معامل ارتباط بيرسون

تُعد دراسة العلاقات بين الظواهر والمتغيرات جوهر البحث العلمي في مختلف الميادين المعرفية، لا سيما في العلوم السلوكية والنفسية والاجتماعية والبيولوجية؛ حيث تسعى هذه العلوم إلى كشف الأنماط المنتظمة وتفسير التباين المشترك بين الخصائص والسمات المختلفة. وفي هذا الإطار النظري والمنهجي، يبرز معامل ارتباط بيرسون (Pearson Correlation Coefficient) كأحد أقدم وأهم الركائز الإحصائية المعلمية (البارامترية) التي وضعت الأساس المتين للقياس الكمي والنمذجة الرياضية للعلاقات الخطية الثنائية.

يمثل هذا المقياس الإحصائي، المعروف تقنياً باسم «معامل ارتباط عزم المنتج لبيرسون» (Pearson Product-Moment Correlation Coefficient)، أداة تحليلية بالغة الدقة تهدف إلى تقييم درجة واتجاه الاقتران الخطي بين متغيرين كميين مستمرين. ولا تقتصر أهمية المعامل على مجرد وصف الارتباط بين مجموعتين من البيانات، بل تمتد لتشكل النواة الأساسية التي بُنيت عليها نظريات القياس النفسي المتقدمة (Psychometrics)، وتحليلات الانحدار الخطي، والتحليل العاملي الاستكشافي والتوكيدي، فضلاً عن مساهمته المحورية في اختبار الفرضيات التنبؤية في الأبحاث المعاصرة.

يقدم هذا المرجع الأكاديمي الشامل دراسة مستفيضة لمعامل ارتباط بيرسون تغطي أبعاده المفاهيمية والتاريخية والرياضية، وتستعرض شروطه وافتراضاته المنهجية بدقة بالغة. كما يوضح المقال خطوات الحساب اليدوي والبرمجي عبر الأدوات الإحصائية الحديثة، متناولاً التفسيرات السيكومترية، والمعضلات الإحصائية كالمفارقات والارتباطات الزائفة، وصولاً إلى معايير التوثيق الأكاديمي وفق أحدث أدلة النشر العلمي العالمية.

1. المدخل التعريفي والتاريخي لمعامل ارتباط بيرسون

1.1 التعريف الاصطلاحي والإحصائي لمعامل بيرسون

يُعرف معامل ارتباط بيرسون، ويرمز له إحصائياً بالحرف اللاتيني الصغير (r) عند حسابه من عينة وبالرمز الإغريقي رو (ρ) عند التعبير عنه كمعلمة في المجتمع الإحصائي، بأنه مقياس معلمي يقيس القوة والاتجاه للعلاقة الخطية بين متغيرين متصلين يتبعان مستوى قياس كمي (فترة أو نسبة). ويعود مصطلح «عزم المنتج» (Product-Moment) إلى الطريقة الرياضية المتبعة في حسابه، والتي تعتمد على إيجاد العزم المشترك لانحرافات القيم عن متوسطاتها الحسابية، وهو ما يجسد جوهر مفهوم التغاير بين المتغيرين مقيساً بوحدات الانحراف المعياري المشترك.

تكمن الميزة الرياضية الأبرز لمعامل بيرسون في كونه مقياساً معيارياً لا بُعدياً (Dimensionless Measure)؛ مما يعني أنه يتجرد تماماً من وحدات القياس الأصلية للمتغيرات قيد الدراسة. فسواء قمنا بقياس الطول بالأمتار أو البوصات، والوزن بالكيلوغرامات أو الأرطال، أو السمات النفسية كالذكاء والقلق بالدرجات المعيارية أو التائية، فإن قيمة معامل الارتباط تظل ثابتة ومحصورة بدقة رياضية صارمة في المدى المغلق بين [-1.00 و +1.00]. وتعكس القيمة (+1.00) وجود علاقة خطية طردية موجبة تامة، بينما تعكس القيمة (-1.00) علاقة خطية عكسية سالبة تامة، وتشير القيمة (0.00) إلى الغياب التام لأي ارتباط خطي بين المتغيرين.

يكتسب هذا المقياس أهمية استثنائية في بحوث العلوم الإنسانية والسلوكية، حيث يعمل كأداة استكشافية وتنبؤية تتيح للباحثين فهم الروابط الكامنة بين البناءات النفسية (Psychological Constructs). فعلى سبيل المثال، يساعد المعامل في اختبار ما إذا كانت المستويات المرتفعة من المرونة النفسية تقترن بانخفاض متزامن في درجات الاحتراق النفسي، أو ما إذا كان التحصيل الأكاديمي يرتبط ارتباطاً وثيقاً بفاعلية الذات الأكاديمية، مما يمهد الطريق لتطوير التدخلات العلاجية والتربوية المستندة إلى الأدلة الرقمية الرصينة.

1.2 الجذور التاريخية وتطور المقياس عبر فرانسيس جالتون وكارل بيرسون

تعود الجذور المعرفية الأولى لمفهوم الارتباط الإحصائي إلى الربع الأخير من القرن التاسع عشر، وتحديداً من خلال الأعمال الرائدة للعالم الإنجليزي الموسوعي سير فرانسيس جالتون (Francis Galton). خلال دراساته حول توارث السمات الجسدية والنفسية عبر الأجيال—مثل توارث قامات الآباء إلى الأبناء وحجم البذور في النباتات—لاحظ جالتون ظاهرة إحصائية محورية أطلق عليها في البداية اسم «الانحدار نحو المتوسط» (Regression toward Mediocrity). ومن خلال تحليله للبيانات البيولوجية، طور جالتون فكرة «الارتباط المشترك» وصاغ المفهوم الأولي لمعامل التراجع المشترك.

ومع ذلك، واجهت صياغة جالتون قيوداً رياضية حالت دون تعميمها الشامل، حتى تولى تلميذه وصديقه المقرب، عالم الرياضيات والإحصاء البارز كارل بيرسون (Karl Pearson)، مهمة إعادة هيكلة هذا المفهوم على أسس جبرية وتفاضلية دقيقة. وفي عام 1895، قدم بيرسون صياغته الرياضية الرسمية لمعامل ارتباط عزم المنتج في بحث تاريخي قُدم للجمعية الملكية البريطانية. قام بيرسون بدمج مفاهيم العزوم الإحصائية ونظرية الأخطاء والانحراف المعياري، مما منح القانون الرياضي صورته الدقيقة المعترف بها اليوم في شتى المحافل الأكاديمية.

شهد القرن العشرين انتقال معامل بيرسون من أروقة الأبحاث البيولوجية والتطورية إلى صميم العلوم النفسية وحركات القياس السيكومتري الوليدة. فقد استند رواد علم النفس الأوائل، مثل تشارلز سبيرمان وإدوارد ثورندايك، إلى معادلة بيرسون لتطوير نظريات الذكاء، وبناء أدوات تقييم القدرات العقلية، وتأسيس علم النفس التجريبي والقياس النفسي. ومثّل هذا التحول نقلة إبستمولوجية حاسمة في تاريخ العلوم السلوكية؛ حيث تحول علم النفس من الفلسفة التأملية إلى علم استدلالي كمي يستند إلى اختبار الفرضيات عبر قياس العلاقات المتشابكة بين الظواهر السلوكية بصورة تجريبية منضبطة.

1.3 الموقع الإحصائي لمعامل بيرسون ضمن تصنيفات الإحصاء المعلمي

يندرج معامل ارتباط بيرسون بصورة أساسية ضمن منظومة «الإحصاء البارامتري» أو المعلمي (Parametric Statistics)، وهي فئة من الأساليب الإحصائية المتقدمة التي تشترط توفر خصائص ومعالم محددة في بيانات المجتمع الإحصائي المسحوبة منه العينة. وتتميز المقاييس البارامترية بقدرتها الفائقة على استغلال كافة المعلومات الرقمية المتاحة في البيانات، بما في ذلك المتوسطات الحسابية والفروق الدقيقة بين الدرجات، مما يمنحها قوة إحصائية (Statistical Power) أعلى مقارنة بالاختبارات غير المعلمية (اللارتبية).

يبرز التمايز المنهجي الجوهري بين مقاييس الارتباط البارامترية ومقاييس الارتباط اللابارامترية—مثل معامل ارتباط الرتب لسبيرمان ومعامل كيندال—في نوعية البيانات المعالجة والافتراضات المشترطة. فبينما يكتفي الإحصاء اللابارامتري بالرتب الترتيبية ولا يفترض توزيعاً انتقالياً معتدلاً للمتغيرات، يتطلب معامل بيرسون بيانات كمية مستمرة على مقياس الفترات المتساوية أو النسب، فضلاً عن افتراض التوزيع الطبيعي ثنائي المتغير والتجانس، مما يجعله أكثر حساسية واستجابة للفروق الفردية الحقيقية بين الأفراد.

علاوة على ذلك، لا يعد معامل ارتباط بيرسون مجرد نهاية لتحليل وصفي ثنائي، بل هو اللبنة البنائية الأولى (Building Block) لسلسلة واسعة من التحليلات الإحصائية متعددة المتغيرات. فمصفوفة ارتباطات بيرسون هي المادة الخام التي تنطلق منها نماذج الانحدار الخطي البسيط والمتعدد، وهي الأساس الحسابي لاشتقاق العوامل الكامنة في التحليل العاملي، ونماذج المعادلات البنائية (SEM)، وتحليل المسار، مما يجعله أداة لا غنى عنها في بنية البحث الكمي المعاصر.

2. الأسس الرياضية والنظرية لصياغة معامل ارتباط بيرسون

2.1 مفهوم التغاير (Covariance) والعلاقة المشتركة بين المتغيرات

لفهم البنية الرياضية لمعامل ارتباط بيرسون، يتعين أولاً تفكيك المفهوم الإحصائي التأسيسي المعروف باسم «التغاير» (Covariance)، والذي يرمز له بالرمز Cov(X, Y) أو S_xy. يمثل التغاير القيمة الرياضية التي تقيس الدرجة التي يتغير بها متغيران معاً في نفس الوقت، ويُحسب إحصائياً بأنه متوسط حواصل ضرب انحرافات قيم المتغيرين عن متوسطيهما الحسابيين في العينة المدروسة، وفق المعادلة التالية:

Cov(X, Y) = Σ[(X_i – X̄)(Y_i – Ȳ)] / (N – 1)

عندما تكون انحرافات الأفراد الإيجابية عن متوسط المتغير X مقترنة بانحرافات إيجابية عن متوسط المتغير Y، وانحرافاتهم السلبية في X مقترنة بانحرافات سلبية في Y، فإن حاصل الضرب يكون موجباً، مما يعطي قيمة تغاير إيجابية. والعكس صحيح في حالة التغاير السلبي. بيد أن الإشكالية المنهجية الكبرى في الاعتماد على التغاير منفرداً كمقياس للارتباط تكمن في كونه مقياساً «غير معياري» يتأثر بصورة مباشرة ومطلقة بوحدات القياس المستخدمة. فإذا تغيرت وحدة قياس أحد المتغيرين (من متر إلى مليمتر مثلاً)، فإن قيمة التغاير ستتضاعف ألف مرة دون أن تتغير طبيعة العلاقة الفعلية بين المتغيرين.

تغلب كارل بيرسون على هذا القصور الرياضي من خلال ابتكار عملية «المعايرة القياسية» (Standardization) للتغاير؛ حيث قام بقسمة قيمة التغاير المشترك بين المتغيرين على حاصل ضرب الانحرافين المعياريين لهذين المتغيرين (S_x × S_y). وتؤدي هذه القسمة إلى تحييد وحدات القياس تحييداً رياضياً مطلقاً، وتحويل القيمة الناتجة إلى مقياس نسبي نقي محصور بين -1 و +1 يجسد قوة الارتباط المجردة.

2.2 الصيغ الرياضية المختلفة لحساب معامل بيرسون (r)

تتعدد الصيغ الجبرية المستخدمة في اشتقاق وحساب معامل ارتباط بيرسون لتسهيل التطبيق اليدوي أو البرمجي، غير أن هذه الصيغ جميعها متكافئة رياضياً وتؤدي حتماً إلى النتيجة الإحصائية ذاتها. ويمكن تقسيم هذه الصيغ إلى ثلاث صيغ رئيسية متعارف عليها في الأدبيات الإحصائية:

• صيغة درجات الانحراف (Deviation Score Formula): وتعتبر الصيغة النظرية الأكثر وضوحاً في التعبير عن منطق التباين المشترك، حيث تبرز بوضوح نسبة التغاير المعياري:
  
  r = Σ[(X – X̄)(Y – Ȳ)] / √[Σ(X – X̄)² × Σ(Y – Ȳ)²]
• صيغة الدرجات الخام (Raw Score Formula / Computational Formula): وهي الصيغة الأكثر استخداماً في العمليات الحسابية اليدوية وتصميم الخوارزميات الحاسوبية، نظراً لأنها تتجنب التعامل مع الكسور العشرية الناتجة عن حساب المتوسطات الحسابية أثناء حساب الانحرافات:
  
  r = [NΣXY – (ΣX)(ΣY)] / √{[NΣX² – (ΣX)²][NΣY² – (ΣY)²]}
• صيغة الدرجات المعيارية (Z-Score Formula): وهي الصيغة الأكثر أناقة وبساطة من الناحية المفاهيمية؛ إذ تُعرف معامل الارتباط بأنه متوسط حاصل ضرب الدرجات المعيارية (Z_x و Z_y) للحالات الفردية مقسوماً على درجات الحرية:
  
  r = Σ(Z_x × Z_y) / (N – 1)

تثبت البرهنة الجبرية التكافؤ التام بين هذه الصيغ الثلاث؛ فالانتقال من صيغة الدرجات المعيارية إلى صيغة الدرجات الخام يمثل مجرد فك رياضي لتعريف الدرجة المعيارية Z = (X – X̄) / S_x وتعويض قانون الانحراف المعياري داخل المعادلة. ويبرهن هذا التكافؤ الرياضي الصارم على صلابة الأساس النظري لمعامل بيرسون، موضحاً أنه يرتكز في جوهره على قياس التباين المشترك بعد إزالة أثر المتوسطات والشتات الخاص بكل مقياس على حدة.

2.3 الخصائص الجبرية والتحويلات الخطية

يتميز معامل ارتباط بيرسون بمجموعة من الخصائص الجبرية الدقيقة التي تجعله مقياساً فائق الحصانة ضد بعض التحويلات الرياضية، بينما يتأثر بتحويلات أخرى بصورة منظمة ومنطقية. من أبرز هذه الخصائص خاصية «عدم التأثر بالتحويلات الخطية الموجبة» (Invariance under Positive Linear Transformations). فإذا أضفنا أو طرحنا مقداراً ثابتاً (Constant c) من درجات أحد المتغيرين أو كليهما، أو ضربنا وقسمنا الدرجات على ثابت موجب، فإن قيمة المعامل r تظل ثابتة تماماً دون أي تغيير.

ويرجع هذا الثبات الرياضي إلى أن إضافة مقدار ثابت تؤثر فقط على موقع المتوسط الحسابي ولا تغير قيم الانحرافات (X – X̄)، في حين أن الضرب في ثابت موجب يؤدي إلى تضخيم التغاير في البسط بنفس النسبة الرياضية التي يتضخم بها حاصل ضرب الانحرافات المعيارية في المقام، فيحدث اختزال رياضي يحافظ على ثبات قيمة r. بيد أنه في حال ضرب أحد المتغيرين في ثابت سالب، فإن القيمة المطلقة لمعامل الارتباط تظل ثابتة بينما تنعكس إشارته الرياضية من موجب إلى سالب (أو العكس)، كنتيجة مباشرة لانقلاب اتجاه الترتيب الرقمي للمتغير المعدل.

تتمثل الخاصية الجبرية الجوهرية الأخرى في خاصية «التماثل الرياضي» (Symmetry)؛ حيث يطابق معامل ارتباط المتغير X بالمتغير Y تماماً معامل ارتباط Y بالمتغير X، أي أن r_xy = r_yx. وتثبت هذه الخاصية أن معامل بيرسون يقيس الاقتران الخطي المتبادل بين المتغيرين دون تحديد لأي اتجاه سببي أو تبعية إجرائية لأحدهما على الآخر، مما يجعله مختلفاً جوهرياً عن معاملات الانحدار الخطي التي تختلف قيمتها باختلاف المتغير التابع والمستقل.

3. الافتراضات والشروط المنهجية لتطبيق معامل ارتباط بيرسون

3.1 مستوى قياس المتغيرات (مستوى الفترة والنسبة)

يشترط التحليل الإحصائي الصحيح لمعامل ارتباط بيرسون أن تكون البيانات المجمعة مقاسة على مستوى مقاييس المسافة المتساوية (Interval Scales) أو مقاييس النسبة (Ratio Scales). تفترض هذه المستويات الكمية أن المسافات بين النقاط الرقمية المتتالية متساوية تماماً وتمثل مقادير كمية حقيقية للخاصية المقاسة، مما يتيح إجراء العمليات الحسابية الأساسية كحساب المتوسطات والانحرافات المعيارية دون الوقوع في أخطاء التشويه الإحصائي.

تثير هذه المسألة جدلاً منهجياً واسعاً في بحوث علم النفس والعلوم السلوكية فيما يخص استخدام مقاييس ليكرت (Likert Scales). فمن الناحية النظرية الصارمة، تعد مقاييس ليكرت رتبية (Ordinal)؛ إذ لا يمكن ضمان أن الفجوة النفسية بين «أوافق بشدة» و«أوافق» تطابق تماماً الفجوة بين «أوافق» و«محايد». ومع ذلك، يستقر العرف السيكومتري التطبيقي—المستند إلى دراسات المحاكاة القوية لمونت كارلو—على جواز تطبيق معامل بيرسون على درجات مقاييس ليكرت شريطة أن تتكون الاستجابة من 5 خيارات على الأقل، وأن يتم التعامل مع الدرجة الكلية المركبة للمقياس أو البعد (Summated Composite Score) بدلاً من البنود الفردية المنفصلة.

من المحاذير المنهجية الشديدة المرتبطة بمستوى القياس ظاهرة «تقليص مدى القياس» (Restriction of Range). تحدث هذه المعضلة عندما يقتصر الباحث على دراسة عينة متجانسة جداً ومحدودة التنوع مقارنة بالمجتمع الأصلي، مثل دراسة الارتباط بين معدل الذكاء والإبداع لدى نخبة من طلاب الدراسات العليا المتفوقين فقط. يؤدي هذا التقليص الإجباري لتباين أحد المتغيرين إلى تخفيض مصطنع وهائل في قيمة معامل ارتباط بيرسون المحسوب، مما يقود الباحثين إلى استنتاج زائف بضعف العلاقة أو انعدامها على الرغم من قوتها الحقيقية في المجتمع الواسع غير المقيد.

3.2 افتراض التوزيع الطبيعي الثنائي (Bivariate Normality)

يعد افتراض التوزيع الطبيعي الثنائي (Bivariate Normal Distribution) أحد الركائز الحاكمة لإجراء اختبارات الدلالة الإحصائية وبناء فترات الثقة لمعامل ارتباط بيرسون. لا يعني هذا الافتراض مجرد خضوع المتغير X منفرداً والمتغير Y منفرداً لمنحنى التوزيع الطبيعي الاعتدالي، بل يعني تحديداً أن التوزيع المشترك لنقاط البيانات يتبع شكلاً ثلاثي الأبعاد يشبه الجرس المنتظم؛ حيث تتخذ الدرجات عند كل قيمة محددة للمتغير X توزيعاً طبيعياً لقيم المتغير Y، والعكس صحيح.

للتحقق الإجرائي من هذا الافتراض، يعتمد الباحثون على حزمة متكاملة من الاختبارات الإحصائية والفحوصات البصرية. تشمل الاختبارات الإحصائية الشائعة اختبار شابيرو-ويلك (Shapiro-Wilk Test) واختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test)، مع تحليل معاملي الالتواء (Skewness) والتفرطح (Kurtosis) للتأكد من وقوعهما في المدى المقبول إحصائياً (عادة بين -1.0 و +1.0 أو بين -2.0 و +2.0). ويتكامل هذا الفحص مع الأدوات البصرية مثل المخططات التكرارية ذات المنحنى الطبيعي ومخططات الاحتمال الطبيعي (Q-Q Plots) التي تُظهر مدى تطابق الدرجات مع الخط النظري للتوزيع الطبيعي.

تتمثل نقطة القوة المنهجية لمعامل بيرسون في تمتعه بخاصية «المناعة الإحصائية» (Robustness) ضد الانحرافات الطفيفة إلى المعتدلة عن التوزيع الطبيعي، لا سيما عند الاعتماد على عينات بحثية كبيرة الحجم (تتجاوز 100 إلى 150 حالة وفق نظرية النهاية المركزية Central Limit Theorem). بيد أن هذا التسامح الإحصائي يتراجع بشدة في العينات الصغيرة أو في حال وجود التواء شديد جداً أو قيم شاذة حادة، مما يحتم حينها التحول إلى أساليب إحصائية بديلة أو تطبيق التحويلات الرياضية لتطبيع البيانات.

3.3 افتراض الخطية وتجانس التباين (Linearity and Homoscedasticity)

يقيس معامل ارتباط بيرسون الارتباط «الخطي» فقط بين المتغيرات، ويفترض بالتبعية أن التغير في المتغير X يصاحبه تغير متناسب وثابت في المتغير Y عبر كامل مدى القياس، بحيث يمكن تمثيل هذا الارتباط بخط مستقيم. للتحقق من هذا الافتراض، يُعد الفحص البصري لمخطط التشتت المبعثر (Scatterplot) خطوة منهجية إلزامية لا غنى عنها قبل المضي قدماً في حساب المعامل؛ إذ يكشف المخطط فوراً عما إذا كانت العلاقة خطية مستقيمة أو أنها تتخذ مساراً منحنياً أو غير منتظم.

يتكامل افتراض الخطية تكاملاً وثيقاً مع افتراض «تجانس التباين» (Homoscedasticity)، وهو شرط ينص على أن مقدار تشتت أو تباين نقاط درجات المتغير Y يجب أن يظل ثابتاً ومستقراً نسبياً عبر جميع مستويات وقيم المتغير X. فإذا ظهر في مخطط التشتت أن انتشار النقاط يضيق في البداية ثم يتسع تدريجياً ليشبه شكل «القمع» أو «البوق»، فإن هذا يمثل انتهاكاً صريحاً يسمى «عدم تجانس التباين» (Heteroscedasticity)، والذي يؤدي بدوره إلى تضخيم أو تقليص غير حقيقي لمستوى الخطأ المعياري، مما يشوه دقة التقدير الإحصائي وفترات الثقة.

يترتب على انتهاك افتراض الخطية أخطاء استنتاجية فادحة في الأبحاث النفسية؛ حيث قد تفشل معادلة بيرسون فشلاً تاماً في التقاط العلاقات المنحنية القوية (Curvilinear Relationships). ففي مثل هذه الحالات، قد تسجل المعادلة قيمة ارتباط تقارب الصفر المطلق (r ≈ .00)، مما يوحي كذباً بانعدام العلاقة، بينما تكون العلاقة الحقيقية وطيدة جداً ولكنها تتبع مساراً دالياً معقداً، وهو ما يستوجب استخدام تحليلات متخصصة مثل معامل النسبة الارتباطية إيتا (Eta Correlation).

4. دلالة واتجاه وقوة معامل الارتباط وتفسير قيمه

4.1 اتجاه العلاقة الارتباطية: الطردية والعكسية والصفرية

يمثل الاتجاه البعد الأول الذي يتم فحصه عند قراءة معامل ارتباط بيرسون، ويتحدد ذلك حصرياً عبر الإشارة الجبرية التي تسبق القيمة الرقمية الناتجة. وتتوزع العلاقات الارتباطية وفق الاتجاه إلى ثلاثة أنماط رئيسية:

• الارتباط الموجب أو الطردي (Positive Correlation): وتكون إشارته موجبة (تُكتب صراحة أو تفهم ضمناً بدون إشارة)، ويشير إلى حركة تزامنية متطابقة للمتغيرين في نفس الاتجاه؛ أي أن الزيادة في درجات المتغير X تقترن بزيادة متناسبة في درجات المتغير Y، وانخفاض أحدهما يقترن بانخفاض الآخر (مثل العلاقة بين ساعات الاستذكار والتحصيل الأكاديمي).
• الارتباط السالب أو العكسي (Negative / Inverse Correlation): وتسبقه إشارة السالب (-) إجبارياً، ويعبر عن نمط اقتران تضادي بين المتغيرين؛ حيث تقترن الزيادة في درجات المتغير X بانخفاض منتظم في درجات المتغير Y (مثل العلاقة بين قلق الاختبار والأداء في الامتحان).
• الارتباط الصفري أو المنعدم (Zero / Null Correlation): ويسجل قيمة رقمية تساوي الصفر (0.00) أو تقاربه، ويدل على الغياب التام لأي نمط خطي منظم يربط بين حركة المتغيرين؛ بحيث لا تتيح معرفة درجة الفرد في أحد المتغيرين أي إمكانية للتنبؤ بدرجته في المتغير الآخر.

من الضروري التأكيد على أن الإشارة الجبرية لمعامل الارتباط تدل حصرياً على «اتجاه» العلاقة الرياضية، ولا تعكس بأي شكل من الأشكال «قوة» أو «مقدار» الارتباط. فارتباط بقيمة r = -.85 يمثل علاقة خطية بالغة القوة تتطابق في شدتها تماماً مع ارتباط بقيمة r = +.85، مع الاختلاف الوحيد في المسار؛ إذ يشير الأول إلى تضاد عكسي بينما يشير الثاني إلى توافق طردي.

4.2 معايير تحديد قوة الارتباط وتصنيفاته الإحصائية

يتطلب تقييم القوة العملية لمعامل الارتباط معايير استرشادية تسند التفسير الإحصائي. وفي هذا السياق، تعد معايير عالم الإحصاء النفسي الشهير جاكوب كوهين (Jacob Cohen, 1988) المعيار الاسترشادي الأكثر شيوعاً واعتماداً في تصنيف حجم الأثر (Effect Size) لمعاملات الارتباط في العلوم السلوكية والإنسانية، وتنقسم تصنيفاته كالتالي:

• ارتباط ضعيف أو صغير (Small Effect): يتراوح بين |r| = .10 إلى .29 (علاقة طفيفة قد لا تكون ملاحظة في الممارسة الإكلينيكية الفردية لكنها مهمة على مستوى الجماعات).
• ارتباط متوسط (Medium Effect): يتراوح بين |r| = .30 إلى .49 (علاقة واضحة وملموسة تظهر في العديد من الظواهر النفسية الشائعة).
• ارتباط قوي أو كبير (Large Effect): يسجل |r| = .50 فأعلى (علاقة شديدة الوثوقية تعكس اقتراناً بنيوياً عميقاً بين المتغيرات).

ينبغي التمييز الجوهري بين «الدلالة الإحصائية» (Statistical Significance الممثلة بالقيمة الاحتمالية p-value) و«القوة العملية» للمعامل. فالدلالة الإحصائية تتأثر تأثراً هائلاً بحجم العينة (N)؛ حيث يمكن لمعامل ارتباط هزيل جداً مثل r = .08 أن يظهر دالاً إحصائياً بمستوى p < .001 إذا كانت العينة ضخمة جداً (آلاف الأفراد)، ومع ذلك تظل قيمته العملية والتفسيرية شبه معدومة. وعلى النقيض، قد يفشل معامل قوي مثل r = .60 في بلوغ الدلالة الإحصائية في عينة صغيرة جداً (مثلاً N = 6)، مما يؤكد ضرورة عدم قراءة الدلالة بمعزل عن القوة الملموسة للمعامل.

علاوة على ذلك، يجب مراعاة السياق التخصصي الدقيق للبحث عند الحكم على قوة الارتباط. ففي التجارب المعملية الفيزيائية أو الفسيولوجية المنضبطة، قد يعد ارتباط بقيمة r = .70 ارتباطاً متواضعاً نظراً للقدرة العالية على الضبط التجريبي، في حين يُعتبر نفس هذا المعامل في دراسات قياس الشخصية أو التنبؤ بالسلوك الإجرامي ارتباطاً استثنائياً وفائق القوة نظراً للطبيعة المعقدة ومتعددة المحددات للظاهرة الإنسانية.

4.3 معامل التحديد (Coefficient of Determination – r²)

يعد «معامل التحديد» (Coefficient of Determination)، والذي يرمز له بالرمز r²، الأداة التفسيرية الأكثر أهمية وقوة لقراءة المعنى العملي لمعامل ارتباط بيرسون. يُحسب هذا المقياس ببساطة عبر تربيع قيمة معامل الارتباط المحسوبة، ويقدم نسبة كمية مباشرة تعبر عن مقدار التباين الكلي في أحد المتغيرين المفسر أو المشترك مع التباين في المتغير الآخر.

لتوضيح ذلك بمثال تطبيقي: إذا كان معامل ارتباط بيرسون بين مستوى القلق والتحصيل الدراسي يساوي r = -.60، فإن معامل التحديد هو r² = (-.60)² = .36. ويعني هذا التحويل الرياضي بدقة أن ما نسبته 36% من التباين والاختلافات الملاحظة في درجات التحصيل الدراسي بين الطلاب يمكن تفسيرها وفهمها مباشرة في ضوء التباين في مستويات القلق لديهم، بينما يظل باقي التباين عائداً لعوامل ومتغيرات أخرى غير مدروسة.

يقودنا هذا إلى المفهوم المكمل لمعامل التحديد، وهو «معامل الاغتراب الإحصائي» أو التباين غير المفسر (Coefficient of Alienation / Residual Variance)، ويُحسب بالصيغة (1 – r²). وفي المثال السابق، يبلغ معامل الاغتراب 1 – .36 = .64 (أي 64%). يبرز هذا المقياس الأهمية النقدية والتحذيرية عند تفسير العلاقات الارتباطية؛ فهو يذكر الباحث دوماً بحجم التباين المتبقي الذي لم تنجح العلاقة الثنائية في تفسيره، مما يمنع الانسياق وراء المبالغة في تقدير التأثير الفعلي للمتغير المستقل المنفرد.

5. خطوات الحساب اليدوي والتحليل الإحصائي لمعامل بيرسون

5.1 إعداد جداول البيانات وتجهيز المجاميع الإحصائية

يتطلب الحساب اليدوي المنضبط لمعامل ارتباط بيرسون عبر صيغة الدرجات الخام اتباع منهجية جدولية محكمة لتنظيم البيانات وتقليل احتمالات الخطأ الحسابي. يقوم الباحث بتنظيم درجات العينة في جدول تحليلي يشتمل على خمسة أعمدة رئيسية لحساب المجاميع الإحصائية التأسيسية:

• العمود الأول: درجات المتغير الأول الخام (X).
• العمود الثاني: درجات المتغير الثاني الخام (Y).
• العمود الثالث: حاصل ضرب درجة كل فرد في المتغيرين (X × Y أو XY).
• العمود الرابع: مربع درجات المتغير الأول (X²).
• العمود الخامس: مربع درجات المتغير الثاني (Y²).

عقب تعبئة الصفوف لكل مفحوص من أفراد العينة البالغ عددهم (N)، يتم استخراج المجموع الجبري التراكمي لكل عمود من الأعمدة الخمسة للحصول على القيم الأساسية الخمس التالية: مجموع الدرجات الخام للمتغير الأول (ΣX)، مجموع الدرجات الخام للمتغير الثاني (ΣY)، مجموع حواضل ضرب الدرجات (ΣXY)، ومجموع مربعات درجات المتغيرين (ΣX² و ΣY²).

كما تُحسب المتوسطات الحسابية (X̄ = ΣX / N و Ȳ = ΣY / N) والانحرافات المعيارية للعينة لاستخدامها في عمليات الفحص والتحقق التبادلي، أو في حال الرغبة في تطبيق صيغة الدرجات المعيارية.

5.2 تطبيق خطوة بخطوة لمثال تطبيقي واقعي في القياس النفسي

لتوضيح العملية الحسابية بصورة تطبيقية دقيقة، نفترض دراسة سيكومترية استكشافية مصغرة أُجريت على عينة مكونة من خمسة طلاب (N = 5) بهدف فحص العلاقة بين «قلق الاختبار» (المتغير X) و«معدل التحصيل الأكاديمي» (المتغير Y). وكانت البيانات الخام المرصودة كالتالي:

• الطالب الأول: X = 2, Y = 18
• الطالب الثاني: X = 4, Y = 15
• الطالب الثالث: X = 5, Y = 12
• الطالب الرابع: X = 7, Y = 10
• الطالب الخامس: X = 8, Y = 5

نقوم أولاً ببناء الجدول الحسابي واستخراج المجاميع الرياضية الخمسة:

• ΣX = 2 + 4 + 5 + 7 + 8 = 26
• ΣY = 18 + 15 + 12 + 10 + 5 = 60
• ΣXY = (2×18) + (4×15) + (5×12) + (7×10) + (8×5) = 36 + 60 + 60 + 70 + 40 = 266
• ΣX² = 2² + 4² + 5² + 7² + 8² = 4 + 16 + 25 + 49 + 64 = 158
• ΣY² = 18² + 15² + 12² + 10² + 5² = 324 + 225 + 144 + 100 + 25 = 818

نطبق الآن صيغة الدرجات الخام لحساب قيمة r:

البسط = N(ΣXY) – (ΣX)(ΣY) = 5(266) – (26)(60) = 1330 – 1560 = -230

المقام الأول (خاص بـ X) = N(ΣX²) – (ΣX)² = 5(158) – (26)² = 790 – 676 = 114

المقام الثاني (خاص بـ Y) = N(ΣY²) – (ΣY)² = 5(818) – (60)² = 4090 – 3600 = 490

المقام الكلي = √(114 × 490) = √(55860) ≈ 236.347

r = البسط / المقام = -230 / 236.347 ≈ -.973

يُظهر التحقق من صحة الحساب اليدوي عبر مقارنته بصيغة الدرجات المعيارية تطابقاً تاماً عند نفس النتيجة (r = -.973). ويكشف التفسير السيكولوجي الأولي لهذه النتيجة عن وجود علاقة خطية عكسية قوية جداً بين قلق الاختبار والتحصيل الأكاديمي لدى أفراد هذه العينة، وبمعامل تحديد يبلغ r² = (-.973)² ≈ .947؛ مما يعني أن ما يقارب 94.7% من التباين في درجات التحصيل الأكاديمي لدى هذه العينة يرتبط تزامناً بارتفاع درجات القلق لديهم.

6. تطبيقات معامل ارتباط بيرسون في القياس والبحث النفسي

6.1 فحص الخصائص السيكومترية للاختبارات والمقاييس النفسية

يشكل معامل ارتباط بيرسون العمود الفقري لعمليات التقييم السيكومتري الرامية إلى بناء الأدوات والمقاييس النفسية وتقنينها؛ حيث يلعب دوراً مركزياً في التحقق من كفاءة الاختبار وصلاحيته للاستخدام العلمي والإكلينيكي عبر تقدير مؤشرات الثبات (Reliability) والصدق (Validity).

في مجال قياس الثبات، يُعد معامل بيرسون الأداة القياسية لحساب «ثبات إعادة الاختبار» (Test-Retest Reliability)؛ حيث يطبق المقياس على نفس العينة في مناسبتين زمنيتين يفصل بينهما فاصل زمني ملائم (أسبوعين إلى شهر عادة)، ثم يُحسب معامل الارتباط بين درجات التطبيقين الأول والثاني. وتدل القيمة المرتفعة للمعامل (r ≥ .80) على الاستقرار الزمني للأداة وعدم تأثرها بتقلبات الأخطاء العشوائية عبر الزمن.

كما يُستخدم المعامل بكثافة في فحص الاتساق الداخلي لبنود المقاييس النفسية من خلال حساب «معامل ارتباط البند بالدرجة الكلية للمقياس» (Item-Total Correlation)؛ حيث يُستبعد البند الذي يسجل ارتباطاً ضعيفاً جداً (مثل r < .30) لعدم تجانسه مع البناء النفسي العام للمقياس. بالإضافة إلى ذلك، يمثل معامل بيرسون الآلية المعتمدة لتقدير «الصدق التقاربي» (Convergent Validity) عبر إثبات وجود ارتباطات موجبة قوية بين المقياس الجديد ومقاييس أخرى معترف بها تقيس نفس السمة، فضلاً عن تقدير «الصدق التمايزي» (Discriminant Validity) عبر إثبات انخفاض الارتباط مع مقاييس تقيس سمات نفسية مختلفة ومستقلة تماماً.

6.2 دراسة العلاقات الارتباطية بين المتغيرات النفسية والسلوكية

يوفر معامل ارتباط بيرسون وسيلة تجريبية لاستكشاف الفرضيات النظرية حول ترابط السمات والعمليات العقلية في شتى فروع علم النفس وعلم الاجتماع السلوكي. وتعتمد نظريات الشخصية الحديثة، كنظرية العوامل الخمسة الكبرى (Big Five Traits)، على معامل بيرسون لتوثيق الروابط الدقيقة بين السمات؛ مثل العلاقة السلبية الثابتة بين العصابية (Neuroticism) ومؤشرات الرفاهية الذاتية وجودة الحياة، أو الارتباط الإيجابي القوي بين الانبساطية (Extraversion) والاندماج الاجتماعي.

يمتد التطبيق المنهجي للمعامل إلى دراسات التوافق بين الملاحظين والتقييمات المتعددة؛ مثل قياس درجة التوافق الارتباطي بين التقدير الذاتي للمفحوص لسلوكه العدواني أو القيادي وتقديرات الأقران أو المعلمين أو الأطباء النفسيين لنفس السلوك. كما يمثل أداة جوهرية في «الدراسات الارتباطية الطولية» (Longitudinal Correlational Studies) لتتبع مدى استقرار السمات المعرفية والسلوكية عبر مراحل النمو العمري المختلفة من الطفولة إلى الرشد والشيخوخة.

6.3 التحضير للنماذج التنبؤية المتقدمة ونماذج المسار

لا يقتصر دور معامل بيرسون على وصف العلاقات الثنائية المستقلة، بل إنه يمثل المرحلة التمهيدية الضرورية لتأسيس التحليلات الإحصائية المتقدمة وتشييد النماذج التنبؤية المعقدة. وتعتبر «مصفوفة الارتباطات» (Correlation Matrix)—التي تجمع معاملات بيرسون بين كافة المتغيرات المشمولة في البحث—المدخل الرياضي الوحيد الذي تنطلق منه برمجيات التحليل العاملي الاستكشافي (EFA) والتأكيدي (CFA) لاكتشاف وتأكيد البنى الكامنة وراء المقاييس المتعددة.

كذلك، يُعد فحص مصفوفة ارتباطات بيرسون شرطاً تشخيصياً أساسياً قبل بناء نماذج الانحدار الخطي المتعدد (Multiple Linear Regression)؛ حيث يُستخدم للكشف المبكر عن معضلة «التعددية الخطية العالية بين المتغيرات المستقلة» (Multicollinearity). فإذا أظهرت المصفوفة وجود ارتباط خطي مفرط الارتفاع بين متغيرين مستقلين (مثلاً r > .85)، فإن ذلك ينذر بعدم استقرار النموذج التنبؤي، مما يستلزم دمج المتغيرين أو استبعاد أحدهما.

إضافة إلى ذلك، فإن الارتباطات الصفرية لبيرسون (Zero-Order Correlations) هي الأساس الحسابي الذي تُشتق منه معاملات «الارتباط الجزئي» (Partial Correlation) و«شبه الجزئي» (Semi-Partial Correlation)، وهي الأدوات التي تسمح للباحثين بعزل وتحييد أثر المتغيرات الدخيلة والمربكة وفحص الأثر المستقل الصافي للعلاقة بين متغيرين.

7. مقارنة معامل بيرسون بمقاييس ومعاملات الارتباط الأخرى

7.1 معامل ارتباط الرتب لسبيرمان (Spearman’s Rho)

يمثل معامل ارتباط الرتب لسبيرمان (Spearman’s Rho, r_s) البديل اللابارامتري المباشر لمعامل بيرسون. ويكمن الفرق المنهجي الجوهري بينهما في أن معامل بيرسون يختبر وجود علاقة «خطية» بحتة بين متغيرات كمية متصلة باستخدام الدرجات الأصلية، في حين يختبر معامل سبيرمان وجود علاقة «رتيبة» (Monotonic Relationship) من خلال تحويل كافة الدرجات الخام إلى رتب ترتيبية تصاعدية أو تنازلية قبل إجراء الحساب.

تمنح هذه الخاصية الرتبية معامل سبيرمان مناعة فائقة وحصانة ضد تأثير القيم الشاذة والمتطرفة (Outliers) التي قد تشوه معامل بيرسون؛ فالقيمة المتطرفة في سبيرمان تأخذ ببساطة أعلى رتبة تسلسلية (مثل الرتبة 100) دون أن يؤثر مقدار شذوذها الرقمي المطلق على نواتج المعادلة. وتبرز المفاضلة المنهجية لصالح سبيرمان عند التعامل مع عينات صغيرة، أو عند وجود انتهاكات حادة لافتراض التوزيع الطبيعي، أو عندما تكون البيانات في الأصل ترتيبية (Ordinal) ولا تحقق شروط القياس الفئوي المتساوي.

7.2 معامل كيندال تاو (Kendall’s Tau)

يعد معامل ارتباط كيندال تاو (Kendall’s Tau, τ) بديلاً لابارامترياً متميزاً آخر، ويتفوق منهجياً على سبيرمان وبيرسون في حالات محددة بدقة، لا سيما في العينات الصغيرة جداً وعند وجود نسب مرتفعة من الرتب المتطابقة أو المتعادلة (Tied Ranks). يعتمد كيندال في بنيته الرياضية على مقارنة أزواج البيانات المصنفة وحساب احتمالية التطابق (Concordant Pairs) مقابل التنافر (Discordant Pairs) بين الحالات.

يقدم معامل كيندال تفسيراً احتماليا مباشراً لقوة الارتباط؛ إذ يمثل الفارق الصافي بين احتمال أن يتطابق ترتيب فردين على كلا المتغيرين واحتمال أن يتعارض ترتيبهما. كما يتميز كيندال بتوزيع عيني أكثر اقتراباً من التوزيع الطبيعي في العينات المحدودة، مما يمنحه دقة استدلالية أعلى وخطأ معيارياً أصغر عند دراسة المجموعات الإكلينيكية النادرة والحالات المرضية المحدودة في علم النفس السريري مقارنة بمعامل بيرسون.

7.3 المعاملات الثنائية (Point-Biserial and Biserial)

تتطلب بعض التصاميم البحثية دراسة العلاقة بين متغير كمي مستمر ومتغير تصنيفي ثنائي، وفي هذه الحالات تبرز المعاملات الثنائية كحلول رياضية متخصصة ترتبط ارتباطاً وثيقاً ببيرسون:

• معامل الارتباط ثنائي النقطة (Point-Biserial Correlation – r_pb): يُطبق عند فحص العلاقة بين متغير كمي مستمر (كالتحصيل الأكاديمي) ومتغير ثنائي حقيقي غير مستمر (True/Naturally Dichotomous)، مثل الجنس (ذكر/أنثى) أو استجابة سؤال اختبارية محددة (صحيح/خطأ). ومن المثير سيكومترياً أن معامل بوينت بايسيريال ليس سوى تطبيق رياضي مباشر لمعادلة بيرسون نفسها بعد ترميز الفئتين الثنائيتين بالأرقام (0 و 1)، حيث يؤدي تطبيق صيغة بيرسون الخام مباشرة إلى نفس النتيجة الرياضية لمعادلة بوينت بايسيريال المخصصة.
• معامل الارتباط الثنائي المتسلسل (Biserial Correlation – r_b): يُستخدم عندما يكون المتغير الثنائي في أصله النظري متغيراً كمياً متصلاً وموزعاً توزيعاً طبيعياً، ولكنه فُرع اصطناعياً إلى فئتين (Artificially Dichotomized)، مثل تصنيف درجات الطلاب المستمرة إلى مجموعتين فقط: «ناجح» و«راسب». وفي هذه الحالة، يصحح معامل بايسيريال التشويه الناتج عن التفرع الاصطناعي، مسجلاً قيمة تقديرية أعلى من بوينت بايسيريال لتقترب مما كان سيحققه معامل بيرسون الأصلي لو قيس المتغير في صورته المستمرة.

8. حساب وتطبيق معامل بيرسون عبر البرمجيات الإحصائية المتخصصة

8.1 التطبيق العملي عبر حزمة SPSS الإحصائية

تُعد الحزمة الإحصائية للعلوم الاجتماعية (SPSS) البيئة البرمجية الأكثر استخداماً في الأبحاث السيكولوجية والتربوية لحساب معامل ارتباط بيرسون. وتتم خطوات التحليل عبر مسار الأوامر القياسي التالي: النقر على قائمة Analyze، ثم اختيار Correlate، ومنها النقر على Bivariate.

في نافذة التحليل، ينقل الباحث المتغيرات الكمية المراد دراستها إلى صندوق Variables، مع التأكد من تفعيل خيار Pearson ضمن خانة Correlation Coefficients، وتحديد اتجاه الفرضية إما ثنائية الذيل (Two-tailed) أو أحادية الذيل (One-tailed)، وتفعيل تعليم خيار تمييز الدلالة بالنجوم التوضيحية (Flag significant correlations).

من الإعدادات المنهجية الحاسمة داخل زر الخيارات (Options) تحديد كيفية معالجة القيم المفقودة (Missing Values)؛ حيث يتاح للباحث خياران أساسيان:

• الاستبعاد الثنائي (Exclude cases pairwise): حيث يتم استبعاد الحالة من حساب المعامل فقط إذا كانت القيمة مفقودة في أحد المتغيرين قيد الارتباط الثنائي المحدد، مما يحافظ على أقصى حجم ممكن للعينة في المصفوفات الكبيرة.
• الاستبعاد الكلي (Exclude cases listwise): حيث يتم استبعاد أي حالة يثبت وجود قيمة مفقودة لديها في أي متغير من المتغيرات المدرجة في المصفوفة بأكملها، وهو الخيار الأكثر صرامة وتفضيلاً في التحليلات المتقدمة المتسلسلة لضمان ثبات حجم العينة المشتركة.

تُظهر مخرجات SPSS مصفوفة مربعة متناظرة تحتوي على ثلاثة أرقام رئيسية في كل خلية تقاطع: قيمة معامل ارتباط بيرسون (Pearson Correlation)، ومستوى الدلالة الإحصائية الدقيق (Sig. 2-tailed)، وإجمالي حجم العينة الفعلي المستخدم في حساب تلك الخلية (N).

8.2 التحليل والحساب البرمجي باستخدام لغة R

توفر بيئة البرمجة الإحصائية لغة R مرونة حاسوبية وتحليلية فائقة لحساب معامل بيرسون واختبار فروضه ورسم مصفوفاته التفاعلية. لحساب المعامل البسيط بين متغيرين، تُستخدم الدالة الأساسية cor() بتمرير المتغيرين وتحديد الطريقة:

cor(data$Anxiety, data$GPA, method = "pearson", use = "complete.obs")

وللحصول على تقرير إحصائي استدلالي متكامل يشتمل على قيمة المعامل، وقيمة الاختبار التائي (t)، ودرجات الحرية (df)، والقيمة الاحتمالية الدقيقة (p-value)، فضلاً عن فترات الثقة بنسبة 95% لمعامل الارتباط في المجتمع، تُستخدم دالة الفحص الشامل cor.test():

cor.test(data$Anxiety, data$GPA, method = "pearson", conf.level = 0.95)

وعلى صعيد التحقق وتصور البيانات، تتيح حزم لغة R المتقدمة—مثل حزمة ggplot2—توليد مخططات التشتت المقترنة بخط الاتجاه الخطي ومناطق فترات الثقة المظللة، بينما توفر حزمة corrplot و PerformanceAnalytics إمكانية رسم مصفوفات ارتباطية بصرية فائقة الدقة تُدمج فيها المخططات التكرارية ومخططات التشتت ومستويات الدلالة في لوحة بيانية واحدة تفي بأعلى متطلبات النشر العلمي الرصين.

8.3 الحساب الإحصائي باستخدام لغة Python

في سياق علم النفس الحاسوبي (Computational Psychology) وتعلم الآلة التطبيقي، أصبحت لغة بايثون (Python) أداة رئيسية لإجراء التحليلات الارتباطية. وتوفر مكتبة scipy.stats الدالة القياسية pearsonr التي تنفذ الحساب الإحصائي المتكامل وتستخرج قيمة r والقيمة الاحتمالية المقترنة بها:

from scipy.stats import pearsonr
r_value, p_value = pearsonr(data['Anxiety'], data['GPA'])

وعند التعامل مع مجموعات بيانات سلوكية ضخمة متعددة الأبعاد، يتم توظيف مكتبة pandas لحساب مصفوفة الارتباط الكاملة بلمسة برمجية واحدة عبر تطبيق الدالة df.corr(method='pearson'). وتتكامل هذه العملية التحليلية مع مكتبة التصور البياني seaborn لتوليد «الخرائط الحرارية» (Heatmaps) باستخدام الدالة sns.heatmap()، والتي تعرض معاملات الارتباط بتدرجات لونية واضحة ومقترنة بالأرقام التفسيرية، مما يسهل الاكتشاف الفوري لكتل المتغيرات المترابطة والأنماط السلوكية المتشابكة.

9. الدلالة الإحصائية واختبار الفرضيات لمعامل ارتباط بيرسون

9.1 صياغة الفرضيات الصفرية والبديلة في الاختبار الارتباطي

لا يكتفي الباحث بحساب القيمة الوصفية لمعامل ارتباط بيرسون من العينة، بل يتعين عليه تعميم النتائج على المجتمع الأصلي الذي سُحبت منه العينة عبر اختبار الفرضيات الإحصائية. وتصاغ الفرضيات دائماً بالاعتماد على المعلمة السكانية للمجتمع الإحصائي (رو ρ).

تنص «الفرضية الصفرية» (Null Hypothesis – H₀) في الاختبار ثنائي الذيل القياسي على عدم وجود أي ارتباط خطي بين المتغيرين في المجتمع الأصلي، وتُصاغ رياضياً كالتالي: H₀: ρ = 0. وتفترض هذه الصياغة أن أي قيمة لمعامل الارتباط تختلف عن الصفر في العينة الملاحظة هي مجرد نتاج للصدفة أو لخطأ المعاينة العشوائي.

في المقابل، تصاغ «الفرضية البديلة» (Alternative Hypothesis – H₁) وفق اتجاهين محتملين بحسب الخلفية النظرية للبحث:

• فرضية بديلة غير موجهة (ذات ذيلين – Two-tailed): وتُصاغ كالتالي H₁: ρ ≠ 0، وتفترض وجود علاقة خطية دالة إحصائياً بين المتغيرين دون تحديد مسبق لاتجاهها سواء كانت موجبة أو سالبة.
• فرضية بديلة موجهة (ذات ذيل واحد – One-tailed): وتُصاغ كالتالي H₁: ρ > 0 (إذا كانت النظرية تتنبأ بعلاقة طردية حتمية) أو H₁: ρ < 0 (إذا كانت النظرية تتنبأ بعلاقة عكسية مؤكدة).

9.2 اختبار t للدلالة الإحصائية ودرجات الحرية (Degrees of Freedom)

لاختبار مدى ابتعاد معامل الارتباط المحسوب (r) عن الصفر بدرجة تتجاوز أخطاء المعاينة العشوائية، يتم تحويل قيمة r إلى الدرجة التائية التائية (t-statistic) باستخدام المعادلة الرياضية التالية المعيارية في الإحصاء الاستدلالي:

t = [r × √(N – 2)] / √(1 – r²)

ترتبط هذه القيمة التائية ارتباطاً وثيقاً بمفهوم «درجات الحرية» (Degrees of Freedom – df)، والتي تُحسب في معامل ارتباط بيرسون الثنائي بالقانون الصارم: df = N – 2؛ حيث يُخصم رقمان من الحجم الكلي للعينة نظراً لأن حساب المعامل يعتمد على تقدير معلمتين إحصائيتين أساسيتين من البيانات وهما متوسط المتغير الأول ومتوسط المتغير الثاني.

تتم مقارنة القيمة التائية المحسوبة بالقيمة الجدولية الحرجة (Critical t) عند مستوى الدلالة المعتمد (مثل α = .05 أو α = .01) ودرجات حرية N – 2. فإذا تجاوزت القيمة المحسوبة القيمة الجدولية، أو إذا كانت القيمة الاحتمالية الدقيقة (p-value) المستخرجة عبر البرمجيات أصغر من مستوى ألفا المحدد (p < .05)، يتم رفض الفرضية الصفرية رسمياً، وتأييد الفرضية البديلة القائلة بوجود ارتباط خطي حقيقي ودال إحصائياً بين المتغيرين في المجتمع الأصلي.

9.3 فترات الثقة (Confidence Intervals) وتحويل فيشر (Fisher’s Z)

تواجه عملية بناء فترات الثقة (Confidence Intervals) لمعامل ارتباط بيرسون تحدياً رياضياً معقداً؛ فعندما يختلف معامل الارتباط الحقيقي في المجتمع عن الصفر (ρ ≠ 0)، يصبح التوزيع العيني لمعاملات الارتباط (Sampling Distribution of r) غير متماثل ويعاني من التواء شديد (Skewed Distribution)، ويتزايد هذا الالتواء كلما اقتربت قيمة r من الحدود القصوى (+1 أو -1) نظراً لعدم قدرة المعامل على تجاوز هذه الحدود الرقمية.

لحل هذه المعضلة وتصحيح الالتواء، ابتكر عالم الإحصاء الشهير رونالد فيشر عام 1921 «تحويل فيشر الزائي» (Fisher’s z-Transformation)، والذي يحول معامل الارتباط r إلى قيمة معيارية جديدة تسمى z’ تتبع التوزيع الطبيعي المنتظم بخطأ معياري ثابت ومستقل عن قيمة المعلمة السكانية، وذلك بتطبيق دالة الظل الزائدي العكسية (Inverse Hyperbolic Tangent):

z’ = 0.5 × ln[(1 + r) / (1 – r)] = arctanh(r)

ويبلغ الخطأ المعياري لتحويل فيشر: SE_z’ = 1 / √(N – 3). وتتيح هذه الصيغة بناء فترات الثقة بنسبة 95% على مقياس z’، ثم يتم في الخطوة الأخيرة إجراء «تحويل عكسي» (Back-transformation) لحدود فترة الثقة لإعادتها إلى مقياس معامل الارتباط الأصلي r.

توصي التوجهات المنهجية المعاصرة في القياس السيكولوجي بالاعتماد على فترات الثقة كبديل أكثر نضجاً وإفصاحاً من مجرد الاكتفاء باختبار الفرضية الصفرية الثنائية (رفض/قبول)؛ إذ تمنح فترات الثقة الباحث مدى دقيقاً يوضح أقصى وأدنى حد متوقع لحجم العلاقة في المجتمع الحقيقي، مما يكشف مقدار دقة التقدير الإحصائي ويحد من الاستنتاجات المضللة الناتجة عن العينات الصغيرة أو الضخمة بشكل مفرط.

10. المشكلات الإحصائية الشائعة وتأثير القيم المتطرفة على المعامل

10.1 تأثير القيم الشاذة والمتطرفة (Outliers) على نتائج المعامل

يعد معامل ارتباط بيرسون مقياساً إحصائياً شديد الحساسية والتأثر بوجود «القيم الشاذة أو المتطرفة» (Outliers)؛ ويرجع ذلك إلى اعتماده المباشر على مربعات الانحرافات وحواصل ضربها، مما يعطي وزناً تضخيمياً هائلاً للبيانات البعيدة عن مركز التوزيع. وتتجسد خطورة القيم المتطرفة في قدرة نقطة بيانات شاذة واحدة (Single Extreme Outlier) على قلب نتائج الدراسة رأساً على عقب؛ إما باصطناع ارتباط زائف قوي لا وجود له فعلياً في مجمل البيانات، أو بتدمير وإخفاء ارتباط حقيقي وطيد قائم بين المتغيرين.

وللكشف المنهجي عن هذه القيم، يستخدم الباحثون مزيجاً من أدوات الفحص متعددة الأبعاد تشمل:

• الفحص البصري الدقيق لمخططات التشتت المبعثرة (Scatterplots) ومخططات الصندوق (Boxplots).
• حساب الدرجات المعيارية المستعرضة (Z-scores > |3.29|).
• حساب مقياس «مسافة ماهالانوبيس» (Mahalanobis Distance) ومقياس «مسافة كوك» (Cook’s Distance) لرصد الحالات ذات التأثير والرافعة الإحصائية العالية (High Leverage Points).

عند ثبوت وجود قيم متطرفة، يُلزم الباحث باتباع استراتيجيات معالجة منهجية منضبطة وشفافة، تشمل التحقق أولاً من عدم وجود أخطاء في إدخال البيانات أو تصحيح الاختبارات. وفي حال كانت القيمة حقيقية، يمكن اللجوء إلى «الحذف المبرر» مع توثيق ذلك صراحة، أو تطبيق «التحويلات الإحصائية غير الخطية» كتحويل اللوغاريتم أو الجذر التربيعي لتطبيع التوزيع، أو استخدام أساليب التبتير والمعالجة الطرفية (Winsorization)، أو التحول الكامل نحو المقاييس الحصينة كمعامل سبيرمان.

10.2 العلاقات المنحنية وغير الخطية (Non-linear Relationships)

من الأخطاء التحليلية الجسيمة في الأبحاث السلوكية تطبيق معامل بيرسون على متغيرات ترتبط فيما بينها بعلاقات منحنية (Non-linear or Curvilinear Relationships). فبما أن الخوارزمية الرياضية لبيرسون مصممة حصرياً لملائمة «أفضل خط مستقيم» عبر البيانات، فإنها تعجز تماماً عن استيعاب الانحناءات ونقاط التحول في المسارات الوظيفية بين المتغيرات.

يتجلى النموذج الكلاسيكي الأبرز لهذه المعضلة في الظاهرة النفسية المعروفة بـ قانون يركيس-دوبسون (Yerkes-Dodson Law)، والذي يصف العلاقة بين مستوى الاستثارة الفسيولوجية/القلق والأداء المعرفي بأنها علاقة تأخذ شكل حرف (U مقلوب). فالمستويات المنخفضة جداً من الاستثارة تقترن بأداء متدنٍ، وتؤدي زيادة الاستثارة إلى تحسين الأداء حتى بلوغ المستوى المثالي الأقصى، لتبدأ بعدها الاستثارة المفرطة في تدمير الأداء وتخفيضه بشدة.

إذا طُبق معامل بيرسون على بيانات تتبع منحنى يركيس-دوبسون المتماثل، فإن الناتج الرياضي للمعامل سيسجل قيمة تقارب الصفر المطلق (r ≈ .00)؛ نظراً لأن الارتباط الإيجابي في النصف الأول يلغي الارتباط السلبي في النصف الثاني بصورة متبادلة. ويقود هذا التضليل الإحصائي الباحث إلى إعلان زائف بانعدام الارتباط، في حين أن العلاقة بالغة القوة والانتظام. ولتفادي هذه الإشكالية، يتحتم فحص مخططات التشتت والتحول إلى نماذج الانحدار متعدد الحدود (Polynomial Regression) أو استخدام معامل النسبة الارتباطية (Eta).

10.3 مفارقة سيمبسون (Simpson’s Paradox) وتأثير المتغيرات الوسيطة

تمثل مفارقة سيمبسون (Simpson’s Paradox) أحد أعقد وأخطر التحديات الإبستمولوجية في التحليل الإحصائي الارتباطي؛ وتحدث عندما يظهر اتجاه معين لمعامل الارتباط (موجب مثلاً) عند تحليل البيانات المجمعة للعينة ككل، ولكنه ينعكس تماماً ليصبح اتجاهاً مضاداً (سالب) عند تقسيم العينة ذاتها وتحليلها داخل مجموعاتها الفرعية المستقلة، أو العكس.

تنشأ هذه المفارقة المضللة نتيجة وجود «متغير ثالث خفي ومربك» (Lurking / Confounding Variable)—غالباً ما يكون متغيراً ديموغرافياً أو نوعياً كالجنس، أو الفئة العمرية، أو المستوى الاجتماعي الاقتصادي، أو التخصص الأكاديمي—يرتبط ارتباطاً بنيوياً غير متوازن بالمتغيرين قيد الدراسة معاً. فعلى سبيل المثال، قد يُظهر تحليل بيانات مجمعة وجود ارتباط إيجابي بين عدد ساعات التدريب واستخدام استراتيجيات المواجهة غير التكيفية لدى العاملين، ولكن عند تقسيم العينة حسب مستوى ضغوط العمل (منخفض/مرتفع)، يظهر الارتباط سالباً بقوة داخل كل فئة فرعية على حدة، نظراً لأن فئة الضغوط المرتفعة تلقت تدريبات أكثر لكنها تعاني أصلاً من مشكلات أعمق.

لتفادي الوقوع في فخ مفارقة سيمبسون واستخلاص نتائج علمية خاطئة، يتعين على الباحثين تجنب الاعتماد السطحي على الارتباطات الإجمالية في العينات غير المتجانسة، وإجراء تحليلات طبقية مفصلة (Stratified Analyses)، وفحص التفاعلات الفرعية، والاعتماد المنهجي على معاملات الارتباط الجزئي (Partial Correlations) لضبط وتحييد أثر المتغيرات المربكة الكامنة.

11. العلاقة بين الارتباط والسببية ومحددات التفسير في العلوم السلوكية

11.1 المبدأ المنهجي الحاسم: الارتباط لا يعني السببية

يظل الشعار الإبستمولوجي الخالد في فلسفة العلوم والإحصاء هو: «الارتباط لا يقتضي بأي حال من الأحوال وجود علاقة سببية» (Correlation does not imply causation). يقيس معامل ارتباط بيرسون درجة «الاقتران أو التغير المتزامن المشترك» (Co-occurrence / Covariation) بين متغيرين رياضياً، ولكنه عاجز منطقياً وإجرائياً عن إثبات أن أحد المتغيرين هو الفاعل والعلة السببية (Cause) التي أدت إلى إحداث التغير في المتغير الآخر كمعلول ونتيجة (Effect).

تزخر الأدبيات العلمية بأمثلة شهيرة على «الارتباطات الزائفة أو الوهمية» (Spurious Correlations) التي تسجل معاملات ارتباط مرتفعة ودالة إحصائياً بين ظواهر لا يربط بينها أي مسار سببي منطقي على الإطلاق. ومن الأمثلة الكلاسيكية وجود ارتباط طردي قوي في المدن الساحلية بين مبيعات المثلجات (Ice Cream) ومعدلات حوادث الغرق؛ حيث يدرك التحليل العقلاني فوراً أن تناول المثلجات لا يسبب الغرق، بل إن كلاهما يمثل نتيجة تزامنية لمتغير ثالث مشترك وهو «ارتفاع درجة الحرارة وفصل الصيف» الذي يدفع الناس لتناول المرطبات والسباحة في البحر بكثافة متزايدة في آن واحد.

يقتضي إثبات السببية الصارمة في المنهجية العلمية استيفاء ثلاثة شروط متكاملة لا يستطيع معامل الارتباط بمفرده تقديم سوى الشرط الأول منها فقط:

1. إثبات وجود تباين مشترك دال إحصائياً بين المتغيرين (وهو ما يوفره معامل الارتباط).
2. إثبات «الأسبقية والترتيب الزمني» (Temporal Precedence)؛ بحيث يثبت تجريبياً أن المتغير المستقل (السبب) يحدث زمنياً قبل المتغير التابع (النتيجة).
3. العزل الكامل والضبط التجريبي الصارم لكافة التفسيرات البديلة والمتغيرات الدخيلة والمربكة، وهو ما لا يتحقق إلا من خلال التصاميم التجريبية الحقيقية ذات التوزيع العشوائي المنضبط (Randomized Controlled Trials).

11.2 مشكلة المتغير الثالث (Third-Variable Problem) والاتجاهية

يتفرع القصور السببي للدراسات الارتباطية إلى معضلتين منهجيتين رئيسيتين في بحوث العلوم السلوكية والنفسية:

أولاً: معضلة المتغير الثالث (The Third-Variable Problem): وتتمثل في احتمالية أن يكون الارتباط الملاحظ بين المتغير X والمتغير Y ليس نتاجاً لتأثير أي منهما على الآخر، بل يرجع كلياً إلى تأثير متغير ثالث كامن (Z) يؤثر في كلا المتغيرين معاً بالدرجة ذاتها. فعلى سبيل المثال، الارتباط الإيجابي القوي بين ثقة الفرد بذاته وأدائه الوظيفي قد يعود في جوهره إلى أسلوب التنشئة الوالدية الإيجابية أو الاستقرار الاقتصادي للأسرة (المتغير الثالث) الذي يعزز كلاً من الثقة والأداء بشكل مستقل.

ثانياً: معضلة الاتجاهية (The Directionality Problem): وتنشأ عند رصد ارتباط قوي بين متغيرين مع صعوبة تحديد اتجاه المسار التأثيري أيهما يسبب الآخر بدون تصميم تجريبي زمني. فإذا وجدنا ارتباطاً موجباً قوياً بين ممارسة التمارين الرياضية ومستويات السعادة النفسية، يظل السؤال الإبستمولوجي قائماً: هل تؤدي ممارسة الرياضة بالفعل إلى رفع مستوى السعادة، أم أن الأفراد السعداء بطبيعتهم يمتلكون طاقة ودافعية أعلى تدفعهم لممارسة الرياضة بانتظام؟

للتعامل المنهجي مع هاتين المعضلتين في الأطر غير التجريبية، يعتمد الباحثون السلوكيون على أدوات إحصائية متقدمة مثل «تحليل الارتباط الجزئي» (Partial Correlation) للتحكم رياضياً في المتغيرات الثالثة المحتملة وتحييد تباينها المشترك، فضلاً عن تطبيق «تصاميم اللوحات المتقاطعة المتأخرة زمنياً» (Cross-Lagged Panel Designs) عبر قياس المتغيرين في فترات زمنية متعددة لتتبع الاتجاهية السببية ورسم مساراتها التنبؤية باحترافية أعلى.

12. معايير وإرشادات توثيق نتائج معامل بيرسون وفق دليل جمعية علم النفس الأمريكية (APA)

12.1 القواعد التحريرية لكتابة النتائج في المتن الإحصائي (APA 7th)

يفرض دليل النشر العلمي الصادر عن جمعية علم النفس الأمريكية في طبعته السابعة (APA 7th Edition) قواعد تحريرية وطباعية صارمة وموحدة لتوثيق نتائج معامل ارتباط بيرسون داخل المتن النصي لتقارير الأبحاث والرسائل الجامعية. وتتضمن هذه القواعد الضوابط التالية:

• كتابة رمز معامل الارتباط ورمز القيمة التائية والقيمة الاحتمالية بالخط المائل اللاتيني (Italics): (r, t, p).
• تضمين درجات الحرية بين قوسين ملتصقين برمز المعامل دون مسافة: r(df).
• قاعدة عدم وضع الصفر قبل الفاصلة العشرية (No Leading Zero): نظراً لأن معامل ارتباط بيرسون ومستوى الدلالة الإحصائية p لا يمكن رياضياً أن تتجاوز قيمتهما الرقم (1.00) الصحيح، فإن معايير APA تحظر وضع الصفر قبل النقطة العشرية، فتُكتب القيم كالتالي: (r = .45) و (p = .003) بدلاً من (0.45) و (0.003).
• تقريب قيمة معامل الارتباط وقيم فترات الثقة إلى منزلتين عشريتين، في حين تُقرب القيمة الاحتمالية (p-value) إلى ثلاث منازل عشرية، باستثناء الحالات التي تقل فيها الدلالة عن .001 حيث تُكتب صراحة: (p < .001).
• تضمين فترات الثقة (Confidence Intervals) بنسبة 95% لتعزيز الشفافية الإحصائية: [95% CI [.xx, .yy.

نموذج تطبيقي للصياغة المعيارية المتكاملة داخل النص وفق APA 7th:

«أظهرت نتائج تحليل معامل ارتباط بيرسون وجود علاقة خطية عكسية قوية ودالة إحصائياً بين قلق الاختبار والتحصيل الأكاديمي، r(118) = -.54, 95% CI [-.66, -.39], p < .001؛ مما يشير إلى أن ارتفاع درجات القلق يقترن بانخفاض متزامن في درجات التحصيل الدراسي لدى عينة الطلاب قيد الدراسة، مفسراً ما نسبته 29.2% من التباين الكلي في الأداء الأكاديمي.»

12.2 تصميم وتنسيق مصفوفات الارتباط في الجداول الإحصائية

تتطلب معايير APA 7th تنسيقاً بصرياً دقيقاً للجداول التي تتضمن مصفوفات الارتباطات المتعددة (Correlation Matrices)؛ حيث يُشترط أن تكون الجداول خالية تماماً من الخطوط الرأسية (No Vertical Lines)، وتقتصر على ثلاثة خطوط أفقية رئيسية فقط (أعلى رأس الجدول، أسفل رأس الجدول، وأسفل قاع الجدول).

تُنظم مصفوفة الارتباط عادة في صورة «مصفوفة مثلثية سفلية» (Lower Triangular Matrix) لتجنب التكرار الرياضي غير الضروري؛ حيث تُرقم المتغيرات في رؤوس الأعمدة بالأرقام التسلسلية (1، 2، 3…) التي تقابل نفس المتغيرات في الصفوف، وتُترك الخانات القطرية (ارتباط المتغير بنفسه 1.00) فارغة أو توضع فيها شرطة (-) لتقليل التشويش البصري.

ومن المعايير المنهجية الموصى بها في دليل APA دمج الإحصاءات الوصفية الأساسية ومؤشرات الثبات في نفس جدول الارتباطات، بحيث يشتمل الجدول على أعمدة مخصصة للمتوسطات الحسابية (M) والانحرافات المعيارية (SD)، مع وضع معاملات ثبات الاتساق الداخلي (مثل ألفا كرونباخ α أو أوميغا ماكدونالد ω) على القطر الرئيسي للمصفوفة بين قوسين.

يتم تذييل الجدول بملاحظة توضيحية سفلية (Table Note) تحدد حجم العينة وتوضح دلالة النجوم التوضيحية المستخدمة لترميز مستويات الدلالة الإحصائية بدقة، وفق التنسيق القياسي التالي:

Note. N = 150. Cronbach’s alphas are presented along the diagonal in parentheses. *p < .05. **p < .01. ***p < .001.

خاتمة

يمثل معامل ارتباط بيرسون علامة فارقة في تاريخ القياس والتحليل الكمي، وركيزة لا غنى عنها في بنية البحث العلمي المعاصر. ومن خلال قدرته الفريدة على تحويل التباين المشترك المعقد بين الظواهر إلى مقياس معياري مجرد ودقيق، منح هذا المعامل الباحثين أداة رياضية موثوقة لاستكشاف البنى النفسية وتطوير أدوات القياس السيكومتري وبناء النماذج التنبؤية.

ومع ذلك، يظل التطبيق الرشيد لمعامل بيرسون رهناً بوعي الباحث الدقيق بشروطه وافتراضاته المنهجية؛ بدءاً من مستوى القياس وتجانس التباين واعتدالية التوزيع، مروراً بالحذر الصارم من تأثير القيم المتطرفة والعلاقات غير الخطية ومفارقة سيمبسون، ووصولاً إلى الفصل الإبستمولوجي القاطع بين التلازم الارتباطي والعلية السببية. إن الالتزام بهذه الضوابط النظرية، المقترن بالتوثيق الإحصائي الدقيق وفق المعايير العالمية، هو الضمان الحقيقي لتحويل الأرقام الصماء إلى معرفة علمية رصينة تسهم في فهم وتفسير السلوك الإنساني.

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.
• Galton, F. (1886). Regression towards mediocrity in hereditary stature. The Journal of the Anthropological Institute of Great Britain and Ireland, 15, 246–263. https://doi.org/10.2307/2841583
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• 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.