‫حتليل البيانات خطوة خبطوة يف‬

‫تأليف‬

‫النسخة األوىل – ‪2020‬‬

 ‫حتليل البيانات خطوة خبطوة يف‬

‫تأليف‬

‫د‪ .‬رامي صالح جبريل‬

‫أستاذ مشارك في قسم اإلحصاء – كلية العلوم‬

‫جامعة بنغازي – ليبيا‬

‫النسخة األولى ‪2020 -‬‬

 ‫النسخة األولى – ‪2020‬‬

‫اسم الكتاب‪ :‬تحليل البيانات خطوة بخطوة في ‪SPSS‬‬

‫اسم المؤلف‪ :‬د‪ .‬رامي صالح جبريل‬

‫الوكالة الليبية للترقيم الدولي الموحد للكتاب‬

‫دار الكتب الوطنية‬
‫بنغازي – ليبيا‬
‫هاتف‪9090509 – 9096379 - 9097074 :‬‬
‫بريد مصور‪9097073 :‬‬
‫البريد اإللكتروني‪nat_lib_libya@hotmail.com :‬‬

‫رقم اإليداع القانوني ‪757 / 2019‬‬

‫ردمك ‪ISBN 978-9959-1-2166-0‬‬

 ‫تمهيد‬

‫بسم اهلل الرمحن الرحيم‬

‫وبه نستعني‬

‫احلمد هلل رب العاملني‪ ،‬والصالة والسالم على أشرف املرسلني سيدنا حممد وعلى آله وصحبه أمجعني‪.‬‬

‫تُعتبر البيانات‪ ،‬من وجهة نظر علم اإلحصاء‪ ،‬الشكل المجرد أو الخام الذي تكون عليه المعلومات في‬
‫الحياة‪ ،‬فهي نتاج قياسات المتغيرات‪ ،‬أي المشاهدات التي تنتج عن تجربة علمية أو تشخيص طبي أو تسجيل‬
‫لحركة واردات وصادرات في مؤسسة أو نتائج دراسية‪ .‬وببساطة يمكننا القول إن البيانات هي أي نتيجة يمكن‬
‫تسجيلها وتحويلها إلى متغير رقمي‪ .‬وتحليل البيانات‪ ،‬هو ذلك العلم الذي يستخدم األساليب اإلحصائية للتعلم من‬
‫ويقصد من التعلم هنا استخدام‬
‫البيانات‪( ،‬وهو ما ُيعرف حديثا بالتعلم اإلحصائي (‪ُ .))Statistical Learning‬‬
‫البيانات في االستكشاف والتحليل للوصول للمعلومات الكامنة‪ ،‬وبالتالي الحصول على المعرفة‪.‬‬

‫ويتحقق التعلم اإلحصائي من خالل تعريف المشكلة أو تحديد الهدف من استخدام تحليل البيانات‪ ،‬ثم الشروع في‬
‫عملية جمع البيانات‪ ،‬ثم تلخيص واستكشاف وتحليل البيانات باستخدام األساليب المناسبة‪ ،‬وأخي ار استخالص النتائج‬
‫وتفسيرها وعرضها بما يتناسب مع اتخاذ القرار أو تقديم التوصيات واالستشارات المناسبة‪.‬‬

‫وللوصول للنتيجة األفضل‪ ،‬يتحتم على الباحث استخدام البرامج اإلحصائية التي توفر له ما يساعده في تحقيق‬
‫ويعتبر برنامج ‪ IBM SPSS‬من البرامج المرنة والقوية‪ ،‬وفي نفس الوقت‪ ،‬البسيطة االستخدام‬
‫أهداف الدراسة‪ُ ،‬‬
‫خاصة لغير المتخصصين في علم اإلحصاء‪.‬‬

‫لماذا نتعلم برنامج ‪SPSS‬؟‬ ‫‪‬‬

‫برنامج ‪ ،SPSS‬والذي يمثل اختصا ار ل (‪ ،)Statistical Package for the Social Sciences‬أي‬
‫الحزمة اإلحصائية للعلوم االجتماعية‪ُ ،‬يعد البرنامج اإلحصائي المفضل للطلبة والباحثين المتخصصين في العلوم‬
‫الطبية والنفسية والبيولوجية‪ ،‬والعلوم االجتماعية واألدبية‪ ،‬وكذلك العلوم االقتصادية والمالية‪ ،‬وغيرها من العلوم‪،‬‬
‫حيث أنه يحتوي على العديد من األساليب اإلحصائية والمقاييس التي تتعلق بطبيعة هذه التخصصات وطرق تعاملها‬
‫مع البيانات (المتغيرات) بصورة أحادية (‪ ،)Univariate‬ثنائية (‪ ،)Bivariate‬ومتعددة (‪.)Multivariate‬‬

‫‪I‬‬
‫ومن ضمن المزايا التي يتمتع بها برنامج ‪ ،SPSS‬مقارنة ببعض البرامج أو الحزم اإلحصائية األخرى الشهيرة مثل‬
‫برنامج ‪( ،R‬والذي ُيعد من وجهة نظر معظم اإلحصائيين البرنامج األفضل حاليا للتحليل اإلحصائي)‪ ،‬هي المرونة‬
‫الفائقة في إدخال البيانات وتعديلها ومعالجتها‪ ،‬وتنوع طرق ترميز وتحوير المتغيرات‪ ،‬وكذلك سهولة استيراد وتصدير‬
‫ملفات البيانات من والى البرامج األخرى وعلى رأسها برنامج مايكروسوفت اكسل (‪ ،)MS Excel‬والذي يعتبر‬
‫القاسم المشترك بين كافة برامج معالجة البيانات المتداولة‪.‬‬

‫وتُعتبر طريقة عرض النتائج في برنامج ‪ SPSS‬من الجوانب المميزة فيه حيث أنها تتميز بالبساطة واالختصار‬
‫والتدرج المنطقي في العرض إضافة لسهولة تعديلها‪( ،‬وخاصة نتائج الرسومات البيانية والجداول)‪ ،‬وتعدد طرق‬
‫نسخها وتخزينها في برامج أخرى مثل مايكروسوفت وورد (‪ )MS Word‬وباوربوينت (‪.)MS Power Point‬‬

‫يهم هذا الكتاب؟‬

‫من ُ‬ ‫‪‬‬
‫الكتاب يتميز أوال‪ ،‬وكما يظهر من عنوانه‪ ،‬بالتدرج في طرح المواضيع والطرق اإلحصائية بصورة بعيدة‬
‫عن التعقيد والمبالغة في عرض النظريات والقوانين اإلحصائية الجافة‪ ،‬فهو يراعي الطلبة والباحثين الذين لديهم‬
‫بعض الصعوبة في الجانب النظري الرياضي‪ ،‬وكذلك يأخذ في االعتبار قلة الخبرة اإلحصائية لدى البعض‪ ،‬ويتدرج‬
‫أيضا في شرح كيفية التعامل مع ‪ SPSS‬بطريقة غير معقدة لمن لديهم خبرة متواضعة في استخدام جهاز الحاسوب‬
‫في العموم‪ .‬والكتاب ال يشترط وجود أية خبرة سابقة في التعامل مع برنامج ‪ ،SPSS‬إال أنه يفترض أن القارئ لديه‬
‫إلمام بالحد األدنى ألساسيات علم اإلحصاء الوصفي واالستداللي‪ ،‬ومفهوم تحليل البيانات‪ .‬واضافة لهذا كله‪ ،‬فإن‬
‫الكتاب ُيقدم مجموعة متنوعة من األمثلة العملية التي تعتمد على بيانات حقيقية وافتراضية تتعلق بالتخصصات‬
‫العلمية المختلفة؛ الطبية واالجتماعية والتربوية واألكاديمية واالقتصادية والصناعية وغيرها‪.‬‬

‫ما هي التقنيات اإلضافية المطلوبة لتعلم برنامج ‪SPSS‬؟‬ ‫‪‬‬

‫لالستفادة من مواضيع الكتاب بصورة جيدة‪ُ ،‬يفضل استخدام جهاز حاسوب يعمل تحت نظام تشغيل‬
‫مايكروسوفت ويندوز (‪ )MS Windows‬ألي إصدار من ويندوز ‪ 8.1 ،8 ،7‬أو ‪ ،10‬وال تتطلب مواضيع الكتاب‬
‫وجود اتصال باإلنترنت بعد الحصول على نسخة من برنامج ‪ ،SPSS‬والتي ُيفضل أن تكون النسخة ‪ ،23‬إال أن‬
‫وجود نسخ أقدم ال يمنع القارئ من االستفادة المثلى من الكتاب‪.‬‬

‫تنظيم فصول الكتاب‪:‬‬ ‫‪‬‬

‫في الفصل األول‪( ،‬وهو بعنوان‪ :‬مكونات برنامج ‪ ،)IBM SPSS‬نقدم تعريف للبرنامج وطرق استخدام‬
‫األوامر فيه‪ ،‬خاصة باستخدام طريقة واجهة المستخدم البيانية (‪ ،)GUI‬ونوضح كيفية طلب المساعدة داخل البرنامج‬
‫فيما يختص بالمواضيع والتدريب العملي الذي يوفره البرنامج داخل أمر المساعدة‪ .‬ثم نوضح كيفية إدخال البيانات‬
‫في ملفات البرنامج مع توضيح مفصل ألسلوبي عرض البيانات وعرض المتغيرات الذي يتميز به برنامج ‪.SPSS‬‬

‫‪II‬‬
‫وفي الفصل الثاني‪( ،‬وهو بعنوان‪ :‬التعامل مع ملفات البيانات في برنامج ‪ ،)SPSS‬فإننا نبدأ بشرح‬
‫كيفية استيراد ملفات البيانات من برنامج اكسل وتعديلها ثم تخزينها في ‪ ،SPSS‬وبالمقابل نوضح كيفية تصدير أو‬
‫تخزين الملفات بصيغة اكسل من داخل برنامج ‪ .SPSS‬بعدها يتم شرح كيفية ترتيب المتغيرات في ملفات البيانات‬
‫في ‪ ،SPSS‬وكيفية إعادة ترميز المتغيرات سواء ترميز القيم في نفس المتغير أو في متغير جديد‪ .‬وكذلك نسلط‬
‫الضوء على طريقة إعادة الترميز التلقائي وطريقة تعريف وحساب دوال جديدة للمتغيرات‪.‬‬

‫نبدأ في الفصل الثالث‪( ،‬وهو بعنوان‪ :‬التحليل االستكشافي للبيانات في ‪ ،)SPSS‬بتناول المقاييس‬
‫والطرق اإلحصائية المختلفة التي تندرج تحت مسمى التحليل االستكشافي للبيانات‪ ،‬ونقوم بتوضيح كيفية استخدامها‬
‫في برنامج ‪ ،SPSS‬ويتضمن الفصل تعريف أنواع البيانات‪ ،‬وتقسيم التعامل مع المتغيرات بحسب طبيعتها‪ ،‬واستخدام‬
‫مقاييس النزعة المركزية والتشتت والرسومات البيانية بحسب طبيعة المتغيرات‪ .‬وكذلك توضيح كيفية التعامل مع ما‬
‫يعرف بالمتغيرات الوهمية‪ ،‬وفي نهاية الفصل الثالث يتعرض الكتاب الستخدام أسلوب استكشاف البيانات الشامل‬
‫في ‪ ،SPSS‬إضافة لتقديم مثال تطبيقي لكيفية تقديم وعرض نتائج التحليل االستكشافي للبيانات وتفسيرها‪.‬‬

‫ونقوم في الفصل الرابع‪( ،‬وهو بعنوان‪ :‬تحليل البيانات االستداللي في ‪ ،)SPSS‬باستعراض األساليب اإلحصائية‬
‫التي تتضمن طرق تقدير المعالم واختبارات الفروض المتعلقة بها‪ ،‬مثل االستدالل حول الوسط الحسابي للمجتمع‪،‬‬
‫والتعامل مع العينات المستقلة والمرتبطة‪ ،‬واختبار تباينات المجتمع‪ ،‬وكذلك نوضح كيفية تكوين جداول االقتران في‬
‫‪ SPSS‬للمتغيرات الوصفية والكمية‪ ،‬وطريقة تنفيذ اختبار االستقاللية وحساب معامالت االرتباط الخاصة به‪ ،‬وأيضا‬
‫طرق إجراء اختبارات تحليل التباين في اتجاه واتجاهين‪.‬‬

‫في الفصل الخامس‪( ،‬وهو بعنوان‪ :‬تحليل االرتباط واالنحدار الخطي)‪ ،‬نتناول كيفية تنفيذ تحليل االرتباط واالنحدار‬
‫الخطي باستخدام برنامج ‪ SPSS‬لدراسة العالقات المتبادلة ضمن المتغيرات في البيانات‪ ،‬وتحليلها‪ ،‬وتكوين النماذج‬
‫التي تفسر العالقات السببية بينها‪ .‬ويتضمن ذلك تنفيذ شكل االنتشار بين المتغيرات في ُبعدين أو كمصفوفة‪،‬‬
‫وحساب معامالت االرتباط البسيط والجزئي‪ ،‬ثم شرح طريقة توفيق نموذج االنحدار الخطي البسيط والمتعدد وتمثيلها‬
‫بيانيا‪ ،‬وبعد ذلك نقدم طرق تقييم نموذج االنحدار الخطي الموفق‪ ،‬وأخي ار نستعرض طرق تقييم أهم فرضيات‬
‫المربعات الصغرى االعتيادية وتحليل البواقي‪.‬‬

‫أما الفصل السادس‪( ،‬وهو بعنوان‪ :‬االختبارات الالمعلمية وتحليل الموثوقية)‪ ،‬فيتم فيه التطرق لموضوعين مهمين؛‬
‫األول هو تنفيذ االختبارات الالمعلمية في ‪ SPSS‬لعينة واحدة‪ ،‬وعينتين أو أكثر (مستقلة أو مرتبطة)‪ ،‬وتتضمن‬
‫اختبارات هامة مثل اختبار مربع كاي لجودة التوفيق‪ ،‬اختبار ذي الحدين‪ ،‬واختبار الدورات‪ ،‬واختبار كولمجروف‪-‬‬
‫سميرنوف‪ ،‬ومان‪-‬وتني‪ ،‬واختبار كروسكال‪-‬والس‪ ،‬واختبار ولكوكسون وغيرها‪ .‬وأما الموضوع الثاني‪ ،‬فيتناول طرق‬
‫التحقق من ثبات أو موثوقية بيانات الدراسة‪( ،‬وبصورة خاصة اإلجابات في االستبيانات)‪ ،‬وكيفية تطبيقها وتحليل‬
‫النتائج في ‪ ،SPSS‬ومن أهمها معامل ثبات كرونباخ الفا‪ ،‬ومعامل ثبات التجزئة النصفية‪ ،‬ومعامل ثبات جوتمان‪.‬‬

‫‪III‬‬
‫ويضم الكتاب في نهايته ملحقا يحتوي على تعريف لكل ملفات البيانات المستخدمة بشكل متكرر في الشرح‪ ،‬لكي‬
‫يتمكن القارئ من مواكبة تنفيذ األوامر في ‪ SPSS‬خالل فصول الكتاب وال يضطر للبحث عنها داخل الصفحات‪.‬‬

‫الكتب السابقة للمؤلف‪:‬‬ ‫‪‬‬

‫‪ .1‬مقدمة في اإلحصاء االستكشافي واالحتماالت‪.)2015( ،‬‬
‫‪ .2‬التحليل اإلحصائي باستخدام لغة ‪.)2016( ،R‬‬

‫شكر واعتزاز‪:‬‬ ‫‪‬‬

‫أشكر هللا العليم الحكيم الذي وفقني بتأليف هذا الكتاب‪ ،‬والذي أرجو أن ينتفع به الطلبة والباحثين في‬
‫شتى التخصصات‪ ،‬وأحمده عز وجل على هذا العلم‪ ،‬علم اإلحصاء‪ ،‬الذي أعتز بأنه األكثر ذك ار من بين العلوم‬
‫في القرآن الكريم في أكثر من موضع؛ (‪ ...‬مال هذا الكتاب ال يغادر صغرية وال كبرية إال أحصاها ‪ ،...‬الكهف (‪،))49‬‬

‫(لقد أحصاهم وعدهم عدا‪ ،‬مريم (‪ ...( ،))94‬أحصاه اهلل ونسوه ‪ ،...‬المجادلة (‪ ،))6‬وغيرها من اآليات الكريمة‪.‬‬

‫المؤلف‬

‫‪IV‬‬
 ‫المحتويات‬

‫‪I‬‬ ‫تمهيد‬

‫‪1‬‬ ‫الفصل األول‬

‫مكونات برنامج ‪IBM SPSS‬‬
‫(‪)Components of SPSS‬‬

‫‪1‬‬ ‫‪ 1.1‬تعريف برنامج ‪(What is SPSS?) SPSS‬‬

‫‪2‬‬ ‫‪ 2.1‬طرق استخدام األوامر )‪(Methods of Commanding‬‬
‫‪2‬‬ ‫‪ 1.2.1‬الملحقات في برنامج ‪)Add-on's( SPSS‬‬
‫‪3‬‬ ‫‪ 2.2.1‬طلب المساعدة في برنامج ‪)Getting Help( SPSS‬‬
‫‪4‬‬ ‫‪ 3.1‬بدء التعامل مع ‪)Starting SPSS( SPSS‬‬
‫‪8‬‬ ‫‪ 4.1‬إدخال البيانات في نافذة تحرير البيانات (‪)Data Entry in SPSS Data Editor‬‬
‫‪9‬‬ ‫‪ 1.4.1‬نافذة عرض المتغيرات (‪)Variable View Window‬‬
‫‪12‬‬ ‫‪ 2.4.1‬حفظ ملفات البيانات (‪)Saving Data Files‬‬
‫‪13‬‬ ‫‪ 3.4.1‬نافذة عرض البيانات (‪)Data View Window‬‬
‫‪15‬‬ ‫‪ 5.1‬اإلعدادات العامة في برنامج ‪)General Settings( SPSS‬‬

‫‪17‬‬ ‫الفصل الثاني‬

‫التعامل مع ملفات البيانات في برنامج ‪SPSS‬‬
‫)‪(Dealing with Data Files in SPSS‬‬

‫‪17‬‬ ‫‪ 1.2‬استيراد الملفات إلى برنامج ‪(Importing Files to SPSS) SPSS‬‬

‫‪22‬‬ ‫‪ 2.2‬تصدير الملفات من برنامج ‪(Exporting Files from SPSS) SPSS‬‬
‫‪24‬‬ ‫‪ 3.2‬معالجة البيانات (‪)Data Manipulation‬‬

‫‪27‬‬ ‫‪ 4.2‬حساب تكرار المشاهدات (‪)Counting Case Occurrence‬‬

‫‪V‬‬
‫‪31‬‬ ‫‪ 5.2‬إعادة ترميز المتغيرات (‪)Recoding Variables‬‬
‫‪32‬‬ ‫‪ 1.5.2‬إعادة ترميز القيم لنفس المتغير (‪)Recode into Same Variable‬‬

‫‪34‬‬ ‫‪ 2.5.2‬إعادة ترميز القيم في متغير مختلف (‪)Recode into Different Variable‬‬

‫‪36‬‬ ‫‪ 3.5.2‬إعادة الترميز التلقائي (‪)Automatic Recoding‬‬

‫‪38‬‬ ‫‪ 4.5.2‬تعريف دالة جديدة لمتغير (‪)Compute Variable‬‬

‫‪42‬‬ ‫‪ 5.5.2‬الترتيب في مجموعات (‪)Binning‬‬

‫‪45‬‬ ‫الفصل الثالث‬

‫التحليل االستكشافي للبيانات في ‪SPSS‬‬
‫)‪(Exploratory Data Analysis (EDA) in SPSS‬‬

‫‪45‬‬ ‫‪ 1.3‬أنواع البيانات )‪(Data Types‬‬

‫‪48‬‬ ‫‪ 2.3‬التحليل االستكشافي األحادي (‪)Univariate EDA‬‬

‫‪49‬‬ ‫‪ 3.3‬التحليل االستكشافي للمتغيرات الوصفية (‪)EDA for Categorical Variables‬‬
‫‪ 1.3.3‬التوزيع التكراري للمتغيرات الوصفية‬
‫‪50‬‬
‫(‪)Frequency Distribution for Categorical Variables‬‬
‫‪ 2.3.3‬األعمدة البيانية لجداول التوزيع التكراري‬
‫‪56‬‬
‫(‪)Bar plots of Frequency Distribution Tables‬‬
‫‪61‬‬ ‫‪ 3.3.3‬األعمدة البيانية للمتغيرات الوهمية (‪)Bar plots for Dummy Variables‬‬
‫‪65‬‬ ‫‪ 4.3‬التحليل االستكشافي للمتغيرات الكمية (‪)EDA for Quantitative Variables‬‬

‫‪69‬‬ ‫‪ 1.4.3‬المدرج التكراري (‪)Histogram‬‬

‫‪71‬‬ ‫‪ 1.1.4.3‬تغيير الفترات في المدرج التكراري (‪)Adjusting the Histogram‬‬
‫‪74‬‬ ‫‪ 2.4.3‬شكل الصندوق )‪(The Boxplot‬‬
‫‪80‬‬ ‫‪ 3.4.3‬الرسم الخطي أو مخطط الزمن (‪)Line or Time Chart‬‬
‫‪83‬‬ ‫‪ 4.4.3‬طبيعية توزيع المتغيرات (‪)Normality of Variables‬‬
‫‪ 5.3‬استخدام أسلوب استكشاف البيانات الشامل في ‪SPSS‬‬
‫‪85‬‬
‫)‪(Using the Explore command in SPSS‬‬
‫‪88‬‬ ‫‪ 6.3‬تفسير نتائج استكشاف البيانات (‪)Interpreting the Results of Data Exploration‬‬
‫‪95‬‬ ‫‪ 7.3‬استكشاف القيم المتطرفة (‪)Exploring the Extreme Values‬‬

‫‪VI‬‬
101 ‫الفصل الرابع‬
SPSS ‫تحليل البيانات االستداللي في‬
(Inferential Data Analysis in SPSS)

101 )Inference about the Population Mean( ‫ االستدالل حول الوسط الحسابي للمجتمع‬1.4
‫ االستدالل حول الوسط لمجتمع واحد‬1.1.4
101
)Inference about the Mean of One Population(
103 )Using the Error Bars( ‫ استخدام أعمدة الخطأ‬1.1.1.4
‫ االستدالل حول الوسط لمجتمعين‬2.1.4
107
)Inference about the Mean of Two Populations(
107 )Inference about Independent Samples( ‫ االستدالل للعينات المستقلة‬1.2.1.4
)‫ االستدالل للعينات المرتبطة (غير المستقلة‬2.2.1.4
112
)Inference about Paired Samples(
114 )Testing the Equality of Population Variances( ‫ اختبار تساوي تباينات المجتمع‬2.4
114 )Leven's Test( ‫ اختبار ليفن‬1.2.4
‫ جداول االقتران واختبار االستقاللية‬3.4
117
)Contingency Tables and Test for Independency(
‫ تكوين جداول االقتران من متغيرات وصفية‬1.3.4
117
)Contingency Tables from Categorical Variables(
‫ تكوين جداول االقتران من متغيرات كمية‬2.3.4
121
)Contingency Tables from Quantitative Variables(
127 )Test for Independency( ‫ اختبار االستقاللية‬3.3.4
128 )Phi Coefficient( ‫ معامل فاي‬1.3.3.4
128 )Contingency Coefficient( ‫ معامل االقتران‬2.3.3.4
128 )Cramer's V Coefficient( V ‫ معامل كرامر‬3.3.3.4
129 )Kendall's Tau Coefficient( ‫ معامل كندل تاو‬4.3.3.4
130 )Gamma Coefficient( ‫ معامل جاما‬5.3.3.4
‫ اختبار االستقاللية باستخدام متغيرات تصنيف إضافية‬4.3.4
132
)Test for Independency using additional Classification Variables(
136 )Analysis of Variance (ANOVA)( ‫ تحليل التباين‬4.4
136 )One-way ANOVA( ‫ تحليل التباين في اتجاه واحد‬1.4.4
140 )Two-way ANOVA( ‫ تحليل التباين في اتجاهين‬2.4.4

VII
147 ‫الفصل الخامس‬
‫تحليل االرتباط واالنحدار الخطي‬
(Linear Correlation and Regression Analysis)

147 )Linear Correlation Analysis( ‫ تحليل االرتباط الخطي‬1.5

148 )Analyzing Correlation by Scatterplot( ‫ دراسة االرتباط باستخدام شكل االنتشار‬1.1.5
‫ دراسة االرتباط باستخدام معامل بيرسون‬2.1.5
154
)Analyzing Correlation using Pearson's Coefficient(
157 )Partial Correlation Coefficient( ‫ معامل االرتباط الجزئي‬3.1.5
‫ االرتباط بين المتغيرات الوصفية والكمية‬2.5
160
)Correlation between Categorical and Quantitative Variables(
163 )Simple Linear Regression Analysis( ‫ تحليل االنحدار الخطي البسيط‬3.5
‫ تعريف نموذج االنحدار الخطي البسيط‬1.3.5
163
)Definition of Simple Linear Regression Model(
164 )Assumptions of OLS Method( ‫ فرضيات طريقة المربعات الصغرى االعتيادية‬2.3.5
‫ التمثيل البياني لنموذج االنحدار الخطي البسيط‬3.3.5
165
)Graphical Representation for the Linear Regression Model(
163 )Assessment of Linear Regression Model( ‫ تقييم نموذج االنحدار الخطي‬4.5
169 )Multiple R( ‫ معامل االرتباط المتعدد‬1.4.5
170 )Coefficient of Determination or R-Squared( 𝑅 2 ‫ معامل التحديد‬2.4.5
‫ اختبار معنوية نموذج االنحدار‬3.4.5
171
)Testing the Significance of the Regression Model(
172 )Testing the Significance of Predictors( ‫ اختبار معنوية المتغيرات التوضيحية‬4.4.5
176 )Multiple Linear Regression Analysis( ‫ تحليل االنحدار الخطي المتعدد‬5.5
‫ تقييم فرضيات النموذج الخطي وتحليل البواقي‬6.5
181
)Assessing Model Assumptions and Residual Analysis(
181 )Linearity of the Model Assumption( ‫ فرضية خطية النموذج‬1.6.5
‫ فرضية عدم عشوائية المتغيرات التوضيحية‬2.6.5
184
)Non-Random Explanatory Variables(
187 )Independence of Errors Assumption( ‫ فرضية استقاللية المتغيرات التوضيحية‬3.6.5
189 )Normality of Error Terms( ‫ فرضية توزع الخطأ بتوزيع طبيعي‬4.6.5
190 )Homoscedasticity Assumption( ‫ فرضية تجانس تباين قيم حد الخطأ‬5.6.5

VIII
‫‪193‬‬ ‫الفصل السادس‬
‫االختبارات الالمعلمية وتحليل الموثوقية‬
‫)‪(Nonparametric Tests and Reliability Analysis‬‬

‫‪194‬‬ ‫‪ 1.6‬االختبارات الالمعلمية لعينة واحدة (‪)One Sample Nonparametric Tests‬‬

‫‪194‬‬ ‫‪ 1.1.6‬اختبار مربع كاي لجودة التوفيق (‪)Chi-Square Goodness of Fit Test‬‬
‫‪197‬‬ ‫‪ 2.1.6‬اختبار ذي الحدين (‪)Binomial Test‬‬
‫‪200‬‬ ‫‪ 3.1.6‬اختبار الدورات (‪)Runs Test‬‬
‫‪ 4.1.6‬اختبار كولمجروف‪-‬سميرنوف لعينة واحدة‬
‫‪202‬‬
‫(‪)One-Sample Kolmogorov-Smirnov Test‬‬
‫‪ 2.6‬االختبارات الالمعلمية لعينتين مستقلتين‬
‫‪204‬‬
‫(‪)Nonparametric Tests for Two Independent Samples‬‬
‫‪ 3.6‬االختبارات الالمعلمية لعدة عينات مستقلة‬
‫‪206‬‬
‫(‪)Nonparametric Tests for Several Independent Samples‬‬
‫‪ 1.3.6‬اختبار كروسكل‪-‬والس ‪ (Kruskal-Wallis H test) H‬واختبار الوسيط (‪206 )Median test‬‬
‫‪ 4.6‬االختبارات الالمعلمية لعينتين مرتبطتين‬
‫‪208‬‬
‫(‪)Nonparametric Tests for Two Paired Samples‬‬
‫‪ 1.4.6‬اختبار اإلشارة واختبار ولكوكسون للرتب ذات اإلشارات‬
‫‪208‬‬
‫(‪)Sign and Wilcoxon Signed-Rank Tests‬‬
‫‪210‬‬ ‫‪ 2.4.6‬اختبار ماك نيمر (‪)McNemar Test‬‬
‫‪212‬‬ ‫‪ 3.4.6‬اختبار التجانس الهامشي (‪)Marginal Homogeneity Test‬‬
‫‪ 5.6‬االختبارات الالمعلمية لعدة عينات مرتبطة‬
‫‪213‬‬
‫(‪)Nonparametric Tests for Several Paired Samples‬‬
‫‪214‬‬ ‫‪ 1.5.6‬اختبار فريدمان (‪)Friedman test‬‬
‫‪215‬‬ ‫‪ 2.5.6‬اختبار كيندل ‪(Kendall's W test) W‬‬
‫‪217‬‬ ‫‪ 3.5.6‬اختبار كوكران ‪(Cochran's Q test) Q‬‬

‫‪219‬‬ ‫‪ 6.6‬تحليل الموثوقية (‪)Reliability Analysis‬‬

‫‪220‬‬ ‫‪ 1.6.6‬معامل ثبات كرونباخ الفا (‪)Cronbach's Alpha Coefficient‬‬
‫‪220‬‬ ‫‪ 2.6.6‬معامل ثبات التجزئة النصفية (‪)Split-Half Reliability Coefficient‬‬
‫‪220‬‬ ‫‪ 3.6.6‬معامل ثبات جوتمان (‪)Guttman Coefficient‬‬

‫‪227‬‬ ‫الملحق‪ :‬ملفات البيانات المستخدمة في الكتاب‬

‫‪229‬‬ ‫المراجع‬

‫‪IX‬‬
X
 ‫الفصل األول‬

‫مكونات برنامج ‪IBM SPSS‬‬

‫)‪(Components of SPSS‬‬

‫‪ 1.1‬تعريف برنامج ‪(What is SPSS?) SPSS‬‬

‫يرمز االختصار ‪ SPSS‬إلى (‪ ،)Statistical Package for the Social Sciences‬ويعني الحزمة‬
‫اإلحصائية للعلوم االجتماعية‪ ،‬وقد تم ابتكار البرنامج بصورته األصلية البسيطة في نهاية الستينات عن طريق كل‬
‫من نورمان ناي (‪ ،)Norman Nie‬هاندلي هل (‪ ،)Hadlai Hull‬ودايل بنت (‪ )Dale Bent‬من جامعة ستانفورد‬
‫األمريكية بغرض تحليل بيانات ذات حجم كبير يصعب التعامل معها بالحسابات اليدوية آنذاك‪ ،‬وبعد ذلك انتشر‬
‫التعامل بهذه الحزمة في عدة جامعات إلى أن خرج للتداول التجاري الحقا في الثمانينيات‪ .‬في عام ‪،2009‬‬
‫استحوذت شركة آي بي إم (‪ )IBM‬األمريكية على حزمة ‪ SPSS‬ليصبح بعدها االسم الرسمي المعروف للبرنامج‬
‫هو ‪.IBM SPSS Statistics‬‬

‫ويتوفر البرنامج بعدة إصدارات منها إصدار المستخدم المفرد والمتعدد واصدار الطالب وخادم العميل‬
‫(‪ )clientserver‬وغيرها‪ .‬ويمكن للمستخدم زيارة الموقع االلكتروني الرسمي للشركة‪( ،‬وهو ‪،)www.spss.com‬‬
‫للمزيد من المعلومات‪.‬‬

‫وهذا الكتاب يستخدم النسخة أو اإلصدار ‪ ،IBM SPSS Statistics 23‬واذا ما كان لدى القارئ نسخة أقدم من‬
‫النسخة ‪ 23‬أو نسخة أحدث منها مثبتة على جهازه‪ ،‬فإننا نشير هنا إلى أن طريقة استخدام البرنامج وتحليل وعرض‬
‫النتائج لن يكون فيها اختالف كبير عن النسخ األخرى من البرنامج‪.‬‬

‫مالحظة‪:‬‬
‫تجدر اإلشارة هنا إلى أن برنامج ‪ SPSS‬كان ُيعرف في فترة من الفترات (في اإلصدار ‪ 18‬غالبا)‪ ،‬باسم‬
‫‪ PASW Statistics‬وهي اختصار (‪ )Predictive Analysis Software‬أي برنامج التحليل التنبئي‪.‬‬

‫‪1‬‬
 ‫‪ 2.1‬طرق استخدام األوامر )‪(Methods of Commanding‬‬

‫توجد عدة طرق الستخدام األوامر في ‪ SPSS‬بحسب المهمة المطلوب إنجازها أو حتى بحسب ما يفضله‬
‫ِ‬
‫المستخدم‪ ،‬حيث أنه من الممكن استخدام أكثر من طريقة في آن واحد‪ ،‬وهذه الطرق هي‪:‬‬

‫‪ .1‬طريقة واجهة المستخدم البيانية ()‪ ،)Graphical User Interface (GUI‬وهي واجهة البرنامج المتمثلة في‬
‫النافذة األساسية التي يتم عن طريقها استخدام الفأرة واختيار األوامر من القوائم المنسدلة تحت شريط األوامر كما‬
‫هو المتداول في كل البرامج تحت بيئة نظام ويندوز‪ .‬وهذه الطريقة هي األكثر تداوال بين مستخدمي البرنامج‪،‬‬
‫ِ‬
‫المستخدم‬ ‫وخاصة المبتدئين منهم‪ ،‬نظ ار لبساطتها‪ .‬وتتميز بأنها تعتمد على إدخال األوامر خطوة بخطوة‪ ،‬بمعنى أن‬
‫لن يتمكن من االنتقال للخطوة التالية إال بعد استكمال اإلدخال في الخطوة السابقة بصورة صحيحة‪ .‬وسنقوم في‬
‫هذا الكتاب باعتماد هذه الطريقة في شرح طريقة التعامل مع البيانات واستخدام التحليل اإلحصائي بصورة عامة‬
‫مع اإلشارة للطرق األخرى عند الضرورة‪.‬‬

‫‪ .2‬طريقة بناء جملة األوامر (‪ ،)Syntax‬وهي لغة األوامر (‪ )Command Language‬الخاصة ببرنامج‬
‫ِ‬
‫للمستخدم من خاللها تنفيذ ما يحتاجه من عمليات حسابية ودوال رياضية واحصائية عن‬ ‫‪ ،SPSS‬والتي يمكن‬
‫طريق كتابة أوامر محددة بلغة البرنامج‪ .‬ويمكن القول بأن استخدام النوافذ والقوائم في الطريقة األولى‪ ،‬وهي طريقة‬
‫واجهة المستخدم البيانية‪ ،‬هو في الواقع استخدام للغة األوامر "في الخلفية"‪ .‬وعادة ما يستخدم هذه الطريقة‬
‫المستخدمون األكثر خبرة في برنامج ‪ SPSS‬أو في البرمجة بصورة عامة‪ ،‬وكذلك قد يكون هنالك حاجة الستخدام‬
‫هذه الطريقة عند تكوين أوامر أو دوال خاصة غير متوفرة بشكل مباشر في البرنامج‪.‬‬

‫‪ .3‬طريقة بايثون (‪ ،)Python‬وهي لغة برمجة عامة تحتوي على مكونات خاصة ببرنامج ‪ ،SPSS‬ويمكن‬
‫استخدامها لكتابة برمجيات تعمل ضمن ‪ .SPSS‬ويمكن أيضا استخدام لغة بايثون مع طريقة بناء جملة األوامر‬
‫لجعل ‪ SPSS‬ينفذ الدوال والنماذج اإلحصائية العامة والخاصة‪ .‬وتعد هذه طريقة إضافية لالستفادة من برنامج‬
‫‪ SPSS‬للباحثين المتخصصين‪.‬‬

‫‪ .4‬طريقة المخطوطات (‪ ،)Scripts‬وهي برامج مكتوبة بلغة البيسك (‪ )BASIC‬الشهيرة‪ ،‬ويمكن كتابة هذه‬
‫المخطوطات بطريقة التنفيذ التلقائي (‪ )Auto-script‬بحيث يتم تنفيذها مباشرة عند الحصول على نتيجة معينة‬
‫في برنامج ‪.SPSS‬‬

‫‪ 1.2.1‬الملحقات في برنامج ‪)Add-on's( SPSS‬‬

‫كما هو الحال في كثير من البرامج والحزم اإلحصائية تحت بيئة ويندوز‪ ،‬فإنه عند تنصيب برنامج‬
‫ِ‬
‫المستخدم على النظام األساسي (‪ )Base System‬وربما بعض الملحقات أو‬ ‫‪ SPSS‬على الحاسوب يحصل‬
‫ِ‬
‫للمستخدم الحصول على أية مكونات إضافية‬ ‫اإلضافات بحسب طبيعة النسخة التي تم الحصول عليها‪ .‬ويمكن‬

‫‪2‬‬
‫لبرنامج ‪ SPSS‬سواء بتحميلها من الموقع الرسمي للشركة المذكور سابقا‪ ،‬أو من القرص المدمج (‪ )CD‬الخاص‬
‫بالبرنامج‪ .‬وسنقوم بصورة أساسية بتناول األوامر المتوفرة في النظام األساسي في ‪ SPSS‬في هذا الكتاب مع التنويه‬
‫على المكونات اإلضافية عند الحاجة الستخدامها‪ .‬ويفترض الكتاب أن القارئ قد حصل مسبقا على نسخة من‬
‫برنامج ‪( ،SPSS‬سواء النسخة ‪ 23‬أو أقدم منها أو أحدث)‪ ،‬وأنه قد تم تنصيبها على جهاز الحاسوب‪ ،‬وسيتم‬
‫خالل فصول الكتاب التدرج في شرح مكونات البرنامج بحسب متطلبات المرحلة‪.‬‬

‫‪ 2.2.1‬طلب المساعدة في برنامج ‪)Getting Help( SPSS‬‬

‫يمكن للمستخدم دائما طلب المساعدة في برنامج ‪ SPSS‬في العثور على أي موضوع أو للتعرف على‬
‫طريقة إدخال معينة للبيانات أو ببساطة لتصفح المواضيع بشكل متسلسل في ‪ ،SPSS‬وذلك عن طريق استخدام‬
‫أمر المساعدة (‪ )Help‬في شريط األوامر العلوي في البرنامج‪ ،‬وعند استخدام أمر المساعدة‪ ،‬ستتوفر عدة خيارات‬
‫أهمها ما يلي‪:1‬‬

‫‪ ‬المواضيع (‪ :)Topics‬ويحتوي على كل الموضوعات التي يوفرها برنامج ‪ SPSS‬متسلسلة بحسب التدرج‬
‫المنطقي للموضوعات وتسلسل التعامل مع أوامر البرنامج‪ ،‬وتظهر نافذة المساعدة الخاصة بالموضوعات كما‬
‫يبين الشكل (‪ ،) 1.1‬حيث يمكنك التنقل ضمنها مستخدما عناوين المواضيع المعروضة على يسار النافذة‪ ،‬أو‬
‫عن طريق كتابة الموضوع البحث المطلوب في مربع البحث (‪ )Search‬في أعلى النافذة إلى اليسار‪.‬‬

‫شكل ‪ :1.1‬نافذة طلب المساعدة في المواضيع (‪ )Topics‬لبرنامج ‪.SPSS‬‬

‫‪ ‬التدريب العملي (‪ :)Tutorial‬ويوفر للمستخدم نوع من التدريب على استخدام البرنامج في التعامل مع البيانات‬
‫بصورة عامة لتسهيل تنفيذ التحليل اإلحصائي بصورة متدرجة‪.‬‬

‫عند استخدام أمر المساعدة‪ ،‬فإن عرض المطلوب سيكون عادة في متصفح ملفات ال ‪ pdf‬أو متصفح االنترنت االفتراضي الخاص‬ ‫‪1‬‬

‫بجهازك‪ ،‬لكن بدون الحاجة لالتصال باإلنترنت‪.‬‬

‫‪3‬‬
‫ويعد أكثر تقدما من النوعين األولين في طلب المساعدة‪ ،‬حيث أنه يتضمن‬
‫‪ ‬دراسات الحالة (‪ُ :)Case Studies‬‬
‫أمثلة تطبيقية لبيانات يوفرها البرنامج ويقوم بشرح كيفية استخدام الخيارات المختلفة لبعض األساليب اإلحصائية‬
‫بصورة عملية‪.‬‬

‫‪ 3.1‬بدء التعامل مع برنامج ‪)Starting SPSS( SPSS‬‬

‫عند تشغيل برنامج ‪ SPSS‬للمرة األولى ستظهر النافذة التالية (شكل (‪ ،))2.1‬والتي تُعتبر النافذة‬
‫االفتراضية التي يقوم البرنامج بعرضها مقدما فيها بعض االقتراحات للمستخدم؛ مثل فتح ملف بيانات جديد أو‬
‫سابق‪ ،‬عرض بعض التحليالت اإلحصائية المقترحة‪ ،‬عرض المكونات الموجودة وغير الموجودة في البرنامج‪،‬‬
‫عرض مالحظات إرشادية وتعليمية الستخدام البرنامج‪ ،‬وغيرها‪ .‬وستجد في الزاوية اليسرى أسفل هذه النافذة خيار‬
‫خاص بتعطيل ظهور هذه النافذة عند فتح البرنامج مرة أخرى‪ ،‬وسنقوم باختيار هذا التعطيل لعدم حاجتنا لهذه‬
‫النافذة خالل الفصول األولى ‪ ،‬وذلك عن طريق الضغط على المربع الصغير بجانب الخيار ثم الضغط على زر‬
‫موافق (‪ )OK‬في النافذة‪.‬‬

‫شكل ‪ :2.1‬نافذة "الترحيب" االفتراضية عند تشغيل برنامج ‪.SPSS‬‬

‫بعد تنفيذ ذلك‪ ،‬ستبقى النافذة الرئيسية للبرنامج مفتوحة‪ ،‬والشكل (‪ )3.1‬يوضح أهم المكونات األساسية لهذه النافذة‬
‫التي تُعد واجهة المستخدم البيانية (‪ )GUI‬التي تكلمنا عنها سابقا في طرق استخدام األوامر في البرنامج‪ ،‬وتسمى‬
‫نافذة تحرير البيانات (‪ ،)SPSS Data Editor‬وستكون بالنسبة لنا نافذة التعامل مع البرنامج عن طريق إدخال‬
‫البيانات وتعديلها‪ ،‬واصدار األوامر الخاصة بالتحليل اإلحصائي من مقاييس ونماذج ورسومات بيانية وغيرها‪.‬‬

‫‪4‬‬
 ‫شكل ‪ :3.1‬نافذة تحرير البيانات في برنامج ‪.SPSS‬‬

‫في الشكل (‪ )3.1‬نالحظ أن نافذة تحرير البيانات مقسمة إلى‪:‬‬

‫اسم ملف البيانات‪ :‬حيث يظهر (إلى اليسار) اسم ملف البيانات (‪ )Untitled1‬وهو االسم االفتراضي‬ ‫‪‬‬
‫ِ‬
‫المستخدم بتغييره الحقا إلى االسم الذي يرغب به بعد إدخال‬ ‫الذي يعطيه البرنامج لملفات البيانات‪ ،‬ويقوم‬
‫البيانات‪.‬‬
‫شريط األوامر‪ :‬وهو الشكل العام لعرض األوامر األساسية في بيئة ويندوز‪ ،‬وعند الضغط على أي من‬ ‫‪‬‬
‫هذه األوامر ستنسدل قائمة تضم أوامر فرعية أو تضم قوائم تحوي بدورها أوامر فرعية‪ .‬وسنقوم بالتعرف‬
‫على هذه األوامر بالتدريج بحسب تقدم القارئ مع فصول الكتاب‪.‬‬
‫أيقونات األوامر‪ :‬وهي رموز تنفيذية لألوامر وتعتبر بدائل أو اختصارات لها‪ ،‬ويمكن تعديل هذا الشريط‬ ‫‪‬‬
‫ِ‬
‫المستخدم‪.‬‬ ‫ليضم األيقونات المفضلة أو األكثر استخداما بحسب رغبة‬
‫المتغيرات والمشاهدات‪ :‬كما هو السائد في التحليل اإلحصائي‪ ،‬فإن الشكل العام لملف البيانات اإلحصائية‬ ‫‪‬‬

‫يتم تنظيمه بحيث تكون المتغيرات في األعمدة والمشاهدات في الصفوف ‪ُ .‬‬

‫ويالحظ في نافذة تحرير‬ ‫‪1‬‬

‫البيانات أن المتغيرات كلها تأخذ االسم المختصر (‪ )var‬نظ ار ألنه لم يتم تعريفها بعد‪.‬‬

‫ويجب التنويه هنا إلى أسلوبي العرض الرئيسيين في نافذة تحرير البيانات والمتوفرتان في أسفل جدول البيانات‬
‫مباشرة إلى اليسار؛ وهما أسلوب عرض البيانات (‪ ،)Data View‬وهي الظاهرة في الشكل السابق‪ ،‬وأسلوب عرض‬
‫المتغيرات (‪ ،)Variable View‬والتي عند اختيارها سيتغير الشريط الذي يضم أسماء المتغيرات إلى تقسيم آخر‬
‫خاص بتصنيف المتغيرات بحسب طبيعتها‪ ،‬وسنتناول تاليا هذين األسلوبين بالشرح‪.‬‬

‫سيتم تناول مفهوم المتغيرات والمشاهدات بمزيد من التفصيل في الفصل التالي‪.‬‬ ‫‪1‬‬

‫‪5‬‬
‫في نافذة محرر البيانات‪ ،‬قم باختيار اسلوب عرض المتغيرات (‪ )Variable View‬في أسفل النافذة‪ 1‬فيتغير‬
‫العرض في النافذة إلى األسلوب الموضح في الشكل (‪ .)4.1‬عند إدخال البيانات ألول مرة في محرر البيانات‪ ،‬يتم‬
‫تعريف أسماء المتغيرات المطلوب إدخالها ونوعها والسمات التفصيلية الخاصة بها باستخدام اسلوب عرض‬
‫المتغيرات‪ ،‬بعد ذلك يتم الرجوع إلى اسلوب عرض البيانات إلدخال القيم العددية لهذه المتغيرات‪.‬‬

‫والحظ أن الصفوف في نافذة عرض المتغيرات تمثل في الواقع عدد المتغيرات‪( ،‬وليس كما هو الحال في نافذة‬
‫عرض البيانات‪ ،‬حيث أنها تمثل عدد المشاهدات)‪.‬‬

‫شكل ‪ :4.1‬اسلوب عرض المتغيرات في نافذة محرر البيانات في ‪.SPSS‬‬

‫وفيما يلي‪ ،‬نقدم وصف موجز لما تعنيه المصطلحات الخاصة بأسلوب عرض المتغيرات‪:‬‬

‫ِ‬
‫المستخدم للمتغير‪ ،‬ويمكن استخدام اللغة العربية أو‬ ‫اسم المتغير (‪ :)Name‬وهو االسم الذي يختاره‬ ‫‪‬‬
‫اإلنجليزية‪ 2‬إلدخال أسماء المتغيرات‪ ،‬مع مالحظة أنه ال يمكن استخدام المسافات بين األحرف أو‬
‫استخدام بعض الرموز ضمن اسم المتغير مثل (&) أو ابتداء اسم المتغير برقم‪ .3‬وفي حال عدم كتابة‬
‫ِ‬
‫المستخدم‪ ،‬فإنه يتم إعطاء االسم االفتراضي "‪ "VAR00001‬للمتغير األول‪،‬‬ ‫اسم محدد للمتغير من ِقبل‬
‫واالسم "‪ "VAR00002‬للمتغير الثاني‪ ،... ،‬وهكذا‪.‬‬

‫‪ 1‬في إصدار ‪ SPSS 23‬ستضيئ خلفية أسلوب العرض المختار (وكذلك عند الضغط بالفأرة على أي أمر أو خيار) باللون األصفر‬
‫ِ‬
‫المستخدم‪.‬‬ ‫لتنبيه‬
‫يمكن التعرف على اللغات التي يمكن استخدامها في اإلدخال في برنامج ‪ SPSS‬من الموقع االلكتروني الرسمي للشركة‪.‬‬ ‫‪2‬‬

‫حاول مثال ادخال أسماء المتغيرات التالية؛ متغير "مسافة" ‪ ،1‬أو ‪" 5‬مسافة" ‪ ،X‬أو ‪ ،3Y‬أو ‪ ،A&B‬وستالحظ ظهور رسالة تنبيه من‬ ‫‪3‬‬

‫البرنامج بأن هذا االسم غير مقبول للمتغير‪.‬‬

‫‪6‬‬
‫سمة أو طبيعة المتغير (‪ :)Type‬والذي يمكنك من اختيار سمة المتغير‪( ،‬الذي سيأخذ على أية حال‬ ‫‪‬‬
‫الشكل الرقمي وليس النصي)‪ ،‬من ضمن عدة سمات مثل؛ رقمي (‪ )Numeric‬وهي السمة االفتراضية‪،‬‬
‫مصحوب بفواصل (‪ )Comma‬مثل "‪ ،"13,150,719‬مصحوب بنقاط (‪ )Dot‬مثل "‪،"13.150.719‬‬
‫علمي (‪ )Scientific notation‬مثل "‪ "1.23E+2‬والذي يعني "‪ ،"1.23×102‬وغيرها من السمات التي‬
‫ِ‬
‫للمستخدم االختيار منها‪.‬‬ ‫يمكن‬
‫عدد الخانات العشرية (‪ :)Decimals‬ويتم فيها تحديد عدد الخانات العشرية المرغوبة لألعداد‪ ،‬وتكون‬ ‫‪‬‬
‫عادة ‪ 0‬لألعداد الصحيحة‪ ،‬والعدد االفتراضي للخانات العشرية هو ‪ ،2‬والذي يمكنك تغيره من نافذة‬
‫اإلعدادات‪ 1‬العامة في البرنامج‪.‬‬
‫مسافة (عرض) قيم المتغير (‪ :)Width‬ويتم فيه تحديد قياس العرض المطلوب كمسافة لقيم المتغير‬ ‫‪‬‬
‫مع أخذ عدد الخانات العشرية باالعتبار‪ ،‬فمثال إذا كان المطلوب كتابة خانتين عشريتين إلى جانب العدد‬
‫الصحيح فيجب أال يقل قياس عرض قيم المتغير عن ‪ .3‬ويكون القياس االفتراضي لعرض قيم المتغير‬
‫هو ‪.8‬‬
‫طابع أو وصف المتغير (‪ :)Label‬والذي يمكنك من إعطاء وصف اسمي للمتغير للمساعدة في فهم ما‬ ‫‪‬‬
‫يمثله هذا المتغير‪ .‬ويمكن أن يكون الوصف باللغة العربية‪ ،‬وأيضا يمكن هنا استخدام المسافات والرموز‬
‫ِ‬
‫للمستخدم كتابة ما يريده بدون قيود‪ .‬وهذا الوصف هو ما يتم عرضه كبديل عن اسم‬ ‫بمعنى أنه يمكن‬
‫المتغير في نتائج التحليل‪ ،‬وفي حالة عدم إضافة تعريف للمتغير فإن هذه الخانة تبقى فارغة افتراضيا‪.‬‬
‫تصنيف قيم المتغير (‪ :)Values‬في هذه الخانة‪ ،‬يتم تعريف أو إعطاء وصف لمستويات أو تقسيمات‬ ‫‪‬‬
‫المتغير الوصفي‪ ،2‬فمثال إذا كان المتغير يمثل إجابة على سؤال معين فإنه يمكن تعريف "موافق" لقيمة‬
‫المتغير "‪ ،"1‬و"غير موافق" لقيمة المتغير "‪ ."2‬ويمكن هنا أيضا استخدام المسافات والرموز في التعريف‪.‬‬
‫أما في حال كون المتغير كميا أو عند عدم تعريف أي تصنيف للمتغير الوصفي‪ ،‬فإن الخانة يظهر فيها‬
‫الوصف ال يوجد (‪.)None‬‬
‫ِ‬
‫المستخدم بالتمييز بين قيم مفقودة فعليا‬ ‫تعريف القيم المفقودة (‪ :)Missing‬في بعض األحيان قد يرغب‬ ‫‪‬‬
‫وأخرى ناتجة عن عدم الرغبة في اإلجابة‪ ،‬كما هو الحال مثال في بعض االستبيانات؛ فأحيانا قد يتم فقد‬
‫بعض استمارات االستبيان وهذا يندرج تحت مسمى القيم المفقودة فعليا‪ ،‬وأحيانا قد ال يرغب الشخص‬
‫المستبين في اإلجابة عن سؤال معين فتنتج قيمة مفقودة بسبب عدم االستجابة‪ .‬في مثل هذه الحاالت‪،‬‬
‫ِ‬
‫للمستخدم استخدام هذه الخانة لتعريف القيم المفقودة كما يرغب‪ .‬وفي حالة عدم وجود قيم مفقودة‬ ‫يمكن‬
‫في المتغير فإن الخانة يظهر فيها الوصف ال يوجد (‪.)None‬‬

‫يمكنك التعرف على نافذة اإلعدادات العامة في البند (‪.)5.1‬‬ ‫‪1‬‬

‫سيتم التطرق لمفهوم المتغيرات الكمية والوصفية بالتفصيل في الفصل القادم‪.‬‬ ‫‪2‬‬

‫‪7‬‬
‫عرض العامود (‪ :)Columns‬ويمثل المساحة التي ستشغلها قيم المتغير ضمن العامود‪ ،‬وهو خيار‬ ‫‪‬‬
‫شكلي فقط ال يؤثر تغييره في تغيير قيم المتغير‪ .‬ويكون عرض العامود االفتراضي للمتغير هو ‪.8‬‬
‫محاذاة أو تراصف قيم المتغير (‪ :)Align‬وهو الخيار الخاص بمحاذاة قيم المتغير إلى اليمين (‪)Right‬‬ ‫‪‬‬
‫ضمن العامود أو اليسار (‪ )Left‬أو المنتصف (‪ .)Center‬علما بأن الوضع االفتراضي للمحاذاة يكون‬
‫إلى اليمين‪.‬‬
‫نوع أو قياس المتغير (‪ :)Measure‬في هذه الخانة يتم تحديد نوع المتغير من بين ثالثة خيارات؛ كمي‬ ‫‪‬‬
‫(‪ )Scale‬أو وصفي رتبي (‪ )Ordinal‬أو وصفي اسمي (‪ .)Nominal‬أما إذا لم يتم تحديد نوع المتغير‬
‫ِ‬
‫المستخدم فسيظهر الوصف (‪ )Unknown‬بمعنى أن نوع المتغير غير محدد‪.‬‬ ‫من ِقبل‬
‫وظيفة أو دور المتغير (‪ :)Role‬في معظم األساليب اإلحصائية‪ ،‬يكون للمتغير أو المتغيرات دور معين‬ ‫‪‬‬
‫في األسلوب أو النموذج اإلحصائي‪ ،1‬فيمكن أن يكون دور المتغير ُمدخل (‪ )Input‬أو هدف (‪)Target‬‬
‫أو يأخذ الدورين بحسب طبيعة األسلوب اإلحصائي (‪ )Both‬أو ليس له دور محدد مسبقا (‪ )None‬أو‬
‫له دور تقسيمي أو تصنيفي‪ )Partition( 2‬أو دور لتجزئة البيانات (‪ .)Split‬وتعيين هذا الدور يكون‬
‫عادة لدواعي تنظيمية فقط وال يؤثر ترك المتغيرات بدون تعيين على دورها في سير مرحلة التحليل‬

‫اإلحصائي في العموم‪ .‬والتعيين االفتراضي لدور المتغير يكون ُ‬

‫كمدخل‪.‬‬

‫‪ 4.1‬إدخال البيانات في نافذة تحرير البيانات (‪)Data Entry in SPSS Data Editor‬‬

‫في هذا البند‪ ،‬سيتم التعرف على كيفية إدخال البيانات (أو تعريف المتغيرات) في نافذة تحرير البيانات‬
‫من خالل تناول مثال افتراضي بسيط يشمل إدخال بيانات جديدة بصورة مباشرة‪ ،‬علما بأنه توجد عدة طرق إلدخال‬
‫البيانات أو استدعائها إلى برنامج ‪ ،SPSS‬والتي سيتم التطرق إليها الحقا‪.‬‬

‫عند استخدام الطريقة التقليدية لواجهة المستخدم البيانية‪ ،‬وهي كما أسلفنا الطريقة األكثر شيوعا بين المستخدمين‬
‫الجدد في إدخال البيانات‪ ،‬فإن اإلدخال يكون عادة على مرحلتين؛ المرحلة األولى هي تعريف أسماء المتغيرات‬
‫ونوعها وخواصها (ويتم ذلك باستخدام نافذة أسلوب عرض المتغيرات (‪ ،))Variable View‬والمرحلة الثانية هي‬
‫التي يتم فيها إدخال قيم هذه المتغيرات التي تم تعريفها‪( ،‬باستخدام نافذة أسلوب عرض البيانات (‪.))Data View‬‬
‫وسنقوم تاليا بالتدرب على تنفيذ هاتين المرحلتين‪.‬‬

‫في أسلوب تحليل االنحدار على سبيل المثال‪( ،‬والذي سيتم تناوله في الفصل الخامس)‪ ،‬يتم تعريف دور أحد المتغيرات بأنه تابع‬ ‫‪1‬‬

‫وتعريف دور المتغير أو المتغيرات األخرى بأنها توضيحية‪.‬‬

‫بمعنى أن يتم تقس يييم بيانات الد ارس يية إلى ثالثة أقس ييام؛ عينة للتحليل (‪ ،)Training Sample‬وعينة اختبارية (‪،)Testing Sample‬‬ ‫‪2‬‬

‫وعينة للتقييم (‪ )Validation‬كما هو الحال في بعض الدراسات اإلحصائية‪.‬‬

‫‪8‬‬
 ‫‪ 1.4.1‬نافذة عرض المتغيرات (‪)Variable View Window‬‬

‫البيانات في الجدول (‪ )1.1‬هي بيانات افتراضية خاصة بعشرة أطفال في إحدى المؤسسات التعليمية في‬
‫مرحلتي رياض األطفال واالبتدائية‪ ،‬وتشمل ثالثة متغيرات هي وزن الطفل وعمره وجنسه‪ .‬وسنقوم بإدخال هذه‬
‫البيانات في ملف بيانات في برنامج ‪ SPSS‬بالطريقة التقليدية المباشرة‪.‬‬

‫جدول ‪ :1.1‬بيانات افتراضية خاصة بعشرة أطفال في إحدى المؤسسات التعليمية‪.‬‬

‫‪14.8‬‬ ‫‪21.6‬‬ ‫‪13‬‬ ‫‪16.4‬‬ ‫‪18.9‬‬ ‫‪20.1‬‬ ‫‪15.2‬‬ ‫‪9.5‬‬ ‫‪12‬‬ ‫‪10.2‬‬ ‫وزن الطفل (بالكجم)‬
‫‪6‬‬ ‫‪9‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫عمر الطفل (بالسنة)‬
‫ذكر‬ ‫أنثى‬ ‫أنثى‬ ‫ذكر‬ ‫أنثى‬ ‫أنثى‬ ‫ذكر‬ ‫أنثى‬ ‫ذكر‬ ‫ذكر‬ ‫جنس الطفل‬

‫ِ‬
‫المستخدم البيانية "الفارغة" كما هو موضح‬ ‫في المرحلة األولى‪ ،‬وبعد تشغيل البرنامج‪ ،‬تأكد أوال من ظهور نافذة‬
‫في الشكل (‪ )2.1‬السابق‪ .‬قم بعد ذلك باختيار أسلوب عرض المتغيرات (‪ )Variable View‬من أسفل النافذة‬
‫إلى اليسار فتظهر النافذة كما في الشكل (‪ )4.1‬السابق‪ .‬في هذه النافذة‪ ،‬قم بالضغط باستخدام الفأرة على أول‬
‫مربع فارغ تحت اسم المتغير (‪ )Name‬وستالحظ تغير لون الخلفية إلى اللون األصفر‪.‬‬

‫مالحظة‪:‬‬
‫في حال حدوث أي خطأ أثناء عملية‬
‫ِ‬
‫للمستخدم‪ ،‬كما هو الحال‬ ‫اإلدخال‪ ،‬يمكن‬
‫في معظم البرامج تحت بيئة ويندوز‪ ،‬أن‬
‫يستخدم أيقونة (أمر) التراجع (‪)Undo‬‬
‫المشار إليها في الشكل (‪ )5.1‬للرجوع عن‬
‫هذا الخطأ ثم إعادة اإلدخال بالصورة‬
‫الصحيحة‪.‬‬

‫شكل ‪ :5.1‬أمر التراجع (‪ )Undo‬في نافذة محرر البيانات في ‪.SPSS‬‬

‫سنقوم اآلن بإدخال اسم المتغير األول في هذا الموضع‪ ،‬وكما تمت اإلشارة سابقا‪ ،‬يمكنك اختيار االسم المرغوب‬
‫ضمن القيود المحددة‪ .‬ليكن اسم المتغير األول هو "الوزن"‪ ،‬قم بكتابة هذا االسم في المربع األول‪ ،‬ثم اضغط على‬
‫مفتاح اإلدخال‪ 1‬في لوحة مفاتيح حاسوبك (‪ .)ENTER‬ستالحظ هنا أن باقي الخانات في نفس الصف األول قد‬
‫ظهرت فيها قيم أو مصطلحات‪ ،‬وهي كما ذكرنا القيم االفتراضية المصاحبة إلدخال أي متغير جديد‪.‬‬

‫يمكنك أيضا بدال من استخدام مفتاح اإلدخال الضغط بالفأرة على أي مكان فارغ في النافذة لتنفيذ اإلدخال‪.‬‬ ‫‪1‬‬

‫‪9‬‬
 ‫ِ‬
‫للمستخدم الخيار إما بتعديل بعض أو حتى كل القيم والخيارات للمتغير الجديد بحسب ما يناسب هذا‬ ‫وهنا يكون‬
‫المتغير‪ ،‬أو أن يستمر بكتابة أسماء المتغيرات الجديدة األخرى في عامود األسماء ومن ثمة يعود لتعديل الخيارات‬
‫المدخلة‪ .‬سنقوم نحن باعتماد الخيار األول‪ ،‬أي أنه سيتم تعديل الخيارات بحسب أولوية إدخال المتغيرات‪.‬‬
‫للمتغيرات ُ‬
‫في الصف األول‪ ،‬سنقوم بتعديل الخيارات التالية‪:‬‬

‫الخانات العشرية (‪ :)Decimals‬قم بكتابة‪ 1‬الرقم ‪ 1‬ثم اضغط إدخال‪ ،‬أي اختيار خانة عشرية واحدة‬ ‫‪‬‬
‫حيث أن ذلك يتناسب مع طبيعة القيم العشرية لهذا المتغير‪.‬‬
‫وصف المتغير (‪ :)Label‬يمكن كتابة‪ 2‬الوصف التالي؛ "وزن الطفل بالكجم" ثم اضغط إدخال‪.3‬‬ ‫‪‬‬
‫نوع المتغير (‪ :)Measure‬قم باختيار نوع المتغير الكمي (‪ )Scale‬والذي يتناسب مع الطبيعة الكمية‬ ‫‪‬‬
‫لمتغير الوزن‪.‬‬

‫نلفت انتباه القارئ هنا إلى أن باقي الخيارات الخاصة بالمتغير قد تم تجاهلها إما لعدم الحاجة إليها (مثل تصنيف‬
‫قيم المتغير (‪ )Values‬والقيم المفقودة (‪ ،))Missing‬أو لكونها خيارات ثانوية يمكن تعديلها أو تركها على حالتها‬
‫االفتراضية (مثل ما تبقى من الخيارات األخرى)‪.‬‬

‫ننتقل اآلن لتعريف المتغير الثاني‪ ،‬وهو عمر الطفل؛ قم بكتابة اسم المتغير "العمر" في الخانة الثانية في العامود‬
‫األول إلى اليسار‪ ،‬تحت اسم المتغير األول "الوزن" مباشرة‪ ،‬وبالمثل ستجد أن خانات الخيارات في الصف الثاني‬
‫قد ظهرت بقيمها االفتراضية‪ ،‬وسنقوم بتعديل الخيارات التالية‪:‬‬

‫الخانات العشرية (‪ :)Decimals‬قم بكتابة الرقم ‪ 0‬ثم اضغط إدخال‪ ،‬حيث أن هذا المتغير ال يتطلب‬ ‫‪‬‬
‫أية خانات عشرية‪.‬‬
‫وصف المتغير (‪ :)Label‬قم بكتابة الوصف التالي؛ "عمر الطفل بالسنوات" ثم إدخال‪.‬‬ ‫‪‬‬
‫نوع المتغير (‪ :)Measure‬قم باختيار نوع المتغير الكمي (‪ )Scale‬والذي يتناسب مع الطبيعة الكمية‬ ‫‪‬‬
‫لمتغير العمر‪.‬‬

‫وأخيرا‪ ،‬في أسلوب عرض المتغيرات‪ ،‬نقوم بتعريف المتغير الثالث في البيانات‪ ،‬وهو جنس أو نوع الطالب بنفس‬
‫الطريقة؛ قم بكتابة اسم المتغير "النوع" في الخانة الثالثة في العامود األول إلى اليسار‪ ،‬تحت اسم المتغير الثاني‪،‬‬

‫‪ 1‬يمكنك أيضا استخدام السهمين اللذين سيظهران داخل الخانة عند الضغط مرتين بالفأرة لزيادة أو إنقاص العدد المطلوب‪ ،‬وهذين السهمين‬
‫سيظهران في كل الخانات التي تضم قيم عددية في العموم في أسلوب عرض المتغيرات (‪.)Variable View‬‬
‫في حال توفر وصف جاهز (مكتوب مسبقا) للمتغير في ملف وورد (‪ )Word‬أو أي ملف بصيغة "‪ "txt‬يمكن أخذ نسخة منه (‪)Copy‬‬ ‫‪2‬‬

‫ولصقها (‪ )Paste‬داخل الخانة المطلوبة‪.‬‬

‫في هذه المرحلة من الكتاب نذ ّكر القارئ دائما بالضغط على مفتاح اإلدخال بعد كل عملية كتابة للقيم والخيارات‪ ،‬إال أننا سنترك هذا‬ ‫‪3‬‬

‫التذكير في المراحل القادمة بعد أن يكون القارئ قد اعتاد على عملية اإلدخال‪.‬‬

‫‪10‬‬
‫وبالمثل ستجد أن خانات الخيارات في الصف الثالث قد ظهرت بقيمها االفتراضية‪ ،‬وستكون تعديالت الخيارات‬
‫بالصورة التالية‪:‬‬

‫الخانات العشرية (‪ :)Decimals‬قم بكتابة الرقم ‪ 0‬ثم اضغط إدخال‪ ،‬حيث أن هذا المتغير ال يتطلب‬ ‫‪‬‬
‫أية خانات عشرية‪.‬‬

‫وصف المتغير (‪ :)Label‬قم بكتابة الوصف التالي؛ "نوع أو جنس الطفل" ثم إدخال‪.‬‬ ‫‪‬‬

‫نوع المتغير (‪ :)Measure‬قم باختيار نوع المتغير الوصفي االسمي (‪ )Nominal‬والذي يتناسب مع‬ ‫‪‬‬
‫طبيعة‪ 1‬متغير النوع‪.‬‬

‫تصنيف قيم المتغير (‪ :)Values‬قم بالضغط مرتين على هذه الخانة فيظهر مربع صغير باللون األزرق‬ ‫‪‬‬
‫في يمين الخانة‪ ،‬قم بالضغط عليه فتظهر نافذة صغيرة في وسط الشاشة كما هو موضح في الشكل‬
‫(‪ .)6.1‬سنقوم اآلن بإعطاء القيمة ‪ 1‬كرمز للذكور‪ ،‬والقيمة ‪ 2‬كرمز لإلناث‪ ،‬فنبدأ بكتابة القيمة ‪ 1‬في‬
‫الخانة المقابلة للقيمة (‪ ،)Value‬وكتابة "ذكر" في خانة الوصف (‪ )Label‬أسفل منها بدون استخدام‬
‫أقواس في كتابة الوصف‪.‬‬

‫بمجرد االنتهاء من تعبئة هاتين الخانتين‪ ،‬سيضاء المربع الخاص باألمر (‪ )Add‬أسفل منهما‪ .‬قم‬
‫بالضغط عليه فيظهر في الخانة المقابلة له الوصف (‪"=1‬ذكر")‪ ،‬بمعنى أنه قد تم تعريف القيمة ‪ 1‬بأنها‬
‫تمثل أو تصف التصنيف "ذكر" في المتغير المسمى النوع‪.2‬‬

‫بالمثل سنقوم بتعريف الوصف الثاني‪ ،‬وهو اإلناث بنفس الطريقة‪ ،‬قم بكتابة القيمة ‪ 2‬في الخانة المقابلة‬
‫للقيمة (‪ ،)Value‬وكتابة "أنثى" في خانة الوصف (‪ )Label‬ثم الضغط على األمر (‪ )Add‬فيظهر في‬
‫الخانة المقابلة له الوصف (‪"=2‬أنثى") أسفل الوصف األول‪ .3‬وبعد االنتهاء من تصنيف قيم المتغير‪،‬‬
‫نضغط أمر موافق (‪ )OK‬في نفس النافذة لتأكيد االنتهاء من التصنيف‪.‬‬

‫سيتم توضيح كيفية التمييز بين أنواع المتغيرات الكمية منها والوصفية في الفصل التالي‪.‬‬ ‫‪1‬‬

‫في حال حدوث أي خطأ أثناء تعريف القيم للمتغير‪ ،‬يمكنك استخدام المربع الخاص باألمر (‪ )Change‬لإلجراء التعديل المطلوب‪ ،‬أو‬ ‫‪2‬‬

‫استخدام األمر (‪ )Remove‬لحذف الوصف الموجود واعادة كتابة وصف جديد‪.‬‬

‫في حال وجود أكثر من تصنيف للمتغير الوصفي‪ ،‬يتم االستمرار بإدخال القيم العددية بنفس التسلسل حتى استكمال كل التصنيفات‬ ‫‪3‬‬

‫الموجودة‪ ،‬فمثال إذا كان المتغير الوصفي يمثل تقديرات طلبة هي؛ (راسب‪ ،‬مقبول‪ ،‬جيد‪ ،‬جيد جدا‪ ،‬ممتاز)‪ ،‬فإنه يتم تعريف القيم التالية؛‬
‫(‪ )5 ،4 ،3 ،2 ،1‬مقابل كل تصنيف‪.‬‬

‫‪11‬‬
 ‫شكل ‪ :6.1‬النافذة الخاصة بتعريف قيم المتغير الوصفي في نافذة محرر البيانات في برنامج ‪.SPSS‬‬

‫وبهذا نكون قد انتهينا من تعريف المتغيرات الثالثة‪ ،‬ويمكن البدء بإدخال قيم هذه المتغيرات في أسلوب عرض‬
‫البيانات (‪ ،)Data View‬إال أنه من األفضل دائما حفظ ما تم إنجازه حتى اآلن قبل المضي قدما في إدخال قيم‬
‫المتغيرات‪ ،‬تجنبا لفقدان البيانات نتيجة حدوث خلل طارئ في جهاز الحاسوب أو غيرها من األسباب‪.‬‬

‫‪ 2.4.1‬حفظ ملفات البيانات (‪)Saving Data Files‬‬

‫في شريط األوامر العلوي‪( ،‬المشار إليه في شكل (‪ )3.1‬سابقا)‪ ،‬قم باختيار أمر ملف (‪ ،)File‬فتظهر‬
‫قائمة أسفل منه تحتوي على بعض األوامر الفرعية‪ .‬قم باختيار أمر الحفظ (‪ ،)Save‬فتظهر نافذة الحفظ كما هو‬
‫موضح في الشكل (‪.)7.1‬‬

‫شكل ‪ :7.1‬نافذة حفظ الملفات في برنامج ‪.SPSS‬‬

‫‪12‬‬
‫في شريط مسار الحفظ (‪ )Look in‬في أعلى نافذة الحفظ‪ ،‬قم باختيار المسار أو الموقع الذي ترغب في حفظ‬
‫ملف البيانات فيه‪ ،‬ولتسهيل حفظ واستدعاء الملفات الخاصة ببرنامج ‪ SPSS‬نقترح على القارئ استخدام مسار‬
‫سطح المكتب (‪ )Desktop‬حيث أنه المسار األكثر استخداما تحت بيئة ويندوز في العموم‪.‬‬

‫في شريط اختيار اسم الملف (‪ ،)File name‬يمكنك اختيار االسم الذي ترغب به لملف البيانات وسنقوم نحن‬
‫باختيار االسم "مثال‪ ."1‬ويقوم برنامج ‪ SPSS‬بتعيين االمتداد "‪ ".sav‬لملفات البيانات فيه‪ ،‬كما يقوم بتعيين امتدادات‬
‫أخرى لألنواع األخرى من الملفات كما سنرى الحقا‪.‬‬

‫بعد االنتهاء من تحديد مسار الحفظ وكتابة اسم ملف البيانات‪ ،‬قم بالضغط على أمر الحفظ (‪ )Save‬في يمين‬
‫نافذة الحفظ فتظهر لك نافذة جديدة كما في الشكل (‪.)8.1‬‬

‫شكل ‪ :8.1‬نافذة المخرجات في برنامج ‪.SPSS‬‬

‫ِ‬
‫المستخدم‬ ‫هذه النافذة تعرف بنافذة المخرجات (‪ )Output‬في برنامج ‪ ،SPSS‬وهي تظهر بشكل منفصل بمعنى أن‬
‫سيتعامل مع هذه النافذة في إطار جديد منفصل عن إطار البرنامج الرئيسي كما ُيشاهد في شريط المهام (‪)Taskbar‬‬
‫أسفل الشاشة‪ .‬وهذا هو األسلوب القياسي المتبع في برنامج ‪ SPSS‬في عرض كل النتائج والمخرجات الناتجة عن‬
‫ِ‬
‫للمستخدم‬ ‫األوامر المدخلة‪ .‬وهذه النافذة ستأخذ االسم "‪ ،"Output1‬وهو االسم االفتراضي لملف المخرجات‪ ،‬ويمكن‬
‫حفظ ملف المخرجات بصورة مستقلة كما هو الحال مع ملف البيانات‪.‬‬

‫سيالحظ القارئ ظهور رسالة داخل نافذة المخرجات توضح ما تم من حفظ لملف البيانات في مسار سطح‬
‫اآلن ُ‬
‫المكتب باسم " مثال‪ ."1‬في الوقت الحالي‪ ،‬قم بتصغير نافذة المخرجات لالحتفاظ بها أسفل الشاشة‪ ،‬والعودة للنافذة‬
‫الرئيسية للبرنامج حيث ستالحظ أن اسم ملف البيانات الجديد قد ظهر في الشريط العلوي للبرنامج‪.‬‬

‫‪ 3.4.1‬نافذة عرض البيانات (‪)Data View Window‬‬

‫قبل البدء بعملية الحفظ‪ ،‬كنا قد انتهينا من تعريف المتغيرات للمثال االفتراضي في جدول (‪ )1.1‬السابق‪،‬‬
‫واآلن ننتقل للمرحلة الثانية وهي إدخال قيم هذه المتغيرات في ‪ .SPSS‬قم من أسفل النافذة الرئيسية باختيار نافذة‬

‫‪13‬‬
‫اسلوب عرض البيانات (‪ ،)Data View‬وستالحظ أن المتغيرات الثالثة األولى إلى اليسار قد أخذت أسماؤها كما‬
‫تم إدراجها في أسلوب عرض المتغيرات؛ الوزن‪ ،‬العمر‪ ،‬والنوع‪.‬‬

‫قم بإدخال قيم المتغير األول‪ ،‬وهو الوزن بنفس ترتيبها في الجدول (‪ ،)1.1‬أي ستبدأ بإدخال القيمة ‪ 10.2‬ثم ‪12‬‬
‫وهكذا وصوال للقيمة األخيرة ‪ .14.8‬وفي حل إدخال قيمة بصورة خاطئة في إحدى الخاليا (المربعات الفارغة)‬
‫يمكنك العودة لتلك الخلية واعادة كتابة القيمة الصحيحة‪.‬‬

‫بعد ذلك يتم إدخال قيم المتغير الثاني وهو العمر بنفس الكيفية‪ ،‬أي بداية من القيمة ‪ 4‬ثم ‪ 5‬وصوال للقيمة األخيرة‬
‫في المتغير وهي ‪ .6‬أما بالنسبة للمتغير الوصفي النوع‪ ،‬فإن قيمه يتم إدخالها بصورة رقمية وليس اسمية كما تم‬
‫تعريفها في خانة الوصف (‪ )Label‬في أسلوب عرض المتغيرات في المرحلة األولى‪ ،‬أي أننا سندخل القيمة ‪1‬‬
‫مقابل كل نوع "ذكر" والقيمة ‪ 2‬مقابل كل نوع "أنثى"‪ .‬وفي النهاية ستكون القيم في ملف البيانات لديك كما هو‬
‫موضح في الشكل (‪.)9.1‬‬

‫شكل ‪ :9.1‬قيم المتغيرات في ملف البيانات "مثال‪."1‬‬

‫في شريط أيقونات األوامر للتغيير بين‬ ‫ِ‬

‫للمستخدم الضغط على أيقونة عرض وصف المتغير‬ ‫ويمكن‬
‫عرض قيم المتغير الرقمية أو قيم المتغير االسمية‪.‬‬

‫‪14‬‬
 ‫مالحظة‪:‬‬
‫الحظ ظهور رمز النجمة (*) بجانب اسم ملف البيانات في الشريط العلوي‪ ،‬وهذه هي طريقة البرنامج في‬
‫ِ‬
‫المستخدم إلى أنه قد تم إجراء تعديالت أو إضافات إلى ملف البيانات ولم يتم حفظها بعد‪ ،‬لذلك يمكنك‬ ‫تنبيه‬
‫بعد إتمام إدخال البيانات حفظ الملف باستخدام ‪ File>Save‬بمعنى الضغط على ملف (‪ )File‬في شريط‬
‫حفظ‬ ‫فيتم‬ ‫األوامر ثم حفظ (‪ ،)Save‬أو لمزيد من السرعة‪ ،‬يمكنك الضغط على أيقونة الحفظ‬
‫التعديالت األخيرة‪.‬‬

‫اآلن أصبح لدينا ملف بيانات في برنامج ‪ SPSS‬باسم "مثال‪ "1‬يحتوي على ثالثة متغيرات ُم ّ‬
‫عرفة بشكل واضح‬
‫‪.‬‬ ‫وجاهزة للتحليل اإلحصائي‪ ،‬ويكون شكل أيقونة ملف البيانات على سطح المكتب بالصورة‬

‫أما بالنسبة لنافذة المخرجات فيمكن تجاهلها (عدم حفظها) في المرحلة الحالية‪ ،‬وسيتم التعامل معها في أمثلة‬
‫ِ‬
‫المستخدم في حفظ ملف المخرجات‪،‬‬ ‫الحقة‪ .‬قم بإغالق نافذة المخرجات وستظهر لك رسالة لالستفهام عن رغبة‬
‫قم عندها باختيار ال (‪ )No‬وستُغلق النافذة‪ .‬وإلنهاء الجلسة الحالية في برنامج ‪ ،SPSS‬قم بإغالق نافذة البرنامج‬
‫الرئيسية وستظهر لك رسالة تنبيه إلى أن البرنامج سيتم إغالقه‪ ،‬قم عندها باختيار نعم (‪.)Yes‬‬

‫ولفتح ملف البيانات "مثال‪ "1‬أو أي ملف بيانات آخر‪ ،‬يمكنك إما النقر مرتين على أيقونة الملف في مسار تخزينها‪،‬‬
‫في شريط أيقونات األوامر ثم اختيار مسار‬ ‫أو فتح برنامج ‪ SPSS‬ثم الضغط‪ 1‬على أيقونة فتح الملفات‬
‫التخزين (وهو سطح المكتب في مثالنا) ثم اختيار الملف المرغوب وهو "مثال‪ "1‬ثم اختيار فتح (‪ .)Open‬والحظ‬
‫أن نافذة المخرجات ستظهر أيضا مع الملف المفتوح‪.‬‬

‫‪ 5.1‬اإلعدادات العامة في برنامج ‪)General Settings( SPSS‬‬

‫يمكن في برنامج ‪ ،SPSS‬كشأن كل البرامج تحت مظلة ويندوز‪ ،‬تغيير الكثير من اإلعدادات االفتراضية‬
‫في البرنامج‪ ،‬مثل شكل النوافذ‪ ،‬أشكال وألوان الجداول والرسومات البيانية‪ ،‬حجم ونوع ولون الخطوط المستخدمة‪،‬‬
‫كيفية عرض النتائج‪ ،‬وغيرها من األمور‪ .‬وهذه اإلعدادات يمكن الوصول إليها من شريط األوامر العلوي باختيار‬
‫األمر تحرير (‪ )Edit‬ثم اختيار خيارات (‪ )Options‬في آخر القائمة‪ .‬عندها ستظهر نافذة اإلعدادات أو الخيارات‪،‬‬
‫وهنا ننصح المستخدمين المبتدئين بعدم إجراء تغييرات في إعدادات البرنامج قبل أن يكونوا قد قطعوا شوطا جيدا‬
‫في االلمام بالتعامل مع المخرجات من جداول ورسومات وغيرها‪.‬‬

‫أو يمكن استخدام الطريقة التقليدية في فتح الملفات عن طريق اختيار أمر ملف (‪ )File‬في شريط األوامر ثم فتح (‪ )Open‬ثم بيانات‬ ‫‪1‬‬

‫(‪ )Data‬ومن ثمة اختيار ملف البيانات من المسار المحدد‪.‬‬

‫‪15‬‬
‫إال أننا سوف نقوم بتعديل واحد فقط هنا ُبغية تسهيل الوصول للملفات المحفوظة‪ .‬سنقوم بالدخول لنافذة اإلعدادات‬
‫واختيار نافذة مواقع الملفات (‪ )File Locations‬كما يظهر في الشكل (‪.)10.1‬‬

‫شكل ‪ :10.1‬نافذة الخيارات العامة في برنامج ‪.SPSS‬‬

‫سنقوم في هذه النافذة بتغيير مسار فتح وحفظ ملفات البيانات إلى مسار سطح المكتب (‪ )Desktop‬بشكل دائم‪،‬‬
‫حيث أنه المسار المفضل للمستخدمين تحت بيئة ويندوز في العموم كما وضحنا سابقا‪.‬‬

‫في مربع المجلدات االفتتاحية (‪ ،)Startup Folders for Open and Save Dialogs‬قم بالنقر على خيار‬
‫المجلد المحدد (‪ .)Specified Folders‬اآلن سنقوم باختيار مسار سطح المكتب في كال المربعين؛ ملفات البيانات‬
‫(‪ )Data files‬والملفات األخرى (‪ ،)Other files‬وذلك إما عن طريق كتابة مسار سطح المكتب مباشرة‪ ،‬أو‬
‫الضغط على زر التصفح (‪ )Browse‬على اليمين واختيار المسار المطلوب‪.‬‬

‫ويمكن للقارئ هنا مالحظة أن مسار سطح المكتب‪( ،‬في الشكل (‪ ،))10.1‬يحتوي على اسم جهاز الحاسوب‬
‫الحالي للمؤلف الذي يعمل عليه برنامج ‪ ،SPSS‬والذي سيتضمن اسم جهاز المستخدم عند تغيير المسار بالطبع‪.‬‬

‫‪16‬‬
 ‫الفصل الثاني‬

‫التعامل مع ملفات البيانات في برنامج ‪SPSS‬‬

‫)‪(Dealing with Data Files in SPSS‬‬

‫‪ 1.2‬استيراد الملفات إلى برنامج ‪(Importing Files to SPSS) SPSS‬‬

‫تناولنا في الفصل السابق طريقة إدخال البيانات في برنامج ‪ SPSS‬بطريقة واجهة المستخدم البيانية‬
‫()‪ )Graphical User Interface (GUI‬باستخدام نافذة تحرير البيانات‪ ،‬وأوضحنا أن هذه الطريقة تعتبر الطريقة‬
‫المباشرة واألكثر استخداما في إدخال البيانات في ‪ .SPSS‬إال أنه في بعض األحيان‪ ،‬قد تكون البيانات متوفرة‬
‫مسبقا في ملفات بيانات ضمن برامج أخرى‪ ،‬مثل اكسل (‪،SAS ،R ،Statistica ،S-plus ،)MS Excel‬‬
‫ِ‬
‫للمستخدم استيراد هذه الملفات من مصدرها األصلي إلى برنامج ‪SPSS‬‬ ‫وغيرها‪ ،‬عندها وتوفي ار للوقت والجهد يمكن‬
‫والتعامل معها مباشرة‪.‬‬

‫مالحظة‪:‬‬
‫في هذا البند‪ ،‬سيتم توضيح كيفية استيراد ملفات البيانات من برنامج اكسل فقط‪ 1‬حيث أنه في معظم البرامج‬
‫اإلحصائية األخرى يمكن بسهولة حفظ أو تصدير ملف البيانات بصيغة اكسل‪.‬‬

‫لتوضيح طريقة استيراد ملفات البيانات من برنامج اكسل‪ ،‬سنقوم بتطبيق مثال عملي خطوة بخطوة لتسهيل العملية‬
‫ِ‬
‫للمستخدم‪ .‬قم أوال بإدخال البيانات الموجودة في الجدول التالي‪( ،‬جدول (‪ ،))1.2‬في ملف بيانات جديد في برنامج‬
‫اكسل‪ ،2‬وقم بحفظه‪ 3‬باالسم "بيانات الطلبة"‪ .‬أي أنه سيأخذ االمتداد "‪.".xlsx‬‬

‫البيانات في جدول (‪ )1.2‬هي بيانات افتراضية تمثل المشاهدات الخاصة ب ‪ 35‬طالبا جامعيا مقاسة لثمانية‬
‫عرفة بالصورة التالية‪.‬‬
‫متغيرات م ّ‬

‫للمزيد من المعلومات حول استيراد ملفات البيانات بصيغ أخرى غير صيغة اكسل‪ ،‬يمكن الرجوع للمساعدة (‪ )Help‬في شريط األوامر‬ ‫‪1‬‬

‫الرئيسي في برنامج ‪.SPSS‬‬

‫تم استخدام اإلصدارات ‪ Excel 2010‬و‪ Excel 2016‬في التطبيقات وقت إعداد الكتاب‪.‬‬ ‫‪2‬‬

‫ُيفضل حفظ ملف بيانات اكسل في مسار سطح المكتب لتسهيل استدعاؤه الحقا‪.‬‬ ‫‪3‬‬

‫‪17‬‬
 ‫جدول ‪ :1.2‬البيانات الخاصة بالملف "بيانات الطلبة"‪.‬‬ ‫في‬ ‫‪1‬‬
‫الطالب‬ ‫درجة‬ ‫‪ ‬مقرر‪:1‬‬
‫مقرر‪1‬‬ ‫مقرر‪2‬‬ ‫مقرر‪3‬‬ ‫العمر‬ ‫النوع‬ ‫الفصل‬ ‫األسرة‬ ‫المنزل‬ ‫المقرر‪.1‬‬
‫‪1‬‬ ‫‪55‬‬ ‫‪50‬‬ ‫‪60‬‬ ‫‪22‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪10‬‬ ‫‪2‬‬
‫‪ ‬مقرر‪ :2‬درجة الطالب في المقرر‪.2‬‬
‫‪2‬‬ ‫‪49‬‬ ‫‪52‬‬ ‫‪50‬‬ ‫‪19‬‬ ‫‪1‬‬ ‫‪8‬‬ ‫‪11‬‬ ‫‪2‬‬
‫‪3‬‬ ‫‪60‬‬ ‫‪54‬‬ ‫‪51‬‬ ‫‪23‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪10‬‬ ‫‪2‬‬ ‫‪ ‬مقرر‪ :3‬درجة الطالب في المقرر‪.3‬‬
‫‪4‬‬ ‫‪65‬‬ ‫‪70‬‬ ‫‪54‬‬ ‫‪20‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪8‬‬ ‫‪3‬‬ ‫‪ ‬العمر‪ :‬عمر الطالب (بالسنوات)‪.‬‬
‫‪5‬‬ ‫‪35‬‬ ‫‪40‬‬ ‫‪40‬‬ ‫‪24‬‬ ‫‪1‬‬ ‫‪7‬‬ ‫‪12‬‬ ‫‪2‬‬
‫‪ ‬النوع‪ :‬جنس الطالب (‪=1‬ذكر‪،‬‬
‫‪6‬‬ ‫‪71‬‬ ‫‪70‬‬ ‫‪45‬‬ ‫‪22‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪9‬‬ ‫‪3‬‬
‫‪7‬‬ ‫‪73‬‬ ‫‪74‬‬ ‫‪49‬‬ ‫‪21‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪4‬‬ ‫و‪=2‬أنثى)‪.‬‬
‫‪8‬‬ ‫‪90‬‬ ‫‪91‬‬ ‫‪61‬‬ ‫‪22‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪ ‬الفصل‪ :‬ترتيب الفصل الدراسي‬
‫‪9‬‬ ‫‪88‬‬ ‫‪93‬‬ ‫‪59‬‬ ‫‪20‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪5‬‬
‫للطالب‪.‬‬
‫‪10‬‬ ‫‪75‬‬ ‫‪77‬‬ ‫‪60‬‬ ‫‪22‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪4‬‬
‫‪11‬‬ ‫‪50‬‬ ‫‪51‬‬ ‫‪61‬‬ ‫‪25‬‬ ‫‪1‬‬ ‫‪7‬‬ ‫‪9‬‬ ‫‪3‬‬ ‫‪ ‬األسرة‪ :‬عدد أفراد أسرة الطالب‪.‬‬
‫‪12‬‬ ‫‪77‬‬ ‫‪79‬‬ ‫‪59‬‬ ‫‪24‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪ ‬المنزل‪ :‬عدد الحجرات في منزل‬
‫‪13‬‬ ‫‪79‬‬ ‫‪81‬‬ ‫‪33‬‬ ‫‪23‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬
‫الطالب‪.‬‬
‫‪14‬‬ ‫‪66‬‬ ‫‪70‬‬ ‫‪60‬‬ ‫‪21‬‬ ‫‪1‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬
‫‪15‬‬ ‫‪80‬‬ ‫‪82‬‬ ‫‪58‬‬ ‫‪20‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪16‬‬ ‫‪40‬‬ ‫‪44‬‬ ‫‪60‬‬ ‫‪24‬‬ ‫‪1‬‬ ‫‪8‬‬ ‫‪12‬‬ ‫‪2‬‬
‫‪17‬‬ ‫‪45‬‬ ‫‪50‬‬ ‫‪43‬‬ ‫‪25‬‬ ‫‪1‬‬ ‫‪7‬‬ ‫‪11‬‬ ‫‪3‬‬
‫‪18‬‬ ‫‪51‬‬ ‫‪55‬‬ ‫‪94‬‬ ‫‪24‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪3‬‬
‫‪19‬‬ ‫‪82‬‬ ‫‪85‬‬ ‫‪50‬‬ ‫‪22‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪20‬‬ ‫‪75‬‬ ‫‪77‬‬ ‫‪27‬‬ ‫‪22‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬
‫‪21‬‬ ‫‪84‬‬ ‫‪84‬‬ ‫‪57‬‬ ‫‪20‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪22‬‬ ‫‪86‬‬ ‫‪87‬‬ ‫‪52‬‬ ‫‪23‬‬ ‫‪2‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪4‬‬
‫‪23‬‬ ‫‪77‬‬ ‫‪78‬‬ ‫‪57‬‬ ‫‪22‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪24‬‬ ‫‪88‬‬ ‫‪90‬‬ ‫‪62‬‬ ‫‪19‬‬ ‫‪2‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪5‬‬
‫‪25‬‬ ‫‪64‬‬ ‫‪70‬‬ ‫‪50‬‬ ‫‪21‬‬ ‫‪1‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪3‬‬
‫‪26‬‬ ‫‪89‬‬ ‫‪91‬‬ ‫‪53‬‬ ‫‪23‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪5‬‬
‫‪27‬‬ ‫‪90‬‬ ‫‪93‬‬ ‫‪50‬‬ ‫‪21‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪6‬‬
‫‪28‬‬ ‫‪63‬‬ ‫‪66‬‬ ‫‪51‬‬ ‫‪25‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬
‫‪29‬‬ ‫‪75‬‬ ‫‪85‬‬ ‫‪95‬‬ ‫‪22‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪6‬‬
‫‪30‬‬ ‫‪69‬‬ ‫‪70‬‬ ‫‪44‬‬ ‫‪23‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪4‬‬
‫‪31‬‬ ‫‪77‬‬ ‫‪80‬‬ ‫‪92‬‬ ‫‪21‬‬ ‫‪2‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪32‬‬ ‫‪68‬‬ ‫‪69‬‬ ‫‪54‬‬ ‫‪22‬‬ ‫‪1‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪33‬‬ ‫‪93‬‬ ‫‪75‬‬ ‫‪45‬‬ ‫‪23‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪6‬‬
‫‪34‬‬ ‫‪73‬‬ ‫‪75‬‬ ‫‪52‬‬ ‫‪24‬‬ ‫‪1‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬
‫‪35‬‬ ‫‪94‬‬ ‫‪96‬‬ ‫‪49‬‬ ‫‪21‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪6‬‬

‫درجة الطالب في المقررات الثالثة مقاسة من ‪ 100‬درجة‪.‬‬ ‫‪1‬‬

‫‪18‬‬
‫بعد إدخال بيانات الجدول السابق في اكسل وحفظها باالسم المطلوب‪ ،‬سنحصل على ملف بيانات مشابه‪ 1‬لذلك‬
‫الموضح في الشكل (‪.)1.2‬‬

‫شكل ‪ :1.2‬ملف البيانات "بيانات الطلبة" في برنامج اكسل‪.‬‬

‫اآلن سنقوم بتنفيذ الخطوات التالية لفتح (استيراد) ملف بيانات بصيغة اكسل في برنامج ‪:SPSS‬‬

‫(أو يمكن اختيار أمر‬ ‫في برنامج ‪ SPSS‬قم باختيار أيقونة فتح الملفات في شريط أيقونات األوامر‬
‫ملف (‪ )File‬في شريط األوامر ثم فتح (‪ )Open‬ثم بيانات (‪.))Data‬‬

‫في نافذة فتح الملفات‪ ،‬كما هو موضح في الشكل (‪ ،)2.2‬قم أوال باختيار مسار الملف المطلوب‪ ،‬وهو سطح‬
‫المكتب الذي تم حفظ الملف فيه‪ ،‬وثانيا قم باختيار نوع الملف المطلوب‪ ،‬وهو ملف اكسل‪ ،‬وسيظهر الملف‬
‫المطلوب داخل المساحة البيضاء في النافذة‪ ،‬قم باختياره ثم اضغط أمر الفتح (‪.)Open‬‬

‫قد يختلف شكل الملف قليال إذا ما كان القارئ يستخدم اصدار مختلف عن اإلصدارين ‪ ،Excel 2010‬أو ‪ ،Excel 2016‬أو إذا‬ ‫‪1‬‬

‫كان يستخدم الواجهة اإلنجليزية للبرنامج‪.‬‬

‫‪19‬‬
 ‫شكل ‪ :2.2‬خطوات فتح ملف اكسل في نافذة فتح الملفات في برنامج ‪.SPSS‬‬

‫بعد الضغط على أمر الفتح‪ ،‬ستظهر نافذة جديدة‪ ،‬كما هو ظاهر في الشكل (‪ ،)3.2‬والتي تحتوي على بعض‬
‫ِ‬
‫للمستخدم االستفادة منها كالتالي؛‬ ‫الخيارات التي يمكن‬

‫شكل ‪ :3.2‬الخيارات الخاصة بفتح ملف اكسل في برنامج ‪.SPSS‬‬

‫الخيار (أ) يتم اختياره عندما تكون أسماء المتغيرات في ملف البيانات موجودة في الصف األول‪( ،‬وهذا هو الحال‬
‫في مثالنا الحالي)‪ .‬أما الخيار (ب)‪ ،‬فهو لتحديد الورقة التي توجد فيها البيانات في ملف اكسل األصلي‪( ،‬وفي‬
‫ِ‬
‫للمستخدم اختيار مجموعة‬ ‫مثالنا البيانات موجودة في الورقة‪ 1‬األولى؛ ورقة‪ .)1‬وفي الخيار الثالث (ج)‪ ،‬يمكن‬

‫حيث أن برنامج اكسل يوفر افتراضيا ثالثة ورقات لكل ملف بيانات‪.‬‬ ‫‪1‬‬

‫‪20‬‬
‫محددة من المتغيرات التي يرغب باستيرادها من داخل ملف اكسل إذا لم يرغب باستيراد كل المتغيرات‪( ،‬وفي مثالنا‬
‫تم ترك هذا الخيار فارغا بمعنى أن كل المتغيرات في الملف سيتم استيرادها)‪.‬‬

‫بعد االنتهاء من خيارات الفتح اضغط موافق (‪ ،)OK‬وسيتم فتح ملف البيانات المطلوب‪ ،‬وكذلك فتح نافذة‬
‫المخرجات كالمعتاد‪ ،‬وستجد أن كافة المتغيرات قد تم استيرادها بنفس األسماء إلى برنامج ‪ .SPSS‬وبالطبع‪ ،‬سنقوم‬
‫بحفظها بصيغة ‪ ،SPSS‬قبل االنتقال للخطوة التالية‪ .‬وخطوات الحفظ ستكون مطابقة لما تم توضيحه في الفصل‬
‫ِ‬
‫المستخدم سيقوم باختيار ‪ File>Save‬ثم اختيار مسار الحفظ‪( ،‬وليكن كما هو‬ ‫األول (في البند (‪ ،))2.4.1‬أي أن‬
‫المستخدم "بيانات الطلبة")‪،‬‬
‫َ‬ ‫الحال دائما على سطح المكتب)‪ ،‬ثم اختيار اسم الملف‪( ،‬وليكن نفس االسم األصلي‬
‫ثم نضغط حفظ (‪.)Save‬‬

‫مالحظة‪:‬‬
‫الحظ هنا أنه سيكون لديك اآلن ملفان مختلفان بنفس االسم على سطح المكتب‪ ،‬األول هو بصيغة اكسل‬
‫باالمتداد "‪.xlsx‬بيانات الطلبة"‪ ،‬واآلخر بصيغة ‪ SPSS‬وهو باالمتداد "‪.sav‬بيانات الطلبة"‪.‬‬

‫اآلن في ملف بيانات ‪SPSS‬؛ "‪.sav‬بيانات الطلبة" يمكنك مالحظة أن خصائص المتغيرات بحاجة إلى بعض‬
‫التعديل‪ ،‬وفيما يلي سنقوم بإجراء التغيرات التالية بهدف جعل الملف أكثر تنظيما لالستخدامات الالحقة؛‬

‫تغيير مسافة عرض قيم المتغير (‪ )Width‬لجميع المتغيرات إلى القيمة االفتراضية ‪.8‬‬ ‫‪‬‬
‫تغيير عدد الخانات العشرية (‪ )Decimals‬لجميع المتغيرات إلى ‪ 0‬نظ ار لطبيعة األعداد الصحيحة‬ ‫‪‬‬
‫للمتغيرات‪.‬‬
‫إضافة األوصاف التالية للمتغيرات (‪)Label‬؛‬ ‫‪‬‬
‫‪ .1‬مقرر‪ :1‬درجة الطالب في المقرر‪.1‬‬
‫‪ .2‬مقرر‪ :2‬درجة الطالب في المقرر‪.2‬‬
‫‪ .3‬مقرر‪ :3‬درجة الطالب في المقرر‪.3‬‬
‫‪ .4‬العمر‪ :‬عمر الطالب بالسنوات‪.‬‬
‫‪ .5‬النوع‪ :‬جنس الطالب‪.‬‬
‫‪ .6‬الفصل‪ :‬ترتيب الفصل الدراسي للطالب‪.‬‬
‫‪ .7‬األسرة‪ :‬عدد أفراد أسرة الطالب‪.‬‬
‫‪ .8‬المنزل‪ :‬عدد الحجرات في منزل الطالب‪.‬‬
‫إضافة التصنيف (‪ )Values‬التالي لقيم متغير النوع؛ (‪ =1‬ذكر‪ ،‬و‪ =2‬أنثى)‪.‬‬ ‫‪‬‬
‫تغيير عرض العامود (‪ )Columns‬لجميع المتغيرات إلى القيمة االفتراضية ‪.8‬‬ ‫‪‬‬

‫‪21‬‬
‫إبقاء أنواع المتغيرات (‪)Measure‬؛ "مقرر‪" ،"1‬مقرر‪" ،"2‬مقرر‪ ،"3‬و"العمر" كمية (‪ ،)Scale‬ومتغير‬ ‫‪‬‬
‫"النوع" وصفي اسمي (‪ ،)Nominal‬وتغيير نوع المتغير؛ "الفصل" إلى وصفي ترتيبي (‪،)Ordinal‬‬
‫وتغير نوع المتغيران؛ "األسرة" و"المنزل" إلى كمي (‪.)Scale‬‬

‫نقوم بعد ذلك بحفظ ملف البيانات‪ ،‬والذي سيبدو كما هو موجود في الشكل (‪ .)4.2‬ثم نغلق الملف‪.‬‬

‫شكل ‪ :4.2‬أسلوبي عرض المتغيرات (في األعلى) وعرض البيانات (في األسفل) لملف البيانات "بيانات الطلبة" في ‪.SPSS‬‬

‫‪ 2.2‬تصدير الملفات من برنامج ‪(Exporting Files from SPSS) SPSS‬‬

‫كما هو الحال مع استيراد ملفات البيانات من البرامج األخرى‪( ،‬والذي تم تطبيقه مع برنامج اكسل)‪ ،‬فإنه‬
‫يمكن وبصورة أبسط‪ ،‬تصدير الملفات المحفوظة بصيغة ‪ SPSS‬إلى البرامج األخرى‪ .‬وما سنقوم بتطبيقه في هذا‬
‫البند‪ ،‬هو حفظ ملف البيانات (المتوفر مسبقا بصيغة ‪ )SPSS‬بصيغة أخرى‪ ،‬وهي صيغة برنامج اكسل باعتباره‬
‫ِ‬
‫للمستخدم حفظ ملف‬ ‫"الصيغة المشتركة" بين معظم البرامج اإلحصائية والرياضية‪ .‬ومن أهم البرامج التي يمكن‬
‫البيانات بصيغتها المباشرة (بإصدارات مختلفة) هي البرامج التالية؛ اكسل‪ ،Stata ،SAS ،dBase ،‬وكذلك يمكن‬
‫حفظ ملف البيانات بصورة نصية (باالمتداد ‪.).txt‬‬

‫‪22‬‬
‫ولنأخذ ملف البيانات الذي قمنا بتكوينه في الفصل األول باسم "مثال‪ "1‬في برنامج ‪ SPSS‬كمثال تطبيقي على‬
‫حفظ الملفات بصيغة اكسل‪ .‬وستكون خطوات تصدير الملف كالتالي‪:‬‬

‫‪ .1‬قم بفتح ملف البيانات "مثال‪ "1‬الموجود في مسار سطح المكتب في برنامج ‪.SPSS‬‬
‫‪ .2‬في شريط األوامر العلوي‪ ،‬قم باختيار ملف (‪ )File‬ثم حفظ باسم (‪ ،)Save As‬فتظهر النافذة الخاصة‬
‫بالحفظ‪ ،‬كما يظهر في الشكل (‪.)5.2‬‬
‫‪ .3‬في هذه النافذة‪ ،‬قم بالضغط على الخيار الخاص بتحديد نوع الملف المطلوب حفظه‪ ،‬كما يوضح السهم‬
‫رقم (‪ )1‬الموجود في الشكل‪ .‬ستنسدل عند ذلك قائمة صغيرة تحتوي على أسماء البرامج التي يمكن‬
‫اختيار صيغة (واصدار) حفظ الملف بها‪ .‬في مثالنا‪ ،‬سنقوم بحفظ الملف بصيغة اكسل (اإلصدار ‪)2010‬‬
‫كما يشير السهم (‪ )2‬في الشكل‪.‬‬
‫‪ .4‬بعد ذلك قم بالضغط على أمر حفظ (‪ )Save‬في النافذة‪ .‬وبذلك تكون عملية حفظ ملف البيانات (بنفس‬
‫االسم "مثال‪ )"1‬بصيغة اكسل قد تمت‪ ،‬ويمكنك بعدها مشاهدة ملف البيانات "‪.xlsx‬مثال‪ "1‬على سطح‬
‫المكتب‪ .‬قم بفتحه وستجد البيانات المتعلقة بالمتغيرات الثالثة؛ الوزن‪ ،‬العمر‪ ،‬والنوع موجودة فيه بنفس‬
‫النسق‪.‬‬

‫شكل ‪ :5.2‬خطوات حفظ ملف البيانات "مثال‪ "1‬بصيغة اكسل بداخل برنامج ‪.SPSS‬‬

‫‪23‬‬
 ‫‪ 3.2‬معالجة البيانات (‪)Data Manipulation‬‬

‫ِ‬
‫المستخدم أو الباحث إلى إعادة ترتيب أو معالجة بعض‬ ‫في كثير‪ ،‬إن لم يكن معظم األحيان‪ ،‬قد يحتاج‬
‫المتغيرات داخل ملف البيانات بناء على تقسيم معين‪ ،1‬أو قد تتطلب الدراسة اإلحصائية تعريف متغير جديد أو‬
‫أكثر اعتمادا على عالقته‪ 2‬مع متغير أو أكثر في البيانات األصلية‪ ،‬أو ربما تعريف متغير جديد كدالة‪ 3‬رياضية‬
‫في متغير آخر‪ ،‬وغيرها من الحاالت التي تستدعي معالجة البيانات األصلية لتحقيق أهداف معينة في الدراسة أو‬
‫التحليل اإلحصائي‪ ،‬في هذه الحالة‪ ،‬يمكن استخدام األدوات الخاصة بمعالجة أو ترتيب البيانات‪.‬‬

‫ويمكن أيضا استخدام أداة ترتيب المشاهدات للمساعدة في إعادة ترتيب القيم تصاعديا أو تنازليا إما لتنظيمها بصورة‬
‫أكثر وضوحا‪ ،‬أو لتقسيم البيانات المرتبة استعدادا الستخدامها في تحليل البيانات الحقا‪ .‬ويمكن في برنامج ‪SPSS‬‬
‫تقسيم البيانات بناء على قيم متغير واحد أو متغيرين أو حتى أكثر من ذلك‪.‬‬

‫ولتوضيح كيفية تنفيذ ترتيب البيانات في ‪ ،SPSS‬لنأخذ مثاال عمليا لترتيب البيانات الخاصة بملف البيانات "مثال‪"1‬‬
‫الذي تم إنشاؤه في الفصل األول‪ .‬قم بفتح الملف من مسار سطح المكتب ثم اختر أسلوب عرض البيانات ( ‪Data‬‬
‫‪ ،)View‬فتظهر البيانات‪( ،‬كما هو موضح في الشكل (‪ )9.1‬في الفصل األول)‪.‬‬

‫سنقوم أوال في هذا المثال بترتيب أوزان األطفال وأعمارهم بحسب جنس الطفل‪ ،‬أي أن متغيري "الوزن" و"العمر"‬
‫سيتم إعادة ترتيب قيمهما بحسب جنس الطفل ذك ار كان أو أنثى‪ .‬وحيث أن الذكور في هذه البيانات تم تعيينهم‬
‫للقيمة ‪ 1‬واإلناث للقيمة ‪ ،2‬فإن أوزان وأعمار األطفال الذكور سيتم عرضها في الصفوف األولى متبوعة بأوزان‬
‫وأعمار اإلناث‪ .‬وسنقوم اآلن بتنفيذ الخطوات التالية‪:‬‬

‫‪ .1‬في شريط األوامر العلوي‪ ،‬قم باختيار بيانات (‪ )Data‬ثم اختار ترتيب المشاهدات (‪ )Sort Cases‬من القائمة‬
‫المنسدلة‪ ،‬فتظهر نافذة جديدة كما هو موضح في الشكل (‪.)6.2‬‬
‫‪ .2‬وحيث أننا سنقوم بتقسيم متغيري "الوزن" و"العمر" بحسب متغير نوع الطالب‪ ،‬قم باختيار متغير "النوع" كما هو‬
‫مشار إليه في رقم (‪ )1‬في الشكل‪ .‬ثم اضغط على السهم المشار إليه في رقم (‪ ،)2‬فينتقل المتغير إلى الخانة‬
‫المشار إليها بالرقم (‪ ،)3‬والتي تشير لمتغير التصنيف المحدد‪.‬‬

‫كأن يتم ترتيب المتغيرات بناء على النوع أو الوزن أو المستوى التعليمي‪ ،‬وغيرها‪.‬‬ ‫‪1‬‬

‫مثل أن يتم تعريف متغير جديد يمثل مدخرات األشخاص بناء على الراتب الشهري والدخل اإلضافي والمصروف الشهري‪.‬‬ ‫‪2‬‬

‫مثل تعريف متغير كتلة الجسم كدالة في متغير الوزن‪.‬‬ ‫‪3‬‬

‫‪24‬‬
 ‫شكل ‪ :6.2‬نافذة ترتيب المشاهدات لملف البيانات "مثال‪."1‬‬

‫مالحظة‪:‬‬
‫إذا ما قمت بالضغط على (‪ )OK‬في النافذة‪ ،‬فسيتم تنفيذ إعادة الترتيب المطلوب في نفس ملف البيانات‬
‫األصلي "مثال‪ "1‬وهذا سيؤدي بدوره لتغيير ترتيب البيانات بصورة نهائية‪ ،‬لذلك ُيفضل عادة حفظ‬
‫التغييرات الجديدة في ملف بيانات جديد لتمكين المستخدم من العودة للبيانات األصلية متى أراد ذلك‪.‬‬
‫وهذا ما سنقوم به في الخطوة التالية‪.‬‬

‫‪ .3‬قم باختيار الخيار المشار إليه في الرقم (‪ )4‬في شكل (‪ ،)6.2‬ثم اضغط على أمر ملف (‪ )File‬المشار إليه‬

‫بالرقم (‪ )5‬وذلك لتحديد مسار واسم الملف الجديد الذي سيحتوي على البيانات ُ‬
‫المعاد ترتيبها‪ .‬ستظهر بالطبع‬
‫نافذة حفظ البيانات المعتادة‪ ،‬قم باختيار مسار سطح المكتب ثم قم بتعيين االسم "مثال‪ "2‬للملف الجديد واضغط‬
‫حفظ (‪ .)Save‬ستالحظ بعد ذلك‪ ،‬في نفس النافذة‪ ،‬ظهور مسار الملف واسمه بجانب أمر ملف (‪.)File‬‬
‫ِ‬
‫للمستخدم ترتيب متغيري الوزن والعمر‬ ‫‪ .4‬كخطوة اختيارية‪( ،‬مشار إليها بالرقم (‪ )6‬في الشكل (‪ ،))6.2‬يمكن‬
‫بحسب الترتيب التصاعدي (‪ )Ascending‬أو التنازلي (‪ )Descending‬لمتغير النوع‪ ،‬أي يمكن أن يكون‬
‫التصنيف األول هو للذكور المعرفين بالقيمة ‪( 1‬تصاعديا) أو لإلناث المعرفات بالقيمة ‪( 2‬تنازليا)‪ .‬في مثالنا‪،‬‬
‫سنبقي الترتيب االفتراضي‪ ،‬وهو التصاعدي‪ ،‬كما هو بدون تغيير‪ ،‬وسننهي خطوات إعادة ترتيب المتغيرات‬
‫بالضغط على موافق في النافذة‪ ،‬فيظهر‪ 1‬ملف البيانات الجديد باالسم "مثال‪ ،"2‬كما يظهر في الشكل (‪.)7.2‬‬
‫والحظ من الشكل كيف أن قيم مشاهدات الوزن والعمر لألطفال الذكور قد ظهرت في الصفوف األولى متبوعة‬
‫بالقيم الخاصة باألطفال اإلناث‪.‬‬

‫سيغلق تلقائيا‪.‬‬
‫الحظ أن ملف البيانات األصلي "مثال‪ُ "1‬‬
‫‪1‬‬

‫‪25‬‬
 ‫شكل ‪ :7.2‬البيانات المصنفة بحسب جنس الطالب‪( ،‬ملف البيانات "مثال‪.)"2‬‬

‫ويمكن إعادة ترتيب البيانات بناء على متغيرين بدال من متغير واحد‪ ،‬كما أشرنا سابقا‪ .‬ولتنفيذ ذلك عمليا‪ ،‬افترض‬
‫أننا نريد ترتيب البيانات في الملف "مثال‪ "1‬بناء على جنس الطفل أوال ثم عمر الطفل ثانيا‪ ،‬فنقوم بفتح‪ 1‬ملف‬
‫البيانات "مثال‪ "1‬من جديد‪ ،‬ثم إعادة تنفيذ الخطوات السابقة مع إجراء التغييرات التالية؛‬

‫في الخطوة الثانية‪ :‬وبعد اختيار متغير النوع ونقله للخانة المشار إليها بالرقم (‪ ،)3‬قم باختيار متغير‬ ‫‪‬‬
‫العمر ثم نقله للخانة (‪.)3‬‬
‫في الخطوة الثالثة‪ :‬قم بتعيين االسم "مثال‪ "3‬للملف الجديد واضغط حفظ (‪ ،)Save‬ثم اضغط موافق‬ ‫‪‬‬
‫(‪ )OK‬فيظهر ملف البيانات المطلوب كما يظهر في الشكل (‪.)8.2‬‬

‫شكل ‪ :8.2‬البيانات المصنفة بحسب جنس الطالب ثم عمره‪( ،‬ملف البيانات "مثال‪.)"3‬‬

‫الحظ هنا أن ملف البيانات "مثال‪ "2‬سيبقى مفتوحا‪.‬‬ ‫‪1‬‬

‫‪26‬‬
‫والحظ هنا الفرق في طريقة عرض البيانات في الملفين أن البيانات في الملف "مثال‪ "3‬هي مرتبة بحسب جنس‬
‫الطفل أوال (ذكور ثم إناث)‪ ،‬ويلي ذلك الترتيب الثاني بحسب عمر الطفل تصاعديا ضمن كل جنس‪ ،‬بمعنى أن‬
‫أوزان األطفال ستكون موزعة أو مصنفة إلى قسمين؛ الذكور ثم اإلناث‪ ،‬وأوزان الذكور (المناظرة للقيمة ‪ 1‬في‬
‫متغير النوع) ستكون موزعة بحسب أعمارهم (بداية من ‪ 4‬إلى ‪ 6‬سنوات)‪ ،‬وأوزان اإلناث أيضا (المناظرة للقيمة ‪2‬‬
‫في متغير النوع) ستكون موزعة بحسب أعمارهن (بداية من ‪ 4‬إلى ‪ 9‬سنوات)‪.‬‬

‫وهكذا‪ ،‬فإنه يمكن إعادة ترتيب أو تصنيف أي متغير أو أكثر بناء على متغير آخر أو أكثر بنفس الطريقة السابقة‪.‬‬
‫ويمكن للقارئ‪ ،‬كتمرين إضافي‪ ،‬إعادة ترتيب بيانات المثال "مثال‪ "1‬بحسب العمر أو الوزن فقط‪ ،‬أو بحسب العمر‬
‫ثم الجنس‪ ،... ،‬وهكذا‪ ،‬وتسمية البيانات الجديدة بأسماء مختلفة‪.‬‬

‫‪ 4.2‬حساب تكرار المشاهدات (‪)Counting Case Occurrence‬‬

‫في كثير من الدراسات التي يعتمد جمع البيانات فيها على توزيع استبيان (‪ )Questionnaire‬على‬
‫مجموعة من األشخاص أو الهيئات وأخذ آراؤهم في مواضيع محددة‪ ،‬قد يحتاج الباحث إلى حساب (أي جمع) رأي‬
‫مستبين (مستهدف) لمجموعة من األسئلة للخروج بقيمة عددية (كمية) تعكس مدى موافقة أو عدم موافقة‬
‫ْ‬ ‫كل‬
‫المستبين على هذه األسئلة‪ ،‬وفي هذه الحالة يمكن باستخدام برنامج ‪ SPSS‬حساب تكرار هذه اآلراء وتعريفها‬
‫ْ‬
‫كمتغير جديد يتم إضافته للبيانات األصلية‪ .‬وسنقوم فيما يلي بتوضيح كيفية تنفيذ هذه المهمة باستخدام مثال‬
‫توضيحي‪.‬‬

‫جدول ‪ :2.2‬اآلراء الخاصة بعينة من األشخاص حول‬

‫البيااانااات في الجاادول (‪ )2.2‬تمثاال آراء أو أجوبااة عينااة‬
‫استخدام بعض تطبيقات التواصل االجتماعي‪.‬‬
‫المستخدم‬ ‫فيسبوك‬ ‫واتساب‬ ‫فايبر‬ ‫إنستجرام‬ ‫مكونة من ‪ 12‬شا ااخص ردا على المطلوب التالي‪" :‬ضا ااع‬
‫‪1‬‬ ‫م‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫إشا ا ااارة (√) أمام التطبيقات التي تسا ا ااتخدمها واشا ا ااارة (×)‬
‫‪2‬‬ ‫م‪2‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫أمام التطبيقات التي ال تس ا ا ااتخدمها"‪ .‬وهذه التطبيقات هي‬
‫‪3‬‬ ‫م‪3‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫أشا ا ا ااهر أربعة تطبيقات في مجال التواصا ا ا اال االجتماعي؛‬
‫‪4‬‬ ‫م‪4‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪5‬‬ ‫م‪5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫فيسبوك )‪ ،)Facebook‬واتساب (‪ ،)WhatsApp‬فايبر‬
‫‪6‬‬ ‫م‪6‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫(‪ ،)Viber‬وانسا ا ا ا ا ا ااتجرام (‪ .)Instagram‬وخالل مرحلااة‬
‫‪7‬‬ ‫م‪7‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫تفريغ االسا ا ا ا ا ا ااتبيااان‪ ،‬تم إدراج القيم (م‪ ،1‬م‪ ،... ،2‬م‪)12‬‬
‫‪8‬‬ ‫م‪8‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬
‫كمتغير يمثل أس ا ا ا ااماء األش ا ا ا ااخاص في العينة‪ ،‬وتم تعيين‬
‫‪9‬‬ ‫م‪9‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬
‫القيمة ‪ 1‬لإلجابة بنعم (√) وتعيين القيمة ‪ 0‬لإلجابة بال‬
‫‪10‬‬ ‫م‪10‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪11‬‬ ‫م‪11‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫(×) وذل ااك لك اال تطبيق من التطبيق ااات األربع ااة‪ .‬فمثال‪،‬‬
‫‪12‬‬ ‫م‪12‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫الشا ااخص األول (م‪ )1‬كانت إجابته بأنه يسا ااتخدم تطبيقي‬
‫فيسبوك وواتساب وال يستخدم تطبيقي فايبر وانستجرام‪ ،‬وهكذا‪.‬‬

‫‪27‬‬
‫وهذا النوع من الترميز للمتغيرات يندرج تحت ما يسمى بالمتغير الوهمي (‪ ،)Dummy Variable‬والذي سنتناوله‬
‫بشرح أكثر تفصيال في الفصل الثالث‪( ،‬في البند ‪ 3.3.3‬تحديدا)‪.‬‬

‫قم أوال بإدخال بيانات الجدول (‪ )2.2‬في ملف بيانات جديد في ‪ SPSS‬باسم "تطبيقات التواصل االجتماعي"‪ ،‬ثم‬
‫قم بإجراء التغييرات الخاصة كما هو موضح في الشكل التالي (شكل (‪.))9.2‬‬

‫مالحظة‪:‬‬
‫بالنسبة للمتغير األول؛ "المستخدم"‪ ،‬قم بتغيير طبيعة المتغير (‪ )Type‬إلى (‪ )String‬بدال من (‪)Numeric‬‬
‫لكي تتمكن من إدخال أسماء المستخدمين كقيم غير عددية للمتغير‪.‬‬

‫المطلوب تنفيذه في هذا المثال هو جمع كل اإلجابات بنعم لمستخدمي التطبيقات‪ ،‬أي تعريف متغير جديد يمثل‬
‫عدد التطبيقات التي يستخدمها كل شخص من بين هذه التطبيقات األربعة‪ ،‬وبمعنى أبسط؛ المتغير الجديد سيكون‬
‫عبارة عن حاصل جمع كل صف في األعمدة األربعة األخيرة‪.‬‬

‫شكل ‪ :9.2‬أسلوبي عرض المتغيرات (في األعلى) وعرض البيانات (في األسفل) لملف البيانات "تطبيقات التواصل االجتماعي"‪.‬‬

‫‪28‬‬
‫في نافذة عرض البيانات لملف "تطبيقات التواصل االجتماعي"‪ ،‬قم باختيار أمر تحويل (‪ )Transform‬في شريط‬
‫األوامر العلوي‪ ،‬ثم اختر أمر عد القيم ضمن المشاهدات (‪ )Count Values within Cases‬من القائمة‬
‫المنسدلة‪ .‬فتظهر لك النافذة الخاصة بتنفيذ هذه العملية كما ُيشاهد في الشكل (‪.)10.2‬‬

‫المستهدف (‪ ،)Target Variable‬يتم إدخال اسم للمتغير الجديد الذي سيمثل‬

‫َ‬ ‫في الخانة (‪ ،)1‬وهو مربع المتغير‬
‫تك اررات القيمة المطلوبة (وهي القيمة ‪ 1‬في مثالنا)‪ ،‬وليكن هذا االسم هو "التطبيقات"‪ .‬وفي الخانة (‪ ،)2‬وهو وصف‬
‫المستهدف (‪ ،)Target Label‬يتم كتابة وصف لما يمثله هذا المتغير الجديد‪ ،‬وليكن الوصف هو "عدد‬
‫َ‬ ‫المتغير‬
‫التطبيقات المستخدمة"‪.‬‬

‫شكل ‪ :10.2‬النافذة الخاصة بتنفيذ عد تك اررات القيم ضمن المشاهدات‪.‬‬

‫بعد ذلك‪ ،‬وفي الخانة (‪ ،)3‬يتم اختيار‪ 1‬المتغيرات التي يرغب المستخدم في جمع تك اررات قيمها‪ ،‬وفي مثالنا ستكون‬
‫المتغيرات المطلوبة هي "فيسبوك"‪" ،‬واتساب"‪" ،‬فايبر"‪ ،‬و"إنستجرام"‪ .‬وبعد اختيارها‪ ،‬اضغط على سهم نقل المتغيرات‬
‫فتنتقل المتغيرات التي تم اختيارها إلى مربع المتغيرات (‪ )Variables‬في الخانة (‪.)4‬‬

‫المرحلة التالية ستكون تحديد القيمة المطلوب جمع تك ارراتها‪( ،‬وهي القيمة ‪ 1‬في كل المتغيرات األربعة)‪ ،‬ويتم ذلك‬
‫عن طريق الضغط على خيار تعريف القيم (‪ )Define Values‬المشار إليه بالسهم (‪ .)5‬فتظهر نافذة جديدة كما‬
‫يظهر في الشكل التالي‪( ،‬شكل (‪.))11.2‬‬

‫مالحظة‪:‬‬
‫بالنسبة للخيار (‪ ،)6‬وهو الدالة الشرطية إذا (‪ ،)If‬فيمكن استخدامه إذا ما أراد المستخدم وضع قيد أو شرط‬
‫على عملية عد التك اررات ضمن المتغيرات بحيث يتم اعتبار أو استثناء قيم محددة بناء على الشرط أو الشروط‬
‫الموضوعة من ِقبل المستخدم‪.‬‬

‫يمكن أن يتم اختيار كل متغير على حدة أو تظليل كل المتغيرات المطلوبة واختيارها معا‪.‬‬ ‫‪1‬‬

‫‪29‬‬
‫في هذه النافذة الجديدة‪( ،‬شكل (‪ ،))11.2‬يتم إدخال القيمة المطلوب عد تك ارراتها في المتغيرات في الخانة (أ)‪،‬‬
‫وهو مربع القيمة (‪ ،)Value‬وفي مثالنا سيتم إدخال القيمة ‪ 1‬في هذه الخانة‪.‬‬

‫وبمجرد كتابة‪ 1‬القيمة ‪ ،1‬سيضاء مربع خيار إضافة (‪ )Add‬المشار إليه بالسهم (ب)‪ ،‬قم بالضغط عليه فتنتقل‬
‫القيمة ‪ 1‬إلى الخانة (ج)‪ ،‬وهو مربع القيم التي سيتم عدها (‪ .)Values to count‬قم بعدها بإنهاء العملية عن‬
‫طريق الضغط على استمرار (‪ )Continue‬في أسفل النافذة‪.‬‬

‫مالحظة‪:‬‬
‫ستخدم عندما نرغب ِب َعد تك اررات قيم تتراوح في مدى أو فترة‬
‫بالنسبة للخيار (د)‪ ،‬وهو المدى (‪ُ ،)Range‬في َ‬
‫معينة وليس َعد قيم مفردة‪ ،‬فمثال إذا كان المطلوب هو عد تك اررات قيم من ‪ 2‬إلى ‪ 4‬فقط من ضمن متغيرات‬
‫معينة تضم قيما من ‪ 1‬إلى ‪ ،5‬فيتم اختيار الخيار (د) ثم كتابة ‪ 2‬في الخانة األولى التي تليه وكتابة ‪ 4‬في‬
‫الخانة الثانية‪ .‬أما الخيارين األخيرين؛ (‪ )Range, LOWEST through value‬و( ‪Range, value‬‬
‫‪ُ )through HIGHEST‬فيستخدمان عندما يكون المطلوب هو عد تك اررات قيم من قيمة معينة فأعلى منها‪،‬‬
‫أو قيمة معينة فأدنى منها‪ ،‬على الترتيب‪.‬‬

‫عدها ضمن المشاهدات‪.‬‬

‫شكل ‪ :11.2‬النافذة الخاصة بتحديد قيم التك اررات المطلوب ّ‬

‫بدون الضغط على أمر اإلدخال (‪ )Enter‬في لوحة المفاتيح‪.‬‬ ‫‪1‬‬

‫‪30‬‬
‫بعد الضغط على استمرار (‪ )Continue‬في النافذة السابقة‪ ،‬سيتم العودة للنافذة األولى‪( ،‬الشكل (‪ ،))10.2‬والتي‬
‫ستبدو بالصورة التالية‪( ،‬شكل (‪))12.2‬؛‬

‫شكل ‪ :12.2‬النافذة الخاصة بتنفيذ عد تك اررات القيم ضمن المشاهدات بعد تطبيق الخيارات‪.‬‬

‫اضغط موافق (‪ )OK‬إلنهاء العملية بالكامل‪ ،‬وستالحظ ظهور متغير جديد‪ ،‬هو "التطبيقات"‪ ،‬كما ُيشاهد في الشكل‬
‫(‪ ،)13.2‬والذي يمثل عدد التطبيقات التي يستخدمها كل شخص في عينة البيانات من بين التطبيقات األربعة‪.‬‬
‫(ويمكن للقارئ تغيير عدد الخانات العشرية للمتغير الجديد إلى ‪ ،0‬للحصول على مظهر أفضل للبيانات)‪.‬‬

‫شكل ‪ :13.2‬عرض بيانات ملف "تطبيقات التواصل االجتماعي" بعد تعريف متغير "التطبيقات"‪.‬‬

‫‪31‬‬
 ‫‪ 5.2‬إعادة ترميز المتغيرات (‪)Recoding Variables‬‬

‫يوفر برنامج ‪ SPSS‬أيضا إمكانية إعادة ترميز أو تغيير قيم متغير أو أكثر في البيانات بحسب ما تتطلبه‬
‫ويقصد بإعادة الترميز هنا تغيير بعض أو كل قيم المتغير بشكل تلقائي وليس‬
‫الدراسة أو التحليل اإلحصائي‪ُ .‬‬
‫المقصود هو تصحيح بعض األخطاء ضمن القيم؛‬

‫فمثال عند اكتشاف وجود بعض األخطاء في إدخال قيم أحد المتغيرات التي تمثل الحالة االجتماعية بحيث أن‬
‫بعض األشخاص قد تم تسجيل مستواهم الدراسي بأنه "ماجستير" وهو في الحقيقة "دكتوراه"‪ ،‬فإن هذا يستدعي‬
‫تصحيح هذا الخطأ يدويا أي تعديل القيم الخاصة بهؤالء األشخاص فقط‪ ،‬أما إذا كان المطلوب مثال هو تغيير قيم‬
‫المتغير الخاص بالمستوى الدراسي بحيث تتغير كل القيم المناظرة للقيمة "ماجستير" والقيمة "دكتوراه" إلى القيمة‬
‫"فوق الجامعي"‪ ،‬فهنا يمكن استخدام خيار إعادة الترميز التلقائي‪.‬‬

‫ويمكن في برنامج ‪ SPSS‬تنفيذ إعادة الترميز لنفس المتغير‪( ،‬أي تغيير قيم المتغير األصلي نفسه)‪ ،‬أو تغيير القيم‬
‫وتعريفها باسم متغير جديد‪ .‬وسنبدأ بتطبيق الخيار األول وهو تغيير قيم المتغير نفسه‪.‬‬

‫‪ 1.5.2‬إعادة ترميز القيم لنفس المتغير (‪)Recode into Same Variable‬‬

‫في هذا الخيار‪ ،‬سيتم تغيير قيم المتغير نفسه بحيث أنه سيتم استبدال القيم األصلية بالقيم الجديدة‪ ،‬لذلك‬
‫ال يتم استخدام هذا الخيار إال عند التأكد من عدم احتياجنا للقيم األصلية للمتغير الحقا‪ .‬وكمثال تطبيقي‪ ،‬لنأخذ‬
‫ملف البيانات المحفوظ لدينا باسم "مثال‪."1‬‬

‫لنفرض أننا نرغب بإعادة ترميز الذكور بالقيمة ‪ 0‬بدال من القيمة األصلية ‪ ،1‬واعادة ترميز اإلناث بالقيمة ‪ 1‬بدال‬
‫من القيمة األصلية ‪ ،2‬فنقوم باآلتي؛ قم بفتح الملف "مثال‪ ،"1‬ثم قم من شريط األوامر العلوي باختيار أمر تحويل‬
‫(‪ )Transform‬ثم اختر إعادة ترميز في نفس المتغيرات (‪.)Recode into Same Variables‬‬

‫شكل ‪ :14.2‬النافذة الخاصة بإعادة الترميز في نفس المتغير للبيانات "مثال‪."1‬‬

‫‪32‬‬
‫ستظهر عندها نافذة جديدة‪ ،‬كما ُيشاهد في الشكل (‪ ،)14.2‬قم في هذه النافذة باختيار المتغير المطلوب إعادة‬
‫ترميزه‪ ،‬وهو متغير "النوع" في مثالنا‪ ،‬واضغط سهم النقل لنقله إلى خانة المتغيرات المشار إليها بالرقم (‪ .)2‬بعد‬
‫ذلك اضغط على خيار تعريف القيم القديمة والجديدة (‪ )Old and New Values‬والمشار إليه بالرقم (‪ ،)3‬فتظهر‬
‫نافذة جديدة‪( ،‬الشكل (‪ ،))15.2‬والتي سيتم فيها إعادة ترميز القيم‪.‬‬

‫مالحظة‪:‬‬
‫بالنسبة للخيار (‪ ،)4‬في الشكل (‪ ،)14.2‬وهو الدالة الشرطية إذا (‪ ،)If‬فقد سبقت اإلشارة إليه حيث يمكن‬
‫استخدامه في وضع قيد أو شرط على عملية تغيير القيم ضمن المتغيرات بحيث يتم اعتبار أو استثناء قيم‬
‫محددة بناء على الشرط أو الشروط الموضوعة من ِقبل المستخدم‪.‬‬

‫حيث أن التغيير المطلوب في متغير "النوع" هو تغيير القيمة (القديمة) ‪ 1‬إلى (الجديدة) ‪ 0‬والقيمة (القديمة) ‪ 2‬إلى‬
‫(الجديدة) ‪ ،1‬فنقوم بإدخال القيمة ‪ 1‬في خانة القيمة القديمة (‪ )Old Value‬المشار إليها ب (أ)‪ ،‬وادخال القيمة ‪0‬‬
‫في خانة القيمة الجديدة (‪ )New Value‬المشار إليها ب (ب) ثم نضغط إضافة (‪ )Add‬فيتم إعادة الترميز كما‬
‫ُيشاهد في الخانة (ج)‪ .‬وبنفس الكيفية‪ ،‬يتم إدخال التغيير الثاني للمتغير؛ وهو القيمة ‪ 2‬في (أ) والقيمة ‪ 1‬في (ب)‬
‫فيظهر الترميز الجديد في الخانة (ج) أسفل الترميز السابق‪.1‬‬

‫شكل ‪ :15.2‬نافذة تعريف القيم القديمة والجديدة للمتغير في خيار إعادة الترميز في نفس المتغير‪.‬‬

‫قم بعد ذلك بالضغط على استمرار (‪ )Continue‬للعودة للنافذة السابقة (الشكل (‪ ،))14.2‬وفيها اضغط موافق‬
‫(‪ )OK‬لالنتهاء‪ .‬وبعدها ستالحظ تنفيذ التغير المطلوب في قيم متغير "النوع"‪ .‬إال أنه في هذا المثال‪ ،‬يجب تعديل‬

‫يمكن بهذه الطريقة إعادة ترميز أكثر من قيمتين ألي متغير‪ ،‬وأما الخيارات األخرى التي تظهر في النافذة‪ ،‬فيكون لها نفس الدور كما‬ ‫‪1‬‬

‫هو موضح في الشكل السابق (‪.)11.2‬‬

‫‪33‬‬
‫تصنيف قيم المتغير (‪ )Values‬في اسلوب عرض المتغيرات بحيث تناظر الرموز الجديدة ‪ 0‬و‪ 1‬التصنيف ذكر‬
‫وأنثى على الترتيب‪ .‬لذلك قم بتعيين القيمة ‪ 0‬للتصنيف "ذكر" والقيمة ‪ 1‬للتصنيف "أنثى" وقم بعدها بإلغاء‬
‫(‪ )Remove‬التصنيفات القديمة‪ ،‬ثم اضغط موافق (‪ .)OK‬وبهذا نكون قد نفذنا عملية إعادة ترميز القيم في نفس‬
‫متغير‪.‬‬

‫‪ 2.5.2‬إعادة ترميز القيم في متغير مختلف (‪)Recode into Different Variable‬‬

‫في هذه الحالة سيتم تعريف متغير جديد قيمه تمثل الترميز المطلوب الذي تم باستخدام المتغير األصلي‪،‬‬
‫بمعنى أنه سيتم تعريف متغير أو متغيرات إضافية في ملف البيانات‪ .‬ويمكن استخدام ملف البيانات "مثال‪،"2‬‬
‫كمثال توضيحي لعملية إعادة الترميز‪.‬‬

‫لنفرض أننا نرغب بتعريف متغير جديد يمثل تصا ا ا ا ا ا اانيف ألوزان األطفال في البيانات "مثال‪ ،"2‬بحيث يتم إعطاء‬
‫الرمز أو القيمة ‪ 1‬لألطفال الذين تقل أوزانهم عن ‪ 10‬كجم‪ ،‬والقيمة ‪ 2‬لألطفال الذين تتراوح أوزانهم ما بين ‪10‬‬
‫و‪ 20‬كجم‪ ،‬والقيمة ‪ 3‬لألطفال الذين تزيد أوزانهم عن ‪ 20‬كجم‪ .‬لتنفيذ ذلك‪ ،‬قم أوال بفتح ملف البيانات "مثال‪،"2‬‬
‫ثم اختيااار أمر تحوياال (‪ )Transform‬من ش ا ا ا ا ا ا اريط األوامر العلوي‪ ،‬ثم اختر إعااادة ترميز في متغير مختلف‬
‫(‪ .)Recode into Different Variables‬س اتظهر عندها نافذة إعادة الترميز في متغير جديد‪ ،‬كما ُيشاااهد في‬
‫الشكل (‪.)16.2‬‬

‫شكل ‪ :16.2‬النافذة الخاصة بإعادة الترميز في متغير مختلف للبيانات "مثال‪."2‬‬

‫سنقوم باختيار المتغير المطلوب‪ ،‬وهو متغير "الوزن" من الخانة (‪ ،)1‬ثم ننقله إلى الخانة (‪ )2‬باستخدام سهم النقل‪.‬‬
‫وفي الخانة (‪ ،)3‬سيتم اختيار االسم المرغوب للمتغير الجديد ووصفه‪ ،‬ولنقم بتسمية المتغير الجديد باالسم "الوزن‪"2‬‬
‫وكتابة "تصنيف الوزن" في مربع الوصف (‪ ،)Label‬ثم نضغط على أمر تغيير (‪ ،)Change‬فنالحظ عندها‬
‫حدوث هذا التغيير في الخانة (‪ )2‬حيث سيظهر فيها النص "الوزن ‪ <--‬الوزن‪."2‬‬

‫‪34‬‬
‫بعد ذلك سنقوم بتعريف القيم التي نود إعادة كتابتها في المتغير الجديد باستخدام قيم متغير "الوزن"‪ ،‬فنقوم باختيار‬
‫أمر تعريف القيم القديمة والجديدة (‪ )Old and New Values‬والمشار إليه بالرقم (‪ )4‬في الشكل (‪،)16.2‬‬
‫فتظهر نافذة جديدة كما ُيرى في الشكل (‪.)17.2‬‬

‫شكل ‪ :17.2‬نافذة تعريف القيم القديمة والجديدة للمتغير في خيار إعادة الترميز في متغير مختلف‪.‬‬

‫في هذه النافذة‪( ،‬شكل (‪ ،))17.2‬سنقوم بتعيين القيم ‪ ،2 ،1‬و‪ 3‬للتصنيفات الثالثة؛ األطفال الذين تقل أوزانهم عن‬
‫‪ 10‬كجم‪ ،‬األطفال الذين تتراوح أوزانهم ما بين ‪ 10‬و‪ 20‬كجم‪ ،‬واألطفال الذين تزيد أوزانهم عن ‪ 20‬كجم على‬
‫الترتيب‪.‬‬

‫لتعيين القيمة األولى‪ ،‬والتي تشمل كل األوزان التي هي أقل من ‪ 10‬كجم‪ ،‬نحتاج الستخدام الخيار المدى‪ ،‬القيمة‬
‫فأقل (‪ .)Range, LOWEST through value‬فنكتب أوال القيمة المحددة للتصنيف األول وهي القيمة ‪ 1‬في‬
‫خانة القيمة الجديدة (‪ ،)New Value‬ثم نكتب القيمة ‪( ،9.9‬وهي القيمة‪ 1‬األقل من ‪ 10‬كجم مباشرة في متغير‬
‫الوزن)‪ ،‬ثم نضغط إضافة (‪ .)Add‬وبهذا نكون قد قمنا بتعيين القيمة األولى وهي ‪ 1‬إلى التصنيف األول وهو‬
‫األوزان األقل من ‪ 10‬كجم‪ .‬وبنفس الطريقة سيتم تعيين القيم التالية للتصنيفات التالية‪.‬‬

‫لتعيين القيمة الثانية‪ ،‬وهي القيمة ‪ 2‬للتصنيف الثاني وهو األوزان من ‪ 10‬كجم إلى ‪ 20‬كجم‪ ،‬نكتب القيمة ‪ 2‬في‬
‫خانة القيمة الجديدة (‪ )New Value‬ثم نضغط على الخيار المدى (‪ )Range‬فتظهر خانتان فارغتان أسفل منه‪.‬‬
‫يتم إدخال القيمة ‪ 10‬في الخانة العليا والقيمة ‪ 20‬في الخانة السفلى والضغط على (‪.)Add‬‬

‫‪ 1‬ننوه هنا إلى أنه إذا ما تم كتابة القيمة ‪ 10‬في خانة (‪ )Range, LOWEST through value‬فإن هذا التصنيف سيشمل على الوزن‬
‫‪ 10‬كجم ضمنه‪.‬‬

‫‪35‬‬
‫ولتعيين القيمة الثالثة‪ ،‬وهي القيمة ‪ 3‬للتصنيف الثالث‪ ،‬وهم األطفال الذين تزيد أوزانهم عن ‪ 20‬كجم‪ ،‬نكتب القيمة‬
‫‪ 3‬في خانة القيمة الجديدة (‪ )New Value‬ثم نضغط على الخيار المدى‪ ،‬القيمة فأكبر من ( ‪Range, value‬‬
‫‪ )through HIGHEST‬ونكتب فيه القيمة ‪( ،20.1‬ألن القيمة ‪ 20‬كجم هي ضمن نطاق التصنيف الثاني)‪ ،‬ثم‬
‫نضغط على إضافة‪ .‬وبعد االنتهاء من تعيين كل القيم المحددة للتصنيفات السابقة نضغط على استمرار‬
‫(‪.)Continue‬‬

‫ستتم العودة بعد ذلك للنافذة السابقة‪( ،‬شكل (‪ ،))16.2‬نقوم بعدها بالضغط على (‪ )OK‬فيظهر المتغير الجديد‬
‫"الوزن‪ "2‬في نافذة عرض البيانات في الملف "مثال‪ "2‬كما هو موضح في الشكل (‪.)18.2‬‬

‫شكل ‪ :18.2‬عرض بيانات ملف "مثال‪ "2‬بعد تعريف المتغير "الوزن‪."2‬‬

‫‪ 3.5.2‬إعادة الترميز التلقائي (‪)Automatic Recoding‬‬

‫في هذا النوع من إعادة الترميز‪ ،‬يتم تلقائيا تعيين قيم افتراضية مناظرة لقيم المتغير األصلية بحيث يأخذ‬
‫كل تصنيف قيمة تسلسلية هي (‪ .)... ،3 ،2 ،1‬ويتم عادة استخدام هذا األسلوب من إعادة الترميز عند الحاجة‬
‫لتغيير قيم مجموعة كبيرة من المتغيرات دفعة واحدة أو الحاجة لتعريف متغير جديد يكون نسخة رقمية من المتغير‬
‫األصلي أو لغير ذلك من األسباب‪ .‬والستخدام هذا األسلوب‪ ،‬لنأخذ في االعتبار المثال التالي‪( ،‬الجدول (‪،))3.2‬‬
‫والذي يتكون من المتغيرين "التقدير" و"القسم" واللذان يمثالن التقدير الدراسي للطالب والقسم العلمي الذي ينتمي له‬
‫لعينة من ‪ 15‬طالب‪ .‬قم بإدخال البيانات في برنامج ‪ SPSS‬في ملف جديد‪ 1‬باسم "مثال‪ ."4‬وسنقوم بإعادة ترميز‬
‫كال من المتغيرين؛ "التقدير" و"القسم" باستخدام إعادة الترميز التلقائي‪.‬‬

‫عند إدخال أسماء األقسام للمتغير "القسم" يجب زيادة عدد الخانات في عامود العرض (‪ )Width‬لتستوعب أسماء األقسام الطويلة‪،‬‬ ‫‪1‬‬

‫(‪ 12‬كعدد خانات سيكون مناسبا)‪.‬‬

‫‪36‬‬
 ‫جدول ‪ :3.2‬البيانات الخاصة بملف البيانات "مثال‪."4‬‬

‫التقدير‬
‫‪B‬‬ ‫‪C‬‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪C‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪A‬‬ ‫‪D‬‬ ‫‪C‬‬ ‫‪B‬‬ ‫‪B‬‬ ‫‪A‬‬ ‫‪B‬‬

‫الرياضيات‬

‫الرياضيات‬

‫الرياضيات‬
‫علم النبات‬

‫علم النبات‬
‫اإلحصاء‬

‫اإلحصاء‬

‫اإلحصاء‬

‫اإلحصاء‬

‫اإلحصاء‬
‫الكيمياء‬

‫الكيمياء‬

‫الكيمياء‬
‫الحيوان‬

‫الفيزياء‬

‫القسم‬
‫علم‬
‫في شريط األوامر العلوي‪ ،‬قم باختيار أمر تحويل (‪ )Transform‬ثم اختر إعادة الترميز التلقائي ( ‪Automatic‬‬
‫‪ )Recode‬فتظهر النافذة الخاصة بهذا األمر كما هو موضح في الشكل (‪ )19.2‬أدناه‪ .‬في الخانة المشار لها‬
‫بالرقم (‪ ) 1‬سنقوم باختيار المتغير األول الذي سيتم إعادة ترميزه تلقائيا‪ ،‬وهو متغير "التقدير"‪ ،‬ثم نقوم بنقله إلى‬
‫الخانة (‪ )2‬باستخدام سهم النقل‪ .‬بعد ذلك نقوم في خانة االسم الجديد (‪ )New Name‬الخانة (‪ )3‬بكتابة االسم‬
‫المرغوب للمتغير الجديد (الذي سيحصل على الترميز التلقائي)‪ ،‬وليكن "التقدير‪ "2‬ثم نضغط على أمر إضافة اسم‬
‫جديد (‪ )Add New Name‬فتظهر لنا في الخانة (‪ )2‬العبارة؛ "التقدير ‪ <--‬التقدير‪."2‬‬

‫بنفس الكيفية يتم اختيار المتغير الثاني "القسم" من الخانة (‪ )1‬ونقله إلى الخانة (‪ )2‬وتسميته‪ ،‬على سبيل المثال‪،‬‬
‫"القسم‪ "2‬والضغط على أمر (‪ )Add New Name‬فتظهر العبارة؛ "القسم ‪ <--‬القسم‪ "2‬في الخانة (‪.)2‬‬

‫وننوه هنا إلى إمكانية اختيار الترتيب المطلوب إلعادة الترميز تصاعديا أو تنازليا باستخدام خيار إعادة الترميز‬
‫بداية من (‪ ،)Recode Starting from‬حيث يستخدم خيار القيمة األقل (‪ )Lowest value‬للترتيب التصاعدي‪،‬‬
‫وخيار القيمة األكبر (‪ )Highest value‬للترتيب التنازلي‪.‬‬

‫شكل ‪ :19.2‬النافذة الخاصة بإعادة الترميز التلقائي لملف البيانات "مثال‪."4‬‬

‫‪37‬‬
 ‫مالحظة‪:‬‬
‫في نافذة إعادة الترميز التلقائي‪( ،‬الشكل (‪ ،))19.2‬يمكن استخدام الخيار الخاص بحفظ واعادة تطبيق نمط‬
‫إعادة الترميز أي القالب (‪ )Template‬الموجود في أسفل النافذة عند التعامل مع بيانات أخرى مستقبال‪.‬‬

‫بعد االنتهاء من اختيار المتغيرات وتعريف أسماء المتغيرات الجديدة نضغط موافق (‪ )OK‬فيتم التنفيذ ويظهر‬
‫المتغيران الجديدان "التقدير‪ "2‬و"القسم‪ "2‬في ملف البيانات "مثال‪( ،"4‬الشكل (‪ .))20.2‬ويمكنك رؤية نمط الترميز‬
‫للمتغيرين من خالل نافذة المخرجات (‪.)Output‬‬

‫والحظ أن ترميز المتغير "التقدير" قد تم بحيث أن قيم المتغير (‪ )A, B, C, D‬تناظر القيم (‪ )1, 2, 3, 4‬في‬
‫المتغير الجديد "التقدير‪ "2‬على الترتيب‪ .‬وأما في المتغير "القسم‪ ،"2‬فقد تم تعيين القيم (من ‪ 1‬إلى ‪ )6‬بحسب عدد‬
‫األقسام أبجديا‪ ،‬بداية من قسم اإلحصاء ممثال بالقيمة ‪ 1‬وانتهاء بقسم علم النبات ممثال بالقيمة ‪.6‬‬

‫شكل ‪ :20.2‬عرض بيانات ملف "مثال‪ "4‬بعد تعريف المتغيران "التقدير‪ "2‬و"القسم‪."2‬‬

‫‪ 4.5.2‬تعريف دالة جديدة لمتغير (‪)Compute Variable‬‬

‫ُيعد هذا األمر في برنامج ‪ SPSS‬بمثابة الحالة العامة للترميز أو استخدام دوال حسابية واحصائية في‬
‫تعريف متغير جديد اعتمادا على المتغير األصلي‪ .‬واستخدام هذا األمر يتضمن مجاالت واسعة تتدرج من تعريف‬
‫الدوال البسيطة‪( ،‬مثل العمليات الحسابية البسيطة؛ جمع‪ ،‬طرح‪ ،‬ضرب‪ ،‬قسمة)‪ ،‬إلى تعريف الدوال الرياضية‬
‫واإلحصائية األكثر تعقيدا‪.‬‬

‫‪38‬‬
‫وسنقوم هنا بتقديم بعض األمثلة على استخدام هذا األمر من خالل البيانات في الجدول التالي‪( ،‬جدول (‪،))4.2‬‬
‫والذي يتضمن أسعار النفط العالمية الشهرية لمزيج برنت بالدوالر األمريكي لخمسة سنوات افتراضية‪ .‬وسنقوم‬
‫بإدخال هذه البيانات في ملف بيانات جديد في برنامج ‪ SPSS‬باسم "أسعار النفط"‪.‬‬

‫جدول ‪ :4.2‬أسعار النفط العالمية الشهرية لمزيج برنت بالدوالر األمريكي لخمسة سنوات‪.‬‬
‫السنة‪1‬‬ ‫السنة‪2‬‬ ‫السنة‪3‬‬ ‫السنة‪4‬‬ ‫السنة‪5‬‬
‫‪1‬‬ ‫‪42‬‬ ‫‪45‬‬ ‫‪48‬‬ ‫‪58‬‬ ‫‪61‬‬
‫‪2‬‬ ‫‪41‬‬ ‫‪46‬‬ ‫‪50‬‬ ‫‪58‬‬ ‫‪61‬‬
‫‪3‬‬ ‫‪42‬‬ ‫‪45‬‬ ‫‪51‬‬ ‫‪56‬‬ ‫‪62‬‬
‫‪4‬‬ ‫‪43‬‬ ‫‪47‬‬ ‫‪52‬‬ ‫‪57‬‬ ‫‪64‬‬
‫‪5‬‬ ‫‪42‬‬ ‫‪47‬‬ ‫‪52‬‬ ‫‪58‬‬ ‫‪64‬‬
‫‪6‬‬ ‫‪44‬‬ ‫‪48‬‬ ‫‪52‬‬ ‫‪57‬‬ ‫‪65‬‬
‫‪7‬‬ ‫‪43‬‬ ‫‪47‬‬ ‫‪54‬‬ ‫‪59‬‬ ‫‪63‬‬
‫‪8‬‬ ‫‪42‬‬ ‫‪49‬‬ ‫‪53‬‬ ‫‪60‬‬ ‫‪63‬‬
‫‪9‬‬ ‫‪40‬‬ ‫‪47‬‬ ‫‪55‬‬ ‫‪60‬‬ ‫‪62‬‬
‫‪10‬‬ ‫‪44‬‬ ‫‪48‬‬ ‫‪54‬‬ ‫‪58‬‬ ‫‪63‬‬
‫‪11‬‬ ‫‪45‬‬ ‫‪46‬‬ ‫‪55‬‬ ‫‪60‬‬ ‫‪64‬‬
‫‪12‬‬ ‫‪44‬‬ ‫‪49‬‬ ‫‪57‬‬ ‫‪59‬‬ ‫‪65‬‬

‫في شريط األوامر العلوي‪ ،‬قم باختيار ‪ Transform>Compute Variable‬فتظهر نافذة حساب المتغير كما‬
‫يظهر في الشكل (‪.)21.2‬‬

‫شكل ‪ :21.2‬نافذة تعريف دالة جديدة لمتغير‪( ،‬حساب متغير)‪ ،‬لملف بيانات "أسعار النفط"‪.‬‬

‫‪39‬‬
‫لنفرض اآلن أننا نريد تعريف متغير جديد يمثل المجموع الشهري ألسعار النفط خالل السنوات الخمس‪ ،‬فنقوم في‬
‫نافذة حساب المتغير بكتابة اسم المتغير الجديد‪ ،‬وليكن "المجموع_الشهري"‪ ،‬في مربع المتغير المستهدف ( ‪Target‬‬
‫‪ ،)Variable‬ثم ندخل الدالة أو العملية الحسابية المطلوبة في مربع الدالة الحسابية (‪)Numeric Expression‬‬
‫وهي مجموع القيم لكل شهر (والذي يمثله صف المشاهدات) في المتغيرات الخمسة‪ ،‬وهكذا فإن العملية المطلوبة‬
‫سيتم كتابتها كمجموع للمتغيرات الخمسة كما هو ظاهر في الشكل (‪.)21.2‬‬

‫ويتم تنفيذ ذلك عن طريق اختيار المتغير األول (السنة‪ )1‬من مربع المتغيرات في يسار النافذة ونقله بالسهم إلى‬
‫مربع الدالة الحسابية ثم الضغط على إشارة الجمع (‪ )+‬في لوحة المفاتيح في وسط النافذة‪ ،‬ثم اختيار المتغير الثاني‬
‫(السنة‪ )2‬ونقله إلى مربع الدالة الحسابية ثم الضغط على إشارة الجمع وهكذا حتى اختيار المتغير الخامس (السنة‪.)5‬‬
‫بعد ذلك نضغط موافق (‪ )OK‬للتنفيذ‪ ،‬وفي ملف البيانات الحالي‪" ،‬أسعار النفط"‪ ،‬سيظهر المتغير الجديد باسم‬
‫"المجموع_الشهري"‪.‬‬

‫كمثال آخر‪ ،‬لنفرض أن األسعار في السنة الخامسة كان بها خطأ في الرصد حيث أنها كانت أعلى من القيم‬
‫الصحيحة بمقدار دوالرين‪ ،‬ونريد اآلن تصحيح هذا الخطأ عن طريق تعريف متغير جديد‪ .‬لذلك نقوم في نافذة‬
‫حساب المتغير بكتابة اسم المتغير الجديد‪ ،‬وليكن "السنة‪_5‬مصحح"‪ ،‬في مربع المتغير المستهدف ثم نقوم باختيار‬
‫المتغير الذي سيتم التعامل معه‪ ،‬وهو "السنة‪ "5‬من مربع المتغيرات وننقله إلى مربع الدالة الحسابية ثم نختار إشارة‬
‫الطرح (‪ )-‬في لوحة المفاتيح في وسط النافذة ونكتب القيمة ‪ 2‬بعدها‪ ،‬ثم نضغط موافق فنحصل على المتغير‬
‫الجديد المطلوب‪.‬‬

‫ويمكن استخدام بعض الدوال اإلحصائية في تعريف متغير جديد‪ ،‬فمثال إذا ما أردنا حساب متغير جديد يمثل قيمة‬
‫الوسيط (‪ )Median‬ألسعار النفط الشهرية‪( ،‬أي حساب الوسيط ألسعار النفط لكل شهر من أشهر السنة على‬
‫مدى السنوات الخمسة)‪ ،‬فإننا نقوم باآلتي؛ في نافذة حساب المتغير بكتابة اسم المتغير الجديد‪ ،‬وليكن‬
‫"الوسيط_للسعر_الشهري"‪ ،‬في مربع المتغير المستهدف ثم نقوم باختيار الدوال اإلحصائية (‪ )Statistical‬من مربع‬
‫مجموعات الدوال (‪ )Function group‬في يمين النافذة‪ ،‬فتظهر قائمة بالدوال اإلحصائية المتوفرة في مربع الدوال‬
‫والمتغيرات الخاصة (‪ )Functions and Special Variables‬أسفل منها‪ .‬قم باختيار دالة الوسيط (‪)Median‬‬
‫من بين تلك الدوال عن طريق النقر المزدوج عليها‪( ،‬أو سحبها بالفأرة إلى المربع المرغوب)‪.‬‬

‫عندها ستظهر دالة الوسيط في مربع الدالة الحسابية مع عالمتي استفهام‪ ،‬قم بإلغاء األقواس وعالمتي االستفهام‬
‫ثم قم بفتح قوس جديد وانقل المتغيرات "السنة‪" ،"1‬السنة‪" ،"2‬السنة‪" ،"3‬السنة‪ ،"4‬و"السنة‪_5‬مصحح" بعد القوس‬
‫المفتوح مع مراعاة تغيير لغة لوحة المفاتيح في جهازك إلى اللغة اإلنجليزية وادخال فواصل بين المتغيرات‪ ،‬ثم‬
‫إغالق القوس بعد ذلك‪ ،‬كما يوضح الشكل (‪ )22.2‬لنافذة حساب المتغير‪ .‬بعد ذلك اضغط موافق للتنفيذ‪.‬‬

‫‪40‬‬
 ‫شكل ‪ :22.2‬حساب الوسيط الشهري في نافذة تعريف دالة جديدة لمتغير‪ ،‬لملف بيانات "أسعار النفط"‪.‬‬

‫وبالتالي سيحتوي ملف بيانات "أسعار النفط" على المتغيرات التي تظهر في الشكل (‪.)23.2‬‬

‫شكل ‪ :23.2‬ملف بيانات "أسعار النفط" بعد تعريف المتغيرات الجديدة‪.‬‬

‫وهكذا‪ ،‬وكما ذكرنا أعاله‪ ،‬يمكن استخدام أمر تعريف دالة جديدة لمتغير (‪ )Compute Variable‬بطرق عديدة‬
‫يمكن أن تكون مفيدة جدا أثناء إجراء التحليل اإلحصائي للبيانات‪.‬‬

‫‪41‬‬
 ‫‪ 5.5.2‬الترتيب في مجموعات (‪)Binning‬‬

‫هذه الطريقة من إعادة الترميز للمتغيرات تشبه إعادة الترميز في متغير مختلف الذي تناولناه سابقا‪ ،‬إال‬
‫ِ‬
‫للمستخدم بأن يحدد المجموعات أو الفترات التي يرغب‬ ‫أنها تقوم "بقراءة" قيم مشاهدات المتغير وتعطي الخيار‬
‫بتصنيف المتغير األصلي اعتمادا عليها يدويا أو تلقائيا‪.‬‬

‫جدول ‪ :5.2‬البيانات الخاصة بمرتبات وعال وات وخصومات‬

‫الموظفين بالدينار الليبي‪( .‬الملف مثال‪.)5‬‬ ‫في الجدول التالي‪( ،‬جدول (‪ ،))5.2‬لدينا بيانات‬
‫الموظف‬ ‫المرتبات‬ ‫العال وات‬ ‫الخصومات‬ ‫خاصا ا ااة بعدد من موظفي إحدى الشا ا ااركات وهي‬
‫‪1‬‬ ‫‪480.500‬‬ ‫‪120.050‬‬ ‫‪25.000‬‬
‫عب ااارة عن ثالث ااة متغيرات هي مرت ااب الموظف‬
‫‪2‬‬ ‫‪635.700‬‬ ‫‪165.500‬‬ ‫‪70.750‬‬
‫‪3‬‬ ‫‪390.550‬‬ ‫‪95.050‬‬ ‫‪15.500‬‬ ‫والعالوة والخصاام الساانوي بالدينار الليبي‪ .‬قم أوال‬
‫‪4‬‬ ‫‪345.590‬‬ ‫‪85.000‬‬ ‫‪12.750‬‬ ‫با ااإدخا ااال ها ااذه البيا ااانا ااات في ملف في ‪SPSS‬‬
‫‪5‬‬ ‫‪730.600‬‬ ‫‪170.750‬‬ ‫‪75.750‬‬
‫وحفظها باسم "مثال‪."5‬‬
‫‪6‬‬ ‫‪980.050‬‬ ‫‪185.500‬‬ ‫‪90.000‬‬
‫‪7‬‬ ‫‪1060.750‬‬ ‫‪190.750‬‬ ‫‪95.500‬‬
‫ولنفرض أننا نريد إعادة ترميز المتغير "المرتبات"‬
‫‪8‬‬ ‫‪510.650‬‬ ‫‪155.500‬‬ ‫‪60.500‬‬
‫‪9‬‬ ‫‪1150.500‬‬ ‫‪195.750‬‬ ‫‪100.500‬‬ ‫إلى خمس ا ا ااة مجموعات أو فترات بحس ا ا ااب مقدار‬
‫‪10‬‬ ‫‪560.400‬‬ ‫‪160.750‬‬ ‫‪65.000‬‬
‫المرت ااب وهي (أق اال من ‪،)401-600( ،)400‬‬
‫‪11‬‬ ‫‪490.900‬‬ ‫‪110.050‬‬ ‫‪20.500‬‬
‫(‪ ،)1000-801( ،)800-601‬و(أكا اث اار م اان‬
‫‪12‬‬ ‫‪870.750‬‬ ‫‪180.000‬‬ ‫‪85.750‬‬
‫‪13‬‬ ‫‪910.950‬‬ ‫‪190.500‬‬ ‫‪95.000‬‬ ‫‪ )1000‬وذلااك باااسا ا ا ا ا ا ااتخاادام طريقااة الترتيااب في‬
‫مجموعات فنقوم باآلتي؛‬

‫فااي شا ا ا ا ا ا ا اريااط األواماار الاعالااوي قاام‬

‫با ا ا اااخ ا ا ا ات ا ا ا ايا ا ا ااار أما ا ا اار ت ا ا ا احا ا ا ااويا ا ا اال‬
‫(‪ ،)Transform‬ثم اختر الترتيااب‬
‫في مجموعات (المرئي) ( ‪Visual‬‬
‫‪ .)Binning‬سااتظهر عندها النافذة‬
‫الخاص ا ا ا ااة بتحديد المتغير المطلوب‬
‫إعادة ترميزه‪( ،‬كما يشاااهد في شااكل‬
‫(‪ ،))24.2‬وهو في مثالنا "المرتبات"‬
‫فنقوم باختياره والض ا ااغط على س ا ااهم‬
‫النقل‪ ،‬ثم استمرار (‪.)Continue‬‬
‫شكل ‪ :24.2‬النافذة الخاصة بتحديد المتغير المطلوب إعادة ترميزه باستخدام طريقة‬
‫الترتيب في مجموعات لملف البيانات "مثال‪."5‬‬

‫‪42‬‬
‫بعد ذلك ستظهر لنا نافذة أخرى‪( ،‬كما يظهر في الشكل (‪ ،))25.2‬والتي سيتم من خاللها تعريف المجموعات‬
‫المرغوب تكوينها من المتغير األصلي‪.‬‬

‫شكل ‪ :25.2‬نافذة تعريف المجموعات للمتغير "المرتبات" في الملف "مثال‪."5‬‬

‫وبعد ستظهر ستظهر نافذة صغيرة للتأكيد على أنه سيتم تكوين متغير واحد جديد‪ ،‬قم بالضغط على موافق (‪)OK‬‬
‫فيظهر المتغير الجديد "المرتبات‪ "2‬في ملف البيانات "مثال‪ "5‬والذي يأخذ القيم من ‪ 1‬إلى ‪ 5‬والتي ترمز للمجموعة‬
‫من شريط األيقونات‬ ‫أو الفترة المناظرة‪ .‬والحظ أنه إذا ما تم استخدام أيقونة عرض وصف المتغير‬
‫العلوي فسيظهر في عامود المتغير الجديد وصف المجموعات التي تم تسميتها (بداية من "أقل من ‪ "400‬إلى‬
‫"أكثر من ‪.)"1000‬‬

‫‪43‬‬
44
 ‫الفصل الثالث‬

‫التحليل االستكشافي للبيانات في ‪SPSS‬‬

‫)‪(Exploratory Data Analysis (EDA) in SPSS‬‬

‫في هذا الفصل‪ ،‬سيتم تناول المقاييس والطرق اإلحصائية المختلفة‪ 1‬وتوضيح كيفية استخدامها في برنامج‬
‫‪ .SPSS‬هذه المقاييس‪ ،‬التي تندرج تحت مسمى اإلحصاء الوصفي (‪ )Descriptive Statistics‬مصحوبة ببعض‬
‫التقديرات االستداللية البسيطة تعرف حديثا بالتحليل االستكشافي للبيانات ( ‪Exploratory Data Analysis‬‬
‫ِ‬
‫المستخدم لألساليب‬ ‫)‪ ،)(EDA‬وتعد المدخل الرئيسي لبوابة علم اإلحصاء التطبيقي‪ ،‬حيث أنها توفر للباحث أو‬
‫اإلحصائية المعلومات األولية التي تمكنه من استكشاف ما تمثله أو تصفه البيانات‪ .‬وللوصول لالستخدام األمثل‬
‫لهذه المقاييس اإلحصائية‪ ،‬البد للقارئ أوال من التعرف على أنواع البيانات األساسية المستخدمة في التحليل‬
‫اإلحصائي‪.‬‬

‫‪ 1.3‬أنواع البيانات )‪(Data Types‬‬

‫تمثل البيانات (‪ )Data‬المادة الخام التي تزودنا بالمعلومات حول المجتمع الذي جمعت منه بعد استخدام‬
‫األسلوب أو األساليب اإلحصائية المناسبة‪ .‬ونقصد بالمجتمع هنا المصدر الذي تم جمع‪ 2‬البيانات منه‪ .‬لهذا‪ ،‬فإن‬
‫مرحلة التعرف على البيانات في مصدرها تعد من المراحل الهامة في التحليل اإلحصائي الصحيح‪.‬‬

‫إن لفظ "بيانات" كثي ار ما يظهر في الكتب والمنشورات ووسائل اإلعالم والتعامالت اليومية في العموم‪ ،‬وهو مصطلح‬
‫مرن شامل‪ ،‬فالبيانات الشخصية التي تضم االسم‪ ،‬العمر‪ ،‬النوع‪ ،‬الحالة االجتماعية‪ ،‬المستوى التعليمي‪ ،‬وغيرها‬
‫هي نوع من البيانات‪ ،‬والتاريخ الطبي للمريض والذي يضم القراءات الخاصة به مثل الوزن‪ ،‬نسبة السكر‪ ،‬ضغط‬
‫الدم‪ ،‬درجات الح اررة المسجلة‪ ،‬وغيرها هي بيانات‪ ،‬وكذلك المشاهدات الناتجة عن تجربة كيميائية لقياس التفاعل‬
‫الناتج عن دمج بعض المحاليل هي أيضا بيانات‪ .‬ولذلك فإنه يمكن القول بأن أي ظاهرة أو دراسة أو تجربة أو‬
‫عبر‬
‫مراقبة لسير عملية معينة يمكن أن ينتج عنها جميعا بيانات‪ ،‬فالبيانات هي المقياس الفعلي الذي يصف أو ي ّ‬
‫عما حدث في المجتمع أو الظاهرة‪.‬‬

‫باعتبار أن القارئ ملم بالحد األدنى للمفاهيم والطرق اإلحصائية األساسية لكل من اإلحصاء الوصفي (‪،)Descriptive Statistics‬‬ ‫‪1‬‬

‫واإلحصاء االستداللي (‪.)Inferential Statistics‬‬

‫نشير هنا إلى أن معظم النظريات اإلحصائية تتعامل مع البيانات على أنها عينة (‪ )Sample‬أو عينات قد سحبت من مجتمع‬ ‫‪2‬‬

‫(‪ )Population‬أو مجتمعات محددة باستخدام أساليب متعددة من المعاينة العشوائية (‪.)Random Sampling‬‬

‫‪45‬‬
‫وفي كثير من األحيان‪ ،‬قد يخلط البعض بين مفهوم "البيانات" ومفهوم "المعلومات"‪ ،‬وهما في الواقع مختلفان على‬
‫األقل من وجهة النظر اإلحصائية‪ ،‬فعلم اإلحصاء (في أبسط ص ِ‬
‫وره) يتعامل مع البيانات كما أسلفنا على أنها‬
‫المادة الخام التي ستصف و‪/‬أو تحلل الظاهرة المدروسة‪ ،‬كما نرى في المثال التوضيحي الذي سنعرضه في‬
‫الخطوات التسلسلية التالية‪:‬‬

‫‪ .1‬لدينا بيانات؛ (درجات مجموعة من الطلبة (من ‪ 100‬درجة) في مقرر اللغة العربية‪،59 ،42 ،33 :‬‬
‫‪.)25 ،... ،61‬‬
‫‪ .2‬نستخدم اإلحصاء االستكشافي (مثال‪ :‬معدل الطلبة أو الوسيط يساوي ‪ 54‬درجة)‪.‬‬
‫‪ .3‬حصلنا على معلومات؛ (مستوى الطلبة في مقرر اللغة العربية يعتبر ضعيفا)‪.‬‬
‫‪ .4‬يمكن طرح التساؤل‪ :‬ماهي األسباب؟‬
‫‪ .5‬يمكن جمع المزيد من البيانات واستخدام اإلحصاء التحليلي االستداللي للحصول على معلومات إضافية‬
‫وتفسير ظاهرة ضعف الطلبة في هذا المقرر‪.‬‬

‫والبيانات اإلحصائية‪ ،‬عادة ما تأخذ شكال محددا يتألف من جدول (مكون من صفوف وأعمدة) بحيث تكون‬
‫المشاهدات (‪ )Observations‬هي مكونات الصفوف‪ ،‬والمتغيرات (‪ )Variables‬هي مكونات األعمدة‪ .‬والمتغير‬
‫في جدول البيانات يشير إلى الصفة المميزة لشيء يمكن التعبير عنه بصورة كمية أو وصفية‪ ،‬فأي تجربة أو ظاهرة‬
‫عرفة أو تصنيفها (إلى مستويات محددة مسبقا) يمكن أن يعبر عنها بمتغير؛ فالطول‬
‫يمكن قياسها بوحدة قياس م ّ‬
‫(بالسنتيمتر أو القدم) لمجموعة من األشخاص هو متغير‪ ،‬والعمر االستهالكي (باألشهر أو السنوات) لجهاز‬
‫كهربائي هو متغير‪ ،‬وتقديرات الطلبة (ممتاز‪ ،‬جيد جدا‪ ،‬جيد‪ ،‬مقبول‪ ،‬راسب) تمثل أيضا متغير‪.‬‬

‫وباستخدام األساليب اإلحصائية المناسبة‪ ،‬يتم التعامل مع هذه البيانات بصورة استكشافية أو تحليلية (استداللية)‬
‫بغية الحصول على المعلومات المطلوبة بلغة األرقام (المقاييس) أو بالرسومات التوضيحية‪ .‬وطرق التعامل‬
‫اإلحصائي مع البيانات واستخالص المعلومات المباشرة وغير المباشرة منها يعتمد على طبيعة ونوع تلك البيانات‪،‬‬
‫وينبغي على الباحث مراعاة تلك الطبيعة جيدا بهدف تحديد األسلوب اإلحصائي المناسب للتعامل معها‪ .‬ويمكن‬
‫‪1‬‬
‫من حيث الطبيعة أن نقسم أنواع البيانات (أي المتغيرات) إلى نوعين رئيسيين هما؛ البيانات الكمية‬
‫(‪ )Quantitative Data‬والبيانات النوعية أو الوصفية (‪ ،)Qualitative Data‬والتي قد تسمى أيضا بالبيانات‬
‫القطاعية أو التصنيفية (‪.)Categorical Data‬‬

‫عرفة‪( ،‬مثل العمر‪ ،‬الوزن‪ ،‬الزمن‪ ،‬السعر‪ ،‬درجة الح اررة‪ِ ،‬نسب‬
‫يقصد بالبيانات أو المتغيرات الكمية تلك التي يمكن قياسها بوحدة قياس م ّ‬
‫‪1‬‬

‫فضل استخدام مصطلح متغيرات كمية عن متغيرات رقمية ألن المتغيرات الوصفية التي ال يمكن قياسها بوحدات قياس‪،‬‬ ‫النجاح‪ ،)... ،‬وي ّ‬
‫(مثل الجنس‪ ،‬اللون‪ ،‬آراء الناس‪ ،‬المشاعر اإلنسانية‪ ،‬التقديرات الدراسية‪ ،)... ،‬يمكن التعبير عنها بقيم رقمية أيضا كما وضحنا في‬
‫الفصل األول‪ ،‬إال أن ذلك ال يعني أنها أصبحت متغيرات كمية‪.‬‬

‫‪46‬‬
‫فالبيانات الكمية هي تلك البيانات التي تحتوي على مشاهدات تم قياسها ورصدها مباشرة بصورة قيم لها وحدة قياس‬
‫كمية‪ ،‬مثل درجات الطلبة من ‪ 100‬درجة‪ ،‬وأسعار النفط بالدوالر‪ ،‬والمدة الزمنية المستغرقة لرحلة جوية بالساعات‪،‬‬
‫وغيرها ‪ .‬وهذا النوع من البيانات تمثله متغيرات يمكن التعامل معها بواسطة العمليات الحسابية مباشرة‪.‬‬

‫أما البيانات التي يتم التعبير عنها بصفات أو تصنيفات‪ ،‬مثل النوع (ذكر‪ ،‬أنثى)‪ ،‬أو حالة الطقس المتوقعة (صحو‪،‬‬
‫غائم‪ ،‬ممطر‪ ،)... ،‬أو رأي الجمهور في برنامج تلفزيوني معين (جيد‪ ،‬ال بأس به‪ ،‬سيئ)‪ ،‬فهذه البيانات تسمى‬
‫بيانات نوعية أو قطاعية حيث أنها تأخذ قيما تحدد تصنيف المشاهدة إلى نوع أو قطاع محدد وال يتم التعامل معها‬
‫إحصائيا بالعمليات الحسابية المباشرة حتى وان تم إعطاء هذه الصفات أو التصنيفات رمو از رقمية‪.‬‬

‫ويمكن تقسيم البيانات الكمية من حيث المقياس إلى نوعين أساسين هما‪:‬‬

‫‪ .1‬المقياس الفئوي (‪ :)Interval Scale‬وهو الذي يسمح بترتيب المشاهدات على مقياس محدد بحيث‬
‫يمكن تحديد القيمة الفعلية لكل مشاهدة‪ ،‬بدون اعتبار الصفر كقيمة‪ .‬ومن األمثلة على هذا النوع من‬
‫البيانات قياس درجة الح اررة عدديا أو قياس بعض الفترات الزمنية‪.‬‬

‫‪ .2‬المقياس النسبي (‪ :)Ratio Scale‬وهو مشابه للمقياس الفئوي إال أنه يعتبر الصفر من ضمن درجات‬
‫القياس‪ ،‬لذلك فإنه في هذا المقياس يمكن حساب النسبة‪ 1‬بين قيمتين ضمن المفردات‪ .‬وهذا النوع من‬
‫المقاييس يكون شامال للعديد من أنواع البيانات الكمية مثل السعر والوزن والطول والزمن وغيرها‪.‬‬

‫مالحظة‪:‬‬
‫يمكن تقسيم المتغيرات الكمية من حيث طبيعة األرقام إلى متغيرات منفصلة (‪ ،)Discrete‬ومتغيرات متصلة‬
‫(‪ .)Continuous‬فالمتغيرات الكمية المنفصلة تأخذ قيما في مجموعات أعداد منتهية أو غير منتهية وقابلة‬
‫للعد‪ ،‬مثل األعداد الصحيحة (‪ .)Integers‬أما المتغيرات الكمية المتصلة فهي تأخذ قيما ضمن فترة من‬
‫األعداد‪ ،‬وتشمل مجموعة األعداد الحقيقية (‪.)Real Numbers‬‬

‫أما البيانات أو المتغيرات الوصفية فتنقسم إلى نوعين هما‪:‬‬

‫‪ .1‬المقياس االسمي (‪ :)Nominal Scale‬وهو يمثل تصنيف المشاهدات إلى مستويات أو قطاعات‬
‫مختلفة‪ ،‬إال أنه ال يمكن تحديد القيمة الفعلية لكل مستوى‪ ،‬وال حتى ترتيب هذه المستويات بشكل تصاعدي‬
‫أو تنازلي‪ .‬فمثال‪ ،‬ال يمكن القول أن اإلجابة "نعم" هي أفضل من اإلجابة "ال" فيما يتعلق بسؤال معين‪.‬‬
‫ومن أمثلة هذا النوع من البيانات نوع الشخص (ذكر‪ ،‬أنثى)‪ ،‬وأسماء األشياء واأللوان وما شابه ذلك‪.‬‬

‫كأن نقول مثال أن طفال عمره ‪ 10‬سنوات هو أكبر بمرتين من طفل عمره ‪ 5‬سنوات‪.‬‬ ‫‪1‬‬

‫‪47‬‬
‫الرتبي (‪ :)Ordinal Scale‬وهو على عكس النوع السابق‪ ،‬فطبيعته تسمح بترتيب‬
‫‪ .2‬المقياس الترتيبي أو ُ‬
‫المشاهدات وفق تدرج محدد من األقل قيمة إلى األكثر قيمة أو العكس‪ ،‬مثل تقديرات الطلبة (ممتاز‪،‬‬
‫جيد جدا‪ ،‬جيد‪ ،)... ،‬إال أنه ال يمكن حساب الفرق في القيمة بين أي مستويين من المستويات المرتبة‪.‬‬

‫وسواء كانت البيانات كمية أو وصفية أو مزيج بين االثنين‪ ،‬فإنه يمكن التعامل معها من زاوية إحصائية بشكل‬
‫مفرد‪ ،‬أي التعامل مع متغير واحد‪ ،‬وهو ما يعرف بالتحليل األحادي (‪ ،)Univariate Analysis‬أو التعامل مع‬
‫عدة متغيرات في آن واحد‪ ،‬وهو ما يعرف بالتحليل المتعدد‪ .)Multivariate Analysis( 1‬واألساليب اإلحصائية‬
‫التي تستخدم في التحليل األحادي تعني أنه سيتم حساب تلك المقاييس لكل متغير على حدة‪ ،‬حتى وان كانت‬
‫مجموعة أو قاعدة البيانات متكونة من متغيرات عديدة‪.‬‬

‫ومثال على ذلك؛ بافتراض وجود بيانات بها ثالثة متغيرات تمثل درجات طلبة في ثالثة كليات مختلفة‪ ،‬فإنه إذا ما‬
‫تم التعامل‪( ،‬أي استخدام األساليب اإلحصائية)‪ ،‬مع درجات الطلبة ألي متغير بمفرده فإن ذلك يكون ضمن إطار‬
‫التعامل مع التحليل األحادي حتى وان تم تنفيذ ذلك لكل المتغيرات‪ .‬أما إذا ما تم استخدام أسلوب أو أساليب‬
‫إحصائية تحتوي على صيغ تتعامل مع متغيرين‪ 2‬أو أكثر في نفس الوقت فإن ذلك يسمى تحليل ثنائي‪( ،‬في حالة‬
‫استخدام متغيرين)‪ ،‬أو تحليل متعدد إذا ما تم إدراج أكثر من متغيرين في التحليل اإلحصائي‪ .‬وفيما يلي‪ ،‬سنقوم‬
‫بإفراد مساحة لتوضيح كيفية تنفيذ تحليل البيانات االستكشافي األحادي والمتعدد باستخدام برنامج ‪.SPSS‬‬

‫‪ 2.3‬التحليل االستكشافي األحادي (‪)Univariate EDA‬‬

‫في معظم‪ ،‬إن لم يكن كل‪ ،‬الدراسات اإلحصائية التي تتعلق بتحليل البيانات أو الدراسات االجتماعية أو‬
‫االقتصادية أو الطبية أو غيرها‪ ،‬والتي تشتمل على جانب يستخدم فيه التحليل اإلحصائي للبيانات‪ ،‬يفضل عادة‬
‫للتعرف على توزيع البيانات (‪ )Data Distribution‬وفحصها‬
‫استخدام ما يعرف بالتحليل االستكشافي للبيانات ٌ‬
‫وذلك لعدة أسباب نذكر منها ما يلي‪:‬‬

‫‪ .1‬كشف المشاكل واألخطاء التي قد توجد ضمن البيانات مثل المشاهدات المتطرفة (‪ ،)Outliers‬ابتعاد‬
‫توزيع المتغيرات الكمية عن التوزيع الطبيعي‪ ،‬وجود أخطاء في ترميز البيانات‪ ،‬وجود قيم مفقودة‬
‫(‪ ،)Missing Values‬وجود أخطاء في إدخال البيانات‪ ،‬وغيرها من المشاكل التي قد تتسبب في حصول‬
‫الباحث على نتائج خاطئة أو مضللة‪.‬‬

‫‪1‬‬
‫وتوجد حالة خاصة من التحليل المتعدد هو التحليل الثنائي (‪.)Bivariate Analysis‬‬
‫من أشهر األساليب اإلحصائية التي تتعامل مع متغيرين أو أكثر في آن واحد هي مقاييس التغاير واالرتباط كما سنوضح الحقا‪.‬‬ ‫‪2‬‬

‫‪48‬‬
‫‪ .2‬التأكد من مدى تبعية أو مالئمة البيانات للفرضيات التي قد يعتمد عليها استخدام معظم طرق التحليل‬
‫اإلحصائي االستداللي‪.1‬‬
‫‪ .3‬الحصول على معلومات أولية من البيانات تعطي الباحث انطباعا عما تمثله الظاهرة محل الدراسة والنمط‬
‫أو السلوك الذي تسلكه البيانات‪.‬‬
‫التعرف على العالقات البسيطة‪ ،‬إن وجدت‪ ،‬بين متغيرات الدراسة وذلك لبناء النموذج أو النماذج األفضل‬
‫ٌ‬ ‫‪.4‬‬
‫مالئمة لتمثيل تلك العالقات بحسب ما تتطٌلبه الدراسة أو مشكلة البحث‪.‬‬

‫ويعتمد التحليل االستكشافي للبيانات على استخدام التمثيل البياني اإلحصائي للبيانات (مثل المدرج التكراري‪ ،‬وشكل‬
‫الصندوق‪ ،‬واألعمدة البيانية‪ ،... ،‬وغيرها)‪ ،‬إضافة الستخدام مقاييس النزعة المركزية (ومن أهمها الوسط‪ ،‬والوسيط‪،‬‬
‫والربيعات‪ ،... ،‬وغيرها)‪ ،‬ومقاييس التشتت (ومن أهمها االنحراف المعياري‪ ،‬ومعامل االختالف‪ ،... ،‬وغيرها)‪،‬‬
‫إضافة الستخدام مقاييس االرتباط بين المتغيرات‪.‬‬

‫وتجدر اإلشارة هنا إلى ضرورة استخدام التحليل االستكشافي للبيانات عند التعامل مع البيانات في أية دراسة أو‬
‫مشكلة بحث حتى وان لم يكن ذلك التحليل مطلوبا بحد ذاته‪ ،‬وذلك الستكشاف سلوك هذه البيانات من جهة‪،‬‬
‫واستكشاف األخطاء أو العيوب التي قد تتعرض لها البيانات واصالحها إن وجدت من جهة أخرى‪.‬‬

‫وفيما يلي‪ ،‬سنقوم بتناول كيفية تطبيق التحليل االستكشافي للمتغيرات الوصفية أوال يليها المتغيرات الكمية؛‬

‫‪ 3.3‬التحليل االستكشافي للمتغيرات الوصفية (‪)EDA for Categorical Variables‬‬

‫كما تمت اإلشارة في البند (‪ ) 1.3‬الخاص بتعريف أنواع البيانات‪ ،‬فقد تم توضيح أن المتغيرات الوصفية‬
‫تكون عادة اسمية أو رتبية‪ ،‬ويتم عادة استخدام أشكال محددة من التمثيل البياني‪ ،‬أهمها األعمدة البيانية والقطاعات‬
‫البيانية‪ ،‬إضافة لمقاييس محدودة‪ ،‬مثل النسبة والمنوال‪ ،‬وذلك الستكشاف سلوك هذه األنواع من المتغيرات‪ .‬إال أنه‬
‫تجدر اإلشارة هنا إلى أن بعض اإلحصائيين يميلون للتعامل مع المتغيرات الوصفية الرتبية التي تأخذ خمسة‬
‫مستويات أو أكثر على أنها متغيرات شبه كمية‪ ،‬أي أنه يمكن استخدام المقاييس الكمية لدراسة سلوكها‪.‬‬

‫عند بدء التعامل مع المتغيرات الوصفية‪ ،‬نقوم عادة بتلخيصها فيما يعرف بجدول التوزيع التكراري ( ‪Frequency‬‬
‫‪ ،)Distribution Table‬وهو يشبه إلى حد ما جدول التوزيع التكراري المعروف للمتغيرات الكمية حيث يتم تكوين‬
‫فترات لقيم المتغير الكمي وحساب التك اررات لها‪ ،‬أما في حال المتغير الوصفي فإنه يتم حساب التك اررات لكل‬

‫معظم األساليب اإلحصائية التقليدية التي تعتمد على تقدير المعالم أو ما يعرف بالتقدير المعلمي (‪ )Parametric Estimation‬تضع‬ ‫‪1‬‬

‫معرفة‪،‬‬
‫قيودا أو فرضيات صارمة تشترط توفرها في البيانات المستخدمة في تنفيذ هذه األساليب مثل كونها بيانات كمية لها وحدة قياس ٌ‬
‫أو أنها تتبع توزيعا احتمالية محددا مثل التوزيع الطبيعي‪ ،‬أو أن تكون متغيرات الدراسة مستقلة‪ ،‬أو غير ذلك من الفرضيات‪ .‬أما األساليب‬
‫التي تعتمد على التقدير غير المعلمي (‪ )Non-Parametric Estimation‬فعادة ما تكون قيودها أقل‪.‬‬

‫‪49‬‬
‫تصنيف من التصنيفات التي يأخذها هذا المتغير‪ .‬ويجب اإلشارة هنا إلى أن برنامج ‪ SPSS‬يقوم بتكوين جدول‬
‫توزيع تكراري للمتغيرات عن طريق حساب التكرار لكل "قيمة" من قيم المتغير الذي يتم تعريفه بغض النظر ما إذا‬
‫كانت هذه القيم كمية أو وصفية‪ .‬وبالتالي‪ ،‬قد ال يكون من المالئم تكوين هذه الجداول للمتغيرات الكمية التي تحتوي‬
‫على قيم كثيرة االختالف فيما بينها؛ (فمثال‪ ،‬المتغير الكمي الذي يمثل درجات طلبة من ‪ 100‬درجة قد يكون له‬
‫جدول توزيع تكراري يضم ‪ 101‬تكرار مناظر لقيم المتغير على اعتبار أن الدرجات قد تتراوح من ‪ 0‬إلى ‪100‬‬
‫درجة للطالب‪ ،‬ومثل هذه الجداول قد ال يكون تلخيصا جيدا لهذا المتغير)‪.‬‬

‫‪ 1.3.3‬التوزيع التكراري للمتغيرات الوصفية (‪)Frequency Distribution for Categorical Variables‬‬

‫سنقوم اآلن باستخدام ملف بيانات متوفر ضمن قاعدة البيانات المدرجة في برنامج ‪ ،SPSS‬لتوضيح‬
‫كيفية تكوين جدول التوزيع التكراري‪ .‬ولفتح هذه الملفات‪ ،‬نقوم بالضغط على أمر ملف (‪ )File‬في سطر األوامر‬
‫‪1‬‬
‫العلوي ثم نختار فتح (‪ )Open‬ثم بيانات (‪ ،)Data‬فتظهر النافذة الخاصة بفتح البيانات‪ .‬نقوم باختيار المجلد‬
‫التالي عن طريق اختيار المجلدات التسلسلية المتضمنة الواحد تلو اآلخر؛‬
‫‪Program Files>IBM>SPSS>Statistics>23>Samples>English‬‬

‫فنحصل على ملفات قاعدة البيانات في برنامج ‪ SPSS‬كما يظهر في الشكل (‪ .)1.3‬وسنقوم باختيار ملف البيانات‬
‫المسمى "‪ "car_insurance_claims.sav‬كما هو موضح في نفس النافذة‪.‬‬

‫شكل ‪ :1.3‬نافذة ملفات قاعدة البيانات في ‪.SPSS‬‬

‫مجلد ‪ Program Files‬يكون في معظم أنظمة ويندوز ضمن المسار األساسي وهو المسار )‪.(C:‬‬ ‫‪1‬‬

‫‪50‬‬
‫بعد فتح الملف‪ ،‬ستالحظ أن البيانات تحتوي على خمسة متغيرات‪( ،‬شكل (‪ ،))2.3‬تخص بيانات حول ‪128‬‬
‫شخصا في إحدى شركات التأمين على السيارات‪.‬‬

‫شكل ‪ :2.3‬نافذة ملف البيانات "‪ "car_insurance_claims.sav‬في برنامج ‪.SPSS‬‬

‫معرفة كالتالي؛‬
‫وهذه المتغيرات ّ‬
‫المؤمن على السيارة بالسنوات‪ ،‬ضمن الفئات العمرية؛ (‪،... ،)24-21( ،)20-17‬‬
‫ّ‬ ‫‪ :holderage‬عمر‬ ‫‪‬‬
‫(‪ 60‬فأكثر)‪.‬‬
‫‪ :vehiclegroup‬فئة تصنيف السيارة‪ ،‬من ضمن الفئات؛ ‪ ،C ،B ،A‬و ‪.D‬‬ ‫‪‬‬
‫‪ :vehicleage‬عمر السيارة بالسنوات‪ ،‬من ضمن الفئات العمرية؛ (‪ ،)9-8( ،)7-4( ،)3-0‬و (‪10‬‬ ‫‪‬‬
‫فأكثر)‪.‬‬
‫‪ :claimamt‬معدل قيمة التأمين المدفوعة من ِقبل الشركة بالدوالر‪.‬‬ ‫‪‬‬
‫‪ :nclaims‬عدد مبالغ التأمين المدفوعة‪.‬‬ ‫‪‬‬

‫والحظ أن المتغيرين األول والثالث هما متغيران وصفيان رتبيان‪ ،‬والمتغير الثاني هو متغير وصفي اسمي‪ ،‬أما‬
‫المتغيران األخيران فهما كميان‪ .‬وسنقوم اآلن بتكوين جداول التوزيع التكراري للمتغيرات الثالثة األولى (الوصفية)‬
‫على النحو التالي؛‬

‫‪51‬‬
‫نقوم من شريط األوامر العلوي باختيار (‪ ،)Analyze> Descriptive Statistics> Frequencies‬فتظهر‬
‫النافذة الخاصة بتنفيذ الجداول التك اررية فنقوم باختيار المتغيرات الثالثة األولى كما يظهر في الشكل (‪ .)3.3‬وفي‬
‫ِ‬
‫للمستخدم استخدامها للحصول على نتائج‬ ‫يمين هذه النافذة‪ ،‬نالحظ وجود بعض الخيارات الفرعية التي يمكن‬
‫إضافية قد يرغب بها‪ ،‬وسنقوم هنا بالتطرق للخيار الثاني وهو الرسم البياني (‪ ،)Charts‬وأما الخيار األول فهو‬
‫خاص بطلب حساب بعض المقاييس اإلحصائية (مثل الوسط الحسابي والوسيط والربيعات واالنحراف المعياري‬
‫وغيرها من مقاييس النزعة المركزية والتشتت)‪ ،‬وسيتم تناول استخدام هذه المقاييس الحقا بصورة أكثر تعمقا‪ 1‬في‬
‫هذا الفصل‪.‬‬

‫شكل ‪ :3.3‬نافذة تنفيذ أمر تك اررات (‪ )Frequencies‬لملف البيانات‬

‫"‪."car_insurance_claims.sav‬‬

‫اآلن إذا ما ضغطنا على أمر موافق (‪ )OK‬في هذه النافذة فسنحصل على جداول التوزيع التكراري لكل متغير‪،‬‬
‫إال أننا في هذا المثال سنقوم باختيار تنفيذ الرسم البياني للمتغيرات للحصول على توضيح "مرئي" لتوزيع المتغيرات‪،‬‬
‫أي الحصول على تمثيل بياني لما تمثله جداول التوزيع التكراري‪.‬‬

‫بالضغط على خيار الرسم البياني (‪ )Charts‬في النافذة الحالية (شكل (‪ ))3.3‬ستظهر نافذة فرعية كما يوضح‬
‫الشكل (‪ )4.3‬تشتمل على ثالثة أنواع من الرسم هي األعمدة البيانية (‪ ،)Bar Charts‬القطاعات البيانية ( ‪Pie‬‬
‫‪ ،)Charts‬والمدرجات التك اررية (‪ .)Histograms‬وسنقوم باختيار رسم القطاعات البيانية لتمثيل المتغيرات في‬
‫مثالنا‪.‬‬

‫بالنسبة للخيارات الثالثة المتبقية في يمين الشكل (‪ ،)3.3‬فالخياران الثالث والرابع هما للحصول على النتائج المطلوبة بترتيبات معينة‬ ‫‪1‬‬

‫وأما الخيار الخامس فهو خاص بتطبيق أسلوب إعادة المعاينة أو البوتستراب (‪.)Bootstrap‬‬

‫‪52‬‬
 ‫وفي القسم م م م ممم السم م م م ممفلي من النافذة في الشم م م م ممكل (‪ )4.3‬يتوفر‬
‫خ مي م م مماران ل معممرض ال مق ميممم ع ملممى الممرس م م م م م م ممم ه مم م م مما ال مت مك م اررات‬
‫(‪ )Frequencies‬والنسب (‪ ،)Percentages‬وسنختار في‬
‫مثالنا هنا خيار النس م م م م م ممب‪ .1‬بعد الض م م م م م ممغط على اس م م م م م ممتمرار‬
‫(‪ )Continue‬في الش م م م ممكل (‪ )4.3‬س م م م ممتختفي النافذة الفرعية‬
‫وتبقى النافذة في الش م ممكل (‪ )3.3‬فنقوم بالض م ممغط على موافق‬
‫(‪.)OK‬‬

‫شكل ‪ :4.3‬نافذة اختيار نوع الرسم البياني (‪)Charts‬‬ ‫ستظهر النتائج المطلوبة في نافذة النتائج (‪ ،)Output‬وسيتم‬
‫من نافذة تنفيذ الجدول التكراري‪.‬‬
‫عرضها بالترتيب التالي بحسب النسق الذي تظهر عليه في‬
‫برنامج ‪SPSS‬؛‬

‫أوال‪ :‬عدد المشاهدات لكل متغير (جدول (‪ ))1.3‬وعدد القيم المفقودة‪ .‬ونالحظ أن عدد المشاهدات (‪ )N‬هو ‪128‬‬
‫مشاهدة (المشار إليه بالفعلي (‪ ))Valid‬لكل متغير من المتغيرات الثالثة‪ ،‬وأنه ال توجد أي قيمة مفقودة في أي‬
‫متغير (والمشار إليه بالمفقود (‪.))Missing‬‬

‫جدول ‪ :1.3‬عدد المشاهدات لكل متغير في ملف البيانات‬

‫"‪."car_insurance_claims.sav‬‬
‫‪Statistics‬‬
‫‪Policyholder‬‬
‫‪age‬‬ ‫‪Vehicle group‬‬ ‫‪Vehicle age‬‬

‫‪N‬‬ ‫‪Valid‬‬ ‫‪128‬‬ ‫‪128‬‬ ‫‪128‬‬

‫‪Missing‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫ثانيا‪ :‬جدول التوزيع التكراري لكل متغير‪ ،‬وسنقوم هنا بعرض جدول التوزيع التكراري للمتغير األول فقط‪( ،‬وهو‬
‫المتغير ‪ ،)Policyholder age‬في جدول (‪ )2.3‬ويمكنك الرجوع لبقية الجداول في نافذة النتائج في برنامج‬
‫‪.SPSS‬‬

‫‪ 1‬في الرسم البياني في ‪ SPSS‬لن تظهر النسب أو القيم على القطاعات أو األعمدة البيانية تلقائيا‪ ،‬بل يتم إظهارها على الشكل باستخدام‬
‫نافذة محرر الرسم (‪ )Chart Editor‬كما سنوضح الحقا‪.‬‬

‫‪53‬‬
 ‫جدول ‪ :2.3‬جدول التوزيع التكراري للمتغير ‪ Policyholder age‬في ملف البيانات‬
‫"‪."car_insurance_claims.sav‬‬
‫‪Policyholder age‬‬

‫‪Cumulative‬‬
‫‪Frequency‬‬ ‫‪Percent‬‬ ‫‪Valid Percent‬‬ ‫‪Percent‬‬

‫‪Valid‬‬ ‫‪17-20‬‬ ‫‪16‬‬ ‫‪12.5‬‬ ‫‪12.5‬‬ ‫‪12.5‬‬

‫‪21-24‬‬ ‫‪16‬‬ ‫‪12.5‬‬ ‫‪12.5‬‬ ‫‪25.0‬‬

‫‪25-29‬‬ ‫‪16‬‬ ‫‪12.5‬‬ ‫‪12.5‬‬ ‫‪37.5‬‬

‫‪30-34‬‬ ‫‪16‬‬ ‫‪12.5‬‬ ‫‪12.5‬‬ ‫‪50.0‬‬

‫‪35-39‬‬ ‫‪16‬‬ ‫‪12.5‬‬ ‫‪12.5‬‬ ‫‪62.5‬‬

‫‪40-49‬‬ ‫‪16‬‬ ‫‪12.5‬‬ ‫‪12.5‬‬ ‫‪75.0‬‬

‫‪50-59‬‬ ‫‪16‬‬ ‫‪12.5‬‬ ‫‪12.5‬‬ ‫‪87.5‬‬

‫‪60+‬‬ ‫‪16‬‬ ‫‪12.5‬‬ ‫‪12.5‬‬ ‫‪100.0‬‬

‫‪Total‬‬ ‫‪128‬‬ ‫‪100.0‬‬ ‫‪100.0‬‬

‫المؤمن‬
‫ّ‬ ‫ويالحظ من الجدول (‪ )2.3‬أن العامود األول من اليسار يمثل التصنيف أو التقسيم للمتغير الوصفي (عمر‬
‫"‪ )"Policyholder age‬وهو عبارة عن ثمانية تقسيمات تمثل ثمانية فئات عمرية‪ ،‬والعامود الثاني يمثل تك اررات‬
‫كل تقسيم أي كل فئة عمرية‪ ،‬والعامودين الثالث والرابع يمثالن نسب األشخاص الكلية‪ 1‬والفعلية على التوالي ضمن‬
‫كل فئة عمرية‪ .‬أما العامود األخير فيمثل النسب التراكمية‪ ،‬أي حاصل جمع نسبة كل فئة عمرية مع ما يسبقها‪.‬‬
‫ومن هذا الجدول نالحظ أن نسب األشخاص في كل فئة عمرية هو متساوي ويساوي ‪ .12.5%‬وكذلك الحال في‬
‫المتغيرين األخريين‪ ،‬فإننا نالحظ تساوي نسب السيارات في التقسيمات األربع أي أن نسبة السيارات في كل تقسيم‬
‫هو ‪ ،%25‬وكذلك تساوي نسب األشخاص من حيث‬
‫أعمار سياراتهم‪.‬‬

‫ثالثا‪ :‬الرسم البياني‪ ،‬وقد تم اختيار القطاعات البيانية‬

‫في مثالنا‪ ،‬وسنقوم بعرض الرسم البياني للمتغير األول‬
‫فقط في الشكل (‪ )5.3‬ويمكن الرجوع لبقية الرسومات‬
‫في نافذة النتائج في برنامج ‪ .SPSS‬ويالحظ من الرسم‬
‫البياني تساوي جميع القطاعات مما يدل على توزع عدد‬
‫أو نسب أعمار األشخاص في التقسيمات الثمانية‪.‬‬
‫شكل ‪ :5.3‬القطاعات البيانية للمتغير ‪Policyholder age‬‬ ‫وكذلك األمر بالنسبة للمتغيرين اآلخرين حيث يالحظ‬
‫في ملف البيانات "‪."car_insurance_claims.sav‬‬
‫تساوي توزيع النسب في القطاعات أو التقسيمات‪ .‬وكما‬

‫يقصد بالنسب الكلية التي تحتوي على القيم الفعلية والمفقودة إن وجدت‪ ،‬وحيث أن المتغير ال يحتوي على قيم مفقودة فالنسب في‬ ‫‪1‬‬

‫العامودين الثالث والرابع تكون متساوية‪.‬‬

‫‪54‬‬
‫ذكرنا سابقا‪ ،‬فإن نسب القطاعات لم تظهر في الشكل‪ ،‬لذلك إذا ما أردنا إظهارها على القطاعات أو على أي رسم‬
‫بياني نقوم بالخطوات التالية‪:‬‬

‫في نافذة النتائج (‪ )Output‬في ‪ SPSS‬للمثال السابق‪ ،‬قم بالنقر المزدوج (بالزر اإليسر للفأرة) على رسم القطاعات‬
‫البيانية للمتغير (‪ )Policyholder age‬فتظهر نافذة فرعية هي نافذة محرر الرسم (‪ )Chart Editor‬كما يوضح‬
‫الشكل (‪ 6.3‬أ)‪.‬‬

‫(ب)‬ ‫(أ)‬
‫شكل ‪( :6.3‬أ) نافذة محرر الرسم (‪ )Chart Editor‬لرسم القطاعات البيانية للمتغير (‪ )Policyholder age‬و(ب) نافذة‬
‫خواص محرر الرسم الخاصة بها‪.‬‬

‫قم بالضغط على األيقونة المشار لها بالسهم في الشكل‪ ،‬والتي تمثل إظهار وسم البيانات (‪)Show Data Label‬‬
‫والتي تمثل في مثالنا نسب القطاعات‪ ،‬عندها ستظهر نافذة فرعية أخرى‪ ،‬كما يشاهد في الشكل المجاور‪ ،‬الشكل‬
‫(‪ 6.3‬ب)‪ ،‬وفي نفس الوقت ستظهر تلك النسب على القطاعات في نافذة النتائج في ‪ .SPSS‬قم بعدها بالضغط‬
‫على أمر اإلغالق (‪ )Close‬في النافذة األخيرة وكذلك يمكنك إغالق نافذة محرر الرسم إذا لم يكن هنالك تعديالت‬
‫تريد تنفيذها‪ .‬وستالحظ بعد ذلك ظهور نسب األعمار للمتغير المطلوب على القطاعات البيانية في نافذة النتائج‪.‬‬

‫وفي كال النافذتين‪( ،‬الشكل (‪ 6.3‬أ‪ ،‬ب))‪ ،‬ستالحظ وجود العديد من الخيارات التي يمكنك استخدامها للتعديل على‬
‫الرسم مثل حجم الرسم‪ ،‬حجم ونوع ولون الخطوط في الرسم‪ ،‬إضافة عنوان للرسم‪ ،‬تعديل أسماء محاور الرسم‪،‬‬
‫تغيير مواضع وسم البيانات‪ ،‬تغيير األلوان في الرسم‪ ،‬وغيرها من الخيارات التي سنتناول البعض منها الحقا‪.‬‬

‫‪55‬‬
 ‫مالحظة‪:‬‬
‫في نافذة محرر الرسم‪ ،‬عند النقر المزدوج على أي جزء من الرسم ستظهر نافذة خواص ذلك الجزء بالتحديد‬
‫ويمكنك من خاللها إجراء التعديالت المطلوبة‪.‬‬

‫‪ 2.3.3‬األعمدة البيانية لجداول التوزيع التكراري (‪)Bar plots of Frequency Distribution Tables‬‬

‫تشبه رسومات األعمدة البيانية للمتغيرات الوصفية‪ ،‬من حيث الشكل العام‪ ،‬رسومات المدرج التكراري‬
‫والتي تستخدم لتمثيل التوزيع التكراري للمتغيرات الكمية‪ .‬إال أن األعمدة البيانية غالبا ما تستخدم لتمثيل وعرض‬
‫البيانات الوصفية غير الرقمية باستخدام تك ارراتها‪ .‬ويتم على الرسم توزيع مستويات أو تصنيفات المتغير الوصفي‬
‫المختلفة على أحد المحاور‪( ،‬المحور األفقي عادة)‪ ،‬وتكرار الحدوث أو النسبة على المحور اآلخر‪ .‬وفي هذه‬
‫الفقرة‪ ،‬سيتم من خالل المثال القادم شرح طريقة إدخال البيانات للمتغير الوصفي التي تكون مجهزة مسبقا بصورة‬
‫جدول توزيع تكراري كما هو سائد بشكل كبير في أوساط المتعاملين بالتحليل اإلحصائي للبيانات‪.‬‬

‫البيانات في الجدول التالي‪( ،‬الجدول (‪ ،))3.3‬تمثل أعداد الطلبة الذكور واإلناث في خمسة أقسام في كلية العلوم‬
‫بجامعة بنغازي لعام ‪ .2012‬وسيتم استخدام األعمدة البيانية "لتحويل" محتويات الجدول إلى "صورة" معبرة عما‬
‫تمثله هذه البيانات‪.‬‬

‫جدول ‪ :3.3‬توزيع أعداد الطلبة الذكور واإلناث في أقسام كلية العلوم بجامعة بنغازي‪.‬‬
‫القسم‬
‫نبات‬ ‫كيمياء‬ ‫فيزياء‬ ‫إحصاء‬ ‫رياضيات‬ ‫النوع ↓‬
‫‪470‬‬ ‫‪510‬‬ ‫‪170‬‬ ‫‪120‬‬ ‫‪190‬‬ ‫ذكور‬
‫‪960‬‬ ‫‪720‬‬ ‫‪240‬‬ ‫‪310‬‬ ‫‪280‬‬ ‫إناث‬
‫‪1430‬‬ ‫‪1230‬‬ ‫‪410‬‬ ‫‪430‬‬ ‫‪470‬‬ ‫المجموع‬

‫ستكون أول خطوة هنا هي إدخال البيانات في ملف بيانات جديد في ‪ SPSS‬وليكن باسم "أقسام كلية العلوم"‪ ،‬كما‬
‫يظهر في الشكل (‪ .)7.3‬والحظ هنا أنه تم تعريف ثالثة متغيرات هي "الطلبة" وهو متغير كمي يمثل أعداد الطلبة‪،‬‬
‫و"النوع" وهو متغير وصفي اسمي يمثل نوع الطالب ذكر أو أنثى‪ ،‬و"القسم" وهو أيضا متغير وصفي اسمي يمثل‬
‫القسم الذي ينتمي إليه الطالب من بين خمسة أقسام‪.‬‬

‫وننوه هنا بأنه قد تكوين ملف البيانات "أقسام كلية العلوم" من الجدول السابق‪( ،‬جدول (‪ ،))3.3‬عن طريق إدخال‬
‫قيم الصف األول (‪ )470 ،... ،120 ،190‬متبوعة بقيم الصف الثاني (‪ )960 ،... ،310 ،280‬كقيم للمتغير‬
‫األول وهو "الطلبة"‪ ،‬ثم تم إدخال تصنيف نوع الطالب والقسم الذي يتبع له‪( ،‬وهما المتغيران "النوع" و"القسم")‪،‬‬
‫بحسب ترتيب إدخال أعداد الطلبة‪ ،‬فمثال القيمة ‪ 190‬تمثل الطلبة الذكور في قسم الرياضيات‪ ،‬والقيمة ‪ 120‬تمثل‬
‫الطلبة الذكور في قسم اإلحصاء‪ ،‬وهكذا‪.‬‬

‫‪56‬‬
 ‫شكل ‪ :7.3‬عرض بيانات ملف "أقسام كلية العلوم"‪.‬‬

‫اآلن سنقوم بتمثيل البيانات في ملف البيانات "أقسام كلية العلوم" باستخدام األعمدة البيانية المصنفة ( ‪Clustered‬‬
‫‪ ،)Bar charts‬والذي سيتم من خالله عرض أعداد الطلبة بحسب نوع الطالب والقسم التابع له‪ .‬في شريط األدوات‬
‫العلوي في برنامج ‪ SPSS‬قم باختيار ‪Graphs > Legacy‬‬
‫‪ Dialogs > Bar‬فتظهر النافذة الفرعية التالية التي تتيح‬
‫اختيار نوع األعمدة البيانية؛ (شكل (‪.))8.3‬‬

‫قم باختيار األعمدة البيانية المصنفة كما هو مشار إليه بالسهم‬

‫(‪ )Clustered‬ثم اضغط تعريف (‪ .)Define‬ستظهر بعد ذلك‬
‫نافذة أخرى‪( ،‬شكل (‪ ،))9.3‬والتي سيتم من خاللها تعريف‬
‫ترتيب متغيرات التصنيف‪( ،‬والتي هي في مثالنا الحالي تمثل‬
‫نوع الطالب والقسم التابع له)‪.‬‬

‫شكل ‪ :8.3‬نافذة اختيار نوع األعمدة البيانية‬ ‫قم في تلك النافذة بالنقر على الخيار (‪)Other statistic‬‬
‫(‪.)Clustered‬‬
‫والمشار إليه بالسهم‪ ،‬ثم عرف المتغيرات الثالثة في ملف‬
‫البيانات "أقسام كلية العلوم" بنفس الترتيب الموضح في الشكل (‪ )9.3‬والمشار إليه باألسهم‪ ،‬حيث أن المتغير‬
‫الكمي "الطلبة" سيكون هو المتغير األساسي والمتغير "القسم" سيمثل التصنيف على المحور األفقي‪ ،‬والمتغير‬
‫"النوع" سيكون ضمن تصنيف األقسام‪.‬‬

‫‪57‬‬
 ‫شكل ‪ :9.3‬نافذة تعريف المتغيرات لألعمدة البيانية المصنفة لبيانات ملف "أقسام كلية العلوم"‪.‬‬

‫بعد االنتهاء من تعريف المتغيرات‪ 1‬قم بالضغط على موافق (‪ )OK‬في أسفل النافذة للتنفيذ‪ .‬سنحصل مباشرة بعد‬
‫ذلك على األعمدة البيانية المصنفة ألعداد الطلبة في نافذة المخرجات‪ ،‬كما هو في الشكل (‪ .)10.3‬ويمكن الوقوف‬
‫على عدة مالحظات من شكل األعمدة البيانية من أهمها؛‬

‫تميز قسمي النبات والكيمياء بوجود أعداد أكبر من الطلبة من باقي األقسام‪.‬‬ ‫‪‬‬
‫تفوق أعداد الطالبات على أعداد الطلبة في جميع أقسام الكلية وخاصة في قسمي النبات والكيمياء‪.‬‬ ‫‪‬‬
‫أقل عدد للطلبة هو في قسم الفيزياء‪.‬‬ ‫‪‬‬

‫يمكنك إدراج عناوين أو مالحظات خاصة بك ضمن الرسم عن طريق الدخول إلى العناوين (‪ )Titles‬في أعلى النافذة إلى اليمين‪ .‬كما‬ ‫‪1‬‬

‫يمكنك أيضا الحصول على بعض الخيارات اإلضافية على الرسم‪( ،‬مثل فترات الثقة وغيرها) بالدخول إلى الخيارات (‪.)Options‬‬

‫‪58‬‬
 ‫شكل ‪ :10.3‬األعمدة البيانية المصنفة للطلبة بحسب النوع والقسم لبيانات ملف البيانات "أقسام كلية العلوم"‬

‫من جديد‪ ،‬يمكننا ولنفس المثال‪( ،‬ملف البيانات "أقسام كلية العلوم")‪ ،‬استخدام األعمدة البيانية لتمثيل أعداد الطلبة‬
‫في األقسم م م م م م م ممام بممدون تصم م م م م م ممنيفهم إلى ذكور وانمماث‪ .‬ولتنفيممذ ذلممك‪ ،‬قم في ش م م م م م م مريط األدوات العلوي قم بمماختيممار‬
‫‪ Graphs>Legacy Dialogs>Bar‬فتظهر النافذة الفرعية‬
‫التي نراها في الش م م م م م ممكل (‪ .)11.3‬قم باختيار األعمدة البيانية‬
‫البس مميطة (‪ )Simple‬كما هو مش ممار إليه بالس ممهم ثم اض ممغط‬
‫تعريف (‪.)Define‬‬

‫ستظهر بعد ذلك نافذة تعريف ترتيب المتغيرات التصنيف‪،‬‬

‫كما هو في الشكل (‪ )9.3‬السابق‪ ،‬قم في تلك النافذة بالنقر‬
‫على الخيار إحصاءات أخرى (‪ )Other statistic‬والمشار‬
‫إليه بالسهم‪ ،‬ثم عرف المتغيران "الطلبة" و"القسم" بنفس‬
‫الترتيب الموضح والمشار إليه باألسهم ولكن بدون تعريف‬
‫شكل ‪ :11.3‬نافذة اختيار نوع األعمدة البيانية البسيطة‬
‫المتغير الثالث وهو "النوع"‪ ،‬حيث أن المتغير الكمي "الطلبة"‬
‫(‪.)Simple‬‬
‫سيكون هو المتغير األساسي والمتغير "القسم" سيمثل‬
‫التصنيف على المحور األفقي‪.‬‬

‫بعد االنتهاء من تعريف المتغيرات قم بالضغط على موافق (‪ )OK‬في أسفل النافذة وستحصل بعد ذلك على‬
‫األعمدة البيانية ألعداد الطلبة بحسب القسم فقط في نافذة المخرجات‪ ،‬كما هو في الشكل (‪.)12.3‬‬

‫‪59‬‬
 ‫شكل ‪ :12.3‬األعمدة البيانية المصنفة للطلبة بحسب القسم لبيانات ملف البيانات "أقسام كلية العلوم"‪.‬‬

‫ويمكننا من شكل (‪ )12.3‬مالحظة وجود أعداد أكبر من الطلبة في قسمي النبات والكيمياء‪ ،‬وكذلك انخفاض عدد‬
‫طلبة قسم الفيزياء مقارنة بباقي أقسام الكلية‪ ،‬وهذه المالحظات أمكن رؤيتها من الشكل (‪ )10.3‬السابق أيضا‪.‬‬
‫ونشير هنا إلى أنه إذا ما تم اختيار الخيار الثالث (‪ )Stacked‬في الشكل (‪ )8.3‬فإننا سنحصل على أعمدة بيانية‬
‫مصنفة بحسب القسم والنوع كما يظهر في الشكل (‪.)13.3‬‬

‫شكل ‪ :13.3‬األعمدة البيانية المصنفة للطلبة بحسب القسم والنوع لبيانات ملف "أقسام كلية العلوم" باستخدام خيار‬
‫(‪.)Stacked‬‬

‫‪60‬‬
 ‫مالحظة‪:‬‬
‫يمكن استخدام القطاعات البيانية‪ ،‬كما أوضحنا سابقا‪ ،‬مع بيانات المثال السابق لتمثيل أعداد الطلبة بحسب‬
‫القسم (أو النوع) وسنحصل على نفس المالحظات ولكن بتمثيل بياني مختلف‪.‬‬

‫‪ 3.3.3‬األعمدة البيانية للمتغيرات الوهمية (‪)Bar plots for Dummy Variables‬‬

‫في بعض األحيان قد نحتاج لمقارنة تغير أو توزع البيانات ضمن عدة متغيرات وصفية تأخذ طابعا‬
‫خاصا مثل أن يتم المقارنة بين آراء الناس حول موضوع معين بحيث يمكن للشخص المستجيب أن يعطي أكثر‬
‫من إجابة واحدة بنعم أو ال لنفس السؤال‪ ،‬أي أن يكون للشخص أكثر من خيار لكل إجابة بنعم أو ال‪ ،‬في هذه‬
‫الحالة يتم تعريف مجموعة من المتغيرات‪ ،‬والتي تسمى عندها بالمتغيرات الوهمية‪ ،‬بحيث أن كل متغير من هذه‬
‫المتغيرات يمثل استجابة الشخص بنعم أو ال لكل خيار‪ .‬وقد سبق التعرض للمتغير الوهمي في الفصل الثاني‪،‬‬
‫(البند (‪ ،))4.2‬وسوف نقدم مثال آخر هنا للمزيد من التوضيح؛‬

‫قامت إحدى مراكز الصحية المختصة بعالج السمنة بتوزيع استبيان على مجموعة من األشخاص لمعرفة آرائهم‬
‫حول وجباتهم المفضلة من المطاعم المختلفة‪ ،‬فكانت النتائج كما هو موضح في الجدول التالي‪( ،‬جدول (‪))4.3‬‬
‫والرقم "‪ "1‬يدل على اختيار الشخص لنوع الطعام المفضل‪ ،‬فمثال؛ الشخص األول في الجدول يفضل تناول الدجاج‬
‫واللحوم الحمراء والمثلجات‪ ،‬وهكذا‪.‬‬

‫جدول ‪ :4.3‬آراء عينة من األشخاص حول مأكوالتهم‬

‫المفضلة‪.‬‬
‫لحوم‬
‫بيت از‬ ‫دجاج‬ ‫سلطات‬ ‫مثلجات‬
‫حمراء‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪3‬‬ ‫‪1‬‬
‫‪4‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪5‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪6‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪7‬‬ ‫‪1‬‬
‫‪8‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪9‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪10‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪11‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪12‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪13‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪14‬‬ ‫‪1‬‬
‫‪15‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪16‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪17‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪18‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪19‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪20‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪61‬‬
‫وبعد إدخال هذه البيانات في ملف جديد في برنامج ‪ ،SPSS‬وليكن باسم "المأكوالت المفضلة"‪ ،‬كما نشاهد في‬
‫الشكل (‪ )14.3‬نقوم بالخطوات التالية؛‬

‫شكل ‪ :14.3‬عرض بيانات ملف "المأكوالت المفضلة"‪.‬‬

‫في شريط األدوات العلوي قم باختيار ‪ Graphs>Legacy Dialogs>Bar‬وبعد ظهور النافذة الفرعية الخاصة‬
‫باختيار نوع األعمدة البيانية‪( ،‬شكل (‪ ،))15.3‬قم بإبقاء اختيار‬
‫األعمدة البسيطة (‪ )Simple‬ثم قم بالنقر على الخيار الثاني في‬
‫الجزء األسفل من النافذة والمشار إليه بالسهم السفلي الختيار‬
‫التعامل مع عدة متغيرات‪.‬‬

‫اضغط تعريف (‪ )Define‬فتظهر نافذة جديدة لتعريف المتغيرات‬

‫المطلوب تمثيلها باستخدام األعمدة البيانية كما يوضح الشكل‬
‫التالي‪( ،‬شكل (‪.))16.3‬‬

‫في هذه النافذة‪ ،‬قم باختيار كل المتغيرات الخمسة كما هو مشار‬

‫شكل ‪ :15.3‬نافذة اختيار تمثيل األعمدة البيانية‬
‫ألكثر من متغير‪.‬‬ ‫إليه في السهم رقم ‪ ،1‬ثم قم بنقلها إلى الخانة المشار إليها بالسهم‬
‫رقم ‪( ، 2‬وهي خانة المتغيرات التي ستمثلها األعمدة البيانية)‪ ،‬بعد ذلك انقر على زر الخيارات (‪ )Options‬الذي‬
‫يشير إليه السهم رقم ‪ 3‬فتظهر نافذة فرعية جديدة كما يوضح الشكل (‪.)17.3‬‬

‫‪62‬‬
 ‫شكل ‪ :16.3‬نافذة اختيار المتغيرات في تمثيل األعمدة البيانية المتعددة‪.‬‬

‫في نافذة الشكل (‪ ،)17.3‬قم بالضغط على الخيار المشار إليه بالسهم‪( ،‬والخاص باستثناء القيم المفقودة ضمن كل‬
‫متغير وليس باستثناء الصف)‪ ،‬ثم اضغط استمرار (‪.)Continue‬‬

‫شكل ‪ :17.3‬نافذة تعديل اختيار القيم المفقودة ضمن المتغيرات‪.‬‬

‫‪63‬‬
‫ستعود اآلن للنافذة السابقة (شكل (‪ )16.3‬السابق)‪ ،‬قم عندها بالضغط على خيار تغيير اإلحصاءة ( ‪Change‬‬
‫‪ )Statistic‬والموجود أسفل الخانة التي تم نقل المتغيرات إليها‪ ،‬وستظهر عندها نافذة فرعية جديدة كما يظهر في‬
‫الشكل (‪.)18.3‬‬

‫شكل ‪ :18.3‬نافذة اختيار اإلحصاءة المطلوبة للمتغيرات في تمثيل األعمدة البيانية‪.‬‬

‫قم في هذه النافذة باختيار اإلحصاءة الخاصة بعدد المشاهدات لكل متغير‪ ،‬وهي في مثالنا الحالي ستكون عبارة‬
‫عن مجموع آراء الناس أي مجموع الرقم ‪ 1‬لكل متغير‪ ،‬بعد ذلك اضغط استمرار وستختفي النافذة الفرعية‪ ،‬اضغط‬
‫موافق (‪ )OK‬للتنفيذ‪ .‬سنحصل بعدها على األعمدة البيانية المطلوبة في نافذة المخرجات‪ ،‬وهذه األعمدة موضحة‬
‫في الشكل (‪.)19.3‬‬

‫ومن هذه األعمدة يمكن بوضوح القول بأن األشخاص الذين تم استبيانهم يفضلون تناول المثلجات كرغبة أولى‬
‫يليها اللحوم الحمراء والبيتزا‪.‬‬

‫‪64‬‬
 ‫شكل ‪ :19.3‬األعمدة البيانية الممثلة آلراء الناس في الطعام المفضل لبيانات ملف "المأكوالت‬
‫المفضلة"‪.‬‬

‫‪ 4.3‬التحليل االستكشافي للمتغيرات الكمية (‪)EDA for Quantitative Variables‬‬

‫كما وضحنا في البند الخاص بأنواع البيانات‪ ،‬فإن البيانات الكمية تنقسم إلى فئوية ونسبية‪ ،‬إال أن هذا‬
‫التقسيم لن يتم أخذه باالعتبار من الناحية العملية إال عند التعليق على المعلومات المستخلصة من البيانات كما‬
‫سنالحظ من خالل األمثلة التي سنتناولها في هذا البند‪.‬‬

‫وتوجد عدة طرق ومقاييس الستكشاف البيانات الكمية وهي تندرج في مفهوم اإلحصاء الوصفي التقليدي تحت‬
‫مسميات مقاييس النزعة المركزية (‪ ،)Central Tendency‬وهي تشمل أهم وأشهر المقاييس اإلحصائية مثل‬
‫الوسط الحسابي والوسيط والمنوال وغيرها‪ ،‬ومقاييس التشتت أو االختالف (‪ .)Dispersion‬وأهمها المدى واالنحراف‬
‫المعياري والتباين وغيرها‪ .‬وكما هو الحال مع البيانات الوصفية‪ ،‬فإن التمثيل البياني اإلحصائي يعد أداة هامة جدا‬
‫تستخدم لتوضيح واستكشاف طبيعة وتوزيع البيانات كما سنرى‪.‬‬

‫من جديد‪ ،‬نذكر هنا بأنه يمكن التعامل مع أية متغيرات‪ ،‬كمية كانت أو وصفية‪ ،‬بشكل مفرد (التحليل األحادي)‪،‬‬
‫أو متعدد‪ ،‬أي التعامل مع عدة متغيرات في آن واحد‪( ،‬التحليل المتعدد)‪ .‬واألساليب اإلحصائية التي تستخدم مع‬
‫التحليل األحادي تعني أنه سيتم حساب تلك المقاييس لكل متغير على حدة‪ ،‬حتى وان كانت قاعدة البيانات متكونة‬
‫من متغيرات عديدة‪ .‬وسنقوم بداية بحساب أهم المقاييس اإلحصائية الستكشاف البيانات من خالل األمثلة التالية‪.‬‬

‫‪65‬‬
‫باستخدام ملف البيانات "بيانات الطلبة"‪( ،‬الذي تم تكوينه في الفصل الثاني)‪ ،‬والذي يمثل البيانات المتعلقة ﺑ ‪35‬‬
‫طالبا جامعيا في إحدى األقسام العلمية‪ ،‬حيث تمثل المتغيرات فيه؛‬

‫مقرر‪ :1‬درجة الطالب (من ‪ 100‬درجة) في المقرر‪ ،1‬مقرر‪ :2‬درجة الطالب في المقرر‪ ،2‬مقرر‪ :3‬درجة الطالب‬
‫في المقرر‪ ،3‬العمر‪ :‬عمر الطالب بالسنوات‪ ،‬النوع‪ :‬جنس الطالب (‪ =1‬ذكر‪ ،‬و‪ =2‬أنثى)‪ ،‬الفصل‪ :‬ترتيب الفصل‬
‫الدراسي للطالب (المرحلة)‪ ،‬األسرة‪ :‬عدد أفراد أسرة الطالب‪ ،‬والمنزل‪ :‬عدد الحجرات في منزل الطالب‪.‬‬

‫سنقوم بحساب بعض المقاييس اإلحصائية الهامة والوقوف على تفسيرها‪ .‬فنذهب لشريط األدوات العلوي في برنامج‬
‫‪ SPSS‬ونختار التالي‪ Analyze>Descriptive Statistics>Frequencies :‬فتظهر نافذة اإلدخال كما هو‬
‫مبين في الشكل التالي‪( ،‬شكل (‪))20.3‬؛‬

‫شكل ‪ :20.3‬نافذة اإلدخال ألمر التك اررات (‪.)Frequencies‬‬

‫في هذه النافذة‪ ،‬يمكن للمستخدم اختيار المتغير أو المتغيرات التي يرغب في حساب المقاييس اإلحصائية والرسومات‬
‫البيانية لها من المربع اإليسر المشار إليه بالسهم (‪ ،)1‬وسنقوم في مثالنا هذا باختيار جميع‪ 1‬المتغيرات الثمانية‬
‫المتوفرة‪ .‬وبعد اختيار كل المتغيرات نقوم بنقلها باستخدام السهم المشار إليه بالرقم (‪ ،)2‬إلى مربع المتغيرات‬
‫(‪ .)Variables‬اآلن سنقوم باختيار المقاييس التي نرغب بحسابها من خيار اإلحصاءات (‪ )Statistics‬المشار‬
‫إليه بالسهم (‪.)3‬‬

‫عندها ستظهر نافذة فرعية جديدة‪( ،‬الشكل (‪ ،))21.3‬قم في هذه النافذة الفرعية باختيار المقاييس المشار إليها‬
‫بالعالمة (√) وهي الوسط الحسابي (‪ ،)Mean‬الوسيط (‪ ،)Median‬المنوال (‪ ،)Mode‬الربيعات (‪،)Quartiles‬‬
‫االنحراف المعياري (‪ ،)Std. Deviation‬القيمة الصغرى (‪ ،)Minimum‬والقيمة الكبرى (‪ .)Maximum‬أما‬

‫الختيار جميع المتغيرات مرة واحدة يمكن بعد النقر بالفأرة على المربع اإليسر الضغط على زر ‪ CTRL‬في لوحة المفاتيح والحرف ‪A‬‬ ‫‪1‬‬

‫في آن واحد فيتم اختيار كافة المتغيرات‪.‬‬

‫‪66‬‬
‫المقاييس األخرى المتوفرة ضمن الخيارات‪( ،‬مثل المجموع (‪ )Sum‬والتباين (‪ )Variance‬وغيرها)‪ ،‬فليس هنالك‬
‫حاجة الستخدامها حاليا في هذا المثال وسنتطرق لها الحقا بحسب الحاجة‪.‬‬

‫شكل ‪ :21.3‬نافذة اختيار المقاييس اإلحصائية ضمن نافذة التك اررات (‪.)Frequencies‬‬

‫بعد اختيار المقاييس المطلوبة اضممغط اسممتمرار (‪ )Continue‬فيتم العودة للنافذة السممابقة (شممكل (‪ ،))20.3‬ونقوم‬
‫في تلمك النمافذة بالضم م م م م م ممغط على خيمار الرسم م م م م م ممومات البيمانيمة‬
‫(‪ )Charts‬المشم م ممار إليه بالسم م ممهم (‪ )4‬الختيار الرسم م ممم البياني‬
‫المطلوب‪ .‬ستظهر عندئذ نافذة فرعية أخرى‪( ،‬شكل (‪،))22.3‬‬
‫والتي يمكن من خاللها اختيار عدم اسم م ممتخدام أي رسم م ممم بياني‬
‫(‪ ،)None‬أو اختيممار األعمممدة البيممانيممة (‪ ،)Bar Charts‬أو‬
‫اختيار القطاعات البيانية (‪ ،)Pie Charts‬أو اختيار المدرج‬
‫التكراري (‪ ،)Histogram‬وسم م م م م م ممنقوم هنم مما بم مماختيم ممار المم ممدرج‬
‫التكراري‪ ،‬والذي سيتم تفسيره في البند القادم‪.‬‬
‫شكل ‪ :22.3‬نافذة اختيار الرسم البياني ضمن نافذة‬
‫التك اررات (‪.)Frequencies‬‬ ‫ونشير هنا في نفس النافذة إلى إمكانية اختيار إظهار منحنى‬
‫التوزيع الطبيعي على الرسم البياني للمدرج التكراري‪ ،‬إال أننا لن نقوم باستخدامه حاليا حيث أننا سنفرد له تعليقا‬
‫مطوال عند تناول موضوع التوزيع الطبيعي‪.‬‬

‫مالحظة‪:‬‬
‫إذا ما تم اختيار األعمدة البيانية أو القطاعات البيانية في الشكل (‪ )22.3‬فإنه يمكن اختيار عرض التك اررات‬
‫(‪ )Frequencies‬أو النسب (‪ )Percentages‬على الرسم من الخيار أسفل النافذة‪.‬‬

‫‪67‬‬
‫بعد اختيار الرسم المطلوب اضغط على استمرار (‪ )Continue‬فيتم العودة للنافذة السابقة (شكل (‪ .))20.3‬واذا‬
‫ما قمنا في تلك النافذة بإبقاء اختيار عرض الجداول التك اررية (‪ )Display Frequency Tables‬المشار إليه‬
‫بالسهم رقم (‪ ،)5‬فإن سنحصل عليها مع المقاييس والرسومات المطلوبة‪ ،‬إال أننا في هذا المثال لن نكون بحاجة‬
‫إليها لذلك سنقوم بإلغاء اختيار عرضها‪ .‬نقوم بعد ذلك بالضغط على موافق (‪ )OK‬في نافذة الشكل (‪)20.3‬‬
‫فنحصل على النتائج المطلوبة تباعا في نافذة المخرجات‪.‬‬

‫النتيجة األولى‪ ،‬بحسب ترتيب العرض في نافذة المخرجات ستكون المقاييس اإلحصائية المطلوبة لكافة المتغيرات‬
‫الثمانية كما يوضح الشكل (‪ .)23.3‬في العامود األول إلى اليسار‪ ،‬توجد أسماء المقاييس بالترتيب التالي؛ عدد‬
‫المشاهدات (‪ )N Valid‬وهو ‪ 35‬مشاهدة‪ ،‬عدد القيم المفقودة (‪ )Missing‬ويساوي صف ار لعدم وجود قيم مفقودة‬
‫في البيانات‪ ،‬المتوسط‪ ،‬الوسيط‪ ،‬المنوال‪ ،‬االنحراف المعياري‪ ،‬القيمة الصغرى‪ ،‬القيمة الكبرى‪ ،‬الربيعات‪ :‬الربيع‬
‫األول‪ ،‬الثاني‪ ،‬والثالث‪( ،‬والحظ أنها معروضة باسم المئين ‪ ،50 ،25‬و‪.)75‬‬

‫شكل ‪ :23.3‬المقاييس اإلحصائية االستكشافية لمتغيرات الملف "بيانات الطلبة"‪.‬‬

‫ويالحظ هنا أن النتائج أو المقاييس المحسوبة قد ظهرت بشكل فردي أو أحادي‪ ،‬بمعنى أن قيم المقاييس قد تم‬
‫حسابها لكل متغير على حدة (في عامود مستقل)‪ ،‬وال توجد نتيجة محسوبة باستخدام متغيرين أو أكثر في نفس‬
‫الوقت‪ .‬وبالنظر إلى هذه النتائج يمكننا استخالص التالي‪:‬‬

‫واذا ما نظرنا إلى الوسط الحسابي للدرجات فإننا نالحظ أن المقررين ‪ 1‬و‪ 2‬لهما أوساط متقاربة تقترب‬ ‫‪‬‬
‫من تقدير جيد جدا (‪ 71.31‬و‪ ،)72.97‬أما المقرر الثالث فيختلف وسطه عن المقررين األولين ويتجه‬
‫نحو التقدير مقبول (‪ .)55.34‬وضمن عائلة األوساط أيضا‪ ،‬يالحظ تساوي الوسيط للمقررين األولين‬
‫(‪ )75‬واختالف (ارتفاع) قيمته عن المقرر الثالث (‪ )53‬بصورة كبيرة‪ .‬هذه النتيجة تعطي انطباعا "مبدئيا"‬
‫بأن أداء الطالب في المقررين ‪ 1‬و‪ 2‬هو أفضل من أداؤهم في المقرر ‪.3‬‬

‫‪68‬‬
‫االرتفاع الطفيف في قيم الوسيط للمقررين األولين يعكس وجود التواء بسيط إلى اليسار في توزيع‪ 1‬درجات‬ ‫‪‬‬
‫الطالب في هذين المقررين‪ ،‬بمعنى أن الدرجات تتجه إلى اليمين‪ ،‬أي تتجه نحو الدرجات األعلى‪ ،‬وهذه‬
‫المالحظة تتوافق مع قيم األوساط للدرجات‪.‬‬
‫إذا ما نظرنا إلى القيم الكبرى للمقررات الثالثة والتي يالحظ تقاربها (‪ ،96 ،94‬و‪ 95‬على الترتيب)‪،‬‬ ‫‪‬‬
‫فإننا‪ ،‬وبعد قراءة النتائج السابقة‪ ،‬نستنتج وجود قيم متطرفة عليا في المقرر الثالث‪ ،‬بمعنى أن طالب أو‬
‫أكثر قد حققوا درجات عالية جدا في هذا المقرر رغم تدني مستوى األداء لغالبية الطالب مما يعد من‬
‫الناحية اإلحصائية "تطرفا" في قيم ذلك المتغير‪.‬‬
‫بالنظر إلى قيم الربيعات في النتيجة السابقة فإننا نالحظ أن قيم الربيع األول هي متقاربة في المقررين‬ ‫‪‬‬
‫األولين (‪ 63.5‬و‪ )67.5‬وهذه القيم تعني أن تقديرات ‪ %75‬من الطالب (أي األكثرية) هي تقريبا جيد‬
‫في المقررين‪ .‬كما أن قيم الربيع الثالث للمقررين هي متقاربة جدا (‪ 83‬و‪ )84.5‬مما يدل على تقارب‬
‫توزيع درجات الطالب في هذين المقررين‪ .‬أما بالنسبة للمقرر الثالث‪ ،‬فمن المالحظ أن قيم الربيع األول‬
‫والثالث له متدنية كثي ار عن المقررين األولين‪ ،‬وحيث أن قيمة الربيع الثالث له هي ‪( ،60‬مما يعني أن‬
‫‪ %75‬من درجات الطالب في هذا المقرر هي أقل من جيد)‪ ،‬فهذا كله يؤكد أن أداء الطالب في المقرر‪3‬‬
‫كان تحت المستوى المرضي مقارنة بالمقررين ‪ 1‬و‪.2‬‬
‫من قيم االنحراف المعياري للدرجات‪ ،‬نرى بأن متوسط الفروقات بين درجات الطلبة في المقررات الثالثة‬ ‫‪‬‬
‫هو متقارب جدا ويساوي ‪ 15‬درجة تقريبا‪ ،‬بمعنى أن معدل االختالف في أداء الطلبة في أي مقرر من‬
‫المقررات الثالثة هو ‪ 15‬درجة‪ ،‬وذلك يعد اختالفا كبي ار بين مستوى الطلبة ضمن كل مقرر من هذه‬
‫المقررات‪.‬‬

‫‪ 1.4.3‬المدرج التكراري (‪)Histogram‬‬

‫إن الكثير من تلك االستنتاجات السابقة وغيرها يمكن قراءتها "بشكل مرئي" باستخدام التمثيل البياني‪،‬‬
‫وعلى رأسها المدرج التكراري الذي ستكون نتائجه متوفرة ضمن نافذة المخرجات‪ ،‬وسنقوم بعرض المدرجات التك اررية‬
‫للمتغيرات الثالثة األولى في مثالنا الحالي‪( ،‬ملف البيانات "بيانات الطلبة")‪ ،‬وهي درجات الطلبة في المقررات‬
‫الثالثة‪ ،‬في شكل واحد هنا‪( ،‬شكل (‪ ،))24.3‬لتسهيل المقارنة بينها؛‬

‫نذكر هنا أن مصطلح "توزيع" الدرجات يشير إلى نمط انتشار قيم المشاهدات وال يقصد به التوزيع االحتمالي للمتغير‪.‬‬ ‫‪1‬‬

‫‪69‬‬
 ‫شكل ‪ :24.3‬المدرجات التكرارية للمتغيرات درجات الطلبة في مقرر ‪ ،2 ،1‬و‪ 3‬في الملف "بيانات الطلبة"‪.‬‬

‫ويالحظ من المدرجات في الشكل (‪ )24.3‬وجود التواء بسيط إلى اليسار في توزيع المقررين األولين ‪ 1‬و‪ ،2‬أما‬
‫قيم المقرر الثالث فتظهر التواء إلى اليمين والذي ساعد على ظهوره وجود القيم المتطرفة العليا‪( ،‬العامودين األخيرين‬
‫في يمين المدرج التكراري)‪.‬‬

‫أما فيما يخص باقي المتغيرات الكمية؛ وهي عمر الطالب‪ ،‬عدد أفراد أسرة الطالب وعدد غرف منزل الطالب‪ ،‬فيتم‬
‫دراسة توزيعاتها بشكل منفصل أي بدون مقارنتها مع بعضها البعض‪( ،‬كما كان الحال مع درجات الطالب)‪ ،‬ألنها‬
‫مقاسة بوحدات قياس مختلفة؛ فالعمر مقاس بالسنة وأفراد األسرة بعدد األشخاص وغرف المنزل مقاسة بعددها‪.‬‬

‫من الشكل (‪ ،)23.3‬يمكن مالحظة التالي بالنسبة لمتغيرات "العمر"‪" ،‬األسرة"‪ ،‬و"المنزل"‪:‬‬

‫متوسط أو معدل أعمار الطلبة هو ‪ 22‬سنة تقريبا‪ ،‬وهي أعمار منطقية تتناسب وطبيعة المرحلة الدراسية‬ ‫‪‬‬
‫لهم‪ .‬ومعدل عدد أفراد أسرة الطالب هو ‪( 6‬بوسيط يساوي ‪ )5‬وهو معدل قد يعتبر مرتفع إلى حد ما‬
‫عالميا‪ ،‬وان كان اعتياديا بالنسبة لألسرة العربية‪ .‬أما معدل عدد الغرف في منزل الطالب في هذه العينة‬
‫فيساوي ‪ 4‬غرف (للوسط والوسيط) وهذا المعدل من الغرف بالنظر إلى معدل أفراد أسر الطلبة (وهو ‪)6‬‬
‫يعطي انطباعا بوجود اكتظاظ في منازل هؤالء الطلبة‪.‬‬
‫من االنحراف المعياري للمتغيرات‪ ،‬نرى أن متوسط الفروقات بين أعمار الطالب هو أقل من سنتين‪ ،‬كما‬ ‫‪‬‬
‫يالحظ أن هنالك درجة تشتت كبيرة نوعا ما ضمن عدد أفراد أسر هؤالء الطالب‪ ،‬وأما عدد غرف منازل‬
‫تلك األسر فهي غير مختلفة كثي ار فيما بينها‪ ،‬حيث أن مقاييس تشتتها لها قيم منخفضة‪.‬‬

‫وبالنسبة للمدرجات التك اررية لمتغيرات العمر‪ ،‬عدد أفراد األسرة‪ ،‬وعدد غرف المنزل‪ ،‬فإننا سنقوم بعرضها في الشكل‬
‫التالي‪ ،)25.3( ،‬لالختصار؛‬

‫‪70‬‬
 ‫شكل ‪ :25.3‬المدرجات التكرارية لمتغيرات العمر‪ ،‬عدد أفراد األسرة‪ ،‬وعدد غرف المنزل للطالب في الملف "بيانات الطلبة"‪.‬‬

‫ومن هذه المدرجات التك اررية يمكن الوصول لنفس المالحظات السابقة للمتغيرات الثالثة‪ .‬وننوه هنا إلى أن المدرجات‬
‫التك اررية يمكن أن تستخدم لتوضيح سلوك المتغيرات من حيث مدى اقترابها من التوزيع الطبيعي كما سنوضح‬
‫الحقا‪.‬‬

‫من جهة أخرى‪ ،‬فإنه يالحظ أن متغير جنس الطالب قد أعطى على سبيل المثال متوسط قدره ‪ 1.49‬ووسيط يساوي‬
‫‪ 1.00‬وغير ذلك من قيم للمقاييس األخرى والسبب في ذلك يرجع إلى كون هذا المتغير وصفي وتم تعريفه ليأخذ‬
‫القيمة ‪ 1‬للذكور والقيمة ‪ 2‬لإلناث‪ ،‬وبالتالي فإن قيم المقاييس اإلحصائية لهذا المتغير لن تكون "حقيقية" نظ ار‬
‫لطبيعة المتغير‪ ،‬بمعنى أن قيمة المتوسط ‪ 1.49‬ليس لها وحدة قياس‪ .‬ولذلك يفضل عادة استخدام مقاييس مثل‬
‫النسبة والمنوال مع المتغيرات الوصفية‪ .‬وكذلك األمر مع المتغير الذي يمثل ترتيب الفصل الدراسي للطالب‪ .‬ولذلك‬
‫لن يتم عرض المدرجات التك اررية الخاصة بهاذين المتغيرين هنا‪.‬‬

‫وعموما‪ ،‬فإنه من الرسومات البيانية للمتغيرين يمكن القول بأن عدد الذكور هو متقارب جدا مع عدد اإلناث في‬
‫هذه البيانات مع وجود ارتفاع طفيف في عدد الذكور‪ ،‬وكذلك يالحظ أن معظم مسجلون في فصول دراسية في‬
‫المرحلة المتوسطة من الفصل الرابع إلى الفصل السادس‪.‬‬

‫‪ 1.1.4.3‬تغيير الفترات في المدرج التكراري (‪)Adjusting the Histogram‬‬

‫في بعض الحاالت‪ ،‬قد يكون من المالئم تعديل عدد أو طول الفترات ضمن المدرج التكراري بحسب وحدة قياس‬
‫المتغير‪ ،‬ولعمل ذلك نقوم باآلتي؛‬

‫‪71‬‬
‫في نفس المثال السابق‪( ،‬ملف البيانات "بيانات الطلبة")‪ ،‬وفي نافذة المخرجات قم بالنقر المزدوج على المدرج‬
‫التكراري الخاص بالمتغير "درجة الطالب في المقرر‪ ،"1‬فتظهر نافذة محرر الرسم (‪ )Chart Editor‬كما يوضح‬
‫الشكل (‪.)26.3‬‬

‫شكل ‪ :26.3‬نافذة محرر الرسم للمدرج التكراري للمتغير "مقرر‪."1‬‬

‫في هذه النافذة‪ ،‬قم بالنقر المزدوج من جديد على المدرج التكراري بالتحديد‪ 1‬وستظهر نافذة فرعية أخرى بعنوان‬
‫خصائص (‪ ،)Properties‬كما في الشكل (‪ .)27.3‬ضمن خيار تحديد المدى (‪ ،)Binning‬وفي الجزء الخاص‬
‫بمحور ‪ ،)X Axis( X‬اختر تعديل حسب الطلب (‪ )Custom‬ثم اختر طول الفترة (‪ ،)Interval width‬وفي‬
‫المستطيل المقابل اكتب ‪ 10‬وذلك لتعديل طول الفترة إلى ‪ 10‬درجات‪( ،‬حيث أن المتغير يمثل درجات طلبة تتراوح‬
‫ما بين ‪ 0‬إلى ‪ 100‬لذلك سيكون من المناسب أن يكون طول الفترة ‪ 10‬درجات)‪.‬‬

‫وبعد تحديد طول الفترة اضغط تطبيق (‪ )Apply‬ليتم تنفيذ التعديل المطلوب‪ ،‬قم بعدها بإغالق النافذة بالضغط‬
‫على إغالق (‪.)Close‬‬

‫‪ 1‬نذكر هنا أن مكان النقر يحدد الجزء الذي يرغب المستخدم بتعديله‪ ،‬فمثال إذا ما تم النقر على خلفية الرسم فستظهر نافذة فرعية خاصة‬
‫بألوان الشكل والخلفية وغيرها‪ ،‬وهكذا بالنسبة للمواضع األخرى في نافذة محرر الرسم‪.‬‬

‫‪72‬‬
 ‫س م م م ممتالحظ اآلن تغير طول فترات المدرج التكراري‬
‫وكذلك تغير عدد األعمدة في الشممكل‪ .‬سممنقوم تاليا‬
‫بتغيير مظهر قيم بممدايممة ونهممايممة كممل فترة (عممامود‬
‫على الرسم ممم) بحيث تظهر كل القيم على الشم ممكل‪.‬‬
‫لتنفيذ ذلك قم ض م مممن نافذة محرر الرس م ممم الس م ممابقة‬
‫بممالنقر المزدوج على أي قيمممة من قيم المحور ‪X‬‬
‫فتظهر نافذة فرعية جديدة قم ضم م م م م م مممنها باختيار‬
‫مقياس (‪ )Scale‬فتحصم م م ممل على الخيارات المبينة‬
‫في الشكل (‪.)28.3‬‬

‫في تلك النافذة الفرعية‪ ،‬وفي الجزء الخاص بمدى‬

‫شكل ‪ :27.3‬نافذة خصائص الفترات في محرر الرسم‪.‬‬
‫توزيع القيم (‪ ،)Range‬سنقوم بتغيير مقدار الزيادة‬
‫الرئيسية (‪ )Major Increment‬من ‪ 20‬إلى ‪ 10‬درجات‪ ،‬ثم نضغط تطبيق فيتغير مقياس توزع القيم في محور‬
‫‪ X‬بحيث تظهر القيم في بداية ونهاية كل فترة‪ ،‬نقوم بعد ذلك بإغالق نافذة خصائص محرر الرسم‪ ،‬وبذلك نكون‬

‫قد انتهينا من عمل التعديالت على ش م م ممكل المدرج‬

‫التكراري للمتغير المطلوب‪ .‬يمكن م ممك اآلن إغالق‬
‫نافذة محرر الرسم ممم واجراء تعديالت على مواضم ممع‬
‫أخرى في الشمكل نفسمه أو االنتقال إلى رسمم بياني‬
‫آخر واجراء أية تعديالت أخرى‪.‬‬

‫وبنفس األسم م م مملوب يمكن تطبيق أي تعديالت على‬

‫الرسممومات البيانية بحسممب الحاجة لها‪ ،‬وسممتالحظ‬
‫عندها بعض التغيرات في نوافذ خصم ممائص محرر‬
‫الرسم بحسب نوع الرسم الذي تقوم بإجراء التعديل‬
‫عليه‪.‬‬
‫شكل ‪ :28.3‬نافذة خصائص مقياس الرسم في محرر الرسم‪.‬‬

‫ومن ضمن الرسومات البيانية الشهيرة في عرض‬

‫البيانات ما يعرف بشكل الصندوق والذي يقدم تقريبا نفس المعلومات التي يقدمها المدرج التكراري مع بعض‬
‫اإلضافات الهامة‪ ،‬ويمكننا تقديم تعريف مبسط لهذا التمثيل البياني الهام بالصورة التالية؛‬

‫‪73‬‬
 ‫‪ 2.4.3‬شكل الصندوق )‪(The Boxplot‬‬

‫شكل الصندوق هو ببساطة رسم بياني يتم من خالله توضيح خمسة مقاييس هامة تمثل بحد ذاتها‬
‫ملخصا‪ ،‬قد يكون بمفرده كافيا في بعض األحيان‪ ،‬لتوضيح سلوك البيانات‪ .‬وهذا الرسم يمكن استخدامه لوصف‬
‫مجموعة واحدة (متغير واحدة) من البيانات أو للمقارنة بين متغيرين أو أكثر‪ ،‬إذ يمكن من خالله مراقبة تشتت‬
‫توزيع البيانات عن مركزها وكذلك مالحظة مدى تماثل توزيعها‪ ،‬وأيضا من خالل شكل الصندوق يمكننا التعرف‬
‫على القيم المتطرفة بصورة واضحة جدا كما سنرى‪.‬‬

‫إن المقاييس الخمسة التي يعرضها الصندوق‪ ،‬والتي تسمى أيضا بملخص األرقام الخمسة ‪(Five-Numbers‬‬
‫)‪ ،Summary‬هي القيمتين الدنيا والكبرى‪ ،‬الربيع األول )‪ ،(Q1‬الربيع الثالث )‪ ،(Q3‬والوسيط )̃𝑋(‪ .‬ويكون الشكل‬
‫التقليدي لرسم الصندوق على الصورة التالية‪( ،‬شكل (‪))29.3‬؛‬

‫‪80‬‬

‫‪70‬‬

‫‪60‬‬

‫‪50‬‬

‫‪40‬‬
‫‪X‬‬

‫‪30‬‬

‫‪20‬‬

‫‪10‬‬

‫‪0‬‬

‫شكل ‪ :29.3‬شكل بياني افتراضي لرسم الصندوق موضحا عليه المقاييس اإلحصائية المرتبطة به‪.‬‬

‫ويالحظ من الشكل (‪ )29.3‬أنه إذا لم توجد قيم متطرفة في توزيع البيانات‪ ،‬فإن القيمة العظمى ستكون هي القيمة‬
‫عند الخط الذي يمثل الحد األعلى في الصندوق‪ ،‬وكذلك الحال بالنسبة للقيمة الدنيا في البيانات‪ .‬ولتوضيح كيفية‬
‫استخدام شكل الصندوق لتمثيل توزيع المتغير بيانيا في برنامج ‪ ،SPSS‬سنقوم باستخدامه لتمثيل المتغيرات الثالثة‬
‫األولى من ملف البيانات "بيانات الطلبة"؛‬

‫‪74‬‬
‫في الشريط العلوي لبرنامج ‪ SPSS‬قم باختيار ‪ Graphs>Legacy Dialogs>Boxplot‬فتظهر النافذة التالية‪،‬‬
‫(شكل (‪))30.3‬؛‬

‫س ممنقوم هنا باختيار تنفيذ ش ممكل الص ممندوق البس مميط (‪)Simple‬‬
‫والمش ممار إليه بالس ممهم رقم (‪ )1‬في الش ممكل‪( ،‬وس ممنتطرق لش ممكل‬
‫الصم م م م ممندوق باسم م م م ممتخدام التصم م م م ممنيف تاليا)‪ ،‬ونختار تمثيل عدة‬
‫متغيرات في آن واحد‪ 1‬كما يش ممير الس ممهم رقم (‪ )2‬في الش ممكل‪.‬‬
‫ثم نضم م م م م ممغط أمر تعريف (‪ ،)Define‬فتظهر نافذة جديدة كما‬
‫يوضح الشكل (‪.)31.3‬‬

‫قم في تلك النافذة باختيار المتغيرات الثالثة األولى‪( ،‬وهي درجة‬

‫شكل ‪ :30.3‬نافذة خيارات شكل الصندوق‪.‬‬
‫الطالب في المقرر‪ 1‬والمقرر‪ 2‬والمقرر‪ ،)3‬ونقلها إلى الخانة‬
‫العليا في يمين النافذة والمعنونة‪ :‬الصناديق تمثل (‪ )Boxes Represents‬كما هو مبين في الشكل‪ ،‬ثم اضغط‬
‫موافق (‪.)OK‬‬

‫شكل ‪ :31.3‬نافذة تحديد المتغيرات لشكل الصندوق‪( ،‬لعدة متغيرات آنيا)‪.‬‬

‫فيظهر الشكل المطلوب في نافذة المخرجات‪ ،‬كما يوضح الشكل (‪ .)32.3‬ونالحظ من الشكل ما يلي‪:‬‬

‫نشير هنا إلى أن اختيار التمثيل البياني لعدة متغيرات في آن واحد يتم استخدامه فقط عندما تكون المتغيرات لها نفس وحدة القياس‬ ‫‪1‬‬

‫وليست من وحدات قياس مختلفة‪.‬‬

‫‪75‬‬
 ‫شكل ‪ :32.3‬شكل الصندوق للمتغيرات درجات الطلبة في مقرر ‪ ،2 ،1‬و‪ 3‬في الملف "بيانات الطلبة"‪.‬‬

‫‪ .1‬اقتراب الصندوق‪ ،‬والذي يمثل كتلة البيانات‪ ،‬في المتغيرين أو المقررين األولين ‪ 1‬و‪ 2‬إلى الجانب األعلى في‬
‫الرسم مما يظهر التواء إلى اليسار في توزيع البيانات‪ ،‬وهذه داللة على ارتفاع المستوى الدراسي للطالب في هذين‬
‫المقررين‪ .‬إال أن ما نراه في المتغير الثالث (المقرر‪ )3‬ليس التواء بالمعنى الصحيح‪ ،‬ألن كل المشاهدات في هذا‬
‫المتغير‪ ،‬باستثناء النقاط (الدرجات) الثالثة المتطرفة (حيث تمثل القيم على الرسم ترتيب القيمة المتطرفة) في أعلى‬
‫الرسم‪ ،‬تنحصر في الجانب األسفل‪.‬‬

‫‪ .2‬أغلبية درجات الطالب في المقررين ‪ 1‬و‪ 2‬تنحصر في الفترة (‪ 65‬إلى ‪ )85‬تقريبا‪ ،‬أما أغلبية الدرجات في‬
‫المقرر‪ 3‬فتنحصر في الفترة (‪ 50‬إلى ‪ ،)60‬مما يدل على انخفاض مستوى الطالب في المقرر الثالث‪ ،‬كما ذكرنا‬
‫سابقا‪.‬‬

‫‪ .3‬عدم ظهور قيم متطرفة في المقرر األول‪ ،‬وظهور قيمة واحدة متطرفة (هي الدرجة ‪ )40‬في المقرر الثاني‪،‬‬
‫وكذلك ظهور قيم متطرفة دنيا (هما الدرجتان ‪ 27‬و‪ )33‬في المقرر الثالث والتي قد ال تظهر في رسومات أخرى‬
‫بوضوح‪ ،‬إضافة للقيم المتطرفة الثالثة الكبرى الظاهرة‪.‬‬

‫‪ .4‬انتشار البيانات (ممثال بطول الصندوق) والذي يمثل تشتت درجات الطالب يبدو أكبر في المقررين ‪ 1‬و‪ 2‬مما‬
‫هو عليه في المقرر‪ ،3‬إال أن ذلك لم يكن جليا واضحا في النتائج والرسومات السابقة‪ ،‬وال حتى بحساب االنحراف‬
‫المعياري للمقررات الثالثة؛ (من الشكل (‪ ،)23.3‬االنحرافات المعيارية للمقررات الثالثة على الترتيب هي ‪،15.605‬‬
‫‪ ،15.219‬و‪ 14.289‬درجة)‪ ،‬والتي تبدو متقاربة‪ ،‬وهذه في الواقع إحدى مزايا التمثيل الجيد لتوزيع البيانات في‬

‫‪76‬‬
‫رسم الصندوق‪ .‬وننوه هنا إلى أن اقت ارب قيمة االنحراف المعياري للمقرر الثالث من قيم المقررين األولين سببه‬
‫وجود القيم المتطرفة العليا التي أدت لرفع قيمته‪.‬‬

‫من جديد‪ ،‬يمكن استخدام التمثيل البياني لشكل الصندوق بطريقة تظهر توزيع المتغير األساسي مصنفا بحسب‬
‫متغير (أو متغيرين)‪ ،‬فمثال يمكننا باستخدام بيانات المثال الحالي تنفيذ شكل الصندوق لمتغير عمر الطالب بحسب‬
‫النوع؛ ذكر أو أنثى‪.‬‬

‫لعمل ذلك‪ ،‬قم في الشريط العلوي لبرنامج ‪ SPSS‬باختيار ‪ Graphs>Legacy Dialogs>Boxplot‬وفي النافذة‬
‫التي تظهر في الشكل (‪ )30.3‬قم باختيار تنفيذ شكل الصندوق البسيط (‪ )Simple‬والمشار إليه بالسهم رقم (‪،)1‬‬
‫ثم قم باختيار الخيار األول وهو خيار تمثيل متغير واحد (‪ .)Summaries of groups of cases‬ثم نضغط‬
‫أمر تعريف (‪ ،)Define‬فتظهر نافذة جديدة كما هو في الشكل (‪.)33.3‬‬

‫شكل ‪ :33.3‬نافذة تحديد المتغيرات لشكل الصندوق‪( ،‬لمتغير واحد)‪.‬‬

‫قم في تلك النافذة باختيار المتغير عمر الطالب في الخانة األولى العليا (‪( ،)Variable‬كما يوضح الشكل)‪ ،‬ثم‬
‫قم باختيار متغير التصنيف أو التقسيم وهو متغير جنس الطالب في الخانة الثانية (‪ ،)Category Axis‬ثم اضغط‬
‫موافق فيظهر شكل الصندوق المصنف بحسب جنس الطالب في نافذة المخرجات‪ ،‬كما يوضح الشكل (‪.)34.3‬‬
‫ونالحظ من الشكل بوضوح أن الطلبة الذكور في العينة هم في الغالب أكبر سنا من الطالبات‪.‬‬

‫‪77‬‬
 ‫شكل ‪ :34.3‬شكل الصندوق المصنف لعمر الطالب بحسب النوع للمتغيرات في الملف "بيانات الطلبة"‪.‬‬

‫ويمكن أيضا‪ ،‬في نفس السياق‪ ،‬استخدام رسم الصندوق لتمثيل متغير ما اعتمادا على تصنيفه باستخدام متغيرين‬
‫وليس متغير واحد فقط‪( ،‬كما شمماهدنا في الشممكل السممابق (‪ .))34.3‬فمثال يمكننا في نفس المثال الحالي اسممتخدام‬
‫شمم م ممكل الص م م ممندوق لتمثيل متغير عمر الطالب بناء على‬
‫متغير الجنس ومتغير عممدد حجرات منزلممه‪ .‬لتنفيممذ ذلممك‪،‬‬
‫قم في الش م م م م م م مريط العلوي لبرنم م ممامج ‪ SPSS‬بم م مماختيم م ممار‬
‫‪ Graphs>Legacy Dialogs>Boxplot‬وفي النافذة‬
‫التي تظهر في الش م م ممكل (‪ )35.3‬قم باختيار تنفيذ ش م م ممكل‬
‫الصندوق المصنف (‪ )Clustered‬والمشار إليه بالسهم‬
‫رقم (‪ ،)1‬ثم قم بمماختيممار الخيممار األول والمش م م م م م م ممار إليممه‬

‫شكل ‪ :35.3‬نافذة خيارات شكل الصندوق مع اختيار رسم‬ ‫بالسهم رقم (‪ )2‬وهو خيار تمثيل متغير واحد‪ .‬ثم اضغط‬
‫الصندوق المصنف‪.‬‬
‫أمر تعريف (‪ ،)Define‬فتظهر نافذة جديدة كما هو في‬
‫الشكل (‪.)36.3‬‬

‫قم في تلك النافذة باختيار المتغير عمر الطالب في الخانة األولى العليا (‪ ،)Variable‬ثم قم باختيار متغير‬
‫التصنيف األول وهو متغير جنس الطالب في الخانة الثانية (‪ ،)Category Axis‬ثم اختر متغير التصنيف الثاني‬
‫وهو عدد الحجرات في منزل الطالب في الخانة الثالثة (‪ ،)Define Clusters by‬ثم اضغط موافق فيظهر شكل‬
‫الصندوق المصنف بحسب كال من جنس الطالب (في المحور األفقي) وبحسب عدد حجرات المنزل (مقسما للذكور‬
‫ولإلناث كل على حده) في نافذة المخرجات‪ ،‬كما يوضح الشكل (‪.)37.3‬‬

‫‪78‬‬
 ‫شكل ‪ :36.3‬نافذة تحديد المتغيرات لشكل الصندوق‪( ،‬لمتغير واحد مصنف بحسب متغيرين)‪.‬‬

‫ونالحظ من الشكل ارتفاع أعمار الطلبة الذكور في العينة في العموم‪ ،‬كما أنه يمكن القول بأن الطلبة الذكور في‬
‫الغالب يقطنون في منازل أعداد حجراتها تتراوح ما بين حجرتين وأربعة حجرات‪ ،‬وأما الطالبات فيقطن في منازل‬
‫عدد حجراتها هو ثالثة أو خمسة أو ستة حجرات على األكثر‪.‬‬

‫شكل ‪ :37.3‬شكل الصندوق لعمر الطالب مصنفا بحسب النوع وعدد حجرات المنزل للطالب للمتغيرات في الملف "بيانات الطلبة"‪.‬‬

‫‪79‬‬
 ‫‪ 3.4.3‬الرسم الخطي أو مخطط الزمن (‪)Line or Time Chart‬‬

‫وهو نوع من الرسومات البيانية التي تهدف إلى توضيح التغير في مفردات البيانات خالل فترة زمنية‬
‫معينة (سنوات‪ ،‬أشهر‪ ،...‬أو حتى مواسم)‪ .‬ويستخدم هذا النوع من الرسومات في الكثير من المجاالت اإلنتاجية‬
‫أبرزها عرض التقارير االقتصادية والصناعية‪ .‬والتمثيل البياني لمخطط الزمن يتم برصد نقطة لكل قيمة من قيم‬
‫المتغير مقابل كل وحدة زمنية ثم توصيل هذه النقاط بخطوط مستقيمة‪ .‬ولتوضيح كيفية تنفيذ هذا النوع من‬
‫الرسومات‪ ،‬لنأخذ المثال التالي؛‬

‫أثناء إجراء دراسة تتعلق باختبار قوة تحمل خليط من المعادن المستخدمة في بناء جدران المنشئات العسكرية‪ ،‬تم‬
‫في البداية عمل نموذج أولي وتم اختباره ‪ 8‬مرات خالل ثمانية أشهر متتالية مع زيادة درجة الح اررة المحيطة‬
‫بالتدريج‪ .‬ثم تم بعد ذلك إضافة معدن جديد للخليط واعادة االختبار تحت نفس درجات الح اررة المستخدمة مع‬
‫الخليط األول فكانت النتائج‪( ،‬والتي تمثل مقاومة الخليط بالكيلوجرام)‪ ،‬كما هو موضح في الجدول المرفق (جدول‬
‫(‪))5.3‬؛‬

‫جدول ‪ :5.3‬نتائج مقاومة خليط المعادن قبل وبعد إضافة المعدن الجديد خالل فترة ثمانية أشهر‪.‬‬

‫أغسطس‬ ‫يوليو‬ ‫يونيو‬ ‫مايو‬ ‫ابريل‬ ‫مارس‬ ‫فبراير‬ ‫يناير‬ ‫الشهر‬

‫‪13.1‬‬ ‫‪12.6‬‬ ‫‪13.2‬‬ ‫‪13.6‬‬ ‫‪12.3‬‬ ‫‪13.4‬‬ ‫‪12.9‬‬ ‫‪12.6‬‬ ‫(المقاومة قبل اإلضافة)‬

‫‪13.1‬‬ ‫‪13.5‬‬ ‫‪13.6‬‬ ‫‪14.2‬‬ ‫‪13.9‬‬ ‫‪13.3‬‬ ‫‪13.7‬‬ ‫‪12.9‬‬ ‫(المقاومة بعد اإلضافة)‬

‫وسنقوم باستخدام مخطط الزمن لتمثيل التغير في مقاومة خليط المعدن قبل اإلضافة خالل األشهر المتالحقة‪.‬‬
‫وستكون الخطوة األولى هي إدخال البيانات (في جدول (‪ ))5.3‬في ملف بيانات جديد في ‪ ،SPSS‬وليكن باسم‬
‫"مقاومة المعدن" كما يظهر في الشكل (‪.)38.3‬‬

‫شكل ‪ :38.3‬ملف بيانات "مقاومة المعدن"‪.‬‬

‫‪80‬‬
‫بعد إدخال البيانات‪ ،‬قم في ش م مريط األدوات العلوي باختيار ‪ ،Graphs>Legacy Dialogs>Line‬فتظهر نافذة‬
‫خيارات الرس م ممم الخطي كما هو في الش م ممكل (‪ .)39.3‬قم باختيار‬
‫تنفيذ ش م م ممكل الرس م م ممم الخطي البس م م مميط (‪ )Simple‬والمش م م ممار إليه‬
‫بممالسم م م م م م ممهم رقم (‪ ،)1‬ثم قم بتحممديممد الخيممار الخمماص بتمثيممل قيم‬
‫المشم م ماهدات (‪ )Values of individual cases‬والمش م ممار إليه‬
‫بالسهم رقم (‪.)2‬‬

‫اضم م م م م ممغط بعد ذلك على تعريف (‪ )Define‬فتظهر نافذة تعريف‬

‫المتغيرات الخاصة بالرسم المطلوب‪( ،‬الشكل (‪ ،))40.3‬في تلك‬
‫النافذة سم م م م م ممنقوم باختيار المتغير (المقاومة قبل اإلضم م م م م ممافة) في‬
‫المربع األول في األعلى‪ :‬الخط يمثممل (‪،)Line Represents‬‬
‫ومن أسم م م م م م ممفل ذلك المربع (‪ )Category Labels‬نختار خيار‬
‫شكل ‪ :39.3‬نافذة خيارات الرسم الخطي‪.‬‬ ‫متغير (‪ ،)Variable‬ثم نختار متغير "الشممهر" في الش مريط أدناه‬
‫فنحصل على الشكل البياني المطلوب‪( ،‬شكل (‪.))41.3‬‬

‫شكل ‪ :40.3‬نافذة تحديد المتغيرات للرسم الخطي لمتغير واحد‪.‬‬

‫‪81‬‬
‫من الرسم الخطي أو مخطط الزمن في الشكل (‪ ،)41.3‬نالحظ وجود تذبذب في ارتفاع وانخفاض مقاومة المعدن‬
‫قبل اإلضافة خالل األشهر المتتالية‪ ،‬فنالحظ ارتفاع مقاومة المعدن من تجارب شهر يناير حتى شهر مارس ثم‬
‫انخفاض مقاومة المعدن في شهر ابريل ثم ارتفاعها في مايو وهكذا‪.‬‬

‫شكل ‪ :41.3‬الرسم الخطي لمتغير المقاومة_قبل_اإلضافة في ملف "مقاومة المعدن"‪.‬‬

‫ويمكن أيضا استخدام الرسم الخطي لمقارنة التغير عبر الزمن بين متغيرين (أو أكثر)‪ ،‬ففي المثال الحالي‪ ،‬يمكننا‬
‫مقارنة مقاومة المعدن قبل وبعد إضافة المعدن الجديد‪ .‬ولتنفيذ ذلك‪ ،‬نقوم في شريط األدوات العلوي باختيار‬
‫‪ ،Graphs>Legacy Dialogs>Line‬فتظهر نافذة خيارات الرسم الخطي كما هو في الشكل (‪ )39.3‬السابق‪.‬‬

‫نقوم باختيار تنفيذ شكل الرسم الخطي المتعدد (‪ )Multiple‬والمشار إليه بالسهم رقم (‪ ،)3‬ثم نقوم بتحديد الخيار‬
‫الخاص بتمثيل قيم المشاهدات والمشار إليه بالسهم رقم (‪ .)2‬نضغط بعد ذلك على تعريف (‪ )Define‬فتظهر‬
‫نافذة تعريف المتغيرات الخاصة بالرسم المطلوب كما هو موضح في الشكل (‪ )40.3‬السابق‪.‬‬

‫في تلك النافذة نقوم باختيار كال من المتغيرين (المقاومة قبل اإلضافة) و(المقاومة بعد اإلضافة) في الشريط‬
‫األول في األعلى (‪ ،)Line Represents‬ومن أسفل ذلك الشريط (‪ )Category Labels‬نختار خيار متغير‬
‫(‪ ،)Variable‬ثم نختار متغير "الشهر" في الشريط أدناه فنحصل على الرسم الخطي المتعدد‪( ،‬شكل (‪.))42.3‬‬
‫ويالحظ من الرسم أن إضافة المعدن الجديد قد أدى إلى زيادة مقاومة الخليط بصورة عامة عبر األشهر الثمانية‪.‬‬

‫‪82‬‬
 ‫شكل ‪ :42.3‬الرسم الخطي لمتغيري المقاومة_قبل_اإلضافة و المقاومة_قبل_اإلضافة في ملف "مقاومة المعدن"‪.‬‬

‫‪ 4.4.3‬طبيعية توزيع المتغيرات (‪)Normality of Variables‬‬

‫تعرفنا فيما سبق على استخدام المدرج التكراري وشكل الصندوق الستكشاف توزيع المتغيرات الكمية‪ ،‬ومن‬
‫ضمن استخدامات هذين التمثيلين التعرف على التوزيع االحتمالي للمتغير ما إذا كان طبيعيا أم ال‪ .‬إال أن كثير‬
‫من المتخصصين يفضلون استخدام أسلوب آخر ضمن طرق الرسم البياني‪ 1‬للتحقق من توزع المتغير طبيعيا وهو‬
‫رسم ‪ Q-Q‬و‪ )Q-Q and P-P Normal Probability Plot( ،P-P‬حيث يمثل األول رسم الربيعات والثاني‬
‫رسم المئينات للمتغير ومطابقتها بقريناتها في التوزيع الطبيعي‪ .‬ولتوضيع الصورة لنأخذ المثال التالي؛‬

‫في ملف البيانات "بيانات الطلبة"‪ ،‬سنقوم بتطبيق رسم ‪ Q-Q‬للمقارنة بين مدى توزع المتغيرات الثالثة طبيعيا‪ .‬من‬
‫شريط األدوات العلوي قم باختيار ‪ ،Analyze>Descriptive Statistics>Q-Q Plots‬فتظهر عندها نافذة‬
‫رسم ‪ Q-Q‬كما هو مبين في الشكل (‪ .)43.3‬في القسم العلوي األيمن من النافذة (‪ )Test Distribution‬يمكنك‬
‫مالحظة وجود الخيار الخاص باختيار التوزيع االحتمالي الذي ترغب برسم ‪ Q-Q‬له‪ ،‬وفي مثالنا الحالي نرغب‬
‫برسم ‪ Q-Q‬لبعض المتغيرات ومقارنتها بالتوزيع الطبيعي‪ ،‬والذي يمثل الخيار االفتراضي للرسم‪.‬‬

‫يمكن اإلجماع على أن أفضل األساليب اإلحصائية للتأكد من التوزيع االحتمالي للمتغيرات‪ ،‬ومن ضمنها التوزيع الطبيعي‪ ،‬هي اختبارات‬ ‫‪1‬‬

‫الفروض‪ .‬وسوف نتطرق لالختبارات الخاصة بالتوزيع الطبيعي في الفقرة القادمة‪.‬‬

‫‪83‬‬
 ‫شكل ‪ :43.3‬نافذة رسم ‪ Q-Q‬لملف البيانات "بيانات الطلبة"‪.‬‬

‫سنقوم باختيار المتغيرات الثالثة األولى‪ ،‬وهي درجات الطلبة في ثالثة مقررات‪ ،‬ونقلها إلى خانة المتغيرات‪ ،‬وبعدها‬
‫نضغط موافق فنحصل على عدة نتائج من أهمها المتوسط واالنحراف المعياري للمتغيرات إضافة لرسم ‪ Q-Q‬لكل‬
‫متغير‪ .‬وسنعرض في الشكل (‪ )44.3‬التالي الرسومات للمتغيرات جنبا إلى جنب لتسهيل المقارنة‪.‬‬

‫شكل ‪ :44.3‬رسم ‪ Q-Q‬لدرجات الطلبة في المقررات الثالثة في الملف "بيانات الطلبة"‪.‬‬

‫في رسم ‪ Q-Q‬أو ‪ P-P‬يتم التدقيق في مدى اقتراب النقاط‪( ،‬والتي تمثل المشاهدات للمتغير)‪ ،‬من الخط القطري‬
‫المرسوم‪( ،‬والذي يمثل توزيع النقاط االفتراضي للتوزيع الطبيعي)‪ ،‬وبالتالي كلما اقتربت نقاط المتغير من الخط‬
‫القطري كلما دل ذلك على اقتراب توزيع المتغير من التوزيع الطبيعي‪ .‬ومن الشكل (‪ )44.3‬يمكننا القول بأن درجات‬

‫‪84‬‬
‫الطلبة في المقرر‪ 1‬هي األكثر اقترابا من التوزيع الطبيعي مقارنة بدرجات الطلبة في المقررين اآلخرين‪ ،‬ونالحظ‬
‫أيضا ابتعاد المتغير الثالث‪( ،‬درجات الطلبة في المقرر‪ ،)3‬عن التوزيع الطبيعي بصورة كبيرة‪ .‬إال أنه‪ ،‬وكما ذكرنا‬
‫سابقا‪ ،‬يكون من المفضل إحصائيا اختبار توزيع المتغيرات طبيعيا باستخدام اختبارات الفروض وعدم االعتماد كليا‬
‫على الرسم البياني كما سنرى في الفقرة التالية‪.‬‬

‫‪ 5.3‬استخدام أسلوب استكشاف البيانات الشامل في ‪)Using the Explore command in SPSS( SPSS‬‬

‫الحظنا في األمثلة السابقة كيفية استخدام المقاييس اإلحصائية الوصفية والرسومات البيانية عن طريق‬
‫اختيار أوامر التك اررات (‪ )Frequencies‬واإلحصاءات الوصفية (‪ )Descriptives‬الموجودة تحت قائمة‬
‫سنعرف القارئ بكيفية‬
‫ّ‬ ‫(‪ )Analyze>Descriptive Statistics‬في شريط األوامر العلوي في البرنامج‪ .‬واآلن‬
‫استكشاف توزيع أو سلوك متغيرات الدراسة بصورة أعم وأشمل عن طريق استخدام أمر استكشاف (‪)Explore‬‬
‫الموجود ضمن نفس القائمة السابقة‪.‬‬

‫وكمثال تطبيقي الستكشاف البيانات‪ ،‬سنستخدم الجدول التالي‪ ،‬جدول (‪ ،)6.3‬والذي يضم بيانات تمثل عينة مكونة‬
‫من ‪ 90‬طالبا معظمهم من الطلبة القدامى‪( ،‬الذين تأخر تخرجهم عن المدة الزمنية المعتادة‪ ،‬وهي ثمانية فصول‬
‫دراسية تقريبا)‪ ،‬في كلية العلوم بجامعة بنغازي مقسمة بحسب التخصص أو القسم العلمي‪( ،‬رياضيات (‪،)MA‬‬
‫إحصاء (‪ ،)ST‬وفيزياء (‪ ،))PH‬وتشمل معدل الطالب‪( ،‬على مقياس من ‪ 0.00‬إلى ‪ 4.00‬درجة)‪ ،‬جنس الطالب‪،‬‬
‫وعدد الفصول الدراسية التي أنجزها الطالب‪.‬‬

‫جدول ‪ :6.3‬معدالت عينة من ‪ 90‬طالبا من طلبة كلية العلوم في جامعة بنغازي‪.‬‬

‫الفصل الدراسي‬

‫الفصل الدراسي‬

‫الفصل الدراسي‬
‫جنس الطالب‬

‫جنس الطالب‬

‫جنس الطالب‬
‫القسم العلمي‬

‫القسم العلمي‬

‫القسم العلمي‬
‫معدل الطالب‬

‫معدل الطالب‬

‫معدل الطالب‬

‫م‬ ‫م‬ ‫م‬

‫‪1‬‬ ‫‪MA‬‬ ‫‪M‬‬ ‫‪1.96‬‬ ‫‪20‬‬ ‫‪31‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.60‬‬ ‫‪12‬‬ ‫‪61‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.75‬‬ ‫‪23‬‬
‫‪2‬‬ ‫‪MA‬‬ ‫‪M‬‬ ‫‪1.57‬‬ ‫‪18‬‬ ‫‪32‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.51‬‬ ‫‪14‬‬ ‫‪62‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.67‬‬ ‫‪19‬‬
‫‪3‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.48‬‬ ‫‪16‬‬ ‫‪33‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.98‬‬ ‫‪14‬‬ ‫‪63‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.58‬‬ ‫‪21‬‬
‫‪4‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.58‬‬ ‫‪21‬‬ ‫‪34‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪2.18‬‬ ‫‪18‬‬ ‫‪64‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.41‬‬ ‫‪21‬‬
‫‪5‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.80‬‬ ‫‪18‬‬ ‫‪35‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.64‬‬ ‫‪18‬‬ ‫‪65‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.61‬‬ ‫‪20‬‬
‫‪6‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.26‬‬ ‫‪15‬‬ ‫‪36‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.68‬‬ ‫‪16‬‬ ‫‪66‬‬ ‫‪PH‬‬ ‫‪M‬‬ ‫‪1.53‬‬ ‫‪20‬‬
‫‪7‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.69‬‬ ‫‪16‬‬ ‫‪37‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.90‬‬ ‫‪17‬‬ ‫‪67‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.68‬‬ ‫‪17‬‬
‫‪8‬‬ ‫‪MA‬‬ ‫‪M‬‬ ‫‪1.26‬‬ ‫‪14‬‬ ‫‪38‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.54‬‬ ‫‪18‬‬ ‫‪68‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.46‬‬ ‫‪19‬‬
‫‪9‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.60‬‬ ‫‪12‬‬ ‫‪39‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.56‬‬ ‫‪13‬‬ ‫‪69‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.26‬‬ ‫‪20‬‬
‫‪10‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.89‬‬ ‫‪13‬‬ ‫‪40‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.56‬‬ ‫‪13‬‬ ‫‪70‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.62‬‬ ‫‪19‬‬

‫‪85‬‬
 ‫(تابع) جدول ‪ :6.3‬معدالت عينة من ‪ 90‬طالبا من طلبة كلية العلوم في جامعة بنغازي‪.‬‬
‫‪11‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.48‬‬ ‫‪12‬‬ ‫‪41‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.88‬‬ ‫‪13‬‬ ‫‪71‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.57‬‬ ‫‪18‬‬
‫‪12‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪2.25‬‬ ‫‪11‬‬ ‫‪42‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.16‬‬ ‫‪13‬‬ ‫‪72‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪2.09‬‬ ‫‪13‬‬
‫‪13‬‬ ‫‪MA‬‬ ‫‪M‬‬ ‫‪1.63‬‬ ‫‪11‬‬ ‫‪43‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.74‬‬ ‫‪12‬‬ ‫‪73‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.57‬‬ ‫‪19‬‬
‫‪14‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.50‬‬ ‫‪11‬‬ ‫‪44‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.15‬‬ ‫‪12‬‬ ‫‪74‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.45‬‬ ‫‪19‬‬
‫‪15‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.78‬‬ ‫‪11‬‬ ‫‪45‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.25‬‬ ‫‪13‬‬ ‫‪75‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.67‬‬ ‫‪18‬‬
‫‪16‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.84‬‬ ‫‪11‬‬ ‫‪46‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.55‬‬ ‫‪13‬‬ ‫‪76‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.78‬‬ ‫‪18‬‬
‫‪17‬‬ ‫‪MA‬‬ ‫‪M‬‬ ‫‪2.40‬‬ ‫‪11‬‬ ‫‪47‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.45‬‬ ‫‪13‬‬ ‫‪77‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.68‬‬ ‫‪18‬‬
‫‪18‬‬ ‫‪MA‬‬ ‫‪M‬‬ ‫‪2.09‬‬ ‫‪11‬‬ ‫‪48‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.75‬‬ ‫‪13‬‬ ‫‪78‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.53‬‬ ‫‪17‬‬
‫‪19‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.74‬‬ ‫‪11‬‬ ‫‪49‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪2.01‬‬ ‫‪13‬‬ ‫‪79‬‬ ‫‪PH‬‬ ‫‪M‬‬ ‫‪1.66‬‬ ‫‪16‬‬
‫‪20‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.52‬‬ ‫‪9‬‬ ‫‪50‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.40‬‬ ‫‪13‬‬ ‫‪80‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.66‬‬ ‫‪16‬‬
‫‪21‬‬ ‫‪MA‬‬ ‫‪M‬‬ ‫‪1.79‬‬ ‫‪9‬‬ ‫‪51‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.63‬‬ ‫‪13‬‬ ‫‪81‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.84‬‬ ‫‪12‬‬
‫‪22‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪3.15‬‬ ‫‪8‬‬ ‫‪52‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.87‬‬ ‫‪12‬‬ ‫‪82‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.79‬‬ ‫‪16‬‬
‫‪23‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.95‬‬ ‫‪2‬‬ ‫‪53‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.78‬‬ ‫‪5‬‬ ‫‪83‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.63‬‬ ‫‪16‬‬
‫‪24‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪3.39‬‬ ‫‪7‬‬ ‫‪54‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.58‬‬ ‫‪12‬‬ ‫‪84‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.73‬‬ ‫‪16‬‬
‫‪25‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.87‬‬ ‫‪7‬‬ ‫‪55‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.88‬‬ ‫‪11‬‬ ‫‪85‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.60‬‬ ‫‪16‬‬
‫‪26‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪3.18‬‬ ‫‪8‬‬ ‫‪56‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.73‬‬ ‫‪11‬‬ ‫‪86‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.75‬‬ ‫‪16‬‬
‫‪27‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪3.67‬‬ ‫‪8‬‬ ‫‪57‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.36‬‬ ‫‪10‬‬ ‫‪87‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.75‬‬ ‫‪16‬‬
‫‪28‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.49‬‬ ‫‪8‬‬ ‫‪58‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.97‬‬ ‫‪11‬‬ ‫‪88‬‬ ‫‪PH‬‬ ‫‪F‬‬ ‫‪1.81‬‬ ‫‪16‬‬
‫‪29‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪3.41‬‬ ‫‪8‬‬ ‫‪59‬‬ ‫‪ST‬‬ ‫‪F‬‬ ‫‪1.47‬‬ ‫‪11‬‬ ‫‪89‬‬ ‫‪PH‬‬ ‫‪M‬‬ ‫‪2.13‬‬ ‫‪10‬‬
‫‪30‬‬ ‫‪MA‬‬ ‫‪F‬‬ ‫‪1.86‬‬ ‫‪7‬‬ ‫‪60‬‬ ‫‪ST‬‬ ‫‪M‬‬ ‫‪1.63‬‬ ‫‪11‬‬ ‫‪90‬‬ ‫‪PH‬‬ ‫‪M‬‬ ‫‪2.31‬‬ ‫‪12‬‬

‫قم بإدخال البيانات في ملف جديد في برنامج ‪ SPSS‬وحفظه باسم "معدالت الطلبة"‪( ،‬مستخدما القيم ‪ ،2 ،1‬و‪3‬‬
‫لترميز األقسام ‪ ،ST ،MA‬و‪ PH‬على الترتيب‪ ،‬والقيم ‪ 1‬و‪ 2‬لترميز الذكور واإلناث على الترتيب)‪ ،‬بعد ذلك قم‬
‫من شريط األدوات العلوي باختيار ‪ ،Analyze>Descriptive Statistics>Explore‬وستظهر لك نافذة جديدة‬
‫كما يوضح الشكل (‪.)45.3‬‬

‫شكل ‪ :45.3‬نافذة استكشاف البيانات (‪ )Explore‬للملف "معدالت الطلبة"‪.‬‬

‫‪86‬‬
‫في هذه النافذة‪ ،‬يمكنك اختيار المتغيرات التي ترغب في استكشافها‪( ،‬مثل معدل الطالب والفصل الدراسي)‪ ،‬أي‬
‫يمكنك حساب المقاييس اإلحصائية والرسومات البيانية األساسية لها عن طريق اختيارها ونقلها إلى مربع القائمة‬
‫األساسية (‪ ،)Dependent List‬بعد ذلك يمكنك الضغط على خيار اإلحصاءات (‪ )Statistics‬الختيار النتائج‬
‫المطلوبة ثم خيار الرسومات (‪ )Plots‬الختيار الرسومات البيانية المطلوبة‪ ،‬مع مالحظة ترك خيار االثنين (‪)Both‬‬
‫في أسفل النافذة كما هو‪.‬‬

‫في هذا المثال‪ ،‬سنترك للقارئ استكشاف بيانات الطلبة باستخدام الخطوات السابقة‪ ،‬وسنقوم باستخدام أمر‬
‫االستكشاف (‪ )Explore‬عن طريق عرض النتائج مقسمة أو مصنفة بحسب تخصص الطالب (القسم العلمي)‬
‫وذلك لغرض مقارنة معدالت الطلبة القدامى بين األقسام‪.‬‬

‫من جديد‪ ،‬قم باختيار المتغير "معدل الطالب" في نافذة (‪ )Explore‬ونقله إلى مربع القائمة ( ‪Dependent‬‬
‫‪ ،)List‬بعد ذلك قم باختيار متغير التصنيف "القسم العلمي" ونقله إلى مربع قائمة التصنيف (‪.)Factor List‬‬
‫اآلن قم بالضغط على خيار اإلحصاءات (‪ )Statistics‬فتظهر نافذة فرعية كما يظهر في الشكل (‪)46.3‬؛‬

‫ستالحظ في تلك النافذة اختيار مسبق ألمر "وصفي"‬

‫(‪ )Descriptive‬والذي سنتركه كما هو‪ ،‬وتالحظ‬
‫أسفل منه وجود مربع خيار نسبة الثقة لفترة الثقة للوسط‬
‫الحسابي للمجتمع ( ‪Confidence Interval for‬‬
‫‪ )Mean‬وهي النسبة االفتراضية ‪ 95%‬والتي سنتركها‬
‫أيضا كما هي‪ .‬قم بالنقر على المربع المقابل لخيار‬
‫المئينات (‪ )Percentiles‬والذي يوفر بعض المقاييس‬
‫شكل ‪ :46.3‬نافذة خيار اإلحصاءات ضمن نافذة االستكشاف‬
‫(‪.)Explore‬‬ ‫الهامة لتوزيع المتغير كما سنوضح تاليا‪ ،‬والحظ أنه‬
‫يمكنك أيضا اختيار إظهار أبرز القيم المتطرفة للمتغير‬
‫في جدول خاص إذا ما قمت بالنقر على الخيار الخاص بها (‪ ،)Outliers‬وهو ما سنقوم بالتعرض له في البند‬
‫األخير من هذا الفصل‪ ،‬وسنعتمد هنا على أسلوب آخر الكتشاف القيم المتطرفة كما سنرى‪ .‬اآلن اضغط استمرار‬
‫(‪ )Continue‬في هذه النافذة‪ ،‬وستعود للنافذة السابقة‪ ،‬في الشكل (‪ ،)45.3‬قم بعدها بالضغط على خيار الرسم‬
‫(‪ )Plot‬وستظهر نافذة جديدة كما هو موضح في الشكل التالي‪ ،‬شكل (‪)47.3‬؛‬

‫‪87‬‬
 ‫في المربع األيمن من النافذة سنقوم باختيار عرض المدرج‬
‫التكراري (‪ )Histogram‬إضافة لخيار عرض رسم الساق‬
‫والورقة (‪ .)Stem and leaf‬وسنقوم أيضا باختيار عرض‬
‫رسومات واختبارات التوزيع الطبيعي ( ‪Normality plots‬‬
‫‪ )with Test‬في الخانة التي تليها‪ ،‬ثم نضغط استمرار بعد‬
‫ذلك فنرجع لنافذة االستكشاف السابقة والتي سنضغط فيها‬
‫على موافق ليتم تنفيذ كل ما تم اختياره في النوافذ الفرعية؛‬
‫نافذة اإلحصاءات ونافذة الرسم‪.‬‬
‫شكل ‪ :47.3‬نافذة خيار الرسم ضمن نافذة االستكشاف‪.‬‬
‫في نافذة المخرجات‪ ،‬والتي نقترح تخزينها في ملف مخرجات‬
‫خاص باسم "استكشاف معدالت الطلبة"‪ ،‬ستالحظ ظهور عدد كبير من الجداول والرسومات البيانية والتي سنفرد‬
‫البند القادم للتعليق عليها‪.‬‬

‫‪ 6.3‬تفسير نتائج استكشاف البيانات (‪)Interpreting the Results of Data Exploration‬‬

‫تناولنا فيما سبق طرق متعددة الستكشاف البيانات أو المتغيرات بصورة أحادية‪( ،‬أي حساب المقاييس‬
‫اإلحصائية واستخدام التمثيل البياني لكل متغير على حده)‪ ،‬وهنا سنستعرض كيفية تفسير أهم النتائج الخاصة‬
‫باستكشاف المتغيرات األحادية‪ ،‬وأيضا االستكشاف المتضمن للتصنيف بحسب متغير وصفي‪.‬‬

‫في الفقرات السابقة لهذا البند‪ ،‬تناولنا المثال الخاص بمعدالت الطلبة القدامى‪( ،‬ملف "معدالت الطلبة")‪ ،‬وتم‬
‫استخدام أمر استكشاف (‪ )Explore‬ضمن قائمة (‪ )Analyze>Descriptive Statistics‬وتعريف المتغير‬
‫"معدل الطالب" كمتغير كمي نرغب باستكشاف طبيعته وتوزيعه‪ ،‬ومتغير "القسم العلمي" كمتغير وصفي يستخدم‬
‫لتصنيف معدالت الطلبة بناء على التخصص؛ رياضيات (‪ ،)MA‬إحصاء (‪ ،)ST‬وفيزياء (‪ ،)PH‬وقد اقترحنا‬
‫تخزين المخرجات باسم "استكشاف معدالت الطلبة"‪.‬‬

‫في نافذة المخرجات هذه‪ ،‬سيكون عرض النتائج بالصورة التالية؛‬

‫‪ .1‬البداية تكون عادة بجداول النتائج‪ ،‬والجدول األول‪ ،‬الذي هو بعنوان ملخص معالجة المشاهدات ( ‪Case‬‬
‫‪ ،)Processing Summary‬يتم فيه عرض عدد ونسب المشاهدات في كل قسم‪ ،‬ونالحظ أنها ‪ 30‬مشاهدة لكل‬
‫قسم بمجموع ‪ 90‬مشاهدة كلية وال توجد قيم مفقودة‪.‬‬

‫‪ .2‬يضم الجدول الثاني‪ ،‬وهو بعنوان اإلحصاءات الوصفية (‪ ،)Descriptives‬المقاييس اإلحصائية لمتغير‬
‫"معدالت الطلبة" مقسمة بحسب التخصص أي بحسب القسم العلمي للطالب بحيث يضم الجزء األول من الجدول‬

‫‪88‬‬
‫نتائج طلبة قسم الرياضيات (‪ ،)MA‬والجزء الثاني نتائج طلبة قسم الفيزياء (‪ ،)PH‬والجزء الثالث نتائج طلبة قسم‬
‫اإلحصاء (‪ ،)ST‬وهذا الترتيب في عرض النتائج هو بحسب األبجدية اإلنجليزية للتقسيمات ‪ MA‬ثم ‪ PH‬ثم ‪.ST‬‬

‫من هذه المقاييس يمكننا استكشاف التالي‪:‬‬

‫من قيم الوسط الحسابي (‪ )Mean‬للطلبة في األقسام يمكن القول بأن مستوى طلبة قسم الرياضيات هو‬ ‫‪‬‬
‫أعلى من القسمين اآلخرين‪ .‬والحظ أن القيمة على يمين الوسط الحسابي هي الخطأ المعياري له‬
‫() 𝐴𝑀̅𝑋(𝐸𝑆)‪.‬‬
‫بناء على ارتفاع قيمة الوسط الحسابي لمعدل طلبة قسم الرياضيات‪ ،‬فإن تقدير الوسط الحسابي لمجتمع‬ ‫‪‬‬
‫معدالت طلبة قسم الرياضيات يتراوح في فترة ثقة أكبر من القسمين اآلخرين‪،1.75 < μMA < 2.25 ،‬‬
‫أي أننا واثقون بنسبة ‪ 95%‬بأن معدالت طلبة قسم الرياضيات ستتراوح في العموم بين حدي الفترة‬
‫السابقين‪ .‬أما بالنسبة لمعدالت طلبة قسمي الفيزياء واإلحصاء فإن تقدير متوسطاتها في العموم سيتراوح‬
‫في مجال أضيق‪ ،‬وهو ‪ 1.61 < μPH < 1.76‬و‪ 1.55 < μST < 1.74‬تقريبا على التوالي‪.‬‬
‫بمقارنة قيم الوسيط (‪ )Median‬بقيم الوسط الحسابي لمعدالت الطلبة في كل قسم‪ ،‬نالحظ أن معدالت‬ ‫‪‬‬
‫‪𝑋̅𝑀𝐴 = 2.00 > 𝑋̃𝑀𝐴 = 1.79‬‬ ‫الطلبة في قسم الرياضيات تحتوي على قيم متطرفة عليا بشكل مالحظ‪،‬‬
‫أما في قسمي الفيزياء واإلحصاء فقيم الوسيط والوسط الحسابي متقاربة من بعضها البعض‪.‬‬
‫بالنظر لقيم االنحراف المعياري (‪ )Std. Deviation‬وقيم المدى (‪ )Range‬لمعدالت الطلبة في األقسام‪،‬‬ ‫‪‬‬
‫نستطيع القول بأن معدالت طلبة قسم الرياضيات الدراسية هي األكثر اختالفا أو تشتتا‪S.DMA = ( ،‬‬
‫‪ ،)RangeMA = 2.41 ،0.67‬مقارنة بطلبة قسمي الفيزياء واإلحصاء‪ .‬وبالنظر إلى المدى الربيعي‬
‫(‪ )Interquartile Range‬فيمكن مالحظة أن معدالت طلبة قسم اإلحصاء هي األكثر تجانسا‪ .‬ويؤيد‬
‫هذه المالحظة القيم الصغرى والكبرى (‪ )Minimum and Maximum‬لمعدالت الطلبة في كل قسم‪.‬‬
‫قيم االلتواء (‪ )Skewness‬تشير إلى وجود التواء حاد إلى اليمين في توزيع معدالت طلبة قسم الرياضيات‬ ‫‪‬‬
‫يليه قسم الفيزياء لكن بالتواء أقل حده‪ ،‬أما بالنسبة لتوزيع معدالت قسم اإلحصاء فيوجد التواء طفيف جدا‬
‫إلى اليسار‪.‬‬

‫‪ .3‬الجدول الثالث بعنوان المئينات (‪ )Percentiles‬يضم مقاييس المئينات والربيعات (‪ )Quartiles‬والتي تعتبر‬
‫من المقاييس الهامة في اكتشاف توزيع المتغيرات‪ .‬فمثال؛ القيم للمئين ‪( 25‬الربيع األول أيضا) لألقسام العلمية‬
‫الثالثة تظهر بأن ‪ 25%‬من معدالت الطلبة هي أقل من المعدل ‪ 1.57‬تقريبا (‪ 1.55‬للرياضيات‪ 1.57 ،‬للفيزياء‪،‬‬
‫و‪ 1.50‬لإلحصاء)‪ ،‬وهذا يعني أن ربع الطلبة مستواهم مقبول فأقل في األقسام الثالثة‪.‬‬

‫‪89‬‬
‫أما بالنسبة لقيم المئين ‪( 75‬وهي أيضا قيمة الربيع الثالث)‪ ،‬فإن ‪ 75%‬من طلبة قسمي الفيزياء واإلحصاء معدالتهم‬
‫الدراسية هي مقبول فأقل‪ 1.75( ،‬و‪ 1.87‬على التوالي)‪ ،‬وأما بالنسبة لقسم الرياضيات فإن ‪ 25%‬من الطلبة‬
‫معدالتهم هي أكبر من ‪ 2.13‬أي بتقدير جيد‪ ،‬وهذا في المجمل يعني بأن مستوى طلبة قسم الرياضيات هو أفضل‪،‬‬
‫ويمكن التعمق في هذا االستنتاج من خالل مراقبة قيم المئينات األخرى في الجدول‪.‬‬

‫‪ .4‬الجدول التالي في ترتيب النتائج هو الجدول الخاص باختبار التوزيع الطبيعي‪ ،‬وهو بعنوان ( ‪Test of‬‬
‫‪ .)Normality‬وهو يضم اختبارين شهيرين هما اختبار شابيرو‪-‬ويلك (‪ )Shapiro-Wilk Test‬واختبار‬
‫كولموجوروف‪-‬سميرنوف (‪ ،)Kolmogorov-Smirnov Test‬وكالهما ويقوم باختبار الفرضية الصفرية التي‬
‫تقضي بتبعية توزيع المتغير أو العينة بتوزيع طبيعي؛ (العينة مسحوبة من مجتمع طبيعي ‪.)H0:‬‬

‫وفي جدول النتائج نشاهد قيمة إحصاءة االختبار (‪ ،)Statistic‬ودرجة الحرية (‪ ،)df‬والقيمة االحتمالية (‪.)Sig.‬‬
‫وحيث أن قاعدة قبول أو رفض الفرضية الصفرية هي (إذا كانت القيمة االحتمالية (‪ )P-value‬هي أقل من‬
‫القيمة ‪ 0.05‬نرفض الفرضية الصفرية)‪ ،1‬فإنه يمكن القول من اختباري شابيرو‪-‬ويلك واختبار كولموجوروف‪-‬‬
‫سميرنوف أن معدالت طلبة قسم اإلحصاء تتبع التوزيع الطبيعي‪ ،‬ومعدالت طلبة قسم الفيزياء تتأرجح بين الطبيعية‬
‫(اختبار كولموجوروف‪-‬سميرنوف) وغير الطبيعية (اختبار شابيرو‪-‬ويلك)‪ ،‬أما معدالت طلبة قسم الرياضيات فإنها‬
‫ال تتوزع بتوزيع طبيعي بإجماع االختبارين‪.‬‬

‫‪ .5‬يلي الجداول في ملف المخرجات الرسومات البيانية‪ ،‬وأولها المدرجات التك اررية لمتغير الدراسة بحسب القسم‬
‫العلمي‪ ،‬وبمقارنة المدرجات التك اررية الثالثة نالحظ أن المدرج‬
‫الخاص بمعدالت قسم اإلحصاء هو األقرب لتشكيل الشكل الناقوسي‬
‫المتماثل الشهير لمنحنى التوزيع الطبيعي‪( ،‬شكل (‪ ،))48.3‬مع‬
‫وجود التواء طفيف إلى اليسار‪.‬‬
‫شكل ‪ :48.3‬منحنى التوزيع الطبيعي المعياري‪.‬‬
‫ومدرج معدالت قسم الفيزياء يوجد به التواء ظاهر إلى اليمين مع‬
‫اقترابه إلى حد ما من التوزيع الطبيعي‪ ،‬أما المدرج التكراري الخاص بمعدالت قسم الرياضيات فهو أبعد ما يكون‬
‫عن التوزيع الطبيعي مع وجود التواء كبير إلى اليمين في توزيع المشاهدات‪ .‬وهذه النتائج متوافقة تماما مع ما‬
‫سبق‪ .‬ويمكن متابعة هذه المالحظات من خالل الشكل (‪.)49.3‬‬

‫حيث أن ‪ 0.05‬هي احتمال الوقوع في خطأ من النوع األول‪( ،‬رفض الفرضية الصفرية وهي صحيحة)‪.‬‬ ‫‪1‬‬

‫‪90‬‬
 ‫شكل ‪ :49.3‬المدرجات التكرارية للمعدالت في أقسام الرياضيات‪ ،‬الفيزياء‪ ،‬واإلحصاء‪ ،‬على الترتيب من اليمين إلى اليسار في‬
‫ملف المخرجات "استكشاف معدالت الطلبة"‪.‬‬

‫‪ .6‬الرسومات التالية في الترتيب هي رسومات الساق والورقة (‪ )Stem-and-Leaf Plots‬لألقسام العلمية‪ .‬وهذه‬
‫الرسومات هي وسيلة بصرية جيدة في التعرف على توزيع المتغيرات‪ ،‬وبالذات التوزيع الطبيعي في المتغيرات التي‬
‫تضم مشاهدات قليلة نسبيا‪ .‬وفكرة رسم الساق والورقة هي بسيطة بحد ذاتها‪ ،‬إذ يمثل العامود األول إلى اليسار‬
‫تك اررات قيم المشاهدات للمتغير‪ ،‬والعامود الثاني (األوسط) الذي يمثل "الساق" والثالث الذي يمثل "األوراق" هما‬
‫القيم الفعلية للمشاهدات موزعة تصاعديا‪( ،‬من أعلى الرسم إلى األسفل)‪ ،‬بحيث يضم كل صف القيم القريبة من‬
‫بعضها البعض‪.‬‬

‫مالحظة‪:‬‬
‫في مثالنا الحالي‪ ،‬نجد أن الساق قد يمثل خانة القيمة الصحيحة للمعدل بينما تمثل األوراق القيمة األولى بعد‬
‫الفاصلة العشرية‪( ،‬كما هو الحال في رسمي قسم الرياضيات واإلحصاء)‪ ،‬أو قد يمثل الساق خانة القيمة‬
‫الصحيحة للمعدل مع القيمة األولى بعد الفاصلة العشرية‪( ،‬كما نالحظ في رسم قسم الفيزياء)‪ .‬فمثال؛ في‬
‫الرسم األول الخاص بقسم الرياضيات نجد في الصف األول تحت عامودي الساق والورقة الشكل‪:‬‬
‫‪ 1 . 22‬والقيمة ‪ 2‬تحت عامود التكرار‪ ،‬وهذا يتم قراءته كالتالي‪:‬‬
‫توجد مشاهدتان (معدالن) كالهما يبدأ بالقيمة ‪( ،1.2‬وهاتين القيمتين هما فعليا ‪ 1.26‬و‪ 1.26‬ضمن‬
‫المشاهدات)‪ ،‬ولهذا تكون قيمة التكرار ‪ ،2‬وهكذا األمر بالنسبة لباقي الصفوف في الرسم‪.‬‬

‫ولمالحظة ما إذا كان رسم الساق والورقة يعكس توزيعا طبيعيا للمتغير‪ ،‬يمكنك اعتبار القيم في صفوف الساق‬
‫والورقة بمثابة األعمدة في المدرج التكراري‪ ،‬فبالنظر إلى رسم الساق والورقة لقسم اإلحصاء يمكنك مالحظة امتداد‬
‫القيم في الصفوف الوسطى وانحسارها في الصفوف العليا والسفلى‪ ،‬وهذا يشبه التوزيع الذي يمثله منحنى التوزيع‬
‫الطبيعي ولكن بصورة مقلوبة‪ .‬والميزة األساسية في رسم الساق والورقة عن باقي الرسومات أنها توضح قيم‬

‫‪91‬‬
‫المشاهدات وتراكمها (تكرارها) بصورة فعلية واضحة‪ .‬وهكذا يمكننا من خالل الرسومات الثالثة للساق والورقة‪،‬‬
‫(شكل (‪ ،))50.3‬مالحظة اقتراب توزيع معدالت طلبة قسم اإلحصاء من التوزيع الطبيعي بصورة أكبر من توزيع‬
‫المعدالت في قسم الفيزياء‪ ،‬أما قسم الرياضيات فمعدالت طلبته تبتعد عن التوزيع الطبيعي كل البعد‪ ،‬وهذه النتائج‬
‫مؤيدة لما سبقها من نتائج اختبارات الفروض والمدرجات التك اررية‪.‬‬

‫شكل ‪ :50.3‬شكل الساق والورقة للمعدالت في أقسام الرياضيات‪ ،‬الفيزياء‪ ،‬واإلحصاء‪ ،‬على الترتيب من اليمين إلى اليسار في‬
‫ملف المخرجات "استكشاف معدالت الطلبة"‪.‬‬

‫إضافة إلى ما سبق‪ ،‬فإن رسم الساق والورقة يشكل أداة فعالة في التعرف على القيم المتطرفة في المتغير‪ ،‬فنالحظ‬
‫في قسم الرياضيات وجود خمسة معدالت متطرفة عليا عند النظر للصف األخير في الرسم حيث نرى بأن التكرار‬
‫يساوي ‪ ،5‬وظهور عبارة ()‪ )Extremes (>=3.2‬والتي تدل على وجود قيم متطرفة وهي المعدالت التي هي أكبر‬
‫من أو تساوي ‪ .3.2‬وكذلك األمر بالنسبة لقسم الفيزياء‪ ،‬حيث نرى وجود قيمة متطرفة صغرى (وهي ‪،)1.26‬‬
‫وثالثة قيم متطرفة عليا هي أكبر من أو تساوي المعدل ‪ .2.09‬أما بالنسبة لمعدالت طلبة قسم اإلحصاء فال يظهر‬
‫الرسم أية قيم متطرفة‪.‬‬

‫‪ .7‬ننتقل اآلن لرسم ‪( ،Q-Q‬شكل (‪ ،))51.3‬والذي تعرضنا له سابقا‪ ،‬ونالحظ أن رسم ‪ Q-Q‬الخاص بمعدالت‬
‫طلبة قسم اإلحصاء هو األقرب للتوزيع الطبيعي‪ ،‬أما النقاط على الشكل الخاص بقسم الفيزياء فتبتعد عن الخط‬
‫المستقيم في القيم العليا‪ ،‬أما القيم في رسم معدالت قسم الرياضيات فتبتعد في المجمل عن الخط المستقيم‪ ،‬مما‬
‫يدل على ابتعاد توزيع المشاهدات في هذا القسم عن التوزيع الطبيعي‪ .‬وهذه النتائج تدور في نفس فلك التعليقات‬
‫السابقة لألقسام العلمية الثالثة‪.‬‬

‫‪92‬‬
 ‫شكل ‪ :51.3‬رسم ‪ Q-Q‬للمعدالت في أقسام الرياضيات‪ ،‬الفيزياء‪ ،‬واإلحصاء‪ ،‬في ملف المخرجات "استكشاف معدالت الطلبة"‪.‬‬

‫‪ .8‬عندما يتم طلب رسم ‪ Q-Q‬في برنامج ‪ ،SPSS‬فإنه يظهر عادة مرافقا لرسم آخر هو "نمط انتشار نقاط رسم‬
‫‪ .)Detrended Normal Q-Q Plot( "Q-Q‬وهذا الرسم يمثل انتشار نقاط المشاهدات الفعلية مع قيمها المعيارية‬
‫(‪ .)Z Scores‬فالمتغير الذي يتبع توزيعه توزيعا طبيعيا تكون النقاط فيه متجمعة أكثر ما يمكن حول الخط‬
‫المستقيم األفقي (عند القيمة صفر على المحور الصادي)‪ ،‬مما يعني اقتراب معظم قيم هذا المتغير من المركز‪،‬‬
‫وبالتالي االقتراب من التوزيع الطبيعي‪.‬‬

‫وفي مثالنا‪ ،‬نالحظ‪ ،‬من شكل (‪ ،)52.3‬تجمع النقاط حول الخط األفقي في الرسم الخاص بقسم اإلحصاء‪ ،‬مما‬
‫يدل على اقتراب توزيع معدالت الطلبة في هذا القسم من التوزيع الطبيعي‪ .‬وفي الرسم الخاص بقسم الفيزياء‪،‬‬
‫نالحظ تجمع الكثير من النقاط حول الخط المستقيم وكذلك ابتعاد القيم العليا عنه مما يضع معدالت هذا القسم‬
‫موضع الشك في مدى اقترابها من التوزيع الطبيعي‪ .‬أما معدالت طلبة قسم الرياضيات فهي بعيدة جدا عن التوزيع‬
‫الطبيعي وهذا ما يعكسه ابتعاد معظم النقاط عن الخط المستقيم على الرسم‪.‬‬

‫شكل ‪ :52.3‬رسم نمط انتشار نقاط ‪ Q-Q‬للمعدالت في أقسام الرياضيات‪ ،‬الفيزياء‪ ،‬واإلحصاء‪ ،‬على الترتيب من اليمين إلى‬
‫اليسار في ملف المخرجات "استكشاف معدالت الطلبة"‪.‬‬

‫‪93‬‬
‫‪ .9‬الرسم األخير في مثلنا‪ ،‬وهو شكل الصندوق (‪ ،)Boxplot‬تم عرضه لكل قسم علمي في شكل واحد‪( ،‬شكل‬
‫(‪ ،))53.3‬لتسهيل المقارنة بين توزيع المعدالت لألقسام‪.‬‬

‫شكل ‪ :53.3‬شكل الصندوق للمعدالت في أقسام الرياضيات‪ ،‬الفيزياء‪ ،‬واإلحصاء‪ ،‬على الترتيب من اليسار إلى اليمين‪ ،‬في ملف‬
‫المخرجات "استكشاف معدالت الطلبة"‪.‬‬

‫ويمكن الحصول على عدة استنتاجات من شكل الصندوق‪ ،‬من أهمها؛‬

‫بالنظر إلى "طول" الصندوق المظلل لكل قسم‪ ،‬والذي يمثل توزيع أو انتشار المشاهدات‪ ،1‬يمكن مالحظة‬ ‫‪‬‬
‫أن انتشار البيانات (معدالت الطلبة) في قسم الرياضيات هو األكبر‪ ،‬وهذا يدل على االختالف الكبير‬
‫في المستوى الدراسي للطلبة القدامى في هذا القسم‪ ،‬وعلى النقيض يمكن مالحظة تجانس المستوى‬
‫الدراسي للطلبة القدامى في قسم الفيزياء إلى حد كبير‪( ،‬نظ ار "النكماش" حجم الصندوق الخاص به)‪ .‬أما‬
‫بالنسبة لقسم اإلحصاء‪ ،‬فهنالك تجانس إلى حد ما في المستوى الدراسي‪ .‬وهذه االستنتاجات قد تم الوصول‬
‫لها سابقا بطريقة رقمية من خالل حساب مقاييس التشتت لكل قسم علمي‪( ،‬مثل االنحراف المعياري‬
‫والمدى وغيرها)‪.‬‬
‫الخط األفقي داخل كل صندوق مظلل‪ ،‬والذي يمثل قيمة الوسيط للمشاهدات لكل قسم‪ ،‬إضافة الرتفاع‬ ‫‪‬‬
‫الصندوق المظلل ككل‪ ،‬يظهر أن معدالت الطلبة في قسم الرياضيات هي األعلى مقارنة بباقي األقسام‪.‬‬

‫‪ 1‬إضافة لطول األطراف‪ ،‬وهي الخطوط الخارجة من طرفي الصندوق المظلل ألعلى وأسفل‪ ،‬والتي تمثل القيم العليا والصغرى للمشاهدات‬
‫ضمن سياق القيم المعتدلة‪ ،‬أي باستثناء القيم المتطرفة‪.‬‬

‫‪94‬‬
‫النقاط المرقمة أعلى و‪/‬أو أسفل الصندوق تمثل القيم المتطرفة في المشاهدات‪ ،‬وهذه األرقام تمثل ترتيب‬ ‫‪‬‬
‫هذه القيم في المتغير‪ .‬ويمكن بوضوح رؤية أن قسم الرياضيات يحتوي على خمسة قيم متطرفة عليا‪،‬‬
‫(أكبرها هي القيم السابعة والعشرون في المتغير‪ ،‬وهو المعدل ‪ 3.67‬في ذلك القسم)‪ .‬وأما معدالت الطلبة‬
‫في قسم الفيزياء‪ ،‬فتضم ثالثة قيم متطرفة عليا‪( ،‬أكبرها القيمة التسعون‪ ،‬وهو المعدل ‪ 2.31‬في ذلك‬
‫القسم)‪ ،‬وقيمة متطرفة صغرى‪( ،‬القيمة التاسعة والستين‪ ،‬وهو المعدل ‪ 1.26‬في ذلك القسم)‪ .‬وأما قسم‬
‫اإلحصاء فال تظهر فيه معدالت متطرفة للطلبة القدامى‪.‬‬

‫وبهذا نكون قد استعرضنا أهم االستنتاجات التي تم الحصول عليها من خالل استخدام بعض أدوات اإلحصاء‬
‫االستكشافي األساسية‪ ،‬وقد تكون من أبرز مالحظات القارئ هي تكرار الحصول على نفس النتائج من خالل‬
‫استخدام مقاييس إحصائية أو رسومات بيانية مختلفة‪ ،‬وأن هذا قد يعد إهدا ار للوقت‪ ،‬إال أننا نجيب هنا ببساطة إلى‬
‫أن الحصول على نفس النتيجة أو االستنتاج باستخدام أساليب مختلفة يعد تأكيدا لهذا االستنتاج ويعطي الباحث‬
‫المزيد من الثقة والثبات في نتائج تحليله اإلحصائي‪.‬‬

‫وكتمرين إضافي للقارئ‪ ،‬نقترح إعادة تطبيق هذا البند على نفس المتغير "معدل الطالب" في ملف البيانات "معدالت‬
‫الطلبة" بطريقتين‪:‬‬

‫‪ .1‬باستخدام المتغير "جنس الطالب" كمتغير تقسيم بدال عن المتغير "القسم العلمي"‪.‬‬
‫‪ .2‬بدون إدراج متغير تقسيم‪ ،‬أي ترك مربع (‪ )Factor List‬في نافذة استكشاف البيانات (‪ )Explore‬في‬
‫الشكل (‪ )45.3‬فارغا‪.‬‬

‫‪ 7.3‬استكشاف القيم المتطرفة (‪)Exploring the Extreme Values‬‬

‫من خالل استخدامنا للتمثيل البياني للمتغيرات مثل المدرج التكراري وشكل الصندوق في األمثلة السابقة‪،‬‬
‫الحظنا ظهور بعض القيم المتطرفة في بعض المتغيرات‪ ،‬وفي هذا البند‪ ،‬سنقدم طريقة تحديد هذه القيم المتطرفة‬
‫من خالل استخدام أحد خيارات أسلوب االستكشاف في برنامج ‪ ،SPSS‬والذي تمت اإلشارة إليه سابقا؛‬

‫في ملف البيانات "معدالت الطلبة"‪ ،‬قم في شريط األوامر العلوي باختيار ‪Analyze>Descriptive‬‬
‫‪ Statistics>Explore‬فتظهر نافذة االستكشاف‪ ،‬كما يظهر في الشكل السابق (شكل (‪ ،))45.3‬قم في تلك‬
‫النافذة باختيار المتغيرين "معدل الطالب" و"الفصل الدراسي" ونقلهما إلى مربع القائمة األساسية ( ‪Dependent‬‬
‫‪ .)List‬بعد ذلك اضغط على خيار اإلحصاءات (‪ )Statistics‬في يمين النافذة فتظهر النافذة الفرعية الخاصة‬
‫باإلحصاءات كما يظهر في الشكل السابق‪( ،‬شكل (‪.))46.3‬‬

‫‪95‬‬
‫في تلك النافذة الفرعية سنقوم باختيار خيار القيم المتطرفة (‪ )Outliers‬فقط ثم نضغط استمرار‪ .‬وبعد العودة للنافذة‬
‫األساسية‪ ،‬سنختار عرض اإلحصاءات فقط (‪ )Statistics‬في الجزء الخاص بخيارات العرض (‪ )Display‬في‬
‫أسفل النافذة‪ ،‬ثم نضغط موافق‪.‬‬

‫في نافذة المخرجات‪ ،‬سنحصل على جدولين؛ األول هو الجدول الخاص بأحجام العينات وعدد القيم المفقودة‪ ،‬وأما‬
‫الجدول الثاني‪( ،‬جدول (‪ )7.3‬هنا)‪ ،‬فهو الجدول الخاص بالقيم المتطرفة‪ .‬بالنسبة لمتغير معدل الطالب‪ ،‬فإن‬
‫الجدول يظهر قيم متطرفة عليا (‪ )Highest‬وصغرى (‪ )Lowest‬لهذا المتغير‪ ،‬فمثال؛ نالحظ وجود خمسة قيم‬
‫متطرفة عليا (حيث أن العامود الثاني من اليمين (‪ )Case Number‬يمثل ترتيب القيم المتطرفة في المتغير‪،‬‬
‫والعامود األول من اليمين (‪ )Value‬يعرض القيمة المتطرفة)‪ ،‬وهي ‪ ،3.41 ،3.39 ،3.18 ،3.15‬و‪.3.67‬‬

‫جدول ‪ :7.3‬القيم المتطرفة للمتغيرين "معدل_الطالب" و"الفصل_الدراسي"‬

‫في ملف البيانات "معدالت الطلبة"‪.‬‬
‫‪Extreme Values‬‬
‫‪Case Number‬‬ ‫‪Value‬‬
‫معدل الطالب‬ ‫‪Highest‬‬ ‫‪1‬‬ ‫‪27‬‬ ‫‪3.67‬‬
‫‪2‬‬ ‫‪29‬‬ ‫‪3.41‬‬
‫‪3‬‬ ‫‪24‬‬ ‫‪3.39‬‬
‫‪4‬‬ ‫‪26‬‬ ‫‪3.18‬‬
‫‪5‬‬ ‫‪22‬‬ ‫‪3.15‬‬
‫‪Lowest‬‬ ‫‪1‬‬ ‫‪44‬‬ ‫‪1.15‬‬
‫‪2‬‬ ‫‪42‬‬ ‫‪1.16‬‬
‫‪3‬‬ ‫‪45‬‬ ‫‪1.25‬‬
‫‪4‬‬ ‫‪69‬‬ ‫‪1.26‬‬
‫‪5‬‬ ‫‪8‬‬ ‫‪1.26a‬‬
‫الفصل الدراسي‬ ‫‪Highest‬‬ ‫‪1‬‬ ‫‪61‬‬ ‫‪23‬‬
‫‪2‬‬ ‫‪4‬‬ ‫‪21‬‬
‫للطالب‬
‫‪3‬‬ ‫‪63‬‬ ‫‪21‬‬
‫‪4‬‬ ‫‪64‬‬ ‫‪21‬‬
‫‪5‬‬ ‫‪1‬‬ ‫‪20b‬‬
‫‪Lowest‬‬ ‫‪1‬‬ ‫‪23‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪53‬‬ ‫‪5‬‬
‫‪3‬‬ ‫‪30‬‬ ‫‪7‬‬
‫‪4‬‬ ‫‪25‬‬ ‫‪7‬‬
‫‪5‬‬ ‫‪24‬‬ ‫‪7‬‬
‫‪a. Only a partial list of cases with the value 1.26 are shown in the table of‬‬
‫‪lower extremes.‬‬
‫‪b. Only a partial list of cases with the value 20 are shown in the table of‬‬
‫‪upper extremes.‬‬

‫أما القيم المتطرفة الصغرى لهذا المتغير فهي أكثر من خمسة قيم حيث أن وجود الحاشية (‪ )a‬فوق القيمة ‪1.26‬‬
‫يعني أنه قد تم عرض جزء فقط من القيم المتطرفة الصغرى لهذا المتغير‪ .‬وهذا يعني أن الطلبة الذين تحصلوا‬
‫على معدالت ‪ 3.15‬فأكثر أو معدالت تتراوح حول المعدل ‪ 1.26‬قد تم تصنيف معدالتهم بأنها متطرفة بالنسبة‬
‫لبقية الطلبة في الكلية‪.‬‬

‫‪96‬‬
‫وكذلك األمر بالنسبة للمتغير الثاني‪ ،‬وهو الفصل الدراسي للطالب‪ ،‬فإن ترتيب الفصول الدراسية حول القيمة ‪،20‬‬
‫(والمشار إليه بالحاشية (‪ ،)) b‬قد تم تصنيفهم بأنهم اجتازوا الحد الطبيعي لعدد الفصول الدراسية في هذه الكلية‪،‬‬
‫أي أنهم قد تأخروا في التخرج‪ .‬وأما الطلبة الذين ترتيب فصولهم الدراسية ‪ ،5 ،2‬و‪ 7‬فقد تم تصنيفها كقيم متطرفة‬
‫صغرى مقارنة بباقي الطلبة‪.‬‬

‫من جديد‪ ،‬يمكننا باستخدام نفس نافذة االستكشاف عرض القيم المتطرفة لمتغير أو أكثر باستخدام متغير تصنيف‬
‫وصفي أو أكثر كما سنرى؛‬

‫لنفس ملف البيانات "معدالت الطلبة"‪ ،‬قم في شريط األوامر العلوي باختيار ‪Analyze>Descriptive‬‬
‫‪ Statistics>Explore‬وفي نافذة االستكشاف‪( ،‬شكل (‪ ،))45.3‬قم في تلك النافذة باختيار المتغير‬
‫"معدل الطالب" ونقله إلى مربع القائمة األساسية (‪ ،)Dependent List‬واختيار المتغيرين "القسم العلمي"‬
‫و"جنس الطالب" ونقلهما إلى مربع قائمة التصنيف (‪.)Factor List‬‬

‫بعد ذلك اضغط على خيار اإلحصاءات (‪ )Statistics‬في يمين النافذة وفي النافذة الفرعية الخاصة باإلحصاءات‪،‬‬
‫(شكل (‪ ،))46.3‬قم باختيار خيار القيم المتطرفة (‪ )Outliers‬فقط ثم اضغط استمرار‪ .‬وبعد العودة للنافذة‬
‫األساسية‪ ،‬اختر عرض اإلحصاءات فقط في الجزء الخاص بخيارات العرض في أسفل النافذة‪ ،‬ثم اضغط موافق‪.‬‬

‫في نافذة المخرجات‪ ،‬والى جانب الجداول الخاصة بأحجام العينات وعدد القيم المفقودة‪ ،‬سنلقي الضوء أوال على‬
‫الجدول الخاص بالقيم المفقودة لمتغير معدل الطالب مصنفا بناء على القسم العلمي الذي يتبعه الطالب‪( ،‬جدول‬
‫(‪))8.3‬؛‬
‫جدول ‪ :8.3‬القيم المتطرفة للمتغير "معدل_الطالب" مصنفا بحسب المتغير‬
‫"القسم_العلمي"‪( ،‬ملف البيانات "معدالت الطلبة")‪.‬‬
‫‪Extreme Values‬‬
‫قسم الطالب‬ ‫‪Case Number‬‬ ‫‪Value‬‬
‫معدل‬ ‫‪MA Highest 1‬‬ ‫‪27‬‬ ‫‪3.67‬‬
‫الطالب‬ ‫‪2‬‬ ‫‪29‬‬ ‫‪3.41‬‬
‫‪3‬‬ ‫‪24‬‬ ‫‪3.39‬‬
‫‪4‬‬ ‫‪26‬‬ ‫‪3.18‬‬
‫‪5‬‬ ‫‪22‬‬ ‫‪3.15‬‬
‫‪Lowest 1‬‬ ‫‪8‬‬ ‫‪1.26‬‬
‫‪2‬‬ ‫‪6‬‬ ‫‪1.26‬‬
‫‪3‬‬ ‫‪11‬‬ ‫‪1.48‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪1.48‬‬
‫‪5‬‬ ‫‪28‬‬ ‫‪1.49‬‬
‫‪ST‬‬ ‫‪Highest 1‬‬ ‫‪34‬‬ ‫‪2.18‬‬
‫‪2‬‬ ‫‪49‬‬ ‫‪2.01‬‬
‫‪3‬‬ ‫‪33‬‬ ‫‪1.98‬‬
‫‪4‬‬ ‫‪58‬‬ ‫‪1.97‬‬
‫‪5‬‬ ‫‪37‬‬ ‫‪1.90‬‬

‫‪97‬‬
 ‫(تابع) جدول ‪ :8.3‬القيم المتطرفة للمتغير "معدل_الطالب" مصنفا بحسب‬
‫المتغير "القسم_العلمي"‪( ،‬ملف البيانات "معدالت الطلبة")‪.‬‬
‫‪Lowest‬‬ ‫‪1‬‬ ‫‪44‬‬ ‫‪1.15‬‬
‫‪2‬‬ ‫‪42‬‬ ‫‪1.16‬‬
‫‪3‬‬ ‫‪45‬‬ ‫‪1.25‬‬
‫‪4‬‬ ‫‪57‬‬ ‫‪1.36‬‬
‫‪5‬‬ ‫‪50‬‬ ‫‪1.40‬‬
‫‪PH‬‬ ‫‪Highest‬‬ ‫‪1‬‬ ‫‪90‬‬ ‫‪2.31‬‬
‫‪2‬‬ ‫‪89‬‬ ‫‪2.13‬‬
‫‪3‬‬ ‫‪72‬‬ ‫‪2.09‬‬
‫‪4‬‬ ‫‪81‬‬ ‫‪1.84‬‬
‫‪5‬‬ ‫‪88‬‬ ‫‪1.81‬‬
‫‪Lowest‬‬ ‫‪1‬‬ ‫‪69‬‬ ‫‪1.26‬‬
‫‪2‬‬ ‫‪64‬‬ ‫‪1.41‬‬
‫‪3‬‬ ‫‪74‬‬ ‫‪1.45‬‬
‫‪4‬‬ ‫‪68‬‬ ‫‪1.46‬‬
‫‪5‬‬ ‫‪78‬‬ ‫‪1.53a‬‬
‫‪a. Only a partial list of cases with the value 1.53 are shown in the table‬‬
‫‪of lower extremes.‬‬

‫ومن هذا الجدول يمكننا مالحظة التغيرات التي حدثت نتيجة استخدام متغير التصنيف "القسم العلمي" للطالب‪،‬‬
‫فالقيم المتطرفة العليا لمعدالت الطلبة أصبحت مختلفة في كل قسم بحيث أن؛‬

‫‪ ‬معدالت الطلبة المتطرفة العليا تتراوح ما بين ‪ 3.15‬و‪ ،3.67‬في قسم الرياضيات (‪ ،)MA‬وتتراوح ما بين‬
‫‪ 1.90‬و‪ 2.18‬في قسم اإلحصاء (‪ ،)ST‬وتتراوح ما بين ‪ 1.81‬و‪ 2.31‬في قسم الفيزياء (‪.)PH‬‬
‫‪ ‬معدالت الطلبة المتطرفة الصغرى تتراوح ما بين ‪ 1.26‬و‪ ،1.49‬في قسم الرياضيات (‪ ،)MA‬وتتراوح ما بين‬
‫‪ 1.15‬و‪ 1.40‬في قسم اإلحصاء (‪ ،)ST‬وتتراوح حول ‪ 1.53‬في قسم الفيزياء (‪.)PH‬‬

‫وهذا يعني أن ما يعد قيمة متطرفة في قسم معين قد ال يكون كذلك في قسم آخر‪ ،‬وهذا التصنيف قد يكون أكثر‬
‫دقة في كثير من األحيان في غياب التجانس في مستوى الطلبة بين األقسام العلمية المختلفة‪ .‬فمن النتيجة السابقة‬
‫نستطيع القول بأن المعدالت المرتفعة "المتطرفة" للطلبة في قسم الرياضيات هي التي أدت لرفع الوسط الحسابي‬
‫لمعدالت الطلبة في هذا القسم عن المعدالت في القسمين اآلخرين‪.‬‬

‫وثانيا‪ ،‬بالنسبة للجدول اآلخر في نافذة المخرجات‪( ،‬جدول (‪ ،))9.3‬فيمكن مالحظة أن؛‬

‫معدالت الطلبة المتطرفة العليا تتراوح ما بين ‪ 2.09‬و‪ 2.40‬للطلبة الذكور‪ ،‬وتتراوح ما بين ‪ 3.15‬و‪3.67‬‬ ‫‪‬‬
‫للطالبات‪.‬‬
‫معدالت الطلبة المتطرفة الصغرى تتراوح ما بين ‪ 1.26‬و‪ 1.51‬للذكور وتتراوح ما بين ‪ 1.15‬و‪1.26‬‬ ‫‪‬‬
‫للطالبات‪.‬‬

‫‪98‬‬
‫وهذا يسوف يعطي االنطباع بأن المستوى الدراسي للطالبات في العموم هو أعلى من الطلبة الذكور ألن القيم‬
‫المتطرفة العليا ستؤدي الرتفاع الوسط الحسابي لمعدالت الطالبات‪.‬‬

‫جدول ‪ :9.3‬القيم المتطرفة للمتغير "معدل_الطالب" مصنفا بحسب المتغير‬

‫"جنس_الطالب"‪( ،‬ملف البيانات "معدالت الطلبة")‪.‬‬
‫‪Extreme Values‬‬
‫جنس الطالب‬ ‫‪Case Number‬‬ ‫‪Value‬‬
‫‪ M Highest 1‬معدل الطالب‬ ‫‪17‬‬ ‫‪2.40‬‬
‫‪2‬‬ ‫‪90‬‬ ‫‪2.31‬‬
‫‪3‬‬ ‫‪34‬‬ ‫‪2.18‬‬
‫‪4‬‬ ‫‪89‬‬ ‫‪2.13‬‬
‫‪5‬‬ ‫‪18‬‬ ‫‪2.09‬‬
‫‪Lowest‬‬ ‫‪1‬‬ ‫‪8‬‬ ‫‪1.26‬‬
‫‪2‬‬ ‫‪57‬‬ ‫‪1.36‬‬
‫‪3‬‬ ‫‪50‬‬ ‫‪1.40‬‬
‫‪4‬‬ ‫‪47‬‬ ‫‪1.45‬‬
‫‪5‬‬ ‫‪32‬‬ ‫‪1.51‬‬
‫‪F‬‬ ‫‪Highest‬‬ ‫‪1‬‬ ‫‪27‬‬ ‫‪3.67‬‬
‫‪2‬‬ ‫‪29‬‬ ‫‪3.41‬‬
‫‪3‬‬ ‫‪24‬‬ ‫‪3.39‬‬
‫‪4‬‬ ‫‪26‬‬ ‫‪3.18‬‬
‫‪5‬‬ ‫‪22‬‬ ‫‪3.15‬‬
‫‪Lowest‬‬ ‫‪1‬‬ ‫‪44‬‬ ‫‪1.15‬‬
‫‪2‬‬ ‫‪42‬‬ ‫‪1.16‬‬
‫‪3‬‬ ‫‪45‬‬ ‫‪1.25‬‬
‫‪4‬‬ ‫‪69‬‬ ‫‪1.26‬‬
‫‪5‬‬ ‫‪6‬‬ ‫‪1.26‬‬

‫وعادة ما نقوم "بربط" النتائج الخاصة بالقيم المتطرفة بالنتائج العامة إذا ما تبين لنا وجود تأثير هام لتلك القيم‬
‫ضمن متغيرات الدراسة‪ ،‬حيث أن زيادة عدد وقيمة التطرف في مشاهدات المتغير تؤدي لتغير النمط الذي يظهره‬
‫هذا المتغير‪.‬‬

‫‪99‬‬
100
 ‫الفصل الرابع‬

‫تحليل البيانات االستداللي في ‪SPSS‬‬

‫)‪(Inferential Data Analysis in SPSS‬‬

‫في الفصل السابق تناولنا أهم الطرق اإلحصائية من مقاييس وتمثيل بياني الستكشاف ووصف البيانات‬
‫بغية الوصول لفهم واضح حول توزيع هذه البيانات وتحديد األنماط التي تتخذها وتحويل ذلك إلى معلومات "تمهيدية"‬
‫يمكن االستفادة منها‪ .‬وفي هذا الفصل‪ ،‬سنقوم باستعراض األساليب اإلحصائية التي تتضمن طرق تقدير المعالم‬
‫واختبارات الفروض المتعلقة بها‪ ،‬ويشمل ذلك تقدير معالم النماذج اإلحصائية المختلفة‪ ،‬وذلك بهدف الوصول‬
‫للمعلومات الكامنة ضمن طيات البيانات بصورة أكثر عمقا مما تم الوصول له باألساليب االستكشافية‪ .‬وتندرج كل‬
‫تلك المواضيع تحت مفهوم علم اإلحصاء االستداللي (أو االستنتاجي)‪ ،‬ذلك العلم الذي يتكون من مجموعة من‬
‫الطرق التي تستخدم في استنتاج التقديرات والوصول لدالالت واختبار الفرضيات اإلحصائية المتعلقة بمجتمع ما‬
‫أو أكثر‪.‬‬

‫‪ 1.4‬االستدالل حول الوسط الحسابي للمجتمع (‪)Inference about the Population Mean‬‬

‫ُيقصد باالستدالل حول الوسط الحسابي للمجتمع هنا تقدير معلمة المجتمع بنقطة أو بفترة‪ ،‬واختبار‬
‫مفترضة‪ ،‬ويندرج هذا الموضوع في كثير من كتب االستدالل االحصائي تحت عنوان تقدير أو‬
‫مساواتها لقيمة َ‬
‫اختبار العينة الواحدة والعينتين‪ .‬وسنبدأ بتناول المجتمع الواحد‪.‬‬

‫‪ 1.1.4‬االستدالل حول الوسط لمجتمع واحد (‪)Inference about the Mean of One Population‬‬

‫توجد عدة صيغ لتقدير فترة الثقة للوسط الحسابي للمجتمع ‪ ‬واجراء االختبارات المتعلقة به‪ ،‬وهذه الصيغ‬
‫تختلف باختالف حجم العينة ومعلومية تباين المجتمع‪ ،‬لذلك سيتم عرض الصيغة النظرية لفترة الثقة بمعلومية تباين‬
‫المجتمع ‪𝜎 2‬؛‬

‫يتم تعريف ‪ 100)1-(%‬فترة ثقة للوسط الحسابي ‪ ‬بالصيغة التالية‪:‬‬

‫𝜎‬
‫‪𝜇𝑋 : 𝑋̅ ∓ 𝑍𝛼⁄2‬‬
‫𝑛√‬

‫حيث ̅𝑋 هو الوسط الحسابي لعينة حجمها ‪ n‬مسحوبة من هذا المجتمع‪ ،‬و ‪ 𝑍𝛼⁄2‬هي قيمة اإلحصاءة ‪ Z‬التي تتبع‬
‫التوزيع الطبيعي المعياري باحتمال قدره ‪.𝛼⁄2‬‬

‫‪101‬‬
 ‫ويتم اختبار الفرضية الصفرية (أو فرضية العدم)‪:‬‬

‫‪𝐻0 : 𝜇 = 𝜇0‬‬

‫عند مستوى معنوية ‪ α‬باستخدام اإلحصاءة 𝑐𝑍 بالصورة‪:‬‬

‫‪𝑋̅ − 𝜇0‬‬
‫= 𝑐𝑍‬ ‫𝜎‬
‫𝑛√‬

‫ولعمل استدالل حول الوسط الحسابي لمجتمع في برنامج ‪ ،SPSS‬نقوم أوال بفتح ملف البيانات‪ ،‬وليكن ملف "بيانات‬
‫الطلبة" على سبيل المثال‪ .‬في هذا الملف‪ ،‬لنفرض أننا نريد أوال تقدير فترة الثقة لمجتمع أعمار الطلبة في تلك‬
‫الكلية‪ ،‬واختبار فرضية حول قيمة معينة لمتوسط المجتمع (معلمة المجتمع)‪ ،‬فنقوم باآلتي؛‬

‫في شريط األدوات العلوي اختر األمر ‪ ،Analyze>Compare Means>One-Sample T Test‬فتظهر النافذة‬
‫التالية‪ ،‬شكل (‪)1.4‬؛‬

‫شكل ‪ :1.4‬نافذة تقدير واختبار الوسط الحسابي لمجتمع واحد (لملف بيانات "بيانات الطلبة")‪.‬‬

‫لتقدير الوسط الحسابي لمتغير العمر‪ ،‬العمر𝜇‪ ،‬قم باختيار المتغير "عمر الطالب بالسنوات" ونقله إلى مربع متغير‬

‫االختبار ()‪ .)Test Variable(s‬اآلن‪ ،‬ومن أمر خيارات (‪ )Options‬يمكنك تحديد نسبة الثقة التي ترغب بتقدير‬
‫فترة الثقة عندها‪ ،‬وتكون عادة النسبة االفتراضية ‪ ،95%‬واذا رغبت بإبقائها كما هي فال داعي للضغط على أمر‬
‫خيارات‪ .‬بعد ذلك قم بتحديد القيمة التي سيتم اختبار المعلمة عندها‪ ،‬ولتكن ‪ 22‬سنة على سبيل المثال‪ ،‬أي أننا‬
‫سنختبر الفرضية الصفرية ‪ . 𝐻0 : 𝜇 = 22‬قم بكتابة ‪ 22‬في مربع قيمة االختبار (‪ ،)Test Value‬ثم اضغط‬
‫موافق (‪.)OK‬‬

‫‪102‬‬
‫ستظهر في نافذة المخرجات النتيجة التالية‪( ،‬الجدولين (‪ )1.4‬و(‪ ،))2.4‬حيث يضم الجدول األول حجم العينة‪،‬‬
‫الوسط الحسابي للعينة (̅𝑋)‪ ،‬االنحراف المعياري للعينة ()‪ ،)SD(X‬والخطأ المعياري للمقدر ()̅𝑋(𝐸𝑆)‪ .‬وهذه‬
‫المقاييس يمكن الحصول عليها باستخدام بطرق أخرى كما رأينا في الفصل الثالث‪ ،‬إال أنها تأتي هنا مرافقة ألمر‬
‫تقدير فترة الثقة واختبار الفروض‪.‬‬

‫جدول ‪ :1.4‬جدول اإلحصاءات لعينة واحدة لمتغير "العمر" في ملف "بيانات الطلبة"‪.‬‬
‫‪One-Sample Statistics‬‬

‫‪N‬‬ ‫‪Mean‬‬ ‫‪Std. Deviation‬‬ ‫‪Std. Error Mean‬‬

‫عمر الطالب بالسنوات‬ ‫‪35‬‬ ‫‪22.14‬‬ ‫‪1.648‬‬ ‫‪.278‬‬

‫أما الجدول الثاني‪( ،‬جدول (‪ ،))2.4‬فيضم قيم إحصاءة االختبار‪ 1‬ودرجة الحرية لها‪ ،‬والقيمة االحتمالية لالختبار‬
‫(‪ )P-value‬وهي لالختبار من طرفين‪( ،‬حيث ال يتوفر هنا خيار إجراء االختبار من طرف واحد)‪ ،‬وقيمة الفرق‬
‫( ‪ ،)𝑋̅ − 𝜇0‬وفترة الثقة للوسط الحسابي‪.‬‬

‫جدول ‪ :2.4‬جدول اختبار الوسط الحسابي لعينة واحدة لمتغير "العمر" في ملف "بيانات الطلبة"‪.‬‬
‫‪One-Sample Test‬‬
‫‪Test Value = 22‬‬
‫‪95% Confidence Interval of‬‬
‫‪Sig. (2-‬‬ ‫‪Mean‬‬ ‫‪the Difference‬‬
‫‪t‬‬ ‫‪df‬‬ ‫)‪tailed‬‬ ‫‪Difference‬‬ ‫‪Lower‬‬ ‫‪Upper‬‬
‫عمر الطالب بالسنوات‬ ‫‪.513‬‬ ‫‪34‬‬ ‫‪.611‬‬ ‫‪.143‬‬ ‫‪-.42-‬‬ ‫‪.71‬‬

‫ومن هذه النتيجة‪ ،‬يمكن القول أننا نميل لقبول الفرضية الصفرية (حيث أن ‪ )P-value > 0.05‬بنسبة ثقة ‪،95%‬‬
‫مما يعني قبول االدعاء القائل بأن متوسط أعمار الطلبة في المجتمع هو ‪ 22‬سنة‪ ،‬وأن تقدير القيمة الحقيقية‬
‫(المعلمة) لهذا المتوسط سيتراوح ما بين (‪ )22≅21.576‬و(‪ )23≅22.708‬سنة‪.‬‬

‫‪ 1.1.1.4‬استخدام أعمدة الخطأ (‪)Using the Error Bars‬‬

‫لنفرض بأننا نرغب في المثال السابق بالمقارنة بين فترات الثقة لمتوسط مجتمع درجات الطلبة للمقررات‬
‫(المتغيرات) الثالثة "مقرر‪" ،"1‬مقرر‪ ،"2‬و"مقرر‪ "3‬في ملف البيانات "بيانات الطلبة"‪ .‬عندها يمكن استخدام الرسم‬
‫البياني ألعمدة الخطأ (‪ )Error Bars‬في تنفيذ ذلك‪ .‬من شريط األوامر العلوي نقوم باختيار األمر‬
‫‪ Graphs>Legacy Dialogs>Error Bar‬فتظهر نافذة الرسم كما في شكل (‪.)2.4‬‬

‫ننوه هنا إلى أنه في معظم البرامج اإلحصائية يتم إطالق مسمى اختبار ‪ t‬على االختبا ارت التي تتضمن استخدام كال من التوزيع‬ ‫‪1‬‬

‫الطبيعي ‪ Z‬وتوزيع ‪ t‬حيث أن قيم اإلحصاءة في التوزيع الثاني تقترب من التوزيع الطبيعي بزيادة حجم العينة‪.‬‬

‫‪103‬‬
‫في تلك النافذة‪ ،‬سنقوم بإبقاء اختيار األعمدة البسيطة (‪ )Simple‬كما هو ولكن سنختار التنفيذ لعدة متغيرات‬
‫(‪ ،)Summaries of separate variables‬ثم نضغط‬
‫تعريف (‪ )Define‬فتظهر نافذة جديدة كما في الشكل (‪.)3.4‬‬
‫في هذه النافذة‪ ،‬سنقوم باختيار المتغيرات التي نرغب بتنفيذ‬
‫أعمدة الخطأ لها‪( ،‬وهي المتغيرات الثالثة األولى في قائمة‬
‫المتغيرات)‪ ،‬ونقلها إلى مربع أعمدة الخطأ (‪)Error Bars‬‬
‫في يمين النافذة‪.‬‬

‫شكل ‪ :2.4‬نافذة أعمدة الخطأ (‪.)Error Bars‬‬

‫شكل ‪ :3.4‬نافذة تعريف المتغيرات لرسم أعمدة الخطأ (لملف بيانات "بيانات الطلبة")‪.‬‬

‫‪104‬‬
‫وتحت مربع أعمدة الخطأ‪ ،‬يوجد خيار خاص بما ستمثله هذه األعمدة‪ ،)Bars Represent( ،‬واذا ما ضغطت‬
‫على السهم الخاص به ستظهر ثالثة خيارات هي؛ فترة الثقة للوسط‪ ،‬الخطأ المعياري للوسط‪ ،‬واالنحراف المعياري‪.‬‬
‫في مثالنا سنبقي على الخيار األول االفتراضي‪ ،‬وكذلك سنبقي على اختيار ‪ 95%‬نسبة ثقة للفترة‪ ،‬ونضغط موافق‬
‫في أسفل النافذة‪ .‬سيظهر بعدها رسم أعمدة الخطأ للمتغيرات الثالثة المختارة في نافذة المخرجات‪ ،‬كما نشاهد في‬
‫الشكل (‪ .)4.4‬من الشكل يمكننا مالحظة ارتفاع مستوى أداء الطلبة في المقررين ‪ 1‬و‪ 2‬مقارنة بأدائهم في المقرر‪،3‬‬
‫(الحظ أن النقطة المستديرة في منتصف كل عامود تمثل متوسط العينة)‪.‬‬

‫وأيضا يمكننا القول إنه في العموم‪ ،‬وكتقدير لمتوسط المجتمع الذي يمثل درجات الطلبة في المقررات الدراسية‪ ،‬أن‬
‫مستوى الطلبة في المقررين ‪ 1‬و‪ 2‬سيتراوح بين جيد وجيد جدا‪( ،‬من ‪ 66‬إلى ‪ 77‬درجة تقريبا)‪ ،‬وأما في المقرر‪3‬‬
‫فسيتراوح ضمن درجات التقدير مقبول‪.‬‬

‫شكل ‪ :4.4‬التمثيل البياني ألعمدة الخطأ للمتغيرات "مقرر‪" ،"1‬مقرر‪ ،"2‬و"مقرر‪( ،"3‬لملف بيانات "بيانات الطلبة")‪.‬‬

‫ويمكن أيضا استخدام أعمدة الخطأ للمقارنة بين فترات الثقة لمتغير واحد بناء على متغير تقسيم وصفي‪ ،‬فمثال؛‬
‫يمكننا تقدير ورسم فترتي ثقة لمتغير عمر الطالب‪ ،‬في نفس ملف البيانات "بيانات الطلبة" للذكور ولإلناث ومقارنة‬
‫األداء الدراسي لكل منهما‪.‬‬

‫‪105‬‬
‫في شريط األوامر العلوي قم باختيار األمر ‪ ،Graphs>Legacy Dialogs>Error Bar‬ثم اختر التنفيذ‬
‫لمجموعات من المشاهدات (‪ ،)Summaries for groups of cases‬ثم اضغط تعريف (‪ )Define‬فتظهر نافذة‬
‫جديدة كما في الشكل (‪.)5.4‬‬

‫في هذه النافذة‪ ،‬سنقوم باختيار تمثيل أعمدة الخطأ لمتغير عمر الطالب باستخدام متغير جنس الطالب كمتغير‬
‫تقسيم‪ .‬قم‪ ،‬كما هو موضح في الشكل (‪ ،)5.4‬باختيار المتغير "عمر الطالب بالسنوات" في مربع المتغير‬
‫(‪ ،)Variable‬ثم قم باختيار المتغير "جنس الطالب" في مربع محور التصنيف (‪ ،)Category Axis‬مع إبقاء‬
‫الخيار االفتراضي لفترة الثقة للوسط الحسابي‪ ،‬وخيار ‪ 95%‬نسبة ثقة للفترة كما هما‪.‬‬

‫شكل ‪ :5.4‬نافذة اختيار تنفيذ أعمدة الخطأ لمجموعات من المشاهدات ضمن متغير باستخدام‬
‫تقسيم لمتغير وصفي‪( ،‬لملف بيانات "بيانات الطلبة")‪.‬‬

‫بعد الضغط على موافق‪ ،‬سيظهر التمثيل البياني المطلوب ألعمدة الخطأ لعمر الطالب بناء على تقسيم المشاهدات‬
‫بحسب جنس الطالب‪( ،‬شكل (‪ .))6.4‬ومن هذه األعمدة يمكننا مالحظة وجود ارتفاع ملحوظ في أعمار الطلبة‬
‫الذكور مقارنة بالطالبات‪ .‬كما يمكننا القول بأن تقدير الوسط الحسابي لمجتمع أعمار الطالب الذكور سيكون في‬
‫العموم أعلى من تقدير الوسط الحسابي لمجتمع أعمار الطالبات بنسبة ثقة ‪.95%‬‬

‫‪106‬‬
 ‫شكل ‪ :6.4‬التمثيل البياني ألعمدة الخطأ لمتغير عمر الطالب بناء على تقسيم المشاهدات بحسب جنس‬
‫الطالب‪( ،‬لملف بيانات "بيانات الطلبة")‪.‬‬

‫‪ 2.1.4‬االستدالل حول الوسط لمجتمعين (‪)Inference about the Mean of Two Populations‬‬

‫‪ 1.2.1.4‬االستدالل للعينات المستقلة (‪)Inference about Independent Samples‬‬

‫عرف الصيغة العامة إلحصاءة اختبار الفرق بين متوسطين (‪ )𝐻0 : 𝜇1 − 𝜇2 = 0‬بالصورة التالية‪:‬‬
‫تُ ّ‬

‫) ‪(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2‬‬

‫= 𝑐𝑍‬
‫) ‪√(𝜎12 ⁄𝑛1 ) + (𝜎22 ⁄𝑛2‬‬

‫وذلك في الحاالت التي تتضمن العينات المستقلة الكبيرة أو عند توفر قيم التباين للمجتمعين‪ ،‬وتُستخدم إحصاءة ‪t‬‬
‫في الحاالت األخرى‪( ،‬صغر حجم العينة أو عدم توفر معلومات حول تباينات المجتمعين)‪ ،‬والتي يجب أن يكون‬
‫من المعلوم فيها تساوي أو عدم تساوي تباينات المجتمعين‪.‬‬

‫وتوجد طريقتين إلجراء استدالل حول الفرق بين الوسطين الحسابيين لمجتمعين في برنامج ‪ ،SPSS‬الطريقة‬
‫المختصرة والطريقة المطولة‪.‬‬

‫في الطريقة المختصرة‪ :‬يتم إدخال قيم كل من حجم العينة‪ ،‬الوسط الحسابي للعينة‪ ،‬واالنحراف المعياري للعينة‬
‫وذلك لكل من العينتين مباشرة في نافذة التحليل كما سنوضح في المثال التالي؛‬

‫لنفرض أننا نريد إجراء استدالل إحصائي للفرق بين وسطي مجتمعات درجات الطلبة في المقررين ‪ 1‬و‪ 2‬في ملف‬
‫البيانات "بيانات الطلبة"‪ ،‬أي نريد اختبار الفرضية الصفرية؛ ‪ = 0‬مقرر‪ − 𝜇2‬مقرر‪ ،𝐻0 : 𝜇1‬وتقدير ‪ 95%‬فترة ثقة‬

‫للفرق بينهما‪ .‬لتنفيذ ذلك نحتاج لحساب قيم الوسط الحسابي واالنحراف المعياري للعينتين (أي للمتغيرين) أوال‪.‬‬

‫‪107‬‬
‫وبالتالي إما أن نكون قد حصلنا عل تلك القيم من التحليل االستكشافي للمتغيرين مسبقا‪ ،‬أو نقوم بحساب تلك‬
‫المقاييس مباشرة‪ .‬في شريط األوامر العلوي قم باختيار ‪Analyze>Descriptive Statistics>Descriptives‬‬
‫ثم اختيار المتغيرين "مقرر‪ "1‬و"مقرر‪ "2‬واختيار الوسط الحسابي واالنحراف المعياري فقط من أمر الخيارات‬
‫(‪ )Options‬ثم الضغط على موافق فنحصل على القيم المطلوبة في نافذة المخرجات‪( ،‬جدول (‪.))3.4‬‬

‫جدول ‪ :3.4‬الوسط الحسابي واالنحراف المعياري لمقرري ‪ 1‬و‪ 2‬في ملف البيانات "بيانات الطلبة"‪.‬‬
‫‪Descriptive Statistics‬‬
‫‪N‬‬ ‫‪Mean‬‬ ‫‪Std. Deviation‬‬
‫درجة الطالب في المقرر‪1‬‬ ‫‪35‬‬ ‫‪71.31‬‬ ‫‪15.605‬‬
‫درجة الطالب في المقرر‪2‬‬ ‫‪35‬‬ ‫‪72.97‬‬ ‫‪15.219‬‬
‫)‪Valid N (listwise‬‬ ‫‪35‬‬

‫‪Analyze>Compare Means>Summary‬‬ ‫من جديد‪ ،‬وفي شريط األدوات العلوي‪ ،‬قم باختيار‬
‫‪ Independent Samples T-Test‬فتظهر نافذة كما في الشكل (‪ .)7.4‬قم بإخال القيم المطلوبة كما هو موضح‬
‫في الشكل ثم اضغط موافق فتظهر النتائج ممثلة بثالثة جداول في نافذة المخرجات‪( ،‬جدول (‪.))4.4‬‬

‫شكل ‪ :7.4‬نافذة إدخال القيم الخاصة باالستدالل حول الفرق بين وسطي مجتمعين‪( ،‬الطريقة‬
‫المختصرة)‪( ،‬لملف بيانات "بيانات الطلبة")‪.‬‬

‫الجدول الفرعي األول (أ) يضم قيم الوسط الحسابي واالنحراف المعياري والخطأ المعياري للوسط للعينتين‪ .‬ويضم‬
‫الجدول الفرعي الثاني (ب) نتائج اختبار الفرق بين الوسطين في حالتين؛ األولى بافتراض تساوي تبايني المجتمعين‪،‬‬
‫(‪ ،)Equal variances assumed‬والثانية بافتراض عدم تساوي تبايني المجتمعين‪Equal variances not ( ،‬‬
‫‪.)assumed‬‬

‫‪108‬‬
 ‫جدول ‪ :4.4‬نتائج االستدالل حول الفرق بين الوسطين الحسابيين لمجتمعي المقررين ‪ 1‬و ‪ 2‬في ملف البيانات "بيانات الطلبة"‪.‬‬
‫)أ( ‪Summary Data‬‬
‫‪Std.‬‬ ‫‪Std. Error‬‬
‫‪N‬‬ ‫‪Mean‬‬ ‫‪Deviation‬‬ ‫‪Mean‬‬
‫‪Sample 1‬‬ ‫‪35.000‬‬ ‫‪71.310‬‬ ‫‪15.060‬‬ ‫‪2.546‬‬
‫‪Sample 2‬‬ ‫‪35.000‬‬ ‫‪72.970‬‬ ‫‪15.200‬‬ ‫‪2.569‬‬

‫)ب( ‪Independent Samples Test‬‬

‫‪Mean‬‬ ‫‪Std. Error‬‬ ‫‪Sig. (2-‬‬
‫‪Difference‬‬ ‫‪Difference‬‬ ‫‪t‬‬ ‫‪df‬‬ ‫)‪tailed‬‬
‫‪Equal variances assumed‬‬ ‫‪-1.660‬‬ ‫‪3.617‬‬ ‫‪-.459‬‬ ‫‪68.000‬‬ ‫‪.648‬‬
‫‪Equal variances not assumed‬‬ ‫‪-1.660‬‬ ‫‪3.617‬‬ ‫‪-.459‬‬ ‫‪67.994‬‬ ‫‪.648‬‬
‫‪Hartley test for equal variance: F = 1.019, Sig. = 0.4783‬‬

‫)ج( ‪95.0% Confidence Intervals for Difference‬‬

‫‪Lower‬‬ ‫‪Upper‬‬
‫‪Limit‬‬ ‫‪Limit‬‬
‫)‪Asymptotic (equal variance‬‬ ‫‪-8.749‬‬ ‫‪5.429‬‬
‫)‪Asymptotic (unequal variance‬‬ ‫‪-8.749‬‬ ‫‪5.429‬‬
‫)‪Exact (equal variance‬‬ ‫‪-8.877‬‬ ‫‪5.557‬‬
‫)‪Exact (unequal variance‬‬ ‫‪-8.877‬‬ ‫‪5.557‬‬

‫وفي أسفل الجدول الفرعي الثاني (ب)‪ ،‬نالحظ وجود نتائج اختبار تساوي تبايني المجتمعين‪( ،‬اختبار هارتلي‬
‫(‪ ،))Hartley test for equal variance‬ومنه يتضح قبول الفرضية الصفرية ‪ ،𝐻0 : 𝜎12 = 𝜎22‬وبالتالي اعتماد‬
‫نتائج اختبار الفرق بين وسطي المجتمعين الخاصة به في الصف األول من الجدول‪ .‬ومن هذه النتيجة نخلص إلى‬
‫قبول الفرضية ‪ = 0‬مقرر‪ − 𝜇2‬مقرر‪( ،𝐻0 : 𝜇1‬حيث أن ‪ ،)P-value =0.648‬أي االعتقاد بتساوي معدالت درجات‬

‫الطلبة في مجتمعي المقررين ‪ 1‬و‪.2‬‬

‫وأما الجدول الفرعي الثالث (ج)‪ ،‬فيضم فترة الثقة للفرق بين وسطي مجتمعي المقررين ‪ 1‬و‪( ،2‬بتقدير تقاربي‬
‫(‪ )Asymptotic‬وتقدير محدد (‪ ،))Exact‬ومنه يتضح أن ‪ < 5.55‬مقرر‪ − 𝜇2‬مقرر‪ ، −8.87 < 𝜇1‬وهذا يعني‬

‫أن درجات الطلبة في المقرر‪ 1‬ستكون في العموم أقل من درجات الطلبة في المقرر‪ ،2‬وذلك بسبب كون الفرق بين‬
‫التقديرين هو أقرب للقيمة السالبة (‪.)-8.87‬‬

‫أما في الطريقة المطولة‪ :‬فيجب إدخال العينيتين‪( ،‬المطلوب تقدير الفرق بين متوسطات مجتمعيهما)‪ ،‬في متغير‬
‫(عامود) واحد‪ ،‬وادراج متغير وصفي يضم رمز التمييز بينهما‪ ،‬والمثال التالي يوضح هذه الطريقة‪ .‬الجدول (‪)5.4‬‬
‫يضم بيانات تمثل النتائج التي حصل عليها ‪ 20‬شخصا أجروا مقابالت شخصية للعمل في قسم الموارد البشرية‬
‫في شركتين‪( ،‬حيث كان التقييم من ‪ 100‬درجة)؛‬

‫‪109‬‬
 ‫جدول ‪ :5.4‬نتائج المقابالت الشخصية‬ ‫وسنقوم بإدخال هذه البيانات في ملف جديد في ‪ SPSS‬باسم "المقابالت‬
‫في الشركتين‪.‬‬ ‫الشخصية"‪ ،‬عن طريق إدخال نتائج الشركة‪ 1‬متبوعة بنتائج الشركة ‪ 2‬في‬
‫نتائج‬ ‫نتائج‬
‫عامود واحد‪ ،‬ثم إدخال رمز يميز بين نتائج الشركتين في العامود الثاني كما‬
‫الشركة ‪2‬‬ ‫الشركة ‪1‬‬
‫‪70‬‬ ‫‪1‬‬ ‫‪71‬‬ ‫‪1‬‬ ‫هو موضح في الشكل (‪ ،)8.4‬والذي يمثل مقطعا من البيانات‪ ،‬مع التنويه‬
‫‪56‬‬ ‫‪2‬‬ ‫‪55‬‬ ‫‪2‬‬
‫‪60‬‬ ‫‪3‬‬ ‫‪62‬‬ ‫‪3‬‬ ‫هنا إلى أنه تم إدخال القيمة ‪ 1‬كرمز للشركة‪ ،1‬والقيمة كرمز‪ 2‬للشركة‪ 2‬ثم‬
‫‪71‬‬ ‫‪4‬‬ ‫‪70‬‬ ‫‪4‬‬
‫‪20‬‬ ‫‪5‬‬ ‫‪23‬‬ ‫‪5‬‬ ‫تعريف ذلك في عامود القيم (‪.)Values‬‬
‫‪58‬‬ ‫‪6‬‬ ‫‪56‬‬ ‫‪6‬‬
‫‪82‬‬ ‫‪7‬‬ ‫‪80‬‬ ‫‪7‬‬
‫‪75‬‬ ‫‪8‬‬ ‫‪74‬‬ ‫‪8‬‬ ‫وإلجراء اس ت ت ت ت ت تتتدالل إحص ت ت ت ت ت تتائي‬
‫‪65‬‬ ‫‪66‬‬
‫للفرق بين وست ت ت ت ت ت تتطي مجتمعات‬
‫‪9‬‬ ‫‪9‬‬
‫‪70‬‬ ‫‪10‬‬ ‫‪68‬‬ ‫‪10‬‬
‫‪40‬‬ ‫‪43‬‬
‫نتائج المقابالت الش تتخص تتية في‬
‫‪11‬‬ ‫‪11‬‬
‫‪55‬‬ ‫‪12‬‬ ‫‪56‬‬ ‫‪12‬‬
‫‪89‬‬ ‫‪13‬‬ ‫‪90‬‬ ‫‪13‬‬
‫الش تتركتين‪ ،‬أي اختبار الفرض تتية‬
‫‪57‬‬ ‫‪14‬‬ ‫‪56‬‬ ‫‪14‬‬
‫‪40‬‬ ‫‪15‬‬ ‫‪42‬‬ ‫‪15‬‬ ‫الصفرية؛‬
‫‪71‬‬ ‫‪16‬‬ ‫‪70‬‬ ‫‪16‬‬
‫‪70‬‬ ‫‪17‬‬ ‫‪68‬‬ ‫‪17‬‬
‫شكل ‪ :8.4‬مقطع من ملف بيانات‬
‫‪39‬‬ ‫‪18‬‬ ‫‪40‬‬ ‫‪18‬‬ ‫‪ = 0‬شركة‪ − 𝜇2‬شركة‪،𝐻0 : 𝜇1‬‬
‫‪60‬‬ ‫‪19‬‬ ‫‪58‬‬ ‫‪19‬‬ ‫"المقابالت الشخصية"‪.‬‬
‫‪59‬‬ ‫‪20‬‬ ‫‪60‬‬ ‫‪20‬‬
‫وتق ت تتدير ‪ 95%‬فترة ثق ت تتة للفرق‬
‫بينهما‪ ،‬نقوم من ش ت تريط األوامر العلوي باختيار ‪Analyze>Compare Means>Independent Samples‬‬
‫‪ T-Test‬فتظهر النافذة الخاص ت ت تتة بتعريف المتغيرات كما في الش ت ت تتكل (‪)9.4‬؛ في تلك النافذة‪ ،‬قم باختيار المتغير‬
‫"نتائج_المقابالت" ونقله لمربع متغير االختبار (‪ ،)Test Variable‬ثم قم بنقل المتغير "الش تتركة" إلى مربع متغير‬
‫التصتتنيف (‪ ،)Grouping Variable‬وعندها "ستتيضتتيس" أستتفل ذلك المربع األمر الخاص بتعريف التصتتنيفات أو‬
‫المجموعات (‪ ،)Define Groups‬قم بالضغط عليه لتعريف العينة األولى والثانية‪.‬‬

‫شكل ‪ :9.4‬نافذة إدخال القيم الخاصة باالستدالل حول الفرق بين وسطي مجتمعين‪( ،‬الطريقة‬
‫المطولة)‪( ،‬لملف بيانات "المقابالت الشخصية")‪.‬‬

‫‪110‬‬
‫بعد الضت تتغط على أمر تعريف المجموعات‪ ،‬ست تتتظهر النافذة الفرعية كما في الشت تتكل (‪ ،)10.4‬قم بكتابة القيمة ‪1‬‬
‫للمجموعة (العينة) األولى والقيمة ‪ 2‬للمجموعة (العينة) الثانية‪،‬‬
‫ثم اضت ت ت تتغط است ت ت تتتمرار لتعود للنافذة األصت ت ت تتلية‪( ،‬شت ت ت تتكل (‪،))9.4‬‬
‫اض ت تتغط بعدها على موافق فتظهر نتائج االس ت تتتدالل اإلحص ت تتائي‬
‫لتقدير الفرق بين وست ت ت ت ت تتطي مجتمعي نتائج الشت ت ت ت ت تتركتين في نافذة‬
‫المخرجات‪( ،‬جدول (‪ .))6.4‬في ذلك الجدول‪ ،‬س ت ت ت ت ت تتتالحظ وجود‬
‫قيم الوست ت تتط الحست ت تتابي للعينتين (الشت ت تتركتين)‪ ،‬االنحراف المعياري‬
‫للعينتين‪ ،‬والخطأ المعياري للوس تتط الحس تتابي للعينتين في الجدول‬
‫شكل ‪ :10.4‬نافذة تعريف العينتين في ملف بيانات‬
‫الفرعي األول (أ)‪ .‬وأما الجدول الفرعي الثاني (ب) فيحتوي على‬
‫"المقابالت الشخصية"‪.‬‬
‫نتائج اختبار الفروض وتقدير فترة الثقة‪.‬‬

‫جدول ‪ :6.4‬نتائج االستدالل حول الفرق بين وسطين لمجتمعي الشركتين ‪ 1‬و‪( ،2‬ملف بيانات "المقابالت الشخصية")‪.‬‬
‫)أ( ‪Group Statistics‬‬
‫‪Std. Error‬‬
‫الشركة‬ ‫‪N‬‬ ‫‪Mean Std. Deviation‬‬ ‫‪Mean‬‬
‫المقابالت_نتائج‬ ‫‪1‬شركة‬ ‫‪20 60.40‬‬ ‫‪15.288‬‬ ‫‪3.419‬‬
‫‪2‬شركة‬ ‫‪20 60.35‬‬ ‫‪16.239‬‬ ‫‪3.631‬‬

‫)ب( ‪Independent Samples Test‬‬

‫‪Levene's‬‬
‫‪Test for‬‬
‫‪Equality‬‬
‫‪of‬‬
‫‪Variances‬‬ ‫‪t-test for Equality of Means‬‬
‫‪Std.‬‬ ‫‪95% Confidence‬‬
‫‪Sig.‬‬ ‫‪Error‬‬ ‫‪Interval of the‬‬
‫‪(2-‬‬ ‫‪Mean‬‬ ‫‪Differenc‬‬ ‫‪Difference‬‬
‫‪F‬‬ ‫‪Sig.‬‬ ‫‪t‬‬ ‫‪df‬‬ ‫)‪tailed‬‬ ‫‪Difference‬‬ ‫‪e‬‬ ‫‪Lower‬‬ ‫‪Upper‬‬
‫نتائج‬ ‫‪Equal variances‬‬
‫‪.023‬‬ ‫‪.881 .010‬‬ ‫‪38‬‬ ‫‪.992‬‬ ‫‪.050‬‬ ‫‪4.987‬‬ ‫‪-10.046- 10.146‬‬
‫‪ assumed‬المقابالت‬
‫‪Equal variances‬‬
‫‪.010 37.862‬‬ ‫‪.992‬‬ ‫‪.050‬‬ ‫‪4.987‬‬ ‫‪-10.047- 10.147‬‬
‫‪not assumed‬‬

‫من الجدول الفرعي الثاني (ب) في الجدول (‪ ،)6.4‬يمكننا استنتاج التالي‪( ،‬بقراءة أعمدة الجدول من اليسار لليمين)‪:‬‬

‫قبول الفرضية القائلة بتساوي تباينات مجتمعي الشركتين‪ ،)P-value =0.881( ،‬وبالتالي اعتماد النتائج‬ ‫‪‬‬
‫الخاصة بهذه الفرضية‪.)Equal variances assumed( ، 𝐻0 : 𝜎12 = 𝜎22 ،‬‬
‫قبول الفرضية القائلة بتساوي الوسطين الحسابيين لمجتمعي الشركتين‪ ،)P-value =0.992( ،‬مما يعني‬ ‫‪‬‬
‫تساوي أداء األشخاص في المقابالت الشخصية في كال الشركتين‪.‬‬
‫التقدير ‪ < 10.14‬شركة‪ − 𝜇2‬شركة‪ُ −10.04 < 𝜇1‬يؤكد نفس النتيجة السابقة وهي عدم وجود اختالف‬ ‫‪‬‬

‫معنوي (ذو أهمية) في معدل أداء األشخاص في المقابالت الشخصية في الشركتين‪.‬‬

‫‪111‬‬
 ‫‪ 2.2.1.4‬االستدالل للعينات المرتبطة (غير المستقلة) (‪)Inference about Paired Samples‬‬

‫في هذا البند‪ ،‬سنستعرض كيفية تطبيق االستدالل اإلحصائي للفرق بين متوسطي مجتمعين في حال كون‬
‫العينات غير مستقلة‪ .‬ولنأخذ المثال التالي لشرح كيفية تنفيذ ذلك في برنامج ‪SPSS‬؛‬

‫البيانات في جدول (‪ ،)7.4‬تمثل قياس ضغط الدم لعينة من ‪ 15‬مريضا في إحدى المستشفيات قبل وبعد إعطاؤهم‬
‫دواء تجريبي موسع لألوردة الدموية‪ .‬والمطلوب هو إجراء استدالل حول وجود فرق معنوي عند المرضى قبل وبعد‬
‫تناولهم للدواء التجريبي‪ .‬وهذا االستدالل سيشمل اختبار الفرضية ‪ ، 𝐻0 : 𝜇𝐷 = 0‬حيث 𝐷𝜇 هو الوسط الحسابي‬
‫للفرق بين مشاهدات المجتمعين‪ .‬قم بإدخال محتويات هذا الجدول في ملف بيانات جديد في ‪ SPSS‬باسم "عينات‬
‫ضغط الدم"‪ ،‬في عامودين (متغيرين)؛ األول باسم "عينة‪ "1‬والثاني باسم "عينة‪ ،"2‬مع إدخال التعريفات "ضغط الدم‬
‫قبل استخدام الدواء" و"ضغط الدم بعد استخدام الدواء" في خانة (‪.)Label‬‬

‫جدول ‪ :7.4‬نتائج قياس ضغط الدم لعدد ‪ 15‬مريض قبل وبعد إعطاؤهم دواء تجريبي‪.‬‬
‫العينة ‪2‬‬ ‫العينة ‪1‬‬
‫(ضغط الدم بعد استخدام الدواء)‬ ‫(ضغط الدم قبل استخدام الدواء)‬
‫‪125‬‬ ‫‪1‬‬ ‫‪130‬‬ ‫‪1‬‬
‫‪130‬‬ ‫‪2‬‬ ‫‪128‬‬ ‫‪2‬‬
‫‪135‬‬ ‫‪3‬‬ ‫‪140‬‬ ‫‪3‬‬
‫‪120‬‬ ‫‪4‬‬ ‫‪115‬‬ ‫‪4‬‬
‫‪150‬‬ ‫‪5‬‬ ‫‪146‬‬ ‫‪5‬‬
‫‪152‬‬ ‫‪6‬‬ ‫‪150‬‬ ‫‪6‬‬
‫‪120‬‬ ‫‪7‬‬ ‫‪123‬‬ ‫‪7‬‬
‫‪159‬‬ ‫‪8‬‬ ‫‪160‬‬ ‫‪8‬‬
‫‪160‬‬ ‫‪9‬‬ ‫‪156‬‬ ‫‪9‬‬
‫‪152‬‬ ‫‪10‬‬ ‫‪150‬‬ ‫‪10‬‬
‫‪115‬‬ ‫‪11‬‬ ‫‪112‬‬ ‫‪11‬‬
‫‪115‬‬ ‫‪12‬‬ ‫‪110‬‬ ‫‪12‬‬
‫‪170‬‬ ‫‪13‬‬ ‫‪175‬‬ ‫‪13‬‬
‫‪162‬‬ ‫‪14‬‬ ‫‪160‬‬ ‫‪14‬‬
‫‪180‬‬ ‫‪15‬‬ ‫‪178‬‬ ‫‪15‬‬

‫اآلن‪ ،‬في شريط األوامر العلوي‪ ،‬قم باختيار ‪Analyze>Compare Means>Paired-Samples T Test‬‬
‫فتظهر النافذة التالية‪( ،‬شكل (‪ .))11.4‬في تلك النافذة‪ ،‬قم أوال بالضغط على زر التحكم (‪ )CTRL‬في لوحة‬
‫المفاتيح في جهازك ثم انقر على المتغير األول ثم الثاني‪"( ،‬ضغط الدم قبل استخدام الدواء" و"ضغط الدم بعد‬
‫استخدام الدواء")‪ ،‬وبعد تحديدهما قم بنقلهما معا إلى مربع المتغيرات المرتبطة (‪ ،)Paired Variables‬وستالحظ‬
‫أن كال المتغيرين قد تم وضعهما في نفس الصف‪.‬‬

‫‪112‬‬
 ‫شكل ‪ :11.4‬نافذة تحديد العينات المرتبطة لالستدالل حول الفرق بين وسطي مجتمعين لملف بيانات "عينات ضغط الدم"‪.‬‬

‫اضغط موافق بعد ذلك وستظهر النتائج في نافذة المخرجات كما يوضح الجدول (‪ .)8.4‬في الجدول الفرعي األول‬
‫(أ)‪ ،‬وكالمعتاد سنالحظ ظهور النتائج الخاصة بالوسط الحسابي واالنحراف المعياري للعينتين‪ ،‬وكذلك الخطأ‬
‫المعياري لتقدير الوسط الحسابي‪ .‬أما الجدول الفرعي الثاني (ب)‪ ،‬فيمثل معامل االرتباط بين العينتين والذي‬
‫سنتناوله بالتفصيل الحقا عندما نتطرق لموضوع االرتباط بين المتغيرات في الفصل الخامس‪.‬‬

‫جدول ‪ :8.4‬نتائج االستدالل حول الفرق بين الوسطين الحسابيين لعينتين مرتبطتين في ملف البيانات "عينات ضغط الدم"‪.‬‬
‫)أ( ‪Paired Samples Statistics‬‬
‫‪Mean‬‬ ‫‪N‬‬ ‫‪Std. Deviation‬‬ ‫‪Std. Error Mean‬‬
‫ضغط الدم قبل استخدام الدواء ‪Pair 1‬‬ ‫‪142.20‬‬ ‫‪15‬‬ ‫‪21.926‬‬ ‫‪5.661‬‬
‫ضغط الدم بعد استخدام الدواء‬ ‫‪143.00‬‬ ‫‪15‬‬ ‫‪21.378‬‬ ‫‪5.520‬‬
‫)ب( ‪Paired Samples Correlations‬‬
‫‪N‬‬ ‫‪Correlation‬‬ ‫‪Sig.‬‬
‫‪Pair 1‬‬ ‫ضغط الدم قبل استخدام الدواء& ضغط الدم بعد استخدام الدواء‬ ‫‪15‬‬ ‫‪.986‬‬ ‫‪.000‬‬
‫)ج( ‪Paired Samples Test‬‬
‫‪Paired Differences‬‬
‫‪Std.‬‬ ‫‪95% C. I. of the‬‬ ‫‪Sig.‬‬
‫‪Std.‬‬ ‫‪Error‬‬ ‫‪Difference‬‬ ‫‪(2-‬‬
‫‪Mean Deviation‬‬ ‫‪Mean‬‬ ‫‪Lower‬‬ ‫‪Upper‬‬ ‫‪t‬‬ ‫)‪df tailed‬‬
‫‪Pair 1‬‬ ‫ضغط الدم قبل استخدام الدواء‬
‫‪-.800-‬‬ ‫‪3.649‬‬ ‫‪.942 -2.821- 1.221 -.849- 14‬‬ ‫‪.410‬‬
‫‪-‬ضغط الدم بعد استخدام الدواء‬

‫أما الجدول الفرعي الثالث (ج)‪ ،‬فيضم نتائج االستدالل حول الفرق بين الوسطين للعينتين المرتبطتين ومنها نستنتج‬
‫عدم وجود فرق معنوي بين العينتين قبل استخدام الدواء وبعد استخدامه‪ .)P-value =0.410( ،‬وتقدير ‪ 95%‬فترة‬
‫ثقة للفرق بين الوسطين هو ‪ −2.821 < 𝜇𝐷 < 1.221‬والذي يؤكد نفس النتيجة السابقة‪.‬‬

‫‪113‬‬
 ‫‪ 2.4‬اختبار تساوي تباينات المجتمع (‪)Testing the Equality of Population Variances‬‬

‫تناولنا في الجزء المتعلق باالستدالل حول الفرق بين وسطي المجتمع‪( ،‬للعينات المستقلة)‪ ،‬أهمية التحقق‬
‫من تساوي أو عدم تساوي تباينات المجتمع قبل اختبار تساوي األوساط‪ .‬إال أن التحقق من تساوي تباينات المجتمع‪،‬‬
‫أو بصورة أبسط‪ ،‬التحقق من مدى تجانس المشاهدات بين المتغيرات‪ ،‬عادة ما يكون مفيدا للباحث باختالف‬
‫األسلوب الذي يتبعه في التحليل اإلحصائي‪ .‬وتوجد بضعة اختبارات يمكن استخدامها الختبار الفرضية؛‬
‫‪ 𝐻0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑘2‬من أهمها اختبار ليفين (‪ )Leven's Test‬واختبار بارتليت (‪،)Bartlett's Test‬‬
‫إال أن برنامج ‪ SPSS‬ال يتضمن اختبار بارتليت لتجانس التباين‪ ،‬لذلك سنتناول اختبار ليفين في البند التالي؛‬

‫‪ 1.2.4‬اختبار ليفن (‪)Leven's Test‬‬

‫يمكن اعتبار أن اختبار ليفين هو ببساطة تحليل تباين في اتجاه واحد (‪ )One-way ANOVA‬حيث‬
‫يكون المتغير الرئيسي فيه (‪ )Z‬هو الفرق المطلق بين قيمة المشاهدة (‪ )Y‬ومتوسط المجموعة (̅𝑌) التي تنتمي لها‬
‫المشاهدة‪ ،‬أي أن | ‪( ،𝑍𝑖𝑗 = |𝑌𝑖𝑗 − 𝑌̅𝑖.‬حيث 𝑗𝑖𝑌 هي المشاهدة ‪ j‬في المجموعة ‪ .)i‬وتكون إحصاءة اختبار ليفن‬
‫(‪ )W‬تتبع توزيع ‪ F‬بدرجات حرية (‪ )k - 1‬و (‪ ،)N - k‬بالصورة التالية‪:‬‬

‫‪𝑁 − 𝑘 ∑𝑘𝑖=1 𝑁𝑖 (𝑍𝑖.− 𝑍.. )2‬‬

‫=𝑊‬
‫‪𝑘 − 1 ∑𝑘𝑖=1 ∑𝑁𝑖 (𝑍𝑖𝑗− 𝑍𝑖. )2‬‬
‫‪𝑗=1‬‬

‫حيث؛ ‪ k‬هو عدد المجموعات (المتغيرات)‪ 𝑁𝑖 ،‬هو عدد المشاهدات في المجموعة ‪ N ،i‬هو عدد المشاهدات‬
‫الكلي‪( .‬وننوه هنا إلى أن صيغة ليفين قد تستخدم أيضا وسيط المجموعة (المتغير) عوضا عن استخدام الوسط‬
‫الحسابي في الصيغة السابقة)‪.‬‬

‫جدول ‪ :9.4‬أسعار شواحن الهواتف النقالة‬

‫بالدينار الليبي في ثالثة متاجر مختلفة‪.‬‬ ‫بالنسبة الختبار ليفين‪ ،‬فإنه يمكن تنفيذه في برنامج ‪ SPSS‬في أكثر‬
‫المتجر ‪A‬‬ ‫المتجر ‪B‬‬ ‫المتجر ‪C‬‬
‫من موضع‪ ،‬كما الحظنا سابقا عند اختبار الفرق بين األوساط الحسابية‪،‬‬
‫‪1‬‬ ‫‪72‬‬ ‫‪60‬‬ ‫‪60‬‬
‫أو كما سنقوم بعرضه من خالل المثال التالي؛‬
‫‪2‬‬ ‫‪80‬‬ ‫‪63‬‬ ‫‪50‬‬
‫‪3‬‬ ‫‪74‬‬ ‫‪59‬‬ ‫‪51‬‬
‫البيانات التالية تمثل أسعار ‪ 10‬أنواع من شواحن الهواتف النقالة بالدينار‬
‫‪4‬‬ ‫‪86‬‬ ‫‪64‬‬ ‫‪54‬‬
‫‪5‬‬ ‫‪50‬‬ ‫‪59‬‬ ‫‪40‬‬ ‫الليبي في ثالثة متاجر مختلفة‪ ،B ،A ،‬و‪( ،C‬جدول (‪ ،))9.4‬والمطلوب‬
‫‪6‬‬ ‫‪71‬‬ ‫‪66‬‬ ‫‪45‬‬ ‫هنا اختبار ما إذا كان هنالك اختالف ذو أهمية (معنوية) بين تباين‬
‫‪7‬‬ ‫‪51‬‬ ‫‪74‬‬ ‫‪49‬‬
‫األسعار في المتاجر‪ ،‬أي اختبار الفرضية ‪.𝐻0 : 𝜎𝐴2 = 𝜎𝐵2 = 𝜎𝐶2‬‬
‫‪8‬‬ ‫‪90‬‬ ‫‪60‬‬ ‫‪79‬‬
‫‪9‬‬ ‫‪47‬‬ ‫‪61‬‬ ‫‪59‬‬
‫‪10‬‬ ‫‪40‬‬ ‫‪70‬‬ ‫‪52‬‬

‫‪114‬‬
‫لتنفيذ اختبار ليفين‪ ،‬سنقوم بإدخال البيانات من الجدول (‪ )9.4‬في ملف بيانات جديد في ‪ SPSS‬باسم "أسعار‬
‫الشواحن" بحيث يتم إدخال قيم المتجر ‪ A‬أوال في العامود األول متبوعة بقيم المتجر ‪ B‬في نفس العامود ثم المتجر‬
‫‪ .C‬بعد ذلك سنقوم بترميز القيم للمتجر األول بالرقم ‪ ،1‬وترميز‬
‫قيم المتجر الثاني بالرقم ‪ ،2‬والمتجر الثالث بالرقم ‪ ،3‬كما نشاهد‬
‫في الشكل (‪.)12.4‬‬

‫لتطبيق اختب تتار ليفين‪ ،‬قم من ش ت ت ت ت ت ت تريط األوامر العلوي ب تتاختي تتار‬
‫‪ Analyze>Descriptive Statistics>Explore‬فتظهر نافذة‬
‫االست تتتكشت تتاف (‪( ،)Explore‬والتي تم التطرق الست تتتخدامها ست تتابقا‬
‫في الفص ت ت ت ت ت ت ت ت تتل الث ت تتال ت تتث)‪ .‬قم في تل ت تتك الن ت تتاف ت تتذة بنق ت تتل المتغير‬
‫"أس ت ت ت ت ت تتعار_الشت ت ت ت ت ت تواحن" إلى مربع قائمة المتغيرات األس ت ت ت ت ت تتاس ت ت ت ت ت تتية‬
‫(‪ )Dependent List‬ونقل المتغير "المجموعات" إلى مربع قائمة‬
‫متغيرات التصنيف (‪.)Factor List‬‬

‫وحيث أننا مهتمون في هذا المثال باختبار تساوي التباينات فقط‪،‬‬

‫شكل ‪ :12.4‬ملف بيانات "أسعار الشواحن"‪.‬‬

‫فسنقوم باختيار خيار الرسم البياني (‪ )Plots‬في الجزء الخاص‬
‫بالعرض (‪ )Display‬في أسفل النافذة‪ ،‬ألن اختبار ليفين يقع‬
‫ضمنها‪ .‬من جديد قم بالنقر على خيار الرسم (‪ )Plots‬في أعلى نافذة االستكشاف على اليمين‪ ،‬فتظهر النافذة‬
‫الفرعية الخاصة بالرسم (‪( ،)Explore: Plots‬شكل (‪ .))13.4‬قم بإلغاء الخيار االفتراضي لرسم الساق والورقة‬
‫(‪ )Stem-and-leaf‬ألننا لسنا بحاجة إليه هنا‪ ،‬وفي الجزء السفلي للنافذة ( ‪Spread vs Level with Leven‬‬
‫‪ )Test‬قم باختيار الخيار الرابع‪1‬؛ (بدون تحويل ‪ )Untransformed‬ثم اضغط استمرار للعودة إلى نافذة‬
‫االستكشاف األولى‪.‬‬

‫(يمكنك أيض تتا‪ ،‬في الش تتكل (‪ ،)13.4‬مالحظة إمكانية‬

‫اختي تتار عرض الرست ت ت ت ت ت تتم الخ تتاص ب تتاختب تتار الطبيعي تتة‬
‫(‪ )Normality‬عن طرق رسم ‪ QQ‬واجراء اختبارات‬
‫الطبيعيت تتة‪ ،‬وذلت تتك لكت تتل مجموعت تتة)‪ .‬اآلن وفي نت تتافت تتذة‬
‫االست تتتكشت تتاف قم بالضت تتغط على موافق فتظهر النتائج‬
‫المطلوبة في نافذة المخرجات‪ .‬الجدول األول في نافذة‬

‫شكل ‪ :13.4‬النافذة الفرعية الخاصة بالرسم لنافذة االستكشاف‪.‬‬

‫المخرجتتات كتتالمعتتتاد في معظم نتتتائج برنتتامج ‪SPSS‬‬

‫الخيارات المتاحة الختبار ليفين هي خيارات خاصة بتحويل قيم المتغير األساسي الذي يضم المجموعات‪.‬‬ ‫‪1‬‬

‫‪115‬‬
‫هو خاص بعدد المشت تتاهدات الموجودة والمفقودة في كل مجموعة ونست تتبها‪ .‬أما الجدول الثاني فيضت تتم نتائج اختبار‬
‫ليفين‪( ،‬جدول (‪ ،))10.4‬وفي هذا الجدول نالحظ أن العامود األول إلى اليسار يضم تقسيم النتائج بحسب طريقة‬
‫حساب إحصاءة ليفين (‪ )W‬اعتمادا على الوسط الحسابي أو الوسيط أو غيرها من الخيارات‪.‬‬

‫جدول ‪ :10.4‬نتائج اختبار ليفين لملف البيانات "أسعار الشواحن"‪.‬‬

‫‪Test of Homogeneity of Variance‬‬

‫‪Levene‬‬
‫‪Statistic‬‬ ‫‪df1‬‬ ‫‪df2‬‬ ‫‪Sig.‬‬
‫أسعار_الشواحن‬ ‫‪Based on Mean‬‬ ‫‪8.810‬‬ ‫‪2‬‬ ‫‪27‬‬ ‫‪.001‬‬
‫‪Based on Median‬‬ ‫‪4.435‬‬ ‫‪2‬‬ ‫‪27‬‬ ‫‪.022‬‬
‫‪Based on Median‬‬
‫‪and with adjusted df‬‬ ‫‪4.435‬‬ ‫‪2‬‬ ‫‪18.862‬‬ ‫‪.026‬‬

‫‪Based on trimmed‬‬
‫‪8.608‬‬ ‫‪2‬‬ ‫‪27‬‬ ‫‪.001‬‬
‫‪mean‬‬

‫من هذه النتائج‪( ،‬تحديدا ‪ ،)P-value = 0.001‬يمكننا القول بأنه يمكن رفض الفرضية الصفرية القائلة بتساوي‬
‫التباينات في المجتمع‪ ،‬بمعنى أننا نعتقد أسعار الشواحن مختلفة فيما بينها ضمن كل متجر في العموم‪ .‬وهذه‬
‫النتيجة يمكن مالحظتها بصريا من خالل الشكل التالي‪( ،‬شكل (‪ ،))14.4‬والذي يعرض توزيع المشاهدات لكل‬
‫مجموعة (متجر) عن طريق شكل الصندوق‪ .‬والحظ أن أسعار الشواحن في المتجر األول (‪ )A‬هي األكثر اختالفا‬
‫مقارنة بالمتجرين اآلخرين‪ .‬وأما بالنسبة للتمثيل البياني األخير في نافذة المخرجات‪،)Spread vs Level Plot( ،‬‬
‫والذي لن يتم عرضه هنا‪ ،‬فهو يظهر انتشار وسيطات المجموعات الثالثة حيث تمثل النقطة األولى (من اليسار)‬
‫المجموعة ‪ ،B‬ثم المجموعة ‪ C‬ثم المجموعة ‪ ،A‬وستالحظ من ذلك الرسم أيضا مدى اختالف األسعار في المتجر‬
‫‪ A‬عن باقي المتاجر‪.‬‬

‫شكل ‪ :14.4‬شكل الصندوق للمجموعات الثالثة في ملف بيانات "أسعار الشواحن"‪.‬‬

‫‪116‬‬
‫ويمكن تنفيذ اختبار ليفين أيضا عند استخدام أسلوب تحليل التباين في اتجاه واحد‪ .‬في شريط األدوات العلوي قم‬
‫باختيار ‪ Analyze>Compare Means>One-way ANOVA‬وفي نافذة التحليل اضغط على الخيارات‬
‫(‪ )Options‬واختر منها اختبار تجانس التباين (‪ )Homogeneity of variance test‬ثم اضغط استمرار‪.‬‬
‫اضغط موافق في النافذة األصلية فتحصل على النتيجة المطلوبة‪( ،‬جدول (‪.))11.4‬‬

‫جدول ‪ :11.4‬نتائج اختبار ليفين باستخدام أسلوب تحليل التباين‪ ،‬لملف‬

‫البيانات "أسعار الشواحن"‪.‬‬
‫‪Test of Homogeneity of Variances‬‬
‫أسعار_الشواحن‬

‫‪Levene Statistic‬‬ ‫‪df1‬‬ ‫‪df2‬‬ ‫‪Sig.‬‬

‫‪8.810‬‬ ‫‪2‬‬ ‫‪27‬‬ ‫‪.001‬‬

‫‪ 3.4‬جداول االقتران واختبار االستقاللية (‪)Contingency Tables and Test for Independency‬‬

‫جداول االقتران هي جداول يتم من خاللها تنظيم عرض متغيرين بشكل صفوف وأعمدة‪ ،‬بحيث تمثل‬
‫الصفوف مستويات (تقسيمات) المتغير األول وتمثل األعمدة مستويات المتغير الثاني‪ ،‬وتضم "الخاليا" الناتجة عن‬
‫التقاء الصفوف واألعمدة التك اررات الناتجة عن "اقتران" أي مستويين‪ .‬ويتم تكوين جداول االقتران عادة من المتغيرات‬
‫الوصفية‪ ،‬إال أنه يمكن إعادة ترميز المتغيرات الكمية إلى وصفية ثم استخدامها لتكوين االقتران‪ ،‬وسنبدأ بشرح‬
‫الحالة األولى؛‬

‫‪ 1.3.4‬تكوين جداول االقتران من متغيرات وصفية‬

‫(‪)Contingency Tables from Categorical Variables‬‬

‫لتوض يح طريقة تكوين جداول االقتران من متغيرين وصفيين لنأخذ المثال التالي؛ البيانات التالية‪( ،‬في‬
‫جدول (‪ ،))12.4‬تمثل متغيرين هما مستوى اإلنتاج ومستوى األرق لعينة مكونة من ‪ 90‬عامل في أحد مصانع‬
‫الحديد والصلب‪ ،‬حيث تم تقسيم مستوى األرق إلى ثالثة مستويات هي منخفض‪ ،‬متوسط‪ ،‬ومرتفع‪ ،‬وتم تقسيم‬
‫مستوى اإلنتاج إلى ثالثة مستويات أيضا هي ضعيف‪ ،‬مقبول‪ ،‬وجيد‪.‬‬

‫وكان المطلوب أوال تكوين جدول اقتران لهذين المتغيرين بهدف التعرف على توزيع العمال بحسب مستويات األرق‪،‬‬
‫وتوزيع مستويات اإلنتاج‪ ،‬وتوزيع مستويات اإلنتاج مقترنة بمستويات األرق عند العمال وذلك من خالل التك اررات‬
‫والنسب لهذه المستويات‪.‬‬

‫سنبدأ بإدخال هذين المتغيرين في ملف بيانات جديد في ‪ SPSS‬باسم "مستوى األرق"‪ .‬بحيث نعطي المتغير األول‬
‫"مستوى_اإلنتاج" القيم‪ ،2 ،1 :‬و‪ 3‬للمستويات‪ :‬ضعيف‪ ،‬مقبول‪ ،‬وجيد على الترتيب‪ ،‬ونعطي المتغير الثاني‬

‫‪117‬‬
‫"مستوى_األرق" القيم‪ ،2 ،1 :‬و‪ 3‬للمستويات‪ :‬منخفض‪ ،‬متوسط‪ ،‬ومرتفع على الترتيب‪ .‬مع تعريف هذه القيم بنفس‬
‫األسماء في عامود القيم (‪ )Values‬في نافذة المتغيرات (‪.)Variable View‬‬

‫جدول ‪ :12.4‬مستوى اإلنتاج ومستوى األرق لعينة من ‪ 90‬عامل في أحد المصانع‪.‬‬

‫مستوى اإلنتاج‬

‫مستوى اإلنتاج‬

‫مستوى اإلنتاج‬

‫مستوى اإلنتاج‬

‫مستوى اإلنتاج‬
‫مستوى األرق‬

‫مستوى األرق‬

‫مستوى األرق‬

‫مستوى األرق‬

‫مستوى األرق‬
‫‪1‬‬ ‫مرتفع‬ ‫جيد‬ ‫‪21‬‬ ‫متوسط‬ ‫ضعيف‬ ‫‪41‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪61‬‬ ‫متوسط‬ ‫جيد‬ ‫‪81‬‬ ‫منخفض‬ ‫جيد‬
‫‪2‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪22‬‬ ‫متوسط‬ ‫مقبول‬ ‫‪42‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪62‬‬ ‫منخفض‬ ‫مقبول‬ ‫‪82‬‬ ‫مرتفع‬ ‫ضعيف‬
‫‪3‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪23‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪43‬‬ ‫متوسط‬ ‫ضعيف‬ ‫‪63‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪83‬‬ ‫مرتفع‬ ‫ضعيف‬
‫‪4‬‬ ‫منخفض‬ ‫جيد‬ ‫‪24‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪44‬‬ ‫منخفض‬ ‫مقبول‬ ‫‪64‬‬ ‫متوسط‬ ‫جيد‬ ‫‪84‬‬ ‫منخفض‬ ‫مقبول‬
‫‪5‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪25‬‬ ‫متوسط‬ ‫جيد‬ ‫‪45‬‬ ‫متوسط‬ ‫مقبول‬ ‫‪65‬‬ ‫مرتفع‬ ‫مقبول‬ ‫‪85‬‬ ‫متوسط‬ ‫مقبول‬
‫‪6‬‬ ‫متوسط‬ ‫مقبول‬ ‫‪26‬‬ ‫متوسط‬ ‫ضعيف‬ ‫‪46‬‬ ‫منخفض‬ ‫جيد‬ ‫‪66‬‬ ‫مرتفع‬ ‫جيد‬ ‫‪86‬‬ ‫منخفض‬ ‫جيد‬
‫‪7‬‬ ‫مرتفع‬ ‫مقبول‬ ‫‪27‬‬ ‫منخفض‬ ‫جيد‬ ‫‪47‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪67‬‬ ‫منخفض‬ ‫مقبول‬ ‫‪87‬‬ ‫متوسط‬ ‫مقبول‬
‫‪8‬‬ ‫متوسط‬ ‫جيد‬ ‫‪28‬‬ ‫متوسط‬ ‫مقبول‬ ‫‪48‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪68‬‬ ‫منخفض‬ ‫مقبول‬ ‫‪88‬‬ ‫منخفض‬ ‫جيد‬
‫‪9‬‬ ‫مرتفع‬ ‫جيد‬ ‫‪29‬‬ ‫منخفض‬ ‫ضعيف‬ ‫‪49‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪69‬‬ ‫متوسط‬ ‫مقبول‬ ‫‪89‬‬ ‫متوسط‬ ‫مقبول‬
‫‪10‬‬ ‫مرتفع‬ ‫جيد‬ ‫‪30‬‬ ‫مرتفع‬ ‫جيد‬ ‫‪50‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪70‬‬ ‫متوسط‬ ‫جيد‬ ‫‪90‬‬ ‫مرتفع‬ ‫ضعيف‬
‫‪11‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪31‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪51‬‬ ‫متوسط‬ ‫جيد‬ ‫‪71‬‬ ‫مرتفع‬ ‫ضعيف‬
‫‪12‬‬ ‫متوسط‬ ‫ضعيف‬ ‫‪32‬‬ ‫متوسط‬ ‫ضعيف‬ ‫‪52‬‬ ‫متوسط‬ ‫ضعيف‬ ‫‪72‬‬ ‫مرتفع‬ ‫مقبول‬
‫‪13‬‬ ‫منخفض‬ ‫مقبول‬ ‫‪33‬‬ ‫متوسط‬ ‫مقبول‬ ‫‪53‬‬ ‫منخفض‬ ‫جيد‬ ‫‪73‬‬ ‫مرتفع‬ ‫مقبول‬
‫‪14‬‬ ‫متوسط‬ ‫مقبول‬ ‫‪34‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪54‬‬ ‫منخفض‬ ‫ضعيف‬ ‫‪74‬‬ ‫منخفض‬ ‫جيد‬
‫‪15‬‬ ‫منخفض‬ ‫جيد‬ ‫‪35‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪55‬‬ ‫منخفض‬ ‫مقبول‬ ‫‪75‬‬ ‫متوسط‬ ‫مقبول‬
‫‪16‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪36‬‬ ‫منخفض‬ ‫جيد‬ ‫‪56‬‬ ‫منخفض‬ ‫ضعيف‬ ‫‪76‬‬ ‫مرتفع‬ ‫جيد‬
‫‪17‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪37‬‬ ‫مرتفع‬ ‫ضعيف‬ ‫‪57‬‬ ‫منخفض‬ ‫مقبول‬ ‫‪77‬‬ ‫مرتفع‬ ‫ضعيف‬
‫‪18‬‬ ‫متوسط‬ ‫مقبول‬ ‫‪38‬‬ ‫متوسط‬ ‫مقبول‬ ‫‪58‬‬ ‫منخفض‬ ‫ضعيف‬ ‫‪78‬‬ ‫منخفض‬ ‫جيد‬
‫‪19‬‬ ‫متوسط‬ ‫ضعيف‬ ‫‪39‬‬ ‫مرتفع‬ ‫مقبول‬ ‫‪59‬‬ ‫منخفض‬ ‫ضعيف‬ ‫‪79‬‬ ‫مرتفع‬ ‫ضعيف‬
‫‪20‬‬ ‫منخفض‬ ‫جيد‬ ‫‪40‬‬ ‫متوسط‬ ‫جيد‬ ‫‪60‬‬ ‫منخفض‬ ‫مقبول‬ ‫‪80‬‬ ‫متوسط‬ ‫مقبول‬

‫األن لتكوين ج تتدول االقتران للمتغيرين‪ ،‬قم في ش ت ت ت ت ت ت تريط األدوات العلوي ب تتاختي تتار ‪Analyze>Descriptive‬‬
‫‪ ،Statistics>Crosstabs‬فتظهر النت ت تتافت ت تتذة‬
‫الخ ت تتاصت ت ت ت ت ت ت ت تتة بتكوين الج ت تتداول المشت ت ت ت ت ت تتترك ت تتة‬
‫(‪ ،)Crosstabs‬كما نرى في شت تتكل (‪.)15.4‬‬
‫فتتي ت تل ت ت تتك ال تن ت ت تتاف ت ت تتذة‪ ،‬قتتم ب تن تق ت ت تتل ال تم تت تغ تيتتر‬
‫"مست ت ت ت ت ت ت تتتتوى_األرق" إلتتى م تربتتع الصت ت ت ت ت ت ت تفتتوف‬
‫()‪ ،)Row(s‬ونقل المتغير "مست ت تتتوى_اإلنتاج"‬
‫إلى مربع األعمدة ()‪.)Column(s‬‬

‫شكل ‪ :15.4‬النافذة الخاصة بتكوين جداول االقتران‪.‬‬

‫‪118‬‬
‫اض ت ت ت ت تتغط في تلك النافذة على خيار الخاليا (‪ )Cells‬فتظهر النافذة الفرعية الخاص ت ت ت ت تتة باختيار ما نود إظهاره في‬
‫جتتدول االقتران المطلوب‪( ،‬ش ت ت ت ت ت ت تكتتل (‪ ،))16.4‬قم في‬
‫تلك النافذة باختيار إظهار النس تتب للص تتفوف واألعمدة‬
‫والمجموع في مربع النس تتب (‪ )Percentages‬كما هو‬
‫موضتتح في الشتتكل‪ .‬ثم اضتتغط استتتمرار للعودة للنافذة‬
‫الس ت ت ت ت تتابقة‪( ،‬ش ت ت ت ت تتكل (‪ .))15.4‬وفي تلك النافذة يمكننا‬
‫إض ت ت ت تتافة تمثيل األعمدة البيانية بحس ت ت ت تتب التقس ت ت ت تتيمات‬
‫للمتغيرين‪ ،‬وذل تتك ب تتاختي تتار عرض األعم تتدة البي تتاني تتة‬
‫المصت ت تتنفة (‪ )Display clustered bar charts‬في‬
‫أست ت ت ت ت ت تتفل النافذة‪ .‬قم بعد ذلك بالضت ت ت ت ت ت تتغط على موافق‪.‬‬
‫شكل ‪ :16.4‬نافذة خيار الخاليا في جداول االقتران‪.‬‬ ‫س ت ت تتتظهر بعد ذلك النتائج في نافذة المخرجات‪ ،‬بحيث‬
‫يحتوي الجدول األول على عدد المشت ت ت ت ت تتاهدات الفعلية والقيم المفقودة ونست ت ت ت ت تتبها‪ .‬أما الجدول الثاني في المخرجات‪،‬‬
‫(جدول (‪ ،))13.4‬فهو جدول االقتران الخاص بالمتغيرين الوصفيين للمتغيرين "مستوى_اإلنتاج" و"مستوى_األرق"‪.‬‬

‫جدول ‪ :13.4‬جدول االقتران للمتغيرين "مستوى_اإلنتاج" و"مستوى_األرق" في ملف البيانات "مستوى األرق"‪.‬‬
‫مستوى_األرق * مستوى_اإلنتاج ‪Crosstabulation‬‬
‫مستوى_اإلنتاج‬
‫ضعيف‬ ‫مقبول‬ ‫جيد‬ ‫‪Total‬‬
‫مستوى_األرق‬ ‫منخفض‬ ‫‪Count‬‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪12‬‬ ‫‪26‬‬
‫مستوى_األرق ‪% within‬‬ ‫‪19.2%‬‬ ‫‪34.6%‬‬ ‫‪46.2%‬‬ ‫‪100.0%‬‬
‫مستوى_اإلنتاج ‪% within‬‬ ‫‪13.5%‬‬ ‫‪32.1%‬‬ ‫‪48.0%‬‬ ‫‪28.9%‬‬
‫‪% of Total‬‬ ‫‪5.6%‬‬ ‫‪10.0%‬‬ ‫‪13.3%‬‬ ‫‪28.9%‬‬
‫متوسط‬ ‫‪Count‬‬ ‫‪7‬‬ ‫‪14‬‬ ‫‪7‬‬ ‫‪28‬‬
‫مستوى_األرق ‪% within‬‬ ‫‪25.0%‬‬ ‫‪50.0%‬‬ ‫‪25.0%‬‬ ‫‪100.0%‬‬
‫مستوى_اإلنتاج ‪% within‬‬ ‫‪18.9%‬‬ ‫‪50.0%‬‬ ‫‪28.0%‬‬ ‫‪31.1%‬‬
‫‪% of Total‬‬ ‫‪7.8%‬‬ ‫‪15.6%‬‬ ‫‪7.8%‬‬ ‫‪31.1%‬‬
‫مرتفع‬ ‫‪Count‬‬ ‫‪25‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪36‬‬
‫مستوى_األرق ‪% within‬‬ ‫‪69.4%‬‬ ‫‪13.9%‬‬ ‫‪16.7%‬‬ ‫‪100.0%‬‬
‫مستوى_اإلنتاج ‪% within‬‬ ‫‪67.6%‬‬ ‫‪17.9%‬‬ ‫‪24.0%‬‬ ‫‪40.0%‬‬
‫‪% of Total‬‬ ‫‪27.8%‬‬ ‫‪5.6%‬‬ ‫‪6.7%‬‬ ‫‪40.0%‬‬
‫‪Total‬‬ ‫‪Count‬‬ ‫‪37‬‬ ‫‪28‬‬ ‫‪25‬‬ ‫‪90‬‬
‫مستوى_األرق ‪% within‬‬ ‫‪41.1%‬‬ ‫‪31.1%‬‬ ‫‪27.8%‬‬ ‫‪100.0%‬‬
‫مستوى_اإلنتاج ‪% within‬‬ ‫‪100.0%‬‬ ‫‪100.0%‬‬ ‫‪100.0%‬‬ ‫‪100.0%‬‬
‫‪% of Total‬‬ ‫‪41.1%‬‬ ‫‪31.1%‬‬ ‫‪27.8%‬‬ ‫‪100.0%‬‬

‫‪119‬‬
‫ونالحظ وجود أربعة قيم في كل خلية في الجدول‪ .‬هذه القيم هي التكرار‪ ،‬النسبة للصف‪ ،‬النسبة للعامود‪ ،‬والنسبة‬
‫للكل‪ .‬فمثال في الخلية األولى؛ (مستوى إنتاج ضعيف ومستوى أرق منخفض)‪ ،‬نجد أن عدد العمال الذين هم‬
‫إنتاجهم ضعيف ولديهم مستوى أرق منخفض عددهم ‪ 5‬عمال‪ ،‬ويمثلون ‪ 19.2%‬بالنسبة للعمال الذين لديهم مستوى‬
‫أرق منخفض‪ ،‬ويمثلون ‪ 13.5%‬بالنسبة للعمال الذين مستوى إنتاجهم ضعيف‪ ،‬ويمثلون ‪ 5.6%‬بالنسبة لكل العمال‪.‬‬

‫وبالتالي‪ ،‬يمكننا الحصول على العديد من المعلومات من جدول االقتران عن توزيع العمال بحسب مستويات اإلنتاج‬
‫ومستويات األرق أهمها ما يلي‪:‬‬

‫الخلية التي لها أعلى نسبة للمجموع هي التي تمثل العمال الذين مستوى إنتاجهم ضعيف ومستوى األرق‬ ‫‪‬‬
‫لديهم مرتفع (‪ ،)%27.8‬وهذا يعني أن العمال الذين يعانون من األرق في النوم بصورة كبيرة يكون‬
‫مستوى إنتاجهم ضعيف‪ .‬ويؤيد تلك النتيجة أيضا نسبة المجموع للعمال الذين مستوى إنتاجهم جيد‬
‫ومستوى األرق لديهم منخفض (‪.)%13.3‬‬
‫نسبة العمال الذين لديهم مستوى أرق مرتفع هي ‪ 40%‬وهي نسبة تُعد كبيرة‪ ،‬أما نسبة العمال الذين لديهم‬ ‫‪‬‬
‫مستوى أرق متوسط فهي ‪ ،31.1%‬وبالتالي فإنه بجمع هتين النسبتين يمكن القول بأن ‪ 71.1%‬من‬
‫العمال يعانون من مستويات أرق متوسطة إلى مرتفعة في النوم‪.‬‬
‫نسبة العمال الذين إنتاجهم جيد هو ‪ 27.8%‬أي أقل من ثلث العمال‪ ،‬ونسبة العمال الذين إنتاجهم‬ ‫‪‬‬
‫ضعيف هو ‪ 41.1%‬وهذا يعكس الوضع السيس لإلنتاج في هذا المصنع‪.‬‬

‫أما النتيجة األخيرة في نافذة المخرجات‪( ،‬شكل (‪ ،))17.4‬فهي األعمدة البيانية المصنفة بحسب مستويات اإلنتاج‬
‫ومستويات األرق لدى العمال‪ .‬وهذه األعمدة تمثل النتائج المذكورة سابقا بشكل مرئي‪.‬‬

‫شكل ‪ :17.4‬األعمدة البيانية المصنفة لملف البيانات "مستوى األرق"‪.‬‬

‫‪120‬‬
‫‪ 2.3.4‬تكوين جداول االقتران من متغيرات كمية (‪)Contingency Tables from Quantitative Variables‬‬

‫في بعض الدراسات‪ ،‬قد نقوم بتحويل بعض المتغيرات الكمية إلى وصفية‪ ،‬أي إلى مستويات‪ ،‬وذلك بهدف‬
‫استخدامها في بعض األساليب اإلحصائية التي تتطلب هذا النوع من المتغيرات‪ ،‬أو بهدف الحصول على تلخيص‬
‫لنمط معين في البيانات‪ .‬ولتكوين جدول اقتران من متغير كمي وآخر وصفي أو من متغيران كميان‪ ،‬لنأخذ المثال‬
‫التالي؛‬

‫البيانات في الجدول (‪ )14.4‬تمثل معدالت فيتامين دال (‪ )Vit. D‬وأعمار عينة مكونة من ‪ 60‬شخصا إضافة‬
‫لتصنيفهم ذكور واناث‪.‬‬

‫جدول ‪ :14.4‬معدالت فيتامين دال (‪ )Vit. D‬وأعمار عينة مكونة من ‪ 60‬شخصا‪.‬‬

‫معدل فيتامين‬

‫معدل فيتامين‬

‫معدل فيتامين‬
‫العمر‬

‫العمر‬

‫العمر‬
‫النوع‬

‫النوع‬

‫النوع‬
‫دال‬

‫دال‬

‫دال‬
‫‪1‬‬ ‫‪53‬‬ ‫‪26‬‬ ‫ذكر‬ ‫‪21‬‬ ‫‪55‬‬ ‫‪26‬‬ ‫أنثى‬ ‫‪41‬‬ ‫‪72‬‬ ‫‪26‬‬ ‫ذكر‬
‫‪2‬‬ ‫‪61‬‬ ‫‪28‬‬ ‫ذكر‬ ‫‪22‬‬ ‫‪69‬‬ ‫‪29‬‬ ‫أنثى‬ ‫‪42‬‬ ‫‪28‬‬ ‫‪81‬‬ ‫أنثى‬
‫‪3‬‬ ‫‪81‬‬ ‫‪20‬‬ ‫ذكر‬ ‫‪23‬‬ ‫‪68‬‬ ‫‪20‬‬ ‫أنثى‬ ‫‪43‬‬ ‫‪39‬‬ ‫‪66‬‬ ‫ذكر‬
‫‪4‬‬ ‫‪25‬‬ ‫‪51‬‬ ‫أنثى‬ ‫‪24‬‬ ‫‪58‬‬ ‫‪36‬‬ ‫ذكر‬ ‫‪44‬‬ ‫‪27‬‬ ‫‪20‬‬ ‫أنثى‬
‫‪5‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫أنثى‬ ‫‪25‬‬ ‫‪57‬‬ ‫‪25‬‬ ‫أنثى‬ ‫‪45‬‬ ‫‪48‬‬ ‫‪24‬‬ ‫أنثى‬
‫‪6‬‬ ‫‪71‬‬ ‫‪25‬‬ ‫أنثى‬ ‫‪26‬‬ ‫‪24‬‬ ‫‪79‬‬ ‫ذكر‬ ‫‪46‬‬ ‫‪67‬‬ ‫‪29‬‬ ‫أنثى‬
‫‪7‬‬ ‫‪80‬‬ ‫‪21‬‬ ‫أنثى‬ ‫‪27‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫أنثى‬ ‫‪47‬‬ ‫‪25‬‬ ‫‪20‬‬ ‫أنثى‬
‫‪8‬‬ ‫‪65‬‬ ‫‪28‬‬ ‫ذكر‬ ‫‪28‬‬ ‫‪90‬‬ ‫‪20‬‬ ‫أنثى‬ ‫‪48‬‬ ‫‪39‬‬ ‫‪78‬‬ ‫ذكر‬
‫‪9‬‬ ‫‪30‬‬ ‫‪74‬‬ ‫ذكر‬ ‫‪29‬‬ ‫‪26‬‬ ‫‪25‬‬ ‫أنثى‬ ‫‪49‬‬ ‫‪46‬‬ ‫‪23‬‬ ‫أنثى‬
‫‪10‬‬ ‫‪22‬‬ ‫‪80‬‬ ‫ذكر‬ ‫‪30‬‬ ‫‪35‬‬ ‫‪34‬‬ ‫أنثى‬ ‫‪50‬‬ ‫‪58‬‬ ‫‪26‬‬ ‫أنثى‬
‫‪11‬‬ ‫‪77‬‬ ‫‪26‬‬ ‫ذكر‬ ‫‪31‬‬ ‫‪38‬‬ ‫‪39‬‬ ‫أنثى‬ ‫‪51‬‬ ‫‪67‬‬ ‫‪80‬‬ ‫ذكر‬
‫‪12‬‬ ‫‪50‬‬ ‫‪30‬‬ ‫أنثى‬ ‫‪32‬‬ ‫‪56‬‬ ‫‪25‬‬ ‫ذكر‬ ‫‪52‬‬ ‫‪81‬‬ ‫‪28‬‬ ‫ذكر‬
‫‪13‬‬ ‫‪65‬‬ ‫‪24‬‬ ‫ذكر‬ ‫‪33‬‬ ‫‪47‬‬ ‫‪75‬‬ ‫ذكر‬ ‫‪53‬‬ ‫‪36‬‬ ‫‪45‬‬ ‫ذكر‬
‫‪14‬‬ ‫‪23‬‬ ‫‪22‬‬ ‫أنثى‬ ‫‪34‬‬ ‫‪30‬‬ ‫‪26‬‬ ‫أنثى‬ ‫‪54‬‬ ‫‪35‬‬ ‫‪69‬‬ ‫ذكر‬
‫‪15‬‬ ‫‪61‬‬ ‫‪26‬‬ ‫ذكر‬ ‫‪35‬‬ ‫‪25‬‬ ‫‪77‬‬ ‫ذكر‬ ‫‪55‬‬ ‫‪24‬‬ ‫‪20‬‬ ‫أنثى‬
‫‪16‬‬ ‫‪46‬‬ ‫‪24‬‬ ‫أنثى‬ ‫‪36‬‬ ‫‪68‬‬ ‫‪29‬‬ ‫أنثى‬ ‫‪56‬‬ ‫‪31‬‬ ‫‪84‬‬ ‫ذكر‬
‫‪17‬‬ ‫‪31‬‬ ‫‪76‬‬ ‫ذكر‬ ‫‪37‬‬ ‫‪35‬‬ ‫‪79‬‬ ‫ذكر‬ ‫‪57‬‬ ‫‪21‬‬ ‫‪80‬‬ ‫ذكر‬
‫‪18‬‬ ‫‪35‬‬ ‫‪78‬‬ ‫ذكر‬ ‫‪38‬‬ ‫‪26‬‬ ‫‪80‬‬ ‫ذكر‬ ‫‪58‬‬ ‫‪84‬‬ ‫‪32‬‬ ‫ذكر‬
‫‪19‬‬ ‫‪26‬‬ ‫‪80‬‬ ‫ذكر‬ ‫‪39‬‬ ‫‪24‬‬ ‫‪24‬‬ ‫أنثى‬ ‫‪59‬‬ ‫‪78‬‬ ‫‪75‬‬ ‫ذكر‬
‫‪20‬‬ ‫‪48‬‬ ‫‪23‬‬ ‫أنثى‬ ‫‪40‬‬ ‫‪39‬‬ ‫‪36‬‬ ‫أنثى‬ ‫‪60‬‬ ‫‪88‬‬ ‫‪77‬‬ ‫ذكر‬

‫‪121‬‬
‫ونالحظ من هذه البيانات أن المتغيران "معدل فيتامين دال"‪( ،‬المقاس بوحدة نانومول) و"العمر"‪( ،‬المقاس بالسنة)‬
‫هما متغيران كميان‪ ،‬ولتكوين جدول اقتران خاص بهما يجب أوال تحويلهما إلى متغيرات وصفية تأخذ مستويات‬
‫محددة‪.‬‬

‫لنقم أوال بإدخال المتغيرات الثالثة من جدول (‪ )14.4‬في ملف بيانات جديد في ‪ SPSS‬باسم "فيتامين دال"‪( ،‬شكل‬
‫(‪ ،))18.4‬بحيث يتم إعطاء القيمة ‪ 1‬للذكور والقيمة ‪ 2‬لإلناث‪ ،‬ثم تعريف تلك القيم في خانة القيم (‪)Values‬‬
‫كالمعتاد‪ ،‬وسنعطي المتغيرات الثالثة األسماء "العمر"‪" ،‬فيتامين_دال"‪ ،‬و"النوع"‪.‬‬

‫في الفصل الثاني‪ ،‬وفي الجزء الخاص بإعادة ترميز القيم في‬
‫متغير مختلف (‪،)Recode into Different Variable‬‬
‫تناولنا كيفية تكوين متغير جديد عن طريق تعريف قيم أو‬
‫مستويات جديدة له من المتغير األصلي‪ ،‬وهنا سنقوم أيضا‬
‫بتعريف متغيران جديدان؛‬

‫بالنسبة للمتغير األول‪" ،‬العمر"‪ ،‬سنقوم بتحويله إلى متغير يأخذ‬

‫ثالثة مستويات هي الفئات العمرية؛ (أقل من ‪( ،)30‬من ‪30‬‬
‫إلى ‪ ،)50‬و(‪ 51‬فأكثر)‪ ،‬وسنستخدم القيم ‪ ،2 ،1‬و‪ 3‬لترميز‬
‫شكل ‪ :18.4‬المتغيرات "العمر"‪" ،‬فيتامين_دال"‪،‬‬
‫و"النوع" في ملف البيانات "فيتامين دال"‪.‬‬ ‫الفئات العمرية السابقة على التوالي‪.‬‬

‫المعدة من ِقبل األطباء المتخصصين وهي (أقل من‬

‫وأما المتغير "فيتامين_دال" فسيتم إعطائه المستويات الثالثة ُ‬
‫‪ )30‬وفيها يصنف الشخص بأنه يعاني من نقص في فيتامين دال‪ ،‬و(من ‪ 30‬إلى ‪ )75‬ويصنف فيها الشخص‬
‫بأن مستوى فيتامين دال غير كافي‪ ،‬و(أكثر من ‪ )75‬وهو المستوى الطبيعي لفيتامين دال عند اإلنسان البالغ‪.‬‬
‫وسنعطي القيمة ‪ 1‬للمستوى (أقل من ‪ )30‬والقيمة ‪ 2‬للمستوى (من ‪ 30‬إلى ‪ )75‬والقيمة ‪ 3‬للمستوى (أكثر من‬
‫‪.)75‬‬

‫اآلن قم باختيار أمر تحويل (‪ )Transform‬من شريط األوامر العلوي‪ ،‬ثم اختر إعادة ترميز في متغير مختلف‬
‫(‪ .)Recode into Different Variables‬ستظهر عندها نافذة إعادة الترميز في متغير جديد‪ ،‬كما ُيشاهد في‬
‫الشكل (‪ .)19.4‬سنقوم باختيار المتغير "العمر"‪ ،‬ونقله إلى مربع المتغيرات (‪ .)Numeric Variable‬وفي خانة‬
‫المخرج (‪ )Output Variable‬إلى اليمين‪ ،‬لنقم بتسمية المتغير الجديد باالسم "الفئة_العمرية" وكتابة "فئات‬
‫المتغير ُ‬
‫العمر" في مربع الوصف (‪ ،)Label‬ثم نضغط على أمر تغيير (‪ ،)Change‬فيالحظ حدوث هذا التغيير في مربع‬
‫المتغيرات حيث سيظهر فيها النص "العمر ‪ <--‬الفئة_العمرية"‪.‬‬

‫‪122‬‬
 ‫شكل ‪ :19.4‬نافذة إعادة الترميز في متغير مختلف لملف البيانات "فيتامين دال"‪.‬‬

‫بعد ذلك سنقوم بتعريف القيم التي نود إعادة كتابتها في المتغير الجديد باستخدام قيم متغير "العمر"‪ ،‬فنقوم باختيار‬
‫أمر تعريف القيم القديمة والجديدة (‪ )Old and New Values‬في الشكل (‪ ،)19.4‬فتظهر نافذة جديدة كما ُيرى‬
‫في الشكل (‪.)20.4‬‬

‫في هذه النافذة‪ ،‬لتعيين القيمة األولى‪ ،‬والتي تشمل كل األعمار التي هي أقل من ‪ 30‬سنة‪ ،‬نحتاج الستخدام الخيار‬
‫المدى‪ ،‬القيمة فأقل (‪ .)Range, LOWEST through value‬فنكتب أوال القيمة المحددة للتصنيف األول وهي‬
‫القيمة ‪ 1‬في خانة القيمة الجديدة (‪ ،)New Value‬ثم نكتب القيمة ‪( ،29‬وهي القيمة‪ 1‬األقل من ‪ 30‬سنة مباشرة‬
‫في متغير العمر)‪ ،‬ثم نضغط إضافة (‪.)Add‬‬

‫شكل ‪ :20.4‬نافذة تعريف القيم القديمة والجديدة لمتغير "العمر" في خيار إعادة الترميز في متغير‬
‫مختلف لملف البيانات "فيتامين دال"‪.‬‬

‫‪ 1‬ننوه هنا إلى أنه إذا ما تم كتابة القيمة ‪ 30‬في خانة (‪ )Range, LOWEST through value‬فإن هذا التصنيف سيشمل على العمر‬
‫‪ 30‬سنة من ضمنه‪.‬‬

‫‪123‬‬
‫لتعيين القيمة الثانية‪ ،‬وهي القيمة ‪ 2‬للتصنيف الثاني وهو األعمار من ‪ 30‬إلى ‪ 50‬سنة‪ ،‬نكتب القيمة ‪ 2‬في خانة‬
‫القيمة الجديدة (‪ )New Value‬ثم نضغط على الخيار المدى (‪ )Range‬فتظهر خانتان فارغتان أسفل منه‪ .‬يتم‬
‫إدخال القيمة ‪ 30‬في الخانة العليا والقيمة ‪ 50‬في الخانة السفلى والضغط على (‪.)Add‬‬

‫ولتعيين القيمة الثالثة‪ ،‬وهي القيمة ‪ 3‬للتصنيف الثالث‪ ،‬وتمثل األشخاص الذين أعمارهم ‪ 51‬سنة فأكثر‪ ،‬نكتب‬
‫القيمة ‪ 3‬في خانة القيمة الجديدة (‪ )New Value‬ثم نضغط على الخيار المدى‪ ،‬القيمة فأكبر من ( ‪Range,‬‬
‫‪ )value through HIGHEST‬ونكتب فيه القيمة ‪ ،51‬ثم نضغط على (‪ .)Add‬وبعد االنتهاء من تعيين كل‬
‫القيم المحددة للتصنيفات السابقة نضغط على استمرار (‪ .)Continue‬سنعود بعد ذلك للنافذة السابقة‪( ،‬شكل‬
‫(‪ ،)) 19.4‬نقوم بعدها بالضغط على موافق فيظهر المتغير الجديد "الفئة_العمرية" في نافذة عرض البيانات في‬
‫ملف البيانات "فيتامين دال"‪.‬‬

‫اآلن ولالنتهاء من تعريف المتغير الجديد "الفئة_العمرية"‪ ،‬قم بتعريف القيم ‪ ،2 ،1‬و‪ 3‬في عامود القيم (‪)Values‬‬
‫في نافذة المتغيرات (‪ )Variable View‬للمستويات الثالثة؛ (أقل من ‪( ،)30‬من ‪ 30‬إلى ‪ ،)50‬و(‪ 51‬فأكثر)‪.‬‬

‫من جديد‪ ،‬وبنفس الكيفية‪ ،‬سنقوم بتعريف متغير جديد لتحويل متغير "فيتامين_دال" إلى متغير وصفي ذو ثالثة‬
‫مستويات‪ .‬في نافذة إعادة ترميز في متغير مختلف‪ )Recode into Different Variables( 1‬سنقوم باختيار‬
‫المخرج ( ‪Output‬‬
‫المتغير "فيتامين_دال"‪ ،‬ونقله إلى مربع المتغيرات (‪ .)Numeric Variable‬وفي خانة المتغير ُ‬
‫‪ ) Variable‬إلى اليمين‪ ،‬نقوم بتسمية المتغير الجديد باالسم "مستويات_فيتامين_دال" وكتابة "مستويات فيتامين‬
‫دال" في مربع الوصف (‪ ،)Label‬ثم نضغط على أمر تغيير (‪ ،)Change‬فنالحظ حدوث هذا التغيير في مربع‬
‫المتغيرات حيث سيظهر فيها النص "فيتامين_دال ‪ <--‬مستويات_فيتامين_دال"‪.‬‬

‫بعد ذلك نقوم بتعريف قيم المتغير الجديد فنقوم باختيار أمر تعريف القيم القديمة والجديدة ( ‪Old and New‬‬
‫‪ )Values‬ثم تعيين القيمة األولى وهي ‪ ،1‬والتي تشمل كل معدالت فيتامين دال التي هي أقل من ‪ 30‬نانومول‪،‬‬
‫في الخيار المدى‪ ،‬القيمة فأقل (‪ ،)Range, LOWEST through value‬ونكتب القيمة ‪ 1‬في خانة القيمة‬
‫الجديدة (‪ ،)New Value‬ثم نكتب القيمة ‪( ،29‬وهي القيمة األقل من ‪ 30‬نانومول مباشرة)‪ ،‬ثم نضغط إضافة‬
‫(‪.)Add‬‬

‫عند استخدام األوامر في برنامج ‪ SPSS‬بصورة متتالية في نفس الجلسة لملف بيانات ما‪ ،‬فإنك ستالحظ وجود الخيارات واإلعدادات‬ ‫‪1‬‬

‫التي قمت بها موجودة كما هي‪ ،‬وهذه الخاصية قد تكون مفيدة في كثير من األحيان عندما تقوم بتكرار تحليل إحصائي معين واجراء‬
‫تغييرات محددة‪ ،‬أما في حاالت أخرى‪ ،‬مثل المثال الحالي‪ ،‬فإننا نكون بحاجة إللغاء ما تم تعريفه للمتغير السابق وكتابة التعريفات‬
‫الجديدة‪.‬‬

‫‪124‬‬
‫لتعيين القيمة الثانية‪ ،‬وهي القيمة ‪ 2‬للتصنيف الثاني وهي المعدالت من ‪ 30‬إلى ‪ 75‬نانومول‪ ،‬نكتب القيمة ‪ 2‬في‬
‫خانة القيمة الجديدة (‪ )New Value‬ثم نضغط على الخيار المدى (‪ )Range‬فتظهر خانتان فارغتان أسفل منه‪.‬‬
‫يتم إدخال القيمة ‪ 30‬في الخانة العليا والقيمة ‪ 75‬في الخانة السفلى والضغط على (‪.)Add‬‬

‫ولتعيين القيمة الثالثة‪ ،‬وهي القيمة ‪ 3‬للتصنيف الثالث‪ ،‬وهي معدالت فيتامين دال التي هي أكثر من ‪ 75‬نانومول‪،‬‬
‫نكتب القيمة ‪ 3‬في خانة القيمة الجديدة (‪ )New Value‬ثم نضغط على الخيار المدى‪ ،‬القيمة فأكبر من ( ‪Range,‬‬
‫‪ )value through HIGHEST‬ونكتب فيه القيمة ‪ ،76‬ثم نضغط على (‪ .)Add‬وبعد االنتهاء من تعيين كل‬
‫القيم المحددة للتصنيفات السابقة نضغط على استمرار (‪ .)Continue‬سنعود بعد ذلك للنافذة السابقة‪( ،‬شكل‬
‫(‪ ،))19.4‬نقوم بعدها بالضغط على موافق فيظهر المتغير الجديد "مستويات_فيتامين_دال" في نافذة عرض‬
‫البيانات في ملف البيانات "فيتامين دال"‪ ،‬ولالنتهاء من تعريف المتغير الجديد "مستويات_فيتامين_دال"‪ ،‬قم بتعريف‬
‫القيم ‪ ،2 ،1‬و‪ 3‬في عامود القيم (‪ )Values‬في نافذة المتغيرات (‪ )Variable View‬للمستويات الثالثة؛ (أقل‬
‫من ‪( ،)30‬من ‪ 30‬إلى ‪ )75‬و(أكثر من ‪ ،)75‬ويكون الشكل النهائي لملف البيانات "فيتامين دال"‪ ،‬شكل (‪.)21.4‬‬

‫شكل ‪ :21.4‬ملف البيانات "فيتامين دال" بعد تعريف المتغيرين الجديدين "الفئة_العمرية"‬
‫و"مستويات_فيتامين_دال"‪.‬‬

‫بعد أن تم تحويل المتغيران الكميان "العمر" و"فيتامين_دال" في ملف البيانات "فيتامين دال" إلى متغيرين وصفيين‬
‫رتبيين‪ ،‬سنقوم اآلن بتكوين جدول االقتران لهما؛‬

‫قم في شريط األدوات العلوي باختيار ‪ ،Analyze>Descriptive Statistics>Crosstabs‬فتظهر النافذة‬

‫الخاصة بتكوين الجداول المشتركة (‪ .)Crosstabs‬في تلك النافذة‪ ،‬قم بنقل المتغير "الفئة العمرية" إلى مربع‬
‫الصفوف ()‪ ،)Row(s‬ونقل المتغير "مستويات_فيتامين_دال " إلى مربع األعمدة ()‪.)Column(s‬‬

‫‪125‬‬
‫اضغط في تلك النافذة على خيار الخاليا (‪ )Cells‬وقم باختيار إظهار النسب للصفوف واألعمدة والمجموع في‬
‫مربع النسب (‪ ،)Percentages‬ثم اضغط استمرار للعودة للنافذة السابقة‪.‬‬

‫وفي تلك النافذة قم بإضافة تمثيل األعمدة البيانية بحسب التقسيمات للمتغيرين‪ ،‬وذلك باختيار عرض األعمدة‬
‫البيانية المصنفة (‪ )Display clustered bar charts‬في أسفل النافذة‪ .‬قم بعد ذلك بالضغط على موافق‪.‬‬

‫ستظهر بعد ذلك النتائج في نافذة المخرجات‪ ،‬بحيث يحتوي الجدول األول على عدد المشاهدات الفعلية والقيم‬
‫المفقودة ونسبها‪ .‬أما الجدول الثاني فهو جدول االقتران‪ ،‬والذي يظهر في جدول (‪ ،)15.4‬ومنه نستطيع مالحظة‬
‫أن النسبة األكثر برو از هي نسبة األشخاص األكبر سنا (‪ 15‬سنة فأكثر) الذين لديهم نقص حاد في معدل فيتامين‬
‫دال‪.)31.7%( ،‬‬

‫جدول ‪ :15.4‬جدول االقتران للمتغيرين "الفئة_العمرية" و"مستويات_فيتامين_دال" في ملف البيانات "فيتامين دال"‪.‬‬
‫فئات العمر * مستويات فيتامين دال ‪Crosstabulation‬‬
‫مستويات فيتامين دال‬
‫أقل من ‪30‬‬ ‫من ‪ 30‬إلى ‪75‬‬ ‫أكثر من ‪75‬‬ ‫‪Total‬‬
‫فئات‬ ‫أقل من ‪30‬‬ ‫‪Count‬‬ ‫‪7‬‬ ‫‪2‬‬ ‫‪7‬‬ ‫‪16‬‬
‫العمر‬
‫فئات العمر ‪% within‬‬ ‫‪43.8%‬‬ ‫‪12.5%‬‬ ‫‪43.8%‬‬ ‫‪100.0%‬‬
‫مستويات فيتامين ‪% within‬‬
‫‪21.9%‬‬ ‫‪14.3%‬‬ ‫‪50.0%‬‬ ‫‪26.7%‬‬
‫دال‬
‫‪% of Total‬‬ ‫‪11.7%‬‬ ‫‪3.3%‬‬ ‫‪11.7%‬‬ ‫‪26.7%‬‬
‫من ‪ 30‬إلى‬ ‫‪Count‬‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪5‬‬ ‫‪20‬‬
‫‪50‬‬
‫فئات العمر ‪% within‬‬ ‫‪30.0%‬‬ ‫‪45.0%‬‬ ‫‪25.0%‬‬ ‫‪100.0%‬‬
‫مستويات فيتامين ‪% within‬‬
‫‪18.8%‬‬ ‫‪64.3%‬‬ ‫‪35.7%‬‬ ‫‪33.3%‬‬
‫دال‬
‫‪% of Total‬‬ ‫‪10.0%‬‬ ‫‪15.0%‬‬ ‫‪8.3%‬‬ ‫‪33.3%‬‬
‫‪ 51‬فأكثر‬ ‫‪Count‬‬ ‫‪19‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪24‬‬
‫فئات العمر ‪% within‬‬ ‫‪79.2%‬‬ ‫‪12.5%‬‬ ‫‪8.3%‬‬ ‫‪100.0%‬‬
‫مستويات فيتامين ‪% within‬‬
‫‪59.4%‬‬ ‫‪21.4%‬‬ ‫‪14.3%‬‬ ‫‪40.0%‬‬
‫دال‬
‫‪% of Total‬‬ ‫‪31.7%‬‬ ‫‪5.0%‬‬ ‫‪3.3%‬‬ ‫‪40.0%‬‬
‫‪Total‬‬ ‫‪Count‬‬ ‫‪32‬‬ ‫‪14‬‬ ‫‪14‬‬ ‫‪60‬‬
‫فئات العمر ‪% within‬‬ ‫‪53.3%‬‬ ‫‪23.3%‬‬ ‫‪23.3%‬‬ ‫‪100.0%‬‬
‫مستويات فيتامين ‪% within‬‬
‫‪100.0%‬‬ ‫‪100.0%‬‬ ‫‪100.0%‬‬ ‫‪100.0%‬‬
‫دال‬
‫‪% of Total‬‬ ‫‪53.3%‬‬ ‫‪23.3%‬‬ ‫‪23.3%‬‬ ‫‪100.0%‬‬

‫كما يمكن‪ ،‬من األعمدة البيانية المصنفة للمتغيرين (شكل (‪ ،))22.4‬مالحظة ارتفاع هذه النسبة مقارنة بالنسب أو‬
‫التك اررات األخرى‪.‬‬

‫‪126‬‬
 ‫شكل ‪ :22.4‬األعمدة البيانية المصنفة للمتغيرين "الفئة_العمرية" و"مستويات_فيتامين_دال" في ملف البيانات "فيتامين دال"‪.‬‬

‫‪ 3.3.4‬اختبار االستقاللية (‪)Test for Independency‬‬

‫ُيعد اختبار االستقاللية من االختبارات الهامة المستخدمة في دراسة العالقات بين المتغيرات الوصفية‪،‬‬
‫ويعرف أيضا باختبار بيرسون مربع كاي (‪ .)Pearson's Chi-Square Test‬وتُعرف‬ ‫باستخدام جداول االقتران‪ُ ،‬‬
‫إحصاءة االختبار الخاصة به‪ ،‬والتي تتبع توزيع مربع كاي بدرجات حرية تساوي ()‪ ،)(r-1)(c-1‬بالصورة؛‬

‫𝑐𝑟‬
‫‪(𝑜𝑖 − 𝑒𝑖 )2‬‬
‫‪𝜒𝑐2‬‬ ‫∑=‬
‫𝑖𝑒‬
‫‪𝑖=1‬‬

‫مجموع العامود× مجموع الصف‬

‫= 𝑖𝑒 هو التكرار المتوقع للخلية‪=r ،‬عدد‬ ‫حيث 𝑖𝑜 هو التكرار المشاهد في الخلية‪،‬‬
‫المجموع الكلي‬

‫الصفوف‪ ،‬و ‪=c‬عدد األعمدة‪.‬‬

‫ويتم في اختبار االستقاللية اختبار الفرضية الصفرية؛ توجد استقاللية بين المتغيرين (الصفوف واألعمدة) ‪،H0:‬‬
‫وبالتالي فإن رفض الفرضية الصفرية يعني وجود عالقة ذات معنوية بين بعض أو كل مستويات المتغيرين في‬
‫جدول االقتران‪.‬‬

‫وقبل البدء في تنفيذ اختبار االستقاللية‪ ،‬سنعرف بعض المقاييس اإلحصائية التي تستخدم كمقاييس إضافية لدراسة‬
‫االرتباط بين متغيري جدول االقتران‪ ،‬والتي تعتمد على قيمة إحصاء مربع كاي في حسابها‪ ،‬وتسمى مقاييس‬
‫الترابط بناء على مربع كاي (‪)Measures of Association based on Chi-Square‬؛‬

‫‪127‬‬
 ‫‪ 1.3.3.4‬معامل فاي (‪)Phi Coefficient‬‬

‫يعرف معامل فاي لالرتباط بالصورة التالية‪:‬‬

‫‪𝜒𝑐2‬‬
‫√=𝜑‬
‫𝑛‬

‫حيث ‪ 𝜒𝑐2‬هي قيمة إحصاءة مربع كاي المحسوبة من جدول االقتران‪ ،‬و ‪ n‬هو عدد المشاهدات (التك اررات) الكلي‬
‫في جدول االقتران‪ .‬وكلما اقتربت قيمة 𝜑 من الصفر كلما دل ذلك على ضعف العالقة بين المتغيرين الوصفيين‪،‬‬
‫وبالمقابل كلما اقتربت من الواحد الصحيح كلما دل ذلك على قوة العالقة‪.‬‬

‫‪ 2.3.3.4‬معامل االقتران (‪)Contingency Coefficient‬‬

‫معامل االقتران‪ ،‬والذي ُيعرف أيضا بمعامل االقتران لبيرسون ( ‪Pearson's Contingency‬‬
‫‪ ،)Coefficient‬هو أيضا أحد المقاييس التي تستخدم لقياس درجة العالقة بين متغيري جدول االقتران‪ ،‬ويعتمد‬
‫ويعرف بالصورة‪:‬‬
‫أيضا مثل معامل فاي على إحصاءة مربع كاي‪ُ ،‬‬

‫‪𝜒𝑐2‬‬
‫√=𝐶‬
‫‪𝑛 + 𝜒𝑐2‬‬

‫حيث ‪ 𝜒𝑐2‬هي قيمة إحصاءة مربع كاي ‪ ،‬و ‪ n‬هو عدد التك اررات الكلي في جدول االقتران‪ .‬وينطبق عليه ما ينطبق‬
‫على معامل كاي في التعليق على قيمته المحسوبة‪ .‬ويمكننا أيضا مالحظة العالقة بين صيغتي كل من المعاملين‬
‫كالتالي‪:‬‬

‫‪𝜑2‬‬
‫√=𝐶‬
‫‪1 + 𝜑2‬‬

‫‪ 3.3.3.4‬معامل كرامر ‪)Cramer's V Coefficient( V‬‬

‫ُيعرف معامل كرامر ‪ ،V‬والذي يعتمد هو اآلخر في حسابه على إحصاءة مربع كاي‪ ،‬بالصورة التالية‪:‬‬

‫‪𝜒𝑐2‬‬
‫√=𝑉‬
‫𝑘𝑛‬

‫حيث ‪ 𝜒𝑐2‬هي قيمة إحصاءة مربع كاي‪ n ،‬هو عدد التك اررات الكلي في جدول االقتران‪ ،‬و ‪ k‬هو الحد األدنى لعدد‬
‫الصفوف وعدد األعمدة في جدول االقتران‪ ،‬أي أن (‪ .k =Min.(r,c‬ويكون التعليق على قيمته كما هو الحال مع‬

‫‪128‬‬
‫المعاملين السابقين‪ ،‬معامل فاي ومعامل االقتران‪ .‬ويمكن مالحظة العالقة بين صيغتي كل من معامل كرامر‬
‫ومعامل فاي كالتالي‪:‬‬

‫‪𝜑2‬‬
‫√=𝑉‬
‫𝑘‬

‫‪ 4.3.3.4‬معامل كندل تاو (‪)Kendall's Tau Coefficient‬‬

‫وهو معامل ُيستخدم أيضا لحساب االرتباط بين متغيرين وصفيين‪ ،‬إال أنه يتميز تحديدا بالتعامل مع‬
‫المتغيرات الوصفية الرتبية‪ .‬وتتوفر لهذا المعامل ثالثة صيغ بحسب طبيعة جدول االقتران سنتناولها فيما يلي‪:‬‬

‫‪ ‬معامل كندل تاو ‪)Kendall's Tau-B( B‬‬

‫ويستخدم عادة في جداول االقتران المربعة‪( ،‬التي تتساوى فيها عدد مستويات الصفوف واألعمدة)‪ .‬وتُعرف‬
‫صيغة المعامل بالصورة‪:‬‬

‫𝑄‪𝑃−‬‬
‫= 𝑏𝜏‬
‫)‪𝑛(𝑛 − 1‬‬
‫‪2‬‬

‫حيث ‪ n‬هو عدد التك اررات الكلي في جدول االقتران‪ ،‬و 𝑃 و 𝑄 هما عدد األزواج (من الخاليا) المتوافقة‬
‫(‪ )Concordant‬وغير المتوافقة (‪ )Discordant‬على الترتيب‪ .‬ولتوضيح كيفية حساب هاتين القيمتين من جداول‬
‫االقتران ذات الحجم ‪ ،2×2‬أي التي تحتوي على صفين وعامودين‪( ،‬حيث أن حساب القيمتين من الجداول األكبر‬
‫حجما يكون أكثر تعقيدا باستخدام الحل اليدوي)‪ ،‬اعتبر جدول االقتران ذو القيم االفتراضية التالي‪( ،‬جدول (‪))16.4‬؛‬

‫جدول ‪ :16.4‬جدول اقتران ‪ 2×2‬افتراضي‪.‬‬

‫المتغير األول‬ ‫لهذا الجدول‪ ،‬يتم حساب قيم كل من 𝑃 و 𝑄 بالصورة التالية‪:‬‬
‫المستوى‪1‬‬ ‫المستوى‪2‬‬
‫𝑐×𝑏= 𝑃 و 𝑑×𝑎= 𝑄‬
‫المستوى‪1‬‬ ‫‪a‬‬ ‫‪b‬‬
‫المتغير الثاني‬
‫المستوى‪2‬‬ ‫‪c‬‬ ‫‪d‬‬

‫‪ ‬معامل كندل تاو ‪ B‬مع التصحيح في حالة التساوي (‪)Kendall's Tau-B with correction for ties‬‬

‫وهو نفس المعامل السابق مع إضافة تصحيح في الحسابات للخاليا عند تساوي قيم 𝑃 و 𝑄‪.‬‬

‫‪129‬‬
 ‫‪ ‬معامل كندل تاو ‪)Kendall's Tau-C( C‬‬

‫ويستخدم هذا المعامل في جداول االقتران غير المربعة‪ ،‬أي التي يكون فيها عدد الصفوف وعدد األعمدة‬
‫غير متساوي‪ ،‬ويأخذ الصيغة التالية‪:‬‬

‫𝑄‪𝑃−‬‬
‫= 𝑐𝜏‬
‫)𝑐 ‪𝑛2 (min(𝑟, 𝑐) − 1)2 min(𝑟,‬‬

‫حيث )𝑐 ‪ min(𝑟,‬هي القيمة األقل للصفوف واألعمدة‪.‬‬

‫وكما هو الحال مع معامالت االرتباط السابقة‪ ،‬فإن القيمة األعلى لمعامل كندل‪ ،‬أي األقرب للواحد الصحيح‪ ،‬تكون‬
‫مؤش ار على قوة العالقة بين المتغيرين‪ ،‬ونظ ار لوجود امكانية أن تكون 𝑄 < 𝑃 فإن معامل كندل قد يأخذ القيمة‬
‫السالبة‪ ،‬وهذا يكون مؤش ار على وجود عالقة عكسية بين المتغيرين‪.‬‬

‫‪ 5.3.3.4‬معامل جاما (‪)Gamma Coefficient‬‬

‫يعتمد معامل جاما لالرتباط بين متغيري جدول االقتران على قيم 𝑃 و 𝑄 أيضا مثل معامل كندل‪ ،‬وتُعرف‬
‫صيغته كالتالي‪:‬‬

‫𝑄‪𝑃−‬‬
‫=𝛾‬
‫𝑄‪𝑃+‬‬

‫وتكون قيمته محصورة بين ‪ -1‬و‪ 1‬كما هو الحال مع معامل كندل‪.‬‬

‫اآلن سنقوم بشرح خطوات تنفيذ اختبار االستقاللية لجداول االقتران مع حساب معامالت االرتباط السابقة‪ ،‬ولنستخدم‬
‫ملف البيانات األخير؛ "فيتامين دال"‪ .‬في هذا الملف‪ ،‬سنبدأ باختبار العالقة بين المتغيرين "مستويات_فيتامين_دال"‬
‫و"الفئة_العمرية"‪.‬‬

‫في شريط األدوات العلوي قم باختيار ‪ ،Analyze>Descriptive Statistics>Crosstabs‬فتظهر النافذة‬

‫الخاصة بتكوين الجداول المشتركة (‪ .)Crosstabs‬في تلك النافذة‪ ،‬قم بنقل المتغير "الفئة العمرية" إلى مربع‬
‫الصفوف ()‪ ،)Row(s‬ونقل المتغير "مستويات_فيتامين_دال " إلى مربع األعمدة ()‪.)Column(s‬‬

‫اآلن قم بالضغط على خيار اإلحصاءات (‪ )Statistics‬في يمين النافذة‪ ،‬فتظهر نافذة جديدة‪( ،‬شكل (‪،))23.4‬‬
‫خاصة باختيار اختبار مربع كاي لالستقاللية ومعامالت االرتباط المتعلقة بجداول االقتران‪ .‬والحظ أننا قمنا في‬
‫تلك النافذة باختيار اختبار مربع كاي‪ ،‬ومعامل االقتران ومعاملي فاي وكرامر ‪ V‬ومعاملي كندل تاو ‪ B‬و ‪.C‬‬

‫‪130‬‬
‫نضغط بعد تلك االختيارات استمرار (‪ )Continue‬للعودة للنافذة األصلية‪ .‬والحظ أننا لن نقوم باختيار إظهار‬
‫نسب الخاليا ونسب مجاميع الصفوف واألعمدة من خيار الخاليا (‪ )Cells‬ألنه قد سبق التطرق لها‪ .‬اآلن اضغط‬
‫موافق في النافذة األصلية للحصول على النتائج المطلوبة‪.‬‬

‫شكل ‪ :23.4‬نافذة اختيار اختبار االستقاللية ومعامالت االرتباط‬

‫لجداول االقتران‪.‬‬

‫ستظهر في نافذة المخرجات أربعة جداول؛ الجدول األول يمثل عدد المشاهدات الفعلية والقيم المفقودة ونسبها‪،‬‬
‫والجدول الثاني هو جدول االقتران للمتغيرين "مستويات_فيتامين_دال" و"الفئة_العمرية"‪ ،‬والجدول الثالث‪( ،‬جدول‬
‫(‪ ،))17.4‬يضم نتائج اختبار مربع كاي لالستقاللية‪ ،‬والحظ من الصف األول من الجدول أن ‪𝜒𝑐2 = 16.552‬‬
‫وأن القيمة االحتمالية (‪ )P-value = 0.002‬وهذا يدفعنا لرفض الفرضية الصفرية القائلة بوجود استقاللية بين‬
‫المتغيرين (الصفوف واألعمدة)‪ ،‬واالستدالل بوجود عالقة ذات أهمية بين معدالت فيتامين دال وأعمار األشخاص‬
‫في العموم‪ .‬وبربط هذه النتيجة مع ما توصلنا له من جدول (‪ )15.4‬وشكل (‪ ،)22.4‬نستطيع تأكيد انخفاض‬
‫معدالت فيتامين دال لدى األشخاص في الفئة العمرية ‪ 51‬سنة فأكبر‪.‬‬

‫جدول ‪ :17.4‬نتيجة اختبار مربع كاي لالستقاللية للمتغيرين "مستويات_فيتامين_دال"‬

‫و"الفئة_العمرية" لملف البيانات "فيتامين دال"‪.‬‬
‫‪Chi-Square Tests‬‬

‫‪Asymptotic‬‬
‫‪Significance (2-‬‬
‫‪Value‬‬ ‫‪df‬‬ ‫)‪sided‬‬
‫‪Pearson Chi-Square‬‬ ‫‪16.552a‬‬ ‫‪4‬‬ ‫‪.002‬‬
‫‪Likelihood Ratio‬‬ ‫‪16.285‬‬ ‫‪4‬‬ ‫‪.003‬‬
‫‪Linear-by-Linear Association‬‬ ‫‪7.956‬‬ ‫‪1‬‬ ‫‪.005‬‬
‫‪N of Valid Cases‬‬ ‫‪60‬‬
‫‪a. 4 cells (44.4%) have expected count less than 5. The minimum expected count is 3.73.‬‬

‫‪131‬‬
‫والمالحظة الموجودة في أسفل الجدول هي للتنبيه بوجود ‪ 4‬تك اررات متوقعة (‪ )ei‬قيمها أقل من ‪ 5‬في حساب قيمة‬
‫إحصاءة مربع كاي‪.‬‬

‫أما الجدول الرابع في نافذة المخرجات‪( ،‬جدول (‪ ،))18.4‬فيضم النتائج الخاصة بقيم معامالت االرتباط الخاصة‬
‫بجدول االقتران للمتغيرين المعنيين‪ .‬وبالنظر إلى قيم االحتمالية (‪ )P-value‬لكل المعامالت‪ ،‬نجد أن جميعها أقل‬
‫من ‪ 0.05‬وبالتالي نستطيع القول بوجود عالقة ذات معنوية عالية بين معدالت فيتامين دال والفئة العمرية‪ .‬والحظ‬
‫ارتفاع قيم بعض المعامالت مثل معامل فاي ومعامل االقتران‪ ،‬والحظ أيضا اإلشارة السالبة لمعامالت كندل مما‬
‫يدل على وجود عالقة عكسية بين المتغيرين‪.‬‬

‫جدول ‪ :18.4‬معامالت االرتباط لجدول االقتران للمتغيرين "مستويات_فيتامين_دال" و"الفئة_العمرية"‪ ،‬للملف "فيتامين دال"‪.‬‬
‫‪Symmetric Measures‬‬
‫‪Asymptotic‬‬
‫‪Approximate‬‬
‫‪Value‬‬ ‫‪Standardized‬‬ ‫‪Approximate Tb‬‬
‫‪Significance‬‬
‫‪Errora‬‬
‫‪Phi‬‬ ‫‪.525‬‬ ‫‪.002‬‬
‫‪Nominal by‬‬
‫‪Cramer's V‬‬ ‫‪.371‬‬ ‫‪.002‬‬
‫‪Nominal‬‬
‫‪Contingency Coefficient‬‬ ‫‪.465‬‬ ‫‪.002‬‬
‫‪Ordinal by‬‬ ‫‪Kendall's tau-b‬‬ ‫‪-.347‬‬ ‫‪.114‬‬ ‫‪-3.020‬‬ ‫‪.003‬‬
‫‪Ordinal‬‬ ‫‪Kendall's tau-c‬‬ ‫‪-.329‬‬ ‫‪.109‬‬ ‫‪-3.020‬‬ ‫‪.003‬‬
‫‪N of Valid Cases‬‬ ‫‪60‬‬
‫‪a. Not assuming the null hypothesis.‬‬
‫‪b. Using the asymptotic standard error assuming the null hypothesis.‬‬

‫‪ 4.3.4‬اختبار االستقاللية باستخدام متغيرات تصنيف إضافية‬

‫(‪)Test for Independency using additional Classification Variables‬‬

‫في بعض الدراسات‪ ،‬قد نكون بحاجة لتحليل العالقة بين متغيرين وصفيين بوجود متغير ثالث أو أكثر‬
‫يتضمن‪/‬تتضمن مستويات يمكن تصنيف العالقة بين المتغيرين األساسيين بناء عليها‪ ،‬ولتوضيح الفكرة لنعد لملف‬
‫البيانات "فيتامين دال" مرة أخرى‪ ،‬حيث أننا سنقوم اآلن باختبار العالقة بين المتغيرين "مستويات_فيتامين_دال"‬
‫و"الفئة_العمرية" بناء على تصنيف الشخص ذكر كان أم أنثى‪ ،‬وأهمية هذه الخطوة تكمن في التحقق من أنه إذا‬
‫ما وجدت عالقة قوية بين المتغيرين األساسيين فهل للمتغير الثالث "أثر" على تلك العالقة أم ال‪.‬‬

‫في شريط األدوات العلوي قم باختيار ‪ ،Analyze>Descriptive Statistics>Crosstabs‬فتظهر النافذة‬

‫الخاصة بتكوين الجداول المشتركة (‪ .)Crosstabs‬في تلك النافذة‪( ،‬شكل (‪ ،))24.4‬قم بنقل المتغير "الفئة العمرية"‬
‫إلى مربع الصفوف ()‪ ،)Row(s‬ونقل المتغير "مستويات_فيتامين_دال" إلى مربع األعمدة ()‪ )Column(s‬كما‬
‫نفذناه سابقا‪ ،‬ولتعريف المتغير الثالث‪ ،‬متغير "النوع"‪ ،‬قم بنقل هذا المتغير إلى مربع الطبقات (‪)Layer 1 of 1‬‬
‫في أسفل النافذة كما هو موضح في الشكل‪.‬‬

‫‪132‬‬
 ‫شكل ‪ :24.4‬تعريف متغير تصنيف إضافي في النافذة الخاصة بتكوين جداول االقتران‪.‬‬

‫وننوه هنا إلى أنه يمكن إضافة أكثر من متغير تصنيف في هذا المربع باستخدام زر التالي (‪ )Next‬الظاهر في‬
‫النافذة إذا ما تتطلب األمر‪ ،‬إال أنه في مثالنا الحالي لدينا متغير تصنيف إضافي واحد فقط وهو "النوع"‪.‬‬

‫في خيار اإلحصاءات (‪ )Statistics‬قم باختيار اختبار مربع كاي‪ ،‬ومعمل االقتران ومعاملي فاي وكرامر ‪V‬‬
‫ومعاملي كندل تاو ‪ B‬و‪ C‬ثم اضغط استمرار‪ .‬وفي نافذة جدول االقتران‪( ،‬شكل (‪ ،))24.4‬قم من جديد بالنقر‬
‫على خيار الخاليا (‪ )Cells‬وتأكد من عدم اختيار إظهار النسب لعدم الحاجة لها حاليا‪ ،‬ثم اضغط استمرار وفي‬
‫النافذة األصلية اختر عرض األعمدة البيانية المصنفة (‪ ،)Display clustered bar charts‬ثم اضغط موافق‪.‬‬

‫في نافذة المخرجات‪ ،‬نالحظ أن جدول االقتران‪( ،‬جدول (‪ ،))19.4‬قد تم تقسيمه بحسب الذكور (القسم األول من‬
‫الجدول)‪ ،‬واإلناث (القسم الثاني)‪ ،‬والكل (القسم الثالث)‪.‬‬

‫ويمكن من هذا الجدول مراقبة التك اررات‪( ،‬أو النسب إذا ما أردنا)‪ ،‬للذكور على حده أو اإلناث‪ .‬إال أنه من عيوب‬
‫هذا التقسيم أن بعض الخاليا ستكون فيها التك اررات مساوية للصفر وخاصة في العينات الصغيرة كما هو الحال‬
‫في جدولنا الحالي‪.‬‬

‫وأهم ما ُيالحظ في الجدول (‪ )19.4‬أن التكرار األعلى للذكور (‪ )10‬كان للذكور الذين أعمارهم ‪ 51‬سنة فأكثر‬
‫ومستوى فيتامين دال لديهم أقل من ‪ 30‬نانومول‪ .‬وأما بالنسبة لإلناث‪ ،‬فمعدالت الفيتامين التي تقل عن ‪ 30‬نانومول‬
‫كانت متوزعة بصورة متقاربة للفئات العمرية الثالثة‪.‬‬

‫‪133‬‬
 "‫ جدول االقتران للمتغيرين "مستويات_فيتامين_دال" و"الفئة_العمرية" باستخدام متغير "النوع‬:19.4 ‫جدول‬
.)"‫ (ملف البيانات "فيتامين دال‬،‫كمتغير تصنيف‬
Crosstabulation ‫فئات العمر * مستويات فيتامين دال * النوع‬
Count
‫مستويات فيتامين دال‬
‫النوع‬ 30 ‫أقل من‬ 75 ‫ إلى‬30 ‫من‬ 75 ‫أكثر من‬ Total
‫ذكر‬ ‫فئات‬ 30 ‫أقل من‬ 0 0 6 6
‫العمر‬ 50 ‫ إلى‬30 ‫من‬ 0 5 5 10
‫ فأكثر‬51 10 3 2 15
Total 10 8 13 31
‫أنثى‬ ‫فئات‬ 30 ‫أقل من‬ 7 2 1 10
‫العمر‬ 50 ‫ إلى‬30 ‫من‬ 6 4 0 10
‫ فأكثر‬51 9 0 0 9
Total 22 6 1 29
Total ‫فئات‬ 30 ‫أقل من‬ 7 2 7 16
‫العمر‬ 50 ‫ إلى‬30 ‫من‬ 6 9 5 20
‫ فأكثر‬51 19 3 2 24
Total 32 14 14 60

‫ فنالحظ فيه ما يلي؛‬،))20.4( ‫ (جدول‬،‫أما الجدول التالي في نافذة المخرجات‬

"‫ نتيجة اختبار مربع كاي لالستقاللية للمتغيرين "مستويات_فيتامين_دال" و"الفئة_العمرية‬:20.4 ‫جدول‬
.)"‫ (ملف البيانات "فيتامين دال‬،‫باستخدام متغير "النوع" كمتغير تصنيف‬
Chi-Square Tests
Asymptotic
‫النوع‬ Value df
Significance (2-sided)
b
‫ذكر‬ Pearson Chi-Square 22.584 4 .000
Likelihood Ratio 27.207 4 .000
Linear-by-Linear Association 15.888 1 .000
N of Valid Cases 31
‫أنثى‬ Pearson Chi-Square 6.635c 4 .156
Likelihood Ratio 8.300 4 .081
Linear-by-Linear Association 2.627 1 .105
N of Valid Cases 29
Total Pearson Chi-Square 16.552a 4 .002
Likelihood Ratio 16.285 4 .003
Linear-by-Linear Association 7.956 1 .005
N of Valid Cases 60
a. 4 cells (44.4%) have expected count less than 5. The minimum expected count is 3.73.
b. 8 cells (88.9%) have expected count less than 5. The minimum expected count is 1.55.
c. 6 cells (66.7%) have expected count less than 5. The minimum expected count is .31.

134
‫من الصف األول في القسم األول من الجدول‪ ،‬الخاص بالذكور‪ ،‬نرى أن ‪ 𝜒𝑐2 = 22.584‬وأن القيمة االحتمالية‬
‫(‪ )P-value = 0‬وهذا يدفعنا لرفض الفرضية الصفرية؛ توجد استقاللية بين المتغيرين (للذكور) ‪ ،H0:‬والقول بوجود‬
‫عالقة ذات أهمية بين معدالت فيتامين دال وأعمار الرجال في العموم‪ .‬ومن الصف األول في القسم الثاني من‬
‫الجدول‪ ،‬الخاص باإلناث‪ ،‬نرى أن ‪ 𝜒𝑐2 = 6.635‬وأن القيمة االحتمالية (‪ )P-value = 0.156‬وهذا يدفعنا لقبول‬
‫الفرضية الصفرية؛ توجد استقاللية بين المتغيرين (لإلناث) ‪ ، H0:‬والقول بعدم وجود عالقة بين معدالت فيتامين‬
‫دال وأعمار النساء في العموم‪ .‬وتتأكد هذه النتائج من خالل حساب معامالت االرتباط في جدول (‪.)21.4‬‬

‫جدول ‪ :21.4‬معامالت االرتباط لجدول االقتران للمتغيرين "مستويات_فيتامين_دال" و"الفئة_العمرية" باستخدام متغير "النوع"‬
‫كمتغير تصنيف‪( ،‬ملف البيانات "فيتامين دال")‪.‬‬
‫‪Symmetric Measures‬‬
‫‪Asymptotic‬‬
‫‪Standardized‬‬ ‫‪Approximate‬‬ ‫‪Approximate‬‬
‫النوع‬ ‫‪Value‬‬ ‫‪Errora‬‬ ‫‪Tb‬‬ ‫‪Significance‬‬
‫ذكر‬ ‫‪Phi‬‬ ‫‪.854‬‬ ‫‪.000‬‬
‫‪Nominal by‬‬ ‫‪Cramer's V‬‬ ‫‪.604‬‬ ‫‪.000‬‬
‫‪Nominal‬‬ ‫‪Contingency‬‬
‫‪.649‬‬ ‫‪.000‬‬
‫‪Coefficient‬‬
‫‪Ordinal by‬‬ ‫‪Kendall's tau-b‬‬ ‫‪-.694‬‬ ‫‪.089‬‬ ‫‪-7.148‬‬ ‫‪.000‬‬
‫‪Ordinal‬‬ ‫‪Kendall's tau-c‬‬ ‫‪-.665‬‬ ‫‪.093‬‬ ‫‪-7.148‬‬ ‫‪.000‬‬
‫‪N of Valid Cases‬‬ ‫‪31‬‬
‫أنثى‬ ‫‪Phi‬‬ ‫‪.478‬‬ ‫‪.156‬‬
‫‪Nominal by‬‬ ‫‪Cramer's V‬‬ ‫‪.338‬‬ ‫‪.156‬‬
‫‪Nominal‬‬ ‫‪Contingency‬‬
‫‪.431‬‬ ‫‪.156‬‬
‫‪Coefficient‬‬
‫‪Ordinal by‬‬ ‫‪Kendall's tau-b‬‬ ‫‪-.269‬‬ ‫‪.136‬‬ ‫‪-1.797‬‬ ‫‪.072‬‬
‫‪Ordinal‬‬ ‫‪Kendall's tau-c‬‬ ‫‪-.203‬‬ ‫‪.113‬‬ ‫‪-1.797‬‬ ‫‪.072‬‬
‫‪N of Valid Cases‬‬ ‫‪29‬‬
‫‪Total‬‬ ‫‪Phi‬‬ ‫‪.525‬‬ ‫‪.002‬‬
‫‪Nominal by‬‬ ‫‪Cramer's V‬‬ ‫‪.371‬‬ ‫‪.002‬‬
‫‪Nominal‬‬ ‫‪Contingency‬‬
‫‪.465‬‬ ‫‪.002‬‬
‫‪Coefficient‬‬
‫‪Ordinal by‬‬ ‫‪Kendall's tau-b‬‬ ‫‪-.347‬‬ ‫‪.114‬‬ ‫‪-3.020‬‬ ‫‪.003‬‬
‫‪Ordinal‬‬ ‫‪Kendall's tau-c‬‬ ‫‪-.329‬‬ ‫‪.109‬‬ ‫‪-3.020‬‬ ‫‪.003‬‬
‫‪N of Valid Cases‬‬ ‫‪60‬‬
‫‪a. Not assuming the null hypothesis.‬‬
‫‪b. Using the asymptotic standard error assuming the null hypothesis.‬‬

‫حيث نالحظ من الجدول‪( ،‬في القسم األول)‪ ،‬أن جميع معامالت االرتباط للمتغيرين "مستويات_فيتامين_دال"‬
‫و"الفئة_العمرية" قيمها مرتفعة عند الذكور‪ ،‬إضافة لكونها ذات معنوية‪( ،‬كل القيم االحتمالية ‪ ،)P-value=0‬وهذا‬
‫يدل على وجود عالقة قوية بين المتغيرين عند الرجال‪.‬‬

‫أما عند النساء‪( ،‬في القسم الثاني من الجدول (‪ ،))21.4‬فالوضع على النقيض‪ ،‬إذ نالحظ أن جميع القيم االحتمالية‬
‫‪ ،P-value>0.05‬مما يدفعنا للقول بعدم وجود عالقة معنوية بين "مستويات_فيتامين_دال" و"الفئة_العمرية" عند‬
‫النساء‪.‬‬

‫‪135‬‬
‫وهذه النتائج يمكن مالحظتها بصورة مرئية من خالل األعمدة البيانية المصنفة لكل من الذكور واإلناث في الشكل‬
‫(‪.)25.4‬‬

‫شكل ‪ :25.4‬األعمدة البيانية المصنفة للمتغيرين "الفئة_العمرية" و"مستويات_فيتامين_دال" للذكور (إلى اليمين)‪ ،‬واإلناث (إلى‬
‫اليسار)‪( ،‬ملف البيانات "فيتامين دال")‪.‬‬

‫وكخالصة لما سبق من النتائج الخاصة بدراسة العالقة بين متغيري "مستويات_فيتامين_دال" و"الفئة_العمرية"‪،‬‬
‫(والتي تشمل جدول االقتران المتضمن للنسب‪ ،‬األعمدة البيانية المصنفة‪ ،‬اختبار االستقاللية‪ ،‬ومعامالت االرتباط‬
‫لجدول االقتران بوجود متغير تصنيف النوع)‪ ،‬نستطيع القول بوجود عالقة عكسية قوية بين معدالت فيتامين دال‬
‫وأعمار الرجال‪ ،‬حيث أن الرجال الذين اجتازوا الخمسين عاما هم أكثر عرضة لنقص فيتامين دال في أجسامهم‪.‬‬

‫‪ 4.4‬تحليل التباين ()‪)Analysis of Variance (ANOVA‬‬

‫ُيعد مفهوم تحليل التباين من المفاهيم الهامة واألساسية في نظرية االستدالل اإلحصائي‪ ،‬حيث أنه يعتمد‬
‫على مقارنة تساوي متوسطات عدة مجتمعات‪( ،‬ثالثة فأكثر)‪ ،‬من خالل تحليل االختالف بين تلك المتوسطات‪،‬‬
‫وهو ما ُيعرف بتحليل التباين في اتجاه واحد (‪ ،)One-way ANOVA‬أو تحليل االختالف بين المتوسطات‬
‫وداخل المجتمعات (أو المجموعات) معا‪ ،‬وهو ما ُيعرف بتحليل التباين في اتجاهين (‪.)Two-way ANOVA‬‬
‫وسنبدأ بشرح كيفية تنفيذ التحليل األول؛‬

‫‪ 1.4.4‬تحليل التباين في اتجاه واحد (‪)One-way ANOVA‬‬

‫سنستخد م ملف البيانات "معدالت الطلبة" لتوضيح كيفية تنفيذ تحليل التباين في اتجاه واحد في ‪،SPSS‬‬
‫حيث يمثل "معدل_الطالب" المتغير الرئيسي أو التابع في التحليل ويمثل "القسم_العلمي" متغير تقسيم المجموعات‬
‫والتي تمثل األقسام العلمية الثالثة؛ الرياضيات (‪ ،)MA‬اإلحصاء (‪ ،)ST‬والفيزياء (‪ .)PH‬وسيكون الهدف هو‬

‫‪136‬‬
 ‫التحقق من تجانس‪/‬اختالف المستوى الدراسي للطلبة في األقسام الثالثة‪ ،‬أي اختبار الفرضية الصفرية‪:‬‬
‫𝐻𝑃𝜇 = 𝑇𝑆𝜇 = 𝐴𝑀𝜇 ‪𝐻0 :‬‬

‫في شريط األوامر العلوي‪ ،‬قم باختيار ‪ ،Analyze>Compare Means>One-Way ANOVA‬فتظهر نافذة‬
‫تحليل التباين في اتجاه واحد (‪ )One-way ANOVA‬كما يوضح الشكل (‪ .)26.4‬قم في تلك النافذة بنقل‬
‫المتغير "معدل_الطالب" إلى المربع الخاص بالمتغير التابع (‪ )Dependent List‬ونقل المتغير "القسم_العلمي"‬
‫إلى المربع الخاص بمتغير التصنيف أو المجموعات (‪.)Factor‬‬

‫شكل ‪ :26.4‬نافذة تحليل التباين في اتجاه واحد لملف البيانات "معدالت الطلبة"‪.‬‬

‫اضغط على أمر الخيارات (‪ )Options‬فتظهر النافذة الفرعية التالية‪( ،‬شكل (‪ ،))27.4‬قم فيها باختيار عرض‬
‫المقاييس اإلحصائية الوصفية (‪ )Descriptive‬واختبار تساوي التباينات (‪)Homogeneity of variance test‬‬
‫والتمثيل البياني للمتوسطات (‪ ،)Means plot‬وهذه الخيارات في الواقع قد تم التطرق إليها في مواضع سابقة في‬
‫الكتاب إال أننا نقوم باختيارها هنا لتكون جزء مكمال لنتائج تحليل التباين‪ .‬بعد االنتهاء من اختيار ما سبق اضغط‬
‫استمرار للعودة للنافذة األصلية للتحليل‪.‬‬

‫حيث أننا نقوم حاليا باختبار تستت تتاوي ثالثة متوس ت تتطات‪ ،‬فمن‬
‫المتوقع أن تكون إما كلها متست تتاوية‪( ،‬وهذا ما ينتج عن قبول‬
‫الفرضية الصفرية الختبار تحليل التباين)‪ ،‬أو أن نرفض تلك‬
‫الفرض ت ت ت تتية الص ت ت ت تتفرية والذي س ت ت ت تتينتج عنه وجود متوس ت ت ت تتطان‬
‫متست ت تتاويان على األقل‪ ،‬بمعنى أننا في مثالنا الحالي ست ت تتنكون‬
‫بحاجة الختبار تس ت ت تتاوي المتوس ت ت تتطات في ثالثة حاالت هي؛‬

‫شكل ‪ :27.4‬نافذة الخيارات ضمن نافذة تحليل التباين‬

‫𝑇𝑆𝜇 = 𝐴𝑀𝜇 ‪ ،𝐻0 : 𝜇𝑀𝐴 = 𝜇𝑃𝐻 ، 𝐻0 :‬و= 𝑇𝑆𝜇 ‪𝐻0 :‬‬
‫في اتجاه واحد‪.‬‬ ‫𝐻𝑃𝜇‪ ،‬بمعنى اختبار تساوي المستوى الدراسي للطلبة في كل‬
‫قسمين على حده‪ ،‬وهو ما يتم باستخدام اختبار تساوي األوساط في مجتمعين كما شرحنا سابقا في هذا الفصل‪.‬‬

‫‪137‬‬
‫لذلك‪ ،‬وكخطوة استباقية‪ ،‬سنقوم باختيار تنفيذ هذه االختبارات "الفرعية" للحصول على معلومات إضافية تساعدنا‬
‫في الحكم النهائي على مدى تجانس المستوى الدراسي للطلبة في األقسام العلمية‪ .‬ولعمل ذلك قم باختيار خيار‬
‫سيظهر النافذة الفرعية التالية‪( ،‬شكل (‪))28.4‬؛‬
‫البعدي (‪ ،)Post Hoc‬والذي ُ‬
‫التحليل َ‬

‫البعدي في تحليل التباين في اتجاه واحد‪.‬‬

‫شكل ‪ :28.4‬نافذة التحليل َ‬

‫قم في تلك النافذة باختيار اختبارات المقارنة المتعددة لبونفيروني (‪ ،)Bonferroni‬ويمكن التحكم بمستوى المعنوية‬
‫المطلوب من مربع (‪ )Significance level‬في أسفل النافذة‪ ،‬وسنبقي هنا على مستوى المعنوية االفتراضي وهو‬
‫‪ .0.05‬قم بعدها بالضغط على استمرار للعودة للنافذة األصلية‪ ،‬وفي تلك النافذة اضغط موافق‪.‬‬

‫ستظهر بعد ذلك النتائج المطلوبة في نافذة المخرجات‪ ،‬والجدول األول في هذه النتائج‪( ،‬جدول (‪ ،))22.4‬يضم‬
‫القيم المحسوبة للمعدالت في كل قسم من األقسام الثالثة‪ ،‬وهذه القيم تشمل الوسط الحسابي‪ ،‬االنحراف المعياري‪،‬‬
‫الخطأ المعياري لتقدير الوسط الحسابي‪ ،‬فترة الثقة لتقدير الوسط الحسابي للمجتمع‪ ،‬والقيمة الصغرى والكبرى‬
‫للمعدالت‪ .‬وهذه المقاييس قد تم التعليق عليها في الفصل الثالث لنفس البيانات‪.‬‬

‫جدول ‪ :22.4‬بعض المقاييس اإلحصائية لمعدالت الطلبة في األقسام العلمية لملف البيانات "معدالت الطلبة"‪.‬‬
‫‪Descriptives‬‬
‫معدل الطالب‬

‫‪95% Confidence‬‬
‫‪Interval for Mean‬‬
‫‪Std.‬‬ ‫‪Lower‬‬ ‫‪Upper‬‬
‫‪N‬‬ ‫‪Mean‬‬ ‫‪Deviation‬‬ ‫‪Std. Error‬‬ ‫‪Bound‬‬ ‫‪Bound‬‬ ‫‪Minimum‬‬ ‫‪Maximum‬‬
‫‪MA‬‬ ‫‪30‬‬ ‫‪2.0027‬‬ ‫‪.67117‬‬ ‫‪.12254‬‬ ‫‪1.7520‬‬ ‫‪2.2533‬‬ ‫‪1.26‬‬ ‫‪3.67‬‬
‫‪ST‬‬ ‫‪30‬‬ ‫‪1.6463‬‬ ‫‪.25022‬‬ ‫‪.04568‬‬ ‫‪1.5529‬‬ ‫‪1.7398‬‬ ‫‪1.15‬‬ ‫‪2.18‬‬
‫‪PH‬‬ ‫‪30‬‬ ‫‪1.6857‬‬ ‫‪.21144‬‬ ‫‪.03860‬‬ ‫‪1.6067‬‬ ‫‪1.7646‬‬ ‫‪1.26‬‬ ‫‪2.31‬‬
‫‪Total‬‬ ‫‪90‬‬ ‫‪1.7782‬‬ ‫‪.45550‬‬ ‫‪.04801‬‬ ‫‪1.6828‬‬ ‫‪1.8736‬‬ ‫‪1.15‬‬ ‫‪3.67‬‬

‫‪138‬‬
‫والجدول الثاني في نافذة المخرجات‪( ،‬جدول (‪ ،))23.4‬يمثل نتيجة اختبار تجانس تباينات معدالت الطلبة في‬
‫األقسام العلمي ة الثالثة باستخدام اختبار ليفين‪ ،‬ومنه نستنتج وجود اختالف بين تباينات معدالت الطلبة‪P-( ،‬‬
‫‪.)value = 0‬‬

‫جدول ‪ : 23.4‬اختبار تجانس التباينات لليفن لمعدالت الطلبة في األقسام في‬

‫ملف البيانات "معدالت الطلبة"‪.‬‬
‫‪Test of Homogeneity of Variances‬‬
‫معدل الطالب‬
‫‪Levene Statistic‬‬ ‫‪df1‬‬ ‫‪df2‬‬ ‫‪Sig.‬‬
‫‪14.098‬‬ ‫‪2‬‬ ‫‪87‬‬ ‫‪.000‬‬

‫أما الجدول الثالث‪( ،‬جدول (‪ ،))24.4‬فيمثل النتيجة الرئيسية في هذا التحليل اإلحصائي وهو جدول تحليل التباين‬
‫في اتجاه واحد‪.‬‬

‫جدول ‪ :24.4‬جدول تحليل التباين في اتجاه واحد لمعدالت الطلبة في األقسام الثالثة في ملف‬
‫البيانات "معدالت الطلبة"‪.‬‬
‫‪ANOVA‬‬
‫معدل الطالب‬
‫‪Sum of‬‬
‫‪Squares‬‬ ‫‪df‬‬ ‫‪Mean Square‬‬ ‫‪F‬‬ ‫‪Sig.‬‬
‫‪Between Groups‬‬ ‫‪2.290‬‬ ‫‪2‬‬ ‫‪1.145‬‬ ‫‪6.159‬‬ ‫‪.003‬‬
‫‪Within Groups‬‬ ‫‪16.176‬‬ ‫‪87‬‬ ‫‪.186‬‬
‫‪Total‬‬ ‫‪18.466‬‬ ‫‪89‬‬

‫ومن هذا الجدول يمكننا الجزم بوجوب رفض الفرضية الصفرية القائلة بتساوي المتوسطات الثالثة‪( ،‬حيث أن القيمة‬
‫االحتمالية ‪ ،)P-value =0.003‬وهذا يدل على وجود متوسطان مختلفان على األقل‪( ،‬أي وجود قسمان على‬
‫األقل يختلف فيهما مستوى الطلبة الدراسي)‪ ،‬ضمن المتوسطات الثالثة‪ .‬وهذا يدفعنا إلجراء اختبارات المقارنة‬
‫المتعددة للمتوسطات في الجدول التالي‪ ،‬جدول (‪)25.4‬؛‬

‫جدول ‪ :25.4‬جدول اختبارات المقارنة المتعددة للمتوسطات في أقسام الرياضيات‪ ،‬اإلحصاء‪ ،‬والفيزياء في ملف‬
‫البيانات "معدالت الطلبة"‪.‬‬
‫‪Multiple Comparisons‬‬
‫‪Dependent‬‬ ‫معدل‬
‫‪Variable:‬‬ ‫الطالب‬
‫‪Bonferroni‬‬
‫‪Mean‬‬ ‫‪95% Confidence Interval‬‬
‫قسم الطالب )‪(I‬‬ ‫‪Difference‬‬ ‫‪Std. Error‬‬ ‫‪Sig.‬‬
‫‪Lower Bound‬‬ ‫‪Upper Bound‬‬
‫)‪(I-J‬‬
‫‪ST‬‬ ‫*‪.35633‬‬ ‫‪.11133‬‬ ‫‪.006‬‬ ‫‪.0846‬‬ ‫‪.6281‬‬
‫‪MA‬‬
‫‪PH‬‬ ‫*‪.31700‬‬ ‫‪.11133‬‬ ‫‪.017‬‬ ‫‪.0452‬‬ ‫‪.5888‬‬
‫‪MA‬‬ ‫*‪-.35633-‬‬ ‫‪.11133‬‬ ‫‪.006‬‬ ‫‪-.6281‬‬ ‫‪-.0846‬‬
‫‪ST‬‬
‫‪PH‬‬ ‫‪-.03933‬‬ ‫‪.11133‬‬ ‫‪1.000‬‬ ‫‪-.3111‬‬ ‫‪.2324‬‬
‫‪MA‬‬ ‫*‪-.31700-‬‬ ‫‪.11133‬‬ ‫‪.017‬‬ ‫‪-.5888‬‬ ‫‪-.0452‬‬
‫‪PH‬‬
‫‪ST‬‬ ‫‪.03933‬‬ ‫‪.11133‬‬ ‫‪1.000‬‬ ‫‪-.2324‬‬ ‫‪.3111‬‬
‫‪*. The mean difference is significant at the 0.05 level.‬‬

‫ومن هذا الجدول يتبين لنا ما يلي‪:‬‬

‫‪139‬‬
‫‪ .1‬وجود اختالف بين معدالت الطلبة في قسمي الرياضيات واإلحصاء‪ ،‬حيث أن القيمة االحتمالية الختبار‬
‫𝑇𝑆𝜇 = 𝐴𝑀𝜇 ‪ 𝐻0 :‬هي ‪ 0.006‬مما يدفعنا لرفض هذه الفرضية الصفرية‪.‬‬
‫‪ .2‬وجود اختالف بين معدالت الطلبة في قسمي الرياضيات والفيزياء أيضا‪ ،‬حيث أن القيمة االحتمالية‬
‫الختبار 𝐻𝑃𝜇 = 𝐴𝑀𝜇 ‪ 𝐻0 :‬هي ‪ 0.017‬مما يجعلنا نرفض الفرضية الصفرية‪.‬‬
‫‪ .3‬وجود تكافؤ بين معدالت الطلبة في قسمي اإلحصاء والفيزياء‪ ،‬حيث أن القيمة االحتمالية الختبار الفرضية‬
‫𝐻𝑃𝜇 = 𝑇𝑆𝜇 ‪ 𝐻0 :‬هي ‪ 1.00‬وبالتالي نقبل الفرضية الصفرية‪.‬‬

‫والنتيجة األخيرة في نافذة المخرجات‪،‬‬

‫شكل (‪ ،)29.4‬تُظهر التمثيل البياني‬
‫لمتوسطات المعدالت في األقسام‬
‫العلمية الثالثة‪ ،‬ونالحظ فيها بوضوح‬
‫مدى اختالف (ارتفاع) متوسط‬
‫معدالت الطلبة في قسم الرياضيات‬
‫عن قسمي اإلحصاء والفيزياء‪.‬‬

‫شكل ‪ :29.4‬التمثيل البياني لمتوسطات األقسام الثالثة‪.‬‬

‫‪ 2.4.4‬تحليل التباين في اتجاهين (‪)Two-way ANOVA‬‬

‫في تحليل التباين في اتجاه واحد‪ ،‬رأينا كيف أن االهتمام كان مترك از على دراسة االختالف بين عدة‬
‫مجموعات‪( ،‬والتي تكون عادة ممثلة بأعمدة البيانات)‪ ،‬أما في تحليل التباين في اتجاهين‪ ،‬فإنه إضافة الختبار‬
‫األعمدة واختبار الصفوف‪( ،‬كاتجاه واحد أيضا)‪ ،‬فإننا نقوم بدراسة تداخل األعمدة والصفوف معا‪ ،‬أي كأننا ندرس‬
‫العالقة بين متغيرين‪ .‬ولتوضيح كيفية تنفيذ تحليل التباين في اتجاهين لنأخذ المثال التالي؛‬

‫البيانات في الجدول (‪ )26.4‬تمثل أطوال عينة مكونة من ‪ 20‬طفال بالسنتيمتر تم تقسيمهم إلى خمسة مجموعات‬
‫(أعمدة الجدول)‪ ،‬كل مجموعة تم إعطاؤها نوع محدد من الحليب )‪ ،(Milk1, Milk2, …, Milk5‬وبداخل كل‬
‫مجموعة من هذه المجموعات الخمسة تم اعتماد أربعة أنواع من فيتامين دال (‪ )Vit.D1, …, Vit.D4‬بواقع نوع‬
‫واحد من الف يتامين لكل طفل‪( ،‬وهو ما تمثله صفوف الجدول)‪ ،‬وذلك خالل عدة سنوات‪ ،‬بمعنى أن الطفل األول‬
‫في العينة‪( ،‬القيمة األولى في أعلى يسار الجدول)‪ ،‬والذي طوله ‪ 95‬سم‪ ،‬قد تم إعطاؤه نوع الحليب (‪)Milk1‬‬
‫ونوع الفيتامين (‪ ،)Vit.D1‬وهكذا‪.‬‬

‫‪140‬‬
 ‫المستخدم‪.‬‬
‫َ‬ ‫جدول ‪ :26.4‬أطوال عينة من األطفال بالسنتيمتر بحسب نوع الحليب ونوع الفيتامين‬
‫نوع حليب األطفال‬
‫‪Milk1‬‬ ‫‪Milk2‬‬ ‫‪Milk3‬‬ ‫‪Milk4‬‬ ‫‪Milk5‬‬
‫‪Vit.D1‬‬ ‫‪95‬‬ ‫‪101‬‬ ‫‪93‬‬ ‫‪96‬‬ ‫‪100‬‬
‫‪Vit.D2‬‬ ‫‪97‬‬ ‫‪100‬‬ ‫‪98‬‬ ‫‪97‬‬ ‫‪94‬‬
‫نوع فيتامين دال‬
‫‪Vit.D3‬‬ ‫‪120‬‬ ‫‪116‬‬ ‫‪125‬‬ ‫‪118‬‬ ‫‪122‬‬
‫‪Vit.D4‬‬ ‫‪90‬‬ ‫‪88‬‬ ‫‪93‬‬ ‫‪89‬‬ ‫‪87‬‬

‫سنقوم أوال بإدخال هذه البيانات في ملف جديد في ‪ SPSS‬باسم "أطوال األطفال"‪ ،‬بحيث يتم تعريف ثالثة متغيرات‬
‫كالتالي‪:‬‬

‫المتغير األول‪ ،‬باسم "طول_الطفل"‪ ،‬ويمثل أطوال جميع األطفال في العينة‪ ،‬حيث يتم إدخال قيم العامود‬ ‫‪‬‬
‫األول (‪ )Milk1‬أوال ثم قيم العامود الثاني (‪ )Milk2‬تحتها‪ ،‬وهكذا حتى العامود الخامس (‪.)Milk5‬‬
‫المتغير الثاني‪ ،‬باسم "نوع_الحليب"‪ ،‬ويمثل نوع حليب األطفال المعطى لكل طفل‪ ،‬حيث سيتم إعطاء‬ ‫‪‬‬
‫القيمة ‪ 1‬ألول أربعة أطفال‪ ،‬والقيمة ‪ 2‬لثاني أربعة أطفال‪ ،‬وهكذا حتى القيم ‪ 5‬التي ستعطى آلخر أربعة‬
‫أطفال‪ .‬مع مالحظة إعطاء القيم من ‪ 1‬إلى ‪ 5‬التعريف (‪ )Milk1‬إلى (‪ )Milk5‬على الترتيب في خانة‬
‫القيم (‪ )Values‬في نافذة المتغيرات‪.‬‬
‫المتغير الثالث‪ ،‬باسم "نوع_الفيتامين"‪ ،‬ويمثل نوع الفيتامين المعطى لكل طفل‪ ،‬حيث سيتم إعطاء القيم‬ ‫‪‬‬
‫‪ 4 ،3 ،2 ،1‬لكل أربعة أطفال بدء من األعلى‪ ،‬إلى األسفل‪ .‬مع مالحظة إعطاء القيم من ‪ 1‬إلى ‪4‬‬
‫التعريف (‪ )Vit.D1‬إلى (‪ )Vit.D4‬على الترتيب في خانة القيم (‪ )Values‬في نافذة المتغيرات‪.‬‬

‫عند االنتهاء سيأخذ ملف البيانات الشكل التالي‪( ،‬شكل (‪))30.4‬؛‬

‫شكل ‪ :30.4‬ملف البيانات "أطوال_األطفال" في ‪.SPSS‬‬

‫ولتنفيذ تحليل التباين في اتجاهين‪ ،‬اختر ‪ Analyze>General Linear Model>Univariate‬في شريط‬

‫األدوات العلوي فتظهر النافذة التالية‪( ،‬شكل (‪))31.4‬؛‬

‫‪141‬‬
 ‫شكل ‪ :31.4‬نافذة تحليل التباين في اتجاهين لملف البيانات "أطوال_األطفال"‪.‬‬

‫في هذه النافذة‪ ،‬قم باختيار المتغير "طول_الطفل" كمتغير تابع (‪ ،)Dependent Variable‬والمتغيران‬
‫"نوع_الحليب" و"نوع_الفيتامين" كمتغيرات تقسيم ()‪ )Fixed Factor(s‬كما هو موضح في الشكل السابق‪.‬‬

‫اآلن اضغط على خيار النموذج (‪ )Model‬فتظهر نافذة فرعية‪( ،‬كما يظهر في الشكل (‪ ،))32.4‬وسنقوم بتنفيذ‬
‫أربعة أمور في تلك النافذة‪ ،‬كما يظهر فيها‪:‬‬

‫‪ .1‬تغير خيار تحديد النموذج (‪ )Specify Model‬إلى مخصص (‪.)Custom‬‬

‫‪ .2‬نقل كل من المتغيرين "نوع_الحليب" و"نوع_الفيتامين" إلى مربع النموذج (‪ )Model‬إلى اليمين‪.‬‬

‫‪ .3‬اختيار النوع اتجاهين (‪ )All 2-way‬من النافذة التي هي في المنتصف ()‪.)Build Term(s‬‬

‫‪ .4‬اختيار عدم إظهار ثابت النموذج (‪ )Include intercept in model‬في أسفل النافذة‪.‬‬

‫وبعد تنفيذ الخطوات السابقة‪ ،‬اضغط استمرار للعودة للنافذة األصلية‪.‬‬

‫‪142‬‬
 ‫شكل ‪ : 32.4‬نافذة اختيار نوع النموذج في تحليل التباين في اتجاهين لملف البيانات "أطوال_األطفال"‪.‬‬

‫في النافذة األصلية‪( ،‬شكل (‪ ،))31.4‬قم بالنقر على خيار الرسم (‪ )Plots‬الختيار عرض التغير في المتوسطات‬
‫ألطوال األطفال مرة مع نوع الحليب ومرة مع نوع الفيتامين ومرة أخرى مع االثنين في آن واحد‪ .‬لتنفيذ ذلك‪ ،‬قم‬
‫بالخطوات الثالثة التالية‪( ،‬في الشكل (‪:))33.4‬‬

‫‪ .1‬انقل المتغير "نوع_الحليب" إلى المحور األفقي (‪ )Horizontal Axis‬ثم اضغط إضافة (‪ )Add‬الختيار‬
‫عرض رسم هذا المتغير‪.‬‬
‫‪ .2‬ب ت ت تتال ت تم ت تث ت ت تتل ان ت تق ت ت تتل ال ت تم ت تت ت تغ ت تيت تتر‬
‫"نوع_الفيت ت ت تتامين" إلى المحور‬
‫األفقي (‪)Horizontal Axis‬‬
‫ثم اض ت ت ت ت ت تتغط إض ت ت ت ت ت تتافة (‪)Add‬‬
‫الختيت ت تتار عرض رست ت ت ت ت ت تتم هت ت تتذا‬
‫المتغير أيضا‪.‬‬
‫‪ .3‬اآلن انقل المتغير "نوع_الحليب"‬
‫من جديد في خانة المحور‬
‫شكل ‪ :33.4‬نافذة اختيار عرض الرسم في تحليل التباين في‬
‫اتجاهين لملف البيانات "أطوال_األطفال"‪.‬‬ ‫األفقي (‪)Horizontal Axis‬‬
‫والمتغير "نوع_الفيتامين" إلى خانة الخطوط المنفصلة (‪ )Separate Lines‬ثم اضغط إضافة (‪.)Add‬‬

‫‪143‬‬
‫بعد ذلك اضغط استمرار للعودة للنافذة األصلية‪( ،‬شكل (‪ ،))31.4‬وفي تلك النافذة اضغط من جديد خيار التحليل‬
‫سيظهر نافذة فرعية جديدة‪( ،‬شكل (‪ ،))34.4‬قم بعدها باختيار إجراء مقارنات بين‬
‫البعدي (‪ ،)Post Hoc‬والذي ُ‬
‫َ‬
‫أوساط مستويات المتغيرين "نوع_الحليب" و"نوع_الفيتامين" عن طريق نقلهما إلى مربع اختبارات التحليل البعدي‬
‫(‪ ،)Post Hoc Tests for‬ثم اختيار إجراء اختبارات المقارنة المتعددة لبونفيروني (‪ ،)Bonferroni‬والضغط‬
‫على استمرار‪ .‬وفي النافذة األصلية اضغط موافق‪.‬‬

‫شكل ‪ :34.4‬نافذة اختيار المقارنات المتعددة لألوساط في‬

‫تحليل التباين في اتجاهين لملف البيانات "أطوال_األطفال"‪.‬‬

‫ستظهر النتائج المطلوبة بعد ذلك في نافذة المخرجات‪ .‬الجدول األول ُيظهر تقسيم المستويات في جدول البيانات‬
‫وعدد القيم في كل مستوى‪.‬‬

‫الجدول الثاني‪( ،‬جدول (‪ ،))27.4‬هو الجدول األساسي في مجموعة النتائج ويمثل جدول تحليل التباين في اتجاهين‪.‬‬

‫جدول ‪ : 27.4‬نتائج جدول تحليل التباين في اتجاهين لملف البيانات "أطوال_األطفال"‪.‬‬

‫‪Tests of Between-Subjects Effects‬‬
‫‪Dependent Variable:‬‬ ‫طول_الطفل‬
‫‪Source‬‬ ‫‪Type III Sum of Squares‬‬ ‫‪df‬‬ ‫‪Mean Square‬‬ ‫‪F‬‬ ‫‪Sig.‬‬
‫‪Model‬‬ ‫‪206497.900a‬‬ ‫‪8‬‬ ‫‪25812.238‬‬ ‫‪2516.221‬‬ ‫‪.000‬‬
‫نوع_الحليب‬ ‫‪11.700‬‬ ‫‪4‬‬ ‫‪2.925‬‬ ‫‪.285‬‬ ‫‪.882‬‬
‫نوع_الفيتامين‬ ‫‪2668.150‬‬ ‫‪3‬‬ ‫‪889.383‬‬ ‫‪86.699‬‬ ‫‪.000‬‬
‫‪Error‬‬ ‫‪123.100‬‬ ‫‪12‬‬ ‫‪10.258‬‬
‫‪Total‬‬ ‫‪206621.000‬‬ ‫‪20‬‬
‫)‪a. R Squared = .999 (Adjusted R Squared = .999‬‬

‫وأهم ما نستنتج منه‪:‬‬

‫‪144‬‬
‫‪ .1‬عدم وجود اختالف بين أطوال األطفال نتيجة الختالف أنواع الحليب‪ ،‬أي أن تأثير أنواع الحليب الخمسة‬
‫متساوي على نمو األطفال‪ ،‬بمعنى قبول الفرضية الصفرية‪:‬‬
‫‪𝐻0 : 𝜇𝑀𝑖𝑙𝑘1 = 𝜇𝑀𝑖𝑙𝑘2 = 𝜇𝑀𝑖𝑙𝑘3 = 𝜇𝑀𝑖𝑙𝑘4 = 𝜇𝑀𝑖𝑙𝑘5‬‬
‫حيث أن القيمة االحتمالية لالختبار ‪.P-value = 0.882‬‬

‫‪ .2‬وجود اختالف ذو معنوية بين أطوال األطفال نتيجة الختالف أنواع الفيتامين المستخدم‪ ،‬أي أن تأثير‬
‫أنواع الفيتامين األربعة غير متساوي على نمو األطفال‪ ،‬بمعنى رفض الفرضية الصفرية‪:‬‬
‫‪𝐻0 : 𝜇𝑉𝑖𝑡.𝐷1 = 𝜇𝑉𝑖𝑡.𝐷2 = 𝜇𝑉𝑖𝑡.𝐷3 = 𝜇𝑉𝑖𝑡.𝐷4‬‬
‫حيث أن القيمة االحتمالية لالختبار ‪.P-value = 0‬‬

‫والنتيجة السابقة تدفعنا للتحقق من أنواع الفيتامين التي المختلفة فيما بينها وذلك عن طريق مالحظة الجدول الخاص‬
‫بالمقارنات المتعددة للمتغير "نوع_الفيتامين" في الجدول (‪)28.4‬؛‬

‫جدول ‪ : 28.4‬المقارنات المتعددة بين متوسطات أنواع الفيتامين في تحليل التباين في اتجاهين لملف البيانات‬
‫"أطوال_األطفال"‪.‬‬
‫‪Multiple Comparisons‬‬
‫‪Dependent‬‬
‫طول_الطفل‬
‫‪Variable:‬‬
‫‪Bonferroni‬‬
‫‪Mean‬‬ ‫‪95% Confidence Interval‬‬
‫نوع_الفيتامين )‪(I‬‬ ‫‪Difference‬‬ ‫‪Std. Error‬‬ ‫‪Sig.‬‬ ‫‪Lower‬‬ ‫‪Upper‬‬
‫)‪(I-J‬‬ ‫‪Bound‬‬ ‫‪Bound‬‬
‫‪Vit.D1‬‬ ‫‪Vit.D2‬‬ ‫‪-.20‬‬ ‫‪2.026‬‬ ‫‪1.000‬‬ ‫‪-6.59‬‬ ‫‪6.19‬‬
‫‪Vit.D3‬‬ ‫*‪-23.20-‬‬ ‫‪2.026‬‬ ‫‪.000‬‬ ‫‪-29.59‬‬ ‫‪-16.81‬‬
‫*‬
‫‪Vit.D4‬‬ ‫‪7.60‬‬ ‫‪2.026‬‬ ‫‪.017‬‬ ‫‪1.21‬‬ ‫‪13.99‬‬
‫‪Vit.D2‬‬ ‫‪Vit.D1‬‬ ‫‪.20‬‬ ‫‪2.026‬‬ ‫‪1.000‬‬ ‫‪-6.19‬‬ ‫‪6.59‬‬
‫*‬
‫‪Vit.D3‬‬ ‫‪-23.00-‬‬ ‫‪2.026‬‬ ‫‪.000‬‬ ‫‪-29.39‬‬ ‫‪-16.61‬‬
‫*‬
‫‪Vit.D4‬‬ ‫‪7.80‬‬ ‫‪2.026‬‬ ‫‪.014‬‬ ‫‪1.41‬‬ ‫‪14.19‬‬
‫‪Vit.D3‬‬ ‫‪Vit.D1‬‬ ‫*‪23.20‬‬ ‫‪2.026‬‬ ‫‪.000‬‬ ‫‪16.81‬‬ ‫‪29.59‬‬
‫*‬
‫‪Vit.D2‬‬ ‫‪23.00‬‬ ‫‪2.026‬‬ ‫‪.000‬‬ ‫‪16.61‬‬ ‫‪29.39‬‬
‫‪Vit.D4‬‬ ‫*‪30.80‬‬ ‫‪2.026‬‬ ‫‪.000‬‬ ‫‪24.41‬‬ ‫‪37.19‬‬
‫‪Vit.D4‬‬ ‫‪Vit.D1‬‬ ‫*‪-7.60-‬‬ ‫‪2.026‬‬ ‫‪.017‬‬ ‫‪-13.99‬‬ ‫‪-1.21‬‬
‫*‬
‫‪Vit.D2‬‬ ‫‪-7.80-‬‬ ‫‪2.026‬‬ ‫‪.014‬‬ ‫‪-14.19‬‬ ‫‪-1.41‬‬
‫‪Vit.D3‬‬ ‫*‪-30.80-‬‬ ‫‪2.026‬‬ ‫‪.000‬‬ ‫‪-37.19‬‬ ‫‪-24.41‬‬
‫‪Based on observed means.‬‬
‫‪The error term is Mean Square (Error) = 10.258.‬‬
‫‪*. The mean difference is significant at the 0.05 level.‬‬

‫من هذا الجدول‪ ،‬نستطيع مالحظة التالي‪:‬‬

‫‪145‬‬
‫‪ .1‬وجود اختالف معنوي بين نوع الفيتامين األول (‪ )Vit.D1‬وكل من نوعي الفيتامين الثالث والرابع‬
‫(‪ Vit.D3‬و‪ ،)Vit.D4‬حيث أن القيمة االحتمالية الخاصة باختبار تساوي المتوسطات هي أقل من‬
‫‪.0.05‬‬
‫‪ .2‬عدم وجود اختالف معنوي بين نوع الفيتامين األول (‪ )Vit.D1‬ونوع الفيتامين الثاني (‪ ،)Vit.D2‬حيث‬
‫أن القيمة االحتمالية الخاصة باختبار تساوي المتوسطات هي أكبر من ‪.0.05‬‬
‫‪ .3‬وجود اختالف معنوي بين نوع الفيتامين الثاني (‪ )Vit.D2‬وكل من نوعي الفيتامين الثالث والرابع‬
‫(‪ Vit.D3‬و‪ ،)Vit.D4‬حيث أن القيمة االحتمالية الخاصة باختبار تساوي المتوسطات هي أقل من‬
‫‪.0.05‬‬
‫‪ .4‬وجود اختالف معنوي بين نوع الفيتامين الثالث (‪ )Vit.D3‬وكل أنواع الفيتامين األخرى‪ ،‬حيث أن القيمة‬
‫االحتمالية الخاصة باختبار تساوي المتوسطات هي أقل من ‪.0.05‬‬

‫وهذه النتائج يمكن مالحظتها أيضا بصورة مرئية من خالل التمثيل البياني‪ ،‬شكل (‪ ،)35.4‬الخاص بالتغير في‬
‫متوسطات أنواع الحليب ومتوسطات أنواع الفيتامين‪.‬‬

‫شكل ‪ : 35.4‬التمثيل البياني لألوساط في تحليل التباين في اتجاهين للمتغيرات في ملف البيانات "أطوال_األطفال"‪.‬‬

‫‪146‬‬
 ‫الفصل الخامس‬

‫تحليل االرتباط واالنحدار الخطي‬

‫)‪(Linear Correlation and Regression Analysis‬‬

‫إن من أهم المفاهيم التي يرتكز عليها علم اإلحصاء هو دراسة العالقات ضمن المتغيرات في البيانات‪،‬‬
‫وتحليلها‪ ،‬وتكوين النماذج التي تفسر العالقات السببية بينها‪ .‬وفي هذا الفصل‪ ،‬سنستعرض كيفية تنفيذ تحليل‬
‫االرتباط واالنحدار الخطي باستخدام برنامج ‪.SPSS‬‬

‫‪ 1.5‬تحليل االرتباط الخطي (‪)Linear Correlation Analysis‬‬

‫يستخدم تحليل االرتباط لدراسة العالقات بين المتغيرات‪ ،‬وذلك من خالل حساب معامل (مقياس كمي)‬
‫يسمى بمعامل االرتباط (‪ )Correlation Coefficient‬والذي بدوره يعكس من خالل قيمته نوع وقوة العالقة‬
‫الموجودة بين المتغيرات‪ .‬ويمكن تصنيف دراسة االرتباط من حيث طبيعة العالقة بين المتغيرات إلى االرتباط‬
‫الخطي وغير الخطي (‪.)Linear and Non Linear Correlation‬‬

‫فاالرتباط الخطي هو الذي يهتم بدراسة العالقات الخطية بين متغيرات الدراسة والتي يمكن تمثيلها‬
‫بمعادالت رياضية من الدرجة األولى؛ (مثال‪ ،)𝑦 = 3𝑥 − 1 :‬وهذا النوع من االرتباط هو الذي سيتم تناوله في‬
‫هذا الفصل من الكتاب‪ .‬أما االرتباط غير الخطي فهو يدرس العالقات التي تمثلها معادالت غير خطية؛ (مثال‪:‬‬
‫‪ 𝑦 = 3𝑥 2 − 1‬أو 𝑥 𝑒‪.)𝑦 = 5‬‬

‫وكذلك يمكن تصنيف دراسة االرتباط من حيث طبيعة معامل االرتباط وعدد المتغيرات إلى االرتباط البسيط‪،‬‬
‫الجزئي‪ ،‬والمتعدد (‪)Simple, Partial, and Multiple Correlation‬؛ فاالرتباط البسيط هو الذي يدرس‬
‫العالقة بين متغيرين فقط‪ ،‬والجزئي يدرس العالقة بين متغيرين بوجود تأثير لمتغير أو أكثر على هذين المتغيرين‪،‬‬
‫أما االرتباط المتعدد فهو يقيس العالقة بين مجموعة من المتغيرات في آن واحد‪.‬‬

‫ويتم عادة مراقبة أو دراسة االرتباط بين المتغيرات بطريقتين؛ طريقة الرسم وهي تمثيل قيم المتغيرات بيانيا وهو ما‬
‫يعرف بشكل اال نتشار (‪ .)Scatter Plot‬والطريقة الثانية هي الطريقة الجبرية وذلك بحساب قيمة معامل االرتباط‬
‫من خالل الصيغة الحسابية الخاصة بالمعامل‪.‬‬

‫‪147‬‬
 ‫‪ 1.1.5‬دراسة االرتباط باستخدام شكل االنتشار (‪)Analyzing Correlation by Scatterplot‬‬

‫إن دراسة االرتباط عن طريق التمثيل البياني لمتغيرين باستخدام شكل االنتشار يتم عن طريق رسم النقاط‬
‫على محوري الرسم السيني (‪ )X‬والصادي (‪ )Y‬في بعدين (‪ ،)2D‬ويعد هذا انعكاسا لقيمة معامل االرتباط الخطي‬
‫في الواقع‪ .‬ولتوضيح كيفية تنفيذ ذلك في ‪ SPSS‬لنأخذ المثال التالي؛‬

‫قم في برنامج ‪ SPSS‬بفتح ملف البيانات "بيانات الطلبة" ونذكر القارئ هنا بأن هذه البيانات تضم ثمانية متغيرات‬
‫لعينة مكونة من ‪ 35‬طالبا في إحدى الكليات‪ ،‬وهذه المتغيرات هي تقديرات الطلبة في ثالثة مقررات دراسية؛ ‪،1‬‬
‫‪ ،2‬و‪ ،3‬عمر الطالب بالسنوات‪ ،‬جنس الطالب‪ ،‬ترتيب الفصل الدراسي للطالب‪ ،‬عدد أفراد أسرة الطالب‪ ،‬وعدد‬
‫الحجرات في منزل الطالب‪.‬‬

‫سنقوم أوال بإضافة متغير جديد لهذه البيانات بهدف تعزيز مفهوم العالقة بين المتغيرات‪ .‬هذا المتغير‪( ،‬جدول‬
‫(‪ ،))1.5‬هو معدل عدد ساعات الدراسة اليومية للطالب خارج مواعيد المحاضرات‪ ،‬أي تقدير الطالب لعدد الساعات‬
‫التي يستغرقها في الدراسة والمراجعة خالل اسبوع مقسوما على سبعة أيام‪.‬‬

‫جدول ‪ :1.5‬متغير معدل عدد ساعات الدراسة اليومية للطالب‪.‬‬

‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪13‬‬ ‫‪14‬‬ ‫‪15‬‬ ‫‪16‬‬ ‫‪17‬‬ ‫‪18‬‬
‫‪1.5‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪2.5‬‬ ‫‪0.5‬‬ ‫‪3‬‬ ‫‪3.5‬‬ ‫‪5‬‬ ‫‪4.5‬‬ ‫‪3.5‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪2.5‬‬ ‫‪3.5‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪0.5‬‬ ‫‪1‬‬

‫‪19‬‬ ‫‪20‬‬ ‫‪21‬‬ ‫‪22‬‬ ‫‪23‬‬ ‫‪24‬‬ ‫‪25‬‬ ‫‪26‬‬ ‫‪27‬‬ ‫‪28‬‬ ‫‪29‬‬ ‫‪30‬‬ ‫‪31‬‬ ‫‪32‬‬ ‫‪33‬‬ ‫‪34‬‬ ‫‪35‬‬
‫‪4.5‬‬ ‫‪3‬‬ ‫‪3.5‬‬ ‫‪4.5‬‬ ‫‪2.5‬‬ ‫‪4‬‬ ‫‪1.5‬‬ ‫‪3.5‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪2.5‬‬ ‫‪2.5‬‬ ‫‪2.5‬‬ ‫‪1.5‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪5.5‬‬

‫بعد إضافة هذا المتغير‪ ،‬والذي سيأخذ االسم "ساعات_الدراسة"‪ ،‬لملف البيانات "بيانات الطلبة" سنقوم بحفظ الملف‬
‫باسم "بيانات الطلبة‪ "2‬في برنامج ‪.SPSS‬‬

‫لتنفيذ شكل االنتشار‪ ،‬قم من شريط األوامر العلوي باختيار ‪ Graphs>Legacy Dialogs>Scatter/Dot‬فتظهر‬
‫النافذة التالية‪( ،‬شكل (‪))1.5‬؛ في تلك النافذة‪ ،‬سنبقي‬
‫على الخيار االفتراضي‪ ،‬وهو شكل االنتشار البسيط‬
‫(‪ ،)Simple Scatter‬على أن نتطرق للخيارات‬
‫األخرى لشكل االنتشار الحقا‪.‬‬

‫نضغط بعد ذلك على تعريف (‪ )Define‬فتظهر‬

‫نافذة جديدة الختيار المتغيرات في شكل االنتشار‬
‫شكل ‪ :1.5‬نافذة اختيار نوع شكل االنتشار‪.‬‬
‫البسيط كما في الشكل (‪.)2.5‬‬

‫‪148‬‬
‫في تلك النافذة‪ ،‬سنقوم باختيار المتغير "مقرر‪ "1‬ونقله لمربع المحور الصادي (‪ )Y-Axis‬واختيار المتغير‬
‫"ساعات_الدراسة" ونقله لمربع المحور السيني (‪ ،)X-Axis‬أي أننا نريد التعرف على شكل العالقة بين درجات‬
‫الطلبة في المقرر‪ 1‬ومعدل ساعات دراستهم اليومية‪.‬‬

‫شكل ‪ :2.5‬نافذة اختيار متغيرات شكل االنتشار البسيط‪.‬‬

‫بعد اختيار المتغيرات والضغط على موافق سيظهر شكل االنتشار‪( ،‬شكل (‪ ،))3.5‬في نافذة المخرجات‪.‬‬

‫شكل ‪ :3.5‬شكل االنتشار البسيط للمتغيرين "مقرر‪ "1‬و"ساعات_الدراسة"‪.‬‬

‫‪149‬‬
‫من شكل (‪ ،)3.5‬يمكننا بوضوح مالحظة وجود عالقة خطية طردية قوية جدا بين المتغيرين‪ ،‬وهذا يكون منطقيا‬
‫ألنه بزيادة ساعات الدراسة اليومية فإن الدرجات ستزيد في المقرر‪.‬‬

‫ويمكننا أيضا استخدام شكل االنتشار لمراقبة عالقة متغير بأكثر من متغير على نفس الرسم‪ ،‬فمثال إذا ما أردنا‬
‫التعرف على شكل عالقة معدل ساعات الدراسة بدرجات الطلبة في المقررات الثالثة‪ ،‬يمكننا عمل اآلتي‪:‬‬

‫في شريط األوامر العلوي باختيار ‪ Graphs>Legacy Dialogs>Scatter/Dot‬وفي نافذة اختيار شكل‬
‫االنتشار‪( ،‬شكل (‪ ،))1.5‬قم باختيار شكل االنتشار الفوقي (‪ )Overlay Scatter‬ثم اضغط تعريف فتظهر نافذة‬
‫جديدة كما في الشكل (‪)4.5‬؛‬

‫شكل ‪ :4.5‬نافذة اختيار المتغيرات في شكل االنتشار الفوقي‪.‬‬

‫في هذه النافذة‪ ،‬سيتم إدخال المتغيرات بصورة أزواج في مربع المحورين السيني والصادي (‪)X-Y Pairs‬؛ فيتم‬
‫إدراج المتغير "مقرر‪ "1‬أوال ثم المتغير "ساعات_الدراسة"‪ ،‬ثم المتغير "مقرر‪ "2‬ثم المتغير "ساعات_الدراسة"‪ ،‬ثم‬
‫المتغير "مقرر‪ "3‬ثم المتغير "ساعات_الدراسة"‪ ،‬كما هو موضح في الشكل السابق‪ ،‬وبعد االنتهاء من االختيار‬
‫نضغط موافق‪.‬‬

‫سيظهر شكل االنتشار المطلوب في نافذة المخرجات‪( ،‬مع اختالف في أشكال وألوان نقاط الرسم بالنسبة للقارئ‪،‬‬
‫حيث أنه تم تغييرها في الشكل للحصول على مزيد من الوضوح في الرؤيا)‪ .‬وننوه هنا إلى أن الشكل (‪ )5.5‬يمثل‬

‫‪150‬‬
‫"دمجا" لثالثة أشكال انتشار هي للمتغيرات "مقرر‪ "1‬مع "ساعات_الدراسة"‪ ،‬و"مقرر‪ "2‬مع "ساعات_الدراسة"‪،‬‬
‫و"مقرر‪ "3‬مع "ساعات_الدراسة" في شكل واحد لتسهيل عملية المقارنة‪.‬‬

‫شكل ‪ :5.5‬شكل االنتشار الفوقي للمتغيرات "مقرر‪ "1‬و"مقرر‪ "2‬و"مقرر‪ "3‬مع "ساعات_الدراسة"‪.‬‬

‫من شكل االنتشار يمكننا مالحظة وجود عالقة خطية طردية قوية بين معدل ساعات الدراسة ودرجات الطلبة في‬
‫المقررين ‪ 1‬و‪ ،2‬أما المقرر‪ 3‬فعالقته ضعيفة جدا مع ساعات الدراسة‪ ،‬أي أن الزيادة في عدد ساعات الدراسة‬
‫للطلبة يزيد وبشكل كبير من درجات الطلبة في المقررين ‪ ،1‬و‪ 2‬ولكن ال تزيد درجاتهم في المقرر‪ 3‬وهذا قد يدفع‬
‫الباحث للنظر في طبيعة الظروف المحيطة بهذا المقرر‪.‬‬

‫نوع آخر من التمثيل البياني لشكل االنتشار هو ما يعرف بمصفوفة االنتشار (‪ ،)Scatterplot Matrix‬والتي‬
‫تستخدم لعرض أشكال االنتشار لعدة متغيرات (متغيرين فأكثر) في شكل مصفوفة مربعة كما سنرى؛‬

‫في شريط األوامر العلوي قم باختيار ‪ Graphs>Legacy Dialogs>Scatter/Dot‬وفي نافذة اختيار شكل‬
‫االنتشار‪( ،‬شكل (‪ ،))1.5‬قم باختيار شكل مصفوفة االنتشار (‪ )Matrix Scatter‬ثم اضغط تعريف فتظهر نافذة‬
‫جديدة كما في الشكل (‪.)6.5‬‬

‫سنقوم‪ ،‬وعلى سبيل المثال‪ ،‬باختيار المتغيرات "العمر"‪" ،‬األسرة"‪" ،‬المنزل"‪ ،‬و"ساعات_الدراسة" ونقلها إلى مربع‬
‫متغيرات المصفوفة (‪ )Matrix Variables‬كما يظهر في الشكل ثم نضغط موافق‪.‬‬

‫‪151‬‬
 ‫شكل ‪ :6.5‬نافذة اختيار المتغيرات في مصفوفة االنتشار‪.‬‬

‫ستظهر مصفوفة شكل االنتشار المطلوبة بعدها في نافذة المخرجات‪( ،‬شكل (‪.))7.5‬‬

‫شكل ‪ :7.5‬مصفوفة االنتشار لمتغيرات "العمر"‪" ،‬األسرة"‪" ،‬المنزل"‪ ،‬و"ساعات_الدراسة"‪.‬‬

‫‪152‬‬
‫من الشكل (‪ )7.5‬يمكننا مالحظة ما يلي‪( ،‬حيث أن كل شكل انتشار في المصفوفة هو خاص بالمتغيرين في‬
‫الصف والعامود للشكل المحدد)‪:‬‬

‫‪ .1‬وجود عالقة خطية طردية قوية بين معدل ساعات الدراسة اليومية وعدد الحجرات في منزل الطالب‪ ،‬أي‬
‫أنه بزيادة عدد الحجرات تزيد ساعات الدراسة‪ ،‬وهذا يعد منطقيا حيث أن المزيد من الحجرات يعني توفر‬
‫المساحة والمكان الكافي للدراسة‪.‬‬
‫‪ .2‬وجود عالقة خطية عكسية قوية بين معدل ساعات الدراسة اليومية وعدد أفراد أسرة الطالب‪ ،‬بمعنى أنه‬
‫كلما كبر حجم األسرة كلما أدى ذلك لتناقص في معدل ساعات الدراسة‪ ،‬وربما كان التفسير وراء ذلك‬
‫هو اكتظاظ منزل الطالب مما يؤثر على الجو العام للمذاكرة‪.‬‬
‫‪ .3‬وجود عالقة ضعيفة جدا بين معدل ساعات الدراسة اليومية وعمر الطالب‪ ،‬مما يدل على أن الزيادة أو‬
‫النقصان في ساعات الدراسة ليس مرتبطا بالعمر‪.‬‬
‫‪ .4‬وجود عالقة خطية عكسية قوية بين عدد حجرات المنزل وعدد أفراد أسرة الطالب‪ ،‬وفي ذلك نوع من‬
‫التناقض المنطقي‪.‬‬
‫‪ .5‬وجود عالقة ضعيفة جدا بين عمر الطالب وكال من عدد حجرات المنزل وعدد أفراد أسرة الطالب‪ ،‬مما‬
‫يدل على أن الزيادة في عمر الطالب ليست مرتبطة بهاذين المتغيرين‪.‬‬

‫شكل االنتشار لمتغير مفرد (الرسم النقطي) (‪)Dot plot‬‬ ‫‪‬‬

‫يعتبر الرسم النقطي من الرسوم البسيطة التي تستخدم في وصف توزيع متغير واحد على خط األعداد‪،‬‬
‫ويمكن اعتباره في التفسير مشابها للمدرج التكراري أو شكل الساق والورقة الذي تناولناه سابقا في الفصل الثالث‪.‬‬
‫ولتنفيذ الرسم النقطي‪ ،‬باستخدام ملف البيانات "بيانات الطلبة‪ ،"2‬قم في شريط األوامر العلوي باختيار‬
‫‪ Graphs>Legacy Dialogs>Scatter/Dot‬وفي نافذة اختيار شكل االنتشار‪( ،‬شكل (‪ ،))1.5‬قم باختيار رسم‬
‫النقاط البسيط (‪ )Simple Dot‬ثم اضغط تعريف فتظهر نافذة جديدة كما في الشكل (‪)8.5‬؛‬

‫شكل ‪ :8.5‬نافذة تعريف المتغير في الرسم النقطي لملف بيانات "بيانات الطلبة‪."2‬‬

‫‪153‬‬
‫سنختار المتغير "مقرر‪ "1‬ونقوم بنقله لمربع متغير المحور السيني (‪ ،)X-Axis Variable‬كما هو موضح في‬
‫الشكل‪ ،‬ويمكن للمستخدم االختيار من بين ثالثة طرق عرض للرسم النقطي عند الضغط على زر خيارات‬
‫(‪ ،)Options‬وهي الرسم النقطي غير المتماثل (‪ )Asymmetric‬وهو الخيار االفتراضي‪ ،‬الرسم النقطي المتماثل‬
‫(‪ ،)Symmetric‬والرسم النقطي المسطح (‪ .)Flat‬وفي مثالنا سنبقي على الخيار االفتراضي وهو الرسم النقطي‬
‫غير المتماثل ونضغط موافق في النافذة األصلية‪.‬‬

‫سيظهر الرسم النقطي المطلوب في نافذة المخرجات‪( ،‬شكل (‪ .))9.5‬ومن الرسم يمكننا مالحظة توزيع أو انتشار‬
‫درجات الطلبة في المقرر‪ ،1‬والذي يشبه إلى حد كبير المدرج التكراري‪ ،‬إال أن المدرج التكراري يمثل التكرار المناظر‬
‫للفترات (في محورين)‪ ،‬أما الرسم النقطي فالنقاط المتراكمة فيه هي تكرار نفس القيمة على محور واحد‪.‬‬

‫شكل ‪ :9.5‬الرسم النقطي للمتغير "مقرر‪ "1‬في ملف بيانات "بيانات الطلبة‪."2‬‬

‫‪ 2.1.5‬دراسة االرتباط باستخدام معامل بيرسون‬

‫(‪)Analyzing Correlation using Pearson's Coefficient‬‬

‫إن من أشهر معامالت االرتباط الخطي البسيط التي تستخدم لحساب االرتباط‪ ،‬أي دراسة العالقة المتبادلة‪،‬‬
‫بين متغيرين كميين هو معامل بيرسون لالرتباط الخطي البسيط (‪،)Pearson Correlation Coefficient‬‬
‫والذي يعرف للمتغيرين ) 𝑛𝑥 ‪ 𝑋 = (𝑥1 , 𝑥2 , … ,‬و) 𝑛𝑦 ‪ 𝑌 = (𝑦1 , 𝑦2 , … ,‬بالصيغة التالية‪:‬‬

‫𝑌𝑋𝑆‬ ‫)𝑌 ‪𝐶𝑜𝑣(𝑋,‬‬

‫= 𝑌𝑋𝑟‬ ‫=‬
‫𝑌𝑌𝑆 𝑋𝑋𝑆√‬ ‫)𝑌(𝑟𝑎𝑉 )𝑋(𝑟𝑎𝑉 √‬

‫= )𝑌 ‪ ،𝐶𝑜𝑣(𝑋,‬و ‪ . −1 ≤ 𝑟𝑋𝑌 ≤ 1‬وهذا يعني‬ ‫= )𝑌(𝑟𝑎𝑉 و‬ ‫= )𝑋(𝑟𝑎𝑉 و‬ ‫وحيث أن‬

‫𝑌𝑋𝑆‬ ‫𝑌𝑌𝑆‬ ‫𝑋𝑋𝑆‬
‫𝑛‬ ‫𝑛‬ ‫𝑛‬

‫أن معامل االرتباط الخطي البسيط ما هو إال التغاير (‪ )Covariance‬بين المتغيرين ‪ X‬و‪ Y‬مقسوما على حاصل‬
‫ضرب كال من االنحراف المعياري للمتغيرين‪.‬‬

‫‪154‬‬
 ‫ويتم اختبار معامل االرتباط‪( ،‬بين المتغيرين ‪ X‬و‪ ،)Y‬عن طريق اختبار الفرضية الصفرية؛‬

‫‪𝐻0 : 𝜌𝑋𝑌 = 0‬‬

‫والتي تعني أن معامل االرتباط للمجتمع ليس له قيمة معنوية‪ ،‬واحصاءة االختبار هي اإلحصاءة ‪ t‬ﺑ (‪)𝑛 − 2‬‬
‫درجات حرية‪ ،‬وتعرف بالصورة‪:‬‬
‫𝑌𝑋𝑟‬
‫= 𝑐𝑡‬
‫) 𝑌𝑋𝑟(𝐸𝑆‬
‫حيث‬
‫‪2‬‬
‫𝑌𝑋𝑟 ‪1 −‬‬
‫√ = ) 𝑌𝑋𝑟(𝐸𝑆‬
‫‪𝑛−2‬‬

‫هو الخطأ المعياري لمعامل االرتباط (للعينة)‪ .‬ورفض الفرضية الصفرية عند قيمة احتمالية ‪P-value < 0.05‬‬
‫يدل على أهمية (معنوية) معامل االرتباط أي أهمية العالقة الخطية بين المتغيرين‪.‬‬

‫ويمكننا في برنامج ‪ SPSS‬حساب معامل االرتباط البسيط لمتغيرين فقط أو لعدة أزواج من المتغيرات‪ ،‬وهو ما‬
‫يعرف بتكوين مصفوفة االرتباطات البسيطة (‪ ،)Correlation Matrix‬والتي يرمز لها في معظم الكتب بالرمز‬
‫‪ ،R‬ففي ملف البيانات "بيانات الطلبة‪ "2‬يمكننا حساب معامالت االرتباط الخطي البسيط بالطريقة التالية‪:‬‬

‫في شريط األوامر العلوي قم باختيار ‪ Analyze>Correlate>Bivariate‬فتظهر نافذة االرتباط الثنائي أو البسيط‬
‫(‪ )Bivariate Correlations‬كما هو في الشكل (‪)10.5‬؛‬

‫شكل ‪ :10.5‬نافذة حساب االرتباطات البسيطة‪( ،‬ملف بيانات "بيانات الطلبة‪.)"2‬‬

‫‪155‬‬
‫سنقوم على سبيل المثال بحساب معامالت االرتباط الخطي البسيط بين المتغيرات "مقرر‪" ،"1‬العمر"‪" ،‬األسرة"‪،‬‬
‫"المنزل"‪ ،‬و"ساعات_الدراسة"‪ .‬وهكذا نقوم بنقل هذه المتغيرات إلى مربع المتغيرات (‪ )Variables‬على اليمين‪.‬‬
‫ونالحظ في منتصف النافذة وجود ثالثة خيارات أو ثالثة أنواع من معامالت االرتباط البسيط وهي معامل بيرسون‪،‬‬
‫معامل كندل تاو‪ ،B-‬ومعامل ارتباط الرتب لسبيرمان (‪ ،)Spearman‬والمعاملين األخيرين يستخدمان عادة لحساب‬
‫االرتباط البسيط بين المتغيرات الوصفية‪( ،‬كما رأينا سابقا مع معمل كندل في جداول االقتران في الفصل السابق)‪.‬‬

‫وحيث أن كل المتغيرات المختارة هنا هي متغيرات كمية فسنختار حساب معامل بيرسون فقط‪ ،‬وهو الخيار‬
‫االفتراضي للبرنامج‪ .‬وسنبقي أيضا على خيار االختبار من طرفين (‪ )Two-tailed‬االفتراضي‪ ،‬ونبقي أيضا على‬
‫خيار تمييز االرتباطات المعنوية (‪ ،)Flag significant correlations‬ثم نضغط موافق فنحصل على مصفوفة‬
‫االرتباطات البسيطة بين المتغيرات المختارة كما يظهر في جدول (‪.)2.5‬‬

‫جدول ‪ :2.5‬مصفوفة االرتباطات بين المتغيرات "مقرر‪" ،"1‬العمر"‪" ،‬األسرة"‪" ،‬المنزل"‪ ،‬و"ساعات_الدراسة"‪"( ،‬بيانات الطلبة‪.)"2‬‬
‫‪Correlations‬‬
‫عدد الحجرات‬ ‫معدل ساعات‬
‫درجة الطالب‬ ‫عمر الطالب‬ ‫عدد أفراد‬
‫في منزل‬ ‫الدراسة‬
‫في المقرر‪1‬‬ ‫بالسنوات‬ ‫أسرة الطالب‬
‫الطالب‬ ‫اليومية‬
‫درجة الطالب‬ ‫‪Pearson Correlation‬‬ ‫‪1‬‬ ‫*‪-.416-‬‬ ‫**‪-.904-‬‬ ‫**‪.865‬‬ ‫**‪.897‬‬
‫في المقرر‪1‬‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.013‬‬ ‫‪.000‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫*‬
‫عمر الطالب‬ ‫‪Pearson Correlation‬‬ ‫‪-.416-‬‬ ‫‪1‬‬ ‫‪.292‬‬ ‫‪-.273‬‬ ‫**‪-.456-‬‬
‫بالسنوات‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.013‬‬ ‫‪.089‬‬ ‫‪.112‬‬ ‫‪.006‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫**‬ ‫**‬
‫عدد أفراد أسرة‬ ‫‪Pearson Correlation‬‬ ‫‪-.904-‬‬ ‫‪.292‬‬ ‫‪1‬‬ ‫‪-.926-‬‬ ‫**‪-.764-‬‬
‫الطالب‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬ ‫‪.089‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫**‬ ‫**‬
‫عدد الحجرات‬ ‫‪Pearson Correlation‬‬ ‫‪.865‬‬ ‫‪-.273‬‬ ‫‪-.926-‬‬ ‫‪1‬‬ ‫**‪.756‬‬
‫في منزل‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬ ‫‪.112‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫الطالب‬ ‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫**‬ ‫**‬ ‫**‬ ‫**‬
‫معدل ساعات‬ ‫‪Pearson Correlation‬‬ ‫‪.897‬‬ ‫‪-.456-‬‬ ‫‪-.764-‬‬ ‫‪.756‬‬ ‫‪1‬‬
‫الدراسة اليومية‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬ ‫‪.006‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫‪*. Correlation is significant at the 0.05 level (2-tailed).‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬

‫وفي هذه المصفوفة المربعة المتماثلة‪ ،‬يكون لدينا ثالثة قيم في كل "خلية" في الجدول وهي قيمة معامل بيرسون‬
‫(‪ )Pearson Correlation‬والقيمة االحتمالية (‪ )Sig.‬وحجم العينة (‪ .)N‬ونستطيع مالحظة العالقات التالية‪:‬‬

‫‪156‬‬
‫‪ .1‬وجود عالقة خطية عكسية قوية بين درجة الطالب في المقرر‪ 1‬وكل من عمر الطالب ( = ‪P-value‬‬
‫‪ )0.013‬وعدد أفراد األسرة (‪ ،)P-value = 0‬أي أن درجة الطالب في المقرر‪ 1‬تنخفض بتقدم عمر‬
‫الطالب وزيادة عدد أفراد أسرته‪ ،‬والعالقة األولى قد تكون متناقضة مع الواقع العملي‪ ،‬إذ أن زيادة عمر‬
‫الطالب من المفترض أن تصاحبها زيادة في المستوى الدراسي بسبب زيادة الخبرة األكاديمية عنده واقترابه‬
‫من مرحلة التخرج‪.‬‬
‫‪ .2‬وجود عالقة خطية طردية قوية بين درجة الطالب في المقرر‪ 1‬وكل من عدد حجرات منزل الطالب‬
‫ومعدل ساعات الدراسة اليومية‪ ،‬بمعنى أن درجة الطالب في المقرر‪ 1‬تزيد بزيادة كل من عدد الحجرات‬
‫في المنزل ومعدل ساعات الدراسة اليومية‪ ،‬وهذه العالقات منطقية جدا‪.‬‬
‫‪ .3‬توجد عالقة طردية ضعيفة (غير معنوية) بين عمر الطالب وعدد أفراد األسرة‪ ،‬وعالقة عكسية ضعيفة‬
‫بين العمر وعدد حجرات المنزل‪ ،‬وهذا يعد منطقيا بالنسبة لمتغير العمر‪ .‬إال أن عالقة العمر بمعدل‬
‫ساعات الدراسة اليومية يعد معنويا لوجود عالقة عكسية قوية تعكس انخفاض ساعات الدراسة للطالب‬
‫بزيادة عمره‪.‬‬
‫‪ .4‬يرتبط زيادة عدد أفراد أسرة الطالب بانخفاض عدد حجرات المنزل‪( ،‬عالقة عكسية قوية)‪ ،‬وهذه العالقة‬
‫ربما تكون نتيجة عدم تمكن الكثير من األسر من االنتقال لمنزل أكبر عند زيادة عدد أفرادها‪ .‬ويرتبط‬
‫عدد أفراد أسرة الطالب أيضا بانخفاض معدل ساعات الدراسة للطالب‪ ،‬وهذا يعتبر منطقيا ألن العدد‬
‫الكبير ألفراد األسرة عادة ما يسبب اكتظاظ المنزل وعدم حصول الطالب على المساحة الكافية للمذاكرة‪.‬‬
‫‪ .5‬وجود عالقة طردية قوية بين عدد حجرات منزل الطالب ومعدل ساعات الدراسة اليومية‪ ،‬وهذا طبيعي‬
‫حيث أن توفر المساحة المناسبة للمذاكرة يشجع الطالب عادة على زيادة ساعات الدراسة اليومية‪.‬‬

‫‪ 3.1.5‬معامل االرتباط الجزئي (‪)Partial Correlation Coefficient‬‬

‫في بعض الدراسات التي تتطلب فهم العالقة المتبادلة ضمن عدة متغيرات‪ ،‬قد نكون مهتمين بتحليل‬
‫العالقة بين ثالثة أو أربعة متغيرات بحيث يتم حساب االرتباط بين متغيرين منهم مع "تثبيت" أو "وجود" أثر متغير‬
‫ثالث أو متغيرين‪ ،‬وهو ما يعرف بحساب معامل االرتباط الجزئي‪.‬‬

‫لنفرض أنه تم حساب معامالت االرتباط الخطي البسيط ألربعة متغيرات هي ‪ ،X3 ،X2 ،X1‬و‪ ،X‬وتم عرضها في‬
‫مصفوفة االرتباط المتماثلة التالية‪:‬‬

‫‪𝑋1 𝑋2 𝑋3‬‬ ‫‪𝑋4‬‬

‫‪𝑋1‬‬ ‫‪1 𝑟12 𝑟13‬‬ ‫‪𝑟14‬‬
‫‪𝑅 = 𝑋2‬‬ ‫‪1‬‬ ‫‪𝑟23‬‬ ‫‪𝑟24‬‬
‫‪𝑋3‬‬ ‫‪1‬‬ ‫‪𝑟34‬‬
‫‪𝑋4‬‬ ‫[‬ ‫]‪1‬‬

‫‪157‬‬
‫عندئذ يمكننا تعريف بعض معامالت االرتباط الجزئية مثل معامل االرتباط الجزئي للمتغيرين ‪ X1‬و‪ X2‬مع وجود‬
‫المتغير ‪ X3‬بالصيغة التالية؛‬

‫‪𝑟12 − 𝑟13 𝑟23‬‬

‫= ‪𝑟12.3‬‬
‫‪2 )(1‬‬ ‫)‪2‬‬
‫‪√(1 − 𝑟13‬‬ ‫‪− 𝑟23‬‬

‫حيث ‪ . −1 ≤ 𝑟12.3 ≤ 1‬وبالمثل‪ ،‬يمكن حساب ‪ 𝑟13.2‬و‪ 𝑟23.1‬بالصورة‬

‫‪𝑟13 −𝑟12 𝑟23‬‬
‫= ‪𝑟13.2‬‬
‫) ‪2 )(1−𝑟 2‬‬
‫‪√(1−𝑟12‬‬ ‫‪23‬‬

‫= ‪. 𝑟23.1‬‬ ‫و‬
‫‪𝑟23 −𝑟12 𝑟13‬‬
‫) ‪2 )(1−𝑟 2‬‬
‫‪√(1−𝑟12‬‬ ‫‪13‬‬

‫أما صيغة معامل االرتباط الجزئي للمتغيرين ‪ X1‬و‪ X2‬بتثبيت المتغيرين ‪ X3‬و‪ X4‬فهي تعطى بالصيغة‪:‬‬

‫‪𝑟12.4 − 𝑟13.4 𝑟23.4‬‬ ‫‪𝑟12.3 − 𝑟14.3 𝑟24.3‬‬

‫= ‪𝑟12.34‬‬ ‫=‬
‫‪2 )(1‬‬ ‫) ‪2‬‬ ‫‪2 )(1‬‬ ‫) ‪2‬‬
‫‪√(1 − 𝑟13.4‬‬ ‫‪− 𝑟23.4‬‬ ‫‪√(1 − 𝑟14.3‬‬ ‫‪− 𝑟24.3‬‬

‫وبالمثل يمكن حساب باقي معامالت االرتباط الجزئي األخرى‪.‬‬

‫وسنقوم اآلن بحساب معامل االرتباط الجزئي لبعض المتغيرات في ملف البيانات "بيانات الطلبة‪ "2‬في ‪.SPSS‬‬
‫سنقوم في شريط األدوات العلوي باختيار ‪ Analyze>Correlate>Partial‬فتظهر النافذة التالية‪( ،‬شكل‬
‫(‪))11.5‬؛‬

‫شكل ‪ :11.5‬نافذة حساب االرتباط الجزئي لملف بيانات "بيانات الطلبة‪."2‬‬

‫سنقوم على سبيل المثال بحساب معامل االرتباط الجزئي بين المتغيرين "المقرر‪ "1‬و"ساعات_الدراسة" بوجود‬
‫المتغير "العمر"‪ .‬فنقوم في تلك النافذة بنقل المتغيرين األولين إلى مربع المتغيرات (‪ )Variables‬ونقل المتغير‬
‫الثالث إلى مربع متغير التحكم (‪ )Controlling for‬كما يوضح الشكل (‪.)11.5‬‬

‫‪158‬‬
‫ولمقارنة معامل االرتباط الجزئي بمعامل االرتباط البسيط لنفس المتغيرين‪( ،‬حيث أن ذلك سيعطي معلومات حول‬
‫مدى تأثير المتغير الثالث على العالقة بين المتغيرين األساسيين)‪ ،‬نضغط على زر الخيارات (‪ )Options‬في‬
‫نافذة االرتباط الجزئي فتظهر نافذة فرعية كما هو في الشكل (‪.)12.5‬‬

‫في هذه النافذة الفرعية‪ ،‬قم باختيار عرض االرتباطات البسيطة‬

‫(‪ )Zero-order correlations‬كما هو موضح ثم اضغط‬
‫استمرار للعودة لنافذة االرتباط الجزئي‪ .‬وفي تلك النافذة اضغط‬
‫موافق للحصول على معامل االرتباط الجزئي المطلوب‬
‫مصحوبا بمعامالت االرتباط البسيط بين كل متغيرين‪.‬‬

‫في نافذة المخرجات‪ ،‬سنحصل على معامل االرتباط الجزئي‬

‫شكل ‪ :12.5‬نافذة الخيارات لالرتباط الجزئي‪.‬‬
‫بين المتغيرين "المقرر‪ "1‬و"ساعات_الدراسة" بوجود المتغير‬
‫"العمر"‪( ،‬جدول (‪ ،))3.5‬والذي يظهر وجود عالقة طردية قوية جدا (‪) = 0.874‬العمر(‪).‬ساعات_الدراسة()المقرر‪)𝑟(1‬‬

‫بين درجات الطلبة في مقرر‪ 1‬ومعدل ساعات دراستهم اليومية بوجود تأثير متغير العمر‪.‬‬

‫جدول ‪ :3.5‬معامل االرتباط الجزئي بين المتغيرين "المقرر‪ "1‬و"ساعات_الدراسة" بوجود متغير "العمر" مع معامالت‬
‫االرتباط البسيط للمتغيرات الثالثة‪( ،‬ملف بيانات "بيانات الطلبة‪.)"2‬‬
‫‪Correlations‬‬
‫درجة الطالب‬ ‫معدل ساعات‬ ‫عمر الطالب‬
‫‪Control Variables‬‬
‫في المقرر‪1‬‬ ‫الدراسة اليومية‬ ‫ﺑالسنوات‬
‫‪-none-a‬‬ ‫‪Correlation‬‬ ‫‪1.000‬‬ ‫‪.897‬‬ ‫‪-.416‬‬
‫درجة الطالب في‬
‫)‪Significance (2-tailed‬‬ ‫‪.000‬‬ ‫‪.013‬‬
‫المقرر‪1‬‬
‫‪df‬‬ ‫‪0‬‬ ‫‪33‬‬ ‫‪33‬‬
‫‪Correlation‬‬ ‫‪.897‬‬ ‫‪1.000‬‬ ‫‪-.456‬‬
‫معدل ساعات‬
‫)‪Significance (2-tailed‬‬ ‫‪.000‬‬ ‫‪.006‬‬
‫الدراسة اليومية‬
‫‪df‬‬ ‫‪33‬‬ ‫‪0‬‬ ‫‪33‬‬
‫‪Correlation‬‬ ‫‪-.416‬‬ ‫‪-.456‬‬ ‫‪1.000‬‬
‫عمر الطالب‬
‫)‪Significance (2-tailed‬‬ ‫‪.013‬‬ ‫‪.006‬‬
‫ﺑالسنوات‬
‫‪df‬‬ ‫‪33‬‬ ‫‪33‬‬ ‫‪0‬‬
‫عمر الطالب‬ ‫‪Correlation‬‬ ‫‪1.000‬‬ ‫‪.874‬‬
‫ﺑالسنوات‬ ‫درجة الطالب في‬
‫)‪Significance (2-tailed‬‬ ‫‪.000‬‬
‫المقرر‪1‬‬
‫‪df‬‬ ‫‪0‬‬ ‫‪32‬‬
‫‪Correlation‬‬ ‫‪.874‬‬ ‫‪1.000‬‬
‫معدل ساعات‬
‫)‪Significance (2-tailed‬‬ ‫‪.000‬‬
‫الدراسة اليومية‬
‫‪df‬‬ ‫‪32‬‬ ‫‪0‬‬
‫‪a. Cells contain zero-order (Pearson) correlations.‬‬

‫ولكن إذا ما تم مقارنة قيمة معامل االرتباط الجزئي بقيمة معامل االرتباط البسيط بين درجات الطلبة في المقرر‪1‬‬
‫ومعدل ساعات دراستهم اليومية‪) = 0.897 ( ،‬ساعات_الدراسة()المقرر‪ ،) 𝑟(1‬حيث أن قيم المعاملين متقاربة جدا‪ ،‬فإننا‬

‫‪159‬‬
‫نستنج أن المتغير "العمر" ليس له أهمية معنوية في عالقة المتغيرين "المقرر‪ "1‬و"ساعات_الدراسة" ببعضهما‬
‫البعض‪.‬‬

‫من جديد لنقم بحساب معامل االرتباط الجزئي بين المتغيرين "المقرر‪ "2‬و"ساعات_الدراسة" بوجود المتغير "األسرة"‪،‬‬
‫وبتطبيق نفس الخطوات السابقة‪ ،‬نحصل على النتيجة في نافذة المخرجات‪( ،‬جدول (‪.))4.5‬‬

‫جدول ‪ :4.5‬معامل االرتباط الجزئي بين المتغيرين "المقرر‪ "2‬و"ساعات_الدراسة" بوجود متغير "األسرة" مع معامالت االرتباط‬
‫البسيط للمتغيرات الثالثة‪( ،‬ملف بيانات "بيانات الطلبة‪.)"2‬‬
‫‪Correlations‬‬
‫معدل ساعات‬ ‫درجة الطالب‬ ‫عدد أفراد‬
‫‪Control Variables‬‬
‫الدراسة اليومية‬ ‫في المقرر‪2‬‬ ‫أسرة الطالب‬
‫‪-none-a‬‬ ‫معدل ساعات‬ ‫‪Correlation‬‬ ‫‪1.000‬‬ ‫‪.847‬‬ ‫‪-.764‬‬
‫الدراسة اليومية‬ ‫)‪Significance (2-tailed‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪df‬‬ ‫‪0‬‬ ‫‪33‬‬ ‫‪33‬‬
‫درجة الطالب في‬ ‫‪Correlation‬‬ ‫‪.847‬‬ ‫‪1.000‬‬ ‫‪-.907‬‬
‫المقرر‪2‬‬ ‫)‪Significance (2-tailed‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪df‬‬ ‫‪33‬‬ ‫‪0‬‬ ‫‪33‬‬
‫عدد أفراد أسرة‬ ‫‪Correlation‬‬ ‫‪-.764‬‬ ‫‪-.907‬‬ ‫‪1.000‬‬
‫الطالب‬ ‫)‪Significance (2-tailed‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪df‬‬ ‫‪33‬‬ ‫‪33‬‬ ‫‪0‬‬
‫عدد أفراد‬ ‫معدل ساعات‬ ‫‪Correlation‬‬ ‫‪1.000‬‬ ‫‪.566‬‬
‫أسرة الطالب‬ ‫الدراسة اليومية‬ ‫)‪Significance (2-tailed‬‬ ‫‪.000‬‬
‫‪df‬‬ ‫‪0‬‬ ‫‪32‬‬
‫درجة الطالب في‬ ‫‪Correlation‬‬ ‫‪.566‬‬ ‫‪1.000‬‬
‫المقرر‪2‬‬ ‫)‪Significance (2-tailed‬‬ ‫‪.000‬‬
‫‪df‬‬ ‫‪32‬‬ ‫‪0‬‬
‫‪a. Cells contain zero-order (Pearson) correlations.‬‬

‫وبمقارنة قيمة معامل االرتباط الجزئي بقيمة معامل االرتباط البسيط بين درجات الطلبة في المقرر‪ 2‬ومعدل ساعات‬
‫دراستهم اليومية نرى بأن )ساعات_الدراسة()المقرر‪) < 𝑟(2‬األسرة(‪).‬ساعات_الدراسة()المقرر‪ ، 𝑟(2‬وهذا يدل على أن وجود متغير‬

‫العالقة الطردية بين المتغيرين األساسيين ("المقرر‪"2‬‬ ‫عدد أفراد األسرة قد أدى إلى انخفاض حاد في‬
‫و"ساعات_الدراسة")‪ ،‬أي أن زيادة عدد أفراد يؤثر سلبا في العالقة بين درجات الطلبة في المقرر‪ 2‬ومعدل ساعات‬
‫الدراسة‪ .‬وبنفس الطريقة يمكن دراسة العالقة بين أي متغيرين بوجود متغير أو أكثر‪.1‬‬

‫‪ 2.5‬االرتباط بين المتغيرات الوصفية والكمية‬

‫(‪)Correlation between Categorical and Quantitative Variables‬‬

‫في الفصل السابق‪ ،‬تطرقنا لدراسة العالقة بين متغيرين وصفيين يمثالن مستويات محددة في جدول‬
‫االقتران واختبار هذه العالقة‪ ،‬وفي هذا البند سنتناول كيفية حساب معامل االرتباط بين متغيران وصفيان بصورة‬
‫عامة‪ ،‬وكيفية تحليل العالقات بين المتغيرات الكمية والوصفية‪.‬‬

‫يمكن إضافة أكثر من متغير ثانوي في مربع متغير التحكم (‪ )Controlling for‬كما هو موضح في الشكل (‪.)11.5‬‬ ‫‪1‬‬

‫‪160‬‬
‫باستخدام ملف البيانات "فيتامين دال"‪ ،‬سنقوم بحساب معامالت االرتباط بين متغيرات هذه البيانات بالصورة التالية؛‬
‫في شريط األوامر العلوي قم باختيار ‪ Analyze>Correlate>Bivariate‬فتظهر نافذة االرتباط الثنائي‬
‫(‪ )Bivariate Correlations‬كما رأينا في الشكل (‪ .)10.5‬قم باختيار المتغيرات "النوع"‪" ،‬الفئة_العمرية"‪،‬‬
‫و"مستويات_فيتامين_دال" ونقلها إلى مربع المتغيرات (‪.)Variables‬‬

‫وفي منتصف النافذة‪ ،‬قم باختيار األساليب الثالثة لمعامالت االرتباط وهي معامل بيرسون‪ ،‬معامل كندل تاو‪،B-‬‬
‫ومعامل ارتباط الرتب لسبيرمان‪ ،‬وقد قمنا هنا باختيار معامل بيرسون‪ ،1‬رغم أنه مخصص لحساب االرتباط بين‬
‫المتغيرات الكمية‪ ،‬بهدف مقارنة نتائجه بنتائج معامالت االرتباط للمتغيرات الوصفية؛ معامل كندل تاو‪ ،B-‬ومعامل‬
‫سبيرمان‪ .‬بعد ذلك اضغط موافق فتظهر النتائج في نافذة المخرجات‪ .‬النتيجة األولى‪ ،‬الموضحة في جدول (‪،)5.5‬‬
‫هي مصفوفة االرتباطات للمتغيرات الثالثة التي تم تحديدها‪ ،‬وهي تظهر عالقات ارتباط عكسية قوية ذات معنوية‬
‫بين م ستويات فيتامين دال وكل من النوع وفئات العمر‪ ،‬وأيضا عالقة عكسية ضعيفة بين فئات العمر والنوع‪.‬‬

‫جدول ‪ :5.5‬مصفوفة معامالت االرتباط لبيرسون بين المتغيرات "النوع"‪،‬‬

‫"الفئة_العمرية"‪ ،‬و"مستويات_فيتامين_دال"‪.‬‬ ‫وأمااا النتيجااة الثااانيااة‪( ،‬جاادول (‪،))6.5‬‬
‫‪Correlations‬‬
‫فهي مصا ا ا ا ا ا اافوفة االرتباطات للمتغيرات‬
‫فئات‬ ‫مستويات‬
‫النوع‬
‫العمر‬ ‫فيتامين دال‬ ‫الثالثاة‪ ،‬بااسا ا ا ا ا ا ااتخاادام معااامال كناادل أوال‬
‫النوع‬ ‫‪Pearson Correlation‬‬ ‫‪1‬‬ ‫‪-.201‬‬ ‫**‪-.499-‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.123‬‬ ‫‪.000‬‬ ‫ومعامل سا اابيرمان ثانيا‪ ،‬وكال المعاملين‬
‫‪N‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪60‬‬
‫فئات‬ ‫‪Pearson Correlation‬‬ ‫‪-.201‬‬ ‫‪1‬‬ ‫**‪-.367-‬‬ ‫يظهر عالق ااات ارتب اااط قريب ااة ج اادا من‬
‫العمر‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.123‬‬ ‫‪.004‬‬
‫‪N‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫تلك المحس ا ا ا ا ااوبة بمعامل بيرس ا ا ا ا ااون في‬
‫مستويات‬ ‫‪Pearson Correlation‬‬ ‫‪-.499-‬‬
‫فيتامين‬ ‫**‬ ‫**‪-.367-‬‬ ‫‪1‬‬ ‫الجدول (‪ .)5.5‬واالس ا ا ا ا ااتنتاج س ا ا ا ا اايكون‬
‫دال‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬ ‫‪.004‬‬
‫‪N‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫كالتالي‪:‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬

‫‪ .1‬العالقة العكسية القوية بين مستويات فيتامين دال وفئات العمر‪ ،‬تعني أنه كلما زادت الفئة العمرية للشخص‬
‫كلما نقصت لديه معدالت فيتامين دال‪ ،‬وهذه النتيجة مطابقة لما سبق‪.‬‬
‫‪ .2‬أما العالقة العكسية ا لقوية بين مستويات فيتامين دال والنوع فال يتم التعليق عليها كالنتيجة السابقة حيث أن‬
‫النوع هو متغير وصفي اسمي وليس رتبي‪ ،‬ونلفت انتباه القارئ هنا إلى أنه لن يكون هنالك معنى أن نقول‬
‫"كلما نقص النوع كلما زادت معدالت فيتامين دال"‪ .‬ويمكن في هذه الحالة دراسة االرتباط بين متغير "النوع"‬
‫ومتغير كمي آخر باستخدام شكل االنتشار كما سنوضح تاليا‪ ،‬وكذلك األمر بالنسبة للعالقة بين فئات العمر‬
‫والنوع‪.‬‬

‫البد من التأكيد هنا على أن معامل بيرسون يستخدم‪ ،‬من الناحية النظرية‪ ،‬لحساب االرتباط بين المتغيرات الكمية التي تتبع التوزيع‬ ‫‪1‬‬

‫الطبيعي‪.‬‬

‫‪161‬‬
 ‫جدول ‪ :6.5‬مصفوفة معامالت االرتباط لكندل وسبيرمان بين متغيرات "النوع"‪" ،‬الفئة_العمرية"‪،‬‬
‫و"مستويات_فيتامين_دال"‪.‬‬
‫‪Correlations‬‬
‫مستويات‬
‫النوع‬ ‫فئات العمر‬
‫فيتامين دال‬
‫‪Kendall's‬‬ ‫النوع‬ ‫‪Correlation Coefficient‬‬ ‫‪1.000‬‬ ‫‪-.190‬‬ ‫**‪-.466-‬‬
‫‪tau_b‬‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.122‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪60‬‬
‫فئات العمر‬ ‫‪Correlation Coefficient‬‬ ‫‪-.190‬‬ ‫‪1.000‬‬ ‫**‪-.347-‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.122‬‬ ‫‪.003‬‬
‫‪N‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪60‬‬
‫مستويات‬ ‫‪Correlation Coefficient‬‬ ‫**‪-.466-‬‬ ‫**‪-.347-‬‬ ‫‪1.000‬‬
‫فيتامين دال‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬ ‫‪.003‬‬
‫‪N‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪60‬‬
‫‪Spearman's‬‬ ‫النوع‬ ‫‪Correlation Coefficient‬‬ ‫‪1.000‬‬ ‫‪-.201‬‬ ‫**‪-.490-‬‬
‫‪rho‬‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.123‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪60‬‬
‫فئات العمر‬ ‫‪Correlation Coefficient‬‬ ‫‪-.201‬‬ ‫‪1.000‬‬ ‫**‪-.372-‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.123‬‬ ‫‪.003‬‬
‫‪N‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪60‬‬
‫مستويات‬ ‫‪Correlation Coefficient‬‬ ‫**‪-.490-‬‬ ‫**‪-.372-‬‬ ‫‪1.000‬‬
‫فيتامين دال‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬ ‫‪.003‬‬
‫‪N‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪60‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬

‫لتوضا ا ا ا ا ا اايح المالحظة السا ا ا ا ا ا ااابقة لنقم بالخطوات التالية؛ في ش ا ا ا ا ا ا اريط األوامر العلوي اختر ‪Graphs>Legacy‬‬
‫‪ Dialogs>Scatter/Dot‬ثم اختر االنتش ا ا ا ا ا ا ا ا ااار‬
‫البس ا ا ا اايط (‪ )Simple Scatter‬من نافذة الرس ا ا ا اام‪،‬‬
‫(شا ا ا ا ا ا ااكل (‪ ،))1.5‬ثم اضا ا ا ا ا ا ااغط تعريف‪ .‬في نافذة‬
‫تعريف المتغيرات‪( ،‬شا ا ا ا ااكل (‪ ،))2.5‬اختر المتغير‬
‫الكمي "فيت ا ا ااامين_دال" وقم بنقل ا ا ااه لمربع المحور‬
‫الصا ا ا ا ا ااادي (‪ )Y-Axis‬واختر متغير "النوع" وانقله‬
‫لمربع المحور الس ا ا ا ا ا اايني (‪ )X-Axis‬ثم اض ا ا ا ا ا ااغط‬
‫موافق‪.‬‬
‫شكل ‪ :13.5‬شكل االنتشار للمتغيرين "فيتامين_دال" و"النوع"‪.‬‬
‫في نافذة المخرجات سيظهر شكل االنتشار التالي‪،‬‬
‫(شكل‪ ،))13.5( 1‬ومنه يمكننا مالحظة أن معدالت فيتامين دال عند النساء (حيث أن الرقم ‪ 2‬في المحور األفقي‬
‫يشير لإلناث) هي في العموم أقل من الرجال (رقم ‪ 1‬في المحور األفقي) في مختلف األعمار‪.‬‬

‫ننوه هنا إلى أننا قمنا ببعض التعديالت على الرسم فيما يخص القيم في المحور األفقي وألوان النقاط في الرسم‪.‬‬ ‫‪1‬‬

‫‪162‬‬
 ‫‪ 3.5‬تحليل االنحدار الخطي البسيط (‪)Simple Linear Regression Analysis‬‬

‫في البندين السابقين‪ ،‬تناولنا مفهوم االرتباط بين المتغيرات الكمية‪/‬الكمية‪ ،‬والوصفية‪/‬الوصفية‪،‬‬
‫والكمية‪/‬الوصفية‪ ،‬ووضحنا كيفية حساب هذه المعامالت جبريا من خالل قوانين االرتباط‪ ،‬وبصريا من خالل انتشار‬
‫نقاط البيانات‪ ،‬وناقشنا كيفية استنتاج مدى قوة ونوع العالقة بين المتغيرات‪.‬‬

‫إال أن دراسة االرتباط بمفرده قد ال يكون كافيا في كثير من الحاالت ألنه ال يتعرض للعالقة السببية ( ‪Causal‬‬
‫‪ )Relationship‬بين المتغيرات؛ ويقصد بالعالقة السببية هنا كيفية وقوة تأثير متغير ما (أو أكثر) على متغير‬
‫آخر (أو أكثر)‪ ،‬فمثال؛ يمكن استخدام معامل االرتباط لدراسة قوة ونوع العالقة بين سعر سلعة ما (‪ )X‬وعدد‬
‫الوحدات المباعة منها (‪ ،)Y‬والتي نتوقع منطقيا أن تكون عالقة عكسية قوية‪ ،‬إال أننا ال نستطيع معرفة مدى تأثير‬
‫سعر السلعة على عدد الوحدات المباعة باستخدام معامل االرتباط فقط‪ ،‬لذلك نحن بحاجة لمقياس أو أسلوب‬
‫إضافي لدراسة ذلك التأثير‪ ،‬وهنا يأتي دور تحليل االنحدار للقيام بهذه المهمة‪ ،‬وبالتالي يمكننا القول أنه لدراسة‬
‫العالقات بين المتغيرات بصورة أكثر تعمقا البد لنا من استخدام كال من األسلوبين؛ تحليل االنحدار واالرتباط‪.‬‬

‫إضافة إلى ذلك‪ ،‬يتم استخدام أسلوب تحليل االنحدار لغرض التنبؤ (‪ ،)Prediction‬والذي يعد من أهم أهداف‬
‫األسلوب‪ ،‬فمثال؛ إذا وجد أن هنالك تأثير معنوي لسعر السلعة على عدد الوحدات المباعة‪ ،‬بمعنى أن عدد الوحدات‬
‫المباعة يعتمد على سعر السلعة‪ ،‬فيمكن عندها التنبؤ بعدد الوحدات المباعة (كتقدير مستقبلي أو كدراسة جدوى)‬
‫عند ارتفاع أو انخفاض سعر السلعة‪ ،‬أي عند أي قيمة افتراضية للسعر‪.‬‬

‫وعمليا يمكن في الدراسات االستكشافية استخدام تحليل االرتباط أوال لتبيان قوة العالقة بين المتغيرات‪ ،‬فإن كان‬
‫هنالك عالقة معنوية بينها فيمكن عندئذ المضي قدما باستخدام تحليل االنحدار لدراسة العالقة السببية‪ .‬وكما هو‬
‫الحال مع تحليل االرتباط‪ ،‬فإن أسلوب تحليل االنحدار يتعامل مع المتغيرات التي توجد بينها عالقات خطية وغير‬
‫خطية‪ ،‬إال أننا سنركز على االنحدار الخطي فقط كما ذكرنا سابقا‪.‬‬

‫‪ 1.3.5‬تعريف نموذج االنحدار الخطي البسيط (‪)Definition of Simple Linear Regression Model‬‬

‫إذا كان ‪ X‬و‪ Y‬متغيران كميان فإن نموذج االنحدار الخطي لهما يعرف بالصورة‪:‬‬

‫𝑖𝜀 ‪𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 +‬‬ ‫𝑛 ‪, 𝑖 = 1, 2, … ,‬‬

‫حيث‪:‬‬

‫‪ : Y‬يعرف بالمتغير التابع أو متغير االستجابة (‪ : X ،)Dependent or Response Variable‬يعرف‬

‫بالمتغير التوضيحي أو المستقل أو متغير التنبؤ ( ‪Explanatory or Independent Variable or‬‬
‫‪،)Predictor‬‬

‫‪163‬‬
‫‪ 𝛽0‬و‪ 𝛽1‬تعرف بمعالم النموذج‪( ،‬ويسمى ‪ 𝛽1‬بمعامل االنحدار)‪ 𝜀 ،‬يعرف بحد الخطأ العشوائي للنموذج‪ ،‬و𝑛 هو‬
‫عدد المشاهدات أو حجم عينة الدراسة‪.‬‬

‫وحد الخطأ العشوائي تم إضافته لنموذج االنحدار لعدة أسباب أهمها أن أي عملية تقدير إحصائي البد لها من‬
‫هامش خطأ للتقدير ألن القيمة المقدرة للمعلمة‪( ،‬بصورة عامة)‪ ،‬لن تساوي القيمة الحقيقة للمعلمة كما تنص قواعد‬
‫التقدير‪ .‬إال أننا نطمح دائما لتقديرات تكون قريبة أكثر ما يمكن للقيمة الفعلية‪.‬‬

‫ويتم تقدير معالم النموذج بالصيغ‪:‬‬

‫𝑌𝑋𝑆‬ ‫)𝑌 ‪𝐶𝑜𝑣(𝑋,‬‬
‫= ‪𝛽̂1‬‬ ‫=‬ ‫̅𝑋 ‪، 𝛽̂0 = 𝑌̅ − 𝛽̂1‬‬
‫𝑋𝑋𝑆‬ ‫)𝑋(𝑟𝑎𝑉‬

‫حيث 𝑖𝑋 ‪ 𝑋̅ = 𝑛 ∑𝑛𝑖=1‬و 𝑖𝑌 ‪ .𝑌̅ = 𝑛 ∑𝑛𝑖=1‬ومن الصيغة السابقة‪ ،‬يمكننا مالحظة أن العالقة بين معامل‬
‫‪1‬‬ ‫‪1‬‬

‫االرتباط الخطي ومعامل االنحدار الخطي تكون بالصورة؛‬

‫𝑌𝑌𝑆√‬ ‫)𝑌(𝑟𝑎𝑉√‬
‫= ‪𝛽̂1‬‬ ‫= 𝑌𝑋𝑟‬ ‫𝑌𝑋𝑟‬
‫𝑋𝑋𝑆√‬ ‫)𝑋(𝑟𝑎𝑉√‬

‫‪ 2.3.5‬فرضيات طريقة المربعات الصغرى االعتيادية (‪)Assumptions of OLS Method‬‬

‫إن استخدام طريقة المربعات الصغرى االعتيادية ()‪ )Ordinary Least Squares, (OLS‬في التقدير‬
‫يكون من الناحية النظرية مقيدا بتحقق مجموعة من الشروط أو الفرضيات‪ ،‬هذه الفرضيات تسمى أيضا فرضيات‬
‫نموذج االنحدار الخطي‪ .‬ومن الناحية العملية‪ ،‬فإنه عندما يقوم الباحث بتقدير معالم نموذج االنحدار فإنه ال يقوم‬
‫عادة بالتحقق من صحة هذه الفرضيات للنموذج الموفق‪ ،‬وهذا يعد "نقصا" في نتائج تحليل االنحدار ألن ثبات أو‬
‫تحقق هذه الفرضيات يدل على ثبات أو جودة النتائج التي سيتم الوصول إليها عن طريق النموذج المقدر‪.‬‬

‫وفيما يلي سنقوم بتلخيص أهم هذه الفرضيات‪ ،‬مع التذكير بأن هذه الفرضيات تسري على كل من النماذج الخطية‬
‫البسيطة‪( ،‬التي تضم متغير توضيحي واحد)‪ ،‬والمتعددة‪( ،‬التي تضم أكثر من متغير توضيحي)؛‬

‫باستخدام طريقة المربعات‬ ‫لتوفيق نموذج االنحدار الخطي‪𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖 , 𝑖 = 1, 2, … , 𝑛 :‬‬

‫الصغرى االعتيادية البد من توفر الفرضيات التالية‪:‬‬

‫خطية النموذج‪ ،‬والتي تعني أن المتغير التابع هو تركيبة خطية من المتغير التوضيحي (أو المتغيرات‬ ‫‪.1‬‬
‫التوضيحية) ومعالم النموذج‪.‬‬
‫المتغير التوضيحي (أو المتغيرات التوضيحية) تأخذ قيما غير عشوائية (‪ ،)Non-Random‬بمعنى‬ ‫‪.2‬‬
‫أنها قيما ال تتبع توزيعا احتماليا‪.‬‬

‫‪164‬‬
‫المتغيرات التوضيحية (في نماذج االنحدار المتعدد) البد أن تكون جميعها مستقلة خطيا عن بعضها‬ ‫‪.3‬‬
‫البعض‪ ،‬ويقصد بذلك أال يوجد بين أي متغيرين عالقة خطية (أي أن يكون معامل االرتباط الخطي‬
‫بينهما مساو للصفر)‪.‬‬
‫‪.4‬‬
‫أن تكون قيم حد الخطأ العشوائي مستقلة عن بعضها البعض‪( ،‬بمعنى أن االرتباط أو التغاير‬ ‫أ‪-‬‬
‫بينها مساو للصفر؛ 𝑛 ‪.)𝐶𝑜𝑣(𝜀𝑖 , 𝜀𝑗 ) = 0, ∀𝑖 ≠ 𝑗 = 1, 2, … ,‬‬
‫ب‪ -‬حد الخطأ يتبع توزيعا طبيعيا بمتوسط يساوي ‪ 0‬وتباين يساوي ‪ ،𝜎𝜀2‬أي أن ‪،𝐸(𝜀𝑖 ) = 0‬‬
‫و ‪ ، 𝑉𝑎𝑟(𝜀𝑖 ) = 𝜎𝜀2‬لكل 𝑛 ‪.𝑖 = 1, 2, … ,‬‬
‫ج‪ -‬تجانس تباين قيم حد الخطأ‪ ،‬بمعنى أن يكون لألخطاء نفس قيمة التباين مهما تغيرت قيم‬
‫المتغير التابع‪.)𝑉𝑎𝑟(𝜀𝑖 ) = 𝜎𝜀2 , ∀𝑖 = 1, 2, … , 𝑛( ،‬‬

‫ويمكن تلخيص الفرضيات (أ‪ ،‬ب‪ ،‬و ج) بالصورة؛‬

‫𝑛 ‪𝜀𝑖 ~𝑁𝐼𝐷(0, 𝜎𝜀2 ), ∀𝑖 = 1, 2, … ,‬‬

‫‪ 3.3.5‬التمثيل البياني لنموذج االنحدار الخطي البسيط‬

‫(‪)Graphical Representation for the Linear Regression Model‬‬

‫بعد تقدير معالم نموذج االنحدار الخطي ‪ 𝛽0‬و‪ ، 𝛽1‬وهو ما يعرف بتوفيق النموذج (‪،)Model Fitting‬‬
‫يمكن تمثيل هذا النموذج أو رسم خط االنحدار بيانيا مباشرة على شكل االنتشار للمتغيرين وذلك من خالل تحديد‬
‫قيم الجزء المقطوع من المحور الصادي ‪ 𝛽̂0‬و الميل ‪ 𝛽̂1‬على الرسم أو من خالل التعويض عن أي قيمتين للمتغير‬
‫‪ X‬في نموذج االنحدار وتمرير خط مستقيم عبرهما‪.‬‬
‫والشكل التالي (شكل (‪ ،))14.5‬يوضح شكل االنتشار لبيانات افتراضية وخط االنحدار الذي يمر عبرها وأيضا‬
‫يظهر تقديرات قيم حد الخطأ ‪ ε‬التي تسمى بالبواقي ̂𝜀 (‪ ،)Residuals‬وتمثل الفرق بين قيم المتغير التابع الفعلية‬
‫وقيمه المقدرة‪ ،‬أي أنها تحسب بالصيغة؛‬
‫𝑛 ‪𝜀̂𝑖 = 𝑦𝑖 − 𝑦̂𝑖 , 𝑖 = 1, 2, … ,‬‬

‫مما يعني أنه كلما قلت قيمة البواقي كلما دل ذلك على "جودة" توفيق النموذج ومالئمته لبيانات العينة‪ ،‬ومن خواص‬
‫هذه البواقي أن بعض قيمها ستكون سالبة واألخرى موجبة‪ ،‬وأن مجموع تلك القيم البد أن يساوي الصفر‪ ،‬أي أن‬
‫‪ .∑𝑛𝑖=1 𝜀̂𝑖 = 0‬والحظ أيضا من الشكل أن قيم متوسطات المتغيرين ‪ X‬و‪ Y‬البد أن تشكل إحدى نقاط خط‬
‫االنحدار دائما‪ ،‬والتي كلما اقتربت من منتصف كتلة البيانات كلما دل ذلك على قلة القيم المتطرفة‪.‬‬

‫‪165‬‬
 ‫شكل ‪ :14.5‬شكل االنتشار وتوفيق خط االنحدار لبيانات افتراضية‪.‬‬

‫ولنقم اآلن بتوفيق نموذج انحدار خطي بسيط باستخدام بيانات المثال "بيانات الطلبة‪ ."2‬سنقوم في شريط األوامر‬
‫العلوي باختيار ‪ Analyze>Regression>Linear‬فتظهر نافذة تحليل االنحدار الخطي كما يظهر في الشكل‬
‫(‪ .)15.5‬وعند اختيار المتغير التابع والمتغير أو المتغيرات التوضيحية‪ ،‬يجب أن يراعي الباحث العالقة المنطقية‬
‫السببية بين المتغيرات‪ ،‬أي أنه يجب أن يختار المتغير التابع الذي "يعتقد" أنه يعتمد أو يتأثر بتغير المتغير‬
‫التوضيحي‪.‬‬

‫شكل ‪ :15.5‬نافذة تحليل االنحدار الخطي لملف البيانات "بيانات الطلبة‪."2‬‬

‫فعلى سبيل المثال‪ ،‬واعتمادا على منطق السببية‪ ،‬يمكننا اختيار درجات الطلبة في المقرر‪ 1‬كمتغير استجابة يتأثر‬
‫بتغير معدل ساعات الدراسة اليومية للطلبة‪ ،‬لذلك سنقوم باختيار المتغير "المقرر‪ "1‬ونقله إلى مربع المتغير التابع‬

‫‪166‬‬
‫(‪ ،) Dependent‬واختيار المتغير "ساعات_الدراسة" ونقله لمربع المتغيرات التوضيحية أو المستقلة‬
‫(‪ ،)Independent‬كما يوضح الشكل (‪.)15.5‬‬

‫في الخطوة التالية‪ ،‬سنقوم بتوفيق نموذج انحدار المتغير التابع "المقرر‪ "1‬على المتغير التوضيحي "ساعات_الدراسة"‬
‫مستخدمين الحد األدنى للنتائج‪ ،‬بمعنى‬
‫أننا سنقوم باختيار عرض أقل عدد من‬
‫النتائج بهدف التدرج مع القارئ في شرح‬
‫كيفية تفسير النتائج خطوة بخطوة‪.‬‬

‫في نااافااذة االنحاادار الخطي‪( ،‬الش ا ا ا ا ا ا اكاال‬

‫(‪ ،))15.5‬اض ا ا ا ا ا ا ا ا اغا ااط ع ا الا ااى خ ا اي ا ا ااار‬
‫اإلحص ا ا ا ا ا ا ا ا اااءات (‪ )Statistics‬فتظهر‬
‫النافذة الفرعية التالية‪( ،‬ش ااكل (‪،))16.5‬‬
‫في تلا ااك النا ااافا ااذة قم با اااختيا ااار عرض‬
‫التقديرات (‪ )Estimates‬فقط ثم اضغط‬
‫شكل ‪ :16.5‬نافذة خيارات عرض اإلحصاءات في تحليل االنحدار‪.‬‬ ‫استمرار للعودة للنافذة األصلية‪ .‬اضغط‬
‫بعد ذلك موافق فتظهر النتائج في نافذة المخرجات‪.‬‬

‫الجدول األول في النتائج يوضح الطريقة المتبعة في إدخال المتغيرات في النموذج‪ ،‬حيث أنه توجد عدة طرق "لبناء"‬
‫نماذج االنحدار سنتطرق لها الحقا في هذا الفصل‪ ،‬أما الجدول التالي‪( ،‬جدول (‪ ،))7.5‬فيتم فيه عرض نتائج‬
‫توفيق نموذج االنحدار الخطي المطلوب‪ ،‬ومن هذا الجدول نستطيع كتابة نموذج االنحدار الموفق كالتالي‪:‬‬

‫𝑖𝑥 ‪𝑦̂𝑖 = 43.513 + 9.929‬‬ ‫‪, 𝑖 = 1, 2, … , 35‬‬

‫ويمكن "مبدئيا" تفسير قيمة معامل االنحدار ‪ 𝛽̂1 = 9.929‬بأنه يمثل تأثير معدل ساعات المذاكرة ‪( X‬المتغير‬
‫التوضيحي) على درجة الطالب في المقرر‪( Y ،1‬المتغير التابع)‪ ،‬بحيث أن كل زيادة بمقدار الوحدة في ساعات‬
‫المذاكرة‪( ،‬زيادة ساعة واحدة)‪ ،‬ستؤدي إلى زيادة (نظ ار لإلشارة الموجبة للمعامل) في درجة الطالب بمقدار ‪10‬‬
‫درجات تقريبا (‪( ،)9.929 ≅ 10‬وذلك بإهمال قيمة الجزء المقطوع ‪ .)𝛽̂0‬بمعنى أن نمط الزيادة في درجة الطالب‬
‫في المقرر‪ 1‬يتغير بمعامل مقداره ‪ 9.929‬درجة بحسب نموذج االنحدار الموفق‪ .‬وبالنسبة للقيم األخرى في جدول‬
‫النتائج فإننا سنقدم لها شرحا مفصال الحقا‪.‬‬

‫‪167‬‬
 ‫جدول ‪ :7.5‬نتائج تقدير معالم نموذج االنحدار الخطي للمتغير "المقرر‪ "1‬على المتغير "ساعات_الدراسة"‪.‬‬
‫‪Coefficientsa‬‬
‫‪Unstandardized‬‬ ‫‪Standardized‬‬
‫‪Coefficients‬‬ ‫‪Coefficients‬‬
‫‪Model‬‬ ‫‪B‬‬ ‫‪Std. Error‬‬ ‫‪Beta‬‬ ‫‪t‬‬ ‫‪Sig.‬‬
‫)‪1 (Constant‬‬ ‫‪43.513‬‬ ‫‪2.660‬‬ ‫‪16.359‬‬ ‫‪.000‬‬
‫معدل ساعات الدراسة اليومية‬ ‫‪9.929‬‬ ‫‪.851‬‬ ‫‪.897‬‬ ‫‪11.669‬‬ ‫‪.000‬‬
‫درجة الطالب في المقرر‪a. Dependent Variable: 1‬‬

‫لنقم اآلن برسم شكل االنتشار للمتغيرين "المقرر‪ "1‬و"ساعات_الدراسة" ورسم خط االنحدار الموفق على نفس‬
‫الرسم‪ .1‬لعمل ذلك‪ ،‬قم في شريط األوامر العلوي باختيار ‪ Graphs>Legacy Dialogs>Scatter/Dot‬ثم اختر‬
‫االنتشار البسيط (‪ )Simple Scatter‬من نافذة الرسم‪( ،‬شكل (‪ ،))1.5‬ثم اضغط تعريف‪ .‬وفي نافذة تعريف‬
‫المتغيرات‪( ،‬شكل (‪ ،))2.5‬اختر المتغير "المقرر‪ "1‬وقم بنقله لمربع المحور الصادي (‪ )Y-Axis‬واختر متغير‬
‫"ساعات_الدراسة" وانقله لمربع المحور السيني (‪ )X-Axis‬ثم اضغط موافق‪.‬‬

‫بعد ظهور الرسم في نافذة المخرجات‪ ،‬قم بالنقر المزدوج عليه لتظهر نافذة تحرير الرسم (‪ )Chart Editor‬كما‬
‫يظهر في الشكل (‪ ،)17.5‬وفي شريط األوامر العلوي لتلك النافذة اختر ‪Elements>Fit Line at Total‬‬
‫وستالحظ بعدها ظهور خط االنحدار الموفق في نافذة تحرير الرسم إضافة لظهور نافذة فرعية جديدة بعنوان‬
‫خصائص (‪ ،)Properties‬والتي تتضمن إمكانية إجراء بعض التعديالت اإلضافية‪ ،‬قم بالضغط على إغالق‬
‫(‪ )Close‬في تلك النافذة للعودة لنافذة تحرير الرسم‪ ،‬والتي ستقوم بإغالقها باستخدام رمز إغالق النوافذ ذو اللون‬

‫األحمر وعالمة ×‪.‬‬

‫شكل ‪ :17.5‬نافذة محرر الرسم لشكل االنتشار‪.‬‬

‫في ‪ SPSS‬خيار الرسم في نافذة تحليل االنحدار يتضمن رسم شكل االنتشار وتوفيق خط االنحدار لقيم المتغير التوضيحي المعيارية‬ ‫‪1‬‬

‫(‪ )Standardized‬وليس القيم الفعلية له‪ ،‬لذلك نلجأ لتمثيل خط االنحدار بهذه الطريقة‪.‬‬

‫‪168‬‬
‫اآلن وفي نافذة المخرجات ستالحظ ظهور خط االنحدار الموفق ومعادلة االنحدار الخطي الموفقة على شكل‬
‫االنتشار‪( ،‬شكل (‪ .))18.5‬ويالحظ من الشكل اقتراب الكثير من نقاط البيانات من خط االنحدار مما يدل على‬
‫انخفاض قيم البواقي وبالتالي وبصورة مبدئية يمكن الحكم على أهمية تأثير المتغير التوضيحي على المتغير التابع‬
‫في نموذج االنحدار‪.‬‬

‫شكل ‪ :18.5‬خط االنحدار الموفق للمتغير "المقرر‪ "1‬على "ساعات_الدراسة" مع شكل االنتشار لهما‪.‬‬

‫‪ 4.5‬تقييم نموذج االنحدار الخطي (‪)Assessment of Linear Regression Model‬‬

‫بعد تقدير معالم نموذج االنحدار الخطي‪ ،‬نكون بحاجة لتقييم هذا النموذج الموفق بمعنى التأكد من مدى‬
‫مالئمته وجودته لالستخدام في تفسير العالقة السببية بين المتغيرات وللتنبؤ ببيانات جديدة‪ .‬وهذا في العموم هو‬
‫شأن أي أسلوب إحصائي يعتمد على التقدير‪ .‬ومن الناحية التطبيقية‪ ،‬فإن هذا التقييم هو في الواقع تقييم لشيئيين‬
‫أساسيين؛‬

‫‪ .1‬طبيعة ومدى تأثير متغير أو أكثر على المتغير التابع‪.‬‬

‫‪ .2‬مدى مالئمة مشاهدات المتغيرين (العينة) للتغير الخطي في العالقة بينهما‪.‬‬

‫والختبار جودة النموذج سنستعرض الطرق التالية؛‬

‫‪ 1.4.5‬معامل االرتباط المتعدد (‪)Multiple R‬‬

‫رغم أننا لم نتطرق لتحليل االنحدار المتعدد بعد‪( ،‬وجود أكثر من متغير توضيحي في النموذج)‪ ،‬إال أنه‬
‫يمكننا استخدام معامل االرتباط ا لمتعدد‪ ،‬والذي يعتبر معامل االرتباط البسيط حالة خاصة منه عند التعامل مع‬

‫‪169‬‬
‫متغيرين فقط‪ .‬والنظرة إلى معامل االرتباط المتعدد بصورة عامة تكون بأنه مقياس لالرتباط بين المتغير التابع‬
‫و"باقي" المتغيرات التوضيحية‪ .‬وفي حالة نموذج االنحدار البسيط‪ ،‬تكون قيمة معامل االرتباط المتعدد هي نفسها‬
‫قيمة معامل االرتباط الخطي البسيط (معامل بيرسون) أي أن؛ 𝑌𝑋𝑟 = 𝑅‪ .‬وبالطبع‪ ،‬فإنه كلما زادت قيمة معامل‬
‫االرتباط المتعدد دل ذلك على قوة العالقة بين المتغير التابع والمتغير التوضيحي (أو المتغيرات التوضيحية) والذي‬
‫بدوره يدل على جودة النموذج الموفق‪ .‬أما بالنسبة لإلشارة الجبرية لمعامل االرتباط المتعدد‪ ،‬فإنه يأخذ نفس إشارة‬
‫معامل االنحدار في نماذج االنحدار البسيط‪ ،‬وتبقى إشارته موجبة في النماذج المتعددة‪ .‬واحرص‪ ،‬كما ذكرنا سابقا‪،‬‬
‫على ضرورة اختبار معامل االرتباط للتأكد من معنويته‪.‬‬

‫‪ 2.4.5‬معامل التحديد 𝟐𝑹 (‪)Coefficient of Determination or R-Squared‬‬

‫معامل التحديد هو مقياس إحصائي يستخدم لقياس جودة توفيق النموذج وهو يمثل نسبة االختالف في‬
‫قيم المتغير التابع التي يفسرها نموذج االنحدار الموفق‪ ،‬أو بمعنى رياضي؛ هو النسبة بين مجموع المربعات‬
‫لالختالف المفسر )̅𝑌 ‪ (𝑦̂𝑖 −‬ومجموع المربعات لالختالف الكلي )̅𝑌 ‪ ،(𝑦𝑖 −‬وبالتالي فإنه يأخذ الصيغة التالية؛‬

‫‪2‬‬
‫‪∑(𝑦̂𝑖 − 𝑌̅)2‬‬
‫= 𝑅‬
‫‪∑(𝑦𝑖 − 𝑌̅)2‬‬

‫ورياضيا أيضا فإن معامل التحديد ما هو إال مربع معامل االرتباط المتعدد‪ ،‬لذلك يمكن كتابة؛‬

‫‪2‬‬‫‪2‬‬
‫‪2‬‬
‫𝑌𝑋𝑆‬ ‫𝑌𝑋𝑆‬ ‫‪(𝐶𝑜𝑣(𝑋, 𝑌))2‬‬
‫= 𝑅‬ ‫‪(𝑅)2‬‬ ‫(=‬ ‫= )‬ ‫=‬
‫𝑌𝑌𝑆 𝑋𝑋𝑆√‬ ‫)𝑌(𝑟𝑎𝑉)𝑋(𝑟𝑎𝑉 𝑌𝑌𝑆 𝑋𝑋𝑆‬

‫والقيمة التي يأخذها معامل التحديد هي نسبة ما يفسره نموذج االنحدار الموفق من العالقة السببية بين المتغير‬
‫التابع والمتغير التوضيحي‪ .‬وكما هو الحال مع معامل االرتباط المتعدد‪ ،‬فإن ارتفاع قيمة معامل التحديد هو مؤشر‬
‫على صحة أو جودة النموذج‪.‬‬

‫مالحظات حول معامل التحديد‪:‬‬ ‫‪‬‬

‫‪ .1‬ستتراوح قيمة ‪ 𝑅 2‬ما بين ‪ 0%‬و‪( ،100%‬بعد ضرب قيمته العشرية في ‪ ،)100‬حيث تدل القيمة ‪0‬‬
‫على أن النموذج لم يفسر أي شيء من االختالف في قيم المتغير التابع من خالل نموذج االنحدار‪،‬‬
‫والقيمة ‪ 100‬تعني أن النموذج الموفق هو "كامل" في توصيف العالقة السببية‪ ،‬وعادة ال يتم الوصول‬
‫لهاتين القيمتين من خالل البيانات في الحياة العملية‪.‬‬
‫‪ .2‬يمكن مراقبة ما "يعكسه" معامل التحديد بيانيا من خالل رسم شكل االنتشار لقيم المتغير التابع الحقيقية‬
‫𝑌 ضد قيمه المقدرة ̂𝑌‪.‬‬

‫‪170‬‬
‫‪ .3‬ال يمكن االعتماد بصورة مطلقة على قيمة معامل التحديد بمفرده للحكم على جودة النموذج ألن القيم‬
‫المرتفعة للمعامل ال تعني "دائما" أن النموذج جيد‪( ،‬كما وأن القيم المنخفضة له قد تظهر أحيانا في‬
‫نماذج ذات معنوية)‪ ،‬ألن قيمته تتعلق بشكل كبير بحجم وطبيعة البيانات وعدد المتغيرات التوضيحية‬
‫في النموذج‪ ،‬ولذلك يجب أن يتم مراقبة كل نتائج تحليل االنحدار‪( ،‬ومن ضمنها نتائج تحليل البواقي‬
‫الذي سنتناوله الحقا)‪ ،‬قبل تقديم الحكم على النموذج الموفق‪.‬‬
‫‪ .4‬يمكن إجراء تعديل على صيغة معامل التحديد لنحصل على معامل التحديد المعدل (‪Adjusted R-‬‬
‫‪ ،)square‬والذي يعد أفضل لدى بعض اإلحصائيين‪ .‬وتعطى صيغته بالصورة؛‬
‫‪2‬‬
‫𝑝‬
‫𝑗𝑑𝑎𝑅‬ ‫) ‪= 𝑅 2 − (1 − 𝑅 2‬‬
‫‪𝑛−𝑝−1‬‬
‫حيث 𝑛 هو حجم العينة‪ ،‬و𝑝 هو عدد المتغيرات التوضيحية في النموذج‪.‬‬

‫‪ 3.4.5‬اختبار معنوية نموذج االنحدار (‪)Testing the Significance of the Regression Model‬‬

‫هذا االختبار في الواقع هو اختبار تحليل التباين المعروف باستخدام اإلحصاءة فيشر 𝐹‪ ،‬وتهدف الختبار‬
‫معنوية نموذج االنحدار الموفق ككل‪ ،‬لذلك فإن هذا االختبار يعد األهم ضمن األساليب المختلفة لتقييم النموذج‪،‬‬
‫حيث يتم اختبار الفرضية الصفرية؛ )نموذج االنحدار غير معنوي( ‪.𝑯𝟎 :‬‬

‫واذا تم رفض الفرضية السابقة عند مستوى معنوية ‪ 𝛼 = 0.05‬ودرجات حرية ))‪ (𝑝, (𝑛 − 𝑝 − 1‬فهذا يعني‬
‫وتعرف قيمة إحصاءة‬
‫أن نموذج االنحدار الموفق جيد (ذو معنوية) ويعبر عن العالقة السببية بين المتغيرات‪ّ .‬‬
‫االختبار بالصيغة‪:‬‬
‫𝑝‪∑(𝑦̂𝑖 − 𝑌̅)2 /‬‬
‫= 𝑐𝐹‬
‫)‪∑(𝑦𝑖 − 𝑦̂𝑖 )2 /(𝑛 − 𝑝 − 1‬‬

‫حيث 𝑛 هي حجم العينة (عدد المشاهدات)‪ ،‬و𝑝 هو عدد المتغيرات التوضيحية‪ .‬أي أن قيمة اإلحصاءة 𝐹‬
‫الحسابية هي عبارة عن النسبة بين مجموع المربعات لالختالف المفسر )̅𝑌 ‪ (𝑦̂𝑖 −‬ومجموع المربعات لالختالف‬
‫غير المفسر )̅𝑌 ‪ (𝑦𝑖 −‬كل مقسوم على درجات الحرية الخاصة به‪ .‬ويتم عمليا حساب قيمة 𝐹 من جدول تحليل‬
‫التباين (‪.)ANOVA‬‬

‫وننوه هنا إلى أن متوسط مجموع مربعات الخطأ هو تقدير تباين حد الخطأ في النموذج؛ ‪ .𝑀𝑆𝐸 = 𝜎̂𝜀2‬ولحساب‬
‫قيم مجاميع المربعات الثالثة األساسية في جدول تحليل التباين نستخدم الصيغ التالية‪ ،‬والتي تسمى بمجاميع‬
‫المربعات المصححة (‪ )Corrected‬والتي تم "ضمن" صيغتها طرح ما يعرف بمعامل التصحيح ( ‪Correction‬‬
‫‪(∑ 𝑌)2‬‬
‫= 𝑇𝐶؛‬ ‫)‪ )Term (CT‬الذي يساوي‬
‫𝑛‬

‫‪171‬‬
 ‫‪𝑛 (𝐶𝑜𝑣(𝑋, 𝑌))2‬‬
‫= 𝑅𝑆𝑆‬
‫)𝑋(𝑟𝑎𝑉‬

‫)𝑌(𝑟𝑎𝑉 𝑛 = 𝑆𝑆𝑇‬

‫} 𝑅𝑆𝑆 ‪𝑆𝑆𝐸 = 𝑇𝑆𝑆 −‬‬

‫‪ 4.4.5‬اختبار معنوية المتغيرات التوضيحية (‪)Testing the Significance of Predictors‬‬

‫هذا االختبار يتعلق بمراقبة أهمية تأثير المتغير التوضيحي على المتغير التابع في نموذج االنحدار‪،‬‬
‫(وفي حالة وجود أكثر من متغير توضيحي في النموذج‪ ،‬فإنه يتم تنفيذ هذا االختبار بعدد هذه المتغيرات)‪ ،‬ويتم‬
‫اختبار الفرضية الصفرية؛‬
‫‪𝐻0 : 𝛽𝑗 = 0‬‬

‫حيث 𝑝 ‪ ، 𝑗 = 1, 2, … ,‬ورفض هذه الفرضية الصفرية عند مستوى معنوية ‪ 𝛼 = 0.05‬ودرجات حرية‬
‫)‪ (𝑛 − 𝑝 − 1‬يدل على أهمية تأثير المتغير التوضيحي ذو الترتيب 𝑗 في نموذج االنحدار‪ .‬وتعرف إحصاءة‬
‫االختبار‪ ،‬وهي اإلحصاءة استيودنت ‪ ،t‬بالصيغة التالية‪:‬‬
‫| 𝑗̂𝛽|‬
‫= 𝑐𝑡‬ ‫‪,‬‬ ‫𝑝 ‪𝑗 = 1, 2, … ,‬‬
‫) 𝑗̂𝛽(𝐸𝑆‬
‫حيث أن؛‬

‫𝐸𝑆𝑀‬
‫√ = ) 𝑗̂𝛽(𝑟𝑎𝑉√ = ) 𝑗̂𝛽(𝐸𝑆‬
‫)𝑋(𝑟𝑎𝑉)‪(𝑛 − 1‬‬

‫وكذلك يمكن إيجاد (تقدير) ‪ (1 − 𝛼)100%‬فترة ثقة لمعالم النموذج 𝑗𝛽 باستخدام الصيغة؛‬

‫‪𝛽𝑗 ∶ 𝛽̂𝑗 ± 𝑡𝛼⁄2 (𝑛 − 𝑝 − 1) 𝑆𝐸(𝛽̂𝑗 ) ,‬‬ ‫𝑝 ‪𝑗 = 1, 2, … ,‬‬

‫ومن فوائد فترة الثقة لمعالم النموذج أنها تزودنا بتقدير للحدود القصوى للقيم التي يمكن أن تأخذها هذه المعالم مما‬
‫يساعد على تقييم النموذج‪.‬‬

‫ولنقم اآلن بتوفيق نموذج انحدار جديد واستخدام طرق التقييم واالختبار السابقة بصورة عملية في برنامج ‪،SPSS‬‬
‫لنفس ملف البيانات "بيانات الطلبة‪ ،"2‬قم في نافذة تحليل االنحدار الخطي‪( ،‬شكل (‪ ،))15.5‬باختيار المتغير‬
‫"المقرر‪ "1‬كمتغير تابع‪ ،‬والمتغير "األسرة" كمتغير توضيحي‪ ،‬ثم اضغط على خيار اإلحصاءات (‪)Statistics‬‬
‫وفي النافذة الفرعية الخاصة به‪( ،‬شكل (‪ ،))16.5‬قم باختيار عرض التقديرات (‪ )Estimates‬وفترات الثقة‬

‫‪172‬‬
‫(‪ )Confidence Intervals‬و توفيق النموذج (‪ )Model Fit‬واإلحصاءات الوصفية (‪ ،)Descriptives‬ثم‬
‫اضغط استمرار للعودة للنافذة األصلية‪ .‬اضغط بعد ذلك موافق فتظهر النتائج في نافذة المخرجات‪.‬‬

‫الجدول األول في تلك النتائج يتضمن األوساط الحسابية واالنحرافات المعيارية وعدد المشاهدات لمتغيري النموذج‪،‬‬
‫والجدول الثاني هو مصفوفة االرتباط‪ ،‬والتي تتضمن معامل ارتباط واحد فقط ألن النموذج يضم متغيرين اثنين‬
‫فقط‪ ،‬ومن هذا الجدول يمكننا مالحظة وجود عالقة عكسية قوية (‪) = −0.904‬األسرة()المقرر‪ )𝑟(1‬ذات معنوية‬

‫عالية (‪ .)P-value = 0‬والجدول الثالث يوضح الطريقة المتبعة في إدخال المتغيرات في النموذج‪.‬‬

‫ومن الجدول األخير في نافذة المخرجات‪( ،‬جدول (‪ ،))8.5‬نستطيع كتابة نموذج االنحدار الموفق كالتالي‪:‬‬

‫𝑖𝑥 ‪𝑦̂𝑖 = 98.994 − 4.613‬‬ ‫‪, 𝑖 = 1, 2, … , 35‬‬

‫وهذا يعني أن كل زيادة بمقدار الوحدة في عدد أفراد أسرة الطالب‪ ( ،‬زيادة فرد واحد)‪ ،‬ستؤدي إلى انخفاض (نظ ار‬
‫لإلشارة السالبة للمعامل) في درجة الطالب بمقدار ‪ 5‬درجات تقريبا (‪ ،)4.613 ≅ 5‬وذلك بإهمال قيمة الجزء‬
‫المقطوع ‪ ،𝛽̂0‬أي أن الزيادة في عدد أفراد األسرة يكون له تأثير سلبي على مستوى الطالب الدراسي‪ ،‬وهذا قد يكون‬
‫بسبب أن اكتظاظ المنزل يؤدي عادة لعدم توفر الجو المناسب للمذاكرة‪ ،‬كما وضحنا سابقا في الجزء الخاص‬
‫بدراسة االرتباط‪.‬‬

‫جدول ‪ :8.5‬نتائج تقدير معالم نموذج االنحدار الخطي للمتغير "المقرر‪ "1‬على المتغير "األسرة"‪.‬‬
‫‪Coefficientsa‬‬
‫‪Unstandardized‬‬ ‫‪Standardized‬‬ ‫‪95.0% Confidence‬‬
‫‪Coefficients‬‬ ‫‪Coefficients‬‬ ‫‪Interval for B‬‬
‫‪Std.‬‬ ‫‪Lower‬‬ ‫‪Upper‬‬
‫‪Model‬‬ ‫‪B‬‬ ‫‪Error‬‬ ‫‪Beta‬‬ ‫‪t‬‬ ‫‪Sig.‬‬ ‫‪Bound‬‬ ‫‪Bound‬‬
‫)‪1 (Constant‬‬ ‫‪98.994‬‬ ‫‪2.549‬‬ ‫‪38.841‬‬ ‫‪.000‬‬ ‫‪93.808‬‬ ‫‪104.179‬‬
‫عدد أفراد أسرة‬
‫‪-4.613‬‬ ‫‪.380‬‬ ‫‪-.904‬‬ ‫‪-12.154‬‬ ‫‪.000‬‬ ‫‪-5.385‬‬ ‫‪-3.841‬‬
‫الطالب‬
‫درجة الطالب في المقرر‪a. Dependent Variable: 1‬‬

‫نأتي اآلن لتقييم جودة نموذج االنحدار البسيط الموفق‪ ،‬فمن نفس الجدول‪( ،‬جدول (‪ ،))8.5‬نستطيع مالحظة أن‬
‫قيمة إحصاءة االختبار الخاص بمعلمة االنحدار هو ‪ ،tc = 38.841‬والقيمة االحتمالية هي (‪،)P-value = 0‬‬
‫وبالتالي يتم رفض الفرضية الصفرية التي تنص على عدم أهمية تأثير المتغير التوضيحي على المتغير‬
‫𝛽 ‪ ،)𝐻0 :‬بمعنى أن عدد أفراد األسرة له تأثير سلبي هام على مستوى الطالب الدراسي (في‬ ‫التابع‪= 0(،‬‬
‫)األسرة(‬

‫المقرر‪.)1‬‬

‫‪173‬‬
‫ومن القيم التي تساعد الباحث في دراسة وتقييم النموذج أيضا هي قيمة الخطأ المعياري لمعامل االنحدار‬

‫‪ ،𝑆𝐸(𝛽̂1 ) = 0.380‬والتي كلما كانت منخفضة كلما دل ذلك من دقة التقدير‪ .1‬وأما القيمة (‪)Beta =-0.904‬‬

‫فهي قيمة معامل االنحدار المعيارية‪.‬‬

‫ومن العامودين األخيرين في الجدول‪ ،‬نستطيع كتابة؛ ‪ −5.385 < 𝛽1 < −3.841‬أي أننا يعني أننا واثقون‬
‫بنسبة ‪ 95%‬بأن تقدير تأثير عدد أفراد األسرة على مستوى الطالب الدراسي سيتراوح في العموم بين انخفاض من‬
‫‪ 4‬إلى ‪ 5‬درجات تقريبا في المقرر‪.1‬‬

‫ومن الجدول الرابع في نافذة المخرجات‪( ،‬جدول (‪ ،))9.5‬والذي يمثل قيم معامل االرتباط المتعدد ومعامل التحديد‬
‫ومعامل التحديد المعدل‪ ،‬يمكننا أوال مالحظة أن قيمة معامل االرتباط المتعدد‪ ،‬والتي تدل على وجود عالقة قوية‬
‫جدا بين المتغيرين‪ ،‬هي نفسها قيمة معامل بيرسون لالرتباط الثنائي‪ ،)R = 0.904( ،‬ولكن بدون اإلشارة السالبة‪.‬‬

‫جدول ‪ :9.5‬قيم معامل التحديد لنموذج انحدار "المقرر‪ "1‬على "األسرة"‪.‬‬

‫‪Model Summary‬‬
‫‪Model‬‬ ‫‪R‬‬ ‫‪R Square‬‬ ‫‪Adjusted R Square‬‬ ‫‪Std. Error of the Estimate‬‬
‫‪1‬‬ ‫‪.904a‬‬ ‫‪.817‬‬ ‫‪.812‬‬ ‫‪6.769‬‬
‫عدد أفراد أسرة الطالب ‪a. Predictors: (Constant),‬‬

‫وبالنظر لقيمة معامل التحديد (‪ ،)R Square‬يمكننا القول بأن نموذج االنحدار الموفق يفسر ‪ 82%‬تقريبا من‬
‫االختالف في درجات الطالب في المقرر‪( 1‬المتغير التابع) اعتمادا على عدد أفراد األسرة (المتغير التوضيحي)‪،‬‬
‫وهذه النسبة في التفسير تعد جيدة جدا‪ ،‬وكذلك األمر مع قيمة معامل التحديد المعدل الذي يكون له نفس التعليق‪.‬‬

‫ونأتي اآلن لالختبار األكثر أهمية في تقييم نموذج االنحدار الموفق‪ ،‬أي اختبار النموذج ككل‪ ،‬وهو اختبار تحليل‬
‫التباين‪.‬‬

‫جدول ‪ :10.5‬جدول تحليل التباين لنموذج انحدار "المقرر‪ "1‬على "األسرة"‪.‬‬

‫‪ANOVAa‬‬
‫‪Model‬‬ ‫‪Sum of Squares df Mean Square‬‬ ‫‪F‬‬ ‫‪Sig.‬‬
‫‪1 Regression‬‬ ‫‪6767.575‬‬ ‫‪1‬‬ ‫‪6767.575 147.708 .000b‬‬
‫‪Residual‬‬ ‫‪1511.967 33‬‬ ‫‪45.817‬‬
‫‪Total‬‬ ‫‪8279.543 34‬‬
‫درجة الطالب في المقرر‪a. Dependent Variable: 1‬‬
‫عدد أفراد أسرة الطالب ‪b. Predictors: (Constant),‬‬

‫ففي الجدول الخامس في نافذة المخرجات‪( ،‬جدول (‪ ،))10.5‬يمكننا استنتاج أن نموذج انحدار "المقرر‪ "1‬على‬
‫"األسرة" هو نموذج معنوي‪ ،‬حيث أن ‪ Fc = 147.708‬بقيمة احتمالية ‪ P-value = 0‬مما يدفعنا لرفض الفرضية‬
‫الصفرية )نموذج االنحدار غير معنوي( ‪.𝐻0 :‬‬

‫عادة ما تستخدم قيم الخطأ المعياري في المقارنة بين عدة نماذج انحدار لنفس المتغيرات ولكن باستخدام عينات مختلفة أو نماذج يتم‬ ‫‪1‬‬

‫فيها تغيير المتغيرات التوضيحية مع "تثبيت" المتغير التابع‪.‬‬

‫‪174‬‬
‫وهكذا‪ ،‬وكمحصلة لنتائج تقييم نموذج االنحدار السابقة‪ ،‬يمكننا استنتاج أن نموذج انحدار درجات الطلبة في‬
‫المقرر‪ 1‬على عدد أفراد األسرة هو نموذج جيد التوفيق ويمكن استخدامه لدراسة العالقة بين هذين المتغيرين وللتنبؤ‪.‬‬

‫فمثال؛ يمكننا التنبؤ بدرجات طالب ما في المقرر‪ 1‬بناء على قيمة افتراضية أو أكثر لعدد أفراد األسرة‪ ،‬ولنأخذ‬
‫القيمة ‪ 𝑥0 = 14‬لعدد أفراد أسرة‪ ،‬فعندها يكون‪ ،𝑦̂0 = 98.994 − 4.613 (14) = 34.412 :‬بمعنى أنه‬
‫إذا أصبح عدد أفراد أسرة أحد الطلبة ‪ 14‬فردا فإن درجته في المقرر‪ 1‬ستنخفض إلى ‪ 34‬درجة تقريبا‪.‬‬

‫وختاما لهذا المثال‪ ،‬لنقم برسم خط االنحدار الموفق كما وضحنا أعاله‪ .‬قم في شريط األوامر العلوي باختيار‬
‫‪ Graphs>Legacy Dialogs>Scatter/Dot‬ثم اختر االنتشار البسيط‪ ،‬ثم اضغط تعريف‪ .‬وفي نافذة تعريف‬
‫المتغيرات اختر المتغير "المقرر‪ "1‬وقم بنقله لمربع المحور الصادي واختر متغير "األسرة" وانقله لمربع المحور‬
‫السيني ثم اضغط موافق‪.‬‬

‫بعد ظهور الرسم في نافذة المخرجات‪ ،‬قم بالنقر المزدوج عليه لتظهر نافذة تحرير الرسم (‪ ،)Chart Editor‬وفي‬
‫شريط األوامر العلوي لتلك النافذة اختر ‪ Elements>Fit Line at Total‬ثم قم بالضغط على إغالق في تلك‬
‫النافذة للعودة لنافذة تحرير الرسم‪ ،‬ثم أغلق نافذة التحرير‪ ،‬وسيكون شكل االنتشار للمتغيرين مع خط االنحدار‬
‫الموفق كما هو في الشكل (‪ ،)19.5‬ويالحظ من انتشار النقاط طبيعة العالقة العكسية بين درجات الطلبة في‬
‫المقرر‪ 1‬وعدد أفراد األسرة‪.‬‬

‫شكل ‪ :19.5‬خط االنحدار الموفق للمتغير "المقرر‪ "1‬على متغير "األسرة" مع شكل االنتشار لهما‪.‬‬

‫ونشير هنا إلى أنه من المفيد أحيانا النظر لقيمة (تقدير) الجزء المقطوع من المحور الصادي‪ ، 𝛽̂0 ،‬حيث أن القيم‬
‫المرتفعة لهذا المعامل قد تعني في بعد األحيان ما يعرف بنقص توصيف النموذج أي نقص في عدد المتغيرات‬

‫‪175‬‬
‫التوضيحية الالزمة لتكوين نموذج االنحدار األفضل‪ .‬لذلك‪ ،‬وفي كثير من الدراسات عادة ما نتجه لتكوين نماذج‬
‫انحدار خطي متعددة بهدف مراقبة تأثير عدة متغيرات توضيحية على المتغير التابع‪ ،‬وهذا أقرب للواقع العملي‬
‫مهما كان مصدر متغيرات النموذج‪ .‬وهكذا سنتناول التعامل مع نماذج االنحدار الخطي المتعدد في الجزء التالي‪.‬‬

‫‪ 5.5‬تحليل االنحدار الخطي المتعدد (‪)Multiple Linear Regression Analysis‬‬

‫في الكثير من الدراسات التي تتطلب تطبيق أسلوب تحليل االنحدار‪ ،‬نجد أن توصيف العالقة السببية‬
‫بين متغيرات الدراسة بمتغيرين فقط عادة ما يكون فيه نقص في هذا التوصيف‪ ،‬بمعنى أن التغير في قيم المتغير‬
‫التابع سيعتمد في الغالب على أكثر من متغير توضيحي واحد‪ ،‬وهنا تبرز الحاجة إلدراج عدة متغيرات توضيحية‬
‫في النموذج لتوصيف العالقة السببية بشكل أوسع‪ .‬وهكذا يمكن تعريف نموذج االنحدار المتعدد للمتغير التابع على‬
‫𝑝 متغير توضيحي بالصورة التالية؛‬

‫𝑖𝜀 ‪𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 +‬‬

‫أو‬
‫𝑝‬
‫∑ ‪𝑦𝑖 = 𝛽0 +‬‬ ‫𝑖𝜀 ‪𝛽𝑗 𝑥𝑖𝑗 +‬‬
‫‪𝑗=1‬‬

‫حيث 𝑛 ‪ ، 𝑖 = 1, 2, … ,‬و 𝑝 ‪.𝑗 = 1, 2, … ,‬‬

‫ولنقم باستخدام متغيرات ملف البيانات "بيانات الطلبة‪ "2‬لتوفيق نموذج انحدار متعدد وتفسير النتائج‪ .‬ومن الناحية‬
‫العملية في الدراسات المتضمنة الستخدام أسلوب تحليل االنحدار المتعدد‪ ،‬يمكننا قبل البدء بتوفيق نموذج االنحدار‬
‫الخطي المتعدد أن "نستكشف" طبيعة العالقة بين المتغير التابع وكل متغير من المتغيرات التوضيحية‪ ،‬وذلك عن‬
‫طريق حساب معامل االرتباط الخطي البسيط لكل زوج منهما‪.‬‬

‫ولنفرض أننا نريد توفيق نموذج انحدار خطي لدراسة تأثير المتغيرات التوضيحية‪ :‬درجة الطالب في المقرر‪3‬‬
‫("مقرر‪ ،)"3‬وعمر الطالب ("العمر")‪ ،‬وعدد أفراد أسرة الطالب ("األسرة")‪ ،‬ومعدل ساعات دراسة الطالب اليومية‬
‫("ساعات_الدراسة") على متغير االستجابة وهو درجة الطالب في المقرر‪"( 2‬مقرر‪.)"2‬‬

‫سنقوم أوال بحساب مصفوفة االرتباط للعالقات الثنائية بين المتغير التابع وكل متغير توضيحي لمراقبة وجود (أو‬
‫عدم وجود) عالقة خطية بينهما‪ .‬في شريط األوامر العلوي قم باختيار ‪ Analyze>Correlate>Bivariate‬وفي‬
‫نافذة االرتباط البسيط‪( ،‬الشكل (‪ ،))10.5‬سنقوم باختيار المتغيرات "مقرر‪" ،"2‬مقرر‪" ،"3‬العمر"‪" ،‬األسرة"‪،‬‬
‫و"ساعات_الدراسة" ونقلها إلى مربع المتغيرات (‪ )Variables‬على اليمين‪ ،‬ثم نضغط موافق‪.‬‬

‫‪176‬‬
‫ستظهر مصفوفة االرتباط المطلوبة في نافذة المخرجات‪( ،‬جدول (‪ ،))11.5‬وسنقوم باستخدام تلك المصفوفة بتحليل‬
‫أربعة عالقات فقط‪( ،‬وهي عالقة المتغير التابع بكل متغير توضيحي)‪ ،‬كما يلي‪:‬‬

‫جدول ‪ :11.5‬مصفوفة معامالت االرتباط بين المتغيرات "مقرر‪" ،"2‬مقرر‪" ،"3‬العمر"‪" ،‬األسرة"‪ ،‬و"ساعات_الدراسة"‪.‬‬
‫‪Correlations‬‬
‫درجة‬ ‫معدل ساعات‬
‫درجة الطالب‬ ‫الطالب في‬ ‫عمر الطالب‬ ‫عدد أفراد‬ ‫الدراسة‬
‫في المقرر‪2‬‬ ‫المقرر‪3‬‬ ‫ﺑالسنوات‬ ‫أسرة الطالب‬ ‫اليومية‬
‫‪ Pearson Correlation‬درجة الطالب‬ ‫‪1‬‬ ‫‪.055‬‬ ‫‪-.454-‬‬ ‫**‬
‫‪-.907-‬‬ ‫**‬
‫**‪.847‬‬
‫في المقرر‪2‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.752‬‬ ‫‪.006‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫‪ Pearson Correlation‬درجة الطالب‬ ‫‪.055‬‬ ‫‪1‬‬ ‫‪-.082‬‬ ‫‪-.102‬‬ ‫‪-.089‬‬
‫في المقرر‪3‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.752‬‬ ‫‪.639‬‬ ‫‪.561‬‬ ‫‪.610‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫عمر الطالب‬ ‫‪Pearson Correlation‬‬ ‫**‪-.454-‬‬ ‫‪-.082‬‬ ‫‪1‬‬ ‫‪.292‬‬ ‫**‪-.456-‬‬
‫ﺑالسنوات‬
‫)‪Sig. (2-tailed‬‬ ‫‪.006‬‬ ‫‪.639‬‬ ‫‪.089‬‬ ‫‪.006‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫عدد أفراد‬ ‫‪Pearson Correlation‬‬ ‫‪-.907-‬‬ ‫**‬
‫‪-.102‬‬ ‫‪.292‬‬ ‫‪1‬‬ ‫**‪-.764-‬‬
‫أسرة الطالب‬
‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬ ‫‪.561‬‬ ‫‪.089‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫معدل ساعات‬ ‫‪Pearson Correlation‬‬ ‫**‪.847‬‬ ‫‪-.089‬‬ ‫**‪-.456-‬‬ ‫**‪-.764-‬‬ ‫‪1‬‬
‫الدراسة‬
‫اليومية‬ ‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬ ‫‪.610‬‬ ‫‪.006‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬

‫نالحظ وجود عالقة خطية ضعيفة جدا بين درجة الطالب في المقرر‪ 2‬ودرجته في المقرر‪r = 0.055 ( ،3‬‬ ‫‪‬‬
‫و‪.)Sig. = 0.752‬‬
‫توجد عالقة خطية عكسية معنوية بين درجة الطالب في المقرر‪ 2‬وعمره‪ r = -0.454( ،‬و‪.)Sig. = 0.006‬‬ ‫‪‬‬
‫وتوجد عالقة خطية عكسية قوية جدا بين درجة الطالب في المقرر‪ 2‬وعدد أفراد أسرته‪ ،‬حيث (‪r = -0.907‬‬ ‫‪‬‬
‫و‪.)Sig. = 0‬‬
‫كذلك توجد عالقة خطية طردية قوية جدا بين درجة الطالب في المقرر‪ 2‬معدل ساعات دراسته اليومية‪ ،‬حيث‬ ‫‪‬‬
‫(‪ r = 0.847‬و ‪.)Sig. = 0‬‬

‫ويمكننا إضافة لما سبق‪ ،‬استخدام مصفوفة شكل االنتشار لمراقبة العالقات السابقة بصورة مرئية كما يظهر في‬
‫شكل (‪ ،)20.5‬حيث أن العالقات األربعة موجودة في الصف األول من الرسم‪ ،‬ويالحظ على األخص انتشار‬
‫النقاط بشكل عشوائي غير محدد لدرجة الطالب في المقرر‪ 2‬ودرجته في المقرر‪ ،3‬ووجود عالقة عكسية "ال بأس‬
‫بها" بين درجة الطالب في المقرر‪ 2‬وعمره‪.‬‬

‫‪177‬‬
 ‫شكل ‪ :20.5‬مصفوفة شكل االنتشار للمتغيرات "مقرر‪" ،"2‬مقرر‪" ،"3‬العمر"‪" ،‬األسرة"‪ ،‬و"ساعات_الدراسة"‪.‬‬

‫وبالتالي يمكننا مبدئيا القول بأن المتغيرات الثالثة؛ عمر الطالب وعدد أفراد أسرته ومعدل ساعات دراسته ستكون‬
‫متغيرات "مؤهلة" لتكوين نموذج انحدار خطي جيد مع متغير درجة الطالب في المقرر‪ .2‬أما متغير درجة الطالب‬
‫في المقرر‪ 3‬فالرأي األولي يشير بأنه لن يكون ذو أهمية في التأثير على المتغير التابع‪ ،‬إال أننا‪ ،‬وبدافع تقديم شرح‬
‫متك امل لتفسير نتائج االنحدار المتعدد‪ ،‬سنكمل توفيق نموذج االنحدار بكل متغيرات الدراسة المقترحة منذ البداية‪.‬‬

‫لتوفيق نموذج االنحدار المتعدد المطلوب نقوم في نافذة تحليل االنحدار الخطي‪( ،‬شكل (‪ ،))15.5‬باختيار المتغير‬
‫"المقرر‪ "2‬كمتغير تابع‪ ،‬والمتغيرات "مقرر‪" ،"3‬العمر"‪" ،‬األسرة"‪ ،‬و"ساعات_الدراسة" كمتغيرات توضيحية‪ ،‬ثم نضغط‬
‫على خيار اإلحصاءات (‪ )Statistics‬وفي النافذة الفرعية الخاصة به‪ ،‬نختار عرض التقديرات (‪)Estimates‬‬
‫وفترات الثقة (‪ )Confidence Intervals‬وتوفيق النموذج (‪ ،)Model Fit‬ثم نضغط استمرار للعودة للنافذة‬
‫األصلية‪ ،‬ونضغط بعد ذلك موافق فتظهر النتائج في نافذة المخرجات‪ ،‬وسنعرض هنا الجداول الثالثة المهمة في‬
‫تلك النافذة تباعا بحسب ترتيب تفسير النتائج المنطقي؛ من جدول (‪ ،)12.5‬نستطيع كتابة نموذج االنحدار المتعدد‬
‫الموفق كالتالي‪:‬‬

‫‪𝑦̂𝑖 = 109.369 + 0.007𝑥𝑖1 − 1.203𝑥𝑖2 − 3.189𝑥𝑖3 + 3.220𝑥𝑖4‬‬ ‫‪, 𝑖 = 1, 2, … , 35‬‬

‫أو بطريقة أخرى؛‬

‫̂‬
‫𝑖)ساعات_الدراسة(‪)𝑖 + 3.220‬األسرة(‪)𝑖 − 3.189‬العمر(‪)𝑖 − 1.203‬المقرر‪)𝑖 = 109.369 + 0.007(3‬المقرر‪(2‬‬

‫‪178‬‬
 ‫ويمكن تفسير قيم معامالت االنحدار بالصورة التالية‪:‬‬

‫زيادة درجة واحدة في المقرر‪ 3‬لن يؤدي لزيادة تذكر في درجات الطالب في المقرر‪.)𝛽̂1 = 0.007( ،2‬‬ ‫‪‬‬
‫زيادة سنة واحدة في عمر الطالب يؤدي النخفض قدره درجة واحدة تقريبا في درجات الطالب في المقرر‪،2‬‬ ‫‪‬‬
‫(‪.)𝛽̂2 = −1.203‬‬
‫زيادة فرد واحد في أسرة الطالب يؤدي النخفض قدره ‪ 3‬درجات تقريبا في درجات الطالب في المقرر‪،2‬‬ ‫‪‬‬
‫(‪.)𝛽̂3 = −3.189‬‬
‫زيادة ساعة واحدة في معدل ساعات المذاكرة اليومية للطالب يؤدي الرتفاع قدره ‪ 3‬درجات تقريبا في‬ ‫‪‬‬
‫درجات الطالب في المقرر‪ .)𝛽̂4 = 3.220( ،2‬وذلك بإهمال قيمة الجزء المقطوع ‪ 𝛽̂0‬في النموذج‪.‬‬

‫جدول ‪ : 12.5‬نتائج تقدير معالم نموذج االنحدار الخطي المتعدد للمتغير "المقرر‪ "2‬على المتغيرات "مقرر‪" ،"3‬العمر"‪" ،‬األسرة"‪،‬‬
‫و"ساعات_الدراسة"‪.‬‬
‫‪Coefficientsa‬‬
‫‪Unstandardized‬‬ ‫‪Standardized‬‬ ‫‪95.0% Confidence‬‬
‫‪Coefficients‬‬ ‫‪Coefficients‬‬ ‫‪Interval for B‬‬
‫‪Std.‬‬ ‫‪Lower‬‬ ‫‪Upper‬‬
‫‪Model‬‬ ‫‪B‬‬ ‫‪Error‬‬ ‫‪Beta‬‬ ‫‪t‬‬ ‫‪Sig.‬‬ ‫‪Bound‬‬ ‫‪Bound‬‬
‫)‪1 (Constant‬‬ ‫‪109.369‬‬ ‫‪17.876‬‬ ‫‪6.118‬‬ ‫‪.000‬‬ ‫‪72.862‬‬ ‫‪145.877‬‬
‫درجة الطالب في‬
‫‪.007‬‬ ‫‪.067‬‬ ‫‪.006‬‬ ‫‪.098‬‬ ‫‪.923‬‬ ‫‪-.130‬‬ ‫‪.143‬‬
‫المقرر‪3‬‬
‫عمر الطالب‬
‫‪-1.203‬‬ ‫‪.630‬‬ ‫‪-.130‬‬ ‫‪-1.909‬‬ ‫‪.066‬‬ ‫‪-2.490‬‬ ‫‪.084‬‬
‫ﺑالسنوات‬
‫عدد أفراد أسرة‬
‫‪-3.189‬‬ ‫‪.481‬‬ ‫‪-.641‬‬ ‫‪-6.633‬‬ ‫‪.000‬‬ ‫‪-4.171‬‬ ‫‪-2.207‬‬
‫الطالب‬
‫معدل ساعات‬
‫‪3.220‬‬ ‫‪1.128‬‬ ‫‪.298‬‬ ‫‪2.854‬‬ ‫‪.008‬‬ ‫‪.916‬‬ ‫‪5.525‬‬
‫الدراسة اليومية‬
‫درجة الطالب في المقرر‪a. Dependent Variable: 2‬‬

‫ولتقييم جودة نموذج االنحدار الموفق‪ ،‬ومن نفس الجدول‪( ،‬جدول (‪ ،))12.5‬نتجه لقبول الفرضية الصفرية التي‬
‫تنص على عدم أهمية تأثير المتغيرات "مقرر‪ "3‬و"العمر" على درجة الطالب في المقرر‪ ،2‬ورفض نفس الفرضية‬
‫الصفرية بالنسبة للمتغيرين "األسرة" و"ساعات_الدراسة"‪.‬‬

‫وقبل الوثوب لالستنتاجات النهائية‪ ،‬نكمل تحليل المخرجات‪ ،‬فمن فترات الثقة لمعالم النموذج نستطيع كتابة‪:‬‬

‫لمتغير "األسرة" لدينا‪ −4.171 < 𝛽3 < −2.207 :‬أي أننا يعني أننا واثقون بنسبة ‪ 95%‬بأن تقدير‬ ‫‪‬‬
‫تأثير عدد أفراد األسرة على درجات الطالب في المقرر‪ 2‬سيتراوح في العموم بين انخفاض من ‪ 2‬إلى ‪ 4‬درجات‬
‫تقريبا‪.‬‬
‫لمتغير "ساعات_الدراسة" يكون‪ 0.916 < 𝛽4 < 5.525 :‬بمعنى أننا يعني أننا واثقون بنسبة ‪95%‬‬ ‫‪‬‬
‫بأن تقدير تأثير معدل ساعات الدراسة اليومية على درجات الطالب في المقرر‪ 2‬سيتراوح في العموم بين ارتفاع‬
‫من درجة واحدة إلى ‪ 6‬درجات تقريبا‪.‬‬

‫‪179‬‬
‫أما بالنسبة للمتغيرين التوضيحيين اآلخرين فلن يتم التعليق على فترات الثقة الخاصة بمعامالت االنحدار لهما نظ ار‬
‫لعدم أهميتهما في النموذج‪.‬‬

‫من جدول قيم معامل االرتباط المتعدد ومعامل التحديد ومعامل التحديد المعدل‪( ،‬جدول (‪ ،))13.5‬يمكن مشاهدة‬
‫أن قيمة معامل االرتباط المتعدد تدل على وجود عالقة قوية جدا بين المتغير التابع وباقي المتغيرات التوضيحية‬
‫ككل‪.‬‬

‫وبالنظر لقيمة معامل التحديد‪ ،‬يمكننا القول بأن نموذج االنحدار الموفق يفسر ‪ 89%‬تقريبا من االختالف في‬
‫درجات الطالب في المقرر‪( 2‬المتغير التابع) اعتمادا على المتغيرات التوضيحية في النموذج‪ ،‬وهي نسبة ممتازة‬
‫للنموذج‪ ،‬وكذلك األمر مع قيمة معامل التحديد المعدل‪.‬‬

‫جدول ‪ :13.5‬قيم معامل التحديد لنموذج انحدار "المقرر‪ "1‬على المتغيرات "مقرر‪" ،"3‬العمر"‪،‬‬
‫"األسرة"‪ ،‬و"ساعات_الدراسة"‪.‬‬
‫‪Model Summary‬‬
‫‪Model‬‬ ‫‪R‬‬ ‫‪R Square Adjusted R Square Std. Error of the Estimate‬‬
‫‪1‬‬ ‫‪.945a‬‬ ‫‪.894‬‬ ‫‪.879‬‬ ‫‪5.284‬‬
‫عمر الطالب ﺑالسنوات‪ ,‬عدد ‪,‬معدل ساعات الدراسة اليومية‪ ,‬درجة الطالب في المقرر‪a. Predictors: (Constant), 3‬‬
‫أفراد أسرة الطالب‬

‫وأما من نتيجة تحليل التباين لنموذج االنحدار الموفق‪( ،‬جدول (‪ ،))14.5‬فنخلص إلى أن نموذج انحدار "المقرر‪"2‬‬
‫على باقي المتغيرات التوضيحية هو نموذج معنوي‪ ،‬حيث أن ‪ Fc = 63.015‬بقيمة احتمالية ‪ P-value = 0‬مما‬
‫يدفعنا لرفض الفرضية الصفرية )نموذج االنحدار غير معنوي( ‪.𝐻0 :‬‬

‫جدول ‪ :14.5‬جدول تحليل التباين لنموذج انحدار "المقرر‪ "1‬على المتغيرات "مقرر‪" ،"3‬العمر"‪" ،‬األسرة"‪،‬‬
‫و"ساعات_الدراسة"‪.‬‬
‫‪ANOVAa‬‬
‫‪Model‬‬ ‫‪Sum of Squares‬‬ ‫‪df‬‬ ‫‪Mean Square‬‬ ‫‪F‬‬ ‫‪Sig.‬‬
‫‪1‬‬ ‫‪Regression‬‬ ‫‪7037.382‬‬ ‫‪4‬‬ ‫‪1759.346‬‬ ‫‪63.015‬‬ ‫‪.000b‬‬
‫‪Residual‬‬ ‫‪837.589‬‬ ‫‪30‬‬ ‫‪27.920‬‬
‫‪Total‬‬ ‫‪7874.971‬‬ ‫‪34‬‬
‫درجة الطالب في المقرر‪a. Dependent Variable: 2‬‬
‫معدل ساعات الدراسة اليومية‪ ,‬درجة الطالب في المقرر‪ ,3‬عمر الطالب ﺑالسنوات‪ ,‬عدد أفراد أسرة الطالب ‪b. Predictors: (Constant),‬‬

‫وهكذا‪ ،‬فإنه يمكن القول بأن نموذج انحدار درجات الطلبة في المقرر‪ 2‬على المتغيرات "مقرر‪" ،"3‬العمر"‪" ،‬األسرة"‪،‬‬
‫و"ساعات_الدراسة" هو نموذج جيد التوفيق في العموم‪ ،‬ولكن يجب أن ال يشتمل على المتغيرين "مقرر‪ "3‬و"العمر"‬
‫نظ ار النخفاض تأثيرهما وافتقارهما لعالقة سببية قوية مع درجات الطلبة في المقرر‪ .2‬وهذا يعني أن المتغيرات‬
‫األكثر أهمية في التأثير على درجة الطالب في المقرر‪ 2‬هما عدد أفراد األسرة ومعدل ساعات الدراسة اليومية‪،‬‬
‫والحظ أن المتغير التوضيحي "العمر" لم يجتز اختبار المعنوية رغم ارتباطه بالمتغير التابع بشكل معنوي عند‬
‫حساب معامل االرتباط‪.‬‬

‫‪180‬‬
‫والستخدام نموذج االنحدار في التنبؤ‪ ،‬يمكنك التعويض بأي قيم تنبؤيه (للمتغيرات التوضيحية) في النموذج الموفق‬
‫للحصول على قيمة تقديرية لدرجات الطلبة في المقرر‪ ،2‬أال أنه من المنطقي إعادة توفيق النموذج أوال باستخدام‬
‫المتغيرات التي أظهرت تأثي ار معنويا في النتائج السابقة بدال من استخدام النموذج السابق في التنبؤ‪ .‬في هذه‬
‫المرحلة‪ ،‬نقترح على القارئ إعادة توفيق نموذج االنحدار الخطي المتعدد‪:‬‬

‫‪ .1‬باستخدام المتغير "مقرر‪ "2‬كمتغير تابع والمتغيرين "األسرة"‪ ،‬و"ساعات_الدراسة" كمتغيرات توضيحية‬
‫ومالحظة التغير في نتائج التحليل‪.‬‬

‫‪ .2‬باستخدام متغيرات أخرى من ملف البيانات "بيانات الطلبة‪ "2‬كمتغيرات تابعة تارة وتوضيحية تارة أخرى‬
‫ومحاولة الوصول لنماذج جيدة‪.1‬‬

‫‪ 6.5‬تقييم فرضيات النموذج الخطي وتحليل البواقي‬

‫(‪)Assessing Model Assumptions and Residual Analysis‬‬

‫في البند (‪ ،)2.3.5‬تم عرض الفرضيات التي ترتكز عليها طريقة المربعات الصغرى االعتيادية أو كما‬
‫يطلق عليها فرضيات نموذج االنحدار الخطي‪ ،‬وفي هذا البند‪ ،‬سنعرض بعض النقاط الهامة حول كيفية تقييم‬
‫بعض فرضيات النموذج الخطي والتي سيتعلق كثير منها بتحليل البواقي‪ ،‬التي تمثل ابتعاد قيم المتغير التابع المقدرة‬
‫عن قيمه الفعلية‪.‬‬

‫‪ 1.6.5‬فرضية خطية النموذج (‪)Linearity of the Model Assumption‬‬

‫حيث أنه ال يمكن رسم شكل االنتشار أو خط االنحدار للنموذج الموفق عند وجود أكثر من متغيرين‬
‫توضيحيين في النموذج‪( ،‬بمعنى أننا لن نستطيع تخطي األبعاد الثالثة (‪ )3D‬في تمثيل البياني)‪ ،‬فإننا نلجأ لرسم‬
‫شكل االنتشار للمتغير التابع مع كل متغير توضيحي على حدة ومراقبة سلوك نقاط االنتشار‪ ،‬فإذا كان نمط انتشار‬
‫النقاط في "معظم" األشكال يأخذ السلوك الخطي‪( ،‬إضافة لوجود معامالت ارتباط خطي معنوية)‪ ،‬فإننا نستطيع‬
‫القول إن نموذج االنحدار يحقق فرضية الخطية‪.‬‬

‫في مفهوم تحليل االنحدار الخطي المتعدد توجد عدة طرق لبناء النماذج‪ ،‬ومنها ما يعرف باختيار النموذج األفضل ( ‪Best Model‬‬ ‫‪1‬‬

‫‪ )selection‬باستخدام مجموعة من المتغيرات‪ ،‬إال أن المجال ال يسمح هنا بعرضها‪.‬‬

‫‪181‬‬
‫سنستخدم البيانات في جدول (‪ )15.5‬كتطبيق عملي على تقييم فرضيات النموذج الخطي وتحليل البواقي‪ ،‬وهذه‬
‫البيانات تضم خمسة متغيرات تمثل نتائج اختبارات تقييم‬

‫جدول ‪ :15.5‬نتائج تقييم نفسي لعينة من ‪ 25‬شخص‪.‬‬ ‫نفسي وسلوكي لعينة مكونة من ‪ 25‬شخصا في مركز‬
‫التشخيص‬ ‫متخصص للتقييم السلوكي واإلداركي‪ ،‬حيث يخضع‬
‫تقييم‪1‬‬ ‫تقييم‪2‬‬ ‫تقييم‪3‬‬ ‫تقييم‪4‬‬
‫السلوكي‬
‫الشخص ألربعة اختبارات مختلفة‪( ،‬تقييم‪ ،... ،1‬تقييم‪،)4‬‬
‫‪1‬‬ ‫‪36‬‬ ‫‪60‬‬ ‫‪50‬‬ ‫‪37‬‬ ‫‪38‬‬
‫‪2‬‬ ‫‪12‬‬ ‫‪47‬‬ ‫‪49‬‬ ‫‪50‬‬ ‫‪30‬‬ ‫ثم يتم منحه التشخيص النفسي النهائي بناء على نتائج‬
‫‪3‬‬ ‫‪60‬‬ ‫‪57‬‬ ‫‪53‬‬ ‫‪53‬‬ ‫‪46‬‬
‫‪4‬‬ ‫‪51‬‬ ‫‪67‬‬ ‫‪43‬‬ ‫‪45‬‬ ‫‪26‬‬ ‫التقييمات األربعة من خالل مؤشرات خاصة‪ ،‬وهذه‬
‫‪5‬‬ ‫‪50‬‬ ‫‪51‬‬ ‫‪45‬‬ ‫‪38‬‬ ‫‪30‬‬
‫‪6‬‬ ‫‪28‬‬ ‫‪35‬‬ ‫‪45‬‬ ‫‪34‬‬ ‫‪23‬‬ ‫التقييمات بما فيها التشخيص السلوكي النهائي يتم حسابها‬
‫‪7‬‬ ‫‪70‬‬ ‫‪27‬‬ ‫‪30‬‬ ‫‪24‬‬ ‫‪8‬‬
‫‪8‬‬ ‫‪55‬‬ ‫‪72‬‬ ‫‪66‬‬ ‫‪52‬‬ ‫‪66‬‬ ‫على مقياس من ‪ 1‬إلى ‪ 100‬درجة‪.‬‬
‫‪9‬‬ ‫‪62‬‬ ‫‪69‬‬ ‫‪56‬‬ ‫‪55‬‬ ‫‪54‬‬
‫‪10‬‬ ‫‪70‬‬ ‫‪39‬‬ ‫‪55‬‬ ‫‪47‬‬ ‫‪49‬‬
‫‪11‬‬ ‫‪37‬‬ ‫‪31‬‬ ‫‪40‬‬ ‫‪38‬‬ ‫‪14‬‬ ‫وارتفاع درجة التشخيص السلوكي تدل على اقتراب الشخص‬
‫‪12‬‬ ‫‪83‬‬ ‫‪70‬‬ ‫‪63‬‬ ‫‪58‬‬ ‫‪76‬‬
‫‪13‬‬ ‫‪90‬‬ ‫‪71‬‬ ‫‪46‬‬ ‫‪39‬‬ ‫‪44‬‬ ‫من الوضع السلوكي والنفسي الطبيعي‪ ،‬وانخفاض هذه‬
‫‪14‬‬ ‫‪34‬‬ ‫‪63‬‬ ‫‪48‬‬ ‫‪28‬‬ ‫‪21‬‬
‫‪15‬‬ ‫‪56‬‬ ‫‪52‬‬ ‫‪59‬‬ ‫‪59‬‬ ‫‪61‬‬ ‫الدرجة يعد مؤش ار على وجود اضطرابات سلوكية عند هذا‬
‫‪59‬‬ ‫‪79‬‬ ‫‪52‬‬ ‫‪58‬‬ ‫‪59‬‬
‫الشخص‪.‬‬
‫‪16‬‬
‫‪17‬‬ ‫‪54‬‬ ‫‪33‬‬ ‫‪50‬‬ ‫‪52‬‬ ‫‪50‬‬
‫‪18‬‬ ‫‪100‬‬ ‫‪68‬‬ ‫‪57‬‬ ‫‪60‬‬ ‫‪77‬‬
‫سنقوم أوال بإدخال البيانات من الجدول (‪ )15.5‬في ملف‬
‫‪19‬‬ ‫‪48‬‬ ‫‪75‬‬ ‫‪58‬‬ ‫‪45‬‬ ‫‪49‬‬
‫‪20‬‬ ‫‪70‬‬ ‫‪44‬‬ ‫‪45‬‬ ‫‪40‬‬ ‫‪32‬‬
‫‪24‬‬ ‫‪71‬‬ ‫‪41‬‬ ‫‪35‬‬ ‫‪17‬‬
‫بيانات جديد في برنامج ‪ SPSS‬باسم "التشخيص السلوكي"‪،‬‬
‫‪21‬‬
‫‪22‬‬ ‫‪46‬‬ ‫‪64‬‬ ‫‪64‬‬ ‫‪53‬‬ ‫‪59‬‬
‫‪23‬‬ ‫‪54‬‬ ‫‪23‬‬ ‫‪43‬‬ ‫‪30‬‬ ‫‪28‬‬ ‫وسيكون الهدف األساسي من استخدام تحليل االنحدار‬
‫‪24‬‬ ‫‪44‬‬ ‫‪71‬‬ ‫‪65‬‬ ‫‪54‬‬ ‫‪65‬‬
‫‪25‬‬ ‫‪41‬‬ ‫‪79‬‬ ‫‪47‬‬ ‫‪33‬‬ ‫‪33‬‬ ‫الخطي لهذه البيانات هو دراسة كيفية تأثير التقييمات األربع‬
‫على التشخيص السلوكي النهائي لألشخاص‪ ،‬بمعنى أن متغير "التشخيص_السلوكي" سيمثل المتغير التابع في‬
‫النموذج‪ ،‬والمتغيرات "تقييم‪" ،"1‬تقييم‪" ،"2‬تقييم‪ ،"3‬و"تقييم‪ "4‬ستكون المتغيرات التوضيحية‪.‬‬

‫وحيث أننا مهتمون في هذا الجزء بتقييم فرضية خطية نموذج االنحدار‪ ،‬سنقوم أوال بإيجاد مصفوفة معامالت‬
‫االرتباط الخطي البسيط لمراقبة طبيعة ونوع العالقة بين المتغير التابع وبقية المتغيرات التوضيحية‪ .‬في شريط‬
‫األوامر العلوي قم باختيار ‪ Analyze>Correlate>Bivariate‬فتظهر نافذة االرتباط البسيط‪( ،‬الشكل (‪.))10.5‬‬
‫وسنقوم بحساب معامالت االرتباط الخطي البسيط بين كل المتغيرات‪ ،‬فنقوم بنقلها إلى مربع المتغيرات‬
‫(‪ ) Variables‬على اليمين‪ .‬وحيث أن كل المتغيرات المختارة هنا هي متغيرات كمية فسنختار حساب معامل‬
‫بيرسون فقط ثم نضغط موافق فنحصل على مصفوفة االرتباطات البسيطة بين المتغيرات المختارة كما يظهر في‬
‫جدول (‪ .)16.5‬وفي هذا الجدول‪ ،‬ستكون مراقبتنا للصف األخير فقط‪ ،‬أي لمعامالت االرتباط بين المتغير‬
‫"التشخيص_السلوكي" والمتغيرات التوضيحية األربعة‪.‬‬

‫‪182‬‬
 ‫جدول ‪ :16.5‬مصفوفة االرتباطات البسيطة للمتغيرات "تقييم‪" ،"1‬تقييم‪" ،"2‬تقييم‪" ،"3‬تقييم‪ ،"4‬و"التشخيص_السلوكي"‪.‬‬
‫‪Correlations‬‬
‫تقييم‪1‬‬ ‫تقييم‪2‬‬ ‫تقييم‪3‬‬ ‫التشخيص_السلوكي تقييم‪4‬‬
‫تقييم‪1‬‬ ‫‪Pearson Correlation‬‬ ‫‪1‬‬ ‫‪.102‬‬ ‫‪.181‬‬ ‫‪.327‬‬ ‫**‪.514‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.627‬‬ ‫‪.387‬‬ ‫‪.111‬‬ ‫‪.009‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫تقييم‪2‬‬ ‫‪Pearson Correlation‬‬ ‫‪.102‬‬ ‫‪1‬‬ ‫**‪.519‬‬ ‫*‪.397‬‬ ‫*‪.497‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.627‬‬ ‫‪.008‬‬ ‫‪.050‬‬ ‫‪.011‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫تقييم‪3‬‬ ‫‪Pearson Correlation‬‬ ‫‪.181‬‬ ‫**‪.519‬‬ ‫‪1‬‬ ‫**‪.782‬‬ ‫**‪.897‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.387‬‬ ‫‪.008‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫تقييم‪4‬‬ ‫‪Pearson Correlation‬‬ ‫‪.327‬‬ ‫*‪.397‬‬ ‫**‪.782‬‬ ‫‪1‬‬ ‫**‪.869‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.111‬‬ ‫‪.050‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫التشخيص_السلوكي‬ ‫‪Pearson Correlation‬‬ ‫**‪.514‬‬ ‫*‪.497‬‬ ‫**‪.897‬‬ ‫**‪.869‬‬ ‫‪1‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.009‬‬ ‫‪.011‬‬ ‫‪.000‬‬ ‫‪.000‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪*. Correlation is significant at the 0.05 level (2-tailed).‬‬

‫ويالحظ من اختبارات الفروض الخاصة بتلك المعامالت أن العالقة بين المتغير التابع وكل المتغيرات التوضيحية‬
‫هي عالقة خطية ذات معنوية‪ .)P-value < 0.05( ،‬وان كانت عالقة "التشخيص_السلوكي" بالمتغيرين "تقييم‪"3‬‬
‫و"تقييم‪ "4‬تعد أقوى بكثير من المتغيرين اآلخرين‪ .‬ولرؤية الصورة بشكل أوضح‪ ،‬سنقوم باستخدام التمثيل البياني‬
‫لتلك المعامالت‪ ،‬أي أننا سنستخدم مصفوفة شكل االنتشار‪.‬‬

‫في شريط األوامر العلوي قم باختيار ‪ Graphs>Legacy Dialogs>Scatter/Dot‬وفي نافذة اختيار شكل‬
‫االنتشار‪ ،‬قم باختيار شكل مصفوفة االنتشار ثم اضغط تعريف وفي النافذة الفرعية قم باختيار كل المتغيرات ونقلها‬
‫إلى مربع متغيرات المصفوفة (‪ )Matrix Variables‬ثم اضغط موافق‪.‬‬

‫في نافذة المخرجات‪ ،‬سنالحظ من الصف األخير في مصفوفة شكل االنتشار‪( ،‬شكل (‪ ،))21.5‬مدى قوة العالقة‬
‫الطردية بين متغير "التشخيص_السلوكي" والمتغيرين "التقييم‪ "3‬و"التقييم‪ ."4‬إال أنه في العموم‪ ،‬يمكننا القول أن‬
‫المتغير التابع في هذا النموذج يرتبط بعالقات خطية مع المتغيرات التوضيحية‪ ،‬وبالتالي ال توجد مخالفة لفرضية‬
‫خطية نموذج االنحدار‪.‬‬

‫‪183‬‬
 ‫شكل ‪ :21.5‬مصفوفة شكل االنتشار للمتغيرات "تقييم‪" ،"1‬تقييم‪" ،"2‬تقييم‪" ،"3‬تقييم‪ ،"4‬و"التشخيص_السلوكي"‪.‬‬

‫‪ 2.6.5‬فرضية عدم عشوائية المتغيرات التوضيحية (‪)Non-Random Explanatory Variables‬‬

‫من ضمن الطرق العملية المستخدمة لتقييم هذه الفرضية هو رسم شكل االنتشار لقيم البواقي ضد قيم كل‬
‫متغير توضيحي‪ ،‬فإذا أظهر الشكل سلوكا منتظما أو نمطا محددا للنقاط‪ ،‬خطيا كان أو غير خطيا‪ ،‬فهذا يدل على‬
‫ارتباط هذا المتغير التوضيحي بالخطأ العشوائي مما يدل على عشوائية هذا المتغير وبالتالي مخالفة هذه الفرضية‪.‬‬

‫ولرسم شكل االنتشار المطلوب‪( ،‬بين البواقي والمتغيرات التوضيحية)‪ ،‬يجب أوال الحصول على قيم البواقي‬
‫المقدرة من نموذج االنحدار‪ ،𝜀̂ ،‬وهذه القيم يمكن حسابها في ‪ SPSS‬بالطريقة التالية‪:‬‬

‫في ملف البيانات "التشخيص_السلوكي"‪ ،‬قم بتوفيق نموذج انحدار المتغير "التشخيص_السلوكي" على المتغيرات‬
‫"التقييم‪" ،"1‬التقييم‪" ،"2‬التقييم‪ ،"3‬و"التقييم‪ ،"4‬من خالل اختيار ‪ ،Analyze>Regression>Linear‬وفي نافذة‬
‫تحليل االنحدار الخطي قم بتعيين المتغير التشخيص_السلوكي" كمتغير تابع والمتغيرات "التقييم‪" ،"1‬التقييم‪،"2‬‬
‫"التقييم‪ ،"3‬و"التقييم‪ "4‬كمتغيرات توضيحية‪.‬‬

‫اضغط خيار الحفظ (‪ )Save‬في هذه النافذة فتظهر نافذة فرعية جديدة كما يظهر في الشكل (‪ ،)22.5‬وهذه النافذة‬
‫هي مخصصة في معظمها لحفظ القيم المقدرة‪ ،‬وحساب بعض المقاييس من نموذج االنحدار الخطي في ملف‬
‫البيانات كمتغيرات جديدة‪.‬‬

‫‪184‬‬
 ‫شكل ‪ :22.5‬نافذة حفظ القيم المقدرة في نموذج االنحدار الخطي‪.‬‬

‫قم باختيار حفظ قيم المتغير التابع المقدرة‪ 1‬غير المعيارية (‪ )Unstandardized‬في مربع القيم المقدرة‬
‫(‪ )Predicted Values‬واختيار حفظ القيم المقدرة غير المعيارية للبواقي (‪ )Unstandardized‬في مربع البواقي‬
‫(‪ ،)Residuals‬كما يظهر في الشكل (‪ ،)22.5‬ثم اضغط استمرار‪ .‬وفي النافذة األصلية لتحليل االنحدار اضغط‬
‫موافق للتنفيذ‪.‬‬

‫ستظهر بعد ذلك النتائج في نافذة المخرجات‪ ،‬إال أننا اآلن لن نكون مهتمين بها حاليا نظ ار لتركيزنا على استخدام‬
‫قيم البواقي فقط والتي سنجد أنها قد تم إضافتها كمتغير جديد لملف البيانات "التشخيص_السلوكي" باسم "‪،"RES_1‬‬
‫إلى جانب قيم المتغير التابع المقدرة‪( ،‬باسم "‪ ،)"PRE_1‬كما يالحظ في الشكل (‪.)23.5‬‬

‫سنقوم اآلن برسم شكل االنتشار للبواقي (المتغير "‪ )"RES_1‬مع كل متغير توضحي‪ ،‬أي أننا سنقوم بتنفيذ أربع‬
‫أشكال انتشار كل على حده‪.‬‬

‫تم اختيار قيم المتغير التابع المقدرة لتوضيح كيفية الحصول عليها في برنامج ‪ ،SPSS‬ولن يتم استخدامها في التمثل البياني هنا‪.‬‬ ‫‪1‬‬

‫‪185‬‬
 ‫شكل ‪ : 23.5‬ملف البيانات "التشخيص_السلوكي" بعد إضافة قيم البواقي وقيم المتغير التابع المقدرة من‬
‫نموذج االنحدار‪.‬‬

‫لتنفيذ شكل االنتشار‪ ،‬سنقوم من شريط األوامر العلوي باختيار ‪Graphs>Legacy Dialogs>Scatter/Dot‬‬
‫وفي نافذة الخيارات‪ ،‬سنبقي على الخيار االفتراضي‪ ،‬وهو شكل االنتشار البسيط‪ ،‬ونضغط على تعريف فتظهر‬
‫نافذة جديدة الختيار المتغيرات في شكل االنتشار البسيط‪ ،‬كما في الشكل (‪.))2.5‬‬

‫في تلك النافذة‪ ،‬سنقوم باختيار متغير البواقي "‪ "RES_1‬ونقله لمربع المحور الصادي (‪ )Y-Axis‬واختيار المتغير‬
‫"تقييم‪ "1‬ونقله لمربع المحور السيني (‪ ،)X-Axis‬ثم نضغط موافق فنحصل على شكل االنتشار بين المتغيرين‪.‬‬
‫وسنقوم بتكرار هذه الخطوة مع المتغيرات الثالثة األخرى؛ "تقييم‪" ،"2‬تقييم‪ ،"3‬و"تقييم‪ "4‬فنحصل على الرسومات‬
‫األربعة كما يوضح الشكل (‪.)24.5‬‬

‫شكل ‪ :24.5‬شكل االنتشار للبواقي مع المتغيرات التوضيحية "تقييم‪" ،"1‬تقييم‪" ،"2‬تقييم‪ ،"3‬و"تقييم‪."4‬‬

‫‪186‬‬
‫ونالحظ من شكل انتشار النقاط في الرسومات األربعة أنها تنتشر بصورة عشوائية وال تأخذ نمط أو اتجاه معين‪،‬‬
‫وهذا يدل على عدم وجود عالقة‪ ،‬خطية أو غير خطية‪ ،‬بين البواقي وأي متغير توضيحي وبالتالي يدل ذلك على‬
‫تحقق فرضية عدم عشوائية المتغيرات التوضيحية في نموذج االنحدار الموفق‪.‬‬

‫‪ 3.6.5‬فرضية استقاللية المتغيرات التوضيحية (‪)Independence of Errors Assumption‬‬

‫توجد عدة طرق للتحقق من هذه الفرضية‪ ،‬ولعل أبرزها هي توفيق نماذج انحدار خطي يكون فيها أحد‬
‫المتغيرات التوضيحية هو المتغير التابع وباقي المتغيرات‪( ،‬باستثناء المتغير التابع األصلي)‪ ،‬هي المتغيرات‬
‫التوضيحية في كل مرة‪ .‬وبمراقبة نتائج توفيق هذه النماذج الجديدة‪ ،‬يتم تحديد المتغيرات التوضيحية التي تظهر‬
‫نتائج "معنوية" كمتغيرات تابعة بأنها متغيرات مرتبطة خطيا بباقي المتغيرات التوضيحية‪ ،‬وهو ما يعرف بمشكلة‬
‫التعدد الخطي (‪ )Multicollinearity‬في مفهوم تحليل االنحدار‪.‬‬

‫للبيانات "التشخيص السلوكي"‪ ،‬سنقوم بالتحقق من استقاللية المتغيرات التوضيحية األربعة عن بعضها البعض عن‬
‫طريق توفيق أربعة نماذج انحدار خطي جديدة يأخذ فيها كل متغير توضيحي دور المتغير التابع في كل مرة‪،‬‬
‫ولتنفيذ ذلك في برنامج ‪ ،SPSS‬سنقوم في نافذة تحليل االنحدار‪ ،‬التي سنحصل عليها من أمر‬
‫‪ ، Analyze>Regression>Linear‬بوضع واحد من المتغيرات التوضيحية؛ "تقييم‪" ،"1‬تقييم‪" ،"2‬تقييم‪،"3‬‬
‫و"تقييم‪ "4‬في مربع المتغير التابع‪ ،‬ووضع باقي المتغيرات‪( ،‬باستثناء المتغير "التشخيص_السلوكي")‪ ،‬في مربع‬
‫المتغيرات التوضيحية‪.‬‬

‫ثم نقوم باختيار الحصول على (‪ )Model Fit‬فقط من خيار اإلحصاءات (‪ )Statistics‬في نافذة تحليل االنحدار‬
‫الخطي لكل نموذج من النماذج األربعة‪ ،‬وقد قمنا بتلخيص نتائج تقييم النماذج األربعة‪( ،‬وهي نتائج تحليل التباين‬
‫ومعامالت التحديد واالرتباط المتعدد)‪ ،‬في جدول واحد هو الجدول (‪.)17.5‬‬

‫من هذا الجدول‪ ،‬نستطيع استنتاج ما يلي‪:‬‬

‫‪ .1‬المتغيران التوضيحيان "تقييم‪ "1‬و"تقييم‪ ،"2‬كانت نتائج توفيقهما على باقي المتغيرات التوضيحية غير‬
‫معنوية؛ (‪ ،)P-value > 0.05‬مصحوبة بمعامالت تحديد متدنية‪ 0.121( ،‬و‪ 0.270‬على الترتيب)‪،‬‬
‫وبالتالي نستطيع القول بأنهما ال يرتبطان بعالقات خطية مع باقي المتغيرات التوضيحية‪ ،‬أي أنهما‬
‫مستقالن خطيا عنها‪.‬‬
‫‪ .2‬أما المتغيران التوضيحيان اآلخران "تقييم‪ "3‬و"تقييم‪ ،"4‬فقد أظه ار نتائج معنوية في اعتمادهما خطيا على‬
‫المتغيرات التوضيحية األخرى‪ ،)P-value = 0( ،‬بمعامالت تحديد مرتفعة‪ 0.668( ،‬و‪ ،)0.647‬وهكذا‬
‫فإنهما يشكالن مخالفة لفرضية االستقالل الخطي بين المتغيرات التوضيحية في نموذج االنحدار األصلي‪.‬‬

‫‪187‬‬
 "4‫ و"تقييم‬،"3‫ "تقييم‬،"2‫ "تقييم‬،"1‫ نتائج تقييم النماذج األربعة التي تكون فيها المتغيرات التوضيحية "تقييم‬:17.5 ‫جدول‬
.‫متغيرات تابعة في كل نموذج‬
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .348a .121 -.004 20.340
a. Predictors: (Constant), 3‫ تقييم‬,2‫ تقييم‬,4‫تقييم‬
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1199.368 3 399.789 .966 .427b
Residual 8688.392 21 413.733
Total 9887.760 24
a. Dependent Variable: 1‫تقييم‬
b. Predictors: (Constant), 3‫ تقييم‬,2‫ تقييم‬,4‫تقييم‬
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .519a .270 .166 15.797
a. Predictors: (Constant), 3‫ تقييم‬,1‫ تقييم‬,4‫تقييم‬
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1936.458 3 645.486 2.587 .080b
Residual 5240.582 21 249.552
Total 7177.040 24
a. Dependent Variable: 2‫تقييم‬
b. Predictors: (Constant), 3‫ تقييم‬,1‫ تقييم‬,4‫تقييم‬
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .818a .668 .621 5.451
a. Predictors: (Constant), 2‫ تقييم‬,1‫ تقييم‬,4‫تقييم‬
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1258.108 3 419.369 14.116 .000b
Residual 623.892 21 29.709
Total 1882.000 24
a. Dependent Variable: 3‫تقييم‬
b. Predictors: (Constant), 2‫ تقييم‬,1‫ تقييم‬,4‫تقييم‬
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .805a .647 .597 6.779
a. Predictors: (Constant), 2‫ تقييم‬,1‫ تقييم‬,3‫تقييم‬
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1770.482 3 590.161 12.843 .000b
Residual 964.958 21 45.950
Total 2735.440 24
a. Dependent Variable: 4‫تقييم‬
b. Predictors: (Constant), 2‫ تقييم‬,1‫ تقييم‬,3‫تقييم‬

‫وننوه هنا إلى إمكانية إجراء اختبار استقاللية المتغيرات التوضيحية خطيا عن بعضها البعض من نافذة تحليل‬
Variance Inflation Factor, ( ‫ باستخدام معامل تضخم التباين‬،‫ وذلك عند توفيق النموذج المطلوب‬،‫االنحدار‬
‫ باسم تشخيص االرتباط الخطي‬،))16.5( ‫ (شكل‬،‫) المتوفر في خيار اإلحصاءات في نافذة تحليل االنحدار‬VIF

188
‫(‪ ،)Collinearity Diagnostics‬والذي يوفر أيضا مؤش ار جيدا لمراقبة وجود مشكلة التعدد الخطي بين المتغيرات‬
‫التوضيحية‪.‬‬

‫‪ 4.6.5‬فرضية توزع الخطأ بتوزيع طبيعي (‪)Normality of Error Terms‬‬

‫توجد عدة طرق للتحقق من هذه الفرضية من ضمنها اختبار كولموجروف‪-‬سميرنوف واختبار شابيرو‪-‬‬
‫ويلك‪ ،‬واللذان تم التطرق لهما سابقا في الفصل الثالث‪ ،‬إضافة إلمكانية استخدام التمثيل البياني ‪ QQ‬للتحقق من‬
‫توزع الخطأ طبيعيا‪.‬‬

‫لدينا في ملف البيانات "التشخيص السلوكي" قيم البواقي لنموذج االنحدار الخطي الموفق‪ ،‬وهكذا سنقوم ببساطة‬
‫باختيار أمر ‪ Analyze>Descriptive Statistics>Explore‬واختيار خيار الرسم الطبيعي مع االختبارات‬
‫(‪ )Normality plot with tests‬ضمن خيار الرسم (‪ ،)Plots‬ثم الضغط على موافق‪.‬‬

‫ومن الجدول الخاص باختبارات الطبيعية‪( ،‬جدول (‪ ،))18.5‬يمكن االستنتاج من كال االختبارين أن البواقي تتبع‬
‫التوزيع الطبيعي‪.)P-value > 0.05( ،‬‬

‫جدول ‪ : 18.5‬اختبارات كولمجروف وشابيرو للبواقي في نموذج انحدار‬

‫"التشخيص_السلوكي"‪.‬‬
‫‪Tests of Normality‬‬
‫‪Kolmogorov-Smirnova‬‬ ‫‪Shapiro-Wilk‬‬
‫‪Statistic‬‬ ‫‪df‬‬ ‫‪Sig.‬‬ ‫‪Statistic‬‬ ‫‪df‬‬ ‫‪Sig.‬‬
‫البواقي‬ ‫‪.120‬‬ ‫‪25‬‬ ‫*‪.200‬‬ ‫‪.943‬‬ ‫‪25‬‬ ‫‪.174‬‬
‫‪*. This is a lower bound of the true significance.‬‬
‫‪a. Lilliefors Significance Correction‬‬

‫واضافة الختبارات الطبيعية‪ ،‬يمكن استخدام رسم ‪ QQ‬كما يظهر في شكل (‪ ،)25.5‬والذي يؤكد طبيعية توزع‬
‫البواقي‪ ،‬حيث أن النقاط تقترب من الخط المستقيم بشكل كبير‪.‬‬

‫شكل ‪ :25.5‬رسم ‪ QQ‬لبواقي نموذج انحدار "التشخيص_السلوكي"‪.‬‬

‫‪189‬‬
‫ويمكن الحصول على رسم ‪ QQ‬للبواقي إما باستخدامه من شريط األدوات العلوي ‪Analyze>Descriptive‬‬
‫‪ ،Statistics>Q-Q Plots‬واختيار البواقي "‪ "RES_1‬في مربع المتغيرات‪ ،‬أو استخدام خيار رسم التوزيع الطبيعي‬
‫(‪ )Normal probability plot‬في خيار الرسم (‪ )Plots‬في نافذة تحليل االنحدار الخطي والذي سيوفر رسم‬
‫‪ QQ‬للبواقي المعيارية (‪.)Standardized Residuals‬‬

‫‪ 5.6.5‬فرضية تجانس تباين قيم حد الخطأ (‪)Homoscedasticity Assumption‬‬

‫للتحقق من مدى ثبات هذه الفرضية في نموذج االنحدار الخطي‪ ،‬سنستخدم طريقة بسيطة هي طريقة‬
‫اختب ار ارتباط الرتب لسبيرمان‪ ،‬والتي سوف تعتمد على اختبار ارتباط الرتب بين قيم البواقي المطلقة‪( ،‬أي بأخذ‬
‫القيمة المطلقة لها)‪ ،‬وقيم المتغيرات التوضيحية في نموذج االنحدار‪ ،‬فإذا وجدت عالقة ذات معنوية بينها دل ذلك‬
‫على وجود مخالفة للفرضية‪ ،‬أي وجود ما يعرف بمشكلة عدم التجانس في التباين (‪.)Heteroscedasticity‬‬

‫في بيانات "التشخيص السلوكي"‪ ،‬سنقوم أوال بتعريف متغير جديد سيكون عبارة عن القيمة المطلقة لقيم البواقي‪،‬‬
‫وسيتم تعريف هذا المتغير كالتالي‪:‬‬

‫في شريط األوامر العلوي‪ ،‬سنقوم باختيار ‪ Transform>Compute Variable‬وفي نافذة حساب المتغير سنختار‬
‫من مجموعة الدوال (‪ )Function group‬الدوال الرياضية (‪ )Arithmetic‬ومن تلك الدوال‪( ،‬في المربع األسفل‬
‫منها)‪ ،‬سنختار دالة القيمة المطلقة (‪ ،)Abs‬ونقوم بالنقر المزدوج على الدالة‪( ،‬أو سحبها بالفأرة إلى مربع الحساب‬
‫الرقمي (‪ ،))Numeric Expression‬ثم ندخل متغير البواقي "‪ "RES_1‬في نطاق الدالة كما هو موضح في‬
‫الشكل (‪ ،)26.5‬وسنقوم بإعطائه االسم "‪ "ABS_RES‬في المتغير المستهدف (‪.)Target Variable‬‬

‫شكل ‪ :26.5‬نافذة حساب متغير جديد‪ ،‬وهي القيمة المطلقة للبواقي "‪ "RES_1‬في بيانات "التشخيص_السلوكي"‪.‬‬

‫‪190‬‬
‫بعد ذلك نضغط موافق فيتم إدراج المتغير الجديد المطلوب في جدول بيانات "التشخيص السلوكي"‪ .‬اآلن سنقوم‬
‫بتنفيذ اختبار معامل سبيرمان بين قيم البواقي المطلقة وكل متغير توضيحي في النموذج؛‬

‫في شريط األوامر العلوي نختار ‪ Analyze>Correlate>Bivariate‬وفي نافذة االرتباط البسيط نقوم بنقل‬
‫المتغيرات "تقييم‪" ،"1‬تقييم‪" ،"2‬تقييم‪" ،"3‬تقييم‪ ،"4‬و"‪ "ABS_RES‬إلى مربع المتغيرات‪ ،‬ونختار حساب معامل‬
‫سبيرمان فقط من بين المعامالت الثالثة في (‪ ،)Correlation Coefficients‬ثم نضغط موافق فتظهر مصفوفة‬
‫االرتباط البسيط كما هو في جدول (‪.)19.5‬‬

‫جدول ‪ :19.5‬مصفوفة االرتباط البسيط بين المتغيرات "تقييم‪" ،"1‬تقييم‪" ،"2‬تقييم‪" ،"3‬تقييم‪ ،"4‬و"‪."ABS_RES‬‬
‫‪Correlations‬‬
‫تقييم‪1‬‬ ‫تقييم‪2‬‬ ‫تقييم‪3‬‬ ‫‪ ABS_RES‬تقييم‪4‬‬
‫تقييم‪Spearman's rho 1‬‬ ‫‪Correlation‬‬
‫‪1.000‬‬ ‫‪.030‬‬ ‫*‪.230 .441‬‬ ‫‪.062‬‬
‫‪Coefficient‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.888‬‬ ‫‪.268‬‬ ‫‪.027‬‬ ‫‪.769‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫تقييم‪2‬‬ ‫‪Correlation‬‬
‫‪.030‬‬ ‫‪1.000‬‬ ‫*‪.474‬‬ ‫‪.336‬‬ ‫‪-.104‬‬
‫‪Coefficient‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.888‬‬ ‫‪.017‬‬ ‫‪.101‬‬ ‫‪.622‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫تقييم‪3‬‬ ‫‪Correlation‬‬
‫‪.230‬‬ ‫*‪.474‬‬ ‫‪1.000‬‬ ‫**‪.765‬‬ ‫‪-.127‬‬
‫‪Coefficient‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.268‬‬ ‫‪.017‬‬ ‫‪.000‬‬ ‫‪.545‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫تقييم‪4‬‬ ‫‪Correlation‬‬
‫*‪.441‬‬ ‫‪.336‬‬ ‫**‪.765‬‬ ‫‪1.000‬‬ ‫‪.006‬‬
‫‪Coefficient‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.027‬‬ ‫‪.101‬‬ ‫‪.000‬‬ ‫‪.977‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫‪ABS_RES‬‬ ‫‪Correlation‬‬
‫‪.062‬‬ ‫‪-.104‬‬ ‫‪-.127‬‬ ‫‪.006‬‬ ‫‪1.000‬‬
‫‪Coefficient‬‬
‫)‪Sig. (2-tailed‬‬ ‫‪.769‬‬ ‫‪.622‬‬ ‫‪.545‬‬ ‫‪.977‬‬
‫‪N‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫‪*. Correlation is significant at the 0.05 level (2-tailed).‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬

‫ومن الصف األخير في مصفوفة االرتباط يتضح أن كل العالقات الثنائية بين البواقي المطلقة والمتغيرات التوضيحية‬
‫هي ليست ذات معنوية‪ ،)P-value > 0.05( ،‬وبالتالي قبول الفرضية الصفرية (‪ )𝐻0 : 𝜌𝜀̂𝑋 = 0‬لكل المتغيرات‬
‫التوضيحية‪ ،‬مما يدل على تحقق فرضية تجانس تباين حد الخطأ‪.‬‬

‫‪191‬‬
192
 ‫الفصل السادس‬

‫االختبارات الالمعلمية وتحليل الموثوقية‬

‫)‪(Nonparametric Tests and Reliability Analysis‬‬

‫في الفصل الرابع‪ ،‬قمنا بالعديد من االستدالالت اإلحصائية حول معالم مثل الوسط الحسابي والتباين‪،‬‬
‫وتم تنفيذ اختبارات لفرضيات تتناول عينة واحدة وعينتين وحتى أكثر‪ ،‬وكذلك تقدير فترات الثقة لتلك المعالم‪ ،‬وهذا‬
‫يندرج كله تحت ما ُيعرف بالتقدير المعلمي (‪ )Parametric Estimation‬واختبارات الفروض ضمن مفهوم‬
‫اإلحصاء االستداللي‪ .‬والشروط التي يعتمد عليها استخدام هذا التقدير تتمركز في الغالب على كون البيانات (أي‬
‫العينة أو العينات) المراد اختبارها هي مسحوبة من مجتمعات تتبع توزيعا طبيعيا‪ ،‬إال أن هذا الشرط أو االفتراض‬
‫قد ال يتحقق في كثير من الحاالت‪ ،‬لذلك نلجأ عندئذ الستخدام اختبارات أخرى ال تعتمد على التوزيع االحتمالي‬
‫للعينة‪ ،‬وهذه االختبارات تسمى باالختبارات الالمعلمية (‪ ،)Nonparametric‬وتسمى أحيانا باالختبارات الحرة من‬
‫االفتراضات (‪.)Assumption-free tests‬‬

‫ومن ضمن األنماط التي قد "تُخرج" البيانات من التوزيع الطبيعي كثرة تك اررات القيم المنخفضة أو المرتفعة والذي‬
‫يسبب التواء التوزيع يمينا أو يسارا‪ ،‬أو كثرة القيم المتطرفة‪ ،‬أو صغر حجم العينة‪.‬‬

‫ومعظم االختبارات الالمعلمية ترتكز على مبدأ حساب الرتبة (‪ )Ranking‬للبيانات‪ ،‬بمعنى إعطاء رتب أو قيم‬
‫للمشاهدات من األقل إلى األكثر‪ ،‬وهكذا فإن القيم األصغر في البيانات ستأخذ الرتب األقل‪ ،‬والقيم األكبر في‬
‫ستأخذ الرتب األكبر‪ ،‬ويتم بعد ذلك إجراء االختبار المطلوب باستخدام الرتب المعطاة بدال من القيم الفعلية للبيانات‪.‬‬
‫ويمكن تصنيف االختبارات الالمعلمية إلى ثالثة أقسام رئيسية‪ ،‬بحسب طبيعة تنظيمها؛‬

‫اختبارات لعينة واحدة‪.‬‬ ‫‪‬‬

‫اختبارات للعينات المستقلة‪( ،‬عينتين أو أكثر)‪.‬‬ ‫‪‬‬
‫اختبارات للعينات المرتبطة‪( ،‬عينتين أو أكثر)‪.‬‬ ‫‪‬‬

‫وفي ه ذا الفصل‪ ،‬سنستعرض بعض أهم االختبارات الالمعلمية وكيفية تنفيذها في برنامج ‪ ،SPSS‬وكذلك قراءة‬
‫وتفسير النتائج المتعلقة بها‪.‬‬

‫‪193‬‬
 ‫‪ 1.6‬االختبارات الالمعلمية لعينة واحدة (‪)One Sample Nonparametric Tests‬‬

‫‪ 1.1.6‬اختبار مربع كاي لجودة التوفيق (‪)Chi-Square Goodness of Fit Test‬‬

‫عند التعامل مع متغير وصفي‪( ،‬اسمي كان أو رتبي)‪ ،‬يحتوي على تصنيفات أو تقسيمات معينة‬
‫(‪ ،)Categories‬قد يكون من المفيد التعرف على النمط الذي تتبعه تك اررات كل تقسيم في هذا المتغير‪ ،‬وما إذا‬
‫كانت هذه التك اررات متوزعة على التقسيمات بشكل متساوي أو غير متساوي‪ ،‬أو قد نكون مهتمين بالتعرف على‬
‫التوزيع االحتمالي الذي قد يتبعه هذا المتغير‪ .‬في هذه الحاالت يمكننا استخدام اختبار جودة التوفيق لمربع كاي‬
‫لتنفيذ المطلوب‪.‬‬

‫وتُعرف إحصاءة اختبار مربع كاي لجودة التوفيق بين التك اررات المشاهدة )‪ (observed‬في المتغير والمتوقعة‬
‫)‪ (expected‬له بالصيغة‪:‬‬
‫𝑘‬
‫‪(𝑜𝑖 − 𝑒𝑖 )2‬‬
‫‪𝜒𝑐2‬‬ ‫∑=‬
‫𝑖𝑒‬
‫‪𝑖=1‬‬

‫حيث‪ 𝑜𝑖 ،‬هي قيم التك اررات المشاهدة للتقسيم ‪ 𝑒𝑖 ،i‬هي قيم التك اررات المتوقعة للتقسيم ‪ ،i‬و‪ k‬هو عدد تقسيمات‬
‫المتغير‪ .‬وتكون درجات الحرية مساوية لعدد تقسيمات المتغير ناقصاً واحد‪.‬‬

‫ولتنفيذ اختبار جودة التوفيق في برنامج ‪ SPSS‬لنأخذ المثال التالي؛ في ملف بيانات "فيتامين دال"‪ ،‬لنفرض أننا‬
‫مهتمون بالتحقق ما إذا كان األشخاص في العينة‪:‬‬

‫‪ .1‬متوزعون على مستويات فيتامين دال الثالثة؛ (أقل من ‪ ،30‬من ‪ 30‬إلى ‪ ،70‬وأكثر من ‪ ،)70‬بشكل‬
‫متقارب (متساوي)‪ ،‬أي اختبار الفرضية الصفرية‪:‬‬

‫احتماالت توزع األشخاص في مستويات فيتامين دال متساوية ‪ H0:‬أو‬

‫)أكثر من ‪) = P(70‬من ‪ 30‬إلى ‪) = P(70‬أقل من ‪H0: P(30‬‬

‫‪ .2‬متوزعون على الفئات العمرية الثالثة؛ (أقل من ‪ ،30‬من ‪ 30‬إلى ‪ ،50‬و‪ 51‬فأكثر)‪ ،‬بشكل متقارب‪ ،‬أي‬
‫اختبار الفرضية الصفرية‪:‬‬

‫احتماالت توزع األشخاص في الفئات العمرية متساوية ‪ H0:‬أو‬

‫)‪ 51‬فأكثر(‪) = P‬من ‪ 30‬إلى ‪) = P(50‬أقل من ‪H0: P(30‬‬

‫فنقوم في شريط األوامر العلوي باختيار ‪Analyze>Nonparametric Tests>Legacy Dialogs>Chi-‬‬

‫‪ ،Square‬فتظهر نافذة اختبار مربع كاي كما هو في الشكل (‪ .)1.6‬قم في تلك النافذة باختيار المتغيرين‬

‫‪194‬‬
‫"مستويات_فيتامين_دال" و"الفئة_العمرية" ونقلهما إلى مربع قائمة متغيرات االختبار (‪،)Test Variable List‬‬
‫وحيث أننا سنختبر تساوي توزيع األشخاص في التقسيمات‪ ،‬سنبقي على خيار تساوي التوزيع في التقسيمات ( ‪All‬‬
‫‪ )categories equal‬في مربع القيم المتوقعة (‪ )Expected values‬كما هو‪ ،‬ونضغط موافق للتنفيذ‪.‬‬

‫شكل ‪ : 1.6‬نافذة اختبار مربع كاي لجودة التوفيق‪( ،‬اختبار احتماالت متساوية)‪.‬‬

‫في نافذة المخرجات ستالحظ ظهور النتائج في ثالثة جداول‪( ،‬جدول (‪ ،))1.6‬الجدولين األولين يمثالن توزيع‬
‫التك اررات المشاهدة والمتوقعة‪ ،‬والفرق بينهما (‪ )Residual‬للمتغيرين "مستويات_فيتامين_دال" و"الفئة_العمرية"‬
‫على الترتيب‪ .‬وأما الجدول الثالث فيضم نتيجة االختبار‪ .‬ومن هذا الجدول يمكن رؤية أن‪:‬‬
‫‪ .1‬توزيع األشخ خ خ خ خ خخخاص على مسخ خ خ خ خ خختويات‬
‫جدول ‪ :1.6‬نتائج اختبار مربع كاي لجودة التوفيق للمتغيرين‬
‫"مستويات_فيتامين_دال" و"الفئة_العمرية"‪( ،‬اختبار احتماالت متساوية)‪.‬‬ ‫فيتامين دال الثالثة غير متسخ خ خ خ خ خ خخاوي‪،‬‬
‫مستويات فيتامين دال‬
‫‪Observed N‬‬ ‫‪Expected N‬‬ ‫‪Residual‬‬ ‫حي خ خخث أن القيم خ خخة االحتم خ خخالي خ خخة (‪P-‬‬
‫أقل من ‪30‬‬ ‫‪32‬‬ ‫‪20.0‬‬ ‫‪12.0‬‬
‫من ‪ 30‬إلى ‪75‬‬ ‫‪14‬‬ ‫‪20.0‬‬ ‫‪-6.0‬‬ ‫‪ ،value = 0.005‬وبخخالتخخالي نرفض‬
‫أكثر من ‪75‬‬ ‫‪14‬‬ ‫‪20.0‬‬ ‫‪-6.0‬‬
‫‪Total‬‬ ‫‪60‬‬ ‫‪.)H0‬‬
‫فئات العمر‬
‫‪Observed N‬‬ ‫‪Expected N‬‬ ‫‪Residual‬‬ ‫‪ .2‬توزيع األشخاص على الفئات العمرية‬
‫أقل من ‪30‬‬ ‫‪16‬‬ ‫‪20.0‬‬ ‫‪-4.0‬‬
‫من ‪ 30‬إلى ‪50‬‬ ‫‪20‬‬ ‫‪20.0‬‬ ‫‪0.0‬‬ ‫الثالثخ خخة متسخ خ خ خ خ خ خ خ خخاوي‪ ،‬حيخ خخث أن (‪P-‬‬
‫‪ 51‬فأكثر‬ ‫‪24‬‬ ‫‪20.0‬‬ ‫‪4.0‬‬
‫‪Total‬‬ ‫‪60‬‬ ‫‪ ،value = 0.449‬وبخ خخالتخ خخالي نقبخ خخل‬
‫‪Test Statistics‬‬
‫مستويات فيتامين دال‬ ‫فئات العمر‬ ‫‪.)H0‬‬
‫‪Chi-Square‬‬ ‫‪10.800a‬‬ ‫‪1.600a‬‬
‫‪df‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪Asymp. Sig.‬‬ ‫‪.005‬‬ ‫‪.449‬‬ ‫والحظ أيضا‪ ،‬من الجدول السابق‪ ،‬ارتفاع‬
‫‪a. 0 cells (0.0%) have expected frequencies less than 5. The minimum‬‬
‫‪expected cell frequency is 20.0.‬‬ ‫قيم الفروقات بين القيم المشاهدة والمتوقعة‬

‫‪195‬‬
‫للمتغير "مستويات_فيتامين_دال" والذي يشكل مؤش ار أوليا على أن احتماالت توزع األشخاص على مستويات‬
‫الفيتامين الثالثة لن تكون متساوية‪.‬‬

‫من جديد‪ ،‬يمكننا استخدام اختبار جودة التوفيق الختبار ما إذا كانت التك اررات متوزعة على التقسيمات بشكل غير‬
‫متساوي أي متوزعة باحتماالت غير متساوية‪ ،‬ولنفرض أننا نريد اختبار ما إذا األشخاص في المثال السابق‬
‫متوزعون على مستويات فيتامين دال باحتماالت افتراضية معينة‪ ،‬ولتكن الفرضية المراد اختبارها هي‪:‬‬

‫‪) = 0.25‬أكثر من ‪) = 0.25, P(70‬من ‪ 30‬إلى ‪) =0.50, P(70‬أقل من ‪H0: P(30‬‬

‫أي أننا نريد اختبار فرضية أن األشخاص متوزعون على المستويات الثالثة لفيتامين دال باحتماالت أو نسب هي‬
‫‪ ،25% ،50%‬و‪ 25%‬على الترتيب‪.‬‬

‫لتنفيذ هذا االختبار‪ ،‬نقوم في شريط األوامر العلوي باختيار ‪Analyze>Nonparametric Tests>Legacy‬‬
‫‪ ، Dialogs>Chi-Square‬وفي نافذة اختبار مربع كاي نقوم باختيار المتغير "مستويات_فيتامين_دال" ونقله إلى‬
‫مربع قائمة متغيرات االختبار‪ ،‬وسنقوم باختيار قيم االحتماالت (‪ )Values‬في مربع القيم المتوقعة ( ‪Expected‬‬
‫‪ )values‬بحيث نكتب قيمة االحتمال ‪ 0.50‬أوال ثم نضغط إضافة (‪ )Add‬وبعدها نكتب قيمة االحتمال ‪0.25‬‬
‫ونضغط إضافة وأخي ار نكتب قيمة االحتمال ‪ 0.25‬ونضغط إضافة‪ ،‬فتكون لدينا قيم االحتماالت كما هو مبين في‬
‫الشكل (‪ ،)2.6‬ونضغط موافق للتنفيذ‪.‬‬

‫شكل ‪ : 2.6‬نافذة اختبار مربع كاي لجودة التوفيق‪( ،‬اختبار احتماالت غير متساوية)‪.‬‬

‫‪196‬‬
‫وفي نافذة المخرجات‪ ،‬ستظهر نتائج اختبار مربع كاي‪( ،‬جدول (‪ ،))2.6‬ويمكن بوضوح مالحظة أن قيم الفروقات‬
‫بين القيم المشاهدة والمتوقعة هي ضئيلة‪ ،‬مما ينبئنا بأن توزع األشخاص على مستويات الفيتامين ستكون على‬
‫األغلب كما هو في الفرضية الصفرية‪ ،‬ويدعم ذلك أن القيمة االحتمالية لالختبار هي (‪ ،)P-value = 0.875‬مما‬
‫يدفعنا لقبول الفرضية الصفرية القائلة بتوزع االحتماالت بصورة غير متساوية وهي؛ ‪ ،0.25 ،0.50‬و‪ 0.25‬بحسب‬
‫ترتيب مستويات فيتامين دال‪.‬‬

‫جدول ‪ :2.6‬نتائج اختبار مربع كاي لجودة التوفيق‬

‫للمتغير"مستويات_فيتامين_دال"‪( ،‬اختبار احتماالت متساوية)‪.‬‬
‫مستويات فيتامين دال‬
‫‪Observed N‬‬ ‫‪Expected N‬‬ ‫‪Residual‬‬
‫أقل من ‪30‬‬ ‫‪32‬‬ ‫‪30.0‬‬ ‫‪2.0‬‬
‫من ‪ 30‬إلى ‪75‬‬ ‫‪14‬‬ ‫‪15.0‬‬ ‫‪-1.0‬‬
‫أكثر من ‪75‬‬ ‫‪14‬‬ ‫‪15.0‬‬ ‫‪-1.0‬‬
‫‪Total‬‬ ‫‪60‬‬
‫‪Test Statistics‬‬
‫مستويات فيتامين دال‬
‫‪Chi-Square‬‬ ‫‪.267a‬‬
‫‪df‬‬ ‫‪2‬‬
‫‪Asymp. Sig.‬‬ ‫‪.875‬‬
‫‪a. 0 cells (0.0%) have expected frequencies less than 5. The minimum expected‬‬
‫‪cell frequency is 15.0.‬‬

‫‪ 2.1.6‬اختبار ذي الحدين (‪)Binomial Test‬‬

‫من االختبارات الالمعلمية المتوفرة في برنامج ‪ SPSS‬هو اختبار ذي الحدين والذي يتم فيه اختبار ما‬
‫إذا كان متغير وصفي ثنائي‪( ،‬أي له تقسيمين أو مستويين فقط)‪ ،‬يتبع توزيع ذي الحدين باحتمال معين‪.‬‬

‫لنفس البيانات؛ "فيتامين دال"‪ ،‬سنقوم باختبار ما إذا كان متغير "النوع" يتبع توزيع ذي الحدين باحتمال ‪0.30‬‬
‫النجاح)‪،‬‬ ‫(احتمال‬ ‫للذكور‪،‬‬
‫واحتمال ‪ 0.70‬لإلناث‪( ،‬احتمال‬
‫الفشل)‪ .‬عندها نقوم في شريط‬
‫األوامر العلوي باختيار االختبار‬
‫‪Analyze>Nonparametric‬‬
‫‪Tests>Legacy‬‬
‫‪ ،Dialogs>Binomial‬فتظهر‬
‫نافذة االختبار كما هو موضح في‬
‫الشكل (‪.)3.6‬‬
‫شكل ‪ :3.6‬نافذة اختبار ذي الحدين لمتغير "النوع" باحتمال نجاح ‪.0.30‬‬
‫قم باختيار متغير "النوع" ونقله‬
‫إلى مربع قائمة متغيرات االختبار (‪ ،)Test Variable List‬ثم قم بتغيير احتمال النجاح االفتراضي ( ‪Test‬‬

‫‪197‬‬
‫‪ )Proportion‬من ‪ 0.50‬إلى ‪ 0.30‬كما هو مبين في الشكل‪ .‬ثم اضغط موافق للتنفيذ‪ .‬وستحصل على نتيجة‬
‫االختبار في نافذة المخرجات كما يظهر في جدول (‪ .)3.6‬ومن هذا الجدول يمكن مالحظة أن (‪)P-value = 0‬‬
‫وبالتالي نرفض الفرضية الصفرية القائلة بأن متغير "النوع" يتبع توزيع ذي الحدين باحتمال نجاح يساوي ‪،0.30‬‬
‫أو (‪.)H0: P = 0.30‬‬

‫جدول ‪ :3.6‬نتيجة اختبار ذي الحدين لمتغير "النوع" باحتمال نجاح ‪( ،0.30‬للبيانات "فيتامين دال")‪.‬‬
‫‪Binomial Test‬‬
‫)‪Category N Observed Prop. Test Prop. Exact Sig. (1-tailed‬‬
‫ذكر ‪ Group 1‬النوع‬ ‫‪31‬‬ ‫‪.5‬‬ ‫‪.3‬‬ ‫‪.000‬‬
‫أنثى ‪Group 2‬‬ ‫‪29‬‬ ‫‪.5‬‬
‫‪Total‬‬ ‫‪60‬‬ ‫‪1.0‬‬

‫وبالطبع هذا ال يعني أن متغير النوع ال يتبع توزيع ذي الحدين‪ ،‬ولكن هذه النتيجة تعني أن احتمال النجاح‬
‫االفتراضي (‪ )0.30‬لهذا المتغير هو غير متوافق مع المشاهدات‪.‬‬

‫مالحظة‪:‬‬
‫قم بإعادة تنفيذ اختبار ذي الحدين السابق مستخدما احتمال نجاح يساوي ‪ 0.50‬وستجد أن نتيجة االختبار‬
‫ستتغير إلى قبول الفرضية (‪ ،)H0: P = 0.50‬ألن القيمة االحتمالية لالختبار ستكون ‪.P-value = 0.897‬‬

‫في كثير من األحيان قد نتعامل مع متغيرات وصفية غير ثنائية‪ ،‬أي أن المشاهدات فيها تأخذ أكثر من مستويين‪،‬‬
‫أو أننا قد نتعامل مع متغير كمي ونرغب في اختبار ما إذا كان يتبع توزيع ذي الحدين إذا ما تم تقسيم قيم‬
‫المشاهدات إلى قسمين بناء على قيمة محددة‪ ،‬عندئذ يمكننا استخدام اختبار ذي الحدين بالصورة التالية‪:‬‬

‫‪ .1‬في بيانات "فيتامين دال"‪ ،‬سنقوم باختبار توزع المتغير الوصفي الرتبي "مستويات_فيتامين_دال"‪ ،‬والذي يأخذ‬
‫ثالثة مستويات‪ ،‬بتوزيع ذي الحدين عن طريق اعتبار أن األشخاص الذين مستويات الفيتامين لديهم أقل من ‪30‬‬
‫يتبعون التقسيم األول الجديد‪ ،‬والذين لديهم مستويات فيتامين ‪ 30‬فأكثر‪( ،‬وتشمل المستويين األصليين من ‪ 30‬إلى‬
‫‪ ،75‬وأكثر من ‪ ،)75‬يتبعون التقسيم الثاني الجديد‪.‬‬

‫وبالتالي سنقوم في نافذة اختبار ذي الحدين باختيار المتغير "مستويات_فيتامين_دال" ونقله إلى مربع قائمة متغيرات‬
‫االختبار وإلعادة تقسيم المتغير ذو الثالثة مستويات إلى المستويين المذكورين أعاله‪ ،‬سنقوم باختيار نقطة الفصل‬
‫(‪ )Cut point‬في مربع تعريف المستويين الثنائيين (‪ ،)Define Dichotomy‬ثم ندخل القيمة ‪( 1‬والتي ترمز‬
‫لألشخاص الذين لديهم مستويات فيتامين أقل من ‪ )30‬كقيمة للفصل بين المستويات‪ .‬وسنبقي قيمة االحتمال‬
‫االختبارية (‪ )Test Proportion‬عند القيمة ‪ ،0.50‬كما هو موضح في الشكل (‪ ،)4.6‬ثم نضغط موافق‪.‬‬

‫‪198‬‬
 ‫شكل ‪ :4.6‬نافذة اختبار ذي الحدين لمتغير "مستويات_فيتامين_دال" باحتمال نجاح ‪.0.50‬‬

‫وفي نافذة المخرجات‪ ،‬ستظهر نتيجة اختبار ذي الحدين‪( ،‬جدول (‪ ،))4.6‬ونالحظ أن (‪)P-value = 0.699‬‬
‫وبال تالي نقبل الفرضية الصفرية القائلة بأن متغير "مستويات_فيتامين_دال" يتبع توزيع ذي الحدين باحتمال نجاح‬
‫يساوي ‪ ،0.50‬أو (‪ .)H0: P = 0.50‬وهكذا يمكن القول بأن احتمال أن يكون مستوى فيتامين دال ألي شخص‬
‫هو ‪ 30‬فأقل يساوي ‪.0.50‬‬

‫جدول ‪ :4.6‬نتيجة اختبار ذي الحدين لمتغير "مستويات_فيتامين_دال" باحتمال نجاح ‪( ،0.50‬للبيانات "فيتامين دال")‪.‬‬
‫‪Binomial Test‬‬
‫‪Exact Sig.‬‬
‫‪Category‬‬ ‫‪N‬‬ ‫‪Observed Prop.‬‬ ‫‪Test Prop.‬‬ ‫)‪(2-tailed‬‬
‫مستويات فيتامين‬ ‫‪Group 1‬‬ ‫‪<= 1‬‬ ‫‪32‬‬ ‫‪.53‬‬ ‫‪.50‬‬ ‫‪.699‬‬
‫دال‬ ‫‪Group 2‬‬ ‫‪>1‬‬ ‫‪28‬‬ ‫‪.47‬‬
‫‪Total‬‬ ‫‪60‬‬ ‫‪1.00‬‬

‫‪ .2‬من جديد في بيانات "فيتامين دال"‪ ،‬سنقوم باختبار توزع المتغير الكمي "العمر"‪ ،‬بتوزيع ذي الحدين عن طريق‬
‫اعتبار أن األشخاص الذين أعمارهم هي ‪ 45‬سنة فأقل يتبعون التقسيم األول الجديد‪ ،‬والذين أعمارهم أكبر من ‪45‬‬
‫سنة يتبعون التقسيم الثاني الجديد‪.‬‬

‫سنقوم اآلن في نافذة اختبار ذي الحدين باختيار المتغير "العمر" ونقله إلى مربع قائمة متغيرات االختبار ولتقسيم‬
‫المتغير الكمي إلى مستويين سنقوم باختيار نقطة الفصل (‪ )Cut point‬في مربع تعريف المستويين الثنائيين‬
‫(‪ ،)Define Dichotomy‬ثم ندخل القيمة ‪ 45‬كقيمة للفصل بين األعمار‪ .‬وسنبقي قيمة االحتمال االختبارية‬
‫(‪ )Test Proportion‬عند القيمة ‪ ،0.50‬ثم نضغط موافق‪.‬‬

‫في نافذة المخرجات‪ ،‬تُظهر نتيجة اختبار ذي الحدين‪( ،‬جدول (‪ ،))5.6‬أن (‪ )P-value = 0.897‬وبالتالي نقبل‬
‫الفرضية الصفرية القائلة بأن متغير العمر يتبع توزيع ذي الحدين باحتمال نجاح يساوي ‪ .0.50‬وهكذا يمكن القول‬
‫بأن احتمال أن يكون عمر أي شخص هو ‪ 45‬فأقل يساوي ‪.0.50‬‬

‫‪199‬‬
 ‫جدول ‪ :5.6‬نتيجة اختبار ذي الحدين لمتغير "العمر" باحتمال نجاح ‪( ،0.50‬للبيانات "فيتامين دال")‪.‬‬
‫‪Binomial Test‬‬
‫)‪Category N Observed Prop. Test Prop. Exact Sig. (2-tailed‬‬
‫‪ Group 1 <= 45‬العمر‬ ‫‪29‬‬ ‫‪.48‬‬ ‫‪.50‬‬ ‫‪.897‬‬
‫‪Group 2 > 45‬‬ ‫‪31‬‬ ‫‪.52‬‬
‫‪Total‬‬ ‫‪60‬‬ ‫‪1.00‬‬

‫مالحظة‪:‬‬
‫قم بإعادة تنفيذ اختبار ذي الحدين السابق لمتغير العمر مستخدما القيمة ‪ 60‬سنة كقيمة للفصل بين المستويين‪،‬‬
‫وستجد أن نتيجة االختبار ستتغير إلى رفض الفرضية الصفرية (‪ ،)H0: P = 0.50‬ألن القيمة االحتمالية‬
‫لالختبار ستكون ‪.P-value = 0.006‬‬

‫‪ 3.1.6‬اختبار الدورات (‪)Runs Test‬‬

‫اختبار الدورات أو اختبار والد‪-‬ولفويتز للدورات (‪ )Wald-Wolfowitz runs test‬هو اختبار ال معلمي‬
‫يهدف للتحقق من مدى عشوائية أو استقاللية المشاهدات المتتالية ضمن متغير ما‪ .‬بمعنى آخر‪ ،‬اختبار الدورات‬
‫قد يساعد الباحث في التحقق من عشوائية المعاينة التي تمت من المجتمع‪ .‬وتكون الفرضية الصفرية التي يتم‬
‫اختبارها هي‪ :‬كل مشاهدة في متتالية العينة قد تم سحبها بصورة مستقلة من نفس المجتمع‪.‬‬

‫ويعتمد تطبيق اختبار الدورات من الناحية النظرية على إعطاء إشارة موجبة (‪ )+‬لقيم المشاهدات األكبر من قيمة‬
‫معينة‪( ،‬والتي يمكن أن تكون قيمة الوسط الحسابي أو الوسيط أو المنوال أو أي قيمة أخرى يحددها المستخدم)‪،‬‬
‫واعطاء اإلشارة السالبة (‪ )-‬للقيم األقل من تلك القيمة المحددة‪ .‬ثم يتم حساب عدد الدورات عن طريق حساب عدد‬
‫التغيرات في اإلشارات الموجبة والسالبة‪ ،‬ويتم بعد ذلك مقارنة عدد الدورات المحسوبة من المشاهدات بعدد الدورات‬
‫المتوقع والذي يتبع‪ ،‬تحت الفرضية الصفرية‪ ،‬توزيعا طبيعيا تقريبا‪.‬‬

‫ولتطبيق اختبار الدورات في برنامج ‪ ،SPSS‬نقوم بفتح ملف البيانات "فيتامين دال" ثم نختار من شريط األوامر‬
‫العلوي ‪ Analyze>Nonparametric Tests>Legacy Dialogs>Runs‬فتظهر نافذة اختبار الدورات‪ ،‬قم‬
‫في تلك النافذة باختيار المتغيرين "العمر" و"مستويات_فيتامين_دال" على سبيل المثال وانقلها إلى مربع قائمة‬
‫متغيرات االختبار‪ ،‬ثم اختر الوسط الحسابي (‪ )Mean‬فقط‪ 1‬من مربع قيمة القطع (‪ )Cut Point‬كما يظهر في‬
‫الشكل (‪ ،)5.6‬ثم ضغط موافق‪.‬‬

‫يوفر برنامج ‪ SPSS‬ثالثة خيارات أساسية لقيم القطع هي الوسط الحسابي‪ ،‬الوسيط‪ ،‬والمنوال‪ ،‬إضافة للقيمة التي يحددها المستخدم‬ ‫‪1‬‬

‫(‪ ،)Custom‬وننوه هنا إلى أن استخدام قيم الوسيط و‪/‬أو المنوال قد ال يكون مالئما في بعض الحاالت‪ ،‬خاصة في المتغيرات التي تأخذ‬
‫قيم ثنائية‪.‬‬

‫‪200‬‬
 ‫شكل ‪ :5.6‬نافذة اختبار الدورات للمتغيرين "العمر" و"مستويات_فيتامين_دال"‪.‬‬

‫ستظهر بعد ذلك النتائج للمتغيرين في نافذة المخرجات‪( ،‬جدول (‪ ،))6.6‬ونتجه منها لرفض الفرضية الصفرية‬
‫القائلة بأن المشاهدات المتتالية في متغير العمر قد تم سحبها بصورة مستقلة من المجتمع‪ ،‬بمعنى أن نتيجة اختبار‬
‫الدورات يفترض أن أعمار األشخاص المتتالية في العينة لم يتم جمعها بصورة عشوائية‪.‬‬

‫جدول ‪ :6.6‬نتائج اختبار الدورات للمتغيرين "العمر" و"مستويات_فيتامين_دال"‪.‬‬

‫‪Runs Test‬‬
‫العمر‬ ‫مستويات فيتامين دال‬
‫‪Test Valuea‬‬ ‫‪47.57‬‬ ‫‪1.70‬‬
‫‪Cases < Test Value‬‬ ‫‪32‬‬ ‫‪32‬‬
‫‪Cases >= Test Value‬‬ ‫‪28‬‬ ‫‪28‬‬
‫‪Total Cases‬‬ ‫‪60‬‬ ‫‪60‬‬
‫‪Number of Runs‬‬ ‫‪23‬‬ ‫‪32‬‬
‫‪Z‬‬ ‫‪-2.058‬‬ ‫‪.296‬‬
‫)‪Asymp. Sig. (2-tailed‬‬ ‫‪.040‬‬ ‫‪.767‬‬
‫‪a. Mean‬‬

‫وعلى النقيض‪ ،‬نميل لقبول الفرضية القائلة بأن المشاهدات (التقسيمات) المتتالية في متغير مستويات فيتامين دال‬
‫هي مستقلة‪( ،‬عشوائية في تسلسلها في العينة)‪.‬‬

‫مالحظة‪:‬‬
‫قم بإعادة تنفيذ اختبار الدورات السابق لمتغيرات أخرى سواء في نفس ملف البيانات أو ملف آخر مستخدما قيم‬
‫قطع متنوعة؛ قيمة الوسيط‪ ،‬المنوال‪ ،‬وقيم أخرى‪ ،‬والحظ الفروقات بين النتائج‪.‬‬

‫‪201‬‬
 ‫‪ 4.1.6‬اختبار كولمجروف‪-‬سميرنوف لعينة واحدة (‪)One-Sample Kolmogorov-Smirnov Test‬‬

‫تناولنا فيما سبق استخدام اختبار كولمجروف‪-‬سميرنوف الختبار توزع المتغير (أو العينة) بتوزيع طبيعي‪،‬‬
‫واألمر هنا مشابه حيث أننا سنقوم باستخدام هذا االختبار للتحقق من تبعية المتغير الكمي للتوزيع الطبيعي أو‬
‫التوزيع المنتظم (‪ ،)Uniform‬أو توزيع بواسون (‪ ،)Poisson‬أو التوزيع األسي (‪ ،)Exponential‬وهي التوزيعات‬
‫التي يوفرها اختبار كولمجروف‪-‬سميرنوف لعينة واحدة في برنامج ‪.SPSS‬‬

‫ويعتمد اختبار كولمجروف‪-‬سميرنوف على مقارنة التوزيع االحتمالي (التراكمي) الفعلي للمتغير بالتوزيع االحتمالي‬
‫المطلوب (المتوقع)‪ ،‬وكلما انخفضت قيمة احصاءة االختبار (اقتربت من الصفر) كلما دل ذلك على اقتراب التوزيع‬
‫االحتمالي الفعلي للمتغير من التوزيع االحتمالي المطلوب مقارنته به‪ .‬وتكون الفرضية الصفرية لالختبار أن المتغير‬
‫يتبع التوزيع االحتمالي المفترض‪( ،‬الطبيعي‪ ،‬المنتظم‪.)... ،‬‬

‫سنستخدم ملف البيانات "بيانات الطلبة" للتحقق من التوزيع االحتمالي لبعض المتغيرات‪ ،‬وبالتالي قم في شريط‬
‫األدوات العلوي باختيار ‪،Analyze>Nonparametric Tests>Legacy Dialogs>1-Sample K-S‬‬
‫فتظهر نافذة االختبار‪ ،‬كما يوضح الشكل (‪ .)6.6‬قم في تلك النافذة باختيار المتغيرات؛ "المقرر‪" ،"1‬المقرر‪،"3‬‬
‫و"الفصل" على سبيل المثال‪ ،‬ثم انقلها إلى مربع قائمة متغيرات االختبار‪ .‬ولنفرض أننا نريد اختبار ما إذا كان كل‬
‫متغير من هذه المتغيرات يتبع التوزيع الطبيعي أو التوزيع المنتظم‪ ،‬لذلك سنقوم باختيار طبيعي (‪ )Normal‬ومنتظم‬
‫(‪ )Uniform‬من مربع التوزيع االحتمالي لالختبار (‪ )Test Distribution‬كما يوضح الشكل‪ ،‬ثم نضغط موافق‬
‫للتنفيذ‪.‬‬

‫شكل ‪ :6.6‬نافذة اختبار كولمجروف‪ -‬سميرنوف لعينة واحدة‪( ،‬للبيانات "معدالت الطلبة")‪.‬‬

‫‪202‬‬
‫في نافذة المخرجات‪ ،‬ستكون النتائج موضحة في جدولين؛ األول خاص بنتائج المقارنة بالتوزيع الطبيعي‪( ،‬لكل‬
‫متغير من المتغيرات الثالثة المختارة)‪ ،‬والثاني خاص بنتائج المقارنة بالتوزيع المنتظم‪ .‬ونالحظ من الجدولين‪،‬‬
‫(اللذين قد تم عرضهما في جدول واحد هو جدول (‪ ،))7.6‬ما يلي‪:‬‬

‫‪ .1‬المتغير درجات الطلبة في المقرر‪ 1‬يتوزع بتوزيع طبيعي تقريبا‪ P-value = 0.200( ،‬في اختبار التوزيع‬
‫الطبيعي)‪ ،‬وال يتوزع بالتوزيع المنتظم‪ P-value = 0.029( ،‬في اختبار التوزيع المنتظم)‪.‬‬

‫‪ .2‬المتغير درجات الطلبة في المقرر‪ 3‬ال يتوزع بتوزيع طبيعي‪ P-value = 0( ،‬في اختبار التوزيع الطبيعي)‪،‬‬
‫وال يتوزع بالتوزيع المنتظم‪ P-value = 0( ،‬في اختبار التوزيع المنتظم)‪.‬‬

‫‪ .3‬المتغير ترتيب الفصل الدراسي للطالب يتوزع بتوزيع طبيعي تقريبا وان كانت القيمة االحتمالية لالختبار‬
‫قريبة جدا من القيمة ‪ P-value = 0.060( ،0.05‬في اختبار التوزيع الطبيعي)‪ ،‬ويتوزع بالتوزيع المنتظم‪،‬‬
‫(‪ P-value = 0.751‬في اختبار التوزيع المنتظم)‪ ،‬لذلك نتجه العتباره أقرب للتوزيع المنتظم‪.‬‬

‫جدول ‪ :7.6‬نتائج اختبار كولمجروف‪-‬سميرنوف لعينة واحدة للمقارنة بالتوزيع الطبيعي والتوزيع‬
‫المنتظم‪ ،‬للمتغيرات "المقرر‪" ،"1‬المقرر‪ ،"3‬و"الفصل"‪( ،‬للبيانات "معدالت الطلبة")‪.‬‬
‫‪One-Sample Kolmogorov-Smirnov Test‬‬
‫درجة الطالب درجة الطالب‬ ‫ترتيب الفصل‬
‫في المقرر‪1‬‬ ‫الدراسي للطالب في المقرر‪3‬‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫‪Normal‬‬ ‫‪Mean‬‬ ‫‪71.31‬‬ ‫‪55.34‬‬ ‫‪5.06‬‬
‫‪Parametersa,b Std. Deviation‬‬ ‫‪15.605‬‬ ‫‪14.289‬‬ ‫‪1.846‬‬
‫‪Most‬‬ ‫‪Absolute‬‬ ‫‪.114‬‬ ‫‪.235‬‬ ‫‪.145‬‬
‫‪Extreme‬‬ ‫‪Positive‬‬ ‫‪.075‬‬ ‫‪.235‬‬ ‫‪.145‬‬
‫‪Differences‬‬
‫‪Negative‬‬ ‫‪-.114‬‬ ‫‪-.129‬‬ ‫‪-.124‬‬
‫‪Test Statistic‬‬ ‫‪.114‬‬ ‫‪.235‬‬ ‫‪.145‬‬
‫)‪Asymp. Sig. (2-tailed‬‬ ‫‪.200‬‬ ‫‪c,d‬‬
‫‪.000‬‬ ‫‪c‬‬
‫‪.060c‬‬
‫‪a. Test distribution is Normal.‬‬
‫‪b. Calculated from data.‬‬
‫‪c. Lilliefors Significance Correction.‬‬
‫‪d. This is a lower bound of the true significance.‬‬

‫‪One-Sample Kolmogorov-Smirnov Test 2‬‬

‫درجة الطالب درجة الطالب‬ ‫ترتيب الفصل‬
‫في المقرر‪1‬‬ ‫في المقرر‪3‬‬ ‫الدراسي للطالب‬
‫‪N‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪35‬‬
‫‪Uniform‬‬ ‫‪Minimum‬‬ ‫‪35‬‬ ‫‪27‬‬ ‫‪2‬‬
‫‪Parametersa,b Maximum‬‬ ‫‪94‬‬ ‫‪95‬‬ ‫‪8‬‬
‫‪Most‬‬ ‫‪Absolute‬‬ ‫‪.246‬‬ ‫‪.400‬‬ ‫‪.114‬‬
‫‪Extreme‬‬ ‫‪Positive‬‬ ‫‪.029‬‬ ‫‪.400‬‬ ‫‪.095‬‬
‫‪Differences‬‬
‫‪Negative‬‬ ‫‪-.246‬‬ ‫‪-.150‬‬ ‫‪-.114‬‬
‫‪Kolmogorov-Smirnov Z‬‬ ‫‪1.455‬‬ ‫‪2.364‬‬ ‫‪.676‬‬
‫)‪Asymp. Sig. (2-tailed‬‬ ‫‪.029‬‬ ‫‪.000‬‬ ‫‪.751‬‬
‫‪a. Test distribution is Uniform.‬‬
‫‪b. Calculated from data.‬‬

‫‪203‬‬
 ‫‪ 2.6‬االختبارات الالمعلمية لعينتين مستقلتين‬
‫(‪)Nonparametric Tests for Two Independent Samples‬‬

‫يوفر برنامج ‪ SPSS‬االختبارات التالية في منطقة االختبارات الالمعلمية لعينتين مستقلتين‪:‬‬

‫‪ .1‬اختبارات مان‪-‬ويتني ‪ U‬وويلكوكسون لمجموع الرتب ‪Mann-Whitney U and Wilcoxon ( W‬‬

‫‪.)rank sum W Tests‬‬

‫‪ .2‬اختبار كولمجروف‪-‬سميرنوف ‪.)Kolmogorov-Smirnov Z Test( Z‬‬

‫‪ .3‬اختبار والد‪-‬ولفويتز للدورات (‪.)Wald-Wolfowitz Runs Test‬‬

‫‪ .4‬اختبار موسز للردود المتطرفة (‪.)Moses Extreme Reactions Test‬‬

‫ُيعد اختبار مان‪-‬ويتني "النسخة" الالمعلمية من اختبار ‪ t‬لتساوي متوسطي المجتمع‪ ،‬إذا يقوم باختبار الفرضية‬
‫القائلة بتساوي توزيعي عينتين مستقلتين‪ ،‬أو بمعنى آخر‪ ،‬يقوم االختبار بالتحقق من أن العينتين مسحوبتين من‬
‫ويعتبر اختبار ويلكوكسون لمجموع الرتب مكافئ الختبار مان‪-‬ويتني الختبار عينتين‪ .‬أي أن‬
‫مجتمعين متماثلين‪ُ .‬‬
‫كل من االختبارين يقوم باختبار الفرضية الصفرية‪ :‬العينتين لهما نفس التوزيع ‪.H0:‬‬

‫وأما اختباري كولمجروف‪-‬سميرنوف ووالد‪-‬ولفويتز للدورات فقد تم التطرق لهما سابقا‪ ،‬ويقوما باختبار نفس الفرضية‬
‫الصفرية أعاله عن طريق التعامل مع كل عينة أو مجموعة على حده ثم مقارنة النتائج‪.‬‬

‫بالنسبة الختبار موسز للردود المتطرفة‪ ،‬فيقوم باعتبار أن العينة أو المجموعة األولى من المشاهدات هي مجموعة‬
‫التحكم (‪ )Control group‬واعتبار العينة الثانية هي مجموعة التجربة (‪ ،)Experimental group‬ثم يقوم بدمج‬
‫العينتين واعطاء رتب لكل المشاهدات فيهما وتنفيذ االختبار‪.‬‬

‫ولتطبيق هذه االختبارات‪ ،‬قم بفتح ملف البيانات "المقابالت الشخصية"‪ ،‬والذي سيكون المثال التطبيقي لنا في‬
‫برنامج ‪ .SPSS‬ثم قم في شريط األوامر العلوي باختيار ‪Analyze>Nonparametric Tests>Legacy‬‬
‫‪ ،Dialogs>2 Independent Samples‬فتظهر نافذة االختبار كما هو في الشكل (‪ .)7.6‬في تلك النافذة‪ ،‬قم‬
‫بنقل المتغير "نتائج_المقابالت" إلى مربع قائمة متغيرات االختبار‪ ،‬ونقل متغير "الشركة" إلى مربع متغير التصنيف‬
‫(‪.)Grouping Variable‬‬

‫‪204‬‬
 ‫شكل ‪ :7.6‬نافذة اختبار عينتين مستقلتين في االختبارات الالمعلمية‪ ،‬لملف البيانات "المقابالت الشخصية"‪.‬‬

‫بعد ذلك اضغط على خيار تعريف المجموعات (‪ )Define Groups‬وأدخل القيم ‪ 1‬و‪ 2‬في النافذة الفرعية التي‬
‫ستظهر في مربعي المجموعة األولى (‪ )Group 1‬والمجموعة الثانية (‪ )Group 2‬على التوالي‪ ،‬ثم اضغط‬
‫استمرار‪.‬‬

‫ما قمنا به حتى اآلن هو تعريف مشاهدات المتغير "نتائج المقابالت" كمتغير يضم مجموعتين أو عينتين مستقلتين‪،‬‬
‫العينة األولى هي نتائج مقابالت الشركة ‪ ،1‬والعينة الثانية هي نتائج مقابالت الشركة ‪ ،2‬والهدف سيكون اختبار‬
‫ما إذا كانت كل من العينتين لهما نفس التوزيع أو اختبار ( ‪ )𝐻0 : 𝜇1 = 𝜇2‬باستخدام االختبارات الالمعلمية لعينتين‬
‫مستقلتين‪ .‬في نافذة االختبار‪( ،‬شكل (‪ ،))7.6‬قم باختيار اختبار كولموجروف‪-‬سميرنوف ‪ Z‬إضافة الختبار مان‪-‬‬
‫ويتني ‪ U‬االفتراضي ثم اضغط موافق‪.‬‬

‫وفي نافذة المخرجات‪ ،‬سنحصل على نتائج االختبارين‪ ،‬بالنسبة الختبار مان‪-‬ويتني والذي سيظهر معه نتيجة‬
‫اختبار ولكوكسون‪( ،‬جدول (‪ ،))8.6‬ومن هذه النتائج‪ ،)P-value > 0.05( ،‬نتجه لقبول الفرضية الصفرية القائلة‬
‫بتساوي توزيع العينتين‪ ،‬بمعنى أن نتائج المقابالت في الشركتين متوافقة (متكافئة)‪.‬‬

‫جدول ‪ :8.6‬نتائج اختبار مان‪-‬وتني وولكوكسون لعينتين مستقلتين‪ ،‬للبيانات "المقابالت الشخصية"‪.‬‬
‫‪Test Statisticsa‬‬
‫نتائج_المقابالت‬
‫‪Mann-Whitney U‬‬ ‫‪195.500‬‬
‫‪Wilcoxon W‬‬ ‫‪405.500‬‬
‫‪Z‬‬ ‫‪-.122‬‬
‫)‪Asymp. Sig. (2-tailed‬‬ ‫‪.903‬‬
‫])‪Exact Sig. [2*(1-tailed Sig.‬‬ ‫‪.904b‬‬
‫الشركة ‪a. Grouping Variable:‬‬
‫‪b. Not corrected for ties.‬‬

‫‪205‬‬
‫ونالحظ أن نفس النتيجة قد تم الوصول إليها من اختبار كولمجروف‪-‬سميرنوف‪( ،‬جدول (‪ ،))9.6‬حيث أن القيمة‬
‫االحتمالية (‪.)P-value > 0.05‬‬

‫جدول ‪ :9.6‬نتائج اختبار كولموجروف‪-‬سميرنوف لعينتين مستقلتين‪ ،‬للبيانات "المقابالت الشخصية"‪.‬‬

‫‪Test Statisticsa‬‬
‫نتائج_المقابالت‬
‫‪Most Extreme Differences‬‬ ‫‪Absolute‬‬ ‫‪.100‬‬
‫‪Positive‬‬ ‫‪.100‬‬
‫‪Negative‬‬ ‫‪-.100‬‬
‫‪Kolmogorov-Smirnov Z‬‬ ‫‪.316‬‬
‫)‪Asymp. Sig. (2-tailed‬‬ ‫‪1.000‬‬
‫الشركة ‪a. Grouping Variable:‬‬

‫‪ 3.6‬االختبارات الالمعلمية لعدة عينات مستقلة‬

‫(‪)Nonparametric Tests for Several Independent Samples‬‬

‫هذه االختبارات تعادل في أهدافها اختبار تحليل التباين في اتجاه واحد‪ ،‬أي أنها تختبر تساوي عدة‬
‫متوسطات‪ ،‬أو تكافؤ توزيع عدة متغيرات‪ .‬ومن أهم االختبارات الالمعلمية لعدة عينات مستقلة اختبار كروسكل‪-‬‬
‫والس واختبار الوسيط‪.‬‬

‫‪ 1.3.6‬اختبار كروسكل‪-‬والس ‪ (Kruskal-Wallis H test) H‬واختبار الوسيط (‪)Median test‬‬

‫ُيعتبر اختبار كروسكل‪-‬والس امتدادا الختبار مان‪-‬وتني ‪ U‬حيث أنه يختبر تساوي عدة متوسطات‪ ،‬أو‬
‫يختبر ما إذا كانت العينات المستقلة هي مسحوبة من مجتمعات متطابقة التوزيع‪ .‬وكذلك اختبار الوسيط الذي‬
‫يتحقق من االختالفات بين توزيعات المتغيرات محل االختبار‪.‬‬

‫لتنفيذ هذه االختبارات‪ ،‬قم بفتح ملف البيانات "فيتامين دال" في برنامج ‪ ،SPSS‬حيث أننا سنقوم باختبار الفرضية‬
‫الصفرية القائلة بأن معدالت مستويات فيتامين دال لدى األشخاص هي متساوية في الفئات العمرية الثالثة؛ (أقل‬
‫من ‪( ،)30‬من ‪ 30‬إلى ‪ ،)50‬و(‪ 51‬فأكثر)‪ ،‬أي أننا سنقوم باختبار الفرضية الصفرية ‪𝐻0 : 𝜇1 = 𝜇2 = 𝜇3‬‬
‫بصورة المعلمية‪.‬‬

‫في شريط األوامر العلوي قم باختيار ‪Analyze>Nonparametric Tests>Legacy Dialogs>k‬‬

‫‪ ،Independent Samples‬فتظهر نافذة االختبار المطلوبة‪( ،‬شكل (‪.))8.6‬‬

‫‪206‬‬
 ‫شكل ‪ : 8.6‬نافذة اختبار عدة عينات مستقلة في االختبارات الالمعلمية‪( ،‬للبيانات "فيتامين دال")‪.‬‬

‫في تلك النافذة‪ ،‬سنقوم باختيار المتغير الكمي "فيتامين_دال" ونقله لمربع قائمة متغيرات االختبار‪ ،‬واختيار المتغير‬
‫الوصفي "الفئة_العمرية" ونقله لمربع متغير التقسيم‪ .‬بعد ذلك نضغط على أمر تعريف المدى (‪)Define Range‬‬
‫والذي يتطلب إدخال القيمة الصغرى (‪ )Minimum‬والقيمة الكبرى (‪ )Maximum‬لتقسيمات المتغير الوصفي‬
‫"الفئة_العمرية"‪ ،‬وهما القيمتان ‪ 1‬و‪ .3‬ثم نضغط استمرار‪.‬‬

‫وبعد الضغط على موافق في نافذة االختبار الرئيسية ستظهر النتائج في نافذة المخرجات‪ .‬والنتيجة األولى‪( ،‬التي‬
‫تظهر في جدول (‪ ،))10.6‬هي نتيجة اختبار كروسكال‪-‬والس ويظهر في الجدول الفرعي األول عدد المشاهدات‬
‫في كل تقسيم أو مجموعة‪ ،‬ومتوسط الرتب لكل مجموعة‪ .‬وأما الجدول الفرعي الثاني فيشمل نتيجة االختبار‪ ،‬وحيث‬
‫أن القيمة االحتمالية (‪ )P-value = 0.138‬نستطيع الحكم بقبول الفرضية الصفرية ‪،𝐻0 : 𝜇1 = 𝜇2 = 𝜇3‬‬
‫بمعنى أننا نعتقد بأن مستويات فيتامين دال متكافئة في الفئات العمرية الثالثة لألشخاص‪.‬‬

‫جدول ‪ :10.6‬نتائج اختبار كروسكال‪-‬وال س لثالثة عينات مستقلة‪ ،‬للبيانات "فيتامين دال"‪.‬‬
‫‪Ranks‬‬
‫فئات العمر‬ ‫‪N‬‬ ‫‪Mean Rank‬‬
‫فيتامين_دال‬ ‫أقل من ‪30‬‬ ‫‪16‬‬ ‫‪32.16‬‬
‫من ‪ 30‬إلى ‪50‬‬ ‫‪20‬‬ ‫‪35.48‬‬
‫‪ 51‬فأكثر‬ ‫‪24‬‬ ‫‪25.25‬‬
‫‪Total‬‬ ‫‪60‬‬

‫‪Test Statisticsa,b‬‬
‫فيتامين_دال‬
‫‪Chi-Square‬‬ ‫‪3.954‬‬
‫‪df‬‬ ‫‪2‬‬
‫‪Asymp. Sig.‬‬ ‫‪.138‬‬
‫‪a. Kruskal Wallis Test‬‬
‫فئات العمر ‪b. Grouping Variable:‬‬

‫‪207‬‬
‫وأما نتيجة اختبار الوسيط‪( ،‬جدول (‪ ،))11.6‬فالنتيجة هي العكس‪ ،‬حيث أن القيمة االحتمالية ( = ‪P-value‬‬
‫‪ ،) 0.003‬مما يعني رفض الفرضية الصفرية‪ ،‬أي أنه بحسب اختبار الوسيط يوجد على األقل متوسطان غير‬
‫متساويان‪.‬‬

‫جدول ‪ : 11.6‬نتائج اختبار الوسيط لثالثة عينات مستقلة‪ ،‬للبيانات "فيتامين دال"‪.‬‬
‫‪Frequencies‬‬
‫فئات العمر‬
‫أقل من ‪30‬‬ ‫من ‪ 30‬إلى ‪50‬‬ ‫‪ 51‬فأكثر‬
‫فيتامين_دال‬ ‫‪> Median‬‬ ‫‪9‬‬ ‫‪14‬‬ ‫‪5‬‬
‫‪<= Median‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪19‬‬
‫‪Test Statisticsa‬‬
‫فيتامين_دال‬
‫‪N‬‬ ‫‪60‬‬
‫‪Median‬‬ ‫‪29.00‬‬
‫‪Chi-Square‬‬ ‫‪11.401b‬‬
‫‪df‬‬ ‫‪2‬‬
‫‪Asymp. Sig.‬‬ ‫‪.003‬‬
‫فئات العمر ‪a. Grouping Variable:‬‬
‫‪b. 0 cells (0.0%) have expected frequencies less than 5. The minimum expected cell frequency is 7.5.‬‬

‫وهذا االختالف في نتيجة االختبارين يعود الختالف طبيعة حساب قيمة إحصاءة االختبار لكل منهما‪ ،‬ويعود الحكم‬
‫النهائي للباحث الذي قد يقوم بتنفيذ اختبارات مقارنة متعددة لكل متغيرين على حدة للحصول على فهم أعمق لتوزع‬
‫المشاهدات في كل متغير‪.‬‬

‫‪ 4.6‬االختبارات الالمعلمية لعينتين مرتبطتين (‪)Nonparametric Tests for Two Paired Samples‬‬

‫كما هو الحال مع االختبارات الالمعلمية المتعلقة بالعينات المستقلة‪ ،‬فإن اختبارات العينات المرتبطة‬
‫لعينتين تختبر ما إذا كانت العينتين أو المتغيرين يتبعان نفس التوزيع‪ .‬ويوفر برنامج ‪ SPSS‬أربعة اختبارات غير‬
‫معلمية بالنسبة للعينات المرتبطة الختبار الفرضية الصفرية ‪ .𝐻0 : 𝜇1 = 𝜇2‬ويتم استخدام هذه االختبارات بحسب‬
‫طبيعة المتغيرات المراد اختبارها‪ ،‬وسنقوم باستعراضها فيما يلي‪:‬‬

‫‪ 1.4.6‬اختبار اإلشارة واختبار ولكوكسون للرتب ذات اإلشارات‬

‫(‪)Sign and Wilcoxon Signed-Rank Tests‬‬

‫يتم استخدام هذين االختبارين عند التعامل مع عينات مرتبطة كمية‪ ،‬حيث يقوم اختبار اإلشارة بحساب‬
‫الفروقات بين المتغيرين ثم تصنيفها إلى فروقات موجبة‪ ،‬سالبة‪ ،‬ومتعادلة (أي ال توجد فروقات)‪ .‬واذا كان المتغيران‬
‫لهما نفس التوزيع‪ ،‬فإن عدد الفروقات الموجبة والسالبة سيكون متقارب‪.‬‬

‫‪208‬‬
‫وأما اختبار ولكوكسون للرتب ذات اإلشارات‪ُ ،‬فيعد أفضل من اختبار اإلشارة نظ ار ألنه يأخذ في االعتبار مقدار‬
‫الفروقات بين المتغيرين إلى جانب إشارات الرتب‪ ،‬وبالتالي فإن إحصاءة االختبار ستشمل على معلومات أكثر عن‬
‫المتغيرين‪.‬‬

‫ولنقم اآلن بتطبيق هذين االختبارين في برنامج ‪ SPSS‬باستخدام ملف البيانات "عينات ضغط الدم"‪ ،‬حيث أننا‬
‫سنختبر ما إذا كانت قياسات ضغط الدم للمرضى قبل تناول الدواء الموسع لألوردة مقاربة للقياسات بعد تناول‬
‫الدواء‪ .‬ونذكر القارئ هنا إلى أنه قد تم استخدام اختبار ‪ t‬في الفصل الرابع الختبار نفس الفرضية الصفرية السابقة‬

‫للمتغيرين بصورة معلمية؛ ‪.𝐻0 : 𝜇𝐷 = 0‬‬

‫في شريط األوامر العلوي قم باختيار ‪Analyze>Nonparametric Tests>Legacy Dialogs>2 Related‬‬

‫‪ ،Samples‬وفي نافذة االختبار‪ ،‬الموضحة في شكل (‪ ،)9.6‬قم باختيار المتغير "عينة‪ "1‬ونقله إلى مربع أزواج‬
‫المتغيرات في االختبار (‪ )Test Pairs‬ثم اختيار المتغير "عينة‪ "2‬ونقله إلى نفس المربع لتكوين زوج االختبار‪.‬‬

‫بعد ذلك‪ ،‬وفي مربع نوع االختبار (‪ ،)Test Type‬قم باختيار كل من اختبار ولكوكسون للرتب ذات اإلشارات‬
‫(‪ )Wilcoxon‬واختبار اإلشارة (‪ ،)Sign‬ثم اضغط موافق‪.‬‬

‫شكل ‪ :9.6‬نافذة اختبار عينتين مرتبطتين في االختبارات الالمعلمية‪ ،‬للمتغيرين "عينة‪ "1‬و"عينة‪( ،"2‬للبيانات‬
‫"عينات ضغط الدم")‪.‬‬

‫في نافذة المخرجات ستظهر نتيجة االختبارين‪ ،‬ومن النتيجة األولى‪( ،‬الموضحة في جدول (‪ ،))12.6‬يمكن في‬
‫الجدول الفرعي األول مالحظة متوسطات الرتب‪( ،‬الموجبة‪ ،‬السالبة‪ ،‬والمتعادلة)‪ ،‬ومجموع هذه الرتب‪ .‬وأما نتيجة‬
‫االختبار‪ ،) P-value = 0.474( ،‬فتظهر في الجدول الفرعي الثاني‪ ،‬والتي تقترح قبول الفرضية الصفرية القائلة‬
‫بعدم وجود فرق معنوي بين العينتين‪ ،‬بمعنى عدم وجود فرق في قياسات ضغط الدم قبل تناول الدواء وبعد تناوله‪.‬‬

‫‪209‬‬
 ‫جدول ‪ :12.6‬نتائج اختبار ولكوكسون للرتب ذات اإلشارات‪ ،‬للمتغيرين "عينة‪ "1‬و"عينة‪( ،"2‬للبيانات "عينات ضغط الدم")‪.‬‬
‫‪Ranks‬‬
‫‪N‬‬ ‫‪Mean Rank‬‬ ‫‪Sum of Ranks‬‬
‫ضغط الدم بعد استخدام الدواء ‪-‬‬ ‫‪Negative Ranks‬‬ ‫‪5‬‬ ‫‪a‬‬
‫‪9.50‬‬ ‫‪47.50‬‬
‫ضغط الدم قبل استخدام الدواء‬ ‫‪Positive Ranks‬‬ ‫‪b‬‬
‫‪10‬‬ ‫‪7.25‬‬ ‫‪72.50‬‬
‫‪Ties‬‬ ‫‪0c‬‬
‫‪Total‬‬ ‫‪15‬‬
‫ضغط الدم قبل استخدام الدواء <ضغط الدم بعد استخدام الدواء ‪a.‬‬
‫ضغط الدم قبل استخدام الدواء >ضغط الدم بعد استخدام الدواء ‪b.‬‬
‫ضغط الدم بعد استخدام الدواء = ضغط الدم قبل استخدام الدواء ‪c.‬‬

‫‪Test Statisticsa‬‬
‫ضغط الدم بعد استخدام الدواء ‪-‬‬
‫ضغط الدم قبل استخدام الدواء‬
‫‪Z‬‬ ‫‪-.716-b‬‬
‫)‪Asymp. Sig. (2-tailed‬‬ ‫‪.474‬‬
‫‪a. Wilcoxon Signed Ranks Test‬‬
‫‪b. Based on negative ranks.‬‬

‫وهذه النتيجة هي مطابقة لما تم التوصل إليه لنفس المتغيرين باستخدام اختبار ‪ t‬في الفصل الرابع‪.‬‬

‫ومن النتيجة الثانية‪( ،‬في جدول (‪ ،))13.6‬والخاصة بنتيجة اختبار اإلشارة‪ ،‬نجد أن القيمة االحتمالية تساوي (‪P-‬‬
‫‪ ،)value = 0.302‬وبالتالي نقبل الفرضية الصفرية‪ ،‬وبالتالي نرى بأن نتيجة اختبار اإلشارة متوافقة مع نتيجة‬
‫اختبار ولكوكسون للرتب ذات اإلشارات‪.‬‬

‫جدول ‪ :13.6‬نتائج اختبار اإلشارة للمتغيرين "عينة‪ "1‬و"عينة‪( ،"2‬للبيانات "عينات ضغط الدم")‪.‬‬
‫‪Frequencies‬‬
‫‪N‬‬
‫ضغط الدم بعد استخدام الدواء ‪ -‬ضغط الدم قبل استخدام الدواء‬ ‫‪Negative Differencesa‬‬ ‫‪5‬‬
‫‪Positive Differencesb‬‬ ‫‪10‬‬
‫‪c‬‬
‫‪Ties‬‬ ‫‪0‬‬
‫‪Total‬‬ ‫‪15‬‬
‫ضغط الدم قبل استخدام الدواء <ضغط الدم بعد استخدام الدواء ‪a.‬‬
‫ضغط الدم قبل استخدام الدواء >ضغط الدم بعد استخدام الدواء ‪b.‬‬
‫ضغط الدم بعد استخدام الدواء = ضغط الدم قبل استخدام الدواء ‪c.‬‬

‫‪Test Statisticsa‬‬
‫ضغط الدم بعد استخدام الدواء ‪-‬‬
‫ضغط الدم قبل استخدام الدواء‬
‫)‪Exact Sig. (2-tailed‬‬ ‫‪.302b‬‬
‫‪a. Sign Test‬‬
‫‪b. Binomial distribution used.‬‬

‫‪ 2.4.6‬اختبار ماك نيمر (‪)McNemar Test‬‬

‫ُيستخدم اختبار ماك نيمر مع المتغيرات الوصفية ثنائية القيم‪ ،‬حيث يقوم بتحديد ما إذا كان معدل‬
‫االستجابة األولية (في المتغير األول‪ ،‬أي قبل حدوث التغير) هو مساوي لمعدل االستجابة النهائية (في المتغير‬
‫الثاني‪ ،‬أي بعد حدوث التغير) ‪ ،‬فإذا كانت نتيجة االختبار تتضمن المساواة‪ ،‬فهذا يدل على عدم حدوث تغير في‬

‫‪210‬‬
‫االستجابة من المتغير األول إلى المتغير الثاني‪ ،‬أو بمعنى أبسط هذا يدل على عدم وجود فرق معنوي بين وسطي‬
‫المجتمعين محل الدراسة‪.‬‬

‫لتطبيق هذا االختبار‪ ،‬سنقوم أوال بتعريف متغيرين وصفيين ثنائيين جديدين في ملف البيانات السابق "عينات ضغط‬
‫الدم"‪ ،‬هما تحويل من المتغيرين الكميين األصليين "عينة‪ "1‬و"عينة‪ "2‬بحيث يأخذ كل من المتغير األول الجديد‪،‬‬
‫(وليكن اسمه "عينة‪_1‬ثنائي")‪ ،‬والمتغير الثاني الجديد‪( ،‬وليكن اسمه "عينة‪_2‬ثنائي")‪ ،‬القيمة ‪ 1‬للقيم ‪ 120‬فأقل‪،‬‬
‫والقيمة ‪ 2‬للقيم األكثر من ‪ .120‬ويتم تعريف المتغيرين الجديدين باستخدام أمر إعادة ترميز في متغير جديد‬
‫(‪ )Recode in Different Variables‬في أمر تحوير (‪ )Transform‬في شريط األوامر العلوي كما وضحنا‬
‫في الفصول السابقة‪.‬‬

‫اآلن وفي شريط األوامر العلوي بعد اختيار ‪Analyze>Nonparametric Tests>Legacy Dialogs>2‬‬
‫‪ ،Related Samples‬نقوم باختيار المتغيرين "عينة‪_1‬ثنائي" و"عينة‪_2‬ثنائي" ونقلهما إلى مربع أزواج المتغيرات‬
‫في االختبار (‪ ،)Test Pairs‬ثم اختيار اختبار ماك نيمر فقط في مربع نوع االختبار (‪ ،)Test Type‬كما يوضح‬
‫الشكل (‪ ،)10.6‬ثم نضغط موافق‪.‬‬

‫شكل ‪ :10.6‬نافذة اختبار ماك نيمر في االختبارات الالمعلمية‪ ،‬للمتغيرين "عينة‪_1‬ثنائي" و"عينة‪_2‬ثنائي"‪.‬‬

‫في نافذة المخرجات‪( ،‬جدول (‪ ،))14.6‬سيحتوي الجدول الفرعي األول على مصفوفة تصنيف القيم الثنائية في‬
‫المتغيرين‪ ،‬ونالحظ وجود حالة واحدة فقط مختلفة في التصنيف بين المتغيرين‪ .‬أما نتيجة االختبار في الجدول‬
‫الفرعي الثاني فهي تبين عدم وجود تغير ُيذكر قبل استخدام الدواء وبعده‪.)P-values = 1( ،‬‬

‫‪211‬‬
 ‫جدول ‪ :14.6‬نتائج اختبار ماك نيمر للمتغيرين "عينة‪_1‬ثنائي" و"عينة‪_2‬ثنائي"‪.‬‬
‫عينة‪_1‬ثنائي & عينة‪_2‬ثنائي‬
‫عينة‪_2‬ثنائي‬
‫عينة‪_1‬ثنائي‬ ‫‪ 120‬فأقل‬ ‫أكثر من ‪120‬‬
‫‪ 120‬فأقل‬ ‫‪3‬‬ ‫‪0‬‬
‫أكثر من ‪120‬‬ ‫‪1‬‬ ‫‪11‬‬

‫‪Test Statisticsa‬‬
‫عينة‪_1‬ثنائي & عينة‪_2‬ثنائي‬
‫‪N‬‬ ‫‪15‬‬
‫)‪Exact Sig. (2-tailed‬‬ ‫‪1.000b‬‬
‫‪a. McNemar Test‬‬
‫‪b. Binomial distribution used.‬‬

‫‪ 3.4.6‬اختبار التجانس الهامشي (‪)Marginal Homogeneity Test‬‬

‫يمكن اعتبار اختبار التجانس الهامشي للمتغيرات ذات القيم المتعددة‪ ،‬والذي يعتمد على توزيع مربع كاي‪،‬‬
‫امتدادا الختبار ماك نيمر للمتغيرات الثنائية‪ ،‬حيث أنه أيضا يبحث عن حدوث تغير في االستجابة من المتغير‬
‫األول (قبل) إلى المتغير الثاني (بعد)‪.‬‬

‫وكما قمنا في البند السابق بتعريف متغيرين ثنائيين جديدين‪ ،‬سنقوم هنا بتعريف متغيرين ثالثيي (متعددي) القيمة‪،‬‬
‫في ملف البيانات السابق "عينات ضغط الدم"‪ ،‬وسيكونا تحويل من المتغيرين الكميين األصليين "عينة‪ "1‬و"عينة‪"2‬‬
‫بحيث يأخذ المتغير األول المتعدد‪( ،‬وليكن اسمه "عينة‪_1‬ثالثي")‪ ،‬والمتغير الثاني المتعدد‪( ،‬وليكن اسمه‬
‫"عينة‪_2‬ثالثي")‪ ،‬القيمة ‪ 1‬للقيم ‪ 120‬فأقل‪ ،‬والقيمة ‪ 2‬للقيم من ‪ 121‬إلى ‪ ،140‬والقيمة ‪ 3‬للقيم األكثر من ‪.140‬‬
‫ويتم تعريف المتغيرين الجديدين باستخدام نفس أمر إعادة ترميز في متغير جديد في أمر تحوير (‪)Transform‬‬
‫في شريط األوامر العلوي‪.‬‬

‫اآلن في شريط األوامر العلوي بعد اختيار ‪Analyze>Nonparametric Tests>Legacy Dialogs>2‬‬

‫‪ ،Related Samples‬قم باختيار المتغيرين "عينة‪_1‬ثالثي" و"عينة‪_2‬ثالثي" ونقلهما إلى مربع أزواج المتغيرات‬
‫في االختبار (‪ ،)Test Pairs‬ثم اختيار اختبار التجانس الهامشي فقط في مربع نوع االختبار (‪ ،)Test Type‬كما‬
‫يوضح الشكل (‪ ،)11.6‬ثم نضغط موافق‪.‬‬

‫‪212‬‬
 ‫شكل ‪ :11.6‬نافذة اختبار التجانس الهامشي في االختبارات الالمعلمية‪ ،‬للمتغيرين "عينة‪_1‬ثالثي" و"عينة‪_2‬ثالثي"‪.‬‬

‫من الجدول (‪ ،)15.6‬الذي يحتوي على نتائج االختبار في نافذة المخرجات‪ ،‬يتبين لنا من القيمة االحتمالية‬
‫لالختبار‪ ،)P-values = 0.317( ،‬اتجاهنا لقبول الفرضية الصفرية القائلة بعدم حدوث تغير معنوي في قياسات‬
‫ضغط الدم للمرضى قبل استخدام الدواء وبعد استخدامه‪.‬‬

‫جدول ‪ :15.6‬نتائج اختبار التجانس الهامشي للمتغيرين "عينة‪_1‬ثالثي" و"عينة‪_2‬ثالثي"‪.‬‬

‫‪Marginal Homogeneity Test‬‬
‫عينة‪_1‬ثالثي & عينة‪_2‬ثالثي‬
‫‪Distinct Values‬‬ ‫‪3‬‬
‫‪Off-Diagonal Cases‬‬ ‫‪1‬‬
‫‪Observed MH Statistic‬‬ ‫‪2.000‬‬
‫‪Mean MH Statistic‬‬ ‫‪1.500‬‬
‫‪Std. Deviation of MH Statistic‬‬ ‫‪.500‬‬
‫‪Std. MH Statistic‬‬ ‫‪1.000‬‬
‫)‪Asymp. Sig. (2-tailed‬‬ ‫‪.317‬‬

‫وخالصة القول هنا‪ ،‬أن االختبارات األربعة الالمعلمية؛ اختبار اإلشارة‪ ،‬اختبار ولكوكسون للرتب ذات اإلشارات‪،‬‬
‫ستخدم‪ ،‬باختالف‬
‫الم َ‬‫اختبار ماك نيمر‪ ،‬واختبار التجانس الهامشي كلها أظهرت نفس النتيجة‪ ،‬فيما يتعلق بمثالنا ُ‬
‫طبيعة المتغيرات المستخدمة في االختبار؛ كمية‪ ،‬ثنائية‪ ،‬ومتعددة‪.‬‬

‫‪ 5.6‬االختبارات الالمعلمية لعدة عينات مرتبطة (‪)Nonparametric Tests for Several Paired Samples‬‬

‫كما هو الحال مع االختبارات السابقة‪ ،‬فإن هذه االختبارات الالمعلمية تقوم بمقارنة توزيع عينتين مرتبطتين‬
‫أو أكثر‪ ،‬ويتوفر في برنامج ‪ SPSS‬ثالثة اختبارات غير معلمية بالنسبة ل ‪ k‬عينة مرتبطة تقوم باختبار الفرضية‬
‫الصفرية 𝑘𝜇 = ⋯ = ‪ .𝐻0 : 𝜇1 = 𝜇2‬وسنقوم باستعراض هذه االختبارات فيما يلي‪:‬‬

‫‪213‬‬
 ‫‪ 1.5.6‬اختبار فريدمان (‪)Friedman test‬‬

‫يمكن اعتبار اختبار فريدمان‪ ،‬أو اختبار فريدمان ‪ ANOVA‬كما ُيطلق عليه أحيانا‪ ،‬اختبا ار مكافئا‬
‫لتحليل التباين في اتجاهين‪ ،‬حيث يقوم بإعطاء رتب من ‪ 1‬إلى ‪ k‬للمتغيرات‪( ،‬والتي عددها ‪ ،)k‬وذلك بالنسبة لكل‬
‫مشاهدة في العينة‪ .‬فإذا كانت المتغيرات موجودة في األعمدة‪ ،‬فهذا يعني أن الرتب ستوزع على المشاهدات في كل‬
‫صف‪ ،‬ثم يتم حساب قيمة إحصاءة االختبار‪ ،‬والتي تعتمد على توزيع مربع كاي‪ ،‬من هذه الرتب‪.‬‬

‫ولتطبيق اختبار فريدمان لنأخذ المثال التالي في جدول (‪ ،)16.6‬والذي يمثل أوزان ‪ 10‬أشخاص (بالكيلوجرام) قاموا‬
‫بتطبيق النظام الغذائي المعروف باسم الكيتو (‪ ،)Keto Diet‬هو نظام غذائي يعتمد على خفض نسبة الكربوهيدرات‬
‫مقابل االعتماد على عنصر الدهون‪ ،‬وذلك لمدة أربعة‬
‫جدول ‪ :16.6‬أوزان ‪ 10‬أشخاص في أربعة‬
‫أشهر أثناء تطبيق نظام الكيتو الغذائي‪.‬‬ ‫أشهر متواصلة‪.‬‬
‫الشهر‪1‬‬ ‫الشهر‪2‬‬ ‫الشهر‪3‬‬ ‫الشهر‪4‬‬
‫وبالتالي يمكن اعتبار أن أوزان هؤالء األشخاص في‬
‫‪75‬‬ ‫‪90‬‬ ‫‪84‬‬ ‫‪86‬‬
‫‪75‬‬ ‫‪83‬‬ ‫‪80‬‬ ‫‪81‬‬ ‫األشهر األربعة هي عينات أو متغيرات مرتبطة‬
‫‪74‬‬ ‫‪89‬‬ ‫‪95‬‬ ‫‪98‬‬ ‫وليست مستقلة‪ ،‬ألن وزن الشخص في كل شهر يتعلق‬
‫‪69‬‬ ‫‪80‬‬ ‫‪75‬‬ ‫‪77‬‬
‫بالشهر السابق والشهر الالحق خالل فترة تطبيق‬
‫‪65‬‬ ‫‪73‬‬ ‫‪70‬‬ ‫‪75‬‬
‫‪68‬‬ ‫‪77‬‬ ‫‪80‬‬ ‫‪75‬‬ ‫الحمية‪ .‬وسيكون الهدف هنا هو استخدام اختبار‬
‫‪70‬‬ ‫‪79‬‬ ‫‪86‬‬ ‫‪80‬‬ ‫فريدمان للعينات المرتبطة للتحقق من وجود تغير في‬
‫‪71‬‬ ‫‪79‬‬ ‫‪80‬‬ ‫‪82‬‬
‫أوزان هؤالء األشخاص خالل األشهر األربعة‪.‬‬
‫‪64‬‬ ‫‪81‬‬ ‫‪83‬‬ ‫‪81‬‬
‫‪73‬‬ ‫‪91‬‬ ‫‪88‬‬ ‫‪90‬‬

‫سنبدأ بإدخال المتغيرات في جدول (‪ )16.6‬في ملف بيانات جديد في برنامج ‪ SPSS‬باسم "نظام الكيتو"‪ ،‬بحيث‬
‫يمثل كل شهر متغير‪( ،‬بنفس االسم)‪.‬‬

‫اآلن وفي شريط األوامر العلوي قم باختيار ‪Analyze>Nonparametric Tests>Legacy Dialogs>k‬‬

‫‪ ،Related Samples‬وبعد ظهور نافذة االختبار قم باختيار المتغيرات األربعة ونقلها إلى مربع متغيرات االختبار‬
‫(‪ ،)Test Variables‬وستجد أن الخيار االفتراضي في النافذة هو اختبار فريدمان‪ ،‬كما يظهر في الشكل (‪.)12.6‬‬
‫قم بعدها بالضغط على موافق لتنفيذ االختبار‪.‬‬

‫‪214‬‬
 ‫شكل ‪ :12.6‬نافذة اختبار عدة عينات مرتبطة في االختبارات الالمعلمية‪ ،‬لمتغيرات ملف البيانات "نظام الكيتو"‪.‬‬

‫الجدول (‪ )17.6‬يمثل النتائج التي ستظهر في نافذة المخرجات‪ ،‬ونالحظ وجود قيم متوسطات الرتب لكل متغير‬
‫في الجدول الفرعي األول‪ ،‬أما الجدول الفرعي الثاني فتظهر فيه نتائج االختبار ومنه نتجه لرفض الفرضية الصفرية‬
‫الشهر‪ = 𝜇4‬الشهر‪ = 𝜇3‬الشهر‪ = 𝜇2‬الشهر‪ ،𝐻0 : 𝜇1‬وبالتالي يمكننا القول بأن اتباع نظام الكيتو الغذائي سيغير من‬

‫الوزن بصورة معنوية (ملحوظة) خالل األشهر المتتالية‪( ،‬لكن هذا ال يعني بالضرورة التغير بنقصان الوزن)‪.‬‬

‫جدول ‪ :17.6‬نتائج اختبار فريدمان لمتغيرات‬

‫ملف البيانات "نظام الكيتو"‪.‬‬
‫‪Ranks‬‬
‫‪Mean Rank‬‬
‫الشهر‪1‬‬ ‫‪1.00‬‬
‫الشهر‪2‬‬ ‫‪3.05‬‬
‫الشهر‪3‬‬ ‫‪2.80‬‬
‫الشهر‪4‬‬ ‫‪3.15‬‬

‫‪Test Statisticsa‬‬
‫‪N‬‬ ‫‪10‬‬
‫‪Chi-Square‬‬ ‫‪18.576‬‬
‫‪df‬‬ ‫‪3‬‬
‫‪Asymp. Sig.‬‬ ‫‪.000‬‬
‫‪a. Friedman Test‬‬

‫‪ 2.5.6‬اختبار كيندل ‪)Kendall's W test( W‬‬

‫يمكن اعتبار إحصاءة اختبار كيندل ‪ W‬بمثابة معامل للتوافق (‪،)Coefficient of Concordance‬‬
‫حيث أنه يستخدم تحديدا للتحقق من مدى اتفاق آراء المصوتين على موضوعات معينة‪ .‬فمثال‪ ،‬إذا تم سؤال‬
‫مجموعة من األشخاص (المشاهدات) عن رأيهم في أداء أربعة حكومات متعاقبة (والتي ستمثل المتغيرات) ألحدى‬
‫الدول‪ ،‬عندها يكون اختبار كيندل ‪ W‬هو االختبار األنسب للتحقق من مدى توافق آراءهم‪.‬‬

‫‪215‬‬
‫وكما هو الحال مع االختبارات الالمعلمية‪ ،‬فإن هذا االختبار يعتمد على الرتب التي يتم تعيينها للقيم‪ ،‬حيث يقوم‬
‫االختبار بأخذ مجموع الرتب لكل متغير‪ ،‬وستتراوح قيمة إحصاءة كيندل ‪ W‬ما بين القيمة ‪( ،0‬والتي تعني عدم‬
‫وجود أي توافق في اآلراء)‪ ،‬والقيمة ‪( ،1‬والتي تعني التوافق التام في اآلراء)‪.‬‬

‫ولنأخذ المثال التالي في جدول (‪ ،)18.6‬والذي يمثل تقييمات ‪ 12‬سيدة تم سؤالهن عن آراءهن حول مستحضرات‬
‫لتفتيح البشرة من ثالثة شركات شهيرة هي ‪ ،La Roche ،Nivea‬و‪ ،Johnson‬فقمن بتقييم كل مستحضر على‬
‫مقياس من ‪ 1‬إلى ‪( ،10‬أي من التقييم األسوأ إلى التقييم األفضل على الترتيب)‪.‬‬
‫جدول ‪ :18.6‬آراء ‪ 12‬سيدة حول ثالثة‬
‫مستحضرات لتفتيح البشرة‪( ،‬من ‪ 1‬إلى ‪.)10‬‬ ‫وسيكون الهدف هنا هو التحقق من مدى توافق آراء هذه العينة من‬
‫‪Nivea‬‬ ‫‪La Roche‬‬ ‫‪Johnson‬‬ ‫السيدات حول الشركات الثالثة‪ .‬وسنقوم بإدخال المتغيرات في جدول‬
‫‪3‬‬ ‫‪9‬‬ ‫‪4‬‬
‫‪5‬‬ ‫‪8‬‬ ‫‪3‬‬ ‫(‪ )18.6‬في ملف بيانات جديد في برنامج ‪ SPSS‬باسم "شركات‬
‫‪2‬‬ ‫‪9‬‬ ‫‪2‬‬
‫‪4‬‬ ‫‪10‬‬ ‫‪3‬‬ ‫التجميل"‪ ،‬بحيث تمثل كل شركة متغير وبنفس االسم‪.‬‬
‫‪1‬‬ ‫‪7‬‬ ‫‪1‬‬
‫‪6‬‬ ‫‪8‬‬ ‫‪1‬‬ ‫في شريط األوامر العلوي قم باختيار ‪Analyze>Nonparametric‬‬
‫‪7‬‬ ‫‪9‬‬ ‫‪3‬‬
‫‪1‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪ ،Tests>Legacy Dialogs>k Related Samples‬وبعد ظهور‬
‫‪2‬‬ ‫‪10‬‬ ‫‪6‬‬
‫نافذة االختبار قم باختيار المتغيرات الثالثة ونقلها إلى مربع متغيرات‬
‫‪5‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪5‬‬ ‫‪7‬‬ ‫‪10‬‬ ‫االختبار (‪ ،)Test Variables‬كما يظهر في الشخ خ خ خ خ خخكل (‪ .)13.6‬قم‬
‫‪6‬‬ ‫‪8‬‬ ‫‪9‬‬
‫ب خخاختي خخار اختب خخار كين خخدل ‪( ،W‬ويمكنن خخا إبق خخاء خي خخار اختي خخار اختب خخار‬
‫فريدمان موجودا لمقارنة النتائج)‪ ،‬ونقوم بعدها بالضغط على موافق‪.‬‬

‫شكل ‪ :13.6‬نافذة اختبار عدة عينات مرتبطة في االختبارات الالمعلمية‪ ،‬لمتغيرات ملف البيانات "شركات التجميل"‪.‬‬

‫وفي نافذة المخرجات‪ ،‬سنبدأ بالتعليق على نتيجة اختبار كيندال ‪ W‬أوال‪ ،‬والتي تُعرض في جدول (‪ ،)19.6‬ونالحظ‬
‫من نتيجة االختبار في الجدول الفرعي الثاني أن معامل أو إحصاءة كندل للتوافق تساوي ‪ 0.539‬مما يدل على‬

‫‪216‬‬
‫وجود اختالف في آراء السيدات في العينة حول مستحضرات تفتيح البشرة في الشركات الثالثة‪ ،‬ويؤكد هذا االستنتاج‬
‫القيمة االحتمالية لالختبار (‪ .)P-value = 0.002‬وأما الجدول األول الفرعي في جدول (‪ )19.6‬فيمثل متوسطات‬
‫الرتب في المتغيرات (الشركات) الثالثة‪.‬‬

‫جدول ‪ :19.6‬نتائج اختبار كيندل ‪ W‬لمتغيرات‬

‫ملف البيانات "شركات التجميل"‪.‬‬
‫‪Ranks‬‬
‫‪Mean Rank‬‬
‫‪Nivea‬‬ ‫‪1.42‬‬
‫‪La_Roche‬‬ ‫‪2.79‬‬
‫‪Johnson‬‬ ‫‪1.79‬‬

‫‪Test Statistics‬‬
‫‪N‬‬ ‫‪12‬‬
‫‪Kendall's Wa‬‬ ‫‪.539‬‬
‫‪Chi-Square‬‬ ‫‪12.933‬‬
‫‪df‬‬ ‫‪2‬‬
‫‪Asymp. Sig.‬‬ ‫‪.002‬‬
‫‪a. Kendall's Coefficient of Concordance‬‬

‫ومن الجدول الفرعي الثاني‪ ،‬في جدول (‪ ،)20.6‬نرى بأننا نتجه لرفض الفرضية الصفرية القائلة بتساوي أو توافق‬
‫آراء السيدات؛ 𝑛𝑜𝑠𝑛‪ ،𝐻0 : 𝜇𝑁𝑖𝑣𝑒𝑎 = 𝜇𝐿𝑎_𝑅𝑜𝑐ℎ𝑒 = 𝜇𝐽𝑜ℎ‬وبالتالي يمكن رؤية توافق االستنتاجات لكال‬
‫االختبارين‪.‬‬
‫جدول ‪ :20.6‬نتائج اختبار فريدمان لمتغيرات‬
‫ملف البيانات "شركات التجميل"‪.‬‬
‫‪Ranks‬‬
‫‪Mean Rank‬‬
‫‪Nivea‬‬ ‫‪1.42‬‬
‫‪La_Roche‬‬ ‫‪2.79‬‬
‫‪Johnson‬‬ ‫‪1.79‬‬

‫‪Test Statisticsa‬‬
‫‪N‬‬ ‫‪12‬‬
‫‪Chi-Square‬‬ ‫‪12.933‬‬
‫‪df‬‬ ‫‪2‬‬
‫‪Asymp. Sig.‬‬ ‫‪.002‬‬
‫‪a. Friedman Test‬‬

‫‪ 3.5.6‬اختبار كوكران ‪)Cochran's Q test( Q‬‬

‫ُيعد اختبار كوكران ‪ Q‬مطابقا الختبار فريدمان‪ ،‬إال أنه يتعامل مع قيم المتغيرات الثنائية‪ ،‬ويمكن أيضا‬
‫النظر إلى هذا االختبار على أنه امتداد الختبار ماك نيمر عند التعامل مع ‪ k‬عينة‪ .‬ولتطبيق هذا االختبار‪ ،‬لنفرض‬
‫أن آراء السيدات في المثال السابق‪( ،‬في جدول (‪ ،))18.6‬قد تم تسجيلها بإجابات جيد أو سيئ على مستحضرات‬
‫الشركات الثالثة‪ ،‬أي أنها أصبحت إجابات ثنائية‪ ،‬كما يظهر في الجدول (‪.)21.6‬‬

‫‪217‬‬
‫عندها سنقوم بإدراج المتغيرات الثالثة في نفس ملف البيانات السابق "شركات التجميل" باألسماء الجديدة التي‬
‫تظهر في الجدول‪ ،‬بحيث يتم تعيين القيمة ‪ 1‬لإلجابة‬
‫جدول ‪ :21.6‬آراء ‪ 12‬سيدة حول ثالثة‬
‫"سيئ"‪ ،‬والقيمة ‪ 2‬لإلجابة "جيد"‪ ،‬مع مراعاة تعريف‬
‫مستحضرات لتفتيح البشرة‪( ،‬جيد‪/‬سيئ)‪.‬‬
‫‪Nivea_bi La_Roche_bi‬‬ ‫‪Johnson_bi‬‬ ‫المشاهدات في عامود القيم (‪ )Values‬في نافذة عرض‬
‫سيئ‬ ‫جيد‬ ‫سيئ‬
‫المتغيرات (‪ )Variable View‬في ملف البيانات‪.‬‬
‫سيئ‬ ‫جيد‬ ‫سيئ‬
‫سيئ‬ ‫جيد‬ ‫سيئ‬
‫في شخ خ خ خ خ خ خريط األوامر العلوي س خ خ خ خ خ خخنقوم باختيار ‪Analyze‬‬
‫سيئ‬ ‫جيد‬ ‫سيئ‬
‫‪>Nonparametric Tests> Legacy Dialogs> k‬‬
‫سيئ‬ ‫جيد‬ ‫سيئ‬
‫‪ ،Related Samples‬وفي نخخافخخذة االختبخخار نقوم بخخاختيخخار‬
‫جيد‬ ‫جيد‬ ‫سيئ‬
‫جيد‬ ‫جيد‬ ‫سيئ‬ ‫ال خم خت خغ خيخخرات ال خثخخالث خ خ خخة؛ ‪،La_Roche_bi ،Nivea_bi‬‬
‫سيئ‬ ‫جيد‬ ‫سيئ‬
‫ونقله خ خ خخا إلى مربع متغيرات االختب خ خ خخار‬ ‫و‪Johnson_bi‬‬
‫سيئ‬ ‫جيد‬ ‫جيد‬
‫سيئ‬ ‫جيد‬ ‫جيد‬
‫(‪ ،)Test Variables‬كما يظهر في الشخ خ خخكل (‪ .)14.6‬ثم‬
‫سيئ‬ ‫جيد‬ ‫جيد‬ ‫نقوم ب خخاختي خخار اختب خخار كوكران ‪ ،)Cochran's Q( Q‬ثم‬
‫جيد‬ ‫جيد‬ ‫جيد‬
‫نضغط على موافق‪.‬‬

‫شكل ‪ :14.6‬نافذة اخت بار عدة عينات مرتبطة في االختبارات الالمعلمية‪ ،‬للمتغيرات الثنائية‪.‬‬

‫وفي نافذة المخرجات‪ ،‬سنحصل على النتائج المطلوبة‪ ،‬والتي يمثلها جدول (‪ ،)22.6‬ويوضح الجدول الفرعي األول‬
‫تكرار اإلجابات بسيئ (‪ )1‬وجيد (‪ )2‬للشركات الثالثة‪ ،‬والحظ منها أن الشركة (‪ )La_Roche‬لم تحصل على أي‬
‫رأي "سيئ" في عينة السيدات‪.‬‬

‫‪218‬‬
 ‫جدول ‪ :22.6‬نتائج اختبار فريدمان لمتغيرات‬
‫ملف البيانات "شركات التجميل"‪.‬‬
‫‪Frequencies‬‬
‫‪Value‬‬
‫‪1‬‬ ‫‪2‬‬
‫‪Nivea_bi‬‬ ‫‪9‬‬ ‫‪3‬‬
‫‪La_Roche_bi‬‬ ‫‪0‬‬ ‫‪12‬‬
‫‪Johnson_bi‬‬ ‫‪8‬‬ ‫‪4‬‬

‫‪Test Statistics‬‬
‫‪N‬‬ ‫‪12‬‬
‫‪Cochran's Q‬‬ ‫‪13.273a‬‬
‫‪df‬‬ ‫‪2‬‬
‫‪Asymp. Sig.‬‬ ‫‪.001‬‬
‫‪a. 1 is treated as a success.‬‬

‫وتُظهر نتيجة اختبار كوكران ‪ Q‬في الجدول الفرعي الثاني وجود اختالف في آراء السيدات حول مستحضرات‬
‫التجميل في الشركات الثالثة‪ ،‬حيث أن القيمة االحتمالية لالختبار (‪ ،)P-value = 0.001‬تقودنا لرفض الفرضية‬
‫الصفرية 𝑖𝑏_𝑛𝑜𝑠𝑛‪.𝐻0 : 𝜇𝑁𝑖𝑣𝑒𝑎_𝑏𝑖 = 𝜇𝐿𝑎_𝑅𝑜𝑐ℎ𝑒_𝑏𝑖 = 𝜇𝐽𝑜ℎ‬‬

‫‪ 6.6‬تحليل الموثوقية (‪)Reliability Analysis‬‬

‫في كثير من الدراسات قد يصعب على الباحث التأكد من أن بيانات الدراسة المستخدمة في التحليل‬
‫اإلحصائي هي بيانات تمثل الواقع الحقيقي‪ ،‬وخاصة تلك البيانات التي تعتمد على إجابات األشخاص عن مجموعة‬
‫من األسئلة المتعلقة بآرائهم وأشهرها أسئلة االستبيانات (‪ ،)Questionnaires‬والتي يرتكز معظمها على أسئلة‬
‫ليكارت (‪ )Likert‬المتعددة؛ الثنائية‪ ،‬الثالثية‪ ،‬الخماسية‪ ،‬والسباعية‪.‬‬

‫إذ أن المجيب أو المستهدف من االستبيان قد ُيعطي إجابات (بيانات) غير صحيحة وذلك لعدة أسباب منها عدم‬
‫معرفته بإجابة السؤال أو الفقرة فيجيب بالتخمين‪ ،‬أو قد ال يركز في األسئلة جيدا أو قد ال يفهم التعليمات فهما‬
‫جدا في طبيعته‪ ،‬وغيرها من‬
‫صحيحا‪ ،‬أو قد يخشى قول الصدق‪ ،‬أو قد يشعر أن السؤال أو الفقرة شخصي ً‬
‫األسباب‪ ،‬لذلك البد في كثير من الدراسات التأكد من مدى مصداقية اإلجابات على االستبيان وتقدير أخطاء‬
‫االستجابة‪.‬‬

‫‪219‬‬
 ‫وتوجد عدة طرق لقياس مدى صدق وثبات االستبيان‪ ،‬وسنتطرق ألهم ثالثة منها؛‬

‫‪ 1.6.6‬معامل ثبات كرونباخ الفا (‪)Cronbach's Alpha Coefficient‬‬

‫يعد معامل ثبات كرونباخ ألفا من أشهر مقاييس الثبات الداخلي ( ‪Internal Consistency‬‬
‫‪ )Reliability‬لالستبيان‪ ،‬ويعتمد على حساب االختالفات (التباينات) الداخلية بين إجابات األسئلة في االستبيان‬
‫من خالل استخدام الصيغة التالية‪:‬‬

‫𝑘‬ ‫‪∑𝑘𝑖=1 𝑆𝑖2‬‬

‫=‪α‬‬ ‫‪(1 −‬‬ ‫)‬
‫‪𝑘−1‬‬ ‫‪𝑆2‬‬
‫حيث‬

‫𝑘 = عدد أسئلة االستبيان‪ = 𝑆𝑖2 ،‬التباين إلجابات السؤال ‪ = 𝑆 2 ، i‬التباين إلجابات جميع األسئلة‪ .‬وارتفاع قيمة‬

‫المعامل ُيعتبر مؤش ار على ارتفاع درجة ثبات أو موثوقية إجابات المستهدفين على االستبيان‪.‬‬

‫‪ 2.6.6‬معامل ثبات التجزئة النصفية (‪)Split-Half Reliability Coefficient‬‬

‫يعتمد حساب هذا المعامل على تجزئة أسئلة االستبيان (المتغيرات) إلى جزأين متساويين‪ ،‬ثم حساب‬
‫ويعرف أيضا‬
‫االرتباط بين مجاميع المتغيرات في كل جزء‪( ،‬وليكن ‪ ،)r‬ثم حساب معامل الثبات أو الموثوقية ُ‬
‫بمعامل سبيرمان‪-‬براون (‪ )Spearman-Brown‬كالتالي‪:‬‬

‫𝑟‪2‬‬
‫= 𝑡𝑛𝑒𝑖𝑐𝑖𝑓𝑓𝑒𝑜𝐶 𝑛𝑤𝑜𝑟𝐵 ‪𝑆𝑝𝑒𝑎𝑟𝑚𝑎𝑛 −‬‬
‫𝑟‪1+‬‬

‫وكلما كانت قيمة معامل الثبات أكبر كلما دل ذلك على ثبات وصدق إجابات المستهدفين‪.‬‬

‫‪ 3.6.6‬معامل ثبات جوتمان (‪)Guttman Coefficient‬‬

‫يعتمد هذا المعامل أيضا على تجزئة أسئلة االستبيان إلى نصفين متساويين ثم حساب تباين اإلجابات‬
‫في كل نصف على حدة‪ 𝑆12 ،‬و ‪ ،𝑆12‬ثم يتم حساب التباين الكلي لجميع إجابات االستبيان ‪ ،𝑆 2‬وتكون صيغة‬
‫حساب معامل جوتمان للثبات معرفة بالصورة التالية‪:‬‬

‫‪𝑆12 + 𝑆22‬‬
‫‪𝐺𝑢𝑡𝑡𝑚𝑎𝑛 𝐶𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡 = 2 (1 −‬‬ ‫)‬
‫‪𝑆2‬‬

‫ويمكن اعتبار معامل جوتمان حالة خاصة من معامل كرونباخ ألفا‪ ،‬والقيمة المرتفعة للمعامل تدل على ثبات أفضل‬
‫لإلجابات على االستبيان‪.‬‬

‫‪220‬‬
‫لنأخذ اآلن المثال التالي الستبيان افتراضي يتضمن ‪ 10‬أسئلة تم توزيعه على عينة مكونة ‪ 100‬شخص‪ ،‬حيث‬
‫تمثل استجابة هؤالء األشخاص لألسئلة التالية المتعلقة بجودة المنتجات الغذائية العربية واألجنبية في العموم‪:‬‬

‫س‪ :1‬المنتجات الغذائية العربية كلها متشابهة‪.‬‬

‫س‪ :2‬يفضل دائما شراء المنتجات الغذائية األجنبية‪.‬‬
‫س‪ :3‬المنتجات الغذائية العربية ال تتوفر فيها الجودة القياسية‪.‬‬
‫س‪ :4‬المنتجات الغذائية األجنبية دائما ممتازة في جودتها‪.‬‬
‫س‪ :5‬المنتجات الغذائية العربية سعرها مبالغ فيه‪.‬‬
‫س‪ :6‬المنتجات الغذائية العربية تحتوي دائما على مواد حافظة ضارة‪.‬‬
‫س‪ :7‬مصانع المنتجات الغذائية العربية ال تهتم بآراء المستهلكين‪.‬‬
‫س‪ :8‬المنتجات الغذائية األجنبية ليست دائما األجود‪.‬‬
‫س‪ :9‬المنتجات الغذائية األجنبية تفتقد لذوق المستهلك العربي‪.‬‬
‫س‪ :10‬يجب تقليص استيراد المنتجات الغذائية األجنبية‪.‬‬

‫واجابة كل سؤال كانت على مقياس من ‪ 1‬إلى ‪ ،9‬بحيث أن القيمة ‪ 1‬تعني غير موافق على اإلطالق تدرجا في‬
‫رأي الشخص إلى القيمة ‪ 9‬والتي تعني موافق بشدة‪ .‬واجابات المستهدفين من هذا االستبيان هي مبينة في الجدول‬
‫التالي‪ ،‬جدول (‪ ،)23.6‬والتي سنقوم بإدراجها في ملف بيانات جديد في برنامج ‪ SPSS‬باسم "استبيان المنتجات‬
‫الغذائية"‪ .‬وسيكون الهدف هو استخدام بعض مؤشرات تحليل الموثوقية للتحقق من مدى موثوقية أو ثبات إجابات‬
‫العينة المستهدفة من االستبيان‪ .‬وسنقوم بكتابة أسئلة االستبيان في العامود الخاص بتعريف المتغيرات (‪)Label‬‬
‫في ملف البيانات لمزيد من التوضيح أثناء تفسير النتائج التي سنحصل عليها الحقا من تحليل الموثوقية‪.‬‬

‫جدول ‪ :23.6‬إجابات عينة من ‪ 100‬شخص على ‪ 10‬أسئلة في استبيان حول جودة المنتجات الغذائية العربية واألجنبية‪.‬‬
‫س‪10‬‬

‫س‪10‬‬
‫س‪1‬‬

‫س‪2‬‬

‫س‪3‬‬

‫س‪4‬‬

‫س‪5‬‬

‫س‪6‬‬

‫س‪7‬‬

‫س‪8‬‬

‫س‪9‬‬

‫س‪1‬‬

‫س‪2‬‬

‫س‪3‬‬

‫س‪4‬‬

‫س‪5‬‬

‫س‪6‬‬

‫س‪7‬‬

‫س‪8‬‬

‫س‪9‬‬

‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪8‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪9‬‬ ‫‪7‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪7‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪5‬‬
‫‪4‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪5‬‬
‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪7‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪4‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪2‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪4‬‬
‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪3‬‬
‫‪7‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪4‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪4‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪6‬‬

‫‪221‬‬
 ‫(تابع) جدول ‪ :23.6‬إجابات عينة من ‪ 100‬شخص على ‪ 10‬أسئلة في استبيان حول جودة المنتجات الغذائية العربية واألجنبية‪.‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪5‬‬
‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬
‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪9‬‬ ‫‪5‬‬
‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪2‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬
‫‪5‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬
‫‪6‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪5‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬
‫‪3‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪7‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪6‬‬
‫‪7‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪8‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪8‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬
‫‪6‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪7‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪8‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪4‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪4‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬
‫‪6‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪4‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪3‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪3‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪2‬‬
‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪1‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪6‬‬

‫في شريط األدوات العلوي‪ ،‬قم باختيار ‪ Analyze>Scale>Reliability Analysis‬فتظهر نافذة التحليل كما‬
‫هو موضح في الشكل (‪ .)15.6‬قم أوال باختيار كل المتغيرات العشرة ونقلها إلى مربع المواد أو المتغيرات (‪.)Items‬‬

‫شكل ‪ : 15.6‬نافذة تحليل الموثوقية لمتغيرات ملف البيانات "استبيان المنتجات الغذائية"‪.‬‬

‫‪222‬‬
‫بعد ذلك قم بالضغط على خيار اإلحصاءات (‪ )Statistics‬في أعلى اليمين فتظهر النافذة الفرعية الخاصة به‪،‬‬
‫كما يوضح الشكل (‪ .)16.6‬وفي تلك النافذة قم باختيار خيار المقياس عند حذف المتغير ( ‪Scale if item‬‬
‫‪ )deleted‬في مربع اإلحصاءات الوصفية (‪.)Descriptive for‬‬

‫شكل ‪ :16.6‬نافذة اختيار اإلحصاءات في تحليل الموثوقية‪.‬‬

‫ونلفت نظر المستخدم هنا إلى إمكانية اختيار عرض عدة نتائج مثل مصفوفة االرتباطات والتغايرات من مربع‬
‫العالقات بين المتغيرات (‪ ،)Inter-Item‬وعرض المتوسطات والتباينات وغيرها من مربع الملخصات‬
‫(‪.)Summaries‬‬

‫سنكتفي بخيارنا الحالي اآلن ونضغط استمرار للعودة للنافذة الرئيسية‪ ،‬وفي تلك النافذة‪ ،‬سنبقي على الخيار‬
‫االفتراضي لطريقة حساب معامل الموثوقية في مربع النموذج (‪ ،)Model‬وهو معامل كرونباخ ألفا‪ ،‬ثم نضغط‬
‫موافق فتظهر النتائج المطلوبة في نافذة المخرجات‪.‬‬

‫والجدول األول يوضح عدد المشاهدات المستخدمة والمستثناة‪ ،‬والجدول الثاني في نافذة المخرجات‪( ،‬جدول‬
‫(‪ ،)) 24.6‬يعرض قيمة معامل كرونباخ ألفا في الجدول الفرعي األول وهي قيمة جيدة (‪ )α = 0.799‬تدل على‬
‫ثبات اإلجابات في االستبيان‪.‬‬

‫‪223‬‬
 ‫جدول ‪ :24.6‬نتائج معامل كرونباخ ألفا واحصاءات المتغيرات لملف بيانات "استبيان المنتجات الغذائية"‪.‬‬
‫‪Reliability Statistics‬‬
‫‪Cronbach's Alpha‬‬ ‫‪N of Items‬‬
‫‪.799‬‬ ‫‪10‬‬

‫‪Item-Total Statistics‬‬
‫‪Scale Mean‬‬
‫‪if Item‬‬ ‫‪Scale Variance‬‬ ‫‪Corrected Item-‬‬ ‫‪Cronbach's Alpha‬‬
‫‪Deleted‬‬ ‫‪if Item Deleted Total Correlation‬‬ ‫‪if Item Deleted‬‬
‫المنتجات الغذائية العربية كلها‬
‫‪41.70‬‬ ‫‪53.889‬‬ ‫‪.655‬‬ ‫‪.759‬‬
‫متشابهة‬
‫يفضل دائما شراء المنتجات‬
‫‪41.46‬‬ ‫‪55.625‬‬ ‫‪.670‬‬ ‫‪.760‬‬
‫الغذائية األجنبية‬
‫المنتجات الغذائية العربية ال‬
‫‪41.50‬‬ ‫‪56.879‬‬ ‫‪.549‬‬ ‫‪.773‬‬
‫تتوفر فيها الجودة القياسية‬
‫المنتجات الغذائية األجنبية دائما‬
‫‪41.72‬‬ ‫‪58.204‬‬ ‫‪.485‬‬ ‫‪.780‬‬
‫ممتازة في جودتها‬
‫المنتجات الغذائية العربية سعرها‬
‫‪41.61‬‬ ‫‪66.261‬‬ ‫‪.060‬‬ ‫‪.829‬‬
‫مبالغ فيه‬
‫المنتجات الغذائية العربية تحتوي‬
‫‪41.65‬‬ ‫‪64.210‬‬ ‫‪.143‬‬ ‫‪.820‬‬
‫دائما على مواد حافظة ضارة‬
‫مصانع المنتجات الغذائية العربية‬
‫‪41.55‬‬ ‫‪56.028‬‬ ‫‪.587‬‬ ‫‪.768‬‬
‫ال تهتم بآراء المستهلكين‬
‫المنتجات الغذائية األجنبية ليست‬
‫‪41.42‬‬ ‫‪54.973‬‬ ‫‪.619‬‬ ‫‪.764‬‬
‫دائما األجود‬
‫المنتجات الغذائية األجنبية تفتقد‬
‫‪41.53‬‬ ‫‪56.716‬‬ ‫‪.514‬‬ ‫‪.776‬‬
‫لذوق المستهلك العربي‬
‫يجب تقليص استيراد المنتجات‬
‫‪41.75‬‬ ‫‪55.927‬‬ ‫‪.568‬‬ ‫‪.770‬‬
‫الغذائية األجنبية‬

‫وأما الجدول الفرعي الثاني‪ ،‬والذي يمثل بعض المقاييس اإلحصائية لمتغيرات (أسئلة) االستبيان فيمكن االستفادة‬
‫منه بصورة خاصة للتحقق من األسئلة (أو بمعنى آخر إجابات المستهدفين) التي وجودها يقلل من مدى ثبات‬
‫االستبيان‪ ،‬وهذه األسئلة هي التي ترتفع قيمة معامل كرونباخ ألفا بحذفها‪ ،‬وهذا يمكن مراقبة في العامود األول إلى‬
‫اليمين من هذا الجدول (‪.)Cronbach's Alpha if Item Deleted‬‬

‫ونالحظ أن السؤالين الخامس (المنتجات الغذائية العربية سعرها مبالغ فيه) والسادس (المنتجات الغذائية العربية‬
‫تحتوي دائما على مواد حافظة ضارة) إذا ما تم حذفهما فإن قيمة معامل كرونباخ ألفا سوف ترتفع بصورة ملحوظة؛‬
‫(‪ )0.829‬و(‪ )0.820‬على الترتيب‪ ،‬إلى جانب كون معاملي االرتباط بين هذين السؤالين واألسئلة ككل هما األدنى‬
‫مقارنة بباقي معامالت االرتباط في العامود الثاني إلى اليمين‪ )0.060( ،‬و(‪ )0.143‬على الترتيب‪.‬‬

‫لذلك قد يكون من الموصى به أحيانا حذف هذين السؤالين‪( ،‬أو إحداهما على األقل)‪ ،‬إذا ما رغب الباحث برفع‬
‫مستوى موثوقية أو ثبات االستبيان‪ ،‬وبالتالي رفع القيمة العلمية للدراسة ككل‪.‬‬

‫من جديد‪ ،‬يمكننا استخدام معامل ثبات التجزئة النصفية ومعامل جوتمان ضمن التجزئة النصفية ومعامل كرونباخ‬
‫ألفا ضمن التجزئة النصفية لمزيد من التحقق حول مدى ثبات أسئلة االستبيان‪.‬‬

‫‪224‬‬
‫في شريط األدوات العلوي‪ ،‬قم من جديد باختيار ‪ ،Analyze>Scale>Reliability Analysis‬وفي نافذة التحليل‬
‫قم باختيار كل المتغيرات العشرة ونقلها إلى مربع المواد أو المتغيرات (‪ ،)Items‬وهنا يمكننا االستغناء عن اختيار‬
‫خيار المقياس عند حذف المتغير (‪ )Scale if item deleted‬في خيار اإلحصاءات (‪ )Statistics‬حيث أنه قد‬
‫تم التطرق إليه في النتيجة السابقة‪ .‬نقوم بعدها باختيار طريقة الثبات في التجزئة النصفية (‪ )Split-half‬كطريقة‬
‫حساب معامل الموثوقية في مربع النموذج (‪ ،)Model‬ثم نضغط موافق‪.‬‬

‫وفي نافذة المخرجات‪ ،‬من الجدول الثاني‪ ،‬والموضح هنا في جدول (‪ ،)25.6‬نالحظ قيم معامالت الموثوقية وهي‬
‫معروضة بالترتيب التالي‪( ،‬حيث يمثل الجزء األول (‪ )Part 1‬الخمسة أسئلة األولى في االستبيان‪ ،‬والجزء الثاني‬
‫(‪ )Part 2‬الخمسة أسئلة المتبقية من السؤال السادس وحتى العاشر)؛‬

‫قيم معامل كرونباخ ألفا للجزء األول والثاني من المتغيرات وهي (‪ )0.662‬و(‪ )0.673‬على الترتيب‬ ‫‪‬‬
‫ونالحظ أنها أضعف من قيمة المعامل ألفا لألسئلة ككل‪( ،‬جدول (‪.))24.5‬‬
‫ويعد مقبوال إلى حد ما‪ ،‬وأما معامل‬
‫أما معامل االرتباط بين مجاميع المتغيرات في كل جزء فهو (‪ُ )0.659‬‬ ‫‪‬‬

‫معامل ثبات التجزئة النصفية أو معامل سبيرمان‪-‬براون فهو (‪ُ )0.794‬‬

‫ويعتبر جيدا‪.‬‬
‫والمعامل األخير في الجدول وهو معامل جوتمان‪ُ ،)0.794( ،‬يعد أيضا جيدا‪.‬‬ ‫‪‬‬

‫جدول ‪ :25.6‬نتائج طريقة الثبات في التجزئة النصفية لمتغيرات ملف البيانات "استبيان المنتجات الغذائية"‪.‬‬
‫‪Reliability Statistics‬‬
‫‪Cronbach's Alpha‬‬ ‫‪Part 1‬‬ ‫‪Value‬‬ ‫‪.662‬‬
‫‪N of Items‬‬ ‫‪5a‬‬
‫‪Part 2‬‬ ‫‪Value‬‬ ‫‪.673‬‬
‫‪N of Items‬‬ ‫‪5b‬‬
‫‪Total N of Items‬‬ ‫‪10‬‬
‫‪Correlation Between Forms‬‬ ‫‪.659‬‬
‫‪Spearman-Brown Coefficient‬‬ ‫‪Equal Length‬‬ ‫‪.794‬‬
‫‪Unequal Length‬‬ ‫‪.794‬‬
‫‪Guttman Split-Half Coefficient‬‬ ‫‪.794‬‬
‫المنتجات الغذائية العربية كلها متشابهة‪ ,‬يفضل دائما شراء المنتجات الغذائية األجنبية‪ ,‬المنتجات الغذائية العربية ال ‪a. The items are:‬‬
‫‪.‬المنتجات الغذائية العربية سعرها مبالغ فيه ‪,‬تتوفر فيها الجودة القياسية‪ ,‬المنتجات الغذائية األجنبية دائما ممتازة في جودتها‬
‫مصانع المنتجات الغذائية العربية ال تهتم بآراء ‪,‬المنتجات الغذائية العربية تحتوي دائما على مواد حافظة ضارة ‪b. The items are:‬‬
‫المستهلكين‪ ,‬المنتجات الغذائية األجنبية ليست دائما األجود‪ ,‬المنتجات الغذائية األجنبية تفتقد لذوق المستهلك العربي‪ ,‬يجب تقليص استيراد‬
‫‪.‬المنتجات الغذائية األجنبية‬

‫وهكذا نخلص إلى أن اإلجابات على أسئلة االستبيان بالنسبة لهذه العينة المكونة من ‪ 100‬شخص تُعد جيدة الثبات‬
‫أو الموثوقية من خالل نتائج المقاييس السابقة‪ ،‬مع األخذ باالعتبار حذف السؤال الخامس أو السادس أو كالهما‬
‫إذا ما أردنا رفع درجة ثبات أو موثوقية االستبيان‪.‬‬

‫‪225‬‬
226
 ‫الملحق‬
‫ملفات البيانات المستخدمة في الكتاب‬

‫الصفحة‬ ‫تعريف ملف البيانات‬ ‫اسم ملف البيانات في‬ ‫م‬

‫‪SPSS‬‬
‫بيانات خاصة بعشرة أطفال في إحدى المؤسسات التعليمية في مرحلتي رياض‬
‫‪9‬‬ ‫األطفال واالبتدائية‪ ،‬وتشمل ثالثة متغيرات هي وزن الطفل (بالكجم) وعمره‬ ‫‪ .1‬مثال‪1‬‬
‫(بالسنوات) وجنسه‪.‬‬
‫المشاهدات الخاصة ب ‪ 35‬طالبا جامعيا مقاسة لثمانية متغيرات هي‪ :‬درجة‬
‫الطالب في المقرر‪( 1‬من ‪ 100‬درجة)‪ ،‬درجة الطالب في المقرر‪ ،2‬درجة الطالب‬
‫‪18‬‬ ‫‪ .2‬بيانات الطلبة‬
‫في المقرر‪ ،3‬عمر الطالب (بالسنوات)‪ ،‬جنس الطالب‪ ،‬ترتيب الفصل الدراسي‬
‫للطالب‪ ،‬عدد أفراد أسرة الطالب‪ ،‬وعدد الحجرات في منزل الطالب‪.‬‬

‫‪26‬‬ ‫بيانات المثال‪ 1‬مصنفة بحسب جنس الطالب‪.‬‬ ‫‪ .3‬مثال‪2‬‬

‫‪26‬‬ ‫بيانات المثال‪ 1‬مصنفة بحسب جنس الطالب ثم عمره‪.‬‬ ‫‪ .4‬مثال‪3‬‬
‫آراء عينة مكونة من ‪ 12‬شخص ردا على المطلوب التالي‪" :‬ضع إشارة (√) أمام‬
‫‪27‬‬ ‫التطبيقات التي تستخدمها واشارة (×) أمام التطبيقات التي ال تستخدمها"‪ .‬وهذه‬ ‫‪ .5‬تطبيقات التواصل االجتماعي‬
‫التطبيقات هي؛ فيسبوك‪ ،‬واتساب‪ ،‬فايبر‪ ،‬وانستجرام‪.‬‬

‫‪37‬‬ ‫بيانات تمثل التقدير الدراسي والقسم العلمي لعينة من ‪ 15‬طالب‪.‬‬ ‫‪ .6‬مثال‪4‬‬
‫أسعار النفط العالمية الشهرية لمزيج برنت بالدوالر األمريكي لخمسة سنوات‬
‫‪39‬‬ ‫‪ .7‬أسعار النفط‬
‫افتراضية‪.‬‬
‫بيانات خاصة بعدد من موظفي إحدى الشركات تضم ثالثة متغيرات هي مرتب‬
‫‪42‬‬ ‫‪ .8‬مثال‪5‬‬
‫الموظف والعالوة والخصم السنوي بالدينار الليبي‪.‬‬
‫بيانات من أمثلة برنامج ‪ SPSS‬تحتوي على خمسة متغيرات لعينة من ‪128‬‬
‫المؤمن‬
‫ّ‬ ‫شخصا في إحدى شركات التأمين على السيارات‪ ،‬والمتغيرات هي‪ :‬عمر‬
‫‪50‬‬ ‫‪ car_insurance_claims .9‬على السيارة بالسنوات ضمن فئات عمرية‪ ،‬فئة تصنيف السيارة‪ ،‬عمر السيارة‬
‫بالسنوات‪ ،‬معدل قيمة التأمين المدفوعة من ِقبل الشركة بالدوالر‪ ،‬وعدد مبالغ‬
‫التأمين المدفوعة‪.‬‬

‫‪227‬‬
 ‫أعداد الطلبة الذكور واإلناث في خمسة أقسام في كلية العلوم بجامعة بنغازي لعام‬
‫‪56‬‬ ‫‪ .10‬أقسام كلية العلوم‬
‫‪ ،2012‬واألقسام هي‪ :‬الرياضيات‪ ،‬اإلحصاء‪ ،‬الفيزياء‪ ،‬الكيمياء‪ ،‬والنبات‪.‬‬
‫آراء مجموعة من األشخاص حول وجباتهم المفضلة‪( ،‬مثلجات‪ ،‬لحوم حمراء‪،‬‬
‫‪61‬‬ ‫‪ .11‬المأكوالت المفضلة‬
‫سلطات‪ ،‬دجاج‪ ،‬بيتزا)‪ ،‬من المطاعم المختلفة‪.‬‬
‫نتائج مقاومة خليط المعادن قبل وبعد إضافة معدن جديد‪ ،‬يستخدم في بناء جدران‬
‫‪80‬‬ ‫‪ .12‬مقاومة المعدن‬
‫المنشئات العسكرية‪ ،‬خالل فترة ثمانية أشهر‪.‬‬
‫عينة مكونة من ‪ 90‬طالبا من الطلبة القدامى في كلية العلوم بجامعة بنغازي‬
‫مقسمة بحسب التخصص؛ (رياضيات‪ ،‬إحصاء‪ ،‬وفيزياء)‪ ،‬وتشمل معدل الطالب‪،‬‬
‫‪85‬‬ ‫‪ .13‬معدالت الطلبة‬
‫(على مقياس من ‪ 0.00‬إلى ‪ 4.00‬درجة)‪ ،‬جنس الطالب‪ ،‬وعدد الفصول‬
‫الدراسية التي أنجزها الطالب‪.‬‬
‫النتائج التي حصل عليها ‪ 20‬شخصا أجروا مقابالت شخصية للعمل في قسم‬
‫‪110‬‬ ‫‪ .14‬المقابالت الشخصية‬
‫الموارد البشرية في شركتين‪( ،‬التقييم من ‪ 100‬درجة)‪.‬‬
‫قياس ضغط الدم لعينة من ‪ 15‬مريضا في إحدى المستشفيات قبل وبعد إعطاؤهم‬
‫‪112‬‬ ‫‪ .15‬عينات ضغط الدم‬
‫دواء تجريبي موسع لألوردة الدموية‪.‬‬
‫أسعار ‪ 10‬أنواع من شواحن الهواتف النقالة بالدينار الليبي في ثالثة متاجر‬
‫‪114‬‬ ‫‪ .16‬أسعار الشواحن‬
‫مختلفة‪.‬‬
‫مستوى اإلنتاج ومستوى األرق لعينة مكونة من ‪ 90‬عامل في أحد مصانع الحديد‬
‫‪118‬‬ ‫‪ .17‬مستوى األرق‬
‫والصلب‪.‬‬
‫معدالت فيتامين دال (‪ )Vit. D‬وأعمار عينة مكونة من ‪ 60‬شخصا إضافة‬
‫‪121‬‬ ‫‪ .18‬فيتامين دال‬
‫لتصنيفهم ذكور واناث‪.‬‬
‫أطوال عينة مكونة من ‪ 20‬طفال (بالسنتيمتر) تم تقسيمهم إلى خمسة مجموعات‪،‬‬

‫‪141‬‬ ‫كل مجموعة تم إعطاؤها نوع محدد من ضمن ‪ 5‬أنواع من الحليب‪ ،‬وبداخل كل‬ ‫‪ .19‬أطوال األطفال‬
‫مجموعة من هذه المجموعات الخمسة تم اعتماد ‪ 4‬أنواع من فيتامين دال‪.‬‬
‫ملف بيانات الطلبة مضافا إليه متغير جديد يمثل معدل عدد ساعات الدراسة‬
‫‪148‬‬ ‫‪ .20‬بيانات الطلبة‪2‬‬
‫اليومية للطالب‪.‬‬
‫استبيان يتضمن ‪ 10‬أسئلة تم توزيعه على عينة مكونة ‪ 100‬شخص‪ ،‬ويتضمن‬

‫‪221‬‬ ‫استجابة هؤالء األشخاص ألسئلة متعلقة بجودة المنتجات الغذائية العربية‬ ‫‪ .21‬استبيان المنتجات الغذائية‬
‫واألجنبية في العموم‪.‬‬

‫‪228‬‬
 ‫المراجع‬

1. Barton, B., and Peat, J., (2014), Medical Statistics: A Guide to SPSS, Data
Analysis and Critical Appraisal, John Wiley & Sons Ltd., U.K.
2. Brink, D., (2008), Statistics, David Brink and Ventus Publishing ApS. U.S.A.
3. Douglas, M. and George, R., (2003), Applied Statistics and Probability for
Engineers, John Wiley and Sons, Inc. U.K.
4. Fernandes, M., (2009), Statistics for Business and Economics, Marcelo
Fernandes and Ventus Publishing. U.S.A.
5. Field, A., (2006), Discovering Statistics using SPSS, SAGE Publications,
London, U.K.
6. Frank, H., and Althoen, S., (1994), Statistics: Concepts and Applications,
Cambridge University Press. U.K.
7. Gerber, S., and Finn, K., (2005), Using SPSS for Windows: Data Analysis and
Graphics, Springer Science and Business Media, Inc. U.S.A.
8. Griffith, A., (2010), SPSS for Dummies, Wiley Publishing, Inc. U.S.A.
9. Gupta, V., (1999), SPSS for Beginners, VJBooks Inc., U.S.A.
10. Han, J. and Kamber, M., (2000), Data Mining: Concepts and Techniques,
Morgan Kaufmann Publishers. U.S.A.
11. Landau, S., and Everitt, B., (2004), A handbook of statistical analyses using
SPSS, Chapman & Hall/CRC Press LLC. U.S.A.
12. Leech, SN., Barrett, K., and Morgan, G., (2005), SPSS for Intermediate
Statistics: Use and Interpretation, Lawrence Erlbaum Associates, Inc. U.S.A.
13. Moore, D., (2003), The Basic Practice of Statistics, W. H. Freeman Publishers.
U.S.A.
14. Spiegel, M., Schiller, J. and Srinivasan, R., (2001), Schaum’s Easy Outline of
Probability and Statistics, The McGraw-Hill Companies, Inc. U.S.A.
15. Stephens, L., (2006), Schaum’s Outline Beginning Statistics, The McGraw-Hill
Companies, Inc. U.S.A.
16. University of Bristol, (2010), Introduction to SPSS (version 18) for Windows,
Information Services, U.K.
17. Wackerly, D., Mendenhall, W., and Scheaffer, R., (2002), Mathematical
Statistics with Applications. Duxbury Thomson Learning, Inc. U.S.A.

229