معامل فاي: التعريف والأمثلة

يُعد التحليل الإحصائي حجر الزاوية الذي تستند إليه العلوم السلوكية والاجتماعية والطبية لتحويل الظواهر المعقدة إلى مؤشرات كمية قابلة للقياس والتفسير. وفي سياق القياس النفسي (Psychometrics) والبحث الكمي، تبرز الحاجة الماسة إلى أدوات دقيقة قادرة على استكشاف العلاقات والروابط البينية بين المتغيرات المصنفة في مستويات قياس مختلفة. ومن بين هذه الأدوات المنهجية، يحتل معامل فاي (Phi Coefficient) مكانة محورية وفريدة باعتباره المقياس الإحصائي المعياري المصمم خصيصاً لتقدير قوة واتجاه الارتباط بين متغيرين اسميين ثنائيي التقسيم (Dichotomous Variables).

تكمن فرادة هذا المعامل في قدرته على الربط الرياضي الأنيق بين منهجيات الاستدلال القائمة على اختبارات الاستقلالية في الجداول التوافقية من جهة، والنماذج الكلاسيكية للارتباط الخطي من جهة أخرى. فعلى الرغم من بساطة بنيته الحسابية المعتمدة على جداول الاقتران الرباعية (2×2 Contingency Tables)، إلا أن خصائصه الجبرية والرياضية تجعله امتداداً مباشراً لمعامل ارتباط بيرسون لعزم حاصل الضرب، مما يمنحه رصانة نظرية وقابلية تطبيقية واسعة في تحليل بنود المقاييس النفسية، تقييم موثوقية التشخيصات الإكلينيكية، وفحص الفرضيات التجريبية في شتى الميادين المعرفية.

يهدف هذا الدليل الشامل والموسع إلى تقديم دراسة معمقة وتأصيلية لمعامل فاي؛ بدءاً من جذوره التاريخية وافتراضاته النظرية، مروراً بصيغه الرياضية وطرق حسابه اليدوية والبرمجية، وصولاً إلى تطبيقاته المتقدمة في القياس النفسي وحدوده المنهجية وطرق توثيقه الأكاديمي وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th). وسنستعرض عبر صفحات هذا المقال أمثلة واقعية مفصلة وخطوات تطبيقية دقيقة تتيح للباحث والممارس الإلمام الكامل بأسرار هذا المعامل الإحصائي الدقيق وتطبيقه بكفاءة وموثوقية.

1. المدخل التأسيسي لمفهوم معامل فاي (Phi Coefficient) في القياس النفسي والإحصاء

1.1 ما هو معامل فاي وتاريخ نشأته؟

يُعرَّف معامل فاي (ويرمز له بالحرف الإغريقي $phi$ أو بالرمز $r_\phi$) بأنه مقياس إحصائي لامعلمي يُستخدم لقياس درجة الارتباط والاقتران بين متغيرين نوعيين، يشترط في كل منهما أن يكون ثنائي التقسيم حصراً (Dichotomous). يعود الفضل في تطوير هذا المعامل إلى عالم الإحصاء البريطاني الشهير كارل بيرسون (Karl Pearson) في أوائل القرن العشرين، حيث كان يبحث عن صيغة رياضية تتيح تكييف معامل ارتباطه الشهير (معامل ارتباط بيرسون لعزم حاصل الضرب) ليتعامل بكفاءة مع المتغيرات المنفصلة المصنفة في جداول توافقية من رتبة $2 times 2$.

يمثل معامل فاي معياراً كمياً دقيقاً لتحديد مدى ميل الأفراد أو الحالات الذين يشتركون في سمة معينة ضمن المتغير الأول إلى إظهار سمة محددة ضمن المتغير الثاني. ويعمل المعامل على قياس الانحراف عن فرضية الاستقلال التام بين المتغيرين، حيث يترجم الفروق بين التكرارات الملاحظة والتكرارات المتوقعة داخل خلايا الجدول الرباعي إلى قيمة قياسية تتراوح نظرياً بين $-1$ و $+1$، مما يتيح للباحثين استنتاج ليس فقط وجود العلاقة، بل أيضاً اتجاهها النسبي وقوتها التأثيرية.

1.2 موقع معامل فاي ضمن مقاييس الارتباط الإحصائي

يحتل معامل فاي موقعاً فريداً في خريطة الإحصاء الوصفي والاستدلالي؛ فبينما تُعنى مقاييس النزعة المركزية (كالوسط والوسيط والمنوال) ومقاييس التشتت (كالانحراف المعياري والتباين) بوصف خصائص توزيع متغير أحادي، تتولى مقاييس الارتباط مهمة الكشف عن البنية العلائقية بين متغيرين أو أكثر. وتختلف هذه المقاييس جذرياً باختلاف مستويات القياس (اسمي، رتبي، فئوي، نسبي). ففي حين يُعد معامل ارتباط بيرسون ($r$) المعيار الذهبي للمتغيرات الكمية المتصلة ذات التوزيع الطبيعي، ومعامل سبيرمان ($rho$) للمتغيرات الرتبية، يبرز معامل فاي كالأداة المخصصة للبيانات الاسمية الثنائية.

تكمن القوة المنهجية لمعامل فاي في كونه يمثل جسراً تحليلياً يربط بين تحليل جداول الاقتران ونماذج الارتباط الخطي. فإذا قمنا بترميز الفئات الثنائية رقمياً بالقيمتين (0 و 1)، فإن التطبيق الرياضي المباشر لمعامل ارتباط بيرسون على هذه الأرقام سيعطي ناتجاً مطابقاً تماماً لقيمة معامل فاي المحسوبة من جدول الاقتران الرباعي. هذا التكافؤ الرياضي يمنح معامل فاي صبغة مزدوجة: فهو من جهة مقياس اقتران مبني على بنية توزيع كاي تربيع ($\chi^2$)، ومن جهة أخرى هو معامل ارتباط خطي حقيقي بين متغيرات ثنائية التوزيع (Bernoulli Variables).

1.3 أهمية معامل فاي في الأبحاث السلوكية والنفسية

تعتمد الأبحاث السلوكية والطبية النفسية بشكل واسع على المتغيرات الثنائية في صياغة الفرضيات وبناء أدوات القياس. ويبرز دور معامل فاي كأداة حاسمة في عدة مجالات سيكومترية وإكلينيكية؛ أولها فحص التوافق والارتباط بين التشخيصات النفسية الثنائية، مثل دراسة الاقتران بين الإصابة باضطراب الاكتئاب الجسيم (موجود / غير موجود) والإصابة باضطرابات القلق العام (موجود / غير موجود). يتيح معامل فاي للأطباء والباحثين فهم معدلات المراضة المشتركة (Comorbidity) بصورة كمية دقيقة.

كما يُستخدم المعامل بكثافة في دراسات علم النفس التجريبي والتعلم لتقييم الاستجابات السلوكية المزدوجة (مثل: نجاح / فشل في أداء مهمة إدراكية، ظهور الاستجابة الشرطية / غيابها) تحت ظروف تجريبية متباينة. علاوة على ذلك، يشكل معامل فاي الدعامة الأساسية في بناء وتقنين الاختبارات والمقاييس السيكومترية القائمة على الاختيار الثنائي (نعم / لا، صحيح / خاطئ)، حيث يُستخدم لتقييم الاتساق الداخلي، وقوة التمييز للفقرات، والتحقق من الصدق التمييزي والتقاربي للأدوات التشخيصية.

2. الشروط والافتراضات المنهجية لاستخدام معامل فاي

2.1 طبيعة المتغيرات الثنائية (Binary Variables)

الشرط الجوهري والأول لتطبيق معامل فاي هو أن يكون كِلا المتغيرين محل الدراسة مقاسين على المستوى الاسمي الثنائي (Dichotomous/Binary Scale). يعني هذا الافتراض بالضرورة أن كل متغير يجب أن يتكون من فئتين اثنتين فقط، وأن تكون هاتان الفئتان حصرتين ومتبادلتين (Mutually Exclusive)، بحيث يستحيل منطقياً وإجرائياً أن تنتمي الحالة الواحدة إلى الفئتين في آنٍ واحد، فضلاً عن كونهما شاملتين لجميع الحالات المدروسة (Exhaustive).

تُعامل هذه البيانات رقمياً عادةً من خلال الترميز الثنائي المعياري (0 و 1)، حيث يمثل أحد الرقمين غياب السمة أو الفئة المرجعية، بينما يمثل الآخر وجود السمة أو الفئة المستهدفة. ومن الأمثلة الشائعة لهذه المتغيرات في العلوم الإنسانية: النوع الاجتماعي (ذكر / أنثى)، الحالة الوظيفية (يعمل / لا يعمل)، نمط الاستجابة لمثير بصري (استجاب / لم يستجب)، والنجاح الأكاديمي في اختبار الكفاءة (ناجح / راسب). إن غياب الطبيعة الثنائية لأحد المتغيرين يبطل فوراً صلاحية استخدام الصيغة القياسية لمعامل فاي ويتطلب اللجوء إلى مقاييس ارتباط أخرى.

2.2 الثنائية الحقيقية مقابل الثنائية المصطنعة

من الضروري في المنهجية الإحصائية التمييز بدقة بين المتغيرات الثنائية الحقيقية (True Dichotomy) والمتغيرات الثنائية المصطنعة (Artificial Dichotomy). تُشير الثنائية الحقيقية إلى متغيرات توجد بطبيعتها الأصلية والجوهرية في صورتين منفصلتين لا تقبلان التدرج المستمر، مثل كون الكائن الحي (حي / ميت) أو نتيجة فحص الحمض النووي (مطابق / غير مطابق). في هذه الحالات، يكون معامل فاي هو المقياس الأمثل والأكثر تعبيراً عن طبيعة العلاقة الكامنة.

في المقابل، تنشأ الثنائية المصطنعة عندما يقوم الباحث عمداً بتقسيم متغير كمي متصل إلى فئتين، كأن يُصنف الأفراد بناءً على درجاتهم في مقياس الذكاء المتصل إلى (مرتفع الذكاء / منخفض الذكاء) بالاعتماد على نقطة قطع معينة (Cutoff Point). يؤدي هذا التقسيم القسري إلى فقدان جزء كبير من التباين والبيانات الأصلية، مما يتسبب في كبح قيمة معامل فاي والتقليل من حجم الارتباط الحقيقي. في مثل هذه الحالات المصطنعة، يفضل علماء القياس النفسي استخدام معامل التوافق التتراكوري (Tetrachoric Correlation) كبديل إحصائي أكثر دقة وملاءمة، لأنه يفترض توزيعاً طبيعياً متصلاً كامناً خلف التصنيف الثنائي المصطنع.

2.3 متطلبات حجم العينة واستقلالية المشاهدات

تستلزم المعالجة الموثوقة لمعامل فاي الالتزام الصارم بشرط استقلالية الملاحظات (Independence of Observations)؛ أي أن استجابة أي فرد أو حالة داخل العينة يجب ألا تؤثر بأي شكل من الأشكال على استجابة أي فرد آخر، وألا تظهر الحالة الواحدة في أكثر من خلية واحدة من خلايا جدول الاقتران. إن انتهاك هذا الشرط، كما هو الحال في التصاميم التجريبية التي تتضمن قياسات متكررة لنفس الأفراد قبل وبعد العلاج، يجعل استخدام معامل فاي غير مناسب منهجياً، ويستدعي بدلاً منه استخدام اختبارات مخصصة للبيانات المترابطة مثل اختبار ماكنيمار (McNemar’s Test).

علاوة على ذلك، وحيث إن معامل فاي يرتبط رياضياً وثيقاً بتوزيع كاي تربيع، فإن كفاءته ودقته الاستدلالية تعتمدان على حجم التكرارات المتوقعة (Expected Frequencies) في خلايا جدول التوافق. يُشترط تقليدياً ألا يقل التكرار المتوقع في أي خلية من الخلايا الأربع عن 5 مشاهدات لضمان ثبات الخطأ المعياري، كما يُنصح بأن يتجاوز الحجم الكلي للعينة ($N$) ما لا يقل عن 30 إلى 50 حالة لتفادي التقديرات المنحازة والتأرجحات الحسابية الحادة الناتجة عن صغر العينات.

3. البناء الرياضي والصيغة الإحصائية لمعامل فاي

3.1 هيكل جدول الاقتران الرباعي (2×2 Contingency Table)

يمثل جدول الاقتران الرباعي الأساس الجبري الذي تُبنى عليه كافة العمليات الحسابية لمعامل فاي. يتكون الجدول من أربع خلايا رئيسية تمثل التكرارات الملاحظة الناتجة عن التقاطع بين مستويي المتغير الأول ومستويي المتغير الثاني، ويتم ترميز هذه الخلايا عالمياً بالأحرف اللاتينية ($A, B, C, D$) على النحو التالي:

• الخلية A: عدد الحالات التي تجمع بين المستوى الأول للمتغير الأول والمستوى الأول للمتغير الثاني (وجود السمة في كِلا المتغيرين).
• الخلية B: عدد الحالات التي تجمع بين المستوى الأول للمتغير الأول والمستوى الثاني للمتغير الثاني.
• الخلية C: عدد الحالات التي تجمع بين المستوى الثاني للمتغير الأول والمستوى الأول للمتغير الثاني.
• الخلية D: عدد الحالات التي تجمع بين المستوى الثاني للمتغير الأول والمستوى الثاني للمتغير الثاني (غياب السمة في كِلا المتغيرين).

تكتمل بنية الجدول من خلال حساب المجاميع الهامشية (Marginal Totals) التي تمثل مجموع التكرارات عبر الصفوف والأعمدة؛ حيث يمثل $(A + B)$ مجموع الصف الأول، و$(C + D)$ مجموع الصف الثاني، في حين يمثل $(A + C)$ مجموع العمود الأول، و$(B + D)$ مجموع العمود الثاني. أما المجموع الكلي للعينة ($N$) فهو حاصل جمع كافة التكرارات داخل الخلايا الأربع:$N = A + B + C + D$.

3.2 المعادلة الرياضية القياسية لمعامل فاي وشرح عناصرها

تُصاغ المعادلة الجبرية المباشرة لحساب معامل فاي انطلاقاً من التكرارات الملاحظة والمجاميع الهامشية في جدول التوافق الرباعي وفق الشكل الرياضي التالي:

$$\phi = \frac{AD – BC}{\sqrt{(A + B)(C + D)(A + C)(B + D)}}$$

يقوم بسط المعادلة $(AD – BC)$ بحساب الفرق بين حاصل ضرب عناصر القطر الرئيسي (الذي يمثل التوافق والتطابق التام في الاستجابات: $A \times D$) وحاصل ضرب عناصر القطر الثانوي (الذي يمثل التناقض والاختلاف في الاستجابات: $B \times C$). إذا كان التوافق أكبر من التناقض، تكون إشارة البسط موجبة، والعكس صحيح، بينما تعني القيمة الصفرية للبسط التوازن التام والاستقلال المطلق بين المتغيرين.

أما مقام المعادلة، فيمثل عامل المعايرة والتقييس الرياضي، وهو الجذر التربيعي لحاصل ضرب المجاميع الهامشية الأربعة للجدول: $\sqrt{(A + B)(C + D)(A + C)(B + D)}$. تضمن هذه القيمة في المقام ضبط الناتج النهائي ليكون محصوراً ضمن النطاق القياسي لمعاملات الارتباط، وتُحيّد تأثير التفاوت في الأحجام الإجمالية للصفوف والأعمدة.

3.3 العلاقة الرياضية بين معامل فاي واختبار كاي تربيع (Chi-Square)

يرتبط معامل فاي برابطة بنيوية عميقة مع اختبار الاستقلالية كاي تربيع ($\chi^2$) لجداول التوافق $2 times 2$. يمكن التعبير عن معامل فاي بدلالة إحصاء كاي تربيع والحجم الإجمالي للعينة ($N$) عبر الصيغة التالية:

$$\phi = \sqrt{\frac{\chi^2}{N}} \quad \text{أو} \quad |phi| = \sqrt{\frac{\chi^2}{N}}$$

تُظهر هذه العلاقة أن معامل فاي ما هو إلا مقياس لحجم التأثير (Effect Size) مشتق مباشرة من إحصاء كاي تربيع بعد تحييد أثر حجم العينة؛ إذ من المعروف أن قيمة $\chi^2$ تتضخم طردياً مع زيادة حجم العينة حتى لو كانت قوة العلاقة ثابتة، بينما يحافظ معامل فاي على تقييم مستقل ومعياري لشدة الاقتران.

تجدر الإشارة إلى أن استخراج قيمة فاي عبر الجذر التربيعي لـ $(\chi^2 / N)$ يعطي دائماً قيمة موجبة (القيمة المطلقة). لتحديد الإشارة الجبرية الصحيحة (موجبة أم سالبة)، يتعين على الباحث مراجعة حاصل ضرب الأقطار في البسط $(AD – BC)$ أو فحص نمط انتشار البيانات؛ فإذا كان حاصل ضرب القطر الثانوي $BC$ يفوق حاصل ضرب القطر الرئيسي $AD$، تُمنح قيمة فاي إشارة سالبة لتعكس العلاقة العكسية بدقة.

4. دليل خطوة بخطوة لحساب معامل فاي يدوياً

4.1 الخطوة الأولى: تنظيم البيانات وتفريغها في جدول التوافق

تبدأ المعالجة اليدوية لبيانات المتغيرات الثنائية بتنقية المشاهدات الخام وفرزها بعناية. يقوم الباحث بتحديد مستويات كل متغير بوضوح، وترميزها (عادةً: 1 للسمة الإيجابية أو وجود الظاهرة، و 0 للسمة السلبية أو غياب الظاهرة). بعد ذلك، يتم توزيع الحالات على الخلايا الأربع ($A, B, C, D$) دون أي ازدواجية.

بمجرد الانتهاء من التوزيع، تُجمع التكرارات في كل صف لحساب المجاميع الهامشية الأفقية ($A+B$ و $C+D$)، وتُجمع تكرارات كل عمود لحساب المجاميع الهامشية الرأسية ($A+C$ و $B+D$). في نهاية هذه الخطوة، يجب التأكد الحتمي من أن مجموع الصفين يساوي مجموع العمودين، وأن كلاهما يطابق تماماً الحجم الكلي للعينة المدروسة ($N$).

4.2 الخطوة الثانية: حساب حاصل ضرب الأقطار وتحديد البسط

في هذه المرحلة الحسابية، نركز على استخراج قيمة بسط المعادلة. يتم أولاً ضرب التكرار في الخلية $A$ بالتكرار في الخلية $D$ للحصول على حاصل ضرب القطر الرئيسي ($AD$). بعد ذلك، يتم ضرب التكرار في الخلية $B$ بالتكرار في الخلية $C$ للحصول على حاصل ضرب القطر الثانوي ($BC$).

تُطرح القيمة الثانية من الأولى لتطبيق الصيغة: $\text{البسط} = AD – BC$. يُسجل الناتج بعناية مع الاحتفاظ بإشارته الجبرية (سواء كانت موجبة أو سالبة)، حيث يمثل هذا الرقم الأساس التفاضلي الذي يحدد طبيعة الاقتران بين المتغيرين واتجاهه المبدئي.

4.3 الخطوة الثالثة: حساب المقام والجذر التربيعي للمجاميع الهامشية

تتطلب هذه الخطوة تسلسلاً حسابياً دقيقاً لتفادي الأخطاء التراكمية الناتجة عن التقريب. نقوم أولاً بضرب المجاميع الهامشية الأربعة معاً بالتتابع:

$$\text{حاصل ضرب الهوامش} = (A + B) \times (C + D) \times (A + C) \times (B + D)$$

نظراً لأن ناتج هذا الضرب قد يكون رقماً كبيراً جداً خاصة في العينات المتوسطة والكبيرة، يُستحسن استخدام آلة حاسبة دقيقة لإجراء العملية. بعد استخراج الناتج الإجمالي لعملية الضرب، نأخذ الجذر التربيعي الكامل لهذا الرقم:

$$\text{المقام} = \sqrt{(A + B)(C + D)(A + C)(B + D)}$$

يمثل هذا الناتج النهائي للمقام قيمة موجبة دائماً تشكل مقياس التباين الهامشي الكلي للجدول الرباعي.

4.4 الخطوة الرابعة: استخراج القيمة النهائية وضبط الإشارة

تتمثل الخطوة الختامية في قسمة البسط المستخرج في الخطوة الثانية على المقام المستخرج في الخطوة الثالثة وفق المعادلة:

$$\phi = \frac{\text{البسط}}{\text{المقام}}$$

يتم تقريب الناتج النهائي عادة إلى منزلتين أو ثلاث منازل عشرية وفق التقاليد الأكاديمية المتبعة. يجب على الباحث هنا إجراء فحص منطقي سريع: يجب أن تقع القيمة المحسوبة حتماً ضمن المجال المغلق $[-1.00, +1.00]$. إذا تجاوزت القيمة هذا النطاق، فإن ذلك يُعد مؤشراً قاطعاً على وجود خطأ حسابي في جمع الهوامش أو استخراج الجذور، مما يستوجب مراجعة الحسابات بالكامل.

5. أمثلة تطبيقية تفصيلية لحساب معامل فاي في العلوم النفسية والسلوكية

5.1 مثال 1: دراسة الارتباط بين النوع الاجتماعي وتفضيل نمط العلاج النفسي

في دراسة إكلينيكية هدفت إلى فحص ما إذا كان هناك ارتباط بين النوع الاجتماعي للمريض النفسي ونوع العلاج النفسي المفضل لديه، تم سحب عينة عشوائية مكونة من 100 مريض (50 ذكراً و 50 أنثى). تم تصنيف التفضيل إلى نمطين: العلاج المعرفي السلوكي (CBT) والتحليل النفسي الدينامي (Psychoanalysis). أظهرت البيانات الخام النتائج التكرارية التالية:

• الذكور الذين يفضلون العلاج المعرفي السلوكي (الخلية A) = 35
• الذكور الذين يفضلون التحليل النفسي (الخلية B) = 15
• الإناث اللاتي يفضلن العلاج المعرفي السلوكي (الخلية C) = 15
• الإناث اللاتي يفضلن التحليل النفسي (الخلية D) = 35

لحساب معامل فاي، نقوم أولاً بتحديد المجاميع الهامشية:

• مجموع الصف الأول (الذكور) = $A + B = 35 + 15 = 50$
• مجموع الصف الثاني (الإناث) = $C + D = 15 + 35 = 50$
• مجموع العمود الأول (تفضيل CBT) = $A + C = 35 + 15 = 50$
• مجموع العمود الثاني (تفضيل التحليل النفسي) = $B + D = 15 + 35 = 50$
• إجمالي العينة ($N$) = $35 + 15 + 15 + 35 = 100$

نطبق المعادلة الرياضية القياسية خطوة بخطوة:

$$\text{البسط} = (A \times D) – (B \times C) = (35 \times 35) – (15 \times 15) = 1225 – 225 = 1000$$

$$\text{المقام} = \sqrt{(50) \times (50) \times (50) \times (50)} = \sqrt{6,250,000} = 2500$$

$$\phi = \frac{1000}{2500} = +0.40$$

التقرير التفسيري: تشير قيمة معامل فاي ($phi = +0.40$) إلى وجود ارتباط إيجابي متوسط إلى قوي بين النوع الاجتماعي وتفضيل نمط العلاج؛ حيث يميل الذكور في هذه العينة بصورة واضحة إلى تفضيل العلاج المعرفي السلوكي، بينما تميل الإناث بدرجة أكبر إلى تفضيل التحليل النفسي، وتعتبر هذه النتيجة دالة ومهمة في التخطيط لجلسات الإرشاد النفسي الفردي.

5.2 مثال 2: فحص العلاقة بين التعرض لضغوط العمل وظهور الاحتراق النفسي

أجرى فريق بحثي في الصحة المهنية دراسة لتقصي العلاقة بين التعرض لضغوط العمل المرتفعة والإصابة بمتلازمة الاحتراق النفسي (Burnout) لدى عينة قوامها 80 أخصائياً نفسياً يعملون في المستشفيات المركزية. تم تصنيف ضغط العمل إلى (مرتفع / منخفض) والاحتراق النفسي إلى (موجود / غير موجود). جاءت مصفوفة التكرارات كما يلي:

• ضغط مرتفع مع وجود احتراق نفسي (الخلية A) = 30
• ضغط مرتفع مع عدم وجود احتراق نفسي (الخلية B) = 10
• ضغط منخفض مع وجود احتراق نفسي (الخلية C) = 10
• ضغط منخفض مع عدم وجود احتراق نفسي (الخلية D) = 30

حساب المجاميع الهامشية للجدول:

• مجموع الصف الأول (ضغط مرتفع) = $30 + 10 = 40$
• مجموع الصف الثاني (ضغط منخفض) = $10 + 30 = 40$
• مجموع العمود الأول (احتراق موجود) = $30 + 10 = 40$
• مجموع العمود الثاني (احتراق غير موجود) = $10 + 30 = 40$
• الحجم الكلي للعينة ($N$) = $80$

التطبيق الجبري المباشر:

$$\text{البسط} = (30 \times 30) – (10 \times 10) = 900 – 100 = 800$$

$$\text{المقام} = \sqrt{40 \times 40 \times 40 \times 40} = \sqrt{2,560,000} = 1600$$

$$\phi = \frac{800}{1600} = +0.50$$

التقرير التفسيري: تكشف النتيجة عن ارتباط طردي قوي ($phi = +0.50$) بين التعرض لبيئات العمل عالية الضغط وظهور أعراض الاحتراق النفسي لدى الأخصائيين. يوضح هذا الاقتران القوي أن التدخلات الإدارية الرامية لخفض أعباء العمل قد تلعب دوراً محورياً في الوقاية من الانهيار النفسي المهني لدى ممارسي الرعاية الصحية.

5.3 مثال 3: قياس الارتباط بين التدخين واضطرابات جودة النوم

في مسح وبائي سلوكي شمل 120 طالباً جامعياً، تم فحص الارتباط بين عادة تدخين التبغ (مدخن / غير مدخن) والإصابة باضطرابات حادة في جودة النوم والأرق (يعاني من اضطراب / لا يعاني). تم تفريغ استجابات العينة في جدول التوافق على النحو الآتي:

• مدخن ويعاني من اضطراب النوم (A) = 28
• مدخن ولا يعاني من اضطراب النوم (B) = 12
• غير مدخن ويعاني من اضطراب النوم (C) = 24
• غير مدخن ولا يعاني من اضطراب النوم (D) = 56

المجاميع الهامشية لبيانات المسح:

• مجموع المدخنين ($A + B$) = $28 + 12 = 40$
• مجموع غير المدخنين ($C + D$) = $24 + 56 = 80$
• مجموع من يعانون من اضطراب النوم ($A + C$) = $28 + 24 = 52$
• مجموع من لا يعانون من اضطراب النوم ($B + D$) = $12 + 56 = 68$
• إجمالي العينة ($N$) = $120$

حساب المعادلة:

$$\text{البسط} = (28 \times 56) – (12 \times 24) = 1568 – 288 = 1280$$

$$\text{المقام} = \sqrt{40 \times 80 \times 52 \times 68} = \sqrt{11,315,200} \approx 3363.81$$

$$\phi = \frac{1280}{3363.81} \approx +0.38$$

التقرير التفسيري: يُظهر معامل فاي المحسوب ($phi = +0.38$) وجود ارتباط إيجابي دال إحصائياً ذي حجم تأثير متوسط بين تعاطي التبغ والمعاناة من اضطرابات النوم. يشير هذا التوافق إلى أن الطلاب المدخنين أكثر عرضة للإبلاغ عن مشاكل في كفاءة وجودة النوم مقارنة بنظرائهم غير المدخنين.

6. القواعد المنهجية لتفسير قيم معامل فاي ودلالتها

6.1 النطاق الرقمي لقيم فاي (-1 إلى +1) ودلالة الإشارة

يمتد النطاق النظري لمعامل فاي من $-1.00$ مروراً بالصفر وصولاً إلى $+1.00$. يحمل كل موقع على هذا المتصل العددي دلالة إحصائية نوعية تعكس النمط التوزيعي للعلاقة بين المتغيرين:

• الارتباط الطردي التام ($phi = +1.00$): يتحقق عندما تنحصر كافة المشاهدات في خلايا القطر الرئيسي فقط ($A$ و $D$) وتكون خلايا القطر الثانوي ($B$ و $C$) مساوية للصفر تماماً. يعني ذلك تطابقاً كاملاً ومتبادلاً بين فئات المتغيرين، بحيث يرتبط وجود السمة الأولى دائماً بوجود السمة الثانية، وغياب الأولى بغياب الثانية.
• الارتباط العكسي التام ($phi = -1.00$): يتحقق عندما تكون خلايا القطر الرئيسي ($A$ و $D$) فارغة تماماً (أصفاراً)، وتتركز كافة الحالات في خلايا القطر الثانوي ($B$ و $C$). يشير هذا إلى تنافر قطبي مطلق بين السمتين؛ فوجود إحداهما يستلزم حتماً غياب الأخرى.
• انعدام الارتباط المطلق ($phi = 0.00$): يحدث عندما يتساوى حاصل ضرب عناصر القطر الرئيسي مع حاصل ضرب عناصر القطر الثانوي ($AD = BC$). يمثل هذا الوضع حالة الاستقلال الإحصائي التام (Statistical Independence)، حيث لا توفر معرفة حالة الفرد في المتغير الأول أي قدرة تنبؤية على الإطلاق بحالته في المتغير الثاني.

6.2 معايير كوهين (Cohen’s Benchmarks) لتقييم حجم التأثير

لتقييم الأهمية العملية وحجم التأثير لمعامل فاي في الأبحاث السلوكية، صاغ عالم الإحصاء النفسي جاكوب كوهين (Jacob Cohen) مجموعة من المحكات الإرشادية القياسية التي تحظى بقبول واسع في الأوساط الأكاديمية:

• حجم تأثير صغير / ارتباط ضعيف (Small Effect): $|phi| \approx 0.10$؛ يشير إلى وجود علاقة طفيفة قد تكون ذات دلالة نظرية محدودة ولكنها قد تكتسب أهمية في الدراسات الوبائية واسعة النطاق.
• حجم تأثير متوسط / ارتباط معتدل (Medium Effect): $|phi| \approx 0.30$؛ يعكس اقتراناً واضحاً وملموساً يسهل ملاحظته في السياقات الإكلينيكية والتجريبية.
• حجم تأثير كبير / ارتباط قوي (Large Effect): $|phi| ge 0.50$؛ يدل على علاقة ترابطية قوية جداً بين المتغيرين ويوفر قدرة تنبؤية عالية.

ومع ذلك، ينبغي على الباحثين الحذر الشديد من التعامل مع محكات كوهين كقواعد جامدة ومعزولة؛ إذ يجب دائماً تفسير حجم التأثير في ضوء سياق البحث وطبيعة الظاهرة المدروسة وصعوبة قياس السلوك البشري، فضلاً عن مراعاة تأثير القيود الهامشية التي قد تكبح القيمة الرياضية للمعامل كما سنوضح لاحقاً.

6.3 اختبار الدلالة الإحصائية لقيمة معامل فاي (Significance Testing)

لا يكتمل التحليل الإحصائي بمجرد حساب القيمة الوصفية لمعامل فاي وحجم تأثيره، بل يجب التحقق مما إذا كان هذا الارتباط حقيقياً في المجتمع الأصلي أم أنه مجرد نتاج للصدفة أو خطأ المعاينة العشوائية. يتم اختبار الدلالة الإحصائية من خلال صياغة الفرضيات التالية:

• الفرضية الصفرية ($H_0$): $phi = 0$ (لا يوجد اقتران أو ارتباط بين المتغيرين في المجتمع).
• الفرضية البديلة ($H_1$): $phi ne 0$ (يوجد اقتران حقيقي دال إحصائياً بين المتغيرين).

يتم تقييم هذه الفرضيات بالاعتماد المباشر على اختبار كاي تربيع للاستقلالية بدرجة حرية واحدة ($df = (2-1) \times (2-1) = 1$). تُحسب قيمة كاي تربيع من معامل فاي عبر الصيغة المحولة: $\chi^2 = N \times \phi^2$. بعد ذلك، تُقارن القيمة المحسوبة بالقيمة الحرجة لتوزيع كاي تربيع عند مستوى دلالة محدد ($\alpha = 0.05$ حيث القيمة الحرجة = 3.841، أو $\alpha = 0.01$ حيث القيمة الحرجة = 6.635). إذا تجاوزت القيمة المحسوبة القيمة الحرجة (أو كانت القيمة الاحتمالية $p < \alpha$)، نرفض الفرضية الصفرية ونستنتج دلالة معامل فاي إحصائياً.

يجب التمييز الجوهري هنا بين الدلالة الإحصائية (Statistical Significance) والأهمية العملية أو الإكلينيكية (Clinical Significance)؛ فقد تسفر عينة ضخمة جداً ($N > 10,000$) عن قيمة فاي صغيرة جداً ($phi = 0.04$) ذات دلالة إحصائية فائقة ($p < 0.001$)، إلا أنها تظل عديمة الفائدة عملياً وتطبيقياً لضآلة حجم التأثير.

7. المقارنة بين معامل فاي ومقاييس الارتباط الثنائية الأخرى

7.1 معامل فاي مقابل معامل ارتباط بيرسون (Pearson r)

تُعد العلاقة بين معامل فاي ومعامل ارتباط بيرسون لعزم حاصل الضرب علاقة تطابق رياضي كامل في إطار محدد؛ فإذا تم ترميز فئات كِلا المتغيرين الثنائيين كمتغيرات وهمية (Dummy Variables) بالقيمتين الرقميتين 0 و 1، ثم طُبقت معادلة بيرسون القياسية المخصصة للبيانات الكمية المتصلة:

$$r = \frac{\sum (X – \bar{X})(Y – \bar{Y})}{\sqrt{\sum (X – \bar{X})^2 \sum (Y – \bar{Y})^2}}$$

فإن الناتج الجبري سيكون مطابقاً تماماً وبصورة مطلقة للناتج المستخرج من صيغة فاي المعتمدة على جداول التوافق الرباعية. يكمن الفارق الحقيقي في شروط ومستوى القياس؛ فمعامل بيرسون يتطلب في الأصل متغيرات فئوية أو نسبية متصلة تفترض التوزيع الطبيعي ثنائي المتغير، بينما صُمم معامل فاي ليتعامل مباشرة مع البيانات الاسمية المنفصلة دون الحاجة لافتراض الاتصال الرياضي.

تتمثل الميزة التطبيقية لصيغة فاي في بساطتها وسرعة إجرائها يدوياً وبرمجياً بالاعتماد على مجرد التكرارات البسيطة في جدول الاقتران، متفادية العمليات الحسابية المعقدة الخاصة بمتوسطات الانحرافات وحساب التباين المشترك التي تتطلبها معادلة بيرسون التقليدية.

7.2 معامل فاي مقابل معامل الارتباط ثنائي الفئة النقطي (Point-Biserial)

يُستخدم معامل الارتباط ثنائي الفئة النقطي (Point-Biserial Correlation – $r_{pb}$) في سياق منهجي مختلف نوعاً ما عن معامل فاي؛ حيث يُطبق عندما يكون أحد المتغيرين ثنائياً حقيقياً (مثل: النوع الاجتماعي: ذكر / أنثى) بينما يكون المتغير الآخر كمياً متصلاً مقاساً على مستوى فئوي أو نسبي (مثل: درجة اختبار القلق، الراتب الشهري، زمن رد الفعل بالمللي ثانية).

تعتمد صيغة معامل بوينت-بايسيريال على مقارنة متوسطات المتغير المتصل بين مجموعتي المتغير الثنائي مقسوماً على الانحراف المعياري الكلي. وبالتالي، لا يجوز منهجياً استخدام معامل فاي إذا كان أحد المتغيرين كمياً متصلاً، كما لا يجوز استخدام بوينت-بايسيريال إذا كان كِلا المتغيرين ثنائيين اسميين. يُعد هذا التمييز حاسماً في القياس النفسي لتجنب أخطاء التصميم الإحصائي عند إعداد مصفوفات الارتباط لفقرات الاختبارات والدرجات الكلية.

7.3 معامل فاي مقابل معامل التوافق التتراكوري (Tetrachoric Correlation)

ينشأ التنافس المنهجي الأبرز بين معامل فاي ومعامل الارتباط التتراكوري ($r_{tet}$) عند التعامل مع المتغيرات المصنفة في جداول $2 times 2$. يكمن الاختلاف الجوهري بينهما في الافتراضات الكامنة حول طبيعة التوزيع الأصلي للظاهرة المدروسة:

• معامل فاي ($phi$): لا يفترض وجود أي توزيع متصل كامن؛ فهو يتعامل مع الثنائية كواقع حقيقي ونهائي للظاهرة، ويقيس الارتباط الخطي المباشر بين التصنيفين المنفصلين.
• معامل تتراكوريك ($r_{tet}$): يفترض أن المتغيرين الثنائيين الملاحظين هما في الأصل متغيران متصلان يتبعان توزيعاً طبيعياً ثنائياً كامناً (Latent Bivariate Normal Distribution)، ولكنهما قُسما قسرياً إلى فئات ثنائية عبر نقاط قطع محددة.

يتفوق معامل تتراكوريك على معامل فاي في قدرته على الوصول إلى المدى الكامل للارتباط $[-1.00, +1.00]$ حتى في حالات عدم تماثل التوزيعات الهامشية (Marginal Skewness)، في حين يتأثر معامل فاي بشدة بهذا الانحياز الهامشي مما يقلص حده الأقصى رياضياً. ومع ذلك، يتطلب معامل تتراكوريك افتراضات بارامترية صارمة وخوارزميات حسابية معقدة لتقدير الأرجحية العظمى، مما يجعل معامل فاي أكثر مرونة وتحرراً من الافتراضات عندما تكون الثنائية حقيقية وليست مصطنعة.

8. تطبيقات معامل فاي في السيكومترك والقياس النفسي

8.1 تحليل فقرات المقاييس والاختبارات النفسية (Item Analysis)

يمثل تحليل الفقرات والمفردات الركيزة الأساسية في بناء الاختبارات السيكومترية وتحقيق جودتها القياسية. يُستخدم معامل فاي في هذا الإطار كأداة فعالة لحساب قوة تمييز المفردة (Item Discrimination Index) ذات التصحيح الثنائي (صحيح = 1 / خطأ = 0). يتم ذلك من خلال فحص مدى ارتباط الاستجابة على مفردة معينة بالتصنيف العام للأفراد في المقياس (مثل: المجموعة الطرفية العليا مقابل المجموعة الطرفية الدنيا بناءً على الدرجة الكلية للاختبار).

تُعد المفردة ذات كفاءة تمييزية عالية ومقبولة سيكومترياً إذا أظهرت معامل فاي موجباً ومرتفعاً ($phi ge 0.30$) مع محك الأداء الكلي؛ حيث يبرهن ذلك على أن المفردة تنجح في فرز الأفراد ذوي القدرة المرتفعة عن ذوي القدرة المنخفضة. في المقابل، فإن المفردات التي تسفر عن معاملات فاي قريبة من الصفر أو سالبة تُعد فقرات معيبة ومضللة يجب تعديل صياغتها أو استبعادها نهائياً أثناء مراحل تقنين وتطوير الاختبار النفسي.

8.2 حساب مصفوفات الارتباط بين المفردات (Inter-Item Correlation)

عند بناء المقاييس متعددة الفقرات القائمة على الإجابات الثنائية (مثل اختبارات الشخصية القائمة على نمط نعم/لا أو اختبارات التحصيل الموضوعية)، يقوم أخصائيو القياس بحساب مصفوفة معاملات فاي البينية (Inter-Item Phi Correlation Matrix) التي تتضمن معاملات الارتباط بين كل زوج من فقرات الاختبار. توفر هذه المصفوفة رؤية تفصيلية لمدى تجانس وتماسك بنود المقياس.

تُستخدم مصفوفة فاي كمدخل رئيسي في إجراء التحليل العاملي الاستكشافي (Exploratory Factor Analysis – EFA) والتحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA) للكشف عن البنية العاملية والسمات الكامنة التي يفسرها المقياس. علاوة على ذلك، ترتبط معاملات فاي البينية ارتباطاً وثيقاً بتقدير مؤشرات الاتساق الداخلي للاختبارات ثنائية التصحيح، وتحديداً معادلة كودر-ريتشاردسون 20 (Kuder-Richardson Formula 20 – KR-20)، حيث يرتفع ثبات المقياس طردياً مع زيادة متوسط معاملات فاي بين فقراته.

8.3 تقييم اتفاق المحكمين (Inter-Rater Agreement)

في الممارسة التشخيصية والإكلينيكية، تبرز الحاجة المستمرة لتقييم مدى تطابق أحكام اثنين من الأطباء النفسيين أو المقيمين المستقلين حول وجود أو غياب اضطراب نفسي معين لدى عينة من المرضى (مثل تشخيص اضطراب الشخصية الحدية: مشخص / غير مشخص). يمكن استخدام معامل فاي لحساب درجة الارتباط والاقتران بين تقييمات المحكمين.

ومع ذلك، ينبغي التمييز الدقيق بين معامل فاي ومؤشر كوهين كابا (Cohen’s Kappa – $kappa$) المستخدم أيضاً لهذا الغرض. يقيس معامل فاي الارتباط والاقتران النسبي بين أحكام المقيمين، بينما يقوم كوهين كابا بقياس التوافق والاتفاق المطلق بعد تصحيح واستبعاد نسبة الاتفاق المحتمل حدوثها بمحض الصدفة العشوائية (Chance Agreement). لذلك، يُفضل استخدام كوهين كابا لتقييم الاتفاق التشخيصي المباشر، بينما يُستخدم معامل فاي لتقييم قوة العلاقة التنبؤية والتلازمية بين أداتي التقييم المستقلتين.

9. القيود الإحصائية والتحديات المنهجية لمعامل فاي

9.1 تأثير التوزيعات الهامشية غير المتكافئة (Skewed Marginals)

يُعد تأثير الانحياز الهامشي (Marginal Inequity / Skewed Marginals) التحدي الإحصائي والرياضي الأكبر الذي يواجه معامل فاي. تنشأ هذه المشكلة عندما يختلف التوزيع النسبي لأحد المتغيرين اختلافاً حاداً عن التوزيع النسبي للمتغير الآخر في الهوامش؛ كأن تكون النسبة الهامشية لمتغير النوع 50% ذكور و 50% إناث، بينما تكون النسبة الهامشية لمتغير الإصابة بمرض نفسي نادر 95% أصحاء و 5% مصابين.

في مثل هذه الظروف الرياضية، يستحيل على معامل فاي الوصول إلى قيمته القصوى المطلقة ($+1.00$ أو $-1.00$) حتى لو كان هناك ارتباط تجريبي كامل ومثالي بين المتغيرين في حدود البيانات المتاحة. يؤدي هذا التوزيع غير المتكافئ إلى كبح اصطناعي لقيمة فاي (Artificial Truncation)، مما يجعل المعامل يقلل من التقدير الحقيقي لقوة العلاقة القائمة بين الظاهرتين ويزيد من احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error).

9.2 الحد الأقصى لمعامل فاي (Phi Max) والمعايرة التصحيحية

لمعالجة مشكلة الكبح الناتجة عن التوزيعات الهامشية المنحازة، طور علماء القياس مفهوم الحد الأقصى لمعامل فاي ($\phi_{\max}$). يمثل $\phi_{\max}$ أعلى قيمة ارتباط موجبة يمكن لجدول التوافق المعطى تحقيقها رياضياً في ضوء مجاميعه الهامشية الثابتة. تُحسب هذه القيمة من خلال إعادة ترتيب تكرارات الجدول لتعظيم التوافق في خلايا القطر الرئيسي مع الحفاظ على الهوامش كما هي، ثم تطبيق معادلة فاي.

انطلاقاً من ذلك، ظهرت صيغة معامل فاي النسبي أو المصحح (Corrected / Normalized Phi):

$$\phi_{\text{corrected}} = \frac{\phi}{\phi_{\max}}$$

وعلى الرغم من أن هذه المعايرة تتيح للباحث معرفة النسبة المئوية للارتباط المتحقق قياساً بالحد الأقصى الممكن رياضياً، إلا أن استخدام معامل فاي المصحح يواجه انتقادات وجدلاً أكاديمياً واسعاً في الإحصاء الحديث؛ لكونه غير مستقر إحصائياً، وتصعب مقارنته عبر عينات مختلفة ذات توزيعات هامشية متباينة، فضلاً عن افتقاره لتوزيع احتمالي معياري محدد يمكن استخدامه لاختبار الفرضيات بدقة.

9.3 مخاطر الخلط بين الاقتران والسببية في النماذج الثنائية

من المزالق التفسيرية الشائعة في العلوم الإنسانية افتراض أن الحصول على معامل فاي مرتفع ودال إحصائياً بين متغيرين ثنائيين يعني بالضرورة وجود علاقة سببية مباشرة (Causal Relationship) بينهما. يجب التأكيد المنهجي الصارم على أن معامل فاي هو مقياس للاقتران والتزامن الإحصائي فقط (Statistical Association)، ولا يقدم أي برهان تجريبي على أن المتغير الأول يسبب حدوث المتغير الثاني.

تتأثر العلاقات الثنائية في كثير من الأحيان بوجود متغيرات وسيطة أو مربكة كامنة (Confounding Variables) تقود الاقتران الملاحظ. على سبيل المثال، قد يظهر معامل فاي ارتباطاً قوياً بين تعاطي دواء معين وتحسن الأعراض النفسية، في حين يكون المتغير الحقيقي الفعال هو التزام المريض بجلسات الدعم النفسي غير المقاسة أو أثر التوقع الإيجابي (Placebo Effect). لذلك، يستلزم بناء الاستنتاجات السببية اللجوء إلى التصاميم التجريبية المحكمة ذات التعيين العشوائي، أو استخدام النماذج الإحصائية المتقدمة لضبط المتغيرات الدخيلة.

10. حساب معامل فاي باستخدام البرمجيات واللغات الإحصائية

10.1 تنفيذ معامل فاي في برنامج SPSS

يُعد برنامج الحزم الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics) من أكثر البرمجيات استخداماً في الأبحاث الأكاديمية لتنفيذ معامل فاي. يتم حساب المعامل واختبار دلالته عبر واجهة المستخدم الرسومية باتباع المسار الإجرائي التالي:

1. التوجه إلى القائمة الرئيسية واختيار: Analyze ثم Descriptive Statistics ثم Crosstabs…
2. نقل المتغير الثنائي الأول إلى مربع الصفوف (Row(s)) والمتغير الثنائي الثاني إلى مربع الأعمدة (Column(s)).
3. النقر على زر Statistics… في الجانب الأيمن للنافذة.
4. تفعيل خيار Chi-square وخيار Phi and Cramer’s V من قسم المقاييس الاسمية (Nominal).
5. الضغط على Continue ثم OK لتنفيذ الإجراء.

يُخرج البرنامج جدولين رئيسيين: جدول الجداول المتقاطعة (Crosstabulation) لعرض التكرارات المشاهدة والهامشية، وجدول المقاييس المتماثلة (Symmetric Measures) الذي يحتوي على القيمة الدقيقة لمعامل فاي (Phi Value) ومستوى الدلالة التقريبية المقابل لها (Approximate Significance / $p$-value).

10.2 حساب معامل فاي باستخدام لغة البرمجة الإحصائية R

توفر بيئة لغة R الإحصائية مرونة فائقة وقوة حاسوبية متقدمة لتقدير معامل فاي وفواصل الثقة الخاصة به. يمكن للباحثين استخدام الدوال الأساسية أو استدعاء الحزم التخصصية مثل حزمة `psych` وحزمة `DescTools`. نوضح فيما يلي البنية البرمجية المتبعة لحساب المعامل:

أولاً، يتم إنشاء جدول التوافق الرباعي من البيانات الخام أو من التكرارات المباشرة باستخدام الدالة matrix() أو table():

contingency_matrix <- matrix(c(35, 15, 15, 35), nrow = 2, byrow = TRUE)

لحساب معامل فاي مباشرة، يمكن استخدام دالة phi() من حزمة `psych` التخصصية:

library(psych)
phi_result <- phi(contingency_matrix, digits = 3)
print(phi_result)

ولاستخراج فترات الثقة (Confidence Intervals 95%) واختبار الدلالة الاستدلالية بدقة، يُفضل استخدام حزمة `DescTools` عبر الدالة الشاملة:

library(DescTools)
Phi(contingency_matrix, conf.level = 0.95)

تتيح هذه الحزم للباحث إنتاج تقارير تحليلية شاملة تتضمن التقدير النقطي لحجم التأثير ومداه الاحتمالي في المجتمع الأصلي.

10.3 تحليل معامل فاي عبر بيئة بايثون (Python)

في بيئة بايثون لتحليل البيانات والتعلم الآلي، تُستخدم مكتبات pandas و scipy.stats لحساب جداول التوافق واستخراج معامل فاي بدقة عالية. نوضح فيما يلي التسلسل البرمجي المتبع:

أولاً، يتم بناء مصفوفة التوافق أو تلخيص البيانات عبر دالة الجداول المتقاطعة في مكتبة بانداس:

import numpy as np
import pandas as pd
from scipy.stats import chi2_contingency

# إنشاء جدول التوافق الرباعي
observed_table = np.array([[35, 15], [15, 35]])

لحساب معامل فاي انطلاقاً من اختبار كاي تربيع المدمج في ساي باي:

# حساب كاي تربيع وحجم العينة الإجمالي
chi2, p_val, dof, expected = chi2_contingency(observed_table, correction=False)
n = np.sum(observed_table)

# حساب معامل فاي بدقة
phi_val = np.sqrt(chi2 / n)
print(f"Phi Coefficient: {phi_val:.4f}, p-value: {p_val:.4e}")

كما يمكن كتابة دالة مخصصة تطبق الصيغة الجبرية المباشرة للأقطار $(AD – BC) / \text{Denominator}$ لضمان استخراج الإشارة الجبرية الصحيحة في حالات الارتباط العكسي السالب.

11. البدائل الإحصائية المتقدمة لمعامل فاي ومتى نلجأ إليها؟

11.1 معامل فاي-كيرامر (Cramer’s V) للجداول الأكبر من 2×2

عندما تتوسع مشكلة البحث لتشمل متغيرات نوعية تحتوي على أكثر من فئتين (مثل: مقارنة ثلاثة أساليب علاجية عبر أربعة تصنيفات للاستجابة السلوكية)، يفقد جدول الاقتران رتبته الرباعية البسيطة ويصبح جدولاً متعدد الفئات من رتبة ($r \times c$). في هذا السياق، يصبح تطبيق معامل فاي القياسي غير ممكن رياضياً لعدم تكافؤ درجات الحرية.

يمثل معامل كرامر V (Cramer’s V) الامتداد الرياضي والنظري لمعامل فاي للتعامل مع الجداول التوافقية ذات الأبعاد الموسعة. تُحسب صيغته بمراعاة عدد الصفوف والأعمدة وفق المعادلة:

$$V = \sqrt{\frac{\chi^2}{N \times \min(r – 1, c – 1)}}$$

حيث يمثل $min(r-1, c-1)$ القيمة الصغرى بين عدد الصفوف مطروحاً منها واحد وعدد الأعمدة مطروحاً منها واحد. يضمن هذا التعديل بقاء قيمة المعامل محصورة بين 0 و 1 دائماً، وتوفر معايير كرامر تفسيراً دقيقاً لحجم التأثير مع تعديل المحكات القياسية لتتناسب مع درجات الحرية المتزايدة للجدول.

11.2 نسبة الأرجحية (Odds Ratio) ونسبة الخطر (Relative Risk)

في الأبحاث الطبية النفسية والوبائيات الإكلينيكية، يُفضل العديد من الباحثين استخدام نسبة الأرجحية (Odds Ratio – OR) كبديل لمعامل فاي لتفسير العلاقات في جداول $2 times 2$. تُحسب نسبة الأرجحية بقسمة حاصل ضرب القطر الرئيسي على حاصل ضرب القطر الثانوي:$text{OR} = (A times D) / (B times C)$.

تتميز نسبة الأرجحية بميزة إحصائية بالغة الأهمية: فهي لا تتأثر نهائياً بالتوزيعات الهامشية المنحازة (Marginal Invariance)، مما يجعلها مقياساً نقياً لقوة الاقتران خالياً من قيود الكبح التي يعاني منها معامل فاي. كما توفر نسبة الأرجحية تفسيراً إكلينيكياً بديهياً؛ حيث تعبر القيمة $\text{OR} = 3.5$ عن أن أرجحية حدوث الاضطراب لدى المجموعة المعرضة للخطر تفوق أرجحية حدوثه لدى المجموعة غير المعرضة بمقدار 3.5 أضعاف.

11.3 الانحدار اللوجستي الثنائي (Binary Logistic Regression)

يقتصر معامل فاي على التحليل ثنائي المتغيرات (Bivariate Analysis) الذي يفحص العلاقة المعزولة بين متغيرين فقط دون القدرة على إدخال متغيرات ضبط أخرى. وعندما تتطلب الفرضية البحثية دراسة العلاقة بين متغيرين ثنائيين مع التحكم الإحصائي في متغيرات وسيطة أو معدلة أو خصائص ديموغرافية متعددة (مثل العمر، الدخل، والمستوى التعليمي)، يصبح الانتقال إلى الانحدار اللوجستي الثنائي (Binary Logistic Regression) ضرورة منهجية لا غنى عنها.

يتيح نموذج الانحدار اللوجستي نمذجة الاحتمالية اللوغاريتمية (Log-Odds) للمتغير التابع الثنائي كدالة خطية لمجموعة من المتغيرات المستقلة الكمية والنوعية. وتتحول معاملات الانحدار المستخرجة ($\beta$) عبر الدالة الأسية إلى نسب أرجحية معدلة (Adjusted Odds Ratios – AOR)، مما يوفر فهماً متكاملاً وأكثر عمقاً ودقة للبنية السببية والعلائقية للظاهرة السلوكية في بيئتها الطبيعية المعقدة.

12. دليل كتابة وتوثيق نتائج معامل فاي وفق دليل جمعية علم النفس الأمريكية (APA 7th)

12.1 الصياغة النصية القياسية لنتائج معامل فاي

يفرض دليل النشر العلمي الصادر عن جمعية علم النفس الأمريكية في طبعته السابعة (APA 7th Edition) قواعد صارمة لتوثيق المؤشرات الإحصائية في المتن. عند كتابة نتائج معامل فاي، يجب كتابة الرمز الإحصائي بالخط المائل الإغريقي ($phi$) أو اللاتيني ($r_\phi$)، ويجب تضمين قيمة إحصاء كاي تربيع المصاحب، درجات الحرية، مستوى الدلالة الدقيق ($p$-value)، وحجم العينة الكلي.

نموذج صياغة قياسي مقبول وفق APA 7:

“أظهر اختبار الاستقلالية كاي تربيع وجود اقتران دال إحصائياً بين النوع الاجتماعي وتفضيل نمط العلاج النفسي، $\chi^2(1, N = 100) = 16.00, p < .001$. وبلغت قيمة معامل فاي $phi = .40$، مما يشير إلى حجم تأثير متوسط إلى كبير وفقاً لمحكات كوهين؛ حيث تبين أن نسبة تفضيل العلاج المعرفي السلوكي كانت أعلى بشكل ملحوظ لدى الذكور مقارنة بالإناث."

تنبيه توثيقي مهم: تحظر معايير APA وضع الصفر قبل الفاصلة العشرية في المؤشرات الإحصائية التي لا يمكن نظرياً أن تتجاوز الرقم واحد صحيح (مثل قيم $p$ وقيم معامل الارتباط $r$ ومعامل فاي $phi$)، لذا تُكتب القيمة بالشكل ($.40$) وليس ($0.40$).

12.2 عرض نتائج الجداول التوافقية ومصفوفات فاي

عند تضمين جداول الاقتران الرباعية $2 times 2$ في ملحق أو متن البحث وفق معايير APA 7th، يجب مراعاة الشروط التنسيقية التالية:

• ترقيم الجدول بوضوح بخط عريض (مثال: Table 3) يعلوه عنوان وصفي وموجز ومكتوب بالخط المائل (Crosstabulation of Gender and Psychotherapy Preference).
• تضمين التكرارات الملاحظة المطلقة ($n$) والنسب المئوية المحسوبة داخل الصفوف أو الأعمدة ($%$) في كل خلية لتسهيل المقارنة البصرية للقارئ.
• تجنب استخدام الخطوط الرأسية داخل الجدول واستخدام الخطوط الأفقية فقط لفصل العناوين الهامشية والمجاميع الكلية.
• إدراج قيمة معامل فاي، وفاصل الثقة 95%، وقيمة $p$ في ملاحظة أسفل الجدول (Table Note) مسبوقة بكلمة Note. بخط مائل.

12.3 الأخطاء الشائعة في التوثيق والتفسير وكيفية تجنبها

يقع العديد من الباحثين المبتدئين في أخطاء منهجية وتوثيقية متكررة عند التعامل مع معامل فاي؛ ومن أبرز هذه الأخطاء التي يجب تفاديها:

• الخلط بين فاي وكرامر V: تقديم معامل فاي باسم كرامر V في جداول $2 times 2$، وعلى الرغم من تساويهما الرياضي في الجداول الرباعية، إلا أن التسمية الأدق والأنسب للجداول ثنائية الأبعاد هي معامل فاي.
• إهمال اتجاه العلاقة: الاكتفاء بذكر القيمة المطلقة لحجم التأثير وإغفال التفسير الوصفي لاتجاه الاقتران (أي الفئات التي ترتبط بأيها إيجابياً أو سلبياً).
• تجاهل أثر التوزيعات الهامشية: عدم مناقشة ظاهرة الانحياز الهامشي في قسم المناقشة والقيود المنهجية للبحث عندما تكون العينات شديدة اللاتماثل في نسب الفئات، مما يقود إلى استنتاجات مضللة حول ضعف العلاقة الحقيقية.

خاتمة

يظل معامل فاي ($phi$) واحداً من أكثر المقاييس الإحصائية أناقة وأصالة في ترسانة التحليل البياني والقياس النفسي. فعبر تاريخه الممتد منذ أبحاث كارل بيرسون التأسيسية، أثبت هذا المعامل كفاءته العالية كأداة لا غنى عنها في استكشاف العلاقات وتحديد حجم التأثير بين المتغيرات الثنائية في العلوم السلوكية والطبية والإنسانية.

إن الاستخدام الرشيد لمعامل فاي يستلزم من الباحث إدراكاً عميقاً لافتراضاته المنهجية، وحدوده الرياضية المرتبطة بالتوزيعات الهامشية، والقدرة على التمييز الواعي بين دلالته الإحصائية وأهميته الإكلينيكية العملية. وعند دمجه مع التصاميم المنهجية الدقيقة والبرمجيات الإحصائية الحديثة وتوثيقه وفق المعايير الأكاديمية الرصينة، يمنح معامل فاي الباحثين رؤى علمية صلبة تمكنهم من تفسير الظواهر الإنسانية المعقدة بدقة وموثوقية عالية.

المراجع (References)

• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Cramér, H. (1946). Mathematical methods of statistics. Princeton University Press.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fleiss, J. L., Levin, B., & Paik, M. C. (2003). Statistical methods for rates and proportions (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471445428
• Glass, G. V., & Hopkins, K. D. (1996). Statistical methods in education and psychology (3rd ed.). Allyn & Bacon.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Revelle, W. (2023). psych: Procedures for psychological, psychometric, and personality research (R package version 2.3.9). Northwestern University. https://CRAN.R-project.org/package=psych
• Rosenthal, R. (1991). Meta-analytic procedures for social research (Revised ed.). SAGE Publications. https://doi.org/10.4135/9781412984997
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.