ثلاث طرق لحساب حجم الأثر لاختبار مربع كاي

تُعد معالجة البيانات الفئوية (Categorical Data) والاسمية (Nominal Data) من أبرز التحديات المنهجية التي تواجه الباحثين في ميادين العلوم النفسية والتربوية والاجتماعية. لعقود طويلة، شكّل اختبار مربع كاي (Chi-Square Test)، الذي أرسى دعائمه العالم كارل بيرسون في مطلع القرن العشرين، الأداة الاستدلالية الأكثر شيوعاً لاختبار الفرضيات الصفرية المتعلقة باستقلالية المتغيرات أو جودة مطابقة التوزيعات المشاهدة مع التوزيعات النظرية المتوقعة. ورغم القوة الاستدلالية لهذا الاختبار في الكشف عما إذا كانت الفروق أو العلاقات الملاحظة ناتجة عن الصدفة العشوائية، إلا أن الممارسة الإحصائية الحديثة أظهرت عجزاً بنيوياً في الاكتفاء بالقيمة الاحتمالية وحدها لتفسير الظواهر الإنسانية والسلوكية المعقدة.

إن التحول الإبستمولوجي نحو حركة “الإصلاح الإحصائي” أكد أن الدلالة الإحصائية لا تعني بالضرورة دلالة عملية أو إكلينيكية؛ إذ تستجيب قيمة مربع كاي المحسوبة بحساسية مفرطة لحجم العينة، مما يجعل من السهل جداً رفض الفرضية الصفرية في العينات الكبيرة حتى لو كانت العلاقة بين المتغيرات تافهة أو عديمة الجدوى في الواقع التطبيقي. من هنا، برزت الأهمية القصوى لمفهوم حجم الأثر (Effect Size) كمؤشر كمي موضوعي يقيس قوة وحجم العلاقة الارتباطية أو التباين المفسر بمعزل تام عن حجم العينة المتاحة، مما يمنح الممارسين وصناع القرار معياراً حقيقياً لتقييم التدخلات النفسية والتربوية.

يتناول هذا الدليل التخصصي ثلاث طرق رئيسية معتمدة لحساب حجم الأثر لاختبار مربع كاي: معامل فاي (Φ)، ومعامل كرامر (Cramer’s V)، ونسبة الأرجحية (Odds Ratio – OR). سنستعرض في هذا المرجع التأصيل الرياضي لكل مقياس، وشروط تطبيقه، والمعايير التفسيرية الدقيقة، بالإضافة إلى أمثلة عملية محلولة وخطوات إجرائية لتنفيذها عبر البرمجيات الإحصائية المتقدمة وتوثيقها وفق معايير جمعية علم النفس الأمريكية (APA).

1. مقدمة شاملة حول اختبار مربع كاي وأهمية قياس حجم الأثر

1.1 طبيعة اختبارات مربع كاي واستخداماتها في البحث النفسي والاجتماعي

يندرج اختبار مربع كاي تحت مظلة الإحصاء اللابارامتري (Non-parametric Statistics)، وهو مصمم خصيصاً للتعامل مع البيانات التي لا تفترض توزيعاً اعتدالياً للمجتمع الأصلي، وتكون في الغالب مقاسة على مستوى اسمي (Nominal) أو رتبي (Ordinal). يتفرع الاختبار إلى نمطين جوهريين: الأول هو اختبار مربع كاي لحسن المطابقة (Goodness of Fit Test)، والذي يهدف إلى فحص مدى تطابق التكرارات المشاهدة في متغير فئوي واحد مع التكرارات المتوقعة المستندة إلى فرضية نظرية محددة أو توزيع سكاني مسبق. يُستخدم هذا النمط على نطاق واسع في دراسة التوزيعات التكرارية للسمات النفسية والأنماط الشخصية عبر الفئات السكانية المختلفة.

النمط الثاني، وهو الأكثر استخداماً في البحوث الإكلينيكية والسلوكية، هو اختبار مربع كاي للاستقلالية (Test for Independence). يُعنى هذا الاختبار بفحص ما إذا كان هناك ارتباط ذو دلالة إحصائية بين متغيرين فئويين ثنائيين أو متعددي الفئات، من خلال مقارنة التكرارات في خلايا جدول التوافق (Contingency Table) الملاحظة مع التكرارات التي كان من المفترض حدوثها لو كان المتغيران مستقلين تماماً عن بعضهما البعض. على سبيل المثال، يُستخدم لاختبار العلاقة بين فئات التشخيص النفسي (مثل: قلق، اكتئاب، وسواس) والاستجابة لبروتوكول علاجي معين (تحسن، استقرار، انتكاس).

تكمن أهمية هذه الاختبارات في العلوم السلوكية في كون العديد من الظواهر النفسية يصعب إخضاعها للقياس الكمي الفاصلي المتصل بدقة مطلقة، مما يجعل التصنيف الفئوي (كوجود العَرَض من عدمه، أو تصنيف أنماط التعلق العاطفي) هو الخيار المنهجي الأكثر واقعية، وهو ما يتطلب أدوات إحصائية قوية ومناسبة لطبيعة هذه البيانات.

1.2 قصور الاعتماد الحصري على القيمة الاحتمالية (p-value)

على الرغم من المكانة التاريخية التي احتلتها القيمة الاحتمالية (p-value) في اتخاذ قرار قبول أو رفض الفرضية الصفرية (Null Hypothesis)، إلا أن الاعتماد الحصري عليها يوقع الباحث في فخاخ منهجية مضللة. تُعبر القيمة الاحتمالية رياضياً عن احتمال الحصول على نتائج متطرفة مثل تلك الملاحظة، أو أكثر تطرفاً، بافتراض صحة الفرضية الصفرية تماماً. العيب البنيوي في هذه الصيغة يكمن في تأثرها المباشر بحجم العينة الكلي (N). عندما يكون حجم العينة كبيراً جداً (مثلاً آلاف المفحوصين)، تصبح إحصائية كاي تربيع فائقة الحساسية للفروق الهامشية التي لا تحمل أي قيمة واقعية، مما يؤدي إلى الحصول على قيم p شديدة الصغر (p < .001)، والإعلان المضلل عن وجود “علاقة ذات دلالة إحصائية”.

على النقيض من ذلك، إذا كانت العينة صغيرة ومحدودة، قد يفشل الاختبار في إظهار دلالة إحصائية (p > .05) لعلاقة قوية ومؤثرة جداً بين المتغيرين، وهو ما يُعرف إحصائياً بالخطأ من النوع الثاني (Type II Error). يرجع هذا إلى انخفاض القدرة الإحصائية (Statistical Power) للاختبار في العينات المحدودة، وليس لغياب الأثر في الواقع.

بالإضافة إلى ذلك، تعجز القيمة الاحتمالية عن إعطاء أي مؤشر حول حجم أو قوة أو اتجاه الظاهرة المدروسة؛ فهي تقدم إجابة ثنائية فقط (نعم توجد فروق غير عشوائية، أو لا)، دون الإجابة عن السؤال الجوهري الذي يشغل المعالج النفسي أو التربوي: “ما مدى قوة هذه الفروق، وهل تستحق تكريس الموارد والجهود لتطبيق تدخل علاجي مستند إليها؟”. من هنا، نشأت الحاجة الملحة لمؤشر معياري يحيد حجم العينة تماماً ويقيس الحجم الصافي للأثر.

1.3 مفهوم حجم الأثر (Effect Size) في الإحصاء اللابارامتري

يُعرف حجم الأثر (Effect Size) في سياق تحليل البيانات الفئوية وجداول التوافق بأنه مقياس معياري يعكس درجة الاقتران أو التبعية بين المتغيرات الفئوية، أو مدى الانحراف عن نموذج الاستقلالية الصفرية، بصرف النظر تماماً عن حجم العينة المستخدمة في الاختبار. إبستمولوجياً، يمثل حجم الأثر وسيلة لنقل الاستدلال الإحصائي من مجرد نفي المصادفة إلى تقدير الحقيقة الميدانية، وتوفير لغة مشتركة تسمح بمقارنة نتائج الدراسات التي استخدمت أدوات قياس وعينات متباينة الأحجام.

يلعب حجم الأثر دوراً محورياً لا غنى عنه في دراسات التحليل البعدي (Meta-Analysis) والتوليف الكمي للأدبيات السابقة. فعندما يرغب الباحثون في تجميع مئات الدراسات حول فاعلية العلاج السلوكي في خفض معدلات الانتكاس، لا يمكنهم استخدام قيم كاي تربيع أو قيم p نظراً لاختلاف أحجام العينات، بل يعتمدون على حجوم الأثر القياسية المستخرجة من تلك الدراسات لتقدير الأثر الإجمالي الحقيقي على المستوى السكاني العام.

ترتكز هذه المقاييس في الإحصاء اللابارامتري على ثلاثة مؤشرات رئيسية، يشكل كل منها حلاً رياضياً لطبيعة معينة من البيانات الفئوية:

• معامل فاي (Phi Coefficient – Φ): مخصص لجداول التوافق الثنائية المحدودة (2 × 2).
• معامل كرامر (Cramer’s V): المقياس المعمم لجداول التوافق الأكبر ذات الأبعاد المتعددة (r × c).
• نسبة الأرجحية (Odds Ratio – OR): المقياس الأثير في الدراسات الطبية والإكلينيكية والوبائية لقياس احتمالية وقوع الحدث بالمقارنة.

2. الفرق الجوهري بين الدلالة الإحصائية وحجم الأثر في اختبار مربع كاي

2.1 التمييز المفاهيمي بين الدلالة الإحصائية والدلالة العملية

يمثل التمييز بين الدلالة الإحصائية (Statistical Significance) والدلالة العملية (Practical Significance) حجر الزاوية في التفكير النقدي لدى الباحث الإحصائي. الدلالة الإحصائية هي إجراء رياضي شكلي يرتبط باحتمالية رفض الفرضية الصفرية بالصدفة وحدها؛ حيث يتم مقارنة التكرارات المشاهدة بالتكرارات المتوقعة. إذا كان الفرق بينهما أكبر مما يُعزى لتقلبات المعاينة العشوائية عند مستوى ثقة معين (عادة 95%)، يُقال إن النتيجة دالة إحصائياً.

في المقابل، تُعنى الدلالة العملية أو الإكلينيكية بمدى الأهمية الواقعية لهذه النتيجة وتأثيرها الملموس على السلوك الإنساني أو السياسات التربوية أو الممارسات العلاجية. لنفترض أن دراسة أُجريت على عينة قوامها 50,000 طالب لمعرفة العلاقة بين مشاهدة نوع معين من الفيديوهات التعليمية واجتياز اختبار القدرات. قد تظهر النتائج أن كاي تربيع دال بمستوى p = .0001، لكن الفحص الدقيق لحجم الأثر يكشف أنه لا يفسر سوى 0.01% من التباين في النجاح. هنا، يكون الأثر دالاً إحصائياً ولكنه معدوم القيمة عملياً، ولا يبرر استثمار ميزانيات ضخمة لتعميم البرنامج.

على العكس من ذلك، قد تُجرى تجربة عيادية دقيقة على 30 مريضاً يعانون من اضطراب نفسي نادر لمقارنة نوعين من العلاج النفسي. قد تكون قيمة p = .08 (غير دالة عند مستوى الدلالة التقليدي .05)، ولكن حجم الأثر يشير إلى فارق نوعي كبير في التعافي لصالح البروتوكول الجديد. تجاهل هذه النتيجة استناداً إلى قيمة p وحدها يحرم الميدان الإكلينيكي من تدخل علاجي واعد كان يحتاج فقط إلى عينة أكبر قليلاً لتحقيق الدلالة الإحصائية.

2.2 تأثير حجم العينة (N) على إحصائية كاي تربيع المحسوبة

لفهم الآلية الرياضية التي تجعل إحصائية كاي تربيع عرضة للتضخم مع زيادة حجم العينة، يجب النظر في صيغة حساب قيمة كاي تربيع للاستقلالية:

Χ² = ∑ [(O – E)² / E]

حيث تمثل (O) التكرارات الملاحظة في كل خلية، وتمثل (E) التكرارات المتوقعة المحسوبة بناءً على حاصل ضرب المجاميع الهامشية مقسوماً على حجم العينة الكلي (N):

E = (Row Total × Column Total) / N

من الناحية الجبرية، إذا قمنا بمضاعفة حجم العينة الإجمالي (N) بمعامل ثابت (k) مع الحفاظ التام على نفس النسب المئوية للتوزيع داخل الخلايا، فإن كل تكرار ملاحظ (O) سيتضاعف بمقدار (k)، وكذلك سيتضاعف كل تكرار متوقع (E) بمقدار (k). بتطبيق ذلك في المعادلة:

Χ²_new = ∑ [(kO – kE)² / (kE)] = ∑ [k²(O – E)² / (kE)] = k × ∑ [(O – E)² / E] = k × Χ²_original

يُظهر هذا الاشتقاق الرياضي البسيط أن قيمة كاي تربيع المحسوبة تتناسب طردياً وبشكل خطي مباشر مع حجم العينة. إذا قمت بضرب حجم العينة في 10، فإن قيمة كاي تربيع ستتضاعف 10 مرات بالضبط، حتى لو لم تتغير العلاقات النسبية بين المتغيرات على الإطلاق! هذا التضخم المصطنع لقيمة كاي تربيع يدفع القيمة الاحتمالية p إلى الاقتراب السريع من الصفر، مما يرفع خطر ارتكاب الخطأ من النوع الأول عند تفسير النتيجة على أنها علاقة جوهرية.

تعمل معادلات حجم الأثر المعتمدة، مثل فاي وكرامر، على معالجة هذا الخلل البنيوي من خلال قسمة قيمة كاي تربيع على حجم العينة (N) داخل جذر تربيعي، مما يؤدي إلى شطب المعامل (k) وتحييد تأثير حجم العينة نهائياً للحصول على تقدير ثابت ومجرد لقوة العلاقة.

2.3 إرشادات المنظمات العلمية وجمعية علم النفس الأمريكية (APA)

استجابةً لأزمة التكرار التجريبي (Replication Crisis) في العلوم الإنسانية، شددت كبرى الجمعيات العلمية والمنظمات الأكاديمية العالمية، وفي مقدمتها جمعية علم النفس الأمريكية (American Psychological Association)، على تغيير معايير التقرير الإحصائي. فرض دليل النشر الصادر عن الجمعية في إصداراته المتتالية (بما في ذلك الإصدار السابع الحديث APA 7th Edition) الإبلاغ الإلزامي عن حجوم التأثير وفترات الثقة المصاحبة لها في جميع الدراسات الكمية.

تنص معايير الشفافية الإحصائية على أنه لا يجوز للباحثين الاكتفاء بعبارات مثل “أظهرت النتائج وجود ارتباط دال إحصائياً عند مستوى p < .05″، بل يجب تقديم تقرير متكامل يشمل: قيمة الإحصائي المحسوب، ودرجات الحرية، وحجم العينة الدقيق، والقيمة الاحتمالية الدقيقة، يتبعها حجم الأثر المحسوب (سواء كان Φ أو Cramer’s V أو Odds Ratio)، مع تبيان فترة الثقة (Confidence Interval 95%) لحجم الأثر كلما أمكن ذلك.

يهدف هذا التوجه الصارم إلى تمكين القراء والمراجعين من تقييم الأثر المباشر للنتائج، وتسهيل دمجها في التحليلات البعدية المستقبلية، وضمان عدم تمرير استنتاجات قائمة على عينات ضخمة تخفي وراءها علاقات ضعيفة تفتقر إلى أي أثر واقعي أو إكلينيكي.

3. الطريقة الأولى: معامل فاي (Phi Coefficient – Φ) والمفاهيم الرياضية

3.1 التعريف النظري والرياضي لمعامل فاي

يُعد معامل فاي (Phi Coefficient – Φ) المقياس الكلاسيكي والأكثر استخداماً لتقدير حجم الأثر في جداول التوافق الرباعية، أي جداول (2 × 2). من الناحية النظرية والرياضية، يرتبط معامل فاي ارتباطاً بنيوياً وثيقاً بـ معامل ارتباط بيرسون (Pearson Correlation Coefficient)؛ إذ يمثل معامل فاي الحالة الخاصة لمعامل ارتباط بيرسون عندما يتم تطبيقه على متغيرين اسميين ثنائيي التقسيم الحقيقي، وتُعطى فئات كل متغير قيمتي (0 و 1).

تُحسب الصيغة الرياضية الأساسية لمعامل فاي بالاعتماد المباشر على إحصائية كاي تربيع المحسوبة وحجم العينة الإجمالي (N):

Φ = √(Χ² / N)

يتراوح النطاق الرقمي المطلق لمعامل فاي بين 0 و 1؛ حيث تشير القيمة 0 إلى انعدام تام للعلاقة الارتباطية بين المتغيرين (أي الاستقلالية الكاملة)، بينما تشير القيمة 1 إلى ارتباط كامل وتام بين المتغيرين. في بعض الأدبيات الإحصائية وبرمجيات التحليل، قد يُمنح معامل فاي إشارة جبرية (موجبة أو سالبة) للدلالة على اتجاه العلاقة الثنائية في جدول 2×2 بناءً على كيفية ترتيب الصفوف والأعمدة، ولكن في سياق اختبار مربع كاي كحجم أثر، يُؤخذ المعامل دائماً في صورته المطلقة أو غير الموجهة للتعبير عن شدة الارتباط.

3.2 شروط وضوابط استخدام معامل فاي

يخضع تطبيق معامل فاي لمجموعة من الشروط الرياضية والمنهجية الصارمة التي يجب على الباحث الالتزام بها لضمان صحة الاستدلال:

• الشرط الهيكلي الإلزامي (2 × 2): يُستخدم معامل فاي حصراً في جداول التوافق التي تتكون من صفين وعمودين فقط. إذا زاد عدد الفئات في أي من المتغيرين عن فئتين (مثل 2 × 3 أو 3 × 3)، يفقد معامل فاي خصائصه المعيارية، وقد تتجاوز قيمته المحسوبة حاجز الـ 1.0 الصحيح، مما يجعله غير قابل للتفسير كمعامل ارتباط قياسي.
• طبيعة المتغيرات الثنائية (Dichotomous Variables): يجب أن تكون المتغيرات ثنائية التقسيم بصورة حقيقية أو تصنيفية منطقية، مثل: (مصاب / غير مصاب)، (ناجح / راسب)، (مدخن / غير مدخن)، أو (ذكر / أنثى).
• استيفاء شروط اختبار مربع كاي الأساسية: يتطلب فاي أن تكون التكرارات المتوقعة في جميع خلايا الجدول كافية (ألا يقل التكرار المتوقع في أي خلية عن 5 في جداول 2×2)، لضمان عدم انحياز إحصائية Χ² التي يُبنى عليها المعامل.

3.3 معايير جاكوب كوهين (Cohen’s Benchmarks) لتفسير معامل فاي

قدم عالم الإحصاء النفسي الشهير جاكوب كوهين (Jacob Cohen) في كتابه المرجعي التأسيسي عام 1988 معايير استرشادية لتفسير قيم حجوم الأثر المختلفة، والتي أصبحت المرجع المعياري الأكثر قبولاً في العلوم السلوكية. ونظراً لأن معامل فاي يتطابق رياضياً مع معامل بيرسون (r) للبيانات الثنائية، فإن عتبات القطع لتفسير معامل فاي تُصنف على النحو الآتي:

قيمة معامل فاي (Φ)	تصنيف حجم الأثر	التفسير السلوكي والإكلينيكي
0.10 ≤ Φ < 0.30	أثر صغير (Small Effect)	يشير إلى وجود علاقة ضعيفة أو هامشية بين المتغيرين؛ قد تكون ذات دلالة نظرية لكنها محدودة التأثير في التطبيق الميداني المباشر.
0.30 ≤ Φ < 0.50	أثر متوسط (Medium Effect)	علاقة مرئية وملموسة بالعين المجردة للملاحظ الإكلينيكي أو التربوي؛ تمثل تبايناً مفسراً ذا قيمة تطبيقية واضحة في البرامج والقرارات.
Φ ≥ 0.50	أثر كبير (Large Effect)	علاقة وثيقة وقوية جداً بين المتغيرين؛ تدل على أن معرفة فئة المتغير الأول تمكن الباحث من التنبؤ بفئة المتغير الثاني بدرجة عالية من الثقة والدقة الإكلينيكية.

4. خطوات حساب معامل فاي (Φ) من خلال مثال تطبيقي في علم النفس

4.1 طرح السيناريو البحثي وبناء جدول التوافق (2 × 2)

لنفترض أن باحثاً في القياس النفسي أراد فحص العلاقة بين نمط الشخصية (انطوائي مقابل منبسط) ومستوى القلق من الامتحانات (مرتفع مقابل منخفض) لدى عينة عشوائية قوامها 200 طالب جامعي. تم جمع البيانات وتصنيف الطلاب، وجاءت التكرارات المشاهدة (Observed Frequencies) في خلايا الجدول الأربع المرموز لها بالحروف (A, B, C, D) كالآتي:

نمط الشخصية	قلق الامتحانات		المجموع الهامشي للصف
	قلق مرتفع	قلق منخفض
انطوائي	A = 60	B = 30	R1 = 90
منبسط	C = 40	D = 70	R2 = 110
المجموع الهامشي للعمود	C1 = 100	C2 = 100	N = 200

لحساب التكرارات المتوقعة (E) لكل خلية باستخدام الصيغة E = (Row Total × Column Total) / N:

• الخلية A (انطوائي – مرتفع): E_A = (90 × 100) / 200 = 45
• الخلية B (انطوائي – منخفض): E_B = (90 × 100) / 200 = 45
• الخلية C (منبسط – مرتفع): E_C = (110 × 100) / 200 = 55
• الخلية D (منبسط – منخفض): E_D = (110 × 100) / 200 = 55

4.2 الحساب اليدوي التدريجي لمعامل فاي

لحساب معامل فاي، نقوم أولاً بحساب إحصائية مربع كاي (Χ²) بتطبيق معادلة الفروق المربعة النسبية:

Χ² = [(60 – 45)² / 45] + [(30 – 45)² / 45] + [(40 – 55)² / 55] + [(70 – 55)² / 55]

Χ² = [225 / 45] + [225 / 45] + [225 / 55] + [225 / 55] = 5.00 + 5.00 + 4.091 + 4.091 = 18.182

درجة الحرية هنا هي: df = (2 – 1)(2 – 1) = 1. بالقيمة المحسوبة 18.182، نجد أنها دالة إحصائياً عند مستوى p < .001 (حيث أن القيمة الحرجة لـ Χ² عند مستوى .05 هي 3.841).

الآن، نقوم بحساب معامل فاي (Φ) بتطبيق الصيغة القياسية:

Φ = √(Χ² / N) = √(18.182 / 200) = √(0.09091) ≈ 0.3015

التحقق باستخدام الصيغة الرياضية المباشرة (محدد المصفوفة): يمكن حساب فاي مباشرة من التكرارات الملاحظة دون المرور بحساب Χ² عبر صيغة محدد الجدول 2×2:

Φ = (AD – BC) / √[(A + B)(C + D)(A + C)(B + D)]

Φ = [(60 × 70) – (30 × 40)] / √[(90)(110)(100)(100)]

Φ = [4200 – 1200] / √[99,000,000] = 3000 / 9949.87 ≈ 0.3015

تؤكد الصيغتان النتيجة بدقة رياضية مطلقة: Φ = 0.30.

4.3 التفسير الإكلينيكي والنفسي للنتائج المحسوبة

بمقارنة القيمة المحسوبة (Φ = 0.3015) بمعايير كوهين لتفسير حجوم الأثر، نجد أن الأثر يقع في النطاق المتوسط (Medium Effect) بشكل دقيق. من الناحية النفسية والتربوية، تدل هذه النتيجة على أن الارتباط بين نمط الشخصية ومستوى قلق الامتحانات ليس مجرد مصادفة إحصائية ناجمة عن حجم العينة (N = 200)، بل هو ارتباط ذو وزن حقيقي.

يكشف التحليل أن الطلاب ذوي النمط الانطوائي لديهم ميل ملحوظ وأرجحية أعلى لتسجيل مستويات مرتفعة من قلق الامتحانات مقارنة بزملائهم المنبسطين الذين تركزت غالبيتهم في فئة القلق المنخفض. يُفسر معامل فاي هنا ما يقارب 9.1% من التباين الكلي في توزيع القلق (Φ² = 0.3015² = 0.0909)، وهي نسبة معتبرة في القياس النفسي تدعو المرشدين الطلابيين إلى تصميم ورش عمل واستراتيجيات دعم موجهة خصيصاً للطلاب الانطوائيين لتدريبهم على مهارات إدارة الضغوط وتعديل الأنماط المعرفية السلبية أثناء فترات الاختبارات.

وفقاً لمعايير التوثيق المعتمدة من جمعية علم النفس الأمريكية (APA)، تُصاغ النتيجة النهائية في المتن كما يلي:

“أظهر اختبار مربع كاي للاستقلالية وجود ارتباط ذي دلالة إحصائية بين نمط الشخصية ومستوى قلق الامتحانات، Χ²(1, N = 200) = 18.18, p < .001. وبلغ حجم الأثر المحسوب بواسطة معامل فاي Φ = .30، وهو ما يمثل أثراً متوسط القوة وفق معايير كوهين، مبيناً أن الطلاب الانطوائيين أظهروا ميلاً أكبر للقلق المرتفع مقارنة بالمنبسطين.”

5. الطريقة الثانية: معامل كرامر (Cramer’s V) للبيانات متعددة الفئات

5.1 الأساس النظري لمعامل كرامر (Cramer’s V)

عندما تتوسع الدراسات النفسية والاجتماعية لتشمل متغيرات ذات تصنيفات متعددة، كدراسة العلاقة بين أربعة أساليب تنشئة أسرية وثلاثة مستويات من التوافق النفسي، يصبح جدول التوافق من الرتبة (r × c)، حيث r يمثل عدد الصفوف و c يمثل عدد الأعمدة. في هذه الهياكل المتعددة الفئات، يصبح استخدام معامل فاي غير ملائم تماماً؛ إذ إن الحد الأقصى لقيمة فاي النظرية سيتجاوز 1.0، مما يفقد المعامل قابليته للمعايرة القياسية.

لتجاوز هذا القصور الرياضي، قام عالم الإحصاء السويدي هارالد كرامر بتطوير معامل معدل يُعرف باسم معامل كرامر (Cramer’s V) أو فاي كرامر (Cramer’s Phi). يرتكز هذا المعامل على إدخال تعديل في مقام المعادلة يراعي الأبعاد الهندسية لجدول التوافق، وتُصاغ معادلته العامة على النحو الآتي:

V = √[ Χ² / (N × min(r – 1, c – 1)) ]

حيث يشير min(r – 1, c – 1) إلى أصغر بُعد في الجدول مطروحاً منه واحد. هذا التعديل يضمن بشكل رياضي صارم أن تظل قيمة معامل كرامر محصورة دائماً في النطاق المعياري المغلق [0, 1]، بغض النظر عن مدى اتساع أبعاد الجدول التوافقي أو حجم العينة الكلي، حيث تعني 0 الاستقلالية التامة، و1 تعني الارتباط التام والمثالي بين المتغيرين متعددين الفئات.

5.2 دور درجات الحرية (Degrees of Freedom) في تقييد المؤشر

يلعب الحد k = min(r – 1, c – 1) في مقام معادلة كرامر دوراً جوهرياً في ضبط وتقييد المؤشر. من المهم جداً التمييز الدقيق بين درجات حرية النموذج الإجمالي لاختبار مربع كاي، والتي تُحسب بالصيغة:

df_model = (r – 1) × (c – 1)

وبين درجات حرية تعديل حجم الأثر (Effect Size Degrees of Freedom)، والتي نرمز لها بـ k أو df*، والمحسوبة بالصيغة:

k = min(r – 1, c – 1)

السبب الرياضي لاستخدام أصغر البُعدين يرجع إلى أن القيمة القصوى النظرية التي يمكن أن تصل إليها إحصائية Χ² في أي جدول توافقي (r × c) تساوي تماماً N × min(r – 1, c – 1). بالتالي، فإن قسمة Χ² على هذا الحد الأقصى النظري ثم أخذ الجذر التربيعي يضمن تقييس المؤشر (Normalization) ليكون محصوراً بدقة بين الصفر والواحد الصحيح.

إذا كان الجدول ذو بعد (2 × 2)، فإن k = min(2 – 1, 2 – 1) = 1، وتتحول معادلة كرامر V تلقائياً وبشكل متطابق إلى معادلة معامل فاي: V = √(Χ² / N) = Φ. بالتالي، يُعد معامل كرامر هو التعميم الرياضي الأشمل لمعامل فاي.

5.3 محاذير استخدام معامل كرامر والتحيزات المحتملة

على الرغم من القوة المنهجية لمعامل كرامر، إلا أن هناك محاذير إحصائية وتحيزات يجب على الباحث التنبه لها أثناء تحليل وتفسير النتائج:

• التحيز الإيجابي في العينات الصغيرة: يميل معامل كرامر القياسي (V) إلى المبالغة في تقدير حجم الأثر الحقيقي (Positive Bias) عندما يكون حجم العينة صغيراً مع اتساع أبعاد الجدول (مثلاً N < 50 في جدول 4 × 4). في هذه الحالات، يُوصى باستخدام معامل كرامر المصحح للتحيز (Bias-Corrected Cramer’s V)، والذي يُدخل تعديلات قائمة على تصحيح التباين المشابه لتصحيح R² المعدل في الانحدار الخطي.
• حساسية الخلايا الفارغة أو منخفضة التكرار: يعتمد كرامر على قيمة Χ²، فإذا كان أكثر من 20% من خلايا الجدول تحتوي على تكرارات متوقعة أقل من 5، فإن قيمة كاي تربيع المحسوبة تصبح غير مستقرة ومرتفعة بصورة مصطنعة، مما ينعكس مباشرة على تضخيم قيمة كرامر V وتشويه التفسير العلمي.
• استحالة تحديد الاتجاه: نظراً للتعقيد المتعدد للفئات وتطبيق الجذر التربيعي على Χ² المقيدة، فإن كرامر V يعطي فقط شدة الارتباط الإجمالي دون إمكانية إعطاء إشارة سالبة أو موجبة، مما يفرض إجراء تحليلات لاحقة (Post-hoc) لمعرفة الخلايا المسؤولة عن الارتباط.

6. تفسير درجات الحرية المتعددة وحساب معامل كرامر (V) عملياً

6.1 معايير كوهين الموسعة لتفسير معامل كرامر حسب درجات الحرية

أحد أكثر الأخطاء المنهجية شيوعاً في الأبحاث المنشورة هو تطبيق معايير فاي الثابتة (0.10 للصغير، 0.30 للمتوسط، 0.50 للكبير) على معامل كرامر بغض النظر عن أبعاد الجدول. أوضح جاكوب كوهين أن عتبات القطع لحجم الأثر في معامل كرامر تنخفض كلما زادت درجات حرية التعديل (k)، والسبب المنطقي هو أنه مع زيادة عدد الفئات، يتوزع التباين على مسارات احتمالية أكثر، مما يجعل الحصول على قيم ارتباط مرتفعة أمراً أصعب إحصائياً. يوضح الجدول التالي المعايير الدقيقة الواجب اتباعها:

درجات الحرية المصغرة k = min(r-1, c-1)	أثر صغير (Small)	أثر متوسط (Medium)	أثر كبير (Large)
k = 1 (جداول 2 × 2، 2 × c، r × 2)	0.10	0.30	0.50
k = 2 (جداول 3 × 3، 3 × 4، 3 × c)	0.07	0.21	0.35
k = 3 (جداول 4 × 4، 4 × 5، إلخ)	0.06	0.17	0.29
k = 4 (جداول 5 × 5 فما فوق)	0.05	0.15	0.25
k = 5	0.04	0.13	0.22

6.2 مثال عملي تطبيقي: تحليل جدول توافق (3 × 4)

أرادت دراسة إكلينيكية فحص العلاقة بين نوع التدخل النفسي (أربعة بروتوكولات: علاج معرفي سلوكي CBT، علاج دينامي نفسي Psychodynamic، علاج بالتقبل والالتزام ACT، مجموعة ضابطة بدون علاج) ومستوى التحسن في أعراض الاكتئاب (ثلاثة مستويات: تحسن طفيف، تحسن متوسط، تحسن ممتاز). شملت العينة الإجمالية N = 300 مريضاً تم توزيعهم عشوائياً.

تم تفريغ التكرارات الملاحظة (O)، وجاءت النتائج في جدول أبعاده 3 صفوف و 4 أعمدة (3 × 4). بعد حساب التكرارات المتوقعة (E) لجميع الخلايا الـ 12 والتأكد من أنها جميعاً أكبر من 5، تم حساب إحصائية كاي تربيع الكلية فكانت:

Χ² = 34.50

درجات حرية النموذج العام هي: df_model = (3 – 1) × (4 – 1) = 2 × 3 = 6. بالرجوع لجدول التوزيع الاحتمالي، نجد أن القيمة دالة جداً إحصائياً عند p < .0001.

لحساب معامل كرامر (Cramer’s V)، نحدد أولاً درجة حرية التعديل k:

k = min(r – 1, c – 1) = min(3 – 1, 4 – 1) = min(2, 3) = 2

الآن، نطبق معادلة كرامر V:

V = √[ Χ² / (N × k) ] = √[ 34.50 / (300 × 2) ] = √[ 34.50 / 600 ] = √[ 0.0575 ] ≈ 0.2398

التفسير الإحصائي: بالرجوع إلى جدول معايير كوهين عند k = 2، نجد أن عتبة الأثر المتوسط هي 0.21 وعتبة الأثر الكبير هي 0.35. بما أن القيمة المحسوبة هي V = 0.24، فإن العلاقة بين نوع التدخل النفسي ومستوى التحسن تُصنف على أنها أثر متوسط القوة (Medium Effect) وذات دلالة سريرية واضحة في الطب النفسي.

6.3 تحليل مساهمة الخلايا الفردية (Adjusted Residuals)

لا يكتمل التفسير النفسي للجدول الكبير بالاعتماد فقط على كرامر V؛ لأن المعامل يخبرنا عن شدة الارتباط العام دون توضيح أي البروتوكولات العلاجية كان الأكثر فاعلية. لتفكيك هذا الأثر الإجمالي، يلجأ الباحث إلى حساب البواقي المعيارية المعدلة (Adjusted Standardized Residuals – ASR) لكل خلية:

ASR = (O – E) / √[ E × (1 – Row Proportion) × (1 – Column Proportion) ]

تتبع هذه البواقي توزيع Z الاعتدالي المعياري؛ وتُعتبر أي خلية تتجاوز قيمتها المطلقة |ASR| > 1.96 مساهماً رئيسياً ذا دلالة إحصائية (عند مستوى .05) في تكوين العلاقة الإجمالية، بينما تعني القيمة |ASR| > 2.58 دلالة قوية جداً عند مستوى .01.

في مثالنا العملي، أظهر تحليل البواقي المعدلة ما يلي:

• خلية (علاج CBT × تحسن ممتاز) سجلت ASR = +3.42 (موجب ودال جداً)، مما يشير إلى أن المرضى الخاضعين لـ CBT حققوا نسب تحسن ممتاز أعلى بكثير من المتوقع إحصائياً.
• خلية (المجموعة الضابطة × تحسن ممتاز) سجلت ASR = -3.85 (سالب ودال جداً)، مبيناً عجز المجموعة الضابطة عن تحقيق تحسن نوعي.
• بروتوكول ACT حقق ASR = +2.10 في خانة التحسن المتوسط.

هذا التكامل بين حجم الأثر الكلي (Cramer’s V) وتحليل الخلايا الموضعي بالبواقي المعدلة يوفر فهماً إكلينيكياً فائق العمق يتيح صياغة توصيات محددة تدعم تبني بروتوكول CBT في العيادات كخيار أول.

7. الطريقة الثالثة: نسبة الأرجحية (Odds Ratio – OR) والمخاطر النسبية

7.1 المفهوم الرياضي والاحتمالي للأرجحية (Odds) ونسبة الأرجحية (OR)

تُعد نسبة الأرجحية (Odds Ratio – OR) المقياس الثالث والأكثر انتشاراً في مجالات العلوم النفسية الطبية، وعلم النفس العصبي، وعلم الأوبئة والوبائيات السلوكية. لفهم نسبة الأرجحية، يجب أولاً التمييز بدقة بالغة بين مفهومين إحصائيين يخلط بينهما الكثير من الباحثين: الاحتمال (Probability) والأرجحية (Odds).

الاحتمال (p) هو نسبة حدوث حدث معين مقسوماً على إجمالي المحاولات أو الحالات الممكنة، وتتراوح قيمته بين 0 و 1:

Probability = Events / Total Observations

بينما الأرجحية (Odds) هي النسبة بين احتمال وقوع الحدث (p) إلى احتمال عدم وقوعه (1 – p)، أي عدد مرات حدوثه مقارنة بعدد مرات عدم حدوثه:

Odds = p / (1 – p) = Events / Non-events

إذا كانت احتمالية نجاح علاج نفسي هي 0.80 (80%)، فإن أرجحية النجاح هي: 0.80 / (1 – 0.80) = 0.80 / 0.20 = 4.0 (وتُقرأ: أرجحية النجاح هي 4 إلى 1 ضد الفشل).

بناءً على ذلك، تُعرف نسبة الأرجحية (Odds Ratio – OR) في جدول توافق ثنائي (2 × 2) بأنها نسبة أرجحية حدوث الحدث في المجموعة التجريبية (المعرضة) مقسومة على أرجحية حدوث نفس الحدث في المجموعة الضابطة (غير المعرضة). بالاعتماد على الخلايا الأربع (A, B, C, D) للجدول:

المجموعة	الحدث وقع (إيجابي)	الحدث لم يقع (سلبي)
المجموعة (1)	A	B
المجموعة (2)	C	D

أرجحية الحدث في المجموعة الأولى = A / B. وأرجحية الحدث في المجموعة الثانية = C / D. بقسمة الأرجحيتين على بعضهما، نحصل على الصيغة الرياضية لحساب نسبة الأرجحية، والتي تُعرف أيضاً بصيغة حاصل الضرب التبادلي (Cross-Product Ratio):

OR = (A / B) / (C / D) = (A × D) / (B × C)

تفسير القيم الناتجة لنسبة الأرجحية (OR):

• OR = 1.00: أرجحية محايدة (Null Effect)؛ تعني تكافؤ الفرص تماماً بين المجموعتين، وأن التعرض للمتغير المستقل لا يغير أرجحية حدوث النتيجة إطلاقاً (استقلالية تامة).
• OR > 1.00: أرجحية موجبة؛ تدل على أن أرجحية حدوث النتيجة في المجموعة الأولى أعلى منها في المجموعة الثانية بمقدار قيمة OR.
• OR < 1.00: أرجحية سالبة (أثر وقائي / Protective Effect)؛ تدل على أن أرجحية حدوث النتيجة في المجموعة الأولى أقل من المجموعة الثانية.

7.2 ملاءمة نسبة الأرجحية للدراسات الوبائية والنفسية الإكلينيكية

تتمتع نسبة الأرجحية بمزايا منهجية فريدة تجعلها الخيار الأول والمفضل في تصاميم دراسات الحالات والشواهد (Case-Control Studies) والدراسات الاسترجاعية (Retrospective Studies). في هذه التصاميم، يقوم الباحث باختيار عدد ثابت من المرضى المصابين باضطراب معين (الحالات) ومقارنتهم بأفراد غير مصابين (الشواهد)، ثم يبحث استرجاعياً عن وجود عوامل خطورة سابقة (مثل التعرض لصدمات الطفولة).

في مثل هذه الدراسات، لا يمكن حساب معدل الحدوث الحقيقي (Incidence Rate) في المجتمع، وبالتالي يستحيل رياضياً حساب مقياس “الخطر النسبي” (Relative Risk – RR). غير أن نسبة الأرجحية (OR) تظل ثابتة وصحيحة رياضياً ويمكن حسابها بدقة بالغة من جدول 2×2 بصرف النظر عن النسبة التي حددها الباحث بين الحالات والشواهد.

تتميز نسبة الأرجحية أيضاً بقدرتها الفائقة على التواصل الإكلينيكي؛ إذ يسهل على الطبيب النفسي أو المعالج فهم عبارة مثل: “التعرض للتنمر المدرسي يضاعف أرجحية الإصابة بالاكتئاب الحاد بمقدار 3.5 مرة (OR = 3.5)” مقارنة بعبارة مجردة مثل “معامل فاي بين التنمر والاكتئاب يساوي 0.28”.

7.3 التحويل اللوغاريتمي لنسبة الأرجحية (Log Odds / Logit)

تتسم نسبة الأرجحية (OR) بخصيصة رياضية غير متناظرة حول الصفر؛ فالقيم التي تشير إلى انخفاض الأرجحية محصورة بالكامل في المجال الضيق بين [0 و 1]، بينما القيم التي تشير إلى زيادة الأرجحية تمتد في مجال لامتناهٍ من [1 إلى ∞]. هذا التوزيع غير المتماثل (Asymmetric / Skewed) يعقد إجراء التحليلات الإحصائية الاستدلالية وحساب الأخطاء المعيارية.

لحل هذه المعضلة الرياضية، يلجأ الإحصائيون إلى أخذ اللوغاريتم الطبيعي (Natural Logarithm – ln) لنسبة الأرجحية، وهو ما يُعرف في الأدبيات بـ لوغاريتم الأرجحية (Log Odds) أو دالة اللوجت (Logit):

Logit = ln(OR)

يحول هذا الإجراء توزيع المقياس إلى توزيع متماثل تماماً حول الصفر (حيث ln(1) = 0)، وتصبح القيم الوقائية سالبة تمتد إلى -∞، والقيم المرتفعة موجبة تمتد إلى +∞. يُعد هذا التحويل الأساس الرياضي الذي تُبنى عليه نماذج الانحدار اللوجستي (Logistic Regression) وتوليف حجوم الأثر في التحليل البعدي.

علاوة على ذلك، يمكن تحويل نسبة الأرجحية إلى معامل حجم الأثر القياسي لكوهين (Cohen’s d) باستخدام المعادلة التقريبية الشهيرة لكوبر وزملاؤه للمقارنة الشاملة:

d = ln(OR) × [√3 / π] ≈ ln(OR) / 1.814

8. حساب فترات الثقة ونسبة الأرجحية (OR) مع التطبيق الإكلينيكي

8.1 مثال تطبيقي إكلينيكي في علم النفس الصحي

أجرى فريق بحثي في علم النفس الإكلينيكي تجربة عيادية مضبوطة لمقارنة فاعلية برنامج التدخل النفسي لليقظة الذهنية والتحكم في المثيرات في مساعدة المدخنين على الإقلاع النهائي عن التدخين، مقارنة بـ برنامج التثقيف الصحي التقليدي. تم متابعة 150 مشاركاً لمدة 6 أشهر، وتم تسجيل حالة الإقلاع (مقلع بنجاح مقابل مستمر في التدخين). تم تلخيص البيانات في الجدول التالي:

نوع التدخل	نجاح الإقلاع (حدث إيجابي)	فشل الإقلاع (استمرار)	المجموع
مجموعة اليقظة الذهنية	A = 45	B = 30	75
مجموعة التثقيف التقليدي	C = 20	D = 55	75
المجموع الكلي	65	85	N = 150

لحساب نسبة الأرجحية (Odds Ratio – OR):

• أرجحية الإقلاع في مجموعة اليقظة الذهنية = A / B = 45 / 30 = 1.50
• أرجحية الإقلاع في مجموعة التثقيف التقليدي = C / D = 20 / 55 ≈ 0.3636

بتطبيق صيغة حاصل الضرب التبادلي:

OR = (A × D) / (B × C) = (45 × 55) / (30 × 20) = 2475 / 600 = 4.125

التفسير المبدئي: تشير القيمة OR = 4.13 إلى أن أرجحية الإقلاع الناجح عن التدخين بين المشاركين في برنامج اليقظة الذهنية تزيد بمقدار 4.13 أضعاف أرجحية الإقلاع لدى المشاركين في برنامج التثقيف التقليدي.

8.2 حساب الخطأ المعياري وفترات الثقة 95% لنسبة الأرجحية

لا يكفي الإبلاغ عن النقطة التقديرية لحجم الأثر؛ بل يجب تحديد فترة الثقة (Confidence Interval) بدقة لبيان مقدار عدم اليقين في التقدير. نظراً لعدم تناظر توزيع OR، نقوم بحساب الخطأ المعياري وفترة الثقة على المقياس اللوغاريتمي الطبيعي أولاً، ثم نأخذ الأس الطبيعي (Exponential) للحدود.

الخطوة 1: حساب اللوغاريتم الطبيعي لنسبة الأرجحية:

ln(OR) = ln(4.125) ≈ 1.4171

الخطوة 2: حساب الخطأ المعياري للوغاريتم الطبيعي SE(ln(OR)) عبر معادلة وولف (Woolf’s Formula):

SE(ln(OR)) = √[ (1 / A) + (1 / B) + (1 / C) + (1 / D) ]

SE(ln(OR)) = √[ (1 / 45) + (1 / 30) + (1 / 20) + (1 / 55) ] = √[ 0.02222 + 0.03333 + 0.05000 + 0.01818 ] = √[ 0.12373 ] ≈ 0.35175

الخطوة 3: حساب حدود فترة الثقة 95% للوغاريتم (باستخدام Z = 1.96):

الحد الأدنى اللوغاريتمي = ln(OR) – 1.96 × SE = 1.4171 – (1.96 × 0.35175) = 1.4171 – 0.6894 = 0.7277

الحد الأعلى اللوغاريتمي = ln(OR) + 1.96 × SE = 1.4171 + (1.96 × 0.35175) = 1.4171 + 0.6894 = 2.1065

الخطوة 4: التحويل العكسي للحدود بأخذ الأس الطبيعي e^x:

الحد الأدنى لفترة الثقة 95% = e^0.7277 ≈ 2.070

الحد الأعلى لفترة الثقة 95% = e^2.1065 ≈ 8.220

إذن، نسبة الأرجحية مع فترة الثقة 95% تُكتب إحصائياً: OR = 4.13, 95% CI [2.07, 8.22].

8.3 معايير الدلالة الإكلينيكية المستندة لفترات الثقة لنسبة الأرجحية

يمثل فحص فترات الثقة لنسبة الأرجحية أداة قاطعة لتحديد الدلالة الإحصائية والإكلينيكية معاً وفق القواعد الآتية:

• قاعدة القيمة المحايدة (1.00): إذا كانت فترة الثقة 95% لا تشتمل على القيمة 1.00 (كما في مثالنا حيث تتراوح الحدود بين 2.07 و 8.22)، فإن النتيجة تُعتبر دالة إحصائياً عند مستوى p < .05، ونستنتج بثقة أن الأثر حقيقي وليس ناتجاً عن تقلبات المعاينة. أما إذا اشتملت فترة الثقة على 1.00 (مثلاً: 95% CI [0.85, 3.40])، فإن العلاقة تفقد دلالتها الإحصائية، بغض النظر عن كون النقطة التقديرية مرتفعة.
• تقييم دقة التقدير الإحصائي: كلما كان النطاق بين الحدين الأدنى والأعلى ضيقاً، دل ذلك على دقة التقدير وقوة العينة الإحصائية. في مثالنا، حتى في أسوأ السيناريوهات الاحتمالية (الحد الأدنى 2.07)، فإن برنامج اليقظة الذهنية يضاعف فرص النجاح بأكثر من الضعف، مما يعطي أصحاب القرار الإكلينيكي يقيناً تاماً بجدوى التدخل.

التوثيق بصيغة APA 7th:

“كشفت نتائج التحليل أن برنامج اليقظة الذهنية ارتبط بزيادة دالة إحصائياً وإكلينيكياً في احتمالية الإقلاع الناجح عن التدخين مقارنة ببرنامج التثقيف التقليدي، Χ²(1, N = 150) = 17.19, p < .001, OR = 4.13, 95% CI [2.07, 8.22].”

9. مقارنة معيارية شاملة بين الطرق الثلاث (فاي، كرامر، نسبة الأرجحية)

9.1 مصفوفة المقارنة المنهجية والخصائص الإحصائية

لتسهيل المقارنة المنهجية والمفاضلة بين المقاييس الثلاثة، يوضح الجدول التالي مصفوفة شاملة تلخص الخصائص الإحصائية والمعادلات والمجالات الرياضية وشروط التطبيق لكل طريقة:

وجه المقارنة	معامل فاي (Φ)	معامل كرامر (Cramer’s V)	نسبة الأرجحية (Odds Ratio)
أبعاد الجدول المناسبة	حصراً جداول (2 × 2)	أي جدول فئوي (r × c)	حصراً جداول (2 × 2)
المجال الرياضي للمقياس	من 0 إلى 1 (أو [-1, +1])	من 0 إلى 1 دائماً	من 0 إلى ما لا نهاية [0, ∞[
القيمة المحايدة (انعدام الأثر)	0.00	0.00	1.00
الصيغة الرياضية الأساسية	Φ = √(Χ² / N)	V = √[Χ² / (N × min(r-1, c-1))]	OR = (A × D) / (B × C)
نوع المتغيرات الفئوية	اسمية ثنائية (Dichotomous)	اسمية أو رتبية متعددة	اسمية ثنائية (حالات / شواهد)
التأثر المباشر بحجم العينة	مُحيَّد رياضياً	مُحيَّد (مع ميل للتحيز في N الصغيرة)	مُحيَّد تماماً
أبرز المزايا الإحصائية	تطابق تام مع معامل بيرسون (r)	المرونة العالية لأي أبعاد تصنيفية	سهولة التفسير الإكلينيكي وثباته بالتصاميم الاسترجاعية
أبرز العيوب والقيود	لا يصلح إطلاقاً للجداول الكبيرة	صعوبة تفسير اتجاه العلاقة مباشرة	توزيع غير متماثل يتطلب تحويلاً لوغاريتمياً لحساب CI

9.2 دليل اتخاذ القرار لاختيار المقياس الأنسب

لمساعدة الباحثين في اختيار المقياس الرياضي الأكثر دقة وملاءمة لطبيعة بياناتهم، يمكن اتباع مسار اتخاذ القرار الإجرائي الآتي:

• الخطوة الأولى: فحص أبعاد جدول التوافق:
  • إذا كان الجدول يحتوي على أكثر من صفين أو أكثر من عمودين (مثل 2 × 3 أو 3 × 3 أو 4 × 5)، فإن معامل كرامر (Cramer’s V) هو الخيار الرياضي الحصري والوحيد المتاح بين مقاييس مربع كاي القياسية.
  • إذا كان الجدول رباعياً ذو بعد (2 × 2)، انتقل إلى الخطوة الثانية.
• الخطوة الثانية: تحديد هدف الدراسة وسياق التخصص الأكاديمي:
  • إذا كان الهدف هو قياس قوة الارتباط المعياري الشبيه بمعاملات بيرسون، أو استخدام النتيجة في سياق القياس النفسي والتربوي العام، فإن معامل فاي (Φ) هو الأنسب والأسهل للمقارنة مع مقاييس كوهين الأخرى.
  • إذا كانت الدراسة تجربة إكلينيكية، أو دراسة وبائية سلوكية، أو تصميم حالات وشواهد (Case-Control)، وكان الهدف هو معرفة مضاعفة احتمالية الخطر أو فرص الشفاء، فإن نسبة الأرجحية (Odds Ratio) وفترات الثقة المصاحبة لها هي الخيار الأقوى والأكثر قبولاً في المجلات الطبية والنفسية المحكمة.

9.3 إمكانية التحويل والمفاضلة بين المقاييس في التحليل البعدي

في أبحاث التحليل البعدي (Meta-Analysis)، يواجه الباحث مشكلة تباين التقارير؛ حيث تنشر بعض الدراسات معامل فاي، بينما تنشر أخرى نسب الأرجحية أو كرامر V. بفضل العلاقات الجبرية الراسخة، يمكن إجراء تحويلات رياضية مباشرة لتوحيد المقاييس وتحويلها إلى مقياس موحد (غالباً إما d لكوهين أو r لبيرسون):

1. التحويل من معامل فاي إلى نسبة الأرجحية (في الجداول المتوازنة):

ln(OR) ≈ Φ × [π / √(3 × (1 – Φ²))]

2. التحويل من نسبة الأرجحية (OR) إلى معامل ارتباط فاي / بيرسون (r):

r = (OR – 1) / (OR + 1)   (صيغة يولي التقريبية Yule’s Q)

أو باستخدام التحويل الأدق عبر اللوجت:

d = ln(OR) / 1.814  ⇒  r = d / √(d² + 4)

تسمح هذه التحويلات بمفاضلة دقيقة وتجميع كمي صارم للنتائج، شريطة الانتباه لعدم دمج دراسات استخدمت جداول ذات أبعاد متباينة دون ضبط درجات حرية كرامر.

10. تطبيقات متقدمة لحجم أثر مربع كاي في البحوث النفسية والتربوية

10.1 قياس أثر التدخلات العلاجية والبرامج الإرشادية

تعتمد برامج التوجيه والإرشاد النفسي والمدرسي بشكل مكثف على قياس النتائج النوعية؛ مثل تحول الطالب من فئة “معرض للتنمر” إلى فئة “آمن”، أو تحول الحالة العيادية من “مستوفٍ لمعايير التشخيص” إلى “في حالة هدأة (Remission)”. عند تقييم فاعلية برنامج إرشادي وقائي في المدارس، يتيح حساب حجم الأثر عبر معامل فاي أو نسبة الأرجحية تقييم الفائدة الحقيقية للبرنامج.

في بعض السياقات الإنسانية والتربوية الحرجة (مثل برامج الوقاية من الانتحار أو منع التسرب المدرسي)، قد تظهر النتائج حجماً للأثر يبدو “صغيراً” بمعايير كوهين النظرية (Φ = 0.12)، إلا أن هذا الأثر الصغير إحصائياً يحمل قيمة تطبيقية وإنقاذية بالغة الأثر على أرض الواقع؛ حيث يمثل نجاة عشرات الأرواح أو إنقاذ مئات الطلاب من ضياع مستقبلهم الأكاديمي، مما يبرز ضرورة قراءة حجم الأثر دائماً في سياق خطورة المشكلة المدروسة.

10.2 التحقق من صدق البناء والاتساق في الاستبيانات المقننة

في مجال القياس والتقويم النفسي (Psychometrics)، يُستخدم اختباري فاي وكرامر كأدوات فاعلة في مرحلة تحليل البنود (Item Analysis) للاختبارات والمقاييس الموضوعية ذات البدائل المتعددة. عند بناء اختبار نفسي جديد، يتم فحص استقلالية الاستجابة لكل بند (صحيح / خاطئ، أو موافق / غير موافق) مع متغيرات المحك الخارجية أو السمات الديموغرافية.

يساعد معامل كرامر V في الكشف عن الأداء التفاضلي للبند (Differential Item Functioning – DIF) عبر فئات المجتمع المختلفة؛ فإذا أظهر بند في مقياس الذكاء معامل كرامر مرتفعاً جداً (V > 0.35) عند تقاطعه مع فئة الثقافة أو العرق دون مبرر نظري، دل ذلك على وجود تحيز ثقافي في صياغة البند يستوجب حذفه أو تعديله لضمان صدق البناء والعدالة في القياس.

10.3 تحليل الأنماط السلوكية والتشخيص الفئوي (DSM-5)

يرتكز الدليل التشخيصي والإحصائي للاضطرابات النفسية في نسخته الخامسة (DSM-5) على مقاربة تصنيفية فئوية؛ حيث يتم تقييم وجود الاضطراب من عدمه بناءً على عتبة الأعراض. تبرز هنا نسبة الأرجحية (Odds Ratio) كأقوى أداة لدراسة التواكب المرضي (Comorbidity) بين الاضطرابات النفسية المختلفة.

على سبيل المثال، عند دراسة التواكب بين اضطراب كرب ما بعد الصدمة (PTSD) واضطراب تعاطي المواد المخدرة، تُظهر حسابات نسبة الأرجحية بدقة مضاعفة خطر تعاطي المخدرات لدى مرضى الصدمات (OR = 3.8). هذا التحديد الرقمي الدقيق يسهم في توجيه البروتوكولات الإكلينيكية نحو العلاج المزدوج المتزامن لكلا الاضطرابين بدلاً من معالجة كل اضطراب بمعزل عن الآخر.

11. تنفيذ الحسابات باستخدام البرمجيات الإحصائية (SPSS, R, Python)

11.1 استخراج حجم الأثر لاختبار كاي تربيع في برنامج SPSS

يُعد برنامج IBM SPSS Statistics الأداة الأكثر شيوعاً بين باحثي العلوم الاجتماعية لاستخراج حجوم الأثر لجداول التوافق. لتنفيذ ذلك بدقة، يتبع الباحث المسار الإجرائي الآتي:

1. من القائمة العلوية للبرنامج، اختر: Analyze → Descriptive Statistics → Crosstabs.
2. انقل المتغير المستقل الأول إلى مربع Row(s)، والمتغير التابع الثاني إلى مربع Column(s).
3. اضغط على زر Statistics من الجانب الأيمن، وقم بتفعيل الخيارات الآتية:
   • تفعيل خيار Chi-square لحساب إحصائية Χ² وقيمة p.
   • تفعيل خيار Phi and Cramer’s V لحساب معامل فاي ومعامل كرامر.
   • تفعيل خيار Risk (في حال كانت الجداول 2 × 2 فقط) لاستخراج نسبة الأرجحية (Odds Ratio) ونسبة الخطر وفترات الثقة 95%.
4. اضغط على زر Cells، ومن قسم Residuals قم باختيار Adjusted standardized لاستخراج البواقي المعدلة لتفسير مساهمة الخلايا.
5. اضغط Continue ثم OK لتنفيذ التحليل.

في مخرجات SPSS، يظهر جدول بعنوان Symmetric Measures يحتوي على قيمتي Phi و Cramer’s V مع مستوى الدلالة التقريبي، بينما يظهر جدول بعنوان Risk Estimate يعرض قيمة Odds Ratio في الصف الأول مع حدي فترة الثقة 95% (Lower and Upper Bounds).

11.2 الحساب والتحليل الإحصائي باستخدام لغة R

توفر بيئة البرمجة الإحصائية R حزماً متقدمة فائقة الدقة لحساب حجوم الأثر وفترات ثقتها المضبوطة. يمكن تنفيذ التحليل الشامل باستخدام الدوال القياسية وحزم مثل rcompanion و epitools عبر الكود التالي:

# 1. بناء جدول التوافق 2x2 لمثال قلق الامتحانات
data_matrix <- matrix(c(60, 30, 40, 70), nrow = 2, byrow = TRUE,
 dimnames = list(Personality = c("Introvert", "Extrovert"),
 Anxiety = c("High", "Low")))
# 2. إجراء اختبار كاي تربيع الكلاسيكي
chi_test <- chisq.test(data_matrix, correct = FALSE)
print(chi_test)
# 3. حساب معامل كرامر V ومعامل فاي وفترات الثقة باستخدام rcompanion
library(rcompanion)
cramer_result <- cramerV(data_matrix, ci = TRUE, conf = 0.95, type = "bca")
print(cramer_result)
# 4. حساب نسبة الأرجحية Odds Ratio وفترات الثقة باستخدام epitools
library(epitools)
odds_result <- oddsratio(data_matrix, method = "wald")
print(odds_result$measure)

تتميز لغة R بقدرتها على حساب فترات الثقة لحجم الأثر باستخدام تقنية إعادة المعاينة البوتسترابية (Bootstrap BCa CIs)، مما يعطي نتائج شديدة الرصانة حتى في الحالات التي تنتهك فيها البيانات بعض الافتراضات التقليدية.

11.3 التطبيق البرمجي بلغة Python وعلم بيانات السلوك

في بيئة علم البيانات وبايثون (Python)، تُستخدم مكتبات scipy.stats و numpy و pandas لبناء دوال مخصصة لحساب كافة مؤشرات حجم الأثر مع تصور بياني عالي الجودة عبر seaborn:

import numpy as np
import pandas as pd
from scipy.stats import chi2_contingency
# إنشاء مصفوفة التكرارات
table = np.array([[60, 30], 
 [40, 70]])
# حساب كاي تربيع
chi2, p, dof, expected = chi2_contingency(table, correction=False)
n = np.sum(table)
r, c = table.shape
# حساب معامل فاي (للجداول 2x2)
phi = np.sqrt(chi2 / n)
# حساب معامل كرامر V
k = min(r - 1, c - 1)
cramer_v = np.sqrt(chi2 / (n * k))
# حساب نسبة الأرجحية والخطأ المعياري
A, B, C, D = table[0, 0], table[0, 1], table[1, 0], table[1, 1]
odds_ratio = (A * D) / (B * C)
log_or = np.log(odds_ratio)
se_log_or = np.sqrt(1/A + 1/B + 1/C + 1/D)
ci_lower = np.exp(log_or - 1.96 * se_log_or)
ci_upper = np.exp(log_or + 1.96 * se_log_or)
print(f"Chi2: {chi2:.4f}, p-value: {p:.4e}")
print(f"Phi Coefficient: {phi:.4f}")
print(f"Cramer's V: {cramer_v:.4f}")
print(f"Odds Ratio: {odds_ratio:.4f}, 95% CI: [{ci_lower:.4f}, {ci_upper:.4f}]")

يوفر هذا الكود البرمجي للمحلل السلوكي تدفق عمل آلي متكامل يمكن دمجه بسهولة في خطوط معالجة البيانات الضخمة والاستبيانات النفسية عبر الإنترنت.

12. أفضل الممارسات، توصيات APA، وتجنب الأخطاء الشائعة

12.1 قواعد كتابة التقرير الإحصائي وفق الإصدار السابع لـ APA

وضعت جمعية علم النفس الأمريكية في الإصدار السابع من دليل النشر قواعد دقيقة يجب اتباعها عند توثيق نتائج اختبار مربع كاي ومقاييس حجم الأثر المصاحبة لها. فيما يلي القواعد الأساسية مع أمثلة نصية قياسية مكتملة الأركان:

• تُكتب الرموز الإحصائية الإنجليزية بخط مائل (Italic)، مثل: Χ², p, N, df, V, Φ, OR, CI.
• يجب ذكر درجات الحرية وحجم العينة بوضوح بين قوسين ملاصقين لرمز كاي تربيع: Χ²(df, N = …).
• يجب كتابة القيمة الاحتمالية الدقيقة حتى ثلاثة منازل عشرية (مثل p = .023)، وتجنب كتابة p = .000 واستبدالها بـ p < .001.
• يجب الإبلاغ الإلزامي عن حجم الأثر المختار وفترة ثقته 95%.

نماذج التوثيق الاحترافي:

نموذج توثيق جدول (2 × 2) باستخدام معامل فاي:

“أظهرت النتائج وجود ارتباط دال إحصائياً بين المتغيرين، Χ²(1, N = 200) = 18.18, p < .001, Φ = .30, 95% CI [.17, .43]. ويشير حجم الأثر إلى علاقة متوسطة القوة وفق معايير كوهين.”

نموذج توثيق جدول كبير (r × c) باستخدام معامل كرامر:

“كشف اختبار مربع كاي للاستقلالية عن فروق دالة إحصائياً في معدلات الاستجابة عبر البروتوكولات العلاجية الأربعة، Χ²(6, N = 300) = 34.50, p < .001, Cramer’s V = .24. ويعكس هذا المقياس أثراً متوسط الحجم عند درجات حرية تعديل k = 2.”

نموذج توثيق تجربة إكلينيكية باستخدام نسبة الأرجحية:

“كانت أرجحية الشفاء لدى المجموعة التجريبية أعلى بدلالة إحصائية مقارنة بالمجموعة الضابطة، Χ²(1, N = 150) = 17.19, p < .001, OR = 4.13, 95% CI [2.07, 8.22].”

12.2 أخطاء شائعة يقع فيها الباحثون وكيفية تلافيها

يقع العديد من طلبة الدراسات العليا والباحثين في عثرات منهجية متكررة أثناء حساب وتفسير حجم الأثر لاختبار مربع كاي. نلخص أبرز هذه الأخطاء وسبل معالجتها في النقاط الآتية:

• الخطأ الأول: تطبيق معامل فاي على جداول أكبر من 2×2: يؤدي حساب فاي على جدول (3×3 مثلاً) إلى الحصول على قيم قد تتجاوز 1.00 وتكون مشوهة تماماً. الحل: استخدام معامل كرامر V حصراً عند تجاوز أي من الأبعاد لفئتين.
• الخطأ الثاني: تفسير كرامر V بمعايير فاي الثابتة: تجاهل درجات حرية التعديل (k) وتطبيق عتبة كوهين 0.50 للأثر الكبير على جدول ذو بعد 4×4 يؤدي إلى التقليل المضلل من حجم الأثر الحقيقي (حيث تكون العتبة الحقيقية للأثر الكبير هي 0.29 فقط). الحل: الرجوع دائماً لجدول معايير كرامر الموسع حسب قيمة k.
• الخطأ الثالث: الخلط بين نسبة الأرجحية (Odds Ratio) ونسبة الخطر (Risk Ratio): تفسير OR = 4.0 على أن “المرض يحدث بنسبة 4 أضعاف” هو خطأ فادح إذا كان الحدث شائعاً في المجتمع؛ فالأرجحية تقيس نسبة احتمالات الحدوث إلى عدم الحدوث وليس النسبة إلى الإجمالي. الحل: الالتزام بصياغة “تزيد أرجحية الحدث بمقدار…”.
• الخطأ الرابع: إغفال فحص افتراضات مربع كاي قبل حساب حجم الأثر: حساب الحجم بناءً على نموذج كاي تربيع يعاني من خلايا ذات تكرار متوقع أقل من 5 يجعل تقدير حجم الأثر غير مستقر وباطلاً علمياً. الحل: التحقق من تكرارات الخلايا المتوقعة أو دمج الفئات منطقياً أو استخدام اختبار فيشر الدقيق (Fisher’s Exact Test).

12.3 خلاصة وتوصيات مستقبلية للباحثين في القياس النفسي

تقتضي الرصانة الأكاديمية والممارسة العلمية المعاصرة التخلي التام عن ثقافة “صيد الدلالة الإحصائية” (p-hacking) والانتقال الجذري نحو التقييم الشامل المبني على الأدلة والبراهين المتكاملة. لا يكتمل أي بحث نفسي أو تربوي يتعامل مع البيانات الفئوية إلا بالجمع الثلاثي المتوازن بين:

1. الدلالة الإحصائية (p-value): لنفي عنصر الصدفة العشوائية في المعاينة.
2. حجم الأثر المعياري (Φ, Cramer’s V, OR): لتقدير الشدة الصافية للعلاقة أو الأثر بمعزل عن حجم العينة.
3. فترات الثقة (Confidence Intervals 95%): لتحديد مدى دقة وموثوقية التقدير الإحصائي في المجتمع الأصلي.

يوصى المحكمون والمجلات العلمية بتشديد معايير النشر ورفض أي أبحاث فئوية تكتفي بقيم كاي تربيع وقيم p المجردة، والمطالبة الصريحة بإدراج جداول التوافق كاملة التكرارات والبواقي المعيارية المعدلة وحجوم الأثر الدقيقة لتمكين المجتمع العلمي من إعادة التحليل التلوي ودفع عجلة المعرفة النفسية والسلوكية نحو آفاق أكثر رسوخاً وثباتاً.

خاتمة

في الختام، يُعد قياس حجم الأثر لاختبار مربع كاي الركيزة الأساسية لتحويل الأرقام والتكرارات الفئوية الصماء إلى استنتاجات معرفية وإكلينيكية ذات قيمة تطبيقية ملموسة. سواء كان اختيارك هو معامل فاي (Φ) لجداول التوافق الثنائية البسيطة، أو معامل كرامر (Cramer’s V) للشبكات التصنيفية المتعددة الفئات، أو نسبة الأرجحية (Odds Ratio) للمقارنات الإكلينيكية والوبائية المعمقة، فإن الفهم الدقيق للبنية الرياضية والضوابط المنهجية لكل مقياس هو ما يمنح بحثك الرصانة الأكاديمية والاعتراف الدولي. نأمل أن يكون هذا الدليل الشامل مرجعاً عملياً موثوقاً يرافقك في كافة خطوات تحليلك الإحصائي وتوثيقك العلمي المتميز.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Cramér, H. (1946). Mathematical methods of statistics. Princeton University Press.
• Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
• Ellis, P. D. (2010). The essential guide to effect sizes: Statistical power, meta-analysis, and the interpretation of research results. Cambridge University Press. https://doi.org/10.1017/CBO9780511761676
• Fleiss, J. L., Levin, B., & Paik, M. C. (2003). Statistical methods for rates and proportions (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471445420
• Fritz, C. O., Morris, P. E., & Richler, J. J. (2012). Effect size estimates: Current use, calculations, and interpretation. Journal of Experimental Psychology: General, 141(1), 2–18. https://doi.org/10.1037/a0024338
• Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863
• McHugh, M. L. (2013). The chi-square test of independence. Biochemia Medica, 23(2), 143–149. https://doi.org/10.11613/BM.2013.018
• 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. Philosophical Magazine, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Rosenthal, R. (1994). Parametric measures of effect size. In H. Cooper & L. V. Hedges (Eds.), The handbook of research synthesis (pp. 231–244). Russell Sage Foundation.
• Szumilas, M. (2010). Explaining odds ratios. Journal of the Canadian Academy of Child and Adolescent Psychiatry, 19(3), 227–229. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2938757/