات الانحرافات حول المتوسط.

تتراوح قيمة إحصاء الاختبار ($W$) دوماً بين الصفر والواحد الصحيح ($0 < W le 1$). تشير القيمة$W = 1$ إلى تطابق مثالي وكامل لبيانات العينة مع التوزيع الطبيعي النظري، وكلما انخفضت قيمة $W$ واقتربت من الصفر، دل ذلك على تباعد متزايد للبيانات عن نموذج التوزيع الطبيعي.

يتميز اختبار شابيرو-ويلك بكفاءة متفوقة وقوة اختبارية مذهلة في التعامل مع مختلف أحجام العينات، وخاصة العينات الصغيرة والمتوسطة التي تتراوح بين $N = 3$ و $N = 50$، ويمتد تطبيقه بكفاءة في SPSS ليتعامل مع عينات تصل إلى $N = 2000$ وأكثر. لهذا السبب، يُجمع علماء القياس النفسي والإحصاء الحيوي على أن اختبار شابيرو-ويلك هو المعيار الذهبي المفضل للاعتماد عليه في الأبحاث والرسائل الأكاديمية عند تقييم اعتدالية المتغيرات الكمية المستمرة.

7.2 قراءة جدول مخرجات اختبار شابيرو-ويلك في SPSS

عند تنفيذ إجراء فحص الاعتدالية في SPSS عبر قائمة Explore، يولد البرنامج جدولاً موحداً بعنوان Tests of Normality، يحتوي في جانبه الأيمن على نتائج اختبار شابيرو-ويلك. يتكون هذا القسم من ثلاثة أعمدة رئيسية تتطلب تفسيراً دقيقاً:

• إحصاء الاختبار (Statistic – $W$): يمثل القيمة المحسوبة لمعادلة شابيرو-ويلك. كلما اقتربت هذه القيمة من $1.000$ (مثلاً: $0.978$ أو $0.991$)، كان ذلك دليلاً أولياً ممتازاً على جودة التطابق مع المنحنى الطبيعي.
• درجات الحرية (df): يمثل حجم العينة الفعلي ($N$) المحلل للبيانات الخالية من القيم المفقودة للمتغير المفحوص أو لكل مجموعة على حدة.
• القيمة الاحتمالية للدلالة الإحصائية (.Sig): هي العمود الحاسم لاتخاذ القرار الإحصائي وتفسير النتيجة استناداً إلى فرضية العدم ($H_0$).

تتم قراءة النتيجة باتباع القاعدة الإحصائية التالية:

• إذا كانت قيمة $\text{Sig.} > 0.05$: تُقبل الفرضية الصفرية القائلة باعتدالية البيانات، ويُستنتج أن توزيع درجات العينة لا يختلف اختلافاً ذا دلالة إحصائية عن التوزيع الطبيعي النظري ($p > .05$)، مما يعني تحقق شرط الاعتدالية وصلاحية البيانات للتحليلات المعلمية.
• إذا كانت قيمة $\text{Sig.} le 0.05$ (أو ظهرت بصيغة $.000$): تُرفض الفرضية الصفرية، مما يعني وجود فروق دالة إحصائياً بين بيانات العينة والتوزيع الطبيعي، وبالتالي انتهاك شرط الاعتدالية.

7.3 قيود ونقاط ضعف اختبار شابيرو-ويلك

على الرغم من المكانة الرفيعة لاختبار شابيرو-ويلك، إلا أنه يعاني من قيود إحصائية بنيوية يجب على الباحث إدراكها لتجنب الوقوع في استنتاجات خاطئة:

أولاً، **الحساسية المفرطة في العينات الكبيرة**: في العينات الضخمة ($N > 300$ أو $500$)، تصبح القوة الإحصائية للاختبار فائقة الحدة، مما يجعله يلتقط أي انحراف ميكروسكوبي ضئيل وغير ذي أثر تطبيقي عن التوزيع الطبيعي، ويُنتج قيمة$p < 0.001$. يؤدي الاعتماد الأعمى على هذه النتيجة إلى حرمان الباحث من استخدام الاختبارات المعلمية القوية، على الرغم من أن البيانات في حقيقتها معتدلة بما يكفي استناداً لنظرية النهاية المركزية.

ثانياً، **تأثير القيم المكررة المتماثلة (Ties)**: عند تطبيق الاختبار على مقاييس نفسية مبنية على تدريج ليكرت (Likert Scales) ذي الفئات المحدودة (مثلاً من 1 إلى 5)، تتكرر نفس الدرجات لدى مئات المفحوصين، مما يقلل من حساسية معادلة شابيرو-ويلك الرياضية ويجعلها تميل نحو رفض الاعتدالية بصورة غير عادلة بسبب غياب الاستمرارية التامة في البيانات.

لذلك، تشدد المنهجيات المعاصرة على ضرورة عدم الاكتفاء بجدول الدلالة وحده، بل إجراء فحص تكاملي يجمع بين قيمة شابيرو-ويلك، ومخططات Q-Q Plots، ومؤشرات الالتواء والتفرطح للوصول إلى قرار تحليلي صائب.

8. الفحص الإحصائي الاستدلالي الثاني: اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test)

8.1 مفهوم وتطبيق اختبار كولموجوروف-سميرنوف مع تصحيح ليليفورس (Lilliefors)

يستند اختبار كولموجوروف-سميرنوف الكلاسيكي لعينة واحدة (One-Sample Kolmogorov-Smirnov Test) إلى نظرية مقارنة التوزيع التراكمي؛ حيث يقيس الاختبار أقصى مسافة رأسية مطلقة (Maximum Absolute Deviation – $D$) بين دالة التوزيع التراكمي الملاحظة لدرجات العينة$S_n(x)$ ودالة التوزيع التراكمي النظرية المحددة مسبقاً $F_0(x)$:

$$D = \max |S_n(x) – F_0(x)|$$

في حال كانت معالم المجتمع (المتوسط الحسابي والانحراف المعياري) غير معلومة مسبقاً لدى الباحث ويتم تقديرها مباشرة من بيانات العينة نفسها—وهو الواقع الحتمي في 99% من الدراسات السلوكية والاجتماعية—فإن اختبار كولموجوروف-سميرنوف التقليدي يصبح متساهلاً للغاية ومتحيزاً بصورة تؤدي إلى خفض الدلالة الحقيقية. لحل هذه المشكلة، طور عالم الإحصاء هوبير ليليفورس تعديلاً رياضياً حاسماً يُعرف بـ **تصحيح ليليفورس للدلالة (Lilliefors Significance Correction)**.

يقوم برنامج SPSS في جدول Explore الافتراضي بتطبيق تصحيح ليليفورس تلقائياً، ويضع حاشية سفلية تشير إلى: a. Lilliefors Significance Correction. يضمن هذا التعديل تعديل القيم الحرجة لتتناسب مع معالم العينة المقدرة، مما يرفع من دقة وموثوقية الاختبار في الدراسات المسحية الميدانية والعينات الكبيرة.

8.2 تفسير نتائج الاختبار ومقارنتها باختبار شابيرو-ويلك

يظهر اختبار كولموجوروف-سميرنوف في النصف الأيسر من جدول Tests of Normality في SPSS بجوار اختبار شابيرو-ويلك. تُقرأ مؤشراته بنفس المنطق الرياضي؛ حيث يشير الإحصاء (Statistic) إلى قيمة أقصى انحراف $D$، بينما يشير عمود Sig. إلى القيمة الاحتمالية التي تُقارن بمستوى $\alpha = 0.05$.

في كثير من التحليلات التطبيقية، يلاحظ الباحثون ظاهرة محيرة: ظهور نتيجة اختبار كولموجوروف-سميرنوف غير دالة ($p > 0.05$ دالة على الاعتدالية) بينما يظهر اختبار شابيرو-ويلك لنفس المتغير ونفس العينة دالاً إحصائياً ($p le 0.05$ دال على عدم الاعتدالية) أو العكس. يرجع هذا التباين إلى الاختلاف الجذري في الحساسية البنيوية للخوارزميات الرياضية لكلا الاختبارين؛ فاختبار كولموجوروف-سميرنوف يركز على أقصى انحراف في الدالة التراكمية، مما يجعله أقل قوة (Less Powerful) في كشف التواء الذيول مقارنة باختبار شابيرو-ويلك الذي يزن كافة الانحرافات الترتيبية بالتساوي.

المفاضلة المنهجية المعتمدة:
تتفق المراجع الإحصائية الرصينة (مثل Field, 2018; Tabachnick & Fidell, 2019) على أن اختبار **شابيرو-ويلك هو الأكثر موثوقية وأفضلية** في معظم السيناريوهات البحثية، ويجب تقديم نتيجته على كولموجوروف-سميرنوف، لا سيما عندما يكون حجم العينة أقل من $N = 300$. بينما يُعتبر كولموجوروف-سميرنوف مفيداً في الدراسات الوبائية والمسوح الوطنية واسعة النطاق ذات العينات الضخمة جداً التي تتجاوز آلاف المشاهدات.

8.3 تطبيق الاختبار المستقل من قائمة الاختبارات اللامعلمية (1-Sample K-S)

يوفر برنامج SPSS مساراً إضافياً ومنفصلاً لإجراء اختبار كولموجوروف-سميرنوف لعينة واحدة من خارج قائمة الإحصاء الوصفي، وذلك من خلال قائمة الاختبارات اللامعلمية التقليدية. يتيح هذا المسار خيارات متقدمة لا تقتصر على التوزيع الطبيعي فحسب، بل تمتد لاختبار توزيعات أخرى كالتوزيع الموحد (Uniform) وتوزيع بواسون (Poisson) والتوزيع الأسي (Exponential).

خطوات التنفيذ عبر مسار الاختبارات اللامعلمية:

• من القائمة الرئيسية، توجه إلى: Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample K-S....
• انقل المتغير أو المتغيرات المستهدفة إلى قائمة Test Variable List:.
• في قسم Test Distribution أسفل النافذة، تأكد من تفعيل خيار Normal (وهو الخيار الافتراضي).
• انقر على زر Options… لاختيار عرض الإحصاءات الوصفية (Descriptives) والربيعيات (Quartiles) إذا رغبت، ثم اضغط Continue.
• اضغط على OK لتنفيذ الإجراء.

فارق تقني مهم: يجب الانتباه إلى أن تنفيذ الاختبار عبر مسار 1-Sample K-S التقليدي يطبق اختبار كولموجوروف-سميرنوف القياسي بدون تصحيح ليليفورس الافتراضي (إلا إذا تم تحديد ذلك في الإصدارات الأحدث)، مما يجعله يختلف في دقته وحساسيته عن الجدول المستخرج من قائمة Explore، ولذلك يُوصى دوماً بالاعتماد على مسار Explore لضمان الحصول على تصحيح Lilliefors الأكثر دقة ومصداقية في القياس النفسي.

9. دليل خطوة بخطوة: فحص التوزيع الطبيعي عبر قائمة الاستكشاف (Explore) في SPSS

9.1 التنقل في القوائم واختيار المتغيرات التابعة وعوامل التصنيف

تُعد نافذة الاستكشاف الإحصائي (Explore Command) المركز العصبي والبيئة الأكثر شمولاً وتكاملاً لإجراء كافة فحوصات التوزيع الطبيعي البصرية والرقمية والاستدلالية في خطوة تشغيلية واحدة داخل برنامج SPSS. فيما يلي الخطوات الإجرائية الدقيقة لإعداد التحليل:

1. افتح ملف البيانات الخاص ببحثك في برنامج SPSS وتأكد من اكتمال إدخال الدرجات.
2. من شريط القوائم العلوي، انقر على قائمة Analyze.
3. مرر المؤشر فوق Descriptive Statistics، ثم انقر على الخيار الثالث Explore….
4. ستفتح لك نافذة Explore الرئيسية:
   • حدد المتغير التابع الكمي (مثل: Total_Self_Esteem) من القائمة اليسرى، وانقر على السهم العلوي لإدراجه في خانة Dependent List:. يمكنك نقل أكثر من متغير تابع في الوقت ذاته.
   • إذا كان تصميم دراستك يتطلب فحص الاعتدالية لكل مجموعة تجريبية أو ديموغرافية على حدة (مثل مقارنة الذكور والإناث أو المجموعات التجريبية والضابطة)، فاختر المتغير التصنيفي (مثل: Gender أو Group) وانقله إلى خانة Factor List:. أما إذا كنت ترغب في فحص اعتدالية المتغير للعينة ككل، فاترك هذه الخانة فارغة.

9.2 ضبط خيارات الإحصاءات والرسومات في نافذة Explore

بعد تحديد المتغيرات، يجب ضبط معايير ومخرجات التحليل للحصول على حزمة الفحص الكاملة، وذلك عبر الأزرار الجانبية لنافذة Explore:

1. ضبط الإحصاءات (Statistics):
   • انقر على زر Statistics… في الجانب الأيمن.
   • تأكد من تفعيل خيار Descriptives، مع ضبط فترة الثقة للوسط الحسابي (Confidence Interval for Mean) عند $95%$.
   • قم بتفعيل خيار Outliers لعرض جداول الحالات الخمس الأعلى والخمس الأدنى شذوذاً في البيانات، ثم انقر Continue.
2. ضبط الرسومات والفحوصات (Plots) – الخطوة الجوهرية:
   • انقر على زر Plots… لفتح نافذة خيارات الرسوم البيانية.
   • في قسم Boxplots، اختر إما Factor levels together (لعرض صناديق المجموعات متجاورة في رسم واحد) أو Dependents together.
   • في قسم Descriptive، ضع علامة صح داخل مربع Histogram لتوليد المدرج التكراري (يأتي خيار Stem-and-leaf مفعلاً افتراضياً ويمكنك إبقاؤه أو إلغاؤه).
   • الخيار الأكثر أهمية: ضع علامة صح داخل المربع الحاسم Normality plots with tests. هذا الخيار هو المسؤول المباشر عن توليد جدول اختبارات الاعتدالية (Shapiro-Wilk و Kolmogorov-Smirnov) ومخططات Q-Q Plots و Detrended Q-Q Plots.
   • اضغط على Continue للعودة إلى النافذة الرئيسية.
3. تحديد نمط العرض (Display): في أسفل يسار نافذة Explore الرئيسية، تأكد من اختيار Both لضمان عرض الجداول الإحصائية والرسوم البيانية معاً في شاشة المخرجات.

9.3 تنفيذ الإجراء واستخراج النتائج الشاملة

بمجرد الانتهاء من كافة الضوابط المنهجية، يتاح للباحث مساران لتنفيذ الإجراء البرمجي:

• التنفيذ المباشر: الضغط على زر OK ليقوم SPSS فوراً بمعالجة البيانات وفتح نافذة عارض المخرجات (Output Viewer) متضمنة كافة الجداول والمخططات المتسلسلة.
• التوثيق البرمجي (Syntax): يُوصى أكاديمياً بالضغط على زر Paste؛ حيث يقوم البرنامج بنسخ الكود البرمجي الإحصائي إلى نافذة أوامر SPSS Syntax. يتيح هذا الإجراء للباحث توثيق تحليلاته العلمية وإعادة تطبيقها لاحقاً بضغطة زر واحدة، ويكون الكود المولد مشابهاً للتالي:

EXAMINE VARIABLES=Depression_Score BY Group
/PLOT BOXPLOT HISTOGRAM NPPLOT
/COMPARE GROUPS
/STATISTICS DESCRIPTIVES EXTREME
/CINTERVAL 95
/MISSING LISTWISE.

بعد التنفيذ، يمكن للباحث تصدير المخرجات بالكامل أو جداول محددة منها بصيغ متعددة (مثل Word أو PDF أو كصور رسومية عالية الدقة) عبر النقر بزر الفأرة الأيمن على أي جدول واختيار Export... لتضمينها بسلاسة في تقرير الأطروحة أو البحث العلمي.

10. التحليل التكاملي لمخرجات SPSS واتخاذ القرار الإحصائي المنهجي

10.1 مقارنة المتوسط الحسابي بالمتوسط المبتور (5% Trimmed Mean)

يوفر جدول الإحصاءات الوصفية الشامل (Descriptives Table) الناتج عن أمر Explore مؤشراً تشخيصياً بالغ الأهمية غالباً ما يغفله الباحثون، وهو **المتوسط المبتور بنسبة 5% (5% Trimmed Mean)**. يعتمد هذا المقياس على حذف أعلى 5% من القيم المتطرفة في قمة التوزيع وأدنى 5% من القيم في قاع التوزيع، ثم إعادة حساب المتوسط الحسابي للنسبة المركزية المتبقية (90% من المشاهدات الوسطى).

تتمثل الوظيفة الجوهرية للمتوسط المبتور في توفير مقياس نزعة مركزية فائق المناعة والمقاومة (Robust Measure) لتأثير القيم الشاذة والمتطرفة. وتتم الاستفادة منه منهجياً في تقييم الاعتدالية من خلال مقارنته المباشرة بالمتوسط الحسابي الأصلي (Mean):

• حالة الاعتدالية والتطابق: إذا كانت قيمة المتوسط الحسابي الأصلي مساوية تقريباً أو قريبة جداً من قيمة المتوسط المبتور بنسبة 5% (مثلاً: المتوسط الأصلي = $45.20$ والمتوسط المبتور = $45.12$)، فإن ذلك يعكس دليلاً إحصائياً صلباً على أن أطراف التوزيع لا تؤثر سلباً على مركز البيانات، مما يدعم فرضية اعتدالية التوزيع.
• حالة التشويه واللاتناظر: إذا كان هناك فارق جوهري وكبير بين القيمتين (مثلاً: المتوسط الأصلي = $58.50$ والمتوسط المبتور = $48.30$)، فإن هذا التباعد ينبه الباحث فوراً إلى أن الأطراف المتطرفة تسحب المتوسط بقوة وتخل بالاعتدالية، مما يستوجب فحص القيم الشاذة فوراً.

10.2 دمج المؤشرات الرقمية والبصرية في تقييم متماسك

لا يجوز في المنهجية الإحصائية المتقدمة حسم قرار اعتدالية البيانات بالاعتماد على مؤشر منفرد بمعزل عن بقية المؤشرات. يتطلب التقييم المهني الرصين بناء مصفوفة اتخاذ قرار تكاملية تدمج الفحوصات الوصفية والبصرية والاستدلالية كما يوضح الجدول التالي:

الأداة / المؤشر	معيار الدلالة على الاعتدالية (Normality)	الاستنتاج عند الانتهاك
الالتواء (Skewness)	القيمة بين $[-1.0 \text{ إلى } +1.0]$، ودرجة $Z_{Skew} < \pm 1.96$	التواء موجب (يميني) أو سالب (يساري) يخل بتماثل التوزيع.
التفرطح (Kurtosis)	القيمة بين $[-1.0 \text{ إلى } +1.0]$، ودرجة $Z_{Kurt} < \pm 1.96$	تفرطح مدبب (قمة حادة) أو مفلطح (قمة عريضة ومشتتة).
المتوسط المبتور (5% Trimmed Mean)	تقارب شديد وتطابق نسبي مع المتوسط الحسابي الأصلي	وجود قيم متطرفة تسحب مركز البيانات نحو أحد الأطراف.
المدرج التكراري (Histogram)	تطابق الأعمدة مع منحنى الجرس الطبيعي المتناظر	تشوه في شكل التوزيع، فجوات، أو وجود قمتين (Bimodal).
مخطط Normal Q-Q Plot	اصطفاف النقاط باستقامة تامة فوق الخط القطري 45°	انحناء قوسي أو التواء على شكل “S” يشير لخلل التوزيع.
مخطط الصندوق (Boxplot)	توسط خط الوسيط وتناظر الطرفين وانعدام الدوائر والنجوم	وجود قيم شاذة ($circ$) أو متطرفة قصوى ($ast$) تشوه البيانات.
اختبار شابيرو-ويلك (Shapiro-Wilk)	قيمة الدلالة الإحصائية $\text{Sig.} (p) > 0.05$	رفض التوزيع الطبيعي دال إحصائياً ($p le 0.05$).

قاعدة اتخاذ القرار النهائي:
إذا أظهرت الرسوم البيانية (Q-Q Plot والمدرج التكراري) استقامة واضحة وتطابقاً معقولاً، وكانت قيم الالتواء والتفرطح ضمن الحدود المقبولة ($\pm 1.5$)، يمكن للباحث الاطمئنان لاستخدام الاختبارات المعلمية حتى لو كانت قيمة شابيرو-ويلك دالة إحصائياً ($p 100$). أما إذا تزامن خلل المخططات البيانية مع انحراف الالتواء والدلالة الإحصائية لاختبار شابيرو-ويلك، يصبح الانتقال للبدائل الإحصائية واجباً منهجياً لا يقبل الشك.

10.3 صياغة وتوثيق نتائج فحص التوزيع الطبيعي وفق معايير APA

يتطلب دليل النشر العلمي الصادر عن الجمعية الأمريكية لعلم النفس في طبعته السابعة (APA 7th Edition) توثيقاً دقيقاً وموجزاً ومكتملاً لكافة خطوات فحص الافتراضات الإحصائية في قسم النتائج (Results Section). يجب تضمين أسماء الاختبارات، وقيم الإحصاءات المحسوبة، ودرجات الحرية، والقيم الاحتمالية الدقيقة ($p$-values)، بالإضافة إلى المؤشرات الوصفية للالتواء والتفرطح.

نموذج كتابي تطبيقي عند تحقق اعتدالية البيانات:

“تم فحص افتراض التوزيع الطبيعي لدرجات التحصيل الدراسي قبل تطبيق التحليلات الإحصائية المعلمية. أظهر الفحص البصري لمخططات الاحتمال الطبيعي (Normal Q-Q Plot) والمدرج التكراري اصطفافاً متناظراً للدرجات حول المنحنى الطبيعي. كما وقعت قيم الالتواء ($Skewness = 0.24, SE = 0.22$) والتفرطح ($Kurtosis = -0.38, SE = 0.44$) ضمن الحدود المعيارية المقبولة ($\pm 1.0$). وأكدت نتائج اختبار شابيرو-ويلك اعتدالية توزيع البيانات وعدم وجود فروق ذات دلالة إحصائية عن التوزيع الطبيعي، $W(120) = 0.988, p = .345$. وبناءً على استيفاء شرط الاعتدالية، تم استخدام اختبار (t) للعينات المستقلة لاختبار فرضيات الدراسة.”

نموذج كتابي تطبيقي عند انتهاك افتراض التوزيع الطبيعي:

“أشارت نتائج الفحص الإحصائي لافتراض اعتدالية البيانات لمتغير القلق السريري إلى انتهاك واضح للتوزيع الطبيعي؛ حيث أظهر اختبار شابيرو-ويلك انحرافاً دالاً إحصائياً عن الاعتدالية، $W(45) = 0.812, p < .001$. وعززت المؤشرات الوصفية هذا الانتهاك بوجود التواء موجب حاد ($Skewness = 2.18, SE = 0.35$) وتفرطح مدبب ($Kurtosis = 4.62, SE = 0.69$)، كما كشف مخطط الصندوق عن وجود قيم متطرفة قصوى. وبناءً على هذه النتائج، تقرر استخدام اختبار مان-ويتني (Mann-Whitney U Test) كبديل لامعلمي لاختبار الفروق بين المجموعتين."

11. الحلول المنهجية والإحصائية عند انتهاك افتراض التوزيع الطبيعي

11.1 تحويل البيانات الرياضي (Data Transformation) في SPSS

يمثل تحويل البيانات (Data Transformation) أحد الحلول الإحصائية الرياضية الكلاسيكية لعلاج عدم الاعتدالية؛ حيث يتم تطبيق دالة رياضية موحدة على كافة الدرجات الخام بهدف إعادة تشكيل التوزيع وتقليص المسافات المتباعدة بين القيم المتطرفة وضغط الذيول الطويلة لتقريبها من خصائص التوزيع الطبيعي، دون الإخلال بالترتيب النسبي لأفراد العينة.

تعتمد صيغة التحويل الرياضي المناسبة على شكل وطبيعة الالتواء الملاحظ في مخرجات الفحص الأولي:

• التحويل اللوغاريتمي (Log Transformation): يُعتبر العلاج الأكثر فعالية لحالات **الالتواء الموجب الحاد أو الشديد**. يتم تطبيقه عبر لوغاريتم الأساس 10 (LG10) أو اللوغاريتم الطبيعي (LN). إذا كانت البيانات تحتوي على قيم صفرية، يجب إضافة قيمة ثابتة (عادة $+1$) قبل التحويل. في SPSS عبر مسار Transform > Compute Variable نكتب المعادلة: Compute Log_Var = LG10(Original_Var + 1).
• تحويل الجذر التربيعي (Square Root Transformation): يُستخدم في حالات **الالتواء الموجب المعتدل أو الخفيف**، وكثيراً ما يناسب بيانات التكرارات والأعداد. صيغته في SPSS: Compute Sqrt_Var = SQRT(Original_Var).
• تحويل مقلوب القيمة (Reciprocal Transformation): يُطبق في حالات **الالتواء الموجب المتطرف جداً**، وصيغته: Compute Inv_Var = 1 / (Original_Var).
• علاج الالتواء السالب (Negative Skewness): يتطلب الالتواء السالب خطوة تمهيدية تُسمى “عكس المتغير” (Reflect) قبل تطبيق الدوال السابقة؛ حيث يتم طرح كافة درجات المفحوصين من قيمة ثابتة تعادل (أعلى درجة في المقياس + 1) لتحويل الالتواء السالب إلى التواء موجب مؤقتاً، ثم تطبيق دالة اللوغاريتم أو الجذر التربيعي عليه: Compute Log_Reflect = LG10((Max_Value + 1) - Original_Var).

بعد إجراء أي تحويل رياضي، يجب على الباحث **إعادة تشغيل إجراء فحص الاعتدالية بالكامل** على المتغير الجديد المحول للتأكد من نجاح التحويل في استعادة الاعتدالية قبل تنفيذ الاختبارات المعلمية.

11.2 استخدام الاختبارات اللامعلمية كبدائل مباشرة للاختبارات المعلمية

إذا فشلت عمليات التحويل الرياضي في تصحيح التوزيع، أو إذا كان الباحث يفضل تجنب صعوبات تفسير الدرجات المحولة في مناقشة النتائج، فإن الخيار المنهجي الأكثر أماناً وموثوقية هو الانتقال الفوري إلى **الاختبارات الإحصائية اللامعلمية (Nonparametric Tests)**. تتميز هذه الاختبارات بأنها حرة التوزيع ولا تضع أي شروط صارمة حول اعتدالية مجتمع الدراسة، وتعتمد في حساباتها على تحويل الدرجات الخام إلى رتب ترتيبية (Ranks).

يوضح الدليل التالي البدائل اللامعلمية المباشرة لكل اختبار معلمي في برنامج SPSS:

• بديل اختبار “ت” لعينة واحدة (One-Sample t-test): يُستبدل باختبار **ويلكوكسون للإشارة والرتب لعينة واحدة (Wilcoxon Signed-Rank Test for Single Sample)**.
• بديل اختبار “ت” للعينات المستقلة (Independent Samples t-test): يُستبدل باختبار **مان-ويتني (Mann-Whitney U Test)**، والذي يقارن بين مجموع رتب المجموعتين المستقلتين بدلاً من مقارنة المتوسطات.
• بديل اختبار “ت” للعينات المترابطة (Paired Samples t-test): يُستبدل باختبار **ويلكوكسون للمجموعات المرتبطة (Wilcoxon Signed-Rank Test for Paired Samples)**.
• بديل تحليل التباين الأحادي (One-Way ANOVA): يُستبدل باختبار **كروسكال-واليس (Kruskal-Wallis H Test)** عند المقارنة بين ثلاثة مجموعات مستقلة أو أكثر.
• بديل تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA): يُستبدل باختبار **فريدمان (Friedman Test)**.
• بديل معامل ارتباط بيرسون (Pearson Correlation): يُستبدل بـ معامل ارتباط الرتب لسبيرمان (Spearman’s Rho) أو معامل كيندال للارتباط الرتبي (Kendall’s Tau-b).

11.3 تقنية إعادة المعاينة والتوليد الذاتي (Bootstrapping) في SPSS

تُمثل تقنية إعادة المعاينة والتوليد الذاتي (Bootstrapping) قمة التطور المنهجي في الإحصاء الحسابي المعاصر؛ حيث توفر حلاً جذرياً وقوياً لمشكلة انتهاك التوزيع الطبيعي **دون الحاجة لتحويل البيانات الأصلية ودون الاضطرار للتنازل عن الاختبارات المعلمية القوية** والانتقال للأساليب اللامعلمية.

تقوم فكرة البوتسترابينج على التعامل مع عينة البحث الحالية باعتبارها “مجتمعاً بديلاً مصغراً”؛ حيث يقوم برنامج SPSS بسحب آلاف العينات العشوائية التكرارية الجديدة (مثلاً: 1,000 إلى 5,000 عينة بوتسترابية) من داخل العينة الأصلية بالاعتماد على أسلوب الإحلال والتبديل (Sampling with Replacement). يقوم البرنامج بحساب المعلمة المستهدفة (كالفروق بين المتوسطات أو معاملات الانحدار) لكل عينة مسحوبة، ومن ثم بناء “توزيع تجريبي تجريبي تجريبي تجريبي تجريبي تجريبي تجريبي معايني” حقيقي ومباشر للمعلمة دون افتراض أي توزيع مسبق.

خطوات تفعيل Bootstrapping في SPSS:

• داخل أي نافذة تحليل معلمي (مثل: Independent-Samples T Test أو Linear Regression أو Compare Means)، انقر على زر Bootstrap… المتاح في القائمة الجانبية.
• ضع علامة صح داخل مربع Perform bootstrapping.
• حدد عدد عينات إعادة السحب في خانة Number of samples: (يُوصى أكاديمياً بإدخال $1000$ أو $2000$).
• اختر طريقة حساب فترات الثقة؛ ويُفضل تحديد Bias-corrected accelerated (BCa) لأنها الطريقة الأكثر دقة في تصحيح التواء وتحيز العينات.
• اضغط على Continue ثم نفذ التحليل.

في جدول المخرجات، سيقدم SPSS فترات ثقة معدلة بوتسترابياً (BCa 95% Confidence Intervals). إذا كانت فترة الثقة للفروق بين المجموعتين لا تشمل الصفر الحسابي بين حدها الأدنى (Lower) وحدها الأعلى (Upper)، فإن الفروق تُعد دالة إحصائياً وموثوقة تماماً عند مستوى $\alpha = 0.05$، حتى وإن كانت البيانات الأصلية تنتهك التوزيع الطبيعي انتهاكاً جسيماً.

12. أخطاء شائعة وأفضل الممارسات العملية في اختبار التوزيع الطبيعي

12.1 المفاهيم الخاطئة حول فحص التوزيع الطبيعي في البحوث النفسية

يقع الكثير من الباحثين وطلبة الدراسات العليا في أخطاء منهجية شائعة نتيجة الفهم الناقص لفلسفة افتراضات التوزيع الطبيعي في البرمجيات الإحصائية. من أبرز هذه المفاهيم الخاطئة:

• الخلط بين اعتدالية المجتمع واعتدالية العينة: يظن البعض أن التوزيع الطبيعي يجب أن يتوفر في كل عينة صغيرة بصورة مثالية، متناسين أن الانحرافات الطفيفة في العينات الصغيرة ناتجة عن التباين العشوائي للمعاينة، وأن نظرية النهاية المركزية تحمي الاستدلالات في العينات الكبيرة.
• فحص المتغير التابع مجملاً بدلاً من فحص المجموعات: من الأخطاء الكارثية في تصميمات المقارنة بين المجموعات (كالمجموعة التجريبية والضابطة) إجراء اختبار الاعتدالية على المتغير التابع لكامل العينة دفعة واحدة. قد يبدو التوزيع ككل غير معتدل أو ثنائي القمة لمجرد وجود فارق تجريبي كبير بين المجموعتين، في حين أن البيانات تتوزع طبيعياً بامتياز داخل كل مجموعة على حدة. يجب دوماً فحص الاعتدالية داخل كل خلية تجريبية بشكل مستقل عبر Factor List.
• التعامل مع المتغيرات المستقلة التصنيفية: يحاول بعض المبتدئين فحص اعتدالية المتغيرات المستقلة الاسمية (كالنوع أو التخصص الدراسي)؛ التوزيع الطبيعي يُشترط **فقط في المتغيرات التابعة الكمية المتصلة (Scale Variables)** ولا ينطبق إطلاقاً على المتغيرات التصنيفية.
• الاعتماد الأحادي على الدلالة الرقمية ($p$-value): الاكتفاء بنتيجة اختبار شابيرو-ويلك وتجاهل الفحص البصري للمخططات البيانية وسياق حجم العينة.

12.2 اعتدالية البواقي (Residuals Normality) في الانحدار الخطي المتعدد

من أكثر الأخطاء شيوعاً في أبحاث النمذجة والانحدار الخطي المتعدد (Multiple Linear Regression) قيام الباحث بفحص اعتدالية المتغيرات التابعة أو المتغيرات المنبئة (المستقلة) في صورتها الخام قبل التحليل. الحقيقة الإحصائية الصارمة تنص على أن: **نماذج الانحدار لا تشترط التوزيع الطبيعي للمتغيرات الأصلية الخام، بل تشترط التوزيع الطبيعي لبواقي النموذج وأخطاء التنبؤ (Residuals / Prediction Errors)**.

البواقي ($e_i$) هي الفوارق بين القيم الفعلية الملاحظة للمتغير التابع والقيم المقدرة المتوقعة بالنموذج الانحداري ($e_i = Y_i – \hat{Y}_i$). للتحقق من اعتدالية البواقي بدقة واحترافية داخل SPSS:

1. من القائمة الرئيسية، توجه إلى: Analyze > Regression > Linear....
2. انقل المتغير التابع إلى Dependent: والمتغيرات المنبئة إلى Independent(s):.
3. انقر على زر Plots… في الجانب الأيمن.
4. في قسم Standardized Residual Plots، قم بتفعيل خيارين أساسيين:
   • Histogram (لعرض مدرج تكراري للبواقي المعيارية).
   • Normal probability plot (لعرض مخطط P-P Plot للبواقي المعيارية ومطابقتها مع الخط القطري).
5. انقر أيضاً على زر Save… وفعل خيار Standardized Residuals إذا كنت ترغب في حفظ البواقي كعمود جديد في ملف البيانات لإجراء اختبار شابيرو-ويلك عليها عبر قائمة Explore.
6. اضغط Continue ثم OK.

إذا أظهر مخطط الاحتمال الطبيعي للبواقي استقامة النقاط فوق الخط المائل، فإن نموذج الانحدار يستوفي افتراض الاعتدالية بالكامل، وتكون تقديرات معلمات الانحدار ($B$ و $\beta$) واختبارات الدلالة ($t$-tests &$F$-test) صحيحة ودقيقة وصالحة للتعميم، حتى وإن كانت المتغيرات الأصلية الخام غير معتدلة.

12.3 قائمة التحقق الإرشادية للباحث الإحصائي قبل اعتماد التحليلات النهائية

لضمان أعلى معايير الشفافية الأكاديمية وإمكانية تكرار النتائج (Replicability)، ينبغي على كل باحث مراجعة قائمة التحقق المنهجية التالية قبل اعتماد التحليلات الإحصائية النهائية وكتابة التقرير البحثي:

• [ ] فحص مصفوفة البيانات: هل تم ضبط نوع المتغيرات التابعة على Numeric ومستوى القياس على Scale؟ وهل تم تعريف القيم المفقودة صراحة؟
• [ ] التدقيق الوصفي الأولي: هل تقع قيم الالتواء والتفرطح للمتغيرات التابعة ضمن النطاق المقبول ($\pm 1.0$ أو $\pm 1.96$ للدرجات المعيارية)؟ وهل يقترب المتوسط المبتور (5% Trimmed Mean) من المتوسط الحسابي؟
• [ ] فحص القيم الشاذة والمتطرفة: هل تم توليد مخططات الصندوق (Boxplots) وفحص الحالات التي تحمل الرموز ($circ$) و ($ast$) والتعامل معها منهجياً؟
• [ ] الفحص البصري للاعتدالية: هل تم فحص المدرجات التكرارية (Histograms) ومخططات الاحتمال الطبيعي (Normal Q-Q Plots) للتأكد من انتظام النقاط حول الخط المرجعي؟
• [ ] فحص الاختبارات الاستدلالية: هل تم إجراء اختبار شابيرو-ويلك (للعينات $N < 300$) أو كولموجوروف-سميرنوف مع تصحيح ليليفورس، وتقييم القيمة الاحتمالية ($p$-value) في ضوء حجم العينة؟
• [ ] تحديد طبيعة الفحص: هل تم فحص اعتدالية المتغيرات داخل كل مجموعة تجريبية بشكل منفصل في اختبارات المقارنات؟ وهل تم فحص اعتدالية البواقي (Residuals) في نماذج الانحدار؟
• [ ] خطة المعالجة المنهجية: في حال انتهاك الاعتدالية، هل تم اتخاذ قرار علمي مبرر باللجوء إلى التحويل الرياضي، أو الاختبارات اللامعلمية، أو تفعيل تقنية إعادة المعاينة (Bootstrapping)؟
• [ ] التوثيق وفق معايير APA: هل تمت كتابة نتائج الفحص وتضمين قيم الإحصاءات ودرجات الحرية والقيم الاحتمالية الدقيقة في نص تقرير النتائج بوضوح وموضوعية؟

خاتمة

إن التحقق من اعتدالية البيانات ليس مجرد إجراء روتيني أو خطوة شكلية تسبق التحليل الإحصائي، بل هو صمام الأمان المنهجي الذي يضمن سلامة البناء الاستدلالي للبحوث العلمية في العلوم النفسية والسلوكية والطبية والاجتماعية. لقد أثبتت الممارسات الإحصائية المتقدمة أن الاعتماد الحصري على مؤشر وحيد—سواء كان فحصاً بصرياً انطباعياً أو قيمة احتمالية صارمة لاختبار استدلالي—قد يقود الباحث إلى قرارات مضللة إما بالإفراط في رفض الاعتدالية أو التساهل غير المبرر في قبولها.

يتطلب التحليل الإحصائي الرصين تبني مقاربة تكاملية تجمع بين الفحص الاستكشافي الوصفي لمؤشرات الالتواء والتفرطح والمتوسط المبتور، والتدقيق البصري العميق في مخططات الاحتمال الطبيعي الربيعية (Q-Q Plots) ومخططات الصندوق لكشف القيم الشاذة، والاستئناس بنتائج اختبارات الدلالة كاختبار شابيرو-ويلك مع مراعاة تأثيرات حجم العينة ونظرية النهاية المركزية. إن استيعاب هذه الأدوات وتطبيقها الاحترافي عبر برنامج SPSS، واتخاذ الإجراءات العلاجية المناسبة كالتحويلات الرياضية أو تقنيات التوليد الذاتي (Bootstrapping) عند انتهاك الافتراضات، يمثل الضمانة الأساسية لتقديم نتائج بحثية تتمتع بأعلى درجات الصدق والموثوقية العلمية وقابلية النشر في المجلات العالمية المرموقة.

المراجع

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cramer, D., & Howitt, D. (2004). The Sage dictionary of statistics: A practical resource for students in the social sciences. SAGE Publications. https://doi.org/10.4135/9780857020123
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• George, D., & Mallery, P. (2020). IBM SPSS Statistics 26 step by step: A simple guide and reference (16th ed.). Routledge. https://doi.org/10.4324/9780429056765
• Ghasemi, A., & Zahediasl, S. (2012). Normality tests for statistical analysis: A guide for non-statisticians. International Journal of Endocrinology and Metabolism, 10(2), 486–489. https://doi.org/10.5812/ijem.3505
• IBM Corporation. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
• Lilliefors, H. W. (1967). On the Kolmogorov-Smirnov test for normality with mean and variance unknown. Journal of the American Statistical Association, 62(318), 399–402. https://doi.org/10.1080/01621459.1967.10482916
• Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS (7th ed.). Open University Press. https://doi.org/10.4324/9781003117452
• Razali, N. M., & Wah, Y. B. (2011). Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics, 2(1), 21–33.
• Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611. https://doi.org/10.2307/2333709
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.