ساس: كيفية استخدام Proc Univariate لاختبارات التوزيع الطبيعي

تُعد مسألة التحقق من افتراض التوزيع الطبيعي (Normality Assumption) إحدى الركائز الأساسية التي تقوم عليها بنية الإحصاء الاستدلالي الكلاسيكي؛ فالكثير من النماذج الإحصائية المعلمية المتقدمة تفترض مسبقاً أن البيانات المسحوبة من المجتمع تتبع في توزيعها الاحتمالي منحنى التوزيع الطبيعي المعياري أو ما يُعرف بالمنحنى الجرسي غاوس. حينما يشرع الباحث الأكاديمي أو محلل البيانات في تطبيق نماذج مثل تحليل التباين، أو الانحدار الخطي المتعدد، أو اختبارات الفروق المعلمية، فإنه يضع مصداقية نتائجه على المحك إذا لم يتثبت تثبتاً منهجياً صارماً من استيفاء هذا الافتراض المحوري. إن القفز مباشرة إلى معالجة الفروض العلمية دون فحص دقيق لخصائص التوزيع قد يقود إلى نتائج مضللة وأخطاء استدلالية فادحة تؤثر على جوهر القرارات البحثية والتطبيقية المبنية عليها.

في هذا السياق المتشابك، تبرز حزمة برمجيات التحليل الإحصائي ساس (SAS System) كواحدة من أكثر البيئات البرمجية صرامة واعتمادية في مجالات البحوث الدوائية، والعلوم السلوكية، والاقتصاد القياسي. وتحديداً، توفر إجرائية التحليل أحادي المتغير Proc Univariate ترسانة شاملة ومتطورة من الأدوات الرياضية والبيانية المصممة لتشخيص سلوك البيانات الفردية. لا تكتفي هذه الإجرائية بتقديم المؤشرات الوصفية التقليدية كمقاييس النزعة المركزية والتشتت، بل تمتد لتتيح للمحللين إجراء فحوصات دلالية رسمية ومتعددة للتوزيع الطبيعي، بالإضافة إلى تشييد المخططات البيانية التشخيصية عالية الدقة التي تمكن الباحث من سبر أغوار الانحرافات الدقيقة في ذيول التوزيع وقمته.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك تحليلي متكامل لكيفية استخدام إجرائية Proc Univariate في نظام ساس لفحص التوزيع الطبيعي، بدءاً من المنطلقات النظرية للافتراضات الإحصائية، مروراً بالبناء البرمجي الدقيق للأوامر والخيارات المتقدمة، ووصولاً إلى القراءة النقدية المعمقة لنتائج الفحوصات الإحصائية الأربعة المدمجة ومخططات التوزيع الاحتمالي. كما يستعرض الدليل أثر حجم العينة على قوة هذه الاختبارات، وكيفية معالجة الانتهاكات المنهجية، وصولاً إلى التوثيق الأكاديمي الرصين للنتائج وفق أحدث معايير جمعية علم النفس الأمريكية (APA)، ليكون مرجعاً لا غنى عنه لكل باحث يسعى للتميز المنهجي في تحليلاته الإحصائية.

1. مقدمة إلى اختبارات التوزيع الطبيعي وأهميتها في التحليل الإحصائي

1.1 مفهوم التوزيع الطبيعي والافتراضات الإحصائية

يمثل التوزيع الطبيعي (Normal Distribution)، المعروف تاريخياً باسم توزيع غاوس، النموذج الاحتمالي الأكثر هيمنة واستخداماً في النظرية الإحصائية الحديثة وتطبيقاتها التجريبية. يتخذ هذا التوزيع هندسياً شكل منحنى متماثل تماماً يشبه الجرس، حيث تتطابق فيه قيم النزعة المركزية الثلاث: المتوسط الحسابي، والوسيط، والمنوال عند النقطة المركزية القصوى للمنحنى. تنحدر أطراف المنحنى بصورة تدريجية ومتناظرة نحو المحور الأفقي يمنة ويسرة دون أن تلامسه أبداً، فيما يُعرف رياضياً بالتقارب المقارب (Asymptotic behavior). ويتميز التوزيع الطبيعي المعياري بخصائص تجريبية ثابتة؛ إذ تقع نحو 68.26% من مجمل المشاهدات ضمن نطاق انحراف معياري واحد عن المتوسط، بينما يستوعب نطاق الانحرافين المعياريين ما نسبته 95.44% تقريباً، لترتفع هذه النسبة إلى 99.74% عند حدود ثلاثة انحرافات معيارية، وهو ما يؤسس للقاعدة التجريبية الشهيرة في ضبط الجودة وتوزيع الاحتمالات.

تستند النماذج الإحصائية المعلمية (Parametric Models) المتقدمة إلى افتراض حاسم مؤداه أن الأخطاء العشوائية أو المتغيرات التابعة المستهدفة بالدراسة تتبع هذا النمط التوزيعي الطبيعي داخل المجتمع الأصلي المسحوبة منه العينات. لا يُعد هذا الافتراض مجرد ترف رياضي شكلي، بل هو الأساس الرياضي والاشتقاقي الذي بُنيت عليه جداول توزيعات "ت" (t-distribution) وتوزيعات "ف" (F-distribution) المعتمدة في التحقق من الدلالة الإحصائية؛ ذلك أن إثبات دقة هذه التوزيعات المشتقة يستوجب ابتداءً اعتدالية المجتمع الأساسي. ومن هنا تنبثق ضرورة فحص الفرضيات الإحصائية المتعلقة بالاعتدالية؛ حيث تُصاغ الفرضية الصفرية ($H_0$) دائماً بافتراض أن البيانات المدروسة قد سُحبت من مجتمع يتبع التوزيع الطبيعي بدقة، في حين تنص الفرضية البديلة ($H_1$) على أن التوزيع الفعلي للبيانات ينحرف بصورة دالة إحصائياً عن نموذج التوزيع الطبيعي.

إن إدراك طبيعة الفرضية الصفرية في اختبارات التوزيع الطبيعي يضع الباحث أمام سياق استدلالي مغاير للاختبارات التجريبية التقليدية؛ فبينما يسعى الباحث عادة لرفض الفرضية الصفرية لإثبات وجود أثر تجريبي أو علاقة ارتباطية، فإنه في سياق التحقق من الاعتدالية يطمح إلى "عدم رفض الفرضية الصفرية"، أي إثبات أن البيانات لا تختلف جوهرياً عن النمط التوزيعي الطبيعي، مما يشرعن استخدام الأساليب المعلمية الأكثر كفاءة وقوة في اختبار الفروض العلمية.

1.2 أهمية التحقق من الاعتدالية في الأبحاث النفسية والاجتماعية

تكتسب مسألة التحقق من التوزيع الطبيعي في حقول العلوم النفسية، والسلوكية، والتربوية، والاجتماعية حساسية استثنائية تنبع من طبيعة الظواهر المقاسة ذاتها. فالسمات النفسية الكامنة، مثل الذكاء، والقلق، ودافعية الإنجاز، والرضا الوظيفي، تقاس عادة عبر استبانات ومقاييس سيكومترية مركبة تستند إلى تدريج ليكرت أو مقاييس المسافات المتساوية المفترضة. وعلى الرغم من أن النظرية الكلاسيكية للقياس تفترض أن هذه السمات تتوزع طبيعياً داخل المجتمعات الإنسانية الكبيرة وفق المنحنى الغاوسي، إلا أن التطبيق الميداني الفعلي يكشف مراراً عن انزياحات حادة ناتجة عن التحيزات السلوكية، مثل مرغوبية التوافق الاجتماعي (Social Desirability)، وتأثير السقف والأرضية (Ceiling and Floor Effects) في الاختبارات المعرفية والتحصيلية.

يضمن التحقق المنهجي الصارم من اعتدالية التوزيع للباحث النفسي والاجتماعي سلامة الاستدلال الإحصائي وصحة القرارات المبنية على فحص الفروق بين المجموعات التجريبية والضابطة، أو عند قياس معاملات الارتباط البيني بين المتغيرات. إن افتراض التوزيع الطبيعي دون فحص قد يؤدي بالدراسات السلوكية إلى تشويه خطير في تقدير حجوم الأثر (Effect Sizes)، مما يهدد بدوره الصدق الداخلي والخارجي للبحث، ويعيق إمكانية تراكم المعرفة وتكرار النتائج في دراسات لاحقة (Replication Crisis).

علاوة على ذلك، يرتبط التحقق المنهجي من الاعتدالية بحماية الباحث من الوقوع في شرك الأخطاء الاستدلالية من النوع الأول (Type I Error)، المتمثل في رفض الفرضية الصفرية الصائبة وادعاء وجود فروق أو علاقات وهمية لا وجود لها في الواقع، أو الوقوع في الخطأ من النوع الثاني (Type II Error)، المتمثل في الإخفاق في رصد التأثيرات والعلاقات الحقيقية القائمة بسبب تدني قوة الاختبار الإحصائي عند انتهاك الافتراضات التوزيعية الأساسية. ومن ثم، فإن فحص التوزيع الطبيعي يمثل خطوة وقائية جوهرية لترشيد المسار التحليلي وضمان الرصانة العلمية للنتائج السلوكية.

1.3 عواقب انتهاك فرضية التوزيع الطبيعي

يترتب على الإخلال بافتراض التوزيع الطبيعي عواقب وخيمة تطال البنية الاستدلالية للتحليلات الإحصائية المتقدمة. في اختبارات "ت" لعينتين مستقلتين، واختبارات تحليل التباين الأحادي والمتعدد (ANOVA / MANOVA)، يفقد الإحصاء الاختباري دقته المعيارية إذا كانت التوزيعات الحقيقية تتسم بالتواء شديد (Skewness) أو تفرطح مفرط (Kurtosis). في هذه الحالات، تصبح القيمة الاحتمالية المحسوبة ($p$-value) غير دقيقة، مما يقود إلى تضخيم معدلات الخطأ الاسمي؛ إذ قد يقرر الباحث وجود دلالة إحصائية عند مستوى 0.05 بينما يكون المعدل الحقيقي للخطأ الفعلي قد تجاوز 0.10 أو أكثر بسبب تشوه التوزيع تحت المنحنى.

أما في إطار نماذج الانحدار الخطي البسيط والمتعدد، فإن افتراض التوزيع الطبيعي لا ينصب على المتغيرات المستقلة ذاتها، بل يرتبط ارتباطاً وثيقاً بسلوك البواقي أو الأخطاء العشوائية للنموذج (Residuals). يؤدي انتهاك هذا الافتراض إلى انحرافات حادة في تقدير الأخطاء المعيارية لمعاملات الانحدار (Standard Errors of Regression Coefficients)، مما يترتب عليه بالضرورة تشويه فترات الثقة (Confidence Intervals) وجعل اختبارات المعنوية الخاصة بمعلمات النموذج غير موثوقة. يفضي ذلك في كثير من الأحيان إلى بناء نماذج تنبؤية هشة تفشل كلياً عند تعميمها على بيانات جديدة مستخلصة من ذات المجتمع الإحصائي.

أمام هذه التداعيات الخطيرة، يصبح لزاماً على المحلل الإحصائي اتخاذ قرارات منهجية مبكرة لمعالجة ظاهرة غياب الاعتدالية. تتراوح هذه القرارات بين تطبيق التحويلات الرياضية المناسبة على البيانات الأصلية لإعادتها إلى مسار التوزيع السوي، أو التخلي الواعي عن النماذج المعلمية والانتقال المنظم نحو استخدام الاختبارات اللامعلمية أو البدائل التقديرية المتينة (Robust Statistics) التي لا ترهن صحة نتائجها باستيفاء شروط التوزيع الطبيعي المقيدة.

2. نظرة عامة على إجرائية Proc Univariate في نظام ساس

2.1 بنية الإجرائية Proc Univariate ووظائفها التحليلية

تُمثل إجرائية Proc Univariate حجر الزاوية في منظومة التحليل الإحصائي الاستكشافي المدمجة في حزمة برمجيات SAS Base. صُممت هذه الإجرائية البرمجية خصيصاً لتوفير تشريح دقيق وشامل لخصائص المتغيرات الكمية المستمرة بشكل منفرد، متجاوزة حدود التلخيص العددي البسيط لتشمل طيفاً واسعاً من المؤشرات الرياضية المتقدمة التي تلبي متطلبات التحليل الأكاديمي الصارم. تتكامل البنية البرمجية للإجرائية بسلاسة ضمن بيئة ساس عبر سياق تركيبي مرن يسمح باستدعاء عمليات حسابية معقدة عبر بضعة سطور برمجية محكمة البناء والتنفيذ.

تتولى Proc Univariate حساب وتوليد منظومة متكاملة من المقاييس الإحصائية التي تشمل مؤشرات النزعة المركزية التقليدية كالمتوسط والوسيط والمنوال، إلى جانب مؤشرات التشتت المتقدمة مثل التباين، والانحراف المعياري، والمدى، والمدى الربيعي (Interquartile Range). كما تنفرد الإجرائية بإنتاج جدول تفصيلي للمئينيات (Percentiles) ونقاط الانقسام الربعية والعشرية، فضلاً عن حساب العزوم الإحصائية الأربعة الأولى (Moments) التي توفر التقديرات الدقيقة للمتوسط والتباين ومعاملي الالتواء والتفرطح، وهي المعالم الحاسمة في استجلاء الطبيعة الهندسية لتوزيع البيانات قيد الفحص.

تتعدى قدرات الإجرائية مجرد الوصف الساكن لتصل إلى التشخيص الاحتمالي التجريبي؛ إذ تمتلك خوارزميات داخلية قادرة على ملاءمة ومقارنة البيانات الميدانية مع العديد من التوزيعات النظرية المتصلة، مثل التوزيع الأسي، وتوزيع وايبل، وتوزيع لورنتز، وفي مقدمتها التوزيع الطبيعي. يتيح هذا الربط التحليلي للباحثين تقييم كفاءة وملاءمة النماذج الاحتمالية المفترضة للبيانات قبل الالتزام بنماذج القياس والتنبؤ المعلمية المعقدة.

2.2 الفروق الجوهرية بين Proc Univariate وإجراءات التحليل الوصفي الأخرى

يقع العديد من المبتدئين في التحليل الإحصائي باستخدام نظام ساس في خلط منهجي بين الوظائف المتباينة للإجراءات الوصفية، وتحديداً بين إجرائيتي Proc Means و Proc Summary من جهة، وإجرائية Proc Univariate من جهة أخرى. في حين تُعد Proc Means الأداة المثلى للتلخيص السريع والفعال للمتغيرات عبر المجموعات الفرعية وتوليد تقارير مجملة بأقل استهلاك لموارد المعالجة الحاسوبية، فإنها تظل محدودة الأفق فيما يتعلق بتشخيص الخصائص التوزيعية التفصيلية؛ حيث تقتصر مخرجاتها الافتراضية على عدد الحالات، والمتوسط، والانحراف المعياري، والقيم الدنيا والقصوى.

في المقابل، تتميز Proc Univariate بعمق تحليلي فائق يركز على فحص أدق تفاصيل التوزيع؛ إذ توفر تقارير مفصلة عن المشاهدات الشاذة والمتطرفة (Extreme Observations) المتمركزة في أقصى ذيول التوزيع، محددة أرقام السجلات الدقيقة المقابلة لأعلى خمس وأدنى خمس مشاهدات في ملف البيانات، وهو ما يفتقر إليه إجراء Proc Means كلياً. كما تنفرد Proc Univariate بتقديم معاملات الالتواء والتفرطح بشكل تلقائي قياسي ضمن جدول العزوم، مع احتساب الأخطاء المعيارية المقابلة لها.

ويكمن الفرق الحاسم والأكثر أهمية في أن Proc Univariate تحتوي على المحرك البرمجي المتخصص لإجراء الاختبارات الدلالية الرسمية للتوزيع الطبيعي، إلى جانب قدرتها الفريدة على تشييد المخططات التشخيصية المتقدمة مثل مخططات التوزيع الطبيعي ومخططات التشتت الربعية (Q-Q Plots). إن هذه الإمكانات المتقدمة تجعل من Proc Univariate الخيار الذي لا بديل عنه عند الشروع في التحقق المنهجي من فرضيات التوزيع، بينما تظل الإجراءات الأخرى أدوات مساعدة للتلخيص الروتيني السريع.

2.3 آلية عمل الخيار NORMAL المدمج في الإجرائية

يمثل الخيار NORMAL الكلمة المفتاحية الجوهرية في لغة ساس التي تحوّل إجرائية Proc Univariate من مجرد أداة لتوليد الإحصاءات الوصفية إلى محرك استدلالي متكامل لاختبار فرضيات الاعتدالية. بمجرد إدراج هذا الخيار في سطر الأمر الرئيسي للإجرائية، يقوم المترجم الداخلي لساس بتفعيل سلسلة من الخوارزميات الحسابية المتطورة الموجهة لمقارنة الدالة التوزيعية التراكمية التجريبية المستخلصة من بيانات العينة بالدالة التوزيعية التراكمية للتوزيع الطبيعي النظري المستند إلى متوسط وانحراف العينة المعنيين.

تؤدي إضافة خيار NORMAL إلى قيام بيئة ساس بإنتاج وتوليد جدول مخرجات إحصائي مستقل يحمل عنوان "Tests for Normality". لا يقتصر هذا الجدول على اختبار واحد بل يعرض بشكل تلقائي ومجمع أربعة اختبارات دلالية معيارية مشهود لها بالكفاءة في الأدبيات الإحصائية: اختبار شابيرو-ويلك (Shapiro-Wilk)، واختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov)، واختبار كرامر-فون ميسيس (Cramér-von Mises)، واختبار أندرسون-دارلنج (Anderson-Darling). يتم احتساب الإحصاء الخاص بكل اختبار بدقة متناهية مع اشتقاق القيمة الاحتمالية المقابلة ($p$-value) بناءً على درجات الحرية وخصائص العينة المدروسة.

علاوة على ذلك، يتيح هذا الخيار للباحث إمكانية ربطه بخيارات رسومية أخرى مثل PLOT لتحفيز الإجرائية على بناء الرسوم البيانية الاستكشافية الملحقة في البيئة النصية، أو استخدامه تمهيداً لدمج أوامر المخططات عالية الجودة مثل تعليمة HISTOGRAM / NORMAL. يضمن هذا التكامل الإجرائي توفير رؤية تشخيصية مزدوجة تجمع بين الصرامة الحسابية للأرقام الدلالية وبين التجسيد البصري الواضح لسلوك البيانات الميدانية.

3. بناء الصيغة البرمجية الأساسية لاختبارات التوزيع الطبيعي

3.1 البنية التركيبية الأساسية لتعليمة Proc Univariate

تتبع لغة برمجة ساس قواعد تركيبية صارمة تعتمد على الخطوات الإجرائية (Proc Steps) وخطوات معالجة البيانات (Data Steps). يتأسس الكود البرمجي المخصص لاختبار التوزيع الطبيعي من خلال استدعاء الإجرائية وتحديد مجموعة البيانات المستهدفة، مقترنة بالخيار الموجه للاختبار الدلالي، وذلك على النحو التركيبي التالي:

PROC UNIVARIATE DATA=dataset_name NORMAL;
    VAR variable_name;
RUN;

يبدأ البناء النحوي بالأمر الرئيسي PROC UNIVARIATE متبوعاً بالمعامل DATA= الذي يوجه النظام بصورة لا لبس فيها إلى اسم جدول البيانات المخزن مسبقاً في مكتبة ساس المؤقتة (Work) أو الدائمة. يُلحق بهذا السطر الخيار المحوري NORMAL مفصولاً بمسافة واحدة ودون فواصل إضافية، وهو الخيار الذي يصدر التعليمات المباشرة لمعالج ساس لتنفيذ وتوليد مصفوفة اختبارات الاعتدالية الأربعة المنوه عنها سابقاً.

ينتهي السطر الإجرائي بفاصلة منقوطة (Semicolon)، والتي تُعد من أقدس القواعد النحوية في بيئة ساس؛ إذ إن إغفالها أو وضعها في غير موضعها الدقيق يؤدي فوراً إلى فشل التحليل وظهور رسائل الأخطاء في سجل التشغيل (SAS Log). وتختتم الكتلة البرمجية دائماً بتعليمة RUN;، وهي الإشارة التنفيذية التي تفصل بين مرحلة قراءة وتفسير التعليمات ومرحلة التنفيذ الفعلي والمعالجة الحسابية على خادم ساس، مما يضمن تدفقاً برمجياً آمناً ومنظماً.

3.2 تحديد المتغيرات المستهدفة عبر عبارة VAR

تلعب تعليمة VAR (اختصاراً لـ Variables) دوراً جوهرياً في ضبط كفاءة التحليل البرمجي وتوجيهه نحو الغايات المحددة بدقة. في حال نفذ الباحث أمر PROC UNIVARIATE دون تضمين تعليمة VAR، فإن النظام سيقوم تلقائياً بتطبيق الاختبارات والتحليلات الوصفية على كافة المتغيرات الرقمية المسجلة في قاعدة البيانات، وهو ما يؤدي إلى إهدار موارد المعالجة وتوليد مخرجات مطولة وضخمة يصعب فرزها واستخلاص الدلالات المفيدة منها، لا سيما في قواعد البيانات الكبيرة والمتعددة المتغيرات.

لتقييد التحليل وحصره في دائرة المتغيرات المعنية بالدراسة، تُدرج تعليمة VAR متبوعة باسم المتغير أو قائمة المتغيرات الكمية المستهدفة. على سبيل المثال، إذا كان الباحث يدرس متغيرين هما مستوى القلق ومعدل ضربات القلب، يُصاغ الأمر كالآتي: VAR anxiety_score heart_rate;. تقوم الإجرائية في هذه الحالة بمعالجة كل متغير بشكل مستقل تماماً، فتنتج جدول عزوم واختبارات اعتدالية خاصة بالمتغير الأول، تعقبه مباشرة الجداول الإحصائية للمتغير الثاني، مما يمنح الباحث تنظيماً هيكلياً رفيعاً لمخرجاته البحثية.

من الناحية المنهجية وقواعد البيانات، تشترط تعليمة VAR أن تكون المتغيرات المدرجة فيها متغيرات رقمية مستمرة أو متقطعة ذات ترميز عددي (Numeric Variables). يحظر النظام إدراج أي متغيرات حرفية أو نصية (Character Variables) داخل هذه العبارة؛ فإذا احتوت القائمة على متغير نصي، سيتوقف المترجم فوراً ويطلق رسالة خطأ صريحة في نافذة السجل تفيد بعدم إمكانية حساب المقاييس الرياضية على بيانات غير عددية، مما يفرض على المحلل التحقق المسبق من قواميس البيانات وتصنيف الأعمدة.

3.3 خيارات التنفيذ والتحكم في تدفق المخرجات

توفر بيئة ساس نظاماً متقدماً للتحكم في مخرجات التحليل يعرف باسم "نظام تسليم المخرجات" (Output Delivery System – ODS)، والذي يتكامل بعمق مع إجرائية Proc Univariate. نظراً لأن المخرجات الافتراضية للإجرائية تتسم بالكثافة العالية—حيث تغطي خمسة جداول رئيسية لكل متغير—فقد يرغب الباحث في تحسين كفاءة التحليل وحجب المخرجات غير الأساسية. يمكن تحقيق ذلك عبر إدراج خيار NOPRINT في سطر الإجرائية في حال كان الهدف الوحيد هو تخزين النتائج الإحصائية في ملفات وسيطة دون استعراضها على الشاشة، وهو أسلوب مفيد للغاية في عمليات المحاكاة أو النماذج الآلية التكرارية.

بالإضافة إلى ذلك، يمكن استخدام تعليمة OUTPUT لتصدير إحصاءات محددة إلى جدول بيانات جديد في ساس لإعادة استخدامها في تحليلات لاحقة. تتيح هذه التعليمة التقاط قيم معينة، مثل قيمة إحصاء شابيرو-ويلك أو القيمة الاحتمالية، وتعيينها كأعمدة داخل ملف مخرجات مخصص. يُصاغ ذلك وفق نسق تركيبي احترافي:

OUTPUT OUT=normality_results PROBN=p_value NORMALTEST=stat_value;

كما يمكن تعزيز تدفق المخرجات من خلال توظيف أوامر ODS الموجهة لاختيار جداول معينة وعزل ما سواها. على سبيل المثال، يمكن استخدام الأمر التالي قبل استدعاء الإجرائية:

ODS SELECT TestsForNormality Moments;

يضمن هذا الإجراء حصر المخرجات النهائية المعروضة على جدول اختبارات الاعتدالية وجدول العزوم فحسب، مما يجنب الباحث الغرق في تفاصيل إحصائية فائضة عن الحاجة ويركز الانتباه البحثي المباشر على المؤشرات الدلالية والشكلية الأكثر التصاقاً بأهداف التحقق من التوزيع الطبيعي.

4. إعداد مجموعات البيانات وتجهيزها للتطبيق العملي

4.1 إنشاء مجموعة بيانات تجريبية باستخدام DATA و DATALINES

لتطبيق المفاهيم النظرية بصورة عملية متكاملة، يتعين أولاً فهم كيفية تشييد وتجهيز مجموعة البيانات داخل بيئة ساس من خلال الأوامر البرمجية المباشرة. تُعد خطوة البيانات DATA Step الحاضنة الأساسية المسؤولة عن تشكيل هياكل البيانات، وضبط سمات المتغيرات، وإدخال المشاهدات الميدانية. تتضافر في هذا السياق تعليمات DATA و INPUT و DATALINES لبناء قاعدة بيانات تجريبية قابلة للتحليل المباشر.

يبدأ الكود البرمجي بتسمية مجموعة البيانات المستهدفة، ولتكن دراسة تجريبية تتناول قياس مستويات الرضا الوظيفي ودرجات الاحتراق النفسي لدى عينة من الموظفين:

DATA Psychological_Study;
    INPUT Subject_ID Age Gender $ Job_Satisfaction Burnout_Score;
    DATALINES;
101 28 M 78 32
102 34 F 85 24
103 45 M 62 55
104 52 F 58 61
105 23 M 91 18
106 39 F 74 41
107 41 M 70 48
108 31 F 88 29
109 60 M 50 72
110 36 F 79 35
;
RUN;

يوضح هذا الكود كيفية استخدام تعليمة INPUT لتعريف المتغيرات؛ حيث يرمز اسم المتغير المجرد (مثل Age و Job_Satisfaction) إلى متغيرات عددية مستمرة، بينما تتبع المتغيرات النصية، مثل متغير الجنس Gender، بعلامة الدولار ($) لتنبيه المترجم إلى تخزين القيم في نسق حرفي. تأتي تعليمة DATALINES لتؤذن ببدء تدفق السجلات الأولية، حيث تمثل كل سطر مشاهدة مستقلة تفصل بين قيم متغيراتها مسافات بيضاء واضحة، وتنتهي كتلة البيانات بفاصلة منقوطة منفردة على سطر مستقل تؤكد إتمام استيعاب المصفوفة وتجهيزها للمعالجة الإحصائية.

4.2 مراجعة هيكلية البيانات بواسطة Proc Print

عقب إتمام بناء مجموعة البيانات، يفرض الضبط المنهجي خطوة وسيطة بالغة الأهمية تتمثل في الفحص البصري والتحقق من صحة القراءة والترميز قبل الانتقال إلى التحليل المعقد. تؤدي إجرائية Proc Print هذه الوظيفة الرقابية بكفاءة مطلقة؛ إذ تقوم بطباعة السجلات المقروءة في نافذة النتائج لتمكين المحلل من مضاهاة البيانات المدخلة بالمصفوفة الأصلية والتأكد من انعدام أخطاء الإزاحة أو التحريف الناتجة عن أخطاء القراءة السطرية.

يتم تنفيذ الأمر البرمجي ببساطة متناهية من خلال الصياغة الآتية:

PROC PRINT DATA=Psychological_Study (OBS=10);
    TITLE 'فحص وتدقيق السجلات الأولية لمجموعة البيانات التجريبية';
RUN;

يوفر استخدام محدد المشاهدات (OBS=10) ميزة عملية مهمة، لا سيما عند التعامل مع مجموعات البيانات الضخمة التي تحتوي على مئات الآلاف من المشاهدات؛ إذ يكتفي النظام بطباعة عينة استكشافية تمثل السجلات العشرة الأولى، مما يتيح للمحلل التحقق من مطابقة أسماء الأعمدة، وسلامة تصنيف المتغيرات الرقمية والنصية، والتأكد من عدم حدوث أي تشويه أو تداخل في قيم المتغيرات المتتالية. كما تضفي تعليمة TITLE عنواناً وصفياً رسمياً يعزز التنظيم الأكاديمي لملف المخرجات الإجمالي ويسهل توثيقه المرجعي.

4.3 تنظيف البيانات والتعامل مع القيم المفقودة قبل الاختبار

تُمثل القيم المفقودة (Missing Values) والقيم الشاذة المتطرفة (Outliers) أبرز المهددات التي قد تعصف بدقة اختبارات التوزيع الطبيعي ومصداقيتها. في نظام ساس، يُرمز للقيم العددية المفقودة بنقطة منفردة (.). عند تشغيل إجرائية Proc Univariate، يقوم النظام تلقائياً باستبعاد المشاهدات ذات القيم المفقودة لكل متغير على حدة (Listwise / Pairwise exclusion بناء على التحليل المعين)، ويدرج جدولاً خاصاً في مخرجات التحليل يوضح عدد الحالات المفقودة والنسبة المئوية التي تشكلها من إجمالي العينة الأصلية.

من الضروري للباحث إجراء تدقيق مسبق للوقوف على النمط الذي تتخذه هذه البيانات المفقودة؛ فإذا كانت نسبة الفقد تتجاوز 5% من مجمل البيانات، أو كانت البيانات مفقودة بصورة غير عشوائية تماماً (Missing Not At Random – MNAR)، فإن الاكتفاء باستبعادها الآلي عبر ساس قد يؤدي إلى تحيز منهجي حاد يغير الشكل التوزيعي للمتغير تغييراً جذرياً. في مثل هذه الظروف، يُنصح بتطبيق تقنيات التعويض المتعدد (Multiple Imputation) باستخدام إجراءات ساس المتخصصة مثل Proc MI لاستعادة الاتزان الهيكلي للبيانات قبل إخضاعها لاختبارات الاعتدالية.

أما فيما يخص القيم الشاذة، فإن لاختبارات الاعتدالية حساسية بالغة تجاه المشاهدات المتطرفة الواقعة عند أطراف المنحنى. يُستحسن فحص قائمة أعلى وأدنى مشاهدات المنشورة في جدول Extreme Observations الخاص بإجرائية Proc Univariate. تتيح هذه الخطوة تشخيص ما إذا كانت هذه القيم المتطرفة ناجمة عن أخطاء إدخال مطبعية يجب تصحيحها، أو أنها تمثل مشاهدات حقيقية نادرة تعكس تبايناً واقعياً في السلوك المقاس، وفي هذه الحالة يُقرر الباحث الاحتفاظ بها مع أخذ تشوه التوزيع الناتج في الاعتبار، أو عزلها ضمن تحليل حساسية منفصل (Sensitivity Analysis).

5. الفحوصات الإحصائية الأربعة المدمجة للاعتدالية في SAS

5.1 اختبار شابيرو-ويلك (Shapiro-Wilk Test)

يُعد اختبار شابيرو-ويلك، الذي اقترحه العالمان صمويل شابيرو ومارتن ويلك عام 1965، واحداً من أكثر الاختبارات الإحصائية قوة وموثوقية في تقييم افتراض التوزيع الطبيعي. يرمز للإحصاء المحسوب لهذا الاختبار بالحرف $W$. يقوم الأساس الرياضي لاختبار شابيرو-ويلك على مقارنة النسبة بين تقديرين مستقلين للتباين؛ الأول هو تقدير المربعات الصغرى المعمم الخطي المستند إلى إحصاءات الرتب الترتيبية المتوقعة لتوزيع طبيعي، والثاني هو التقدير المعتاد لتباين العينة المحسوب حول المتوسط.

تتراوح القيمة الرياضية لإحصاء $W$ دائماً بين الصفر والواحد الصحيح ($0 < W le 1$). تشير القيمة القريبة جداً من الواحد الصحيح (مثل 0.98 أو 0.99) إلى التطابق شبه التام بين التوزيع التكراري للبيانات التجريبية ونموذج التوزيع الطبيعي النظري. في المقابل، كلما تراجعت قيمة$W$ متجهة نحو الصفر، كان ذلك دليلاً ساطعاً على وجود تشوهات وانحرافات جسيمة في شكل التوزيع تعكس ابتعاده الحاد عن سمات المنحنى الجرسي المتماثل.

أثبتت الدراسات المقارنة والمحاكاة الإحصائية عبر منهجية مونت كارلو أن اختبار شابيرو-ويلك يتفوق على سائر الاختبارات النظيرة في رصد الانحرافات عن الاعتدالية في العينات الصغيرة والمتوسطة التي يقل حجمها عن 2000 مشاهدة ($N < 2000$). في الإصدارات الحديثة من نظام ساس، عُدلت خوارزمية الاختبار لتتمكن من معالجة العينات التي تصل إلى 5000 مشاهدة بكفاءة عالية، مما يجعله المعيار الذهبي المفضل للأكاديميين عند دراسة عينات البحوث التجريبية والعلوم الإنسانية المقيدة الحجم.

5.2 اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test)

ينتمي اختبار كولموجوروف-سميرنوف إلى فئة الاختبارات المستندة إلى دالة التوزيع التراكمي التجريبية (Empirical Cumulative Distribution Function – ECDF). يرمز لإحصاء الاختبار بالرمز $D$. تعتمد آلية الاختبار المنهجية على حساب أقصى مسافة رأسية مطلقة (Maximum Vertical Deviation) بين دالة التوزيع التراكمي التجريبية المحسوبة من بيانات العينة الفردية $S_n(x)$ ودالة التوزيع التراكمي النظرية الافتراضية $F_0(x)$، معبراً عنها بالمعادلة المفاهيمية:

$$D = \sup_x |F_0(x) – S_n(x)|$$

حينما تُطبق هذه الإجرائية لاختبار التوزيع الطبيعي مع معالم مجهولة (المتوسط والتباين) يتم تقديرها مباشرة من بيانات العينة ذاتها، يفقد اختبار كولموجوروف-سميرنوف المعياري البسيط دقته، ويصبح متساهلاً بصورة مفرطة، مما يؤدي إلى خفض معدلات رفض الفرضية الصفرية الخاطئة. لمواجهة هذا القصور، تطبق بيئة ساس تلقائياً وبشكل مدمج "تعديل ليلفورس" (Lilliefors Test Modification). يقوم هذا التعديل بضبط الجداول التوزيعية للقيم الحرجة بناءً على معالم العينة المقدرة، مما يرفع من حساسية الإحصاء $D$ وموثوقيته الاستدلالية.

يتميز اختبار كولموجوروف-سميرنوف بقدرته العالية على معالجة مجموعات البيانات الكبيرة جداً؛ إذ يتولى ساس عرض نتائجه بصورة قياسية كخيار مفضل عندما يتجاوز حجم العينة 2000 مشاهدة. ومع ذلك، يؤخذ على هذا الاختبار في الأدبيات الإحصائية ضعفه النسبي في استشعار الانحرافات الطفيفة التي تحدث عند أطراف التوزيع وذيوله؛ إذ تتركز قوته الاستدلالية القصوى في فحص التماثل والانتظام حول منتصف التوزيع ونقطة النزعة المركزية.

5.3 اختبار كرامر-فون ميسيس (Cramér-von Mises Test)

يقدم اختبار كرامر-فون ميسيس، والذي يحمل إحصاؤه الرمز $W^2$ (أو $W\text{-Sq}$ في جداول ساس)، بديلاً منهجياً متقدماً يتجاوز المحدودية الكامنة في اختبار كولموجوروف-سميرنوف. فبينما يكتفي الأخير برصد أقصى انحراف نقطي منفرد بين التوزيعين، يقوم اختبار كرامر-فون ميسيس على قياس متكامل لمجموع مربعات الفروق بين دالة التوزيع التراكمي التجريبية ودالة التوزيع التراكمي النظرية على امتداد سائر المشاهدات في العينة.

يستند الحساب الرياضي للإحصاء إلى مبدأ التكامل التربيعي الوزني، والذي يضمن إسهام كافة نقاط البيانات الفردية في تحديد القيمة النهائية للإحصاء المحسوب. يؤدي هذا النهج التكاملي إلى جعل الاختبار عالي الحساسية والاستجابة لأي خلل عام في شكل المنحنى التراكمي، مما يمنحه قوة استدلالية متفوقة في تمييز التوزيعات التي تعاني من التواء متوسط أو عدم تناظر متوزع على نطاق واسع في قلب التوزيع.

يحتل اختبار كرامر-فون ميسيس موقعاً وسطاً متوازناً في الترسانة الإحصائية لنظام ساس؛ فهو يجمع بين شمولية النظرة التراكمية العامة وبين استقرار الأداء الرياضي عبر أحجام عينات متباينة. وعلى الرغم من أنه أقل شهرة وتداولاً في تقارير البحوث الاجتماعية مقارنة باختبار شابيرو-ويلك، إلا أن المدارس الإحصائية المتقدمة تعتمد عليه كأداة تحكيم قاطعة عندما تتقارب القيم الاحتمالية للاختبارات الأخرى من العتبة الحرجة لرفض الفروض.

5.4 اختبار أندرسون-دارلنج (Anderson-Darling Test)

يُمثل اختبار أندرسون-دارلنج، الذي يرمز لإحصائه بالرمز $A^2$ (أو $A\text{-Sq}$ في مخرجات ساس)، التعديل الأكثر رصانة وقسوة على بنية اختبارات المسافات التراكمية التربيعية. يعالج هذا الاختبار نقطة الضعف التاريخية في اختبارات ECDF المتمثلة في ضعف حساسيتها لأطراف التوزيع التكراري، وذلك عبر إدماج دالة ترجيح وزنية غير خطية تُضاعف من وزن وقيمة الانحرافات التي تحدث في الذيول القصوى (Tails of the distribution).

تكتسب هذه الصياغة الترجيحية أهمية استثنائية في التطبيقات الإحصائية الصارمة؛ فالكثير من النماذج المعلمية لا تتداعى بسبب عدم انتظام قلب التوزيع بقدر ما تتهاوى نتيجة ما يُعرف بـ "الأطراف الثقيلة" (Heavy Tails) أو وجود تفرطح مدبب ينتج مشاهدات متطرفة تؤثر تأثيراً هداماً على تباين النموذج وموثوقيته. وهنا تبرز كفاءة إحصاء $A^2$؛ حيث يؤدي أي خروج طفيف لقيم الذيول عن مسار التوزيع الطبيعي المتوقع إلى تضخيم قيمة الإحصاء بسرعة فائقة، مما يدفعه نحو منطقة الرفض الدلالي.

يُعد اختبار أندرسون-دارلنج الخيار الأفضل والأنسب للباحثين والمحللين الذين يتعاملون مع متغيرات تتسم بحساسية عالية للمخاطر أو القيم الطرفية، مثل مقاييس التدهور الإكلينيكي في الطب النفسي، أو قياسات تقلبات الأسواق المالية في الاقتصاد القياسي. إن انخفاض القيمة الاحتمالية لهذا الاختبار يحمل تحذيراً صريحاً للمحلل بأن ذيول التوزيع تبتعد جوهرياً عن الخصائص الغاوسية المعيارية، مما يستوجب الحذر البالغ قبل اعتماد نتائج النماذج المعلمية.

6. قراءة وتفسير جدول Tests for Normality في مخرجات SAS

6.1 فهم إحصاءات الاختبار (Test Statistics) المحسوبة

عند تنفيذ إجرائية Proc Univariate مع خيار NORMAL، تنتج البيئة البرمجية لساس جدولاً إحصائياً دقيقاً ومستقلاً يُعنون تلقائياً باسم Tests for Normality. يتألف هذا الجدول عادة من أربعة أعمدة متجاورة، يمثل العمود الأول منها التسمية الرسمية للاختبار (Test)، بينما يعرض العمود الثاني الرمز القياسي للإحصاء المحسوب (Statistic)، ويتضمن العمود الثالث القيمة الرقمية المحسوبة لذلك الإحصاء، ليختص العمود الرابع بالأهمية الاستدلالية عبر عرض القيمة الاحتمالية الدقيقة المقابلة (p-value).

يتعين على الباحث التعرف الدقيق على رموز الإحصاءات المعروضة في هذا الجدول لفك شفراتها الرياضية؛ حيث يُرمز لاختبار شابيرو-ويلك بالحرف $W$، في حين يُعبر عن إحصاء كولموجوروف-سميرنوف بالحرف $D$. ويستخدم ساس الرمز $W\text{-Sq}$ لتمثيل إحصاء كرامر-فون ميسيس، بينما يشار إلى إحصاء أندرسون-دارلنج بالرمز $A\text{-Sq}$. إن لكل إحصاء من هذه الإحصاءات مقياسه الخاص وسلوكه العددي؛ فبينما يُشير اقتراب الإحصاء $W$ من الواحد الصحيح إلى مؤشر إيجابي يدعم الاعتدالية، فإن انخفاض قيم الإحصاءات الثلاثة الأخرى ($D$, $W\text{-Sq}$, $A\text{-Sq}$) واقترابها من أدنى مستوياتها العددية هو الذي يمثل اقتراب البيانات من النموذج الطبيعي.

يقود الخلط بين طبيعة هذه المقاييس إلى ارتباك تحليلي كبير؛ فالباحث المبتدئ قد يتوهم خطأً أن ارتفاع قيمة إحصاء أندرسون-دارلنج يعكس اعتدالية قوية قياساً على سلوك إحصاء شابيرو-ويلك، في حين أن العكس هو الصحيح تماماً. إن القيمة العددية المجردة للإحصاء ما هي إلا تمثيل لكمية التباعد أو التوافق الرياضي، ولا يمكن إدراك مغزاها الاستدلالي النهائي إلا بالربط الوثيق مع القيمة الاحتمالية المصاحبة المدرجة في العمود المقابل.

6.2 تفسير القيمة الاحتمالية (p-value) ومقارنتها بمستوى الدلالة

تُمثل القيمة الاحتمالية، المعروضة في مخرجات جدول ساس تحت ترويسات مثل Pr < W أو Pr > D أو Pr > W-Sq أو Pr > A-Sq، المحور الرئيسي الذي يدور حوله القرار الاستدلالي برمته. تعبر هذه القيمة من المنظور الاحتمالي الكلاسيكي عن احتمالية الحصول على بيانات عينية تُظهر انحرافاً عن التوزيع الطبيعي مساوياً أو أشد من الانحراف الملاحظ فعلياً، بافتراض أن الفرضية الصفرية القائلة بأن البيانات تتبع التوزيع الطبيعي صحيحة تماماً في المجتمع الأصلي.

لتقييم هذه القيمة، يعمد الباحث إلى مقارنتها المباشرة بمستوى الدلالة الإحصائية الاسمي المعتمد سلفاً في التصميم المنهجي للبحث، والذي يستقر في الغالبية الساحقة من الدراسات الأكاديمية عند العتبة الحرجة $\alpha = 0.05$. فإذا كانت القيمة الاحتمالية المحسوبة في جدول ساس أكبر من أو تساوي 0.05 ($p ge 0.05$)، فإن الأدلة التجريبية المتاحة تُعد غير كافية لرفض الفرضية الصفرية، مما يقود إلى قبول استنتاج مفاده أن توزيع المتغير لا يختلف اختلافاً جوهرياً أو ذا دلالة إحصائية عن مسار التوزيع الطبيعي، مما يفسح المجال آمناً لتطبيق الاختبارات المعلمية.

في المقابل، إذا جاءت القيمة الاحتمالية متدنية وأقل من مستوى الدلالة المعتمد ($p < 0.05$)، فإن الفرضية الصفرية تنهار إحصائياً لصالح الفرضية البديلة؛ مما يعني أن الانحراف الملاحظ عن المنحنى الجرسي هو انحراف حقيقي وذو دلالة إحصائية لا يمكن عزوه لتقلبات المعاينة العشوائية وحدها. وكثيراً ما تعرض مخرجات ساس القيم المتناهية في الصغر بصيغة ترميزية صارمة p < .0001، وهي إشارة قاطعة تؤكد شذوذ التوزيع وتطرفه المطلق بعيداً عن أي خصائص اعتدالية معيارية.

6.3 صياغة القرار الإحصائي بقبول أو رفض الفرضية الصفرية

تتطلب صياغة القرار الإحصائي الرصين من الباحث تفهماً دقيقاً لفلسفة اختبار الفروض؛ إذ يجب الحذر من التعبير الخاطئ القائل بأن البيانات "تثبت أنها طبيعية كلياً"، واستبداله بالصياغة المنهجية الدقيقة: "أخفقت الاختبارات في إثبات انحراف ذي دلالة إحصائية عن التوزيع الطبيعي". فالقرار المنهجي السليم عند الحصول على قيم احتمالية تتجاوز 0.05 هو "الفشل في رفض الفرضية الصفرية" (Fail to reject the null hypothesis)، وهو ما يمنح الباحث الشرعية المنهجية لمعاملة المتغير وكأنه يتوزع اعتدالياً في حدود عينة البحث المتاحة.

تتعقد عملية اتخاذ القرار الإحصائي عندما يواجه المحلل ظاهرة تباين أو تضارب النتائج بين الاختبارات الأربعة المعروضة في ذات الجدول؛ فقد يظهر اختبار شابيرو-ويلك دلالة غير معنوية ($p = 0.08$) مشيراً إلى الاعتدالية، بينما يظهر اختبار أندرسون-دارلنج دلالة معنوية حادة ($p = 0.02$) رافضاً إياها. لا يعكس هذا التباين خطأً حسابياً في نظام ساس، بل هو نتاج مباشر للاختلاف الجوهري في الميكانيزم الرياضي وحساسية كل اختبار لمناطق التوزيع المختلفة؛ إذ يشير هذا النمط تحديداً إلى أن قلب التوزيع متماسك ومعتدل، لكن الذيول تحتوي على شواذ أثارت حساسية إحصاء $A\text{-Sq}$.

لحسم هذا التضارب بصورة منهجية، يُلزم الباحث بالاستناد إلى حجم العينة والمنطلقات النظرية للدراسة؛ ففي العينات الصغيرة ($N < 50$) يُمنح اختبار شابيرو-ويلك الأولوية التحكيمية القصوى استناداً إلى قوته الاختبارية المثبتة تاريخياً، بينما يُرجح اختبار أندرسون-دارلنج في الدراسات التي تخشى تأثير المشاهدات المتطرفة على أطراف القرارات. وفي كافة الأحوال، لا يجوز حسم القرار بناءً على الجداول الرقمية بمعزل عن الفحص البصري للمخططات البيانية ومؤشرات العزوم التوزيعية، مما يضمن اتخاذ قرار استدلالي متزن لا يرتهن لرقم إحصائي منفرد.

7. الفحص البياني المكمل للاعتدالية عبر Proc Univariate

7.1 تحليل مخططات التشتت الربعية (Q-Q Plots)

يُجمع خبراء الإحصاء التطبيقي على أن الفحوصات الإحصائية الرقمية للاعتدالية، على الرغم من دقتها وأهميتها، تظل عاجزة عن تقديم صورة تشخيصية متكاملة دون مساندة من التحليل البياني البصري. وتوفر إجرائية Proc Univariate إمكانات رسومية رفيعة المستوى من خلال تعليمة مخطط التشتت الربعي QQPLOT. يقوم هذا المخطط على رسم بياني ثنائي الأبعاد، يقارن بين القيم التجريبية الحقيقية المرصودة من العينة على أحد المحاور (الربيعيات المقاسة فعلياً) وبين القيم النظرية المتوقعة لتلك النقاط بافتراض التوزيع الطبيعي المعياري على المحور الآخر.

تتم كتابة الأمر البرمجي لاستدعاء هذا المخطط عالي الدقة داخل سياق الإجرائية عبر الصياغة التالية:

PROC UNIVARIATE DATA=Psychological_Study;
    VAR Job_Satisfaction;
    QQPLOT Job_Satisfaction / NORMAL(MU=EST SIGMA=EST COLOR=RED);
RUN;

يؤدي تحديد المعاملين MU=EST و SIGMA=EST إلى جعل ساس يقوم بتقدير المتوسط والانحراف المعياري مباشرة من بيانات العينة لرسم "الخط المرجعي المستقيم" (Reference Line). في حالة تطابق التوزيع الحقيقي مع التوزيع الطبيعي، ستصطف مجمل نقاط البيانات في المخطط اصطفافاً وثيقاً ومتسقاً فوق هذا الخط المستقيم بزاوية تقارب 45 درجة، بحيث لا تبدو أي نتوءات أو ابتعادات شاذة.

تكمن القوة التشخيصية لمخطط Q-Q في قدرته الفائقة على فك شفرات أنماط الانحراف اللاتماثلي؛ فإذا انحنت نقاط المخطط عند الأطراف لتتخذ شكلاً يشبه الحرف الإنجليزي "S" المقلوب، فإن ذلك يشخص فوراً وجود ظاهرة الذيول الثقيلة المفرطة (Heavy Tails)، حيث تتباعد القيم القصوى عن المسار المتوقع. أما إذا انحنى المسار التوزيعي بأكمله على شكل قوس مقعر أو محدب، فإن ذلك يمثل دليلاً بصرياً قاطعاً على وجود التواء موجب أو سالب حاد في البيانات، مما يعطي المحلل فهماً عميقاً لطبيعة التشوه يفوق بكثير مجرد معرفة أن القيمة الاحتمالية أقل من 0.05.

7.2 مخططات التوزيع الاحتمالي الطبيعي (Probability Plots)

تُعد تعليمة PROBPLOT المتفرعة من إجرائية Proc Univariate أداة بصرية موازية وشديدة التقارب مع مخططات Q-Q، غير أنها تعتمد في بنائها الهندسي على مقارنة دالة التوزيع التراكمي المئوية للمشاهدات الميدانية مع النسب المئوية النظرية لتوزيع غاوس. بدلاً من رسم القيم الخام للمتغير مقابل الدرجات المعيارية، يقوم هذا المخطط برسم قيم المتغير الأصلية على المحور الرأسي مقابل مقياس احتمالي غير خطي مصمم خصيصاً على المحور الأفقي ليعكس تزايد المساحات تحت منحنى التوزيع الطبيعي التراكمي.

تُصاغ التعليمة البرمجية ببساطة عبر استبدال الأمر الرسومي:

PROBPLOT Job_Satisfaction / NORMAL(MU=EST SIGMA=EST);

يتميز هذا المخطط بقدرته الفائقة على تيسير القراءة الحدسية لغير المتخصصين؛ فالمحور الاحتمالي يوضح بشكل بديهي كيف تتطابق نسب البيانات عند نقاط ارتكاز حيوية كالوسيط (50%)، ومناطق الأطراف عند المئين 5 والمئين 95. وإذا كانت البيانات تتبع مساراً طبيعياً معيارياً، فإنها تتراصف بتناغم مذهل بمحاذاة الخط المستقيم التقديري الذي يرسمه ساس فوق فضاء المخطط.

تظهر القيمة الاستكشافية الفارقة لمخطط التوزيع الاحتمالي الطبيعي عند الرغبة في تحديد مواضع التباين بدقة جغرافية بصرية؛ إذ يسهل على الباحث ملاحظة ما إذا كانت الانحرافات تتركز في النصف الأدنى للبيانات (مما يشير إلى مشكلات في عتبات الاستجابة الصغرى) أو أنها تنبثق في النطاقات العليا، مما يوفر منصة تشخيصية لا غنى عنها لبناء المعالجات التصحيحية الموجهة بدقة نحو مكامن الخلل التوزيعي.

7.3 رسم المدرج التكراري مع منحنى التوزيع الطبيعي المتراكب

يُمثل المدرج التكراري (Histogram) أقدم وأرسخ الأدوات البصرية في تمثيل التوزيعات التكرارية المستمرة، وتوفر إجرائية Proc Univariate عبر تعليمة HISTOGRAM إمكانات متميزة للدمج بين التوزيع التكراري الواقعي للبيانات ومنحنيات الكثافة الاحتمالية النظرية. تتيح هذه الخاصية للمحلل إجراء مطابقة بصرية عينية مباشرة بين ارتفاعات الأعمدة التكرارية والمنحنى الجرسي الأملس المرسوم فوقها بدقة فائقة.

تُبنى هذه التعليمة البرمجية المتقدمة وفق النمط التالي:

PROC UNIVARIATE DATA=Psychological_Study NOPRINT;
    VAR Job_Satisfaction;
    HISTOGRAM Job_Satisfaction / NORMAL(COLOR=BLUE W=2) CFILL=GRAY;
RUN;

يصدر هذا الكود أمراً لبيئة ساس ببناء مدرج تكراري يتم فيه ملء الأعمدة باللون الرمادي (CFILL=GRAY)، مع إسقاط وتراكب منحنى التوزيع الطبيعي النظري بلون أزرق وسماكة محددة (COLOR=BLUE W=2). يستند المنحنى المتراكب تلقائياً إلى المتوسط الحسابي والانحراف المعياري المحسوبين من العينة ذاتها، مما يخلق قالباً مرجعياً مرئياً يسمح بالمقارنة المباشرة.

من خلال هذا التمثيل البصري المتراكب، يستطيع الباحث تشخيص عيوب التوزيع بمجرد النظر؛ فظاهرة "ثنائية المنوال" (Bimodality)—حيث تنشأ قمتان تكراريتان منفصلتان داخل البيانات—تبرز فوراً كخرق صارخ لا يمكن للتوزيع الطبيعي أحادي القمة استيعابه، وهو أمر قد تخفق بعض الاختبارات الرقمية العامة في توضيحه بهذه الجلاء. كما تظهر اختلالات التناظر بوضوح عند تدفق الأعمدة التكرارية خارج إطار المنحنى الأزرق يمنة أو يسرة، مما يشكل دليلاً بديهياً معززاً للأرقام الاستدلالية الواردة في جداول الاختبارات.

8. تحليل مقاييس الالتواء والتفرطح لتقييم شكل التوزيع

8.1 مفهوم معامل الالتواء ومعايير تقييم انحراف البيانات

يُمثل معامل الالتواء (Skewness) العزم الإحصائي الممركز الثالث (Third Central Moment)، وهو المقياس الرياضي الأساسي المستخدم لتحديد درجة واتجاه عدم التماثل في توزيع البيانات حول متوسطها الحسابي. في التوزيع الطبيعي المعياري التام، تكون قيمة معامل الالتواء مساوية للصفر تماماً ($Skewness = 0$)؛ مما يعكس تطابقاً مطلقاً بين جانبي المنحنى، وتناصفاً دقيقاً للمشاهدات حول القيمة المركزية دون أي انحياز لأحد الطرفين على حساب الآخر.

عندما تزحف البيانات نحو تسجيل قيم موجبة لمعامل الالتواء ($Skewness > 0$)، يُعرف ذلك في الأدبيات بالالتواء الموجب أو الالتواء نحو اليمين (Right-skewed). يتميز هذا الشكل التوزيعي بذيل طويل يمتد نحو القيم المرتفعة على المحور الأفقي، بينما تتكدس الكتلة العظمى من المشاهدات في الجانب الأيسر المنخفض؛ مما يترتب عليه سحب المتوسط الحسابي للأمام ليصبح أكبر من الوسيط. وعلى النقيض من ذلك، يعبر معامل الالتواء السالب ($Skewness < 0$) عن التواء نحو اليسار (Left-skewed)، حيث يمتد الذيل نحو القيم الصغرى السالبة، ويتفوق الوسيط عددياً على المتوسط الحسابي المنحاز نحو طرف الذيل الممتد.

تستخرج قيمة الالتواء في مخرجات ساس مباشرة من جدول Moments القياسي، مصحوبة بخطئها المعياري الخاص ($SE_{Skewness}$). وفي الممارسات الأكاديمية الصارمة، يستند الباحثون إلى معايير إرشادية لتقييم جسامة الالتواء؛ إذ يُعد التوزيع قريباً بدرجة كافية من الاعتدالية إذا استقرت قيمة الالتواء ضمن النطاق المقبول الواقع بين $-1$ و $+1$، في حين تميل معايير النمذجة البنائية الحديثة (مثل معايير Kline) إلى قبول التوزيعات التي لا يتجاوز التواؤها المطلق عتبة $\pm 2$ لتطبيق النماذج المعلمية دون خشية من تداعيات الانحياز.

8.2 مفهوم معامل التفرطح وتحديد قمم وذيول التوزيع

يختص معامل التفرطح (Kurtosis)، وهو العزم الإحصائي الممركز الرابع (Fourth Central Moment)، بقياس حدة قمة التوزيع ومدى ثقل أو خفة ذيوله بالمقارنة مع المنحنى الجرسي الطبيعي. من الأهمية المنهجية بمكان إدراك أن نظام ساس، كمعظم الحزم الإحصائية المتقدمة، لا يحسب التفرطح المطلق للبيانات، بل يعتمد خوارزمية "التفرطح الفائض" (Excess Kurtosis). وفق هذه الصيغة، يُطرح الرقم 3 (وهو قيمة التفرطح المطلق للتوزيع الطبيعي) من القيمة المحسوبة، وبناءً على ذلك، تكون القيمة المعيارية للتفرطح الفائض في التوزيع الطبيعي داخل ساس مساوية تماماً للصفر ($Kurtosis = 0$).

تتفرع أنماط التفرطح إلى ثلاثة أشكال هندسية رئيسية تصف خصائص التوزيع بدقة:

• التوزيع المدبب أو ذو الذيول الثقيلة (Leptokurtic): وفيه يسجل معامل التفرطح في ساس قيمة موجبة تتجاوز الصفر ($Kurtosis > 0$). يتميز هذا التوزيع بقمة حادة ومرتفعة تتجمع حولها المشاهدات بإفراط، مع امتلاكه ذيولاً سميكة وممتدة تحتوي على مشاهدات متطرفة وشاذة بأكثر مما يتنبأ به المنحنى الطبيعي، وهو ما يشكل خطراً كبيراً على تباين النماذج الإحصائية.
• التوزيع المفرطح أو ذو الذيول الخفيفة (Platykurtic): وفيه يسجل المعامل قيمة سالبة تنحدر دون الصفر ($Kurtosis < 0$). يبدو التوزيع هنا مسطح القمة وتتوزع المشاهدات بانتشار أفقي واسع دون تركز كثيف في المركز، وتكون ذيوله خفيفة وقصيرة وخالية نسبياً من القيم الشاذة.
• التوزيع المعتدل القمة (Mesokurtic): وهو التوزيع النظري الطبيعي الذي يقترب فيه التفرطح الفائض من نقطة الصفر المعيارية، مما يعكس توازناً مثالياً بين كثافة القمة وثقل الذيول.

تكمن خطورة التفرطح المفرط في آثاره التخريبية على دقة اختبارات الفروض؛ فبينما يمتلك الالتواء أثراً مشوهاً على حساب المتوسطات والنزعة المركزية، فإن التفرطح المرتفع يضرب صميم حسابات الخطأ المعياري والتباين المشترك، مما يقود إلى تضييق وهمي في فترات الثقة وزيادة فرص الوقوع في الخطأ الإحصائي من النوع الأول إذا تجاوزت قيم التفرطح المطلقة حدود $\pm 7$ وفق أدبيات القياس المتقدمة.

8.3 الربط المنهجي بين المقاييس الوصفية والاختبارات الدلالية

يقتضي التحليل الإحصائي المحترف نسج رابطة منهجية متينة تجمع بين المؤشرات الوصفية المتمثلة في العزوم (الالتواء والتفرطح) وبين نتائج الاختبارات الدلالية الرسمية للتوزيع الطبيعي الصادرة عن إجرائية Proc Univariate. فالاعتماد المنفرد على الاختبارات الدلالية قد يوقع الباحث في فخاخ التفسير المجتزأ، كما أن الاكتفاء بالمقاييس الوصفية دون اختبارات رسمية يفتقر إلى الرصانة التحكيمية اللازمة للمنشورات الأكاديمية المحكمة.

تتمثل إحدى التقنيات الرياضية البارزة لدمج هذا المسار في حساب "الدرجة المعيارية للالتواء والتفرطح" ($Z_{skew}$ و $Z_{kurt}$). يتم ذلك عبر قسمة القيمة الوصفية للالتواء أو التفرطح المستخرجة من جدول Moments على خطئها المعياري المذكور في ذات الجدول، وفق الصيغة:

$$Z = \frac{\text{Statistic} - 0}{\text{Standard Error}}$$

تُقارن الدرجة المعيارية $Z$ الناتجة بالقيم الحرجة للتوزيع الطبيعي المعياري عند مستوى دلالة 0.05، وهي $\pm 1.96$. فإذا تجاوزت القيمة المطلقة لـ $Z$ هذا الحاجز الحرج، اعتُبر الالتواء أو التفرطح دالاً إحصائياً ومؤشراً مؤكداً على ابتعاد التوزيع عن الاعتدالية، مما يعضد ويفسر أسباب رفض الفرضية الصفرية في جدول Tests for Normality.

إن هذا التكامل التحليلي يمنح الباحث القدرة على صياغة تشخيص علاجي محدد؛ فإذا كان رفض الاعتدالية في اختبار شابيرو-ويلك مقترناً بدرجة $Z$ مرتفعة جداً للالتواء الموجب مع استقرار التفرطح، يدرك الباحث مباشرة أن العلاج يكمن في تطبيق تحويل رياضي يعالج انحراف الذيل الأيمن دون الحاجة للقلق المفرط بشأن تباين الذيول، مما يرشد التدخلات المنهجية اللاحقة بدقة فائقة.

9. معالجة البيانات غير الطبيعية والبدائل المنهجية

9.1 تقنيات التحويل الرياضي للبيانات (Data Transformation)

عندما تسفر إجرائية Proc Univariate عن إثبات قاطع بانتهاك فرضية التوزيع الطبيعي، يبرز تطبيق "التحويلات الرياضية" (Mathematical Transformations) كخط دفاع منهجي أول يسعى من خلاله الباحث إلى إعادة تشكيل دالة التوزيع التكراري للبيانات الأصلية لتقريبها من النموذج الطبيعي، مما يتيح له مواصلة استخدام النماذج المعلمية القوية. تتنوع هذه التحويلات بحسب طبيعة التشوه الهندسي المرصود في مؤشرات الالتواء.

في حالات الالتواء الموجب المعتدل إلى الشديد (حيث تمتد الذيول نحو اليمين)، يُعد "التحويل اللوغاريثمي" (Log Transformation) الأسلوب الأكثر شيوعاً وفعالية. يتم تطبيق هذا التحويل في ساس ضمن خطوة DATA باستخدام الدالة الطبيعية LOG(x) أو الدالة العشرية LOG10(x). يعمل اللوغاريتم على ضغط المسافات الكبيرة بين القيم المرتفعة الواقعة في الذيل الأيمن بصورة مضاعفة مقارنة بضغطه للقيم الصغيرة، مما يؤدي إلى جذب الذيل نحو المركز واستعادة التناظر. ويشترط لتطبيقه أن تكون كافة قيم المتغير موجبة قطعاً ($x > 0$)؛ وإذا احتوت البيانات على أصفار، يتم إدراج ثابت إزاحة لتصبح الصيغة LOG(x + 1).

أما بالنسبة للبيانات العددية التكرارية (Count Data) ذات الالتواء الموجب الخفيف، فيبرز "تحويل الجذر التربيعي" (Square Root Transformation) كخيار مثالي عبر الدالة SQRT(x)، والتي تعمل على استقرار التباين وتقليص الفجوات التوزيعية. وفي السياقات المتقدمة، يُلجأ إلى "تحويلات بوكس-كوكس" (Box-Cox Transformations) المؤتمتة، والتي يوفرها نظام ساس عبر إجرائية Proc Transreg. تهدف هذه التقنية إلى تقدير المعامل الأسي الأمثل ($lambda$) عبر خوارزمية الإمكانية الأعظم (Maximum Likelihood)، ليقوم النظام تلقائياً بتحديد التحويل الرياضي الفريد الذي يرفع اعتدالية البيانات إلى أقصى ذروة ممكنة رياضياً.

9.2 الانتقال إلى الاختبارات اللامعلمية (Non-Parametric Tests)

على الرغم من النجاح الشائع للتحويلات الرياضية، إلا أنها تواجه في كثير من الأحيان انتقادات منهجية حادة، لا سيما في حقول العلوم الإنسانية والطبية؛ إذ يؤدي تحويل البيانات الأصلية إلى وحدات لوغاريتمية أو جذرية إلى صعوبة بالغة في تفسير المعاني السريرية والسلوكية للقيم الناتجة ومقارنتها بالمعايير المقننة. وفي حال فشلت التحويلات في علاج التفرطح الشديد أو الانحرافات المعقدة، يصبح الانتقال الواعي نحو استخدام "الاختبارات الإحصائية اللامعلمية" (Non-Parametric Tests) استحقاقاً منهجياً محتوماً.

تُعرف الاختبارات اللامعلمية باختبارات التوزيع الحر (Distribution-Free Tests)؛ نظراً لكونها لا تشترط أي افتراض مسبق حول مطابقة بيانات المجتمع للتوزيع الطبيعي. تعتمد هذه الأساليب في جوهرها الرياضي على تحويل درجات المشاهدات الخام إلى رتب ترتيبية متسلسلة (Ranks)، ثم بناء المقارنات الاستدلالية على فروق الرتب ومتوسطاتها بدلاً من المتوسطات الحسابية الخام المتأثرة بالتشوه التوزيعي.

يوفر نظام ساس منظومة متكاملة من الإجراءات الموازية عبر إجرائية Proc Npar1way لتغطية البدائل اللامعلمية الرئيسية، كما يوضح الجدول المنهجي التالي:

• اختبار مان-ويتني (Mann-Whitney U Test): يمثل البديل اللامعلمي الصارم لاختبار "ت" للعينات المستقلة (Independent Samples t-test)، ويُستدعى في ساس لاختبار الفروق بين مجموعتين دون اشتراط الاعتدالية عبر خيار WILCOXON.
• اختبار كروسكال-واليس (Kruskal-Wallis Test): يُعد المكافئ اللامعلمي لتحليل التباين الأحادي (One-Way ANOVA)، ويُستخدم لمقارنة رتب ثلاث مجموعات مستقلة أو أكثر بدقة بالغة.
• اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank Test): يُوظف كبديل لاختبار "ت" للعينات المترابطة أو القياسات المتكررة (Paired t-test)، وهو متاح أيضاً ومدمج بصورة تلقائية ضمن جدول الإحصاءات الموقع عليها في مخرجات Proc Univariate ذاتها تحت مسمى Signed Rank.

9.3 توظيف أساليب إعادة العينات والتقدير المتين (Robust Estimation)

في البيئات البحثية الحديثة التي ترفض كلاً من تشويه البيانات بالتحويلات الرياضية القسرية وخسارة القوة الإحصائية المصاحبة للتحول نحو الرتب اللامعلمية، تبرز حلول الحوسبة المكثفة المعتمدة على "أساليب إعادة العينات" (Resampling Techniques) وتقنيات "التقدير المتين" (Robust Estimation) كخيار إبستيمولوجي فائق التطور.

تتصدر طريقة "البوتستراب" (Bootstrapping) هذه الأساليب؛ حيث تقوم فكرتها على سحب آلاف العينات العشوائية التكرارية بالاسترجاع (With Replacement) من ذات عينة البيانات المتاحة لتوليد التوزيع التجريبي الفعلي للتقدير الإحصائي (Empirical Sampling Distribution). يتيح هذا الإجراء للباحث في بيئة ساس اشتقاق فترات ثقة موثوقة (Bootstrap Confidence Intervals) واختبارات دلالة دقيقة لمعلمات النموذج دون حاجة مطلقة لافتراض أن المجتمع الأصلي يتبع التوزيع الطبيعي المعياري، مما يحيد تماماً مخاطر انتهاك شروط الاعتدالية.

إلى جانب ذلك، يوفر ساس حزمة من الإجراءات المتخصصة في التقدير الإحصائي المتين مثل Proc Robustreg. تستخدم هذه الإجرائية دوال ترجيح رياضية متقدمة (مثل مقدرات Huber و Bisquare M-estimators) تتولى آلياً خفض أوزان وتأثير المشاهدات المتطرفة والشاذة المسببة للالتواء والتفرطح بدلاً من حذفها، مما يقدم تقديراً متيناً لمعاملات الانحدار وعلاقات المتغيرات يتمتع بكفاءة إحصائية مماثلة للنماذج المعلمية الكلاسيكية، ويوفر مبرراً منهجياً راسخاً للتمسك بالبيانات الخام في أبحاث العلوم السلوكية المعاصرة.

10. تأثير حجم العينة على نتائج اختبارات الاعتدالية

10.1 حساسية الاختبارات الإحصائية المفرطة في العينات الكبيرة

يُمثل حجم العينة ($N$) أحد أكثر المتغيرات تأثيراً وحرجاً في توجيه وتفسير مخرجات اختبارات التوزيع الطبيعي في ساس؛ إذ تخضع هذه الفحوصات لقوانين "القوة الإحصائية" (Statistical Power) التي تتزايد طردياً مع تنامي أعداد المشاهدات. في العينات الكبيرة جداً—والتي تتجاوز بضع مئات أو آلاف الحالات، كما هو شائع في قواعد البيانات الضخمة وبحوث البيانات الطبية الحيوية—تصبح اختبارات الاعتدالية الأربعة حساسة حساسية مفرطة لأتفه الانحرافات الرياضية المجردة.

في مثل هذه البيئات ذات العينات الضخمة، يؤدي أي انزياح ميكروسكوبي طفيف لا يكاد يُرى بالعين المجردة في شكل المنحنى عن التوزيع الطبيعي المعياري النظري إلى قيام اختبارات شابيرو-ويلك وكولموجوروف-سميرنوف برفض الفرضية الصفرية فوراً، مسجلة قيماً احتمالية متدنية للغاية ($p < 0.0001$). يقع المحلل قليل الخبرة هنا في خطأ منهجي فادح؛ حيث يفترض أن البيانات مشوهة بالكامل ولا تصلح للتحليل المعلمي، في حين أن التوزيع في واقعه التطبيقي قريب جداً من الاعتدالية ولا تشوب صلاحيته أي شائبة عملية.

لمواجهة هذه المعضلة في العينات الكبيرة، يوصي المنهجيون بتهميش الاعتماد على القيمة الاحتمالية وحدها، والتركيز بدلاً من ذلك على "حجم الأثر التوزيعي" من خلال القراءة المتأنية لمقاييس الالتواء والتفرطح المطلقة، والاستناد المكثف إلى الفحص البصري لمخططات Q-Q. فإذا كانت النقاط تصطف بدرجة متماسكة على امتداد الخط المستقيم، وكانت معاملات الالتواء محصورة ضمن الهوامش الآمنة، فإن القرار الأكاديمي الصائب هو المضي قدماً في تطبيق النماذج المعلمية متجاهلين دلالة الرفض الإحصائي الزائفة الناجمة عن تضخم القوة الاختبارية.

10.2 قيود قوة الاختبار في العينات الصغيرة

على النقيض الجذري من مشكلات العينات المتضخمة، تواجه اختبارات التوزيع الطبيعي في بيئات "العينات الصغيرة"—تلك التي يقل حجمها عن 30 أو 20 مشاهدة، كما هو الحال الشائع في التجارب المعملية الدقيقة، والدراسات النفسية السريرية النادرة—مأزقاً استدلالياً معاكساً يتمثل في "القصور الحاد في القوة الإحصائية" (Severe Lack of Statistical Power). في هذه العينات المحدودة، تعجز الاختبارات الإحصائية عن حيازة الأدلة الرياضية الكافية لرفض الفرضية الصفرية حتى وإن كانت البيانات مسحوبة في الواقع من مجتمعات غير اعتدالية بصورة واضحة.

في هذا السياق الضيق، قد يحصل الباحث من مخرجات ساس على قيمة احتمالية خادعة لاختبار شابيرو-ويلك تصل إلى ($p = 0.15$)، مما يدفعه للشعور الزائف بالأمان المنهجي والاعتقاد التام بأن بياناته تتبع التوزيع الطبيعي، بينما يكون هذا الرقم نتاجاً مباشراً لعجز الاختبار الرياضي عن رصد الانحرافات بسبب صغر حجم المشاهدات المتاحة. يقود هذا الخلل إلى الوقوع المباشر في الخطأ الإحصائي من النوع الثاني (Type II Error)، مما يقوض موثوقية الاستنتاجات العلمية اللاحقة للبحث.

لذا، تقتضي الرصانة المنهجية عند التعامل مع العينات الصغيرة جداً التزام أقصى درجات التحفظ؛ إذ لا يجوز بحال من الأحوال اتخاذ قرار الاعتدالية استناداً إلى جدول Tests for Normality بمعزل عن التحقق الاستكشافي الدقيق. وفي غياب دراسات سابقة تدعم التوزيع الطبيعي للظاهرة المقاسة في أبحاث مماثلة، يُعد التوجه الوقائي التلقائي نحو استخدام البدائل اللامعلمية أو اختبارات التباديل والتوافيق الدقيقة (Exact Permutation Tests) هو الخيار المنهجي الأكثر أماناً ومصداقية في المنشورات الأكاديمية الرفيعة.

10.3 الموازنة المنهجية بين الدلالة الإحصائية والدلالة العملية

يفرض التباين في أداء الاختبارات عبر أحجام العينات المختلفة على المحلل الإحصائي ضرورة امتلاك مهارة الموازنة المنهجية بين مفهومين جوهريين: "الدلالة الإحصائية" (Statistical Significance) الصادرة عن الآلة، و"الدلالة العملية والسريرية" (Practical Significance) النابعة من الفهم العميق لموضوع البحث وسياق القياس. تتجلى هذه الموازنة في استحضار النظريات الإحصائية الكبرى التي تضبط سلوك التقديرات الرياضية في العينات الكبيرة.

تأتي في مقدمة هذه الأسس "نظرية النهاية المركزية" (Central Limit Theorem - CLT)؛ والتي تنص رياضياً على أنه مع تنامي حجم العينة وتجاوزه حدوداً معينة (تُقدر عادة في الأدبيات بـ $N ge 30$ إلى $N ge 50$ كحد أدنى)، فإن "توزيع المعاينة لمتوسط العينة" (Sampling Distribution of the Mean) يقترب حتماً من التوزيع الطبيعي المعياري بغض النظر عن الشكل التوزيعي للمتغير في المجتمع الأصلي ذاته. وبما أن معظم الاختبارات المعلمية—مثل اختبارات "ت" ونماذج الانحدار وتحليل التباين—تعتمد في صحة اشتقاقاتها المعلمية على اعتدالية توزيع المعاينة للمتوسطات وليس على اعتدالية توزيع الحالات الفردية الخام، فإن تطبيق نظرية النهاية المركزية يمنح حماية متينة للباحث في العينات المعتدلة والكبيرة.

علاوة على ذلك، تتمتع الكثير من الاختبارات المعلمية بدرجة عالية مما يُعرف بـ "الصلابة أو المتانة الإحصائية" (Robustness) ضد الانتهاكات البسيطة والمتوسطة لفرضية الاعتدالية، لا سيما عندما تكون حجوم المجموعات المقارنة متساوية تماماً أو متقاربة، وعندما يخلو التوزيع من المشاهدات الشاذة الحادة. وبالتالي، يتبلور القرار الإحصائي الناضج في عدم النظر إلى التوزيع الطبيعي كشرط حدّي صارم غير قابل للتفاوض، بل كطيف مستمر يتم تقييمه بتكامل المؤشرات الوصفية، والرسوم البصرية، والأدلة الدلالية، في ضوء حجم العينة والأهداف النهائية للتجربة العلمية.

11. أخطاء شائعة واستكشاف الأخطاء وإصلاحها في Proc Univariate

11.1 الأخطاء النحوية والتركيبية الشائعة في كتابة الكود

يتعرض مستخدمو نظام ساس، ولا سيما المبتدئين منهم، لمجموعة من العثرات البرمجية النحوية والتركيبية المتكررة التي قد تؤدي إلى تعطيل تنفيذ إجرائية Proc Univariate أو الحصول على مخرجات ناقصة تخلو من الجداول الاستدلالية المستهدفة. يأتي في صدارة هذه الأخطاء إغفال كتابة الكلمة المفتاحية NORMAL في سطر الإجرائية الرئيسي، أو كتابتها في سطر مستقل كأمر منفصل، أو وضعها بعد الفاصلة المنقوطة؛ مما يجعل النظام ينفذ التحليل الوصفي الافتراضي متجاهلاً تماماً توليد جدول Tests for Normality.

الخطأ الشائع الثاني، والأكثر تكراراً في لغة ساس، يتمثل في نسيان الفاصلة المنقوطة (;) في نهاية سطر الإجرائية أو بعد تعليمة VAR. يترتب على هذا الإغفال دمج تعليمتين برمجيتين منفصلتين في كتلة تركيبية واحدة مشوهة، مما يدفع مترجم ساس إلى التوقف الفوري عن المعالجة وإطلاق رسائل تحذير حمراء عبر نافذة السجل (SAS Log) تحمل وسوم الخطأ الشهيرة مثل ERROR: Syntax error, statement will be ignored. يتطلب التصحيح هنا العودة المتأنية لمراجعة نهاية كل سطر برمجي والتثبت التام من وجود الفاصلة المنقوطة كحاجز تنفيذي حاسم.

كما يقع المحللون مراراً في أخطاء عدم تطابق أسماء المتغيرات (Variable Name Mismatch)؛ كأن يُكتب اسم المتغير في خطوة DATA بصيغة معينة مثل Job_Satisfaction، ثم يُستدعى في تعليمة VAR بصيغة مغايرة مثل JobSatisfaction أو satisfaction. يؤدي هذا التناقض إلى إصدار ساس لرسالة خطأ تفيد بأن المتغير غير موجود في مجموعة البيانات المحددة (ERROR: Variable not found). تقتضي المعالجة الاحترافية هنا تدقيق قاموس المتغيرات ومطابقة الحروف بدقة لمنع أي تعثر في مسار التحليل.

11.2 مشكلات تصنيف وترميز المتغيرات الرقمية والنصية

تُمثل قضايا عدم الاتساق في ترميز وتصنيف المتغيرات مصدراً رئيسياً للأخطاء الإجرائية التي تحول دون تنفيذ اختبارات التوزيع الطبيعي. من الأخطاء المتواترة محاولة إدراج متغير معرف كمتغير نصي أو حرفي (Character Variable) داخل تعليمة VAR في إجرائية Proc Univariate. يحدث هذا في كثير من الأحيان عند استيراد مجموعات البيانات من ملفات خارجية مثل Excel أو ملفات CSV؛ حيث تؤدي كتابة مسافة فارغة أو رمز حرفي غير مقصود في أحد السجلات إلى قيام معالج الاستيراد في ساس بتصنيف العمود بأكمله كمتغير حرفي.

عند محاولة تشغيل الاختبار على مثل هذا المتغير، يتوقف النظام مطلقاً الخطأ الصريح:

ERROR: Variable [Name] in list does not match type for argument or is of wrong type.

لعلاج هذه المعضلة، يتعين على المحلل تحويل المتغير النصي إلى متغير رقمي نقي قبل استدعاء Proc Univariate، وذلك بتوظيف الدالة الرياضية INPUT ضمن خطوة بيانات وسيطة، كما في المثال التالي:

DATA Corrected_Data;
    SET Psychological_Study;
    Job_Satisfaction_Num = INPUT(Job_Satisfaction, COMMA10.);
RUN;

من المشكلات الهيكلية الأخرى أيضاً محاولة إجراء اختبار الاعتدالية على "متغيرات ذات تباين صفري" (Zero-Variance Variables)، وهي المتغيرات الثابتة التي تحمل فيها كافة الحالات في العينة نفس القيمة الرقمية دون أي تغير. في هذه الحالة، يعجز النظام عن اشتقاق الانحراف المعياري، ويتوقف عن حساب إحصاءات شابيرو-ويلك أو أندرسون-دارلنج مطلقاً تحذيراً صريحاً بعدم إمكانية معالجة مصفوفة البيانات الثابتة، مما يستوجب استبعاد هذه المتغيرات غير المفيدة مسبقاً من خطة التحليل.

11.3 الالتباس المفاهيمي في قراءة الفرضية الصفرية

لا تتوقف الأخطاء عند حدود البناء البرمجي أو الترميز الرياضي، بل تمتد لتشمل "الالتباس المفاهيمي" العميق في قراءة وتفسير دلالة الفرضية الصفرية الخاصة باختبارات الاعتدالية. يقع الكثير من الباحثين غير المتمرسين في خطأ تفسيري كارثي؛ حيث يسقطون منطق اختبارات الفروق التقليدية (مثل اختبارات ت وتحليل التباين)—التي يُعد فيها الحصول على ($p < 0.05$) غاية مرجوة لإثبات وجود أثر ودلالة بحثية—على اختبارات التوزيع الطبيعي.

يقود هذا الالتباس إلى قيام الباحث بالابتهاج عند ظهور نتائج ($p < 0.0001$) والادعاء خطأً في تقريره العلمي أن "البيانات تتوزع طبيعياً بدرجة دلالة فائقة"، في حين أن هذه النتيجة تعني بالضرورة العكس المطلق؛ أي أن البيانات قد حطمت افتراض التوزيع الطبيعي تحطيماً تاماً وانحرفت عنه بصورة دالة إحصائياً. إن الهدف الاستدلالي في اختبارات المطابقة والاعتدالية هو "عدم الدلالة الإحصائية" ($p > 0.05$)، وهو ما يعكس استقرار البيانات ضمن حدود المنحنى السوي.

لتفادي الوقوع في مثل هذه التفسيرات المحرجة أكاديمياً، يجب ترسيخ الوعي المنهجي بأن اختبارات الاعتدالية صُممت كـ "اختبارات تشخيصية عائقة" وليست أهدافاً فرضية غائية. إن التمييز الواضح بين رفض الفرضية وقبولها في هذا السياق يُعد المدخل الحاسم لسلامة اتخاذ القرارات المنهجية اللاحقة، وضمان عدم تمرير نتائج مشوهة تؤثر سلباً على مصداقية الأبحاث في لجان التحكيم العلمي.

12. توثيق وكتابة تقرير نتائج التوزيع الطبيعي وفق معايير APA

12.1 معايير صياغة النتائج في المتن الأكاديمي

يفرض دليل النشر الأكاديمي الصادر عن جمعية علم النفس الأمريكية في نسخته السابعة (APA 7th Edition) قواعد صارمة ومحددة لكيفية توثيق وصياغة نتائج الفحوصات الإحصائية في متن التقارير والرسائل الجامعية. تقتضي هذه المعايير تقديم تقرير شامل لا يكتفي بعرض القيمة الاحتمالية مجردة، بل يربط بين إحصاء الاختبار المستخدم، وحجم العينة (أو درجات الحرية)، والقيمة الاحتمالية الدقيقة، مدعومة بالقيم الوصفية للالتواء والتفرطح لتقديم سياق تشخيصي متكامل للخصائص التوزيعية للمتغيرات قيد الدراسة.

تُكتب الرموز الإحصائية القياسية دائماً بخط مائل (Italicized)، مثل إحصاء شابيرو-ويلك ($W$)، أو إحصاء كولموجوروف-سميرنوف ($D$)، ومستوى الدلالة ($p$). كما تشترط المعايير كتابة القيم الاحتمالية بدقة حتى خانتين أو ثلاث خانات عشرية (مثل $p = .042$) دون وضع صفر قبل الفاصلة العشرية بالنسبة للمقاييس التي لا يمكن أن تتجاوز الواحد الصحيح. وفي حال كانت القيمة الاحتمالية أصغر من أصغر رقم يسمح به الجدول في ساس، تُكتب بالصيغة الرمزية $p < .001$.

يمكن صياغة تقرير يوثق تحقق افتراض التوزيع الطبيعي في المتن الأكاديمي وفق النموذج المنهجي التالي:

"تم تقييم افتراض التوزيع الطبيعي لمتغير الرضا الوظيفي عبر الفحص المنهجي لمؤشرات الالتواء والتفرطح ونتائج الاختبارات الدلالية الصادرة عن إجرائية Proc Univariate في نظام SAS. أظهرت النتائج اعتدالية مقبولة لشكل التوزيع؛ حيث استقرت قيمة معامل الالتواء عند $0.24$ ($SE = 0.31$)، بينما بلغت قيمة التفرطح الفائض $-0.45$ ($SE = 0.60$). وأكد اختبار شابيرو-ويلك عدم وجود انحراف ذي دلالة إحصائية عن التوزيع الطبيعي، $W(85) = 0.98$، $p = .345$. وتأكدت هذه المؤشرات عبر الفحص البصري لمخطط التشتت الربعي (Q-Q plot) الذي أظهر اصطفافاً متماسكاً لكافة المشاهدات بمحاذاة الخط المرجعي المستقيم، مما يبرر منهجياً تطبيق الاختبارات المعلمية المعتمدة في الإجابة عن فروض الدراسة."

أما في حالة انتهاك افتراض التوزيع الطبيعي، فتُصاغ النتائج بصرامة موازية لتمهيد التحول نحو الاختبارات البديلة:

"كشفت التحليلات الإحصائية المطبقة على درجات الاحتراق النفسي عن انتهاك حاد لفرضية التوزيع الطبيعي؛ حيث أظهر التوزيع التواءً موجباً شديداً بلغ $2.14$ ($SE = 0.28$) وتفرطحاً مدبباً مرتفعاً بلغ $4.82$ ($SE = 0.55$). وأسفر اختبار شابيرو-ويلك عن دلالة إحصائية قاطعة ترفض الفرضية الصفرية للاعتدالية، $W(120) = 0.82$، $p < .001$. وبناءً على ثبوت تشوه التوزيع وفشل محاولات التحويل اللوغاريثمي، تقرر اعتماد اختبار مان-ويتني اللامعلمي لفحص الفروق المستهدفة."

12.2 تصميم الجداول التلخيصية لاختبارات التوزيع الطبيعي

عندما تشتمل الدراسة العلمية على عدد كبير من المتغيرات التابعة والمستقلة، يصبح توثيق كافة مؤشرات الاعتدالية في المتن النصي عبئاً يشتت انتباه القارئ ويخل بسلاسة السرد الأكاديمي. في مثل هذه الحالات، تفرض معايير APA تصميم جدول تلخيصي موحد ومكثف يدرج فيه الباحث كافة النتائج الإحصائية الوصفية والاستدلالية بنسق بصري منظم ومحكم يعكس الاحترافية المنهجية للدراسة.

يجب أن يلتزم الجدول بقواعد التنسيق الشكلي لجمعية علم النفس الأمريكية؛ حيث يُحظر تماماً استخدام الخطوط الرأسية (Vertical Lines) داخل الجدول، ويكتفى بثلاثة خطوط أفقية رئيسية: خط أعلى الترويسة، وخط أسفل الترويسة لفصل مسميات الأعمدة عن مصفوفة الأرقام، وخط أخير أسفل قاعدة الجدول يختم البيانات قبل الهوامش التفسيرية. يتضمن الجدول عادة أعمدة تحدد: اسم المتغير، المتوسط الحسابي ($M$)، الانحراف المعياري ($SD$)، معامل الالتواء وخطأه المعياري، معامل التفرطح وخطأه المعياري، إحصاء شابيرو-ويلك ($W$)، والقيمة الاحتمالية المصاحبة ($p$).

تُذيل الجداول دائماً بهوامش إيضاحية محددة بدقة تبدأ بكلمة Note بحروف مائلة؛ حيث توضح هذه الهوامش معاني الرموز المختصرة، وتحدد حجم العينة الإجمالي ($N$)، وتوضح دلالة الإشارات المرجعية أو النجوم الدالة على المستويات الاحتمالية الحرجة (مثل $*p < .05$،$**p < .01$). يمنح هذا الإخراج الجدولي المحكم لجان التحكيم والمحررين العلميين في المجلات المصنفة قدرة فورية على تقييم مدى سلامة المعالجات الإحصائية المعتمدة ومصداقية البناء الاستدلالي للدراسة بأسرها.

12.3 تبرير الاختيارات الإحصائية اللاحقة في قسم المنهجية

لا يكتمل التوثيق الأكاديمي الرصين لمجرد عرض الأرقام والجداول الصماء، بل يتوجب على الباحث تتويج هذه المخرجات في قسم "المنهجية وإجراءات التحليل الإحصائي" عبر صياغة "حجة علمية متماسكة" تبرر بصورة منطقية لا تقبل الشك كافة الاختيارات الإحصائية اللاحقة التي استقر عليها المسار البحثي بناءً على ما أسفرت عنه إجرائية Proc Univariate.

إذا قرر الباحث مواصلة استخدام النماذج المعلمية على الرغم من وجود انحرافات طفيفة رفضت فيها بعض الاختبارات الفرضية الصفرية، يتعين عليه الدفاع عن هذا الخيار بالأدلة العلمية المتكاملة؛ كأن يوثق استناده إلى نظرية النهاية المركزية نظراً لتجاوز حجم العينة 200 مشاهدة، وتطابق حجوم المجموعات التجريبية والضابطة، وانحصار معاملات الالتواء والتفرطح ضمن الحدود المعيارية المقبولة في الأدبيات المحكمة (مثل معايير Tabachnick & Fidell)، مع الاستشهاد بالمصادر الأكاديمية الراسخة التي تثبت صلابة ومقاومة النموذج المعلمي المستخدم لمثل هذه الانحرافات الطفيفة.

كذلك، يلتزم الباحث بتوثيق دقيق لحزمة البرمجيات المستخدمة لتعزيز مبدأ شفافية البحث وإمكانية تكراره المنهجي (Replicability)؛ فيذكر صراحة في متن المنهجية: "تمت معالجة كافة الفروض التوزيعية واختبارات الاعتدالية بالاعتماد على إجرائية Proc Univariate المدمجة في حزمة SAS البرمجية (الإصدار 9.4، SAS Institute Inc., Cary, NC)". إن هذا التوثيق الدقيق لا يحمي الباحث من النقد المنهجي فحسب، بل يرفع من قيمة النتاج العلمي ويمنح القارئ ثقة مطلقة بأن القرارات التحليلية لم تتخذ ارتجالاً، بل بُنيت على فحص دقيق ومنهجية إحصائية رصينة تلتزم بأرقى المعايير المعرفية الدولية.

خاتمة

لقد استعرض هذا الدليل المرجعي الشامل الأبعاد النظرية والتطبيقية لفحص افتراض التوزيع الطبيعي باستخدام إجرائية Proc Univariate في نظام ساس، مؤكداً على الموقع المركزي الذي يحتله هذا الإجراء في صلب التحليل الإحصائي الرصين. إن فحص التوزيع الطبيعي ليس مجرد خطوة إجرائية عابرة أو متطلب شكلي يسبق تنفيذ النماذج الإحصائية، بل هو المنطلق المنهجي الجوهري الذي يحدد مدى شرعية ومصداقية القرارات الاستدلالية اللاحقة؛ إذ يترتب على إهماله مخاطر حقيقية تطيح بصحة التقديرات وتعصف بسلامة الاستنتاجات العلمية في مختلف الحقول المعرفية من العلوم الطبية والدوائية إلى العلوم النفسية والسلوكية.

كما بين التحليل التفصيلي لمخرجات ساس، تتفوق إجرائية Proc Univariate على كافة الإجراءات الوصفية النظيرة بقدرتها الفريدة على الجمع المتناغم بين الصرامة الرقمية للفحوصات الدلالية المتعددة—متمثلة في اختبارات شابيرو-ويلك، وكولموجوروف-سميرنوف المعدل، وكرامر-فون ميسيس، وأندرسون-دارلنج—وبين الكفاءة التجسيدية العالية للمخططات البيانية المكملة مثل مخططات التشتت الربعية (Q-Q plots) ومخططات الاحتمال والمدرجات المتراكبة. يتيح هذا التكامل للباحث تفكيك عناصر الخلل التوزيعي بدقة متناهية، والتمييز الواعي بين تشوهات قلب التوزيع وانحرافات الذيول الناتجة عن القيم الشاذة والمتطرفة.

وفي الختام، يبرز النضج المنهجي للمحلل الإحصائي المحترف في قدرته على الموازنة الاستدلالية الرشيدة بين الدلالة الإحصائية والدلالة العملية في ضوء حجم العينة، مسترشداً بمفاهيم نظرية النهاية المركزية وصلابة النماذج المعلمية. إن امتلاك الباحث لناصية التحكم في كود ساس البرمجي، وتعمق فهمه للمقاييس الوصفية كالالتواء والتفرطح، وتمرسه في صياغة النتائج المنهجية وفق معايير التوثيق الأكاديمي الصارمة (APA)، يُعد الضمانة الكبرى لإنتاج بحوث علمية رفيعة المستوى تتسم بالدقة الرياضية، والشفافية المنهجية، والمصداقية المعرفية القابلة للتراكم والتكرار في المشهد الأكاديمي الدولي.

المراجع

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Anderson, T. W., & Darling, D. A. (1954). A test of goodness of fit. Journal of the American Statistical Association, 49(268), 765–769. https://doi.org/10.1080/01621459.1954.10501232
• Box, G. E., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
• Elliott, A. C., & Woodward, W. A. (2007). Statistical analysis quick reference guidebook: With SPSS examples. SAGE Publications. https://doi.org/10.4135/9781412985949
• 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
• 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.
• SAS Institute Inc. (2020). Base SAS 9.4 procedures guide: Statistical procedures (5th ed.). SAS Institute Inc. https://documentation.sas.com
• 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.