اختبار Z للنسبتين: التعريف، والصيغة، ومثال

يمثل الاستدلال الإحصائي ركيزة جوهرية في بناء المعرفة العلمية الرصينة، إذ يتيح للباحثين والمحللين تجاوز الوصف الظاهري للبيانات نحو استنباط تعميمات دقيقة عن المجتمعات الأصلية المسحوبة منها العينات. وفي خضم العلوم السلوكية والنفسية والطبية والاجتماعية، تتكرر الحاجة الملحة للإجابة عن أسئلة محورية تتعلق بمقارنة نسب حدوث ظاهرة معينة بين مجموعتين مستقلتين؛ كأن نتساءل عن مدى فاعلية برنامج علاجي نفسي جديد مقارنة بالبروتوكول التقليدي في تحسين نسب الشفاء، أو المقارنة بين نسب الامتثال السلوكي للتعليمات الصحية بين فئتين عمريتين مختلفتين، أو فحص التباين في نسب انتشار اضطراب نفسي محدد بين الذكور والإناث. هنا تحديداً تبرز الأهمية البالغة للاختبارات الإحصائية المعلمية المصممة للتعامل مع البيانات الفئوية الثنائية، وعلى رأسها اختبار Z للنسبتين (Two Proportion Z-Test).

يعد اختبار Z للنسبتين من الأدوات القياسية الاستدلالية التي تستند إلى خصائص التوزيع الطبيعي المعياري، حيث يهدف إلى فحص ما إذا كان الفرق الملاحظ بين نسبتي عينتين مستقلتين يعكس فرقاً حقيقياً وجوهرياً في مجتمعي الدراسة الأصليين، أم أنه مجرد تباين عارض يعزى إلى الصدفة وأخطاء المعاينة العشوائية. وتستند هذه المقاربة الرياضية إلى مبرهنة النهاية المركزية التي تسمح بتقريب توزيع المعاينة للفرق بين نسبتين إلى توزيع طبيعي عندما تكون أحجام العينات كافية، مما يمنح الباحثين إطاراً تحليلياً قوياً لحساب درجات معيارية دقيقة وقيم احتمالية تضبط معدلات الخطأ الاستدلالي من النوع الأول.

يتناول هذا الدليل الأكاديمي الشامل اختبار Z للنسبتين بصورة مفصلة تتجاوز التناول السطحي للمعادلات، حيث نستعرض الأسس النظرية والرياضية التي يقوم عليها الاختبار، ونناقش مبرراته المنطقية في مواجهة قيود المعاينة، ونفصل شروطه وافتراضاته المنهجية الصارمة، وصولاً إلى استعراض صياغة الفرضيات وطرق حساب النسبة المجمعة والخطأ المعياري. كما يشتمل المقال على مثال تطبيقي عملي متكامل في مجال البحوث السلوكية، متبوعاً بمناقشة فترات الثقة، وتحليل الأخطاء الشائعة والبدائل اللامعلمية، بالإضافة إلى توضيح آليات التطبيق البرمجي وكتابة التقارير وفق المعايير الأكاديمية لجمعية علم النفس الأمريكية (APA).

1. مدخل نظري: تعريف اختبار Z للنسبتين وأسسه الإحصائية

1.1 ما هو اختبار Z للنسبتين؟

يُعرَّف اختبار Z للنسبتين بأنه اختبار فرضيات إحصائي معلمي (Parametric Hypothesis Test) يُستخدم لتحديد ما إذا كان الفرق الملاحظ بين نسبتي حدث أو خاصية معينة عبر مجتمعين إحصائيين مستقلين يختلف اختلافاً ذا دلالة إحصائية عن الصفر، أو عن قيمة افتراضية فارقة محددة مسبقاً. ينصب تركيز هذا الاختبار على المتغيرات النوعية الفئوية ثنائية التفرع (Binary Categorical Variables)، وهي المتغيرات التي لا تحتمل سوى نتيجتين متنافستين وشاملتين لكل مفردة من مفردات العينة، مثل: (استجاب / لم يستجب)، (تعافى / لم يتعافَ)، (نجح / فشل)، أو (موافق / غير موافق). ويتم ترميز إحدى هاتين النتيجتين رياضياً بما يُعرف بحالة “النجاح” الإحصائي، بينما تُمثل النتيجة المقابلة حالة “عدم النجاح” أو “الفشل”، دون أن يحمل مصطلح النجاح هنا حكماً قيمياً، بل يعبر فقط عن تحقق الخاصية موضع القياس.

من الناحية الرياضية، يميز التحليل الإحصائي بدقة متناهية بين معلمات المجتمع المستهدفة (Population Parameters) وإحصاءات العينات المسحوبة (Sample Statistics). يُرمز للنسبة الحقيقية للخاصية في المجتمع الإحصائي الأول بالرمز $p_1$، وفي المجتمع الثاني بالرمز $p_2$، وتظل هاتان المعلمتان مجهولتين في أغلب الدراسات التجريبية والميدانية نظراً لاستحالة مسح كامل أفراد المجتمع. وفي المقابل، يتم الاعتماد على نسبتي العينتين الملاحظتين، واللتين يُرمز لهما بالرمزين $\hat{p}_1$ و $\hat{p}_2$، واللتين تُحسبان من خلال قسمة عدد حالات النجاح المرصودة ($x_1$ و $x_2$) على الحجم الإجمالي لكل عينة ($n_1$ و $n_2$) على التوالي. تكمن الغاية الأساسية لاختبار Z في توظيف الفرق الملاحظ بين هاتين الإحصاءتين ($\hat{p}_1 – \hat{p}_2$) كتقدير نقطي غير متحيز لاختبار الفرضيات المتعلقة بالفرق بين المعلمتين الحقيقيتين ($p_1 – p_2$).

1.2 المقارنة بين اختبار Z للنسبتين والاختبارات الإحصائية الأخرى

تتعدد الاختبارات الإحصائية الاستدلالية بتعدد مستويات القياس وطبيعة المتغيرات التابعة، ويبرز اختبار Z للنسبتين كخيار متخصص للبيانات الاسمية الثنائية. يختلف هذا الاختبار اختلافاً جوهرياً عن اختبار t للمجموعات المستقلة (Independent Samples t-Test)؛ فبينما يُعنى اختبار t بمقارنة المتوسطات الحسابية لمتغيرات تابعة متصلة مقاسة بمستوى المسافة أو النسبة (Interval or Ratio Scales) مثل درجات القلق أو الذكاء أو زمن الاستجابة العصبية، يختص اختبار Z بالبيانات المنفصلة التي يتم تلخيصها في صورة نسب مئوية أو تكرارات احتمالية مستخلصة من محاكمات برنولي (Bernoulli Trials).

وعند المقارنة مع اختبار مربع كاي للاستقلالية أو التجانس (Chi-Square Test of Independence/Homogeneity) المطبق على جداول التوافق الرباعية ($2 \times 2$ Contingency Tables)، نجد أن كلاً من اختبار Z ثنائي الطرف واختبار مربع كاي يُعدان متكافئين رياضياً في حالة الفرضيات غير الموجهة؛ حيث تتطابق القيمة الاحتمالية الناتجة عن كلا الاختبارين، وتكون إحصائية مربع كاي مساوية تماماً لمربع قيمة Z المعيارية المحسوبة ($\chi^2 = Z^2$). ومع ذلك، يمتلك اختبار Z للنسبتين ميزة منهجية كبرى تتجلى في قابليته لاختبار الفرضيات الموجهة أحادية الطرف (One-Tailed Hypotheses)، وهو ما يعجز عنه اختبار مربع كاي التقليدي ذو الطبيعة غير الموجهة. علاوة على ذلك، يسهل اختبار Z عملية بناء فترات الثقة (Confidence Intervals) المباشرة لحجم الفرق بين النسبتين، مستفيداً من الخصائص المتناظرة لتوزيع Z الطبيعي القياسي.

1.3 أهمية الاختبار في بحوث العلوم النفسية والسلوكية

يكتسب اختبار Z للنسبتين وزناً علمياً بالغ الأهمية في حقل العلوم النفسية والعيادية والتربوية؛ حيث تعتمد الكثير من مخرجات التقييم النفسي والتشخيص الإكلينيكي على مؤشرات قاطعة ثنائية التدريج. ففي مجال علم النفس العيادي، يُستخدم الاختبار بكثافة للمقارنة بين نسب الاستجابة السلوكية والتعافي التام بين مجموعتين من المرضى؛ إحداهما خضعت لبروتوكول علاج نفسي سلوكي معرفي، والأخرى تلقت تدخلاً علاجياً داعماً، بهدف تقييم الفاعلية الإكلينيكية للعلاجات المبنية على الأدلة، وهو سياق منهجي وثيق الصلة بالأبحاث المعنية بالتحقق من معايير الاضطرابات النفسية وتصنيفاتها التشخيصية الحديثة (Prigerson et al., 2009).

كما يمتد تطبيق الاختبار إلى دراسات الامتثال الطبي والنفسي، حيث تتم مقارنة معدلات استمرار المرضى في اتباع الإرشادات الصحية الوقائية، وكذلك في أبحاث القياس النفسي والسيكومتري المعنية بفحص استقرار خصائص البنود (Item Stability) عبر المجموعات المتمايزة ثقافياً أو جندرياً. ويسهم التحليل الإحصائي للنسب في فحص التباين في نسب الحل الصحيح لبنود الاختبارات المعرفية وفق نماذج التعلم الذاتي والتنظيم الإدراكي (Schraw et al., 2006)، فضلاً عن دراسة الفروق الثقافية في سمات الاختيار والسلوك الاجتماعي المقارن عبر المجتمعات (Conroy‐Beam et al., 2019).

2. الدوافع الإحصائية والمنطقية لإجراء اختبار Z للنسبتين

2.1 معضلة دراسة المجتمعات الإحصائية الكاملة

يصطدم الباحث العلمي في الواقع الميداني بعائق لوجستي ومعرفي حاسم يتمثل في استحالة إجراء الحصر الشامل (Complete Census) للمجتمعات الإحصائية المستهدفة بالدراسة. فعندما يرغب باحث نفسي في معرفة نسبة الأشخاص الذين يعانون من اضطراب ما بعد الصدمة في دولة ما، أو نسبة الطلاب الذين يستفيدون من استراتيجيات الشرح الذاتي في تطوير الأداء الأكاديمي (Michelene et al., 1989)، فإن الوصول إلى جميع الأفراد يعد أمراً مستحيلاً عملياً من حيث الوقت والموارد المالية والجهد البشري المطلوب.

تفرض هذه الاستحالة اللجوء الإلزامي إلى استراتيجيات المعاينة الاحتمالية وسحب عينات عشوائية تمثيلية تعكس خصائص المجتمع الكلي. غير أن المعاينة تولد بطبيعتها تذبذباً إحصائياً يُعرف بالتباين العيني (Sampling Variability)؛ إذ إن سحب عينات متكررة من نفس المجتمع، حتى وإن كانت متطابقة في الحجم والمنهجية، سيسفر حتماً عن نسب عينية متباينة قليلاً من عينة لأخرى. من هنا، نشأت الحاجة إلى صياغة نموذج رياضي استدلالي قادر على التعامل مع هذا التباين الحتمي، واستقراء معالم المجتمع دون الوقوع في شرك التعميم الساذج المبني على أرقام العينة المفردة.

2.2 الفرق الظاهري مقابل الدلالة الإحصائية الحقيقية

من الأخطاء المنهجية الشائعة التي يقع فيها بعض الباحثين غير المتخصصين افتراض أن أي فرق كمي ملاحظ بين نسبتي عينتين يمثل بالضرورة دليلاً قاطعاً على وجود تباين فعلي بين المجتمعين. فلو أظهرت دراسة عيادية أن نسبة الشفاء في العينة الأولى بلغت 65%، بينما بلغت في العينة الثانية 58%، فإن الفارق الظاهري البالغ 7% قد يكون مجرد انعكاس للتقلبات العشوائية وأخطاء المعاينة (Sampling Error) التي تحدث بمحض الصدفة البحتة، دون أن يقابله أي اختلاف حقيقي في مجتمعي الأصل.

تتمثل الوظيفة الجوهرية لاختبار Z للنسبتين في كونه أداة استدلالية صارمة لعزل أثر الصدفة عن التأثير التجريبي أو السلوكي الحقيقي. يقوم الاختبار بقياس المسافة الرياضية بين الفرق الملاحظ والفرق المفترض تحت فرضية العدم، مقيسة بوحدات الخطأ المعياري. فإذا كان هذا التباعد كبيراً لدرجة يصعب معها عزو الفرق للتقلب العشوائي، يقرر الباحث حينئذ أن هناك “دلالة إحصائية” (Statistical Significance)، مما يتيح له استبعاد الصدفة كعامل مفسر وحيد للنتائج.

2.3 اتخاذ القرارات المبنية على الأدلة والبيانات

يوفر التحليل الاستدلالي للنسب صمام أمان معرفي يحد من مخاطر التفسير الذاتي والانحياز التأكيدي في تقييم النتائج البحثية والتطبيقية. ففي مجالات الطب السلوكي، وتطوير بروتوكولات التشخيص الإكلينيكي لاضطرابات النوم على سبيل المثال (Kushida et al., 2005)، يجب ألا تُبنى قرارات اعتماد التدخلات العلاجية أو السياسات التربوية على انطباعات حدسية أو فروق رقمية طفيفة قد تنهار عند إعادة التجربة.

يمنح اختبار Z صانعي القرار والباحثين معياراً كمياً موضوعياً لاتخاذ قرارات مدعومة بالأدلة الرقمية المقترنة بدرجة ثقة محددة مسبقاً (غالباً 95% أو 99%). ومن خلال التحديد الدقيق للقيمة الاحتمالية ومناطق الرفض الحرجة، يستطيع الباحث صياغة تعميمات علمية تتسم بالاتساق والقابلية للتكرار (Replicability)، مع ضبط احتمالات الوقوع في القرارات الخاطئة سواء برفض علاجات مفيدة أو بتبني تدخلات وهمية لا فاعلية حقيقية لها.

3. الافتراضات والشروط المنهجية لتطبيق اختبار Z للنسبتين

3.1 شرط المعاينة العشوائية والاستقلالية

تعتمد سلامة الاستدلال في اختبار Z للنسبتين على استيفاء منظومة من الافتراضات المنهجية المسبقة، والتي يشكل انتهاكها تهديداً مباشراً لصدق الاختبار الداخلي والخارجي. يأتي في مقدمة هذه الشروط ضرورة سحب مفردات العينتين بأسلوب العينة العشوائية البسيطة (Simple Random Sampling) من مجتمعي الدراسة المستهدفين، بما يضمن تكافؤ الفرص لجميع أفراد المجتمع في الظهور داخل العينة، وتجنب الانحياز النظامي في الاختيار.

كما يتطلب الاختبار تحقق نوعين من الاستقلالية التامة:

• الاستقلالية داخل العينة الواحدة (Within-Sample Independence): ويقصد بها ألا تؤثر استجابة أي مفحوص أو حالته داخل العينة على استجابة أي مفحوص آخر ضمن نفس المجموعة.
• الاستقلالية بين العينتين (Between-Sample Independence): ويشترط هذا البند عدم وجود أي نوع من الاقتران، أو التطابق، أو القياسات المكررة (Repeated Measures) بين أفراد المجموعتين الأولى والثانية، إذ إن وجود ارتباط بينهما يستلزم اللجوء لاختبارات أخرى كاختبار ماكنيمار (McNemar’s Test) للعينات المترابطة.

3.2 شرط التقريب إلى التوزيع الطبيعي (حجم العينة الكافي)

يعتمد اختبار Z على تقريب توزيع ذي الحدين (Binomial Distribution) إلى التوزيع الطبيعي المعياري استناداً إلى مبرهنة النهاية المركزية (Central Limit Theorem). ولكي يكون هذا التقريب صالحاً ومقبولاً من الناحية الرياضية، يجب أن تكون أحجام العينات كبيرة بما يكفي لضمان تناظر منحنى المعاينة وعدم التوائه بصورة تخل بحسابات المساحة تحت المنحنى.

يتم التحقق من هذا الشرط من خلال معيار النجاح والفشل المزدوج لكلا المجموعتين، والذي يتطلب استيفاء الشروط الرياضية الأربعة التالية في آن واحد:

• حاصل ضرب حجم العينة الأولى في نسبتها الملاحظة يجب أن يكون مساوياً أو أكبر من 10: $n_1 \hat{p}_1 ge 10$ (أي رصد 10 حالات نجاح على الأقل في العينة الأولى).
• حاصل ضرب حجم العينة الأولى في متمم نسبتها يجب أن يكون مساوياً أو أكبر من 10: $n_1 (1 – \hat{p}_1) ge 10$ (أي رصد 10 حالات فشل على الأقل في العينة الأولى).
• حاصل ضرب حجم العينة الثانية في نسبتها الملاحظة يجب أن يكون مساوياً أو أكبر من 10: $n_2 \hat{p}_2 ge 10$ (أي رصد 10 حالات نجاح على الأقل في العينة الثانية).
• حاصل ضرب حجم العينة الثانية في متمم نسبتها يجب أن يكون مساوياً أو أكبر من 10: $n_2 (1 – \hat{p}_2) ge 10$ (أي رصد 10 حالات فشل على الأقل في العينة الثانية).

وفي حالة اختبار الفرضيات، يتم التحقق من هذا الشرط غالباً باستخدام النسبة المجمعة ($\hat{p}_c$) لضمان استيفاء المعيار تحت مظلة فرضية العدم بدقة أكبر.

3.3 قاعدة الـ 10% للمجتمعات المحدودة

في معظم التطبيقات الميدانية، يتم سحب العينات بأسلوب “المعاينة بدون إرجاع” (Sampling without Replacement) من مجتمعات إحصائية محدودة أو منتهية الحجم (Finite Populations). يؤدي السحب دون إرجاع رياضياً إلى حدوث تغير طفيف في احتمالات الاختيار للمفردات المتتالية، وهو ما يتعارض تقنياً مع افتراض ثبات احتمالية النجاح ($p$) المميز لمحاكمات برنولي المستقلة، ويجعل التوزيع التراكمي الفعلي يتبع التوزيع فوق الهندسي (Hypergeometric Distribution) بدلاً من توزيع ذي الحدين.

وللتغاضي عن هذا الخلل الإحصائي ومعاملة المشاهدات كأنها مستقلة تماماً دون الحاجة لاستخدام معامل تصحيح المجتمع المحدود (Finite Population Correction)، وضعت النظرية الإحصائية ما يُعرف بقاعدة الـ 10% (The 10% Condition). تنص هذه القاعدة على ألا يتجاوز حجم العينة المسحوبة عُشر إجمالي حجم المجتمع الأصلي، أي أن يكون:

$$n_1 le 0.10 N_1 \quad \text{و} \quad n_2 le 0.10 N_2$$

حيث يمثل $N_1$ و $N_2$ حجمي مجتمعي الدراسة الأصليين. يضمن تحقق هذا الشرط بقاء التغير في احتمالات الاختيار متناهي الصغر ولا يؤثر بصورة جوهرية على تقدير الخطأ المعياري أو مستويات الدلالة الإحصائية.

4. صياغة الفرضيات الإحصائية للاختبار

4.1 الفرضية الصفرية وفرضية العدم (Null Hypothesis)

تشكل الفرضية الصفرية ($H_0$) نقطة البداية المنطقية في اختبارات الفروض الإحصائية؛ حيث تعبر عن الموقف الافتراضي الشكوكي القائل بعدم وجود أي تأثير، أو غياب الفروق الجوهرية بين المجتمعات المقارنة. وفي سياق اختبار Z للنسبتين، تفترض الفرضية الصفرية القياسية أن النسبة الحقيقية للخاصية في المجتمع الأول تتطابق تماماً مع النسبة الحقيقية في المجتمع الثاني، مما يعني أن أي فرق يظهر بين العينتين ($\hat{p}_1 – \hat{p}_2$) هو وليد الصدفة المحضة والتباين العيني الطبيعي.

تتم الصياغة الرياضية الرمزية لفرضية العدم القياسية وفق إحدى الصورتين المتكافئتين التاليتين:

$$H_0: p_1 = p_2 \quad iff \quad H_0: p_1 – p_2 = 0$$

وفي بعض التطبيقات المتقدمة (مثل اختبارات عدم التدني أو التكافؤ)، قد يصوغ الباحث فرضية عدم تتضمن فرقاً محدداً مسبقاً يرمز له بـ $\delta_0$ (حيث $H_0: p_1 – p_2 = \delta_0$)، إلا أن الصيغة المعيارية الأكثر شيوعاً في الأدبيات السلوكية هي افتراض انعدام الفرق المطلق، أي أن $\delta_0 = 0$.

4.2 الفرضيات البديلة: الاختبار أحادي الطرف وثنائي الطرف

تُمثل الفرضية البديلة ($H_1$ أو $H_a$) الادعاء العلمي أو التوقع النظري الذي يسعى الباحث إلى إثباته من خلال جمع الأدلة والبيانات الميدانية، ولا يتم قبولها إلا في حال توفر أدلة إحصائية قاطعة تكفي لرفض فرضية العدم. وتأخذ الفرضية البديلة شكلين رئيسيين تبعاً للخلفية النظرية وأهداف البحث:

• الفرضية البديلة ثنائية الطرف (Two-Tailed Hypothesis): تُصاغ عندما يكون هدف الباحث استكشاف ما إذا كان هناك فرق بين نسبتي المجتمعين دون توجيه مسبق لاتجاه هذا الفرق، وتكتب رياضياً:

  $$H_1: p_1 ne p_2 \quad iff \quad H_1: p_1 – p_2 ne 0$$

  يتم توزيع منطقة الرفض الحرجة في هذه الحالة مناصفة على طرفي التوزيع الطبيعي المعياري ($alpha/2$ في كل طرف).

• الفرضية البديلة أحادية الطرف الموجهة (One-Tailed Hypothesis): تُصاغ عندما تستند الأدبيات النظرية أو المنطق السلوكي إلى توقع حتمي لاتجاه الفرق؛ وتتخذ إحدى صيغتين:

  طرف أيمن (اختبار الزيادة): $$H_1: p_1 > p_2 \quad iff \quad H_1: p_1 – p_2 > 0$$

  طرف أيسر (اختبار النقصان): $$H_1: p_1 < p_2 \quad iff \quad H_1: p_1 – p_2 < 0$$

  وتتركز منطقة الرفض في هذا النوع بالكامل عند ذيل واحد فقط من أطراف التوزيع بمساحة تعادل $\alpha$.

4.3 مستوى الدلالة الإحصائية وقرارات الخطأ

يمثل مستوى الدلالة الإحصائية، ويرمز له بالرمز الإغريقي ألفا ($\alpha$)، المعيار الحرج الذي يحدده الباحث مسبقاً قبل جمع البيانات للفصل بين النتائج ذات الدلالة وتلك الناتجة عن الصدفة. ويشير مستوى ألفا من الناحية الاحتمالية إلى الحد الأقصى المسموح به للوقوع في الخطأ من النوع الأول (Type I Error)، وهو قرار رفض الفرضية الصفرية عندما تكون صحيحة بالفعل في المجتمع الأصلي (الادعاء الكاذب بوجود أثر).

تبلغ القيمة الأكثر استخداماً لمستوى الدلالة في البحوث السلوكية والاجتماعية $\alpha = 0.05$، مما يعني استعداد الباحث لقبول نسبة خطأ قدرها 5% في اتخاذ قرار الرفض الخاطئ، وهو ما يتطابق مع مستوى ثقة قدره 95% ($1 – \alpha = 0.95$). وفي الدراسات العيادية الحساسة، قد يتم خفض هذه القيمة إلى $\alpha = 0.01$ للحد من هذا الخطأ. ويتعين على الباحث إدراك المقايضة الإحصائية بين نوعي الخطأ؛ إذ إن خفض مستوى ألفا بصورة مفرطة يقلل من الخطأ من النوع الأول، لكنه يزيد في المقابل من احتمال الوقوع في الخطأ من النوع الثاني (Type II Error – $\beta$)، والمتمثل في الإخفاق في رفض الفرضية الصفرية بينما هي خاطئة بالفعل، وهو ما ينعكس سلباً على قوة الاختبار الإحصائي (Statistical Power: $1 – \beta$).

5. الصيغة الرياضية لاختبار Z للنسبتين والنسبة المجمعة

5.1 مفهوم وحساب النسبة المجمعة (Pooled Proportion)

يرتكز البناء الرياضي لاختبار Z للنسبتين على منطق فريد مستمد من الفرضية الصفرية القياسية. فبما أن فرضية العدم تفترض تساوي نسبتي المجتمعين المستهدفين ($p_1 = p_2 = p$)، فإن المنطق الإحصائي يقتضي أنه لا يوجد مبرر رياضي لتقدير خطأ معياري منفصل لكل عينة باستخدام نسبتها الفردية. وبدلاً من ذلك، يتم دمج بيانات العينتين معاً لتكوين أفضل تقدير نقطي مشترك وأكثر دقة لمعلمة النسبة العامة في المجتمع، ويطلق على هذا التقدير اسم “النسبة المجمعة” (Pooled Proportion)، ويرمز لها بالرمز $\hat{p}_c$ أو $\hat{p}_{\text{pool}}$.

تُحسب النسبة المجمعة رياضياً من خلال جمع التكرارات الملاحظة لحالات النجاح في كلا المجتمعين، وقسمة المجموع على إجمالي أحجام العينتين معاً، وفق الصيغة الرياضية التالية:

$$\hat{p}_c = \frac{x_1 + x_2}{n_1 + n_2}$$

حيث يمثل $x_1$ عدد حالات النجاح في العينة الأولى، و $x_2$ عدد حالات النجاح في العينة الثانية، و $n_1$ و $n_2$ هما حجما العينتين الأولى والثانية على التوالي. وإذا كانت البيانات معطاة في صورة نسب عينية، يمكن التعبير عن البسط بالصيغة المكافئة: $(n_1 \hat{p}_1 + n_2 \hat{p}_2)$. وبعد استخراج النسبة المجمعة، يتم حساب متممها الحسابي لتقدير احتمالية عدم الحدوث المجمعة ($\hat{q}_c$) كالتالي:

$$\hat{q}_c = 1 – \hat{p}_c$$

5.2 حساب الخطأ المعياري للفرق بين نسبتين

يُعرف الخطأ المعياري (Standard Error) بأنه الانحراف المعياري لتوزيع المعاينة النظري للفرق بين الإحصاءات العينية ($\hat{p}_1 – \hat{p}_2$). يعكس الخطأ المعياري مقدار التشتت أو التباين العشوائي المتوقع بين نسب العينات بسبب أخطاء المعاينة وحدها عندما تكون فرضية العدم صحيحة. وبناءً على قانون تباين الفرق بين متغيرين عشوائيين مستقلين، فإن تباين الفرق يساوي مجموع تبايني المتغيرين:

$$\sigma^2_{(\hat{p}_1 – \hat{p}_2)} = \sigma^2_{\hat{p}_1} + \sigma^2_{\hat{p}_2} = \frac{p_1(1 – p_1)}{n_1} + \frac{p_2(1 – p_2)}{n_2}$$

وتحت مظلة الفرضية الصفرية التي تفترض أن $p_1 = p_2 = p$，يتم استبدال النسبة المجهولة بالنسبة المجمعة المحسوبة ($\hat{p}_c$)، ومن ثم استخراج الجذر التربيعي للحصول على صيغة الخطأ المعياري المجمع ($SE_{\text{pooled}}$):

$$SE_{\text{pooled}} = \sqrt{\hat{p}_c (1 – \hat{p}_c) \left( \frac{1}{n_1} + \frac{1}{n_2} \right)}$$

يتضح من هذه الصيغة الرياضية أن الخطأ المعياري يتناسب عكسياً مع أحجام العينات؛ فكلما ازدادت أحجام العينات المسحوبة ($n_1$ و $n_2$)، تقلص الخطأ المعياري وضاقت رقعة التشتت العشوائي، مما يعزز دقة التقدير وقدرة الاختبار على رصد الفروق الحقيقية بدقة متناهية.

5.3 المعادلة الكاملة لإحصائية Z المعيارية

تتشكل إحصائية Z المعيارية المحسوبة ($Z_{\text{calc}}$) من خلال تحويل الفرق بين الإحصاءتين الملاحظتين إلى درجة معيارية توضح عدد الأخطاء المعيارية التي يبعدها هذا الفرق عن الفرق المفترض تحت فرضية العدم. تأخذ المعادلة العامة للاختبار الصورة الرياضية الآتية:

$$Z = \frac{(\hat{p}_1 – \hat{p}_2) – (p_1 – p_2)_0}{SE_{\text{pooled}}}$$

وفي ظل الفرضية الصفرية القياسية التي تفترض انعدام الفرق تماماً ($p_1 – p_2 = 0$)، يتم تبسيط المعادلة إلى صورتها الإجرائية المشهورة:

$$Z = \frac{\hat{p}_1 – \hat{p}_2}{\sqrt{\hat{p}_c (1 – \hat{p}_c) \left( \frac{1}{n_1} + \frac{1}{n_2} \right)}}$$

حيث يمثل البسط: فرق النسبتين الملاحظتين في العينة ($\hat{p}_1 – \hat{p}_2$)، بينما يمثل المقام: الخطأ المعياري المجمع لتقدير توزيع المعاينة. وتتبع القيمة الناتجة عن هذه المعادلة توزيعاً طبيعياً معيارياً بمتوسط حسابي مقداره 0 وانحراف معياري مقداره 1، أي: $Z \sim \mathcal{N}(0, 1)$، مما يسمح بمقارنتها مباشرة بالقيم الحرجة للتوزيع واستخراج الاحتمالات الدقيقة المرتبطة بها.

6. الخطوات المنهجية المتسلسلة لتنفيذ الاختبار

6.1 المرحلة الأولى: فحص المعطيات والتحقق من الشروط

تبدأ الممارسة الإحصائية الرصينة بإجراء مسح تدقيقي شامل للبيانات المستخلصة من الميدان قبل الشروع في إجراء أي حسابات رياضية. تتضمن هذه المرحلة استخراج أحجام العينات بدقة متناهية ($n_1$ و $n_2$)، والتحقق من التكرارات الأولية للحدث المدروس ($x_1$ و $x_2$). وفي هذه الخطوة، يتأكد الباحث من تحقق استقلالية المشاهدات داخل كل مجموعة واستقلالية المجموعتين تماماً عن بعضهما البعض.

تلي ذلك خطوة التحقق الحسابي من شروط التقريب للتوزيع الطبيعي؛ حيث يقوم الباحث بحساب التكرارات المتوقعة للتأكد من أن كلاً من $n_1 \hat{p}_1 ge 10$، و $n_1 (1 – \hat{p}_1) ge 10$، و $n_2 \hat{p}_2 ge 10$، و $n_2 (1 – \hat{p}_2) ge 10$. إذا لم تُستوفَ هذه الشروط، يتوقف الباحث عن متابعة اختبار Z التقليدي ويبحث عن البدائل غير المعلمية الملائمة، كما سنتناول في قسم لاحق.

6.2 المرحلة الثانية: العمليات الحسابية وتحديد القيمة المحسوبة

بمجرد ثبوت استيفاء الشروط المنهجية، ينتقل الباحث إلى مرحلة المعالجة الرقمية، وتتلخص في الخطوات المتتالية التالية:

• حساب نسبتي العينتين: استخراج $\hat{p}_1 = x_1 / n_1$ و $\hat{p}_2 = x_2 / n_2$.
• حساب النسبة المجمعة: جمع حالات النجاح وقسمتها على مجموع الأحجام: $\hat{p}_c = (x_1 + x_2) / (n_1 + n_2)$.
• حساب المتمم المجمع: استخراج $\hat{q}_c = 1 – \hat{p}_c$.
• حساب الخطأ المعياري المجمع: تطبيق صيغة $SE_{\text{pooled}} = \sqrt{\hat{p}_c \hat{q}_c \left(\frac{1}{n_1} + \frac{1}{n_2}\right)}$.
• استخراج قيمة Z المحسوبة: قسمة الفرق الفعلي ($\hat{p}_1 – \hat{p}_2$) على الخطأ المعياري المجمع لإنتاج إحصائية Z النهائية، مع تدوين قيمتها المطلقة وإشارتها الجبرية بدقة.

6.3 المرحلة الثالثة: حساب القيمة الاحتمالية واتخاذ القرار

تنصب المرحلة الختامية على الربط بين العمليات الحسابية ومنطق اتخاذ القرار الإحصائي. تتضمن هذه الخطوة مقارنة القيمة المعيارية المحسوبة ($Z_{\text{calc}}$) بالقيمة الحرجة المجدولة ($Z_{\text{crit}}$) المستخرجة من جدول التوزيع الطبيعي المعياري عند مستوى الدلالة المختار ($\alpha$) وطبيعة الفرضية (أحادية أم ثنائية الطرف). ففي الاختبار ثنائي الطرف عند $\alpha = 0.05$، تكون القيم الحرجة هي $\pm 1.96$؛ فإذا وقعت القيمة المحسوبة خارج هذا النطاق، أي $|Z_{\text{calc}}| ge 1.96$، فإن النتيجة تقع في منطقة الرفض.

يتكامل هذا الإجراء بحساب القيمة الاحتمالية الدقيقة (P-value)، والتي تُمثل احتمالية الحصول على فرق عيني مساوٍ للفرق الملاحظ أو أكثر تطرفاً منه في ظل افتراض صحة الفرضية الصفرية تماماً. وتكون قاعدة اتخاذ القرار كالتالي:

• إذا كانت $P\text{-value} le \alpha$: يتم رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$)، ويُستنتج وجود فرق ذي دلالة إحصائية بين النسبتين.
• إذا كانت $P\text{-value} > \alpha$: يفشل الباحث في رفض الفرضية الصفرية ($H_0$)، ويُستنتج أن البيانات الحالية لا تقدم دليلاً كافياً لإثبات وجود فرق حقيقي بين المجتمعين.

7. مثال تطبيقي عملي مفصل في سياق البحوث السلوكية

7.1 سيناريو المشكلة وفرضيات البحث النفسي

لإيضاح الآلية التطبيقية للاختبار بصورة ملموسة، نفترض سيناريو واقعياً مستمداً من بيئة البحوث العيادية السلوكية. أجرى فريق بحثي متخصص دراسة مقارنة لتقييم فاعلية تدخلين علاجيين مختلفين في مساعدة المرضى الذين يعانون من اضطراب الهلع الشديد على بلوغ مرحلة “التعافي الإكلينيكي الكامل” بعد برنامج تدخلي استمر 16 أسبوعاً. تم تقسيم المرضى عشوائياً إلى مجموعتين مستقلتين:

• المجموعة الأولى (العلاج السلوكي المعرفي المكثف – CBT): تكونت من $n_1 = 150$ مريضاً، وأظهرت المتابعة العيادية تعافي $x_1 = 105$ مريضاً بنجاح.
• المجموعة الثانية (العلاج الدوائي القياسي – Pharmacotherapy): تكونت من $n_2 = 180$ مريضاً، وأظهرت المتابعة تعافي $x_2 = 99$ مريضاً بنجاح.

يسعى الفريق البحثي للإجابة عن السؤال الآتي: “هل يختلف معدل التعافي الإكلينيكي بين المرضى الذين خضعوا للعلاج السلوكي المعرفي مقارنة بالمرضى الذين خضعوا للعلاج الدوائي اختلافاً دالاً إحصائياً؟” ولهذا الغرض، صاغ الباحثون الفرضيات الإحصائية للاختبار ثنائي الطرف عند مستوى دلالة $\alpha = 0.05$ على النحو الآتي:

الفرضية الصفرية: $$H_0: p_1 – p_2 = 0 \quad (\text{لا يوجد فرق بين معدلي التعافي الحقيقيين في المجتمعين})$$

الفرضية البديلة: $$H_1: p_1 – p_2 ne 0 \quad (\text{يوجد فرق حقيقي دال إحصائياً بين معدلي التعافي})$$

7.2 التطبيق الحسابي اليدوي خطوة بخطوة

نبدأ أولاً بالتحقق من شروط حجم العينة والتقريب الطبيعي:

• نسبة العينة الأولى: $\hat{p}_1 = \frac{105}{150} = 0.70$ (70%)، وعدد حالات الفشل: $150 – 105 = 45$. كلا الرقمين (105 و 45) أكبر بكثير من 10.
• نسبة العينة الثانية: $\hat{p}_2 = \frac{99}{180} = 0.55$ (55%)، وعدد حالات الفشل: $180 – 99 = 81$. كلا الرقمين (99 و 81) أكبر بكثير من 10.

بذلك تكون جميع شروط التوزيع الطبيعي مستوفاة بصورة ممتازة. نقوم الآن بتنفيذ الحسابات الرياضية وفق المراحل المنهجية:

أولاً: حساب النسبة المجمعة ($\hat{p}_c$):

$$\hat{p}_c = \frac{x_1 + x_2}{n_1 + n_2} = \frac{105 + 99}{150 + 180} = \frac{204}{330} \approx 0.61818$$

ثانياً: حساب المتمم المجمع ($\hat{q}_c$):

$$\hat{q}_c = 1 – \hat{p}_c = 1 – 0.61818 = 0.38182$$

ثالثاً: حساب الخطأ المعياري المجمع ($SE_{\text{pooled}}$):

$$SE_{\text{pooled}} = \sqrt{\hat{p}_c \hat{q}_c \left( \frac{1}{n_1} + \frac{1}{n_2} \right)}$$

$$SE_{\text{pooled}} = \sqrt{(0.61818)(0.38182) \left( \frac{1}{150} + \frac{1}{180} \right)}$$

نقوم بفك العمليات الحسابية الداخلية بدقة:

$$\hat{p}_c \hat{q}_c = 0.61818 \times 0.38182 \approx 0.23603$$

$$\frac{1}{150} + \frac{1}{180} \approx 0.006667 + 0.005556 = 0.012222$$

حاصل ضرب المقدارين:

$$0.23603 \times 0.012222 \approx 0.0028848$$

استخراج الجذر التربيعي:

$$SE_{\text{pooled}} = \sqrt{0.0028848} \approx 0.05371$$

رابعاً: حساب إحصائية Z المعيارية:

فرق النسبتين الملاحظتين في البسط: $\hat{p}_1 – \hat{p}_2 = 0.70 – 0.55 = 0.15$.

التعويض الكامل في صيغة Z:

$$Z = \frac{0.15}{0.05371} \approx 2.7927 \approx 2.79$$

7.3 تحديد القيمة الاحتمالية واستخلاص القرار الإحصائي

بما أن الاختبار ثنائي الطرف ومستوى الدلالة المحدد مسبقاً هو $\alpha = 0.05$، فإن القيمة الحرجة المجدولة لتوزيع Z المعياري هي $Z_{\text{crit}} = \pm 1.96$. وبمقارنة القيمة المحسوبة بالقيمة الحرجة، نجد أن:

$$|Z_{\text{calc}}| = 2.79 > 1.96$$

وبما أن إحصائية Z المحسوبة تقع في منطقة الرفض القصوى عند الذيل الأيمن للتوزيع، فإننا ننتقل لحساب القيمة الاحتمالية الدقيقة (P-value). من جدول التوزيع الطبيعي المعياري، نجد أن المساحة فوق $Z = 2.79$ في الذيل الأيمن تساوي تقريباً $1 – Phi(2.79) = 1 – 0.99736 = 0.00264$. وبما أن الاختبار ثنائي الطرف، نضاعف المساحة في الطرفين:

$$P\text{-value} = 2 \times 0.00264 = 0.00528 \approx 0.0053$$

بالمقارنة مع مستوى الدلالة: $P\text{-value} = 0.0053 < \alpha = 0.05$. وعليه، يكون القرار الإحصائي الصارم هو رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$).

7.4 التفسير العلمي والموضوعي لنتائج المثال

يشير القرار الإحصائي القاضي برفض الفرضية الصفرية إلى وجود فرق ذي دلالة إحصائية حقيقية بين معدلي التعافي الإكلينيكي في مجتمعي الدراسة لصالح مجموعة العلاج السلوكي المعرفي ($Z = 2.79, p = 0.0053$). وتدل هذه النتيجة على أن احتمالية الحصول على هذا الفارق الملاحظ البالغ 15% (أو ما هو أكبر منه) بمجرد الصدفة في حال كانت التدخلات متساوية في الواقع لا تتجاوز 53 مرة من بين كل 10,000 تكرار للتجربة.

ومن منظور الدلالة العيادية والتطبيقية (Clinical Significance)، فإن تحقيق زيادة مطلقة قدرها 15% في معدل التعافي يمثل أثراً علاجياً ذا وزن بارز في الطب السلوكي. ويترجم هذا الفارق في الممارسة السريرية إلى مؤشر “العدد المطلوب علاجه” (Number Needed to Treat – NNT)، والذي يُحسب بمقلوب الفرق المطلق للنسب ($1 / 0.15 \approx 6.67$). يعني هذا الرقم أن المعالج النفسي يحتاج إلى علاج ما يقرب من 7 مرضى بالعلاج السلوكي المعرفي بدلاً من العلاج الدوائي لتحقيق حالة تعافٍ إضافية واحدة لم تكن لتتحقق بالعلاج الدوائي وحده، وهو مكسب علاجي نوعي يوصى بتضمينه في السياسات الإكلينيكية المعاصرة.

8. فترات الثقة للفرق بين نسبتين وتكاملها مع اختبار الفرضيات

8.1 العلاقة الثنائية بين اختبار Z وفترات الثقة

لا يكتمل التحليل الإحصائي الحديث بالاكتفاء باختبار الفرضيات وحساب القيمة الاحتمالية وحدها؛ إذ تقتصر القيمة الاحتمالية على توفير إجابة ثنائية (نعم/لا) حول وجود فرق إحصائي يتجاوز أثر الصدفة. ومن هنا تبرز الأهمية التكاملية لفترات الثقة (Confidence Intervals)، التي تقدم تقديراً لمدى دقة العينة وتحدد مجالاً كمياً معقولاً لحجم الفرق المتوقع بين المجتمعين عند مستوى يقين محدد.

تتطابق القرارات الناتجة عن اختبار Z ثنائي الطرف تماماً مع القرارات المستخلصة من فترات الثقة المناظرة له؛ فإذا أسفر اختبار Z عند مستوى دلالة $\alpha = 0.05$ عن رفض الفرضية الصفرية ($p_1 – p_2 = 0$)، فإن فترة الثقة بنسبة 95% للفرق لن تشتمل إطلاقاً على القيمة صفر داخل حدودها. وعلى العكس من ذلك، إذا فشل الاختبار في رفض فرضية العدم، فإن فترة الثقة ستتضمن بالضرورة القيمة صفر بين حديها الأدنى والأعلى، مما يعكس احتمالية انعدام الفرق الحقيقي في المجتمع.

8.2 صيغة حساب فترة الثقة للفرق بين نسبتي مجتمعين

على الرغم من التوافق المنطقي بين فترات الثقة واختبار الفرضيات، إلا أن هناك فرقاً تقنياً دقيقاً في حساب الخطأ المعياري بينهما يجب على الباحث التنبه له. ففي اختبار الفرضيات، يتم استخدام “الخطأ المعياري المجمع” استناداً إلى فرضية تساوي النسبتين تحت $H_0$. أما عند بناء فترات الثقة، فإننا لا نفترض تساوي النسبتين مسبقاً، بل نسعى لتقدير الفرق المجهول بذاته؛ ولذا يُحسب الخطأ المعياري غير المجمع ($SE_{\text{unpooled}}$) بالاعتماد المباشر على نسب العينات الفردية وفق الصيغة التالية:

$$SE_{(\hat{p}_1 – \hat{p}_2)} = \sqrt{\frac{\hat{p}_1(1 – \hat{p}_1)}{n_1} + \frac{\hat{p}_2(1 – \hat{p}_2)}{n_2}}$$

تأخذ صيغة فترة الثقة للفرق بين النسبتين ($p_1 – p_2$) بمستوى ثقة $(1 – \alpha)$ المعادلة العامة الآتية:

$$\text{CI} = (\hat{p}_1 – \hat{p}_2) \pm Z_{alpha/2} \times \sqrt{\frac{\hat{p}_1(1 – \hat{p}_1)}{n_1} + \frac{\hat{p}_2(1 – \hat{p}_2)}{n_2}}$$

وبتطبيق هذه الصيغة على بيانات مثالنا التطبيقي السابق (حيث $\hat{p}_1 = 0.70$, $n_1 = 150$, $\hat{p}_2 = 0.55$, $n_2 = 180$, و $Z_{0.025} = 1.96$):

$$SE = \sqrt{\frac{0.70(0.30)}{150} + \frac{0.55(0.45)}{180}} = \sqrt{\frac{0.21}{150} + \frac{0.2475}{180}} = \sqrt{0.0014 + 0.001375} = \sqrt{0.002775} \approx 0.05268$$

هامش الخطأ (Margin of Error):

$$ME = 1.96 \times 0.05268 \approx 0.10325$$

فترة الثقة 95%:

$$\text{CI}_{95%} = 0.15 \pm 0.1033 = [0.0467, ; 0.2533]$$

توضح هذه النتيجة أننا واثقون بنسبة 95% من أن التفوق الحقيقي للعلاج السلوكي المعرفي في المجتمع يتراوح بين 4.67% كحد أدنى و 25.33% كحد أقصى. ونلاحظ هنا بوضوح أن فترة الثقة موجبة بالكامل ولا تشتمل على الصفر، مما يؤكد وبشكل قاطع رفض الفرضية الصفرية.

8.3 حجم التأثير والدلالة العملية في قياس النسب

لا تعني الدلالة الإحصائية بالضرورة أن النتيجة المكتشفة مهمة أو ذات قيمة عملية في الواقع الميداني؛ إذ يمكن لحجم عينة ضخم جداً أن يحول فرقاً هامشياً تافهاً (مثل فرق قدره 0.5%) إلى فرق دال إحصائياً بقيمة احتمالية متناهية الصغر. من هنا، فرضت الجمعيات العلمية توثيق مقاييس “حجم التأثير” (Effect Size) جنباً إلى جنب مع اختبارات الدلالة لتوضيح القوة العملية للظاهرة.

لقياس حجم التأثير بين نسبتين مستقلتين، طوّر الإحصائي جاكوب كوهين مقياساً متخصصاً يعرف بمعامل $h$ لكوهين (Cohen’s $h$). يقوم هذا المقياس على تحويل النسب تجريبياً باستخدام دالة التحويل القوسي (Arcsine Transformation) لتحقيق استقرار التباين عبر مختلف نطاقات النسب:

$$\phi_1 = 2 \arcsin(\sqrt{\hat{p}_1}) \quad \text{و} \quad \phi_2 = 2 \arcsin(\sqrt{\hat{p}_2})$$

ويُعرف معامل كوهين $h$ بالفرق المطلق بين هاتين القيمتين المحولتين:

$$h = |\phi_1 – \phi_2|$$

وتُفسر قيم $h$ الناتجة وفق المعايير السلوكية القياسية التي اقترحها كوهين:

• تأثير صغير (Small effect): $h \approx 0.20$
• تأثير متوسط (Medium effect): $h \approx 0.50$
• تأثير كبير (Large effect): $h \approx 0.80$

إلى جانب معامل $h$، تُستخدم مقاييس وبائية حيوية إضافية مثل “نسبة الأرجحية” (Odds Ratio – OR) و”الخطر النسبي” (Relative Risk – RR) لإبراز التباين السلوكي بصيغة نسبية مألوفة للممارسين السريريين وصناع السياسات الصحية.

9. الأخطاء الشائعة والاعتبارات المنهجية الحرجة في التفسير

9.1 الخلط بين الارتباط والسببية ومشاكل المعاينة

من المزالق التفسيرية الفادحة التي يقع فيها بعض الباحثين القفز من استنتاج وجود فرق دال إحصائياً بين نسبتي مجموعتين إلى ادعاء وجود علاقة سببية مباشرة بين المتغير المستقل والنتيجة المرصودة. إن اختبار Z للنسبتين هو مجرد أداة حسابية ترصد الفروق الاحتمالية، ولا يملك في ذاته القدرة على إثبات السببية ما لم تكن البيانات مستقاة من تصميم تجريبي صارم يعتمد على التعيين العشوائي الحقيقي (Random Assignment) وضبط كافة المتغيرات الدخيلة.

ففي الدراسات الارتباطية أو المسحية القائمة على الملاحظة، قد يعزى الفرق الملاحظ بين النسب إلى وجود متغيرات وسيطة أو مربكة (Confounding Variables) لم يتم ضبطها إحصائياً. على سبيل المثال، قد يتبين وجود تباين في نسب النجاح بين مجموعتين، لكن هذا التباين قد يرجع في حقيقته إلى الفروق في المستوى الاقتصادي الاجتماعي، أو تباين الكفاءة الذاتية، أو الاختلافات في كمية ونوعية المدخلات التفاعلية كما يظهر في دراسات التطور اللغوي والنمائي (Rowe, 2012). علاوة على ذلك، فإن وجود تحيز في المعاينة (Sampling Bias) – كاختيار عينات ميسرة أو تطوعية – ينسف افتراض التمثيل، ويجعل نتائج اختبار Z غير قابلة للتعميم على مجتمع الدراسة الأصلي مهما بلغت الدقة الحسابية للاختبار.

9.2 انتهاك شروط حجم العينة والبدائل غير المعلمية

يؤدي التطبيق الآلي لاختبار Z في الحالات التي لا تستوفي شروط حجم العينة الكافي (أي عندما يقل عدد حالات النجاح أو الفشل المتوقعة في أي خلية عن 10) إلى الحصول على قيم معيارية مضللة ومعدلات تضخم حادة في الخطأ من النوع الأول، نظراً لأن توزيع المعاينة الفعلي في هذه الحالة يكون ملتوياً بشدة ولا يتبع التوزيع الطبيعي المتناظر.

في مثل هذه الحالات المعقدة، يتوجب على الباحث المنهجي التخلي عن اختبار Z واللجوء إلى البدائل المناسبة:

• اختبار فيشر الدقيق (Fisher’s Exact Test): يُعد البديل المنهجي الذهبي غير المعلمي عند التعامل مع العينات الصغيرة أو الجداول التوافقية ذات التكرارات المتوقعة المنخفضة؛ حيث يقوم بحساب القيمة الاحتمالية الدقيقة بصورة تبادلية دون الاعتماد على أي تقريب طبيعي افتراضي.
• تصحيح ييتس للاستمرارية (Yates’s Continuity Correction): يمكن تطبيقه كإجراء وقائي في حالات أحجام العينات المتوسطة التي تتأرجح فيها التكرارات بين 5 و 10، ويتم ذلك بطرح القيمة 0.5 من القيمة المطلقة للبسط لتقليل المبالغة في تقدير قيمة Z، رغم أن معظم الإحصائيين المعاصرين يفضلون الانتقال المباشر لاختبار فيشر الدقيق لتجنب التحفظ المفرط لتصحيح ييتس.

9.3 سوء فهم القيمة الاحتمالية وحجم العينات الضخم

يعاني مفهوم القيمة الاحتمالية (P-value) من سوء فهم متجذر في الممارسات البحثية؛ حيث يفسرها البعض خطأً بأنها “احتمالية صحة الفرضية الصفرية”، أو “احتمالية أن تكون النتائج وليدة الصدفة”. إن التفسير الإحصائي الدقيق للقيمة الاحتمالية هو أنها: احتمالية رصد بيانات مماثلة أو أكثر تطرفاً من البيانات الحالية، بافتراض أن الفرضية الصفرية صحيحة بنسبة 100%. بالتالي، فإن القيمة الاحتمالية المنخفضة لا تقيس حجم الأثر ولا تبرهن بمفردها على أهمية النظرية المطروحة.

وترتبط بهذه المعضلة ظاهرة “الحساسية الإحصائية المفرطة” (Over-powering) المصاحبة لأحجام العينات شديدة الضخامة (Big Data). فعندما يرتفع حجم العينة إلى عشرات الآلاف، يتلاشى الخطأ المعياري ليقترب من الصفر في مقام معادلة Z، مما يؤدي إلى إنتاج قيم Z مرتفعة جداً وقيم احتمالية دالة للغاية ($p < 0.001$) استجابة لفروق تافهة جداً ليس لها أي معنى تطبيقي (كفرق قدره 0.1% بين مجتمعين). ولذلك، فإن الأمانة العلمية تفرض على الباحثين عدم الاكتفاء بالاحتفاء بالقيمة الاحتمالية الدالة، والتركيز الموازي على فترات الثقة ومقاييس حجم التأثير لضمان نزاهة التفسير العلمي.

10. التطبيق البرمجي وكتابة النتائج وفق المعايير الأكاديمية (APA)

10.1 تنفيذ اختبار Z للنسبتين باستخدام الحزم الإحصائية (R وSPSS وPython)

مع تطور أدوات التحليل الرقمي، لم يعد الباحثون يجرون الحسابات يدوياً إلا لأغراض تعليمية، وأصبحت البرمجيات الإحصائية هي الوسيلة الأساسية لتحليل البيانات. تختلف بيئات التحليل البرمجي في طريقة استدعاء وتنفيذ هذا الاختبار:

أولاً: بيئة لغة R الإحصائية:

توفر لغة R دالة مدمجة قوية وشاملة هي prop.test، وتستخدم لمقارنة النسب؛ حيث تأخذ متجهات التكرارات وأحجام العينات كمدخلات مباشرة. افتراضياً، تطبق هذه الدالة اختبار مربع كاي المكافئ لاختبار Z مع تصحيح ييتس للاستمرارية، ويمكن إيقاف التصحيح للحصول على القيمة الدقيقة لاختبار Z عن طريق الوسيط correct = FALSE. كما توفر حزمة BSDA دالة مباشرة تسمى z.test مخصصة للمتغيرات المعيارية.

ثانياً: برنامج SPSS:

في برنامج SPSS، لا يوجد أمر مباشر في القوائم المنسدلة تحت اسم “Two-proportion Z-test”، ولكن يمكن الوصول إلى نفس النتيجة بدقة مطلقة عبر عدة مسارات بديلة:

• مسار الجداول التوافقية: من خلال Analyze > Descriptive Statistics > Crosstabs، ثم تحديد اختبار مربع كاي (Chi-Square) الذي يتطابق تماماً مع مربع Z ثنائي الطرف، مع إمكانية تحديد خيار Compare column proportions لإجراء اختبار Z للنسب مع تعديل بونفيروني.
• مسار الاختبارات المعلمية المستقلة لمقارنة النسب في الإصدارات الحديثة من SPSS (الإصدار 27 فما فوق) عبر مسار: Analyze > Compare Means > Independent-Samples Proportions، وهو الإجراء الذي يقدم مخرجات صريحة لاختبار Z وفترات الثقة وحجم الأثر لكوهين.

ثالثاً: بيئة بايثون (Python):

توفر مكتبة statsmodels الشهيرة وحدة متخصصة للنسب من خلال الدالة proportions_ztest التابعة للموديول statsmodels.stats.proportion. تتطلب هذه الدالة تمرير مصفوفة بعدد حالات النجاح ومصفوفة بإجمالي الأحجام، وتقوم افتراضياً بحساب اختبار Z للنسبتين بالاعتماد على النسبة المجمعة، مع إرجاع كل من قيمة Z المعيارية والقيمة الاحتمالية المناظرة بدقة متناهية.

10.2 معايير صياغة وكتابة التقارير وفق نمط جمعية علم النفس الأمريكية (APA)

تضع جمعية علم النفس الأمريكية في دليلها الأكاديمي الصادر في نسخته السابعة (APA 7th Edition) قواعد بالغة الدقة لتوثيق نتائج الاستدلال الإحصائي داخل المتن البحثي؛ حيث يتعين على الباحث تضمين الإحصاءات الوصفية، وقيمة الإحصائية المحسوبة، والقيمة الاحتمالية، وفترة الثقة، وحجم التأثير، مع الالتزام بكتابة الرموز الإحصائية بحروف مائلة (Italicized).

وفيما يلي النموذج المعياري المعتمد لصياغة نتائج المثال التطبيقي المذكور في هذا الدليل:

“أظهرت النتائج وجود فرق ذي دلالة إحصائية في معدلات التعافي الإكلينيكي بين المرضى الذين خضعوا للعلاج السلوكي المعرفي والمرضى الذين تلقوا العلاج الدوائي؛ حيث بلغت نسبة التعافي لدى مجموعة العلاج السلوكي المعرفي 70% ($105/150$)، في حين بلغت نسبة التعافي لدى مجموعة العلاج الدوائي 55% ($99/180$)، مما يشير إلى تفوق ذي دلالة لصالح العلاج المعرفي ($Z = 2.79, p = 0.005$, اختبار ثنائي الطرف). وبلغ الفرق الملاحظ بين النسبتين 15%، مع فترة ثقة 95% للفرق تراوحت بين $[0.047, 0.253]$، وبلغ حجم التأثير المحسوب باستخدام معامل كوهين $h = 0.31$، وهو ما يمثل حجماً تأثيراً يتراوح بين الصغير والمتوسط وفق المعايير السلوكية المعتمدة.”

10.3 دليل إرشادي ختامي للباحث والمحلل الإحصائي

لضمان أعلى معايير الجودة العلمية والموثوقية التحليلية عند استخدام اختبار Z للنسبتين، يستعرض الجدول الإرشادي التالي قائمة الفحص المنهجية التي يجب على المحلل استيفاؤها ومراجعتها نقدياً قبل اعتماد النتائج ونشرها:

المرحلة المنهجية	عنصر الفحص والتحقق	الإجراء الموصى به عند التحقق	البديل الإحصائي عند الانتهاك
تصميم المعاينة	العشوائية والاستقلالية التامة بين المجموعتين	مراجعة بروتوكول التعيين العشوائي وفصل المجموعات	اختبار ماكنيمار (McNemar) للعينات المترابطة
طبيعة المتغير	متغير فئوي ثنائي التفرع (حصر ثنائي)	ترميز الاستجابات رقمياً إلى (0 و 1)	اختبار t أو ANOVA للمتغيرات المتصلة
حجم العينة	تحقق شرط: $n \hat{p} ge 10$ و $n(1-\hat{p}) ge 10$ للطرفين	حساب التكرارات المتوقعة لكافة الخلايا	اختبار فيشر الدقيق (Fisher’s Exact Test)
حجم المجتمع	عدم تجاوز العينة 10% من المجتمع الكلي	التأكد من اتساع مجتمع الدراسة المنتهي	تطبيق معامل تصحيح المجتمع المحدود (FPC)
صياغة الفرضيات	تحديد اتجاه الفرضية قبل فحص البيانات	اختيار الاختبار ثنائي الطرف إلا بمسوغ نظري حتمي	ضبط مستوى الدلالة وتفادي تدوير الفرضيات
التوثيق والتقرير	تكامل الدلالة الإحصائية والدلالة العملية	توثيق قيمة Z، و P-value، وفترة الثقة، وحجم الأثر $h$	الالتزام بنمط التوثيق المعتمد (APA 7th)

يسهم الالتزام الصارم بهذه المحددات في تجنب التحيزات المنهجية ودعم قابلية التكرار في الأبحاث النفسية والسلوكية، وهو ما يعزز الثقة في الاستدلالات الإحصائية ويدعم اتخاذ القرارات القائمة على براهين علمية لا يرقى إليها الشك.

خاتمة

يعد اختبار Z للنسبتين أداة استدلالية مركزية لا غنى عنها في الترسانة المنهجية للباحثين في مجالات العلوم النفسية والاجتماعية والطبية الحيوية. ومن خلال بناء رياضي رصين يستند إلى خصائص التوزيع الطبيعي المعياري ومبرهنة النهاية المركزية، يوفر هذا الاختبار إطاراً موضوعياً حاسماً للتمييز بين الفروق العينية الناتجة عن الصدفة وتلك التي تعكس تبايناً حقيقياً بين المجتمعات الإحصائية الأصلية.

وقد أوضح هذا الدليل أن الكفاءة في استخدام هذا الاختبار تتطلب إدراكاً عميقاً لا يقتصر على التطبيق الحسابي لمعادلة Z المعيارية والنسبة المجمعة، بل يمتد ليشمل الفحص الدقيق للافتراضات والشروط المنهجية المتعلقة بالمعاينة العشوائية، والاستقلالية التامة، وكفاية أحجام العينات. كما أبرزت المناقشة الأهمية الحيوية لتكامل اختبار الفرضيات مع فترات الثقة ومقاييس حجم التأثير لتفادي فخاخ الحساسية المفرطة وتضخيم الفروق الطفيفة في العينات الكبيرة، بما يضمن بقاء البحث العلمي متزناً، ورصيناً، وقادراً على تقديم إسهامات علمية وتطبيقية موثوقة تخدم المعرفة الإنسانية والممارسات الميدانية القائمة على الدليل.

المراجع

Conroy‐Beam, D., Buss, D. M., Asao, K., Sorokowska, A., Sorokowski, P., Aavik, T., Akello, G., Alhabahba, M. M., Alm, C., Amjad, N., Anjum, G., Atama, C. S., Babale, M. G., Batres, C., Bendixen, M., Bensafia, A., Bizumic, B., Boussena, S., Bukhari, S., … Zupančič, M. (2019). Contrasting Computational Models of Mate Preference Integration Across 45 Countries. Scientific Reports. https://doi.org/10.1038/s41598-019-52748-8

Kushida, C. A., Littner, M. R., Morgenthaler, T. I., Alessi, C., Bailey, D. R., Coleman, J., Friedman, L., Hirshkowitz, M., Kapen, S., Kramer, M., Lee-Chiong, T., Loube, D. L., Owens, J., Pancer, J. P., & Shen, J. (2005). Practice Parameters for the Indications for Polysomnography and Related Procedures: An Update for 2005. SLEEP. https://doi.org/10.1093/sleep/28.4.499

Michelene, T. H., Bassok, M., Lewis, M. W., Reimann, P., & Glaser, R. A. (1989). Self‐Explanations: How Students Study and Use Examples in Learning to Solve Problems. Cognitive Science. https://doi.org/10.1207/s15516709cog1302_1

Prigerson, H. G., Horowitz, M. J., Jacobs, S., Parkes, C. M., Aslan, M., Goodkin, K., Rapayet, B., Marwit, S. J., Neimeyer, R. A., Bonanno, G. A., Shear, M. K., Frank, E., Bidstrup, P. E., Boelen, P. A., Bruce, M. L., Dyregrov, A., Folkman, S., Kissane, D. W., Lichtenthal, W. G., … Maciejewski, P. K. (2009). Prolonged Grief Disorder: Psychometric Validation of Criteria Proposed for DSM-V and ICD-11. PLoS Medicine. https://doi.org/10.1371/journal.pmed.1000121

Rowe, M. L. (2012). A Longitudinal Investigation of the Role of Quantity and Quality of Child-Directed Speech in Vocabulary Development. Child Development. https://doi.org/10.1111/j.1467-8624.2012.01805.x

Schraw, G. J., Crippen, K. J., & Hartley, K. (2006). Promoting Self-Regulation in Science Education: Metacognition as Part of a Broader Perspective on Learning. Research in Science Education. https://doi.org/10.1007/s11165-005-3917-8