ما هي بواقي بيرسون؟ (التعريف والمثال)

يحتل تحليل البيانات الفئوية (Categorical Data Analysis) مكانة مركزية في العلوم السلوكية والنفسية، حيث يتعامل الباحثون باستمرار مع متغيرات اسمية ورتبية تصف سمات الشخصية، والتشخيصات الإكلينيكية، وأنماط الاستجابة للعلاجات النفسية والدوائية. وعند التعامل مع جداول التوافق (Contingency Tables)، يُعد اختبار كاي تربيع للاستقلالية (Chi-Square Test of Independence) الأداة الأكثر شيوعاً لتحديد ما إذا كانت هناك علاقة ارتباطية دالة إحصائياً بين متغيرين فئويين. ومع ذلك، فإن القيمة الإجمالية لاختبار كاي تربيع، رغم أهميتها الاستدلالية، تعاني من قصور جوهري يتمثل في طبيعتها التجميعية العامة؛ فهي تخبر الباحث بوجود ارتباط دال إحصائياً بين المتغيرين، لكنها تقف عاجزة تماماً عن تحديد مواطن هذا الارتباط أو تبيان أي من الخلايا الفردية داخل الجدول هي المسؤولة تحديداً عن هذا الانحراف عن فرضية الاستقلال والحياد النظري.

وهنا يبرز الدور المحوري والمتقدم لـ بواقي بيرسون (Pearson Residuals)، وهي مؤشرات إحصائية معيارية تُستخدم كأداة تشخيصية وتحليلية لا غنى عنها في تفكيك التباين الكلي داخل جداول الاقتران والنماذج الخطية المعممة. تُمكن هذه البواقي الباحثين والمحللين من إجراء تحليلات بعدية دقيقة (Post-hoc Cell-by-Cell Analyses)، تكشف عن البنية التفصيلية للعلاقات بين الفئات والمستويات الفرعية، مما يسد الفجوة الكبيرة بين الاستدلال الكلي والتشخيص المجهري الموضعي للبيانات السلوكية والطبية.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم مرجع نظري وتطبيقي متكامل لبواقي بيرسون؛ حيث يستعرض أصولها التاريخية والرياضية، ويشرح معادلاتها الأولية والمعيارية المعدلة، ويقارن بينها وبين الأنواع الأخرى من البواقي كبواقي الانحراف وأنسكومب، وصولاً إلى تقديم مثال تطبيقي يدوي كامل، واستعراض كيفية استخراجها وتفسيرها عبر الحزم الإحصائية المتقدمة مثل SPSS وR وPython، مع التأكيد على الضوابط المنهجية وتفادي أخطاء الاستدلال الإحصائي الشائعة.

1. مقدمة عامة حول بواقي بيرسون وأهميتها في التحليل الإحصائي النفسي

1.1 الخلفية الإحصائية ونشأة المفهوم لدى كارل بيرسون

تعود الجذور التاريخية لبواقي بيرسون إلى أواخر القرن التاسع عشر وبدايات القرن العشرين، عندما وضع العالم البريطاني الشهير كارل بيرسون (Karl Pearson) في عام 1900 الأسس الرياضية لاختبار كاي تربيع لحسن المطابقة والاستقلالية. في ذلك الوقت، كانت العلوم الحيوية والاجتماعية في حاجة ماسة إلى أداة رياضية قادرة على اختبار مدى توافق التوزيعات التكرارية المشاهدة فعلياً في العينات الميدانية مع التوزيعات التكرارية المتوقعة نظرياً تحت فرضية العدم (Null Hypothesis).

وعلى الرغم من النجاح الساحق الذي حققه اختبار كاي تربيع كإحصاء كلي ($X^2$)، أدرك الإحصائيون سريعاً أن الحصول على قيمة كاي تربيع ذات دلالة إحصائية (مثلاً $p < 0.05$) لا يقدم سوى نصف الإجابة العلمية؛ فالقيمة الإجمالية تُشير إلى رفض فرضية الاستقلال بين المتغيرين المدروسين ككل، لكنها لا تُفصح عن الخلايا النوعية المسؤولة عن كسر هذا الاستقلال. ومن هنا نشأت الحاجة المنهجية إلى ابتكار مؤشرات إحصائية فرعية تقوم بتفكيك هذا التباين التراكمي إلى مكوناته الأولية، مما أدى إلى تطوير ما يُعرف اليوم ببواقي بيرسون.

تكمن الأهمية المنهجية لتفكيك التباين في أن جداول التوافق في علم النفس والعلوم السلوكية غالباً ما تحتوي على مصفوفات معقدة من الفئات المتقاطعة (مثل تقاطع أنماط الشخصية مع الاستجابة لبرامج علاجية متنوعة). إن إغفال فحص الخلايا الفردية عبر البواقي قد يؤدي إلى استنتاجات خاطئة أو تعميمات مضللة تخفي تحت مظلتها فروقاً جوهرية ذات أهمية إكلينيكية بالغة.

1.2 التعريف الأكاديمي الدقيق لبواقي بيرسون

تُعرّف بواقي بيرسون إحصائياً بأنها قياس معياري للفارق النسبي بين التكرار المشاهد (Observed Frequency) في خلية معينة داخل جدول التوافق والتكرار المتوقع (Expected Frequency) لتلك الخلية تحت فرضية الاستقلال الإحصائي التام، مقسوماً على الجذر التربيعي للتكرار المتوقع. إن هذا التعريف يمنح الباقي طبيعة مؤشر معياري عديم الوحدات (Standardized Dimensionless Index)، مما يسمح بمقارنة انحرافات الخلايا المختلفة حتى وإن تباينت أحجامها التكرارية الأساسية تبايناً كبيراً.

تؤدي بواقي بيرسون دوراً تشخيصياً بالغ الأهمية؛ حيث يمثل مربع باقي بيرسون لكل خلية مساهمتها الرياضية المباشرة في القيمة الإجمالية لاختبار كاي تربيع. وبالتالي، فإن الخلية التي تمتلك باقي بيرسون ذا قيمة مطلقة مرتفعة هي الخلية التي تدفع النموذج بأكمله نحو الدلالة الإحصائية، في حين أن الخلايا ذات البواقي القريبة من الصفر تُعبر عن توافق شبه تام مع ما تفترضه نظرية الاحتمالات المجردة.

علاوة على ذلك، توفر إشارة الباقي (الموجبة أو السالبة) دلالة تفسيرية فورية؛ فالإشارة الموجبة تعني أن عدد الحالات الملاحظة في تلك الفئة يتجاوز ما كان متوقعاً بموجب الصدفة أو الاستقلال، بينما تشير الإشارة السالبة إلى حدوث عزوف أو نقص ملحوظ في التكرارات المشاهدة مقارنة بالتوقع النظري، وهو ما يفتح آفاقاً رحبة للتحليل السلوكي المعمق.

1.3 موقع بواقي بيرسون ضمن القياس النفسي والتحليل السلوكي

في ميدان القياس النفسي والتقييم الإكلينيكي، تُعد البيانات الفئوية النمط الأكثر شيوعاً عند التعامل مع أدوات التشخيص، مثل استبيانات الشخصية متعددة الأوجه، ودلائل التصنيف التشخيصي للاضطرابات النفسية مثل DSM-5. يُتيح تطبيق بواقي بيرسون للباحث النفسي فحص أنماط الاستجابة التفصيلية على بنود المقاييس، والكشف عن الانحرافات غير المتوقعة بين مختلف المجموعات السكانية والديموغرافية.

فعلى سبيل المثال، عند دراسة توزيع الاضطرابات المزاجية وعلاقتها بالفئات العمرية أو النوع الاجتماعي، لا يكتفي الباحث النفسي بمعرفة وجود علاقة ارتباطية بين الجنس ونوع الاضطراب؛ بل يستخدم بواقي بيرسون لتحديد ما إذا كانت الإناث في فئة عمرية معينة يظهرن معدلات إصابة باضطراب الاكتئاب الجسيم تفوق التوقع النظري بمستويات ذات دلالة إحصائية، وما إذا كان الذكور في فئة أخرى يسجلون معدلات أدنى من المتوقع.

كذلك، تلعب بواقي بيرسون دوراً حاسماً في تقييم دقة النماذج التصنيفية والنفسية في أبحاث علم النفس الاجتماعي والإكلينيكي، حيث تُستخدم لتدقيق جودة مطابقة النماذج النظرية لبيانات الواقع المعاش، والتأكد من خلو مصفوفات الاستجابة من الأنماط الشاذة التي قد تشوه صدق وثبات أدوات القياس النفسي.

2. الإطار النظري والمفاهيمي لاختبار كاي تربيع وجداول التوافق

2.1 بنية جداول التوافق (Contingency Tables)

تُمثل جداول التوافق (أو جداول الاقتران المتقاطعة) الأساس الهيكلي الذي تُبنى عليه تحليلات كاي تربيع وبواقي بيرسون. يتكون جدول التوافق من شبكة مصفوفية ثنائية أو متعددة الأبعاد، تتقاطع فيها مستويات متغير فئوي أول (يُمثل عادة بالصفوف $R$) مع مستويات متغير فئوي ثانٍ (يُمثل عادة بالأعمدة $C$). ويُطلق على الجدول الناتج اسم جدول $R \times C$.

تحتوي كل خلية تقاطع $(i, j)$ داخل الجدول على تكرار مشاهد $O_{ij}$ يمثل عدد الأفراد في العينة الذين يحملون الخاصيتين المشتركتين معاً (الخاصية $i$ من متغير الصف، والخاصية $j$ من متغير العمود). وإلى جانب هذه التكرارات المشتركة، تُحسب المجاميع الهامشية للصفوف (Row Marginals) ويرمز لها بـ $R_i$ أو $O_{i+}$، والمجاميع الهامشية للأعمدة (Column Marginals) ويرمز لها بـ $C_j$ أو $O_{+j}$، بالإضافة إلى الحجم الإجمالي للعينة $N$ أو $O_{++}$.

تتمحور الفرضية الإحصائية في هذا السياق حول اختبارين رئيسيين: إما اختبار الاستقلالية (Test of Independence)، حيث تكون فرضية العدم ($H_0$) هي أن المتغيرين مستقلان تماماً واحتمال حدوث أي فئة مشتركة يساوي حاصل ضرب الاحتمالات الهامشية؛ أو اختبار التجانس (Test of Homogeneity)، حيث تُفحص فرضية تطابق التوزيعات الفئوية عبر مجموعات فرعية مختلفة.

2.2 مفهوم التكرارات المشاهدة والتكرارات المتوقعة

إن جوهر التحليل الإحصائي في جداول التوافق يقوم على المقارنة المستمرة بين عالمين: عالم الواقع التجريبي المتمثل في التكرارات المشاهدة (Observed Frequencies)، وعالم النموذج النظري المتمثل في التكرارات المتوقعة (Expected Frequencies). التكرارات المشاهدة هي البيانات الخام الحقيقية التي يجمعها الباحث من الميدان، وهي تعكس الظواهر السلوكية كما حدثت بالفعل في العينة الخاضعة للدراسة.

أما التكرارات المتوقعة $E_{ij}$، فهي قيم رياضية استدلالية تُحسب بناءً على الافتراض النظري بأن فرضية العدم صحيحة تماماً وأنه لا توجد أية رابطة أو تأثير متبادل بين متغيرات الصفوف ومتغيرات الأعمدة. وتُحسب القيمة المتوقعة لأي خلية تقع في الصف $i$ والعمود $j$ وفق المعادلة الاحتمالية التالية:

$$E_{ij} = \frac{R_i \times C_j}{N}$$

حيث يمثل $R_i$ مجموع تكرارات الصف $i$، و$C_j$ مجموع تكرارات العمود $j$، و$N$ الحجم الكلي للعينة. ولضمان الصلاحية الإحصائية لاختبار كاي تربيع ومشتقاته من البواقي، يجب أن تتوافر شروط صارمة في التكرارات المتوقعة، أبرزها ألا تقل القيمة المتوقعة في أي خلية عن 1، وألا تقل القيم المتوقعة عن 5 في أكثر من 20% من خلايا الجدول الإجمالي وفق معايير كوكران الشهيرة.

2.3 حدود اختبار كاي تربيع العام والحاجة للبواقي

على الرغم من القوة الاستدلالية لاختبار كاي تربيع التقليدي، إلا أن اعتماده على دمج الانحرافات عبر جميع الخلايا في قيمة رقمية واحدة يُخفي تفاصيل ديناميكية بالغة الأهمية. إن إحصاء كاي تربيع الكلي يُعطى بالصيغة الرياضية التالية:

$$\chi^2 = \sum_{i=1}^{R} \sum_{j=1}^{C} \frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$

توضح هذه المعادلة أن أي خلية تُسجل فارقاً كبيراً بين $O_{ij}$ و $E_{ij}$ ستسهم بقيمة موجبة مرتفعة في $\chi^2$، ولكن عند تجميع هذه الفروق، تضيع هوية الخلية الفردية. ومن هنا تبرز مشكلة “الدلالة العامة المجهولة التفاصيل”؛ فقد يكون لدينا جدول $4 \times 4$ يضم 16 خلية، وتكون قيمة كاي تربيع دالة إحصائياً عند مستوى $p < 0.001$، ولكن عند التدقيق، قد نجد أن هذه الدلالة ناتجة بالكامل عن خلية واحدة أو خليتين شاذتين فقط، بينما تتطابق باقي الخلايا الـ 14 تماماً مع التوقعات النظرية.

وبالتالي، تظهر الحتمية المنهجية لاستخدام البواقي الإحصائية كإجراء لا غنى عنه للتحليل البعدي (Post-hoc Exploration)، يُمكّن الباحث من تفكيك النتيجة العامة وتوجيه الاستنتاجات العلمية بدقة متناهية نحو الفئات المسؤولة فعلياً عن التأثير السلوكي أو الظاهرة النفسية المدروسة.

3. المعادلة الرياضية لبواقي بيرسون وآلية الحساب

3.1 الصيغة الرياضية الأساسية لبواقي بيرسون

تُمثل بواقي بيرسون الأولية (Unstandardized / Raw Pearson Residuals)، والتي يُرمز لها عادة بالرمز $r_{ij}$، حجر الزاوية في القياس التفصيلي لجداول التوافق. وتُعطى الصيغة الرياضية الأساسية لحساب باقي بيرسون للخلية الواقعة في الصف $i$ والعمود $j$ على النحو التالي:

$$r_{ij} = \frac{O_{ij} – E_{ij}}{\sqrt{E_{ij}}}$$

لتحليل هذه المعادلة وتفكيك بنيتها الرياضية، نجد أنها تتكون من عنصرين رئيسيين:

• البسط $(O_{ij} – E_{ij})$: يمثل الفارق الخام المباشر بين التكرار الملاحظ الفعلي والتكرار النظري المتوقع. يحدد هذا البسط اتجاه الانحراف؛ فإذا كان المشاهد أكبر من المتوقع كان الناتج موجباً، وإذا كان أقل كان الناتج سالباً.
• المقام $\sqrt{E_{ij}}$: يمثل الانحراف المعياري التقريبي للتكرار المشاهد بافتراض أن البيانات التكرارية تتبع توزيع بواسون (Poisson Distribution) حيث يتساوى المتوسط مع التباين ($\mu = \sigma^2 = E_{ij}$). إن القسمة على الجذر التربيعي للتكرار المتوقع تعمل كعامل تحجيم ومعايرة (Scaling Factor)، مما يجعل البواقي المحسوبة في الخلايا ذات التكرارات الضخمة قابلة للمقارنة المباشرة مع البواقي في الخلايا ذات التكرارات المحدودة.

3.2 العلاقة الرياضية بين بواقي بيرسون وإحصاء كاي تربيع الكلي

تتميز بواقي بيرسون بعلاقة رياضية أنيقة ومباشرة مع الإحصاء الكلي لكاي تربيع، حيث يُمكن التعبير عن إحصاء كاي تربيع التجميعي بوصفه المجموع الجبري لمربعات بواقي بيرسون لجميع خلايا الجدول دون استثناء:

$$\chi^2 = \sum_{i=1}^{R} \sum_{j=1}^{C} r_{ij}^2$$

توضح هذه العلاقة الجذرية أن باقي بيرسون لكل خلية هو في واقعه “الجذر التربيعي ذو الإشارة” للمساهمة الجزئية لتلك الخلية في إجمالي كاي تربيع. فإذا كانت خلية ما تمتلك باقي بيرسون يساوي $+3.0$، فإن مساهمتها المباشرة في قيمة $\chi^2$ العامة هي $3.0^2 = 9.0$.

تمتلك مصفوفة بواقي بيرسون الأولية خصائص رياضية هامة؛ فمتوسط هذه البواقي يميل نحو الصفر عبر الجدول، ولكن مصفوفة التغاير الخاصة بها ليست مصفوفة محايدة، مما يعني أن تباين هذه البواقي لا يساوي تماماً الواحد الصحيح، بل يكون دائماً أقل من 1 بسبب القيود المفروضة على المجاميع الهامشية للصفوف والأعمدة.

3.3 القيود الرياضية للبواقي غير المعدلة

على الرغم من فائدة الصيغة الأولية لبواقي بيرسون $r_{ij} = \frac{O_{ij} – E_{ij}}{\sqrt{E_{ij}}}$، إلا أنها تعاني من قيد رياضي أساسي يحد من استخدامها المباشر كاختبار معياري قطعي؛ وهو أن تباين هذه البواقي يختلف من خلية إلى أخرى داخل الجدول ذاته، ويعتمد بشدة على النسب الهامشية للصفوف والأعمدة.

نظراً لأن المجاميع الهامشية تكون ثابتة في جدول التوافق، فإن التكرارات المشاهدة في الخلايا المختلفة ليست مستقلة تماماً عن بعضها البعض. ونتيجة لهذا الارتباط الداخلي، فإن التباين الحقيقي لباقي بيرسون الأولي في الخلية $(i, j)$ يُعطى رياضياً بالمعادلة:

$$operatorname{Var}(r_{ij}) = (1 – p_{i+})(1 – p_{+j})$$

حيث يمثل $p_{i+} = \frac{R_i}{N}$ النسبة الهامشية للصف $i$، ويمثل $p_{+j} = \frac{C_j}{N}$ النسبة الهامشية للعمود $j$. وبما أن كلاً من $p_{i+}$ و $p_{+j}$ هي قيم موجبة تقع بين 0 و 1، فإن حاصل ضرب $(1 – p_{i+})(1 – p_{+j})$ سيكون حتماً أقل من 1.0. هذا يعني أن التباين الفعلي لبواقي بيرسون البسيطة يكون دائماً مقهوراً وأقل من تباين التوزيع الطبيعي المعياري، مما يجعل مقارنتها المباشرة بقيم التوزيع الطبيعي $Z$ (مثل $\pm 1.96$) مقارنة غير دقيقة إحصائياً وتؤدي إلى تقدير أقل من الواقع للدلالة الإحصائية.

4. بواقي بيرسون المعيارية (المعدلة): المفهوم والاشتقاق الرياضي

4.1 صيغة البواقي المعيارية المعدلة (Adjusted Standardized Residuals)

لتجاوز القصور الرياضي في تباين البواقي الأولية، قام الإحصائي البريطاني ديفيد كوكس وتلاه الباحثون مثل هابرمان (Haberman, 1973) واغريستي (Agresti, 2002) بتطوير ما يُعرف بـ بواقي بيرسون المعيارية المعدلة (Adjusted Standardized Residuals)، ويُرمز لها غالباً بالرمز $z_{ij}$ أو $ASR_{ij}$.

تعتمد الفكرة الجوهرية لهذه الصيغة المتقدمة على قسمة الباقي الخام $(O_{ij} – E_{ij})$ ليس فقط على الجذر التربيعي للتكرار المتوقع، بل على الخطأ المعياري التقديري الدقيق والفعلي للباقي (Standard Error of the Residual)، وتُصاغ المعادلة الرياضية الكاملة على النحو التالي:

$$z_{ij} = \frac{O_{ij} – E_{ij}}{\sqrt{E_{ij} (1 – p_{i+}) (1 – p_{+j})}} = \frac{r_{ij}}{\sqrt{(1 – \frac{R_i}{N}) (1 – \frac{C_j}{N})}}$$

حيث:

• $O_{ij}$: التكرار الملاحظ في الخلية $(i, j)$.
• $E_{ij}$: التكرار المتوقع في الخلية ذاتها.
• $R_i$: المجموع الهامشي للصف $i$.
• $C_j$: المجموع الهامشي للعمود $j$.
• $N$: المجموع الكلي للعينة.
• $r_{ij}$: باقي بيرسون الأولي غير المعدل.

4.2 الخصائص الإحصائية للتوزيع الطبيعي المعياري للبواقي

يُحقق هذا التعديل الرياضي الدقيق ميزة استدلالية هائلة؛ حيث تصبح البواقي المعيارية المعدلة $z_{ij}$ ممتلكة لمتوسط حسابي يقارب الصفر تماماً ($\mu = 0$) وتبايناً ثابتاً يقارب الواحد الصحيح ($\sigma^2 = 1$). وتحت فرضية العدم المقترنة بحجم عينة كبير كافٍ، يتقارب التوزيع الاحتمالي المقارب (Asymptotic Distribution) لهذه البواقي مع التوزيع الطبيعي المعياري (Standard Normal Distribution $Z$).

وبناءً على هذا التقارب التوزيعي التام، يُتاح للباحث استخدام القيم الحرجة المألوفة لدرجات $Z$ لاختبار الدلالة الإحصائية لكل خلية على حدة وبشكل مباشر ومستقل:

• إذا كانت $|z_{ij}| ge 1.96$، فإن انحراف هذه الخلية يُعتبر دالاً إحصائياً عند مستوى دلالة $\alpha = 0.05$.
• إذا كانت $|z_{ij}| ge 2.58$، فإن انحراف الخلية يُعتبر دالاً إحصائياً عند مستوى دلالة $\alpha = 0.01$.
• إذا كانت $|z_{ij}| ge 3.29$، فإن الانحراف يُعد دالاً بقوة فائقة عند مستوى دلالة $\alpha = 0.001$.

4.3 المقارنة المنهجية بين البواقي العادية والبواقي المعيارية

يوضح الجدول والمقارنة المنهجية التالية الفروق الجوهرية بين صيغتي البواقي، مما يبرز الأسباب العلمية التي تجعل البواقي المعدلة الخيار الأفضل في البحوث النفسية والسلوكية الرصينة:

وجه المقارنة	بواقي بيرسون الأولية (Unstandardized)	بواقي بيرسون المعيارية المعدلة (Adjusted)
المعادلة الحسابية	$r_{ij} = \frac{O_{ij} – E_{ij}}{\sqrt{E_{ij}}}$	$z_{ij} = \frac{O_{ij} – E_{ij}}{\sqrt{E_{ij}(1 – p_{i+})(1 – p_{+j})}}$
التباين الرياضي	أقل من 1 دائماً، وغير متجانس عبر الخلايا	يساوي 1 تقريباً، ومتجانس عبر جميع الخلايا
التوزيع المرجعي	لا يتبع توزيعاً معيارياً بسيطاً	يتبع التوزيع الطبيعي المعياري $N(0, 1)$
المقارنة بقيم Z الحرجة	غير دقيقة وتؤدي إلى خطأ النوع الثاني	دقيقة ومباشرة تماماً ($\pm 1.96, \pm 2.58$)
الاستخدام المفضل	حساب المساهمة في كاي تربيع والرسوم	اختبار الفرضيات البعدية الفردية للخلايا

تُظهر المقارنة بوضوح أن استخدام البواقي الأولية البسيطة عند محاولة تحديد الخلايا الدالة إحصائياً قد يؤدي إلى إغفال خلايا ذات انحرافات جوهرية (تضخم خطأ النوع الثاني)، خاصة في الجداول التي تحتوي على تفاوت كبير في أحجام المجاميع الهامشية، في حين توفر البواقي المعدلة الدقة والأمان المنهجي اللازمين للبحث الأكاديمي الموثوق.

5. مقارنة بواقي بيرسون بالأنواع الأخرى من البواقي الإحصائية

5.1 بواقي بيرسون مقابل البواقي الخام (Raw Residuals)

يُمثل الباقي الخام البسيط (Raw Residual) أبسط صورة للفروق المباشرة، ويُحسب بمجرد طرح التكرار المتوقع من التكرار المشاهد:

$$e_{ij} = O_{ij} – E_{ij}$$

على الرغم من بساطة وسهولة فهم الباقي الخام على المستوى الوصفي، إلا أنه يعاني من عيب هيكلي مدمر يجعله غير صالح للاستدلال والمقارنة الإحصائية؛ فالقيمة المطلقة للباقي الخام تعتمد كلياً على مقياس وحجم التكرارات الكلية في الخلية. ففارق قدره $+20$ حالة في خلية تكرارها المتوقع 1000 هو انحراف طفيف لا يمثل سوى 2% زيادة، بينما نفس الفارق البالغ $+20$ في خلية تكرارها المتوقع 5 يُمثل انفجاراً إحصائياً وزيادة قدرها 400%.

تتجاوز بواقي بيرسون هذا القصور الجذري عبر معايرة هذا الفارق وقسمته على الخطأ المعياري المتناسب مع الجذر التربيعي للقيم المتوقعة، مما يُنتج مقياساً موحداً ومجرداً يتيح مقارنة خلايا ذات أحجام متفاوتة تماماً على مقياس عدالة إحصائي واحد.

5.2 بواقي بيرسون مقابل بواقي الانحراف (Deviance Residuals)

تنشأ بواقي الانحراف (Deviance Residuals) من إطار نظرية الإمكان الأعظم (Maximum Likelihood Estimation) واختبار نسبة الإمكان ($G^2$ أو Likelihood-Ratio Chi-Square). يُعرّف باقي الانحراف للخلية $(i, j)$ بالصيغة الرياضية التالية:

$$d_{ij} = operatorname{sign}(O_{ij} – E_{ij}) \sqrt{2 \left[ O_{ij} \ln\left(\frac{O_{ij}}{E_{ij}}\right) – (O_{ij} – E_{ij}) \right]}$$

حيث تمثل دالة $operatorname{sign}$ إشارة الفارق بين المشاهد والمتوقع. يتميز باقي الانحراف بأن مجموع مربعاته عبر الجدول يعطي مباشرة إحصاء الانحراف الكلي (Deviance Statistic $G^2$) للنموذج، وهو النظير المباشر لكون مجموع مربعات بواقي بيرسون يعطي إحصاء بيرسون $\chi^2$.

من الناحية المنهجية، تتطابق بواقي بيرسون وبواقي الانحراف تقارباً عندما تكون النماذج صحيحة والعينات كبيرة. ومع ذلك، تُظهر بواقي الانحراف حساسية أعلى واستقراراً أفضل في سياق النماذج الخطية المعممة عندما تقترب التكرارات من الصفر، في حين تُعد بواقي بيرسون أكثر وضوحاً وسهولة في التفسير المباشر داخل جداول التوافق التقليدية في البحوث النفسية والتربوية.

5.3 بواقي بيرسون مقابل بواقي أنسكومب (Anscombe Residuals)

قامت التحليلات المتقدمة التي قادها الإحصائي فرانسيس أنسكومب (Francis Anscombe, 1953) على فكرة استخدام تحويلات رياضية تثبت التباين (Variance-Stabilizing Transformations) لجعل توزيع البواقي أقرب ما يكون إلى التوزيع الطبيعي الدقيق حتى في ظل العينات الصغيرة أو التوزيعات غير التناظرية.

في حالة البيانات التكرارية التي تتبع توزيع بواسون، تُعطى بواقي أنسكومب بالصيغة الرياضية التالية:

$$A_{ij} = \frac{\frac{3}{2} \left( O_{ij}^{2/3} – E_{ij}^{2/3} \right)}{E_{ij}^{1/6}}$$

تهدف هذه الصيغة المعقدة إلى إزالة الالتواء الطبيعي الكامن في البيانات الفئوية وتوزيعات التعداد. وفي حين تتفوق بواقي أنسكومب في النمذجة الرياضية النظرية للتوزيعات شديدة الالتواء، تبقى بواقي بيرسون المعيارية هي المعيار الذهبي المفضل والأكثر تطبيقاً وشيوعاً في برمجيات القياس النفسي والعلوم الإكلينيكية نظراً لسهولة حسابها المباشر وارتباطها الفطري باختبار كاي تربيع واسع الانتشار.

6. دليل خطوة بخطوة لتفسير قيم بواقي بيرسون في البحوث

6.1 تفسير إشارات البواقي (الموجبة والسالبة)

يمثل التفسير الاتجاهي لبواقي بيرسون الخطوة الأولى في التحليل النوعي للسلوك؛ إذ تحمل الإشارة الجبرية للباقي معنى نفسياً واجتماعياً واضحاً يتجاوز مجرد الحسابات المجردة:

• الباقي الإيجابي الموجب ($+z_{ij}$): يُشير بشكل قاطع إلى أن عدد الأفراد في هذه الفئة المحددة أعلى بكثير مما تتنبأ به فرضية العدم والاستقلال التام. في السياق الإكلينيكي، يُترجم هذا إلى “تركز مفرط” أو “جاذبية نوعية” بين المتغيرين؛ مثل وجود تركز مرتفع غير متوقع لسمة العصابية بين المرضى الذين يعانون من اضطرابات الهلع.
• الباقي السلبي السالب ($-z_{ij}$): يُشير إلى أن عدد الأفراد في هذه الفئة أقل بكثير مما كان متوقعاً بموجب الصدفة. يُعبر هذا الانحراف السلبي عن وجود “تنافر” أو “علاقة تثبيطية/وقائية”؛ مثل تسجيل تكرارات منخفضة جداً لاضطراب الاكتئاب بين الأفراد الذين يتمتعون بمستويات عالية من المرونة النفسية والدعم الاجتماعي.

6.2 تحديد العتبات الحرجة وقواعد اتخاذ القرار

عند فحص مصفوفة البواقي المعيارية المعدلة، يتبع الباحث القواعد الإحصائية الاستدلالية المعتمدة المستندة إلى التوزيع الطبيعي المعياري:

• منطقة اللا-دلالة ($-1.96 < z_{ij} < +1.96$): تُعتبر الخلايا الواقعة ضمن هذا النطاق متوافقة مع فرضية الاستقلال، وتُعزى الفروق الطفيفة فيها إلى تقلبات المعاينة العشوائية الصرفة.
• الدلالة الإحصائية المقبولة ($|z_{ij}| ge 1.96$): دلالة عند مستوى ثقة 95% ($\alpha = 0.05$). تُمثل هذه الخلايا بؤراً انحرافية حقيقية تتطلب التفسير العلمي.
• الدلالة الإحصائية العالية ($|z_{ij}| ge 2.58$): دلالة عند مستوى ثقة 99% ($\alpha = 0.01$). تشير إلى انحرافات بالغة القوة.
• الدلالة الإحصائية الفائقة ($|z_{ij}| ge 3.29$): دلالة عند مستوى ثقة 99.9% ($\alpha = 0.001$).

تطبيق تصحيح بونفيروني (Bonferroni Correction): عند فحص جداول توافق كبيرة تحتوي على عدد كبير من الخلايا (مثلاً جدول $4 \times 4$ يحتوي على 16 خلية)، فإن إجراء 16 اختباراً بعدياً متزامناً يؤدي إلى تضخم خطأ النوع الأول من المستوى التراكمي (Family-wise Error Rate). ولمعالجة ذلك، يُنصح بتطبيق تعديل بونفيروني عبر قسمة مستوى الدلالة الكلي المستهدف (مثلاً $0.05$) على إجمالي عدد خلايا الجدول ($k = R \times C$):

$$\alpha_{\text{adjusted}} = \frac{0.05}{k}$$

ومن ثم استخراج قيمة $Z$ الحرجة الجديدة المقابلة لهذا المستوى المعدل من جداول التوزيع الطبيعي، مما يوفر حماية منهجية صارمة ضد الاستنتاجات الإيجابية الزائفة.

6.3 صياغة التقرير الإحصائي للبواقي وفق معايير APA

تقتضي معايير النشر العلمي الصادرة عن جمعية علم النفس الأمريكية (APA Style – 7th Edition) توثيق نتائج التحليلات البعدية لجداول التوافق بدقة وشفافية كاملة. ويتم ذلك عبر دمج قيم البواقي المعيارية المعدلة داخل الجدول الإحصائي أو تفصيلها في متن التقرير السردي.

نموذج للصياغة الأكاديمية في متن البحث:
“أظهرت نتائج اختبار كاي تربيع للاستقلالية وجود علاقة ارتباطية دالة إحصائياً بين النمط الشخصي ومستوى الاستجابة للبرنامج العلاجي، $\chi^2(4, N = 300) = 38.45, p < .001, V = .25$. ولتحديد الخلايا المسؤولة عن هذا الارتباط، أُجري فحص للبواقي المعيارية المعدلة (Adjusted Standardized Residuals – ASR) مع تطبيق تصحيح بونفيروني للدلالة ($\alpha = .008$). كشفت النتائج عن تسجيل المرضى ذوي الشخصية الانبساطية تكرارات مشاهدة أعلى من المتوقع بصورة دالة إحصائياً في فئة 'التحسن الكبير' ($ASR = +4.12, p < .001$)، بينما أظهر المرضى ذوو الشخصية العصابية تكرارات أعلى من المتوقع في فئة 'عدم الاستجابة' ($ASR = +3.85, p < .001$)، وتكرارات أدنى من المتوقع بشكل دال في فئة 'التحسن الكبير' ($ASR = -3.45, p < .001$)."

7. مثال تطبيقي عملي: دراسة نمط الاستجابة للعلاج النفسي والأنماط الشخصية

7.1 توصيف مشكلة البحث وبيانات العينة المفترضة

لتجسيد الحسابات الرياضية والمنهجية بدقة، نفترض دراسة إكلينيكية أُجريت على عينة قوامها $N = 300$ مريض تم تشخيصهم باضطراب القلق العام، بهدف فحص العلاقة بين نمط الشخصية السائد (متغير مستقل فئوي بمستويين: عصابية وانبساطية) ومستوى الاستجابة لبروتوكول العلاج المعرفي السلوكي (متغير تابع فئوي بثلاثة مستويات: تحسن كبير، تحسن طفيف، عدم استجابة).

يوضح الجدول التالي التكرارات المشاهدة ($O_{ij}$) المجمعة ميدانياً مع المجاميع الهامشية المقابلة:

نمط الشخصية	تحسن كبير	تحسن طفيف	عدم استجابة	المجموع الهامشي للصف ($R_i$)
عصابية	25	50	75	150
انبساطية	65	55	30	150
المجموع الهامشي للعمود ($C_j$)	90	105	105	المجموع الكلي $N = 300$

7.2 الحسابات اليدوية التفصيلية للتكرارات المتوقعة وبواقي بيرسون

نقوم أولاً بحساب التكرار المتوقع $E_{ij} = \frac{R_i \times C_j}{N}$ لكل خلية من خلايا الجدول الست:

• عصابية / تحسن كبير: $E_{11} = \frac{150 \times 90}{300} = 45.0$
• عصابية / تحسن طفيف: $E_{12} = \frac{150 \times 105}{300} = 52.5$
• عصابية / عدم استجابة: $E_{13} = \frac{150 \times 105}{300} = 52.5$
• انبساطية / تحسن كبير: $E_{21} = \frac{150 \times 90}{300} = 45.0$
• انبساطية / تحسن طفيف: $E_{22} = \frac{150 \times 105}{300} = 52.5$
• انبساطية / عدم استجابة: $E_{23} = \frac{150 \times 105}{300} = 52.5$

ثانياً: حساب بواقي بيرسون الأولية $r_{ij} = \frac{O_{ij} – E_{ij}}{\sqrt{E_{ij}}}$:

• خلية (1, 1) عصابية / تحسن كبير: $r_{11} = \frac{25 – 45}{\sqrt{45}} = \frac{-20}{6.708} = -2.981$ (المساهمة في $\chi^2 = (-2.981)^2 = 8.89$)
• خلية (1, 2) عصابية / تحسن طفيف: $r_{12} = \frac{50 – 52.5}{\sqrt{52.5}} = \frac{-2.5}{7.246} = -0.345$ (المساهمة في $\chi^2 = (-0.345)^2 = 0.12$)
• خلية (1, 3) عصابية / عدم استجابة: $r_{13} = \frac{75 – 52.5}{\sqrt{52.5}} = \frac{+22.5}{7.246} = +3.105$ (المساهمة في $\chi^2 = (+3.105)^2 = 9.64$)
• خلية (2, 1) انبساطية / تحسن كبير: $r_{21} = \frac{65 – 45}{\sqrt{45}} = \frac{+20}{6.708} = +2.981$ (المساهمة في $\chi^2 = (+2.981)^2 = 8.89$)
• خلية (2, 2) انبساطية / تحسن طفيف: $r_{22} = \frac{55 – 52.5}{\sqrt{52.5}} = \frac{+2.5}{7.246} = +0.345$ (المساهمة في $\chi^2 = (+0.345)^2 = 0.12$)
• خلية (2, 3) انبساطية / عدم استجابة: $r_{23} = \frac{30 – 52.5}{\sqrt{52.5}} = \frac{-22.5}{7.246} = -3.105$ (المساهمة في $\chi^2 = (-3.105)^2 = 9.64$)

القيمة الإجمالية لاختبار كاي تربيع: $\chi^2 = 8.89 + 0.12 + 9.64 + 8.89 + 0.12 + 9.64 = 37.30$، بدرجات حرية $df = (2-1)(3-1) = 2$، وهي قيمة دالة إحصائياً عند $p < 0.0001$.

ثالثاً: حساب البواقي المعيارية المعدلة $z_{ij} = \frac{O_{ij} – E_{ij}}{\sqrt{E_{ij} (1 – p_{i+}) (1 – p_{+j})}}$:

نحسب أولاً معاملات التصحيح في المقامات:

• بالنسبة للصفوف: $p_{1+} = \frac{150}{300} = 0.5 \Rightarrow (1 – p_{1+}) = 0.5$؛ وكذلك $(1 – p_{2+}) = 0.5$.
• بالنسبة للأعمدة:
  • العمود 1: $p_{+1} = \frac{90}{300} = 0.3 \Rightarrow (1 – p_{+1}) = 0.7$
  • العمود 2: $p_{+2} = \frac{105}{300} = 0.35 \Rightarrow (1 – p_{+2}) = 0.65$
  • العمود 3: $p_{+3} = \frac{105}{300} = 0.35 \Rightarrow (1 – p_{+3}) = 0.65$

تطبيق المعادلة لكل خلية:

• عصابية / تحسن كبير: $z_{11} = \frac{25 – 45}{\sqrt{45 \times 0.5 \times 0.7}} = \frac{-20}{\sqrt{15.75}} = \frac{-20}{3.9686} = \mathbf{-5.04}$
• عصابية / تحسن طفيف: $z_{12} = \frac{50 – 52.5}{\sqrt{52.5 \times 0.5 \times 0.65}} = \frac{-2.5}{\sqrt{17.0625}} = \frac{-2.5}{4.1307} = \mathbf{-0.61}$
• عصابية / عدم استجابة: $z_{13} = \frac{75 – 52.5}{\sqrt{52.5 \times 0.5 \times 0.65}} = \frac{+22.5}{4.1307} = \mathbf{+5.45}$
• انبساطية / تحسن كبير: $z_{21} = \frac{65 – 45}{\sqrt{45 \times 0.5 \times 0.7}} = \frac{+20}{3.9686} = \mathbf{+5.04}$
• انبساطية / تحسن طفيف: $z_{22} = \frac{55 – 52.5}{4.1307} = \mathbf{+0.61}$
• انبساطية / عدم استجابة: $z_{23} = \frac{30 – 52.5}{4.1307} = \mathbf{-5.45}$

7.3 التحليل النفسي واستخلاص النتائج الإكلينيكية من البواقي

يُقدم فحص مصفوفة البواقي المعيارية المعدلة ($z_{ij}$) رؤية إكلينيكية مجهرية بالغة الوضوح والدقة لتشخيص وتفسير نتائج هذا التدخل العلاجي:

• التشخيص الإيجابي القوي لدى الانبساطيين: سجلت خلية (انبساطية / تحسن كبير) باقي معياري معدل قدره $+5.04$، وهي قيمة تتجاوز بكثير العتبة الحرجة ($Z > 3.29$). هذا يدل على أن سمات الانبساط (مثل التفاؤل، والانفتاح الاجتماعي، والدافعية المرتفعة للتفاعل مع المعالج) تُعد عاملاً ميسراً ومسرعاً للاستجابة الإيجابية للعلاج المعرفي السلوكي.
• التعثر العلاجي لدى العصابيين: سجلت خلية (عصابية / عدم استجابة) باقي معياري قدره $+5.45$، يقابله باقي سلبي حاد في خلية (عصابية / تحسن كبير) قدره $-5.04$. هذه النتيجة تكشف أن ارتفاع سمة العصابية (المقترنة بالقلق التوقعي الحاد، والاجترار الفكري، والمشاعر السلبية المزمنة) يرتبط ارتباطاً وثيقاً بمقاومة التدخل المعرفي السلوكي التقليدي وصعوبة تحقيق الاستجابة المثلى.
• طبيعة فئة “التحسن الطفيف”: أظهرت خلايا التحسن الطفيف بواقي منخفضة جداً ($-0.61$ و $+0.61$)، مما يؤكد أن توزيع المرضى في هذه الفئة الوسيطة يخضع للصدفة وتتطابق تكراراته تماماً مع التوقعات النظرية، وأن التأثير الحقيقي لنمط الشخصية يتمركز حصرياً في طرفي الاستجابة (التحسن الكبير مقابل عدم الاستجابة).

التوصيات الإكلينيكية المستخلصة: بناءً على هذا التحليل الدقيق للبواقي، لا يوصى بتطبيق نفس البروتوكول العلاجي الموحد على جميع المرضى؛ بل يجب تصميم تدخلات معدلة موجهة للمرضى ذوي الدرجات العالية في العصابية (مثل دمج تقنيات القبول والالتزام ACT أو التدريب على التنظيم الانفعالي قبل بدء إعادة الهيكلة المعرفية) لكسر نمط عدم الاستجابة المرصود.

8. تطبيقات بواقي بيرسون في النماذج الخطية المعممة (GLM) ونموذج انحدار بواسون

8.1 بواقي بيرسون في نماذج الانحدار اللوجستي والبيانات الثنائية

يمتد تطبيق بواقي بيرسون إلى ما وراء جداول التوافق الكلاسيكية ليشكل ركيزة أساسية في تشخيص النماذج الخطية المعممة (GLM). وفي إطار الانحدار اللوجستي (Logistic Regression) حيث يكون المتغير التابع ثنائياً ($Y_i in {0, 1}$)، يُعرّف باقي بيرسون للمشاهدة الفردية $i$ بالصيغة التالية:

$$r_i = \frac{y_i – \hat{p}_i}{\sqrt{\hat{p}_i (1 – \hat{p}_i)}}$$

حيث تمثل $y_i$ الاستجابة الفعلية المشاهدة (0 أو 1)، وتمثل $\hat{p}_i$ الاحتمالية التنبؤية للنجاح أو وقوع الحدث وفق تقديرات النموذج. يمثل المقام $\sqrt{\hat{p}_i (1 – \hat{p}_i)}$ الانحراف المعياري لتوزيع برنولي (Bernoulli Distribution).

تُستخدم هذه البواقي في تشخيص جودة مطابقة النموذج اللوجستي والكشف عن الحالات الشاذة المتطرفة (Outliers)؛ فالحالة التي تمتلك قيمة مشاهدة $y_i = 1$ بينما الاحتمال التنبؤي لها ضعيف جداً (مثلاً $\hat{p}_i = 0.02$) ستُنتج باقي بيرسون موجب مرتفع للغاية، مما يلفت انتباه الباحث إلى ضرورة فحص هذه الحالة الإكلينيكية بشكل فردي لمعرفة العوامل غير المفسرة في النموذج.

8.2 بواقي بيرسون في انحدار بواسون وتحليل بيانات التعداد النفسي

في الأبحاث النفسية التي تتناول بيانات التعداد التكراري (Count Data) — مثل حساب عدد نوبات الهلع التي يتعرض لها المريض شهرياً، أو عدد محاولات إيذاء الذات، أو عدد أيام التغيب عن العمل بسبب الإجهاد النفسي — يُعد انحدار بواسون (Poisson Regression) النموذج القياسي للتحليل. يُحسب باقي بيرسون للمشاهدة $i$ في انحدار بواسون وفق المعادلة:

$$r_i = \frac{y_i – \hat{\mu}_i}{\sqrt{\hat{\mu}_i}}$$

حيث $y_i$ هو التعداد الملاحظ، و $\hat{\mu}_i$ هو المتوسط المتوقع المقدر من النموذج. تلعب بواقي بيرسون هنا دوراً حاسماً في الكشف عن واحدة من أخطر المشاكل المنهجية في بيانات التعداد وهي مشكلة فرط التشتت (Overdispersion)، والتي تحدث عندما يتجاوز التباين الفعلي للبيانات قيمة المتوسط النظري.

يتم تقييم فرط التشتت عبر حساب إحصاء تشتت بيرسون (Pearson Dispersion Parameter $\hat{\phi}$):

$$\hat{\phi} = \frac{\sum_{i=1}^{n} r_i^2}{n – p} = \frac{\chi_{\text{Pearson}}^2}{df}$$

إذا كانت قيمة $\hat{\phi}$ قريبة من 1.0، فإن افتراضات نموذج بواسون تكون محققة بدقة. أما إذا تجاوزت القيمة حاجز 1.5 أو 2.0، فإن هذا يُشير إلى وجود فرط تشتت حاد يقتضي من الباحث التخلي عن نموذج بواسون والانتقال فوراً إلى نموذج الانحدار ثنائي الحدين السالب (Negative Binomial Regression) لتفادي التقليل الزائف من الأخطاء المعيارية وتضخيم الدلالة الإحصائية.

8.3 تقييم الملاءمة الكلية للنماذج الخطية المعممة

تُعد إحصائية كاي تربيع بيرسون المعتمدة على تجميع مربعات بواقي بيرسون ($\chi^2 = \sum r_i^2$) أداة أساسية لتقييم الملاءمة الكلية (Goodness of Fit) للنماذج الخطية المعممة. وعند فحص الرسوم البيانية التشخيصية، يقوم الباحث برسم بواقي بيرسون على المحور الرأسي مقابل القيم التنبؤية ($\hat{\mu}_i$) أو المتغيرات المستقلة على المحور الأفقي.

تتضمن عملية التحقق من الافتراضات فحص الخصائص التالية في الرسم البياني:

• التوزيع العشوائي حول الصفر: يجب أن تتوزع البواقي في شريط أفقي عشوائي متجانس حول الخط الصفري دون وجود أي نمط منتظم.
• غياب الأنماط غير الخطية: إذا ظهر نمط منحنٍ أو قوسي في مبعثر البواقي، فإن هذا يُشير إلى فشل النموذج في التقاط العلاقة غير الخطية، مما يتطلب إدخال حدود تربيعية أو لوغاريتمية للمتغيرات.
• تجانس التباين (Homoscedasticity): إذا اتخذ انتشار البواقي شكلاً قمعياً (اتساع أو ضيق تدريجي مع زيادة القيم المتوقعة)، فإن هذا يدل على عدم استقرار دالة التباين المحددة في النموذج وضرورة تعديل رابط النموذج (Link Function).

9. التطبيق البرمجي لحساب بواقي بيرسون باستخدام البرمجيات الإحصائية

9.1 استخراج وتفسير البواقي باستخدام حزمة IBM SPSS

تُعد حزمة IBM SPSS Statistics واحدة من أكثر البرمجيات استخداماً في العلوم النفسية والاجتماعية. لاستخراج مختلف أنواع البواقي لجداول التوافق في SPSS، يتبع الباحث الخطوات الإجرائية التالية:

1. من القائمة الرئيسية، ننتقل إلى: Analyze $\rightarrow$ Descriptive Statistics $\rightarrow$ Crosstabs....
2. نضع المتغير المستقل في صندوق الصفوف (Row(s)) والمتغير التابع في صندوق الأعمدة (Column(s)).
3. نضغط على زر Cells... لفتح نافذة خيارات عرض الخلايا.
4. تحت قسم Residuals في أسفل النافذة، نقوم بتفعيل الخيارات الثلاثة للمقارنة:
   • Unstandardized: لاستخراج بواقي بيرسون الأولية البسيطة ($r_{ij}$).
   • Standardized: لاستخراج البواقي المعيارية البسيطة.
   • Adjusted standardized: لاستخراج البواقي المعيارية المعدلة الدقيقة ($z_{ij}$).
5. نضغط على Continue ثم OK لتنفيذ التحليل.

في جدول المخرجات الرئيسي (Crosstabulation Table)، يظهر لكل خلية صف يحمل اسم Adjusted Residual. يقوم الباحث بمسح هذه القيم مباشرة؛ فكل قيمة تتجاوز $+1.96$ أو تقل عن $-1.96$ تُعد دالة إحصائياً عند مستوى $\alpha = 0.05$ ويتم تمييزها وتفسيرها مباشرة في التقرير العلمي.

9.2 حساب وتصور بواقي بيرسون في لغة البرمجة R

توفر بيئة البرمجة الإحصائية R إمكانيات فائقة ومرنة للغاية للتعامل مع البواقي واستخراجها ورسمها بيانياً. يتم تنفيذ التحليل الكلاسيكي واختبار كاي تربيع واستخراج البواقي عبر الكود التالي:

لإجراء التحليل في R، نُنشئ مصفوفة البيانات المشاهدة ونطبق دالة chisq.test() كما يلي: يُخزن الاختبار في كائن (مثلاً fit <- chisq.test(my_table)). ومن هذا الكائن، يمكن الوصول إلى بواقي بيرسون الأولية مباشرة عبر الحقل fit$residuals، بينما يتم الوصول إلى البواقي المعيارية المعدلة عبر الحقل fit$stdres.

ولإنشاء تصور بصري فائق الدقة، توفر حزمة vcd المتقدمة في R ما يُعرف بـ مخطط الموزاييك الملون (Mosaic Plot) عبر الدالة mosaic()، حيث يتم تلوين الخلايا تلقائياً بتدرجات اللون الأزرق للدلالة على البواقي الموجبة الدالة ($z > +2, +4$)، وتدرجات اللون الأحمر للدلالة على البواقي السالبة الدالة ($z < -2, -4$)، مما يمنح الباحث رؤية بصرية فورية وشاملة للهيكل الانحرافي للجدول بأكمله.

9.3 الحساب البرمجي باستخدام لغة Python

في بيئة لغة Python وتحليل البيانات، يُمكن حساب بواقي بيرسون والبواقي المعدلة بسهولة باستخدام مكتبي scipy.stats و pandas و numpy. عند استخدام الدالة scipy.stats.chi2_contingency، تُعيد الدالة كلاً من قيمة كاي تربيع، والقيمة الاحتمالية $p$-value، ودرجات الحرية، بالإضافة إلى مصفوفة التكرارات المتوقعة ($E$).

لحساب مصفوفة بواقي بيرسون، يتم تطبيق المعادلة المصفوفية: pearson_residuals = (observed - expected) / np.sqrt(expected). ولحساب البواقي المعيارية المعدلة بدقة، نقوم بحساب النسب الهامشية للصفوف والأعمدة وتطبيق المعادلة الكاملة في سطر برمجي مخصص.

بعد ذلك، يمكن استخدام مكتبة seaborn عبر الدالة sns.heatmap() لرسم خريطة حرارية (Heatmap) متقدمة تعرض مصفوفة البواقي المعيارية المعدلة مع كتابة القيم الرقمية داخل كل خلية، واختيار تدرج لوني متباين (Diverging Colormap مثل coolwarm أو vlag) متمركز حول الصفر، مما يتيح إدراج أشكال بيانية ذات جودة نشر عالمية في التقارير والأبحاث الإكلينيكية.

10. الأخطاء المنهجية الشائعة وسوء التفسير لبواقي بيرسون

10.1 تجاهل مشكلة المقارنات المتعددة وتضخم خطأ النوع الأول

يُمثل الوقوع في فخ المقارنات المتعددة (Multiple Testing Problem) واحداً من أكثر الأخطاء شيوعاً في التطبيقات النفسية لبواقي بيرسون. فعندما يتعامل الباحث مع جدول توافق كبير الحجم (مثلاً جدول $5 \times 5$ يضم 25 خلية)، فإن فحص كل باقٍ معياري بمفرده عند عتبة الدلالة التقليدية $\pm 1.96$ (المقابلة لـ $\alpha = 0.05$) يعني أن الباحث يجري 25 اختبار فرضية متزامناً.

وفقاً لنظرية الاحتمالات، فإن احتمالية الحصول على خلية واحدة على الأقل ذات دلالة إحصائية زائفة بموجب الصدفة وحدها (Family-wise Error Rate) تُحسب بالمعادلة:

$$\alpha_{\text{FWER}} = 1 – (1 – 0.05)^{25} = 1 – (0.95)^{25} \approx 0.723$$

أي أن هناك احتمالاً يتجاوز 72% للوقوع في خطأ النوع الأول (False Positive) وادعاء وجود ارتباط حقيقي في خلية هي في الواقع نتاج الصدفة البحتة. ولتفادي هذه الكارثة المنهجية، يجب على الباحثين تطبيق أساليب الضبط الإحصائي الصارمة مثل تعديل بونفيروني (Bonferroni) أو طريقة هولم-بونفيروني الأكثر مرونة وقوة (Holm-Bonferroni Method)، أو التحكم في معدل الاكتشاف الخاطئ (False Discovery Rate – FDR).

10.2 إساءة التعامل مع الخلايا ذات التكرارات المتوقعة شديدة الانخفاض

تعتمد الخصائص الرياضية المعيارية لبواقي بيرسون على افتراضات الحجم المقارب (Asymptotic Properties)؛ أي أنها تفترض أن حجم العينة كبير بما يكفي ليتقارب توزيع البواقي مع التوزيع الطبيعي. وتنهار هذه الفرضية تماماً عندما تكون التكرارات المتوقعة في بعض الخلايا صغيرة جداً (مثلاً $E_{ij} < 5$ أو اقترابها من الصفر).

في مثل هذه الحالات، يتسبب وجود قيمة صغيرة جداً في مقام معادلة البواقي ($\sqrt{E_{ij}}$) في تضخيم قيمة الباقي بشكل اصطناعي مفرط وزائف، مما يعطي انطباعاً مضللاً بوجود دلالة إحصائية خارقة. ولمعالجة هذه المشكلة في الجداول المتناثرة (Sparse Tables)، يجب على الباحث اتخاذ إجراءات تصحيحية تشمل:

• دمج الفئات المنطقية المتقاربة ذات التكرارات المنخفضة لزيادة القيم المتوقعة.
• استخدام اختبار فيشر الدقيق الموسع (Fisher’s Exact Test for $R \times C$ Tables) بدلاً من الاعتماد المطلق على تقريب كاي تربيع.
• تطبيق أساليب التوزيع التجريبي التبادلي وإعادة المعاينة (Permutation and Monte Carlo Tests) لحساب الدلالة الدقيقة للبواقي دون الاعتماد على افتراضات التوزيع الطبيعي المعياري.

10.3 الخلط بين الدلالة الإحصائية والدلالة الإكلينيكية/العملية

يقع كثير من الباحثين المبتدئين في خطأ الخلط بين الحصول على باقٍ معياري ذي دلالة إحصائية عالية ($z = 4.5, p < 0.001$) وبين الأهمية العملية أو الإكلينيكية (Clinical Significance) لتلك النتيجة. يجب أن يدرك الباحث أن قيمة البواقي المعيارية هي دالة مباشرة في حجم العينة الكلي ($N$)؛ فعندما تكون أحجام العينات ضخمة جداً (عشرات الآلاف من الحالات)، فإن أدنى انحراف طفيف وتافه بين المشاهد والمتوقع سيتحول رياضياً إلى باقٍ معياري ضخم يتجاوز عتبات الدلالة الإحصائية.

لذا، لا يجوز الاكتفاء بالبواقي وحدها لتقدير حجم الأثر؛ بل يجب دائماً إقران تحليل البواقي بحساب مقاييس حجم الأثر الشاملة، مثل معامل فاي ($phi$) للجداول الثنائية، أو معامل $V$ لكريمر (Cramer’s V) للجداول المتعددة، أو حساب نسب الأرجحية (Odds Ratios) لكل خلية، لتقييم ما إذا كان الانحراف المرصود يمتلك وزناً وتأثيراً حقيقياً يُبنى عليه في اتخاذ القرارات العلاجية والتربوية.

11. المزايا والقيود المنهجية لاستخدام بواقي بيرسون في القياس النفسي

11.1 المزايا المنهجية والتشخيصية

تتمتع بواقي بيرسون، ولا سيما صيغتها المعيارية المعدلة، بحزمة متكاملة من المزايا المنهجية التي تجعلها أداة تشخيصية لا نظير لها في العلوم السلوكية:

• الرؤية المجهرية التفصيلية: تكسر حاجز العمومية في اختبارات الدلالة الكلية، وتتيح فحص كل تقاطع بين الفئات بصورة مستقلة وموضوعية.
• القابلية للمقارنة المعيارية: نظراً لأنها درجات معيارية عديمة الأبعاد تتبع التوزيع $Z$، فإنها تتيح للباحث مقارنة شدة الانحرافات بين جداول مختلفة ومقاييس نفسية متباينة حتى وإن اختلفت أحجام عينات الدراسات.
• المرونة والتكامل البرمجي: تتكامل البواقي بسلاسة تامة مع مجموعة واسعة من النماذج الإحصائية المتقدمة، بدءاً من اختبارات كاي تربيع البسيطة، مروراً بنماذج الانحدار اللوجستي وبواسون، وصولاً إلى النماذج اللوغارتمية الخطية وتحليلات التوافق.

11.2 القيود المنهجية ومحاذير الاستخدام

على الرغم من القوة الاستدلالية لبواقي بيرسون، يجب أن يظل الباحث النفسي واعياً بالقيود المنهجية المرتبطة باستخدامها:

• افتراض استقلال الملاحظات: تفترض بواقي بيرسون الكلاسيكية أن كل مفحوص يسهم بملاحظة واحدة فقط في خلية واحدة داخل الجدول. وبالتالي، فهي غير صالحة للاستخدام المباشر في تصاميم القياسات المتكررة (Repeated Measures) أو البيانات الطولية التتبعية دون تطبيق نماذج المعادلات التقديرية المعممة (GEE).
• الاعتماد على التقارب التقريبي: تعتمد دقة القيم الحرجة ($1.96, 2.58$) على كبر حجم العينة، وتفقد دقتها في الجداول ذات العينات المتناهية الصغر.
• صعوبة التفسير في الجداول عالية الأبعاد: عند الانتقال إلى جداول ثلاثية أو رباعية الأبعاد ($R \times C \times K$)، يصبح تفسير مصفوفات البواقي الفردية معقداً للغاية ومرهقاً إحصائياً، مما يستدعي الانتقال إلى النمذجة اللوغارتمية الخطية متكاملة الأركان.

11.3 التكامل مع الأساليب الإحصائية الفئوية المعاصرة

في الممارسات الإحصائية المعاصرة، لا تُستخدم بواقي بيرسون بمعزل عن بقية الأساليب التحليلية، بل تُدمج بكفاءة ضمن أطر تحليلية متقدمة تشمل:

• تحليل التوافق البسيط والمتعدد (Correspondence Analysis): يعتمد تحليل التوافق في جوهره الرياضي على إجراء تحليل القيمة المفردة (Singular Value Decomposition – SVD) مباشرة على مصفوفة بواقي بيرسون المعايرة، لتحويل الجداول الرقمية المعقدة إلى خرائط إدراكية بصرية ثنائية وثلاثية الأبعاد.
• النماذج اللوغارتمية الخطية (Log-Linear Models): تُستخدم بواقي بيرسون لتشخيص التفاعلات المعقدة بين المتغيرات الفئوية وتحديد النماذج الأكثر إيجازاً وتوافقاً مع البيانات.
• تحليل الصف الكامن (Latent Class Analysis – LCA): تُستخدم بواقي بيرسون لفحص جداول التوافق بين المؤشرات المشاهدة والأنماط الكامنة للتأكد من تحقق فرضية الاستقلال الموضعي (Local Independence Assumption) وجودة تصنيف الأفراد.

12. توصيات وإرشادات للباحثين النفسيين وخاتمة تقييمية

12.1 دليل إرشادي عملي للباحث عند تحليل الجداول الفئوية

لضمان أعلى درجات الدقة والنزاهة الأكاديمية عند استخدام بواقي بيرسون في البحوث السلوكية والنفسية، نوصي باتباع قائمة التحقق المنهجية التالية خطوة بخطوة:

1. التحقق من الفرضيات الأساسية: تأكد من استقلال الملاحظات التام، وأن التكرارات المشاهدة تمثل أعداداً صحيحة لحالات فعلية وليست نسباً مئوية أو متوسطات.
2. فحص كفاية التكرارات المتوقعة: تأكد من أن جميع التكرارات المتوقعة ($E_{ij}$) تزيد عن 1، وألا تتجاوز نسبة الخلايا التي تقل فيها التوقعات عن 5 حاجز الـ 20%. إذا اختل هذا الشرط، قم بدمج الفئات أو استخدم اختبار فيشر الدقيق.
3. حساب إحصاء كاي تربيع الإجمالي: تأكد من وجود دلالة إحصائية للاختبار الكلي ($\chi^2$) قبل الاندفاع نحو إجراء التحليلات البعدية وتفسير البواقي.
4. تفضيل البواقي المعيارية المعدلة (Adjusted Residuals): اعتمد دائماً على البواقي المعيارية المعدلة ($z_{ij}$) لاختبار الفرضيات بدلاً من البواقي البسيطة غير المعيارية.
5. تطبيق تصحيحات المقارنات المتعددة: اضبط مستوى الدلالة عبر تعديل بونفيروني ($\alpha / k$) لتحديد العتبة الحرجة الملائمة وتفادي الاستنتاجات الإيجابية الزائفة.
6. الجمع بين الدلالة وحجم الأثر: احرص دائماً على تضمين معاملات حجم الأثر (مثل $V$ لكريمر) والنسب الاحتمالية إلى جانب البواقي لتقديم تفسير إكلينيكي ونفسي متزن وعميق.

12.2 خلاصة مكثفة حول دور بواقي بيرسون في الاستدلال النفسي

في الختام، تُمثل بواقي بيرسون — وتحديداً صيغتها المعيارية المعدلة — جسراً منهجياً متيناً يربط بين الاختبارات الاستدلالية الإجمالية والتشخيص المجهري الدقيق للعلاقات والظواهر السلوكية. إنها الأداة التي تحول جداول التوافق الصامتة إلى لوحات بيانية ناطقة، تكشف بدقة عن أماكن التركز والانحراف، وتوجه القرارات الإكلينيكية والتربوية نحو الأهداف الأكثر احتياجاً للتدخل والتطوير.

ومع دخول عصر البيانات الضخمة (Big Data) وتعاظم قواعد البيانات الفئوية في العلوم السلوكية والطب النفسي الرقمي، تزداد الحاجة الماسة إلى الفهم العميق والتوظيف الواعي لهذه المؤشرات الإحصائية المتقدمة، لضمان استخلاص نتائج علمية تتسم بأعلى معايير الدقة، والصدق، وقابلية التكرار والتعميم.

المراجع (References)

• Agresti, A. (2002). Categorical Data Analysis (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688
• Agresti, A. (2007). An Introduction to Categorical Data Analysis (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/0470114754
• American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Anscombe, F. J. (1953). Contribution to the discussion of H. Hotelling’s paper: “New light on the correlation coefficient and its transforms”. Journal of the Royal Statistical Society: Series B (Methodological), 15(2), 229–230.
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Cox, D. R., & Snell, E. J. (1968). A general definition of residuals. Journal of the Royal Statistical Society: Series B (Methodological), 30(2), 248–275. https://doi.org/10.1111/j.2517-6161.1968.tb00724.x
• Friendly, M. (2000). Visualizing Categorical Data. SAS Institute.
• Haberman, S. J. (1973). The analysis of residuals in cross-classified tables. Biometrics, 29(1), 205–220. https://doi.org/10.2307/2529686
• McCullagh, P., & Nelder, J. A. (1989). Generalized Linear Models (2nd ed.). Chapman & Hall/CRC. https://doi.org/10.1007/978-1-4899-3242-6
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Sharpe, D. (2015). Your chi-square test is statistically significant: Now what? Practical Assessment, Research, and Evaluation, 20(8), 1–10. https://doi.org/10.7275/tbfa-x148