<<<<<]†Â<Äe]†Ö]<Ø’ËÖ ]Ù]<êÛjè…^Æç×Ö]<Øé×vjÖخ<tƒ^´æ<ê ]÷©‚]…<]<Šqç×Ö Loglinear Analysis and Logistic Regression
.1 .14ﻣﻘﺪﻣﺔ .2 .14ﺗﺤﻠﻴﻞ اﻟﻨﻤﺎذج اﻟﻠﻮﻏﺎرﻳﺘﻤﻴﺔ اﻟﺨﻄﻴﺔ .3 .14اﻟﻤﻘﺎرﻧﺔ ﺑﻴﻦ اﻟﻨﻤﻮذج اﻟﻠﻮﻏﺎرﻳﺘﻤﻲ اﻟﺨﻄﻲ وﻧﻤﻮذج اﻻﺳﺘﻘﻼل اﻟﻜﺎﻣﻞ .4 .14ﻧﻤﺎذج اﻻﻧﺤﺪار اﻟﻠﻮﺟﺴﺘﻲ
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
472
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
473
]†Â<Äe]†Ö]<Ø’ËÖ ]Ù]<êÛjè…^Æç×Ö]<Øé×vjÖخŠqç×Ö]<…]‚©÷]<tƒ^´æ<ê Loglinear Analysis and Logistic Regression .1 .14ﻣﻘﺪﻣﺔ : ﺘﺴﺘﺨﺩﻡ ﻫﺫﻩ ﺃﺴﺎﻟﻴﺏ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ
ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﻋﺎﺩﺓ ﻟﺘﺤﻠﻴل ﺍﻟﺒﻴﺎﻨﺎﺕ ﺍﻟﻭﺼﻔﻴﺔ ﺍﻟﺘﻲ ﺘﻡ ﺘﺼﻨﻴﻔﻬﺎ ﻓﻲ ﺸﻜل ﺠﺩﺍﻭل
ﺍﻻﻗﺘﺭﺍﻥ )ﺍﻟﺘﻭﺍﻓﻕ( ، Contingency Tablesﺤﻴﺙ ﺘﺤﺘﻭﻱ ﻜل ﺨﻠﻴﺔ ﻤﻥ ﺨﻼﻴﺎ
ﺍﻟﺠﺩﻭل ﻋﻠﻰ ﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺍﺕ ﻓﻲ ﺘﺸﻜﻴﻼﺕ ﺍﻟﻔﺌﺎﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ ﻟﻠﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻭﺼﻔﻴﺔ
ﻗﻴﺩ ﺍﻟﺩﺭﺍﺴﺔ ،ﻭﻟﻘﺩ ﻨﺎﻗﺸﻨﺎ ﻓﻲ ﺍﻟﻘﺴﻡ ﺍﻟﺭﺍﺒﻊ ﻤﻥ ﺍﻟﻔﺼل ﺍﻟﺤﺎﺩﻱ ﻋﺸﺭ ﺍﺴﺘﺨﺩﺍﻡ
ﺍﺨﺘﺒﺎﺭﺍﺕ ﻜﺎﻱ ﺴﻜﻭﻴﺭ Chi-squareﻻﺨﺘﺒﺎﺭ ﻤﺎ ﺇﺫﺍ ﻜﺎﻥ ﻫﻨﺎﻙ ﻋﻼﻗﺔ ﺒﻴﻥ ﻅﺎﻫﺭﺘﻴﻥ
ﻼ ﻟﻘﻭﺓ ﺍﻟﻌﻼﻗﺔ ﻭﺼﻔﻴﺘﻴﻥ ﻓﻲ ﺠﺩﺍﻭل ﺍﻻﻗﺘﺭﺍﻥ ﻟﻤﺘﻐﻴﺭﻴﻥ ﻓﻘﻁ ،ﻭﻨﺎﻗﺸﻨﺎ ﺒﺎﻟﺘﻔﺼﻴل ﺘﺤﻠﻴ ﹰ
ﺒﻴﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻜﻤﻴﺔ ﻓﻲ ﺍﻷﻗﺴﺎﻡ ﺍﻷﺨﺭﻯ ﻤﻥ ﺍﻟﻔﺼل ﺍﻟﺤﺎﺩﻱ ﻋﺸﺭ ،ﻭﻋﺭﻀﻨﺎ ﻓﻲ ﻼ ﻟﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺒﻴﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻜﻤﻴﺔ ،ﻭﺍﻵﻥ ﻓﻲ ﻫﺫﺍ ﺍﻟﻔﺼل ﺍﻟﺜﺎﻨﻲ ﻋﺸﺭ ﺘﺤﻠﻴ ﹰ ﺍﻟﻔﺼل ﻭﺒﺎﻟﻤﺜل ﺴﻭﻑ ﻨﻨﺎﻗﺵ ﺍﺴﺘﺨﺩﺍﻡ ﺃﺴﻠﻭﺏ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻴﺔ ﻓﻲ ﺩﺭﺍﺴﺔ
ﺍﻟﺘﺭﺍﺒﻁ ﺒﻴﻥ ﻤﺠﻤﻭﻋﺔ ﻤﺘﺸﺎﺒﻜﺔ ﻤﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻭﺼﻔﻴﺔ ﺜﻡ ﺍﺴﺘﺨﺩﺍﻡ ﺃﺴﻠﻭﺏ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻓﻲ ﺘﺤﻠﻴل ﺃﺸﻜﺎل ﺍﻟﻌﻼﻗﺎﺕ ﺒﻴﻥ ﺘﻠﻙ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻭﺼﻔﻴﺔ.
ﻓﻲ ﺠﺩﺍﻭل ﺍﻻﻗﺘﺭﺍﻥ ﻟﻤﺘﻐﻴﺭﻴﻥ ﻴﻤﻜﻨﻨﺎ ﻓﻲ ﺃﺤﻴﺎﻥ ﻜﺜﻴﺭﺓ ﺍﻜﺘﺸﺎﻑ ﻤﺎ ﺇﺫﺍ ﻜﺎﻥ ﻫﻨﺎﻙ ﻋﻼﻗﺔ ﺃﻡ ﻻ ﻤﻥ ﺨﻼل ﺘﻔﺤﺹ ﺍﻟﺠﺩﻭل ﻓﻘﻁ ،ﻭﻴﺄﺘﻲ ﺍﻻﺨﺘﺒﺎﺭ ﺍﻹﺤﺼﺎﺌﻲ ﻟﻴﺅﻜﺩ
ﻭﺠﻭﺩ ﺃﻭ ﻋﺩﻡ ﻭﺠﻭﺩ ﻫﺫﻩ ﺍﻟﻌﻼﻗﺔ ﺍﻟﺘﻲ ﺘﻡ ﺍﻜﺘﺸﺎﻓﻬﺎ ﺃﺼﻼﹰ ،ﻭﻟﻜﻥ ﻤﻥ ﺍﻟﻤﻤﻜﻥ ﺃﻥ ﻴﻜﻭﻥ
ﻟﺩﻴﻨﺎ ﺠﺩﺍﻭل ﺍﻗﺘﺭﺍﻥ ﺃﻜﺜﺭ ﺘﻌﻘﻴﺩﹰﺍ ﺤﻴﺙ ﺘﺼﻨﻑ ﺍﻟﻤﻔﺭﺩﺍﺕ ﻁﺒﻘﹰﺎ ﻟﻔﺌﺎﺕ ﺜﻼﺙ ﻤﺘﻐﻴﺭﺍﺕ
ﺃﻭ ﺃﻜﺜﺭ ،ﻓﻔﻲ ﻤﺜل ﻫﺫﻩ ﺍﻟﺠﺩﺍﻭل ﻜﺜﻴﺭﺓ ﺍﻷﺒﻌﺎﺩ ﻴﻜﻭﻥ ﻋﺎﺩﺓ ﻤﻥ ﺍﻟﺼﻌﺏ ﺍﻜﺘﺸﺎﻑ ﺃﻱ
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
474
ﻨﻤﻁ ﻟﻭﺠﻭﺩ ﻋﻼﻗﺔ ﻤﻥ ﺒﻴﻥ ﺍﻟﻅﻭﺍﻫﺭ ،ﺒل ﻓﻲ ﺍﻟﻭﺍﻗﻊ ﻜﺜﻴﺭﺍ ﻤﺎ ﻴﻜﻭﻥ ﺘﻔﺴﻴﺭ ﻤﺎ ﻴﻤﻜﻥ ﺭﺅﻴﺘﻪ ﺨﺎﻁﺌﺎﹰ ،ﻭﻓﻲ ﺍﻟﺴﻨﻭﺍﺕ ﺍﻷﺨﻴﺭﺓ ﻜﺎﻥ ﻫﻨﺎﻙ ﺍﻫﺘﻤﺎﻡ ﻜﺒﻴﺭ ﺒﺎﻜﺘﺸﺎﻑ ﺃﺴﺎﻟﻴﺏ ﺠﺩﻴﺩﺓ ﻟﺘﺤﻠﻴل ﺒﻴﺎﻨﺎﺕ ﺠﺩﺍﻭل ﺍﻻﻗﺘﺭﺍﻥ ﻤﺘﻌﺩﺩﺓ ﺍﻷﺒﻌﺎﺩ ،ﻭﻟﻘﺩ ﻜﻭﻨﺕ ﺍﻟﻁﺭﻕ ﺍﻟﻤﺴﺘﺨﺩﻤﺔ ﻓﻲ
ﺘﺤﻠﻴل ﺍﻟﺘﺭﺍﺒﻁ ﺒﻴﻥ ﺃﻜﺜﺭ ﻤﻥ ﻤﺘﻐﻴﺭﻴﻥ ﻭﺼﻔﻴﻴﻥ ﻤﺎ ﻴﻌﺭﻑ ﺒﺎﺴﻡ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ
ﺍﻟﺨﻁﻲ ،Loglinear Analysisﻜﻤﺎ ﺃﻥ ﺍﻟﻁﺭﻕ ﺍﻟﻤﺴﺘﺨﺩﻤﺔ ﻓﻲ ﺘﺤﻠﻴل ﻁﺒﻴﻌﺔ ﻭﺸﻜل
ﺍﻟﻌﻼﻗﺔ ﺒﻴﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻋﻨﺩﻤﺎ ﻴﻜﻭﻥ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﻭﺼﻔﻴﹰﺎ ﻭﻴﺄﺨﺫ ﻗﻴﻤﺘﻴﻥ ﺃﻭ ﻋﺩﺩ ﻤﺤﺩﻭﺩ ﻤﻥ ﺍﻟﻘﻴﻡ )ﺒﻴﻨﻤﺎ ﻴﻤﻜﻥ ﻟﻠﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺃﻥ ﺘﻜﻭﻥ ﻭﺼﻔﻴﺔ ﺃﻭ ﻜﻤﻴﺔ( ﻜﻭﻨﺕ
ﻤﺎ ﻴﻌﺭﻑ ﺒﺎﺴﻡ ﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ،Logistic Regressionﻭﺍﺴﺘﺨﺩﺍﻡ ﻁﺭﻕ
ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻭﺘﻁﺒﻴﻕ ﻫﺫﻩ ﺍﻟﻁﺭﻕ ﺒﺎﺴﺘﺨﺩﺍﻡ ﻨﻅﺎﻡ SPSSﺴﻭﻑ ﻴﻜﻭﻥ ﻤﺠﺎل ﺤﺩﻴﺜﻨﺎ ﻓﻲ ﻫﺫﺍ ﺍﻟﻔﺼل ،ﻭﻟﻜﻥ ﻟﻠﻤﺯﻴﺩ ﻤﻥ ﺍﻟﺘﻔﺎﺼﻴل
ﺍﻟﻨﻅﺭﻴﺔ ﻋﻥ ﻫﺫﺍ ﺍﻟﻤﻭﻀﻭﻉ ﻴﻤﻜﻥ ﺍﻟﻌﻭﺩﺓ ﺇﻟﻰ Agresti, 1996ﻋﻠﻰ ﺴﺒﻴل ﺍﻟﻤﺜﺎل .
.2 .14ﺗﺤﻠﻴﻞ اﻟﻨﻤﺎذج اﻟﻠﻮﻏﺎرﻳﺘﻤﻴﺔ اﻟﺨﻄﻴﺔ: Loglinear Analysis : ﻋﻨﺩ ﺍﺴﺘﺨﺩﺍﻡ ﺍﺨﺘﺒﺎﺭﺍﺕ ﻜﺎﻱ ﺴﻜﻭﻴﺭ ﻟﺠﺩﺍﻭل ﺍﻻﻗﺘﺭﺍﻥ ﺍﻟﺒﺴﻴﻁﺔ 2×2ﺘﺤﺴﺏ
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻟﻠﺨﻼﻴﺎ ﺍﻟﻤﺨﺘﻠﻔﺔ ﻤﻥ ﻨﺎﺘﺞ ﺤﺎﺼل ﻀﺭﺏ ﺍﻟﻤﺠﻤﻭﻉ ﺍﻟﻬﺎﻤﺸﻲ ﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﺼﻑ ﻓﻲ ﺍﻟﻤﺠﻤﻭﻉ ﺍﻟﻬﺎﻤﺸﻲ ﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻌﻤﻭﺩ ﻭﻗﺴﻤﺔ ﺍﻟﻨﺎﺘﺞ ﻋﻠﻰ
ﺍﻟﻤﺠﻤﻭﻉ ﺍﻟﻜﻠﻲ ﻟﻠﺘﻜﺭﺍﺭﺍﺕ ،ﻭﺫﻟﻙ ﻷﻥ ﺍﻟﻔﺭﻀﻴﺔ ﺍﻟﻌﺩﻤﻴﺔ ﺍﻟﺘﻲ ﺘﻨﺹ ﻋﻠﻰ ﺍﺴﺘﻘﻼل ﺍﻟﻤﺘﻐﻴﺭﻴﻥ ﺘﺘﻀﻤﻥ ﺃﻥ ﺍﺤﺘﻤﺎل ﺃﻥ ﺘﻘﻊ ﺃﻱ ﻤﻔﺭﺩﺓ ﻤﻥ ﺍﻟﻤﻔﺭﺩﺍﺕ ﻓﻲ ﺘﻠﻙ ﺍﻟﺨﻠﻴﺔ ﻴﺴﺎﻭﻱ
ﺤﺎﺼل ﻀﺭﺏ ﺍﺤﺘﻤﺎﻟﻲ ﺃﻥ ﺘﺄﺨﺫ ﺘﻠﻙ ﺍﻟﻤﻔﺭﺩﺓ ﻗﻴﻤﺔ ﻤﺴﺎﻭﻴﺔ ﻟﻘﻴﻤﺔ ﻜل ﻤﺘﻐﻴﺭ ﻋﻠﻰ ﺤﺩﻩ ،ﻭﻫﺫﻴﻥ ﺍﻻﺤﺘﻤﺎﻟﻴﻥ ﻴﻤﻜﻥ ﺘﻘﺩﻴﺭﻫﻤﺎ ﻤﻥ ﺍﻟﻤﺠﻤﻭﻉ ﺍﻟﻬﺎﻤﺸﻲ ﻟﻜل ﻤﻥ ﺍﻟﺼﻑ ﻭﺍﻟﻌﻤﻭﺩ ،ﻭﺤﻴﺙ ﺃﻥ ﻟﻭﻏﺎﺭﻴﺘﻡ ﺤﺎﺼل ﻀﺭﺏ ﻗﻴﻤﺘﻴﻥ ﻤﺴﺎﻭﻴﹰﺎ ﻟﻤﺠﻭﻉ ﻟﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﻘﻴﻤﺘﻴﻥ ﻓﺈﻥ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻡ ﻟﺘﻜﺭﺍﺭ ﺃﻱ ﺨﻠﻴﺔ ﻴﻤﻜﻥ ﺍﻟﺘﻌﺒﻴﺭ ﻋﻨﻪ ﺒﺩﺍﻟﺔ ﺨﻁﻴﺔ ﻓﻲ
ﻟﻭﻏﺎﺭﻴﺘﻤﺎﺕ ﺍﻟﻤﻜﻭﻨﺎﺕ )ﺍﻟﻤﺠﺎﻤﻴﻊ ﺍﻟﻬﺎﻤﺸﻴﺔ ﻟﻠﺘﻜﺭﺍﺭﺍﺕ( .
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
475
ﻭﻟﻜﻥ ﻨﻅﺭﹰﺍ ﻷﻨﻨﺎ ﻻ ﻨﻌﻠﻡ ﻤﺴﺒﻘﹰﺎ ﻋﻥ ﻭﺠﻭﺩ ﻋﻼﻗﺎﺕ ﺒﻴﻥ ﺃﻱ ﻤﻥ ﺘﻠﻙ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻭﺼﻔﻴﺔ ﻓﺈﻨﻪ ﻴﻤﻜﻨﻨﺎ ﺃﻥ ﻨﺒﺩﺃ ﺒﺒﻨﺎﺀ ﻨﻤﻭﺫﺝ ﻋﻠﻰ ﺃﺴﺎﺱ ﺍﻓﺘﺭﺍﺽ ﺃﻥ ﺠﻤﻴﻊ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻤﺴﺘﻘﻠﺔ ﺜﻡ ﺍﻟﺘﺤﻘﻕ ﻤﻥ ﺼﺤﺔ ﻫﺫﺍ ﺍﻻﻗﺘﺭﺍﺽ ﻭﺍﺴﺘﺒﻌﺎﺩ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻏﻴﺭ ﺍﻟﻤﺴﺘﻘﻠﺔ ﻤﻥ
ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ ﺃﻭ ﺍﻟﻌﻜﺱ ،ﻭﻫﻨﺎﻙ ﻋﺩﺓ ﻁﺭﻕ ﻟﺒﻨﺎﺀ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻴﺔ ﺍﻟﺨﻁﻴﺔ ،ﻭﻟﻜﻥ
ﺴﻨﺒﺩﺃ ﺒﺎﻟﻁﺭﻴﻘﺔ ﺍﻟﻬﺭﻤﻴﺔ ﺍﻟﺨﻠﻔﻴﺔ Backward Hierarchical Methodﻨﻅﺭﹰﺍ ﻷﻨﻬﺎ
ﺍﻷﻜﺜﺭ ﺴﻬﻭﻟﺔ ﻓﻲ ﺍﻟﻔﻬﻡ ،ﻓﺎﻟﺨﻁﻭﺓ ﺍﻷﻭﻟﻰ ﻫﻲ ﺒﻨﺎﺀ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﺸﺒﻊ saturated
modelﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﺨﻼﻴﺎ ﺍﻟﺘﻲ ﺘﺤﺘﻭﻱ ﻋﻠﻰ ﺘﻔﺎﻋل ﺒﻴﻥ ﺠﻤﻴﻊ ﺍﻟﻤﻜﻭﻨﺎﺕ ،ﻤﻥ ﺨﻼل ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ ﻜﻤﺎ ﺴﻨﺭﻯ ﻴﻤﻜﻨﻨﺎ ﺘﻘﺩﻴﺭ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﺒﺩﻗﺔ ﻋﺎﻟﻴﺔ ،ﺍﻟﺨﻁﻭﺓ ﺍﻟﺘﺎﻟﻴﺔ
ﻫﻲ ﺍﺴﺘﺒﻌﺎﺩ ﻫﺫﺍ ﺍﻟﺘﻔﺎﻋل ﻤﻥ ﺍﻟﺩﺭﺠﺔ ﺍﻟﻌﻠﻴﺎ ﻤﻥ ﺃﺠل ﺘﺤﺩﻴﺩ ﺃﺜﺭﻩ ﻋﻠﻰ ﺩﻗﺔ ﺘﻘﺩﻴﺭ
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ،ﺇﺫ ﻴﻤﻜﻥ ﺃﻥ ﻴﺘﻀﺢ ﺃﻨﻪ ﻤﻥ ﺍﻟﻤﻤﻜﻥ ﺇﺯﺍﻟﺔ ﻫﺫﺍ ﺍﻷﺜﺭ ﻤﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺒﺩﻭﻥ
ﺍﻟﺘﺄﺜﻴﺭ ﺠﻭﻫﺭﻴﹰﺎ ﻋﻠﻰ ﺩﻗﺔ ﺍﻟﺘﻘﺩﻴﺭ ،ﺜﻡ ﻨﻜﺭﺭ ﻨﻔﺱ ﺍﻟﻌﻤﻠﻴﺔ ﻋﻠﻰ ﺍﻟﺘﻔﺎﻋﻼﺕ ﺍﻷﻗل ﺩﺭﺠﺔ
ﺇﻟﻰ ﺃﻥ ﻨﺼل ﺇﻟﻰ ﺍﻵﺜﺎﺭ ﺍﻟﺭﺌﻴﺴﻴﺔ ﻟﻠﻤﺘﻐﻴﺭﺍﺕ ،ﻭﻓﻲ ﻜل ﻤﺭﺓ ﻴﺤﺫﻑ ﻓﻴﻬﺎ ﻋﺎﻤل ﻴﺠﺭﻯ ﺍﺨﺘﺒﺎﺭ ﺇﺤﺼﺎﺌﻲ ﺤﻭل ﻤﺎ ﺇﺫﺍ ﻜﺎﻨﺕ ﺩﺭﺠﺔ ﺍﻟﺩﻗﺔ ﻓﻲ ﺍﻟﺘﻘﺩﻴﺭ ﻗﺩ ﺘﺄﺜﺭﺕ ﺒﺩﺭﺠﺔ ﺘﺒﻴﻥ ﺃﻥ
ﺫﻟﻙ ﺍﻟﻌﻨﺼﺭ ﺍﻟﺫﻱ ﺘﻡ ﺍﺴﺘﺒﻌﺎﺩﻩ ﻤﺅﺨﺭﹰﺍ ﻴﺠﺏ ﺃﻥ ﻴﺒﻕ ﺤﻘﹰﺎ ﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ ﺃﻡ ﻻ،
ﻭﺍﻻﺨﺘﺒﺎﺭ ﺍﻟﻤﺴﺘﺨﺩﻡ ﻓﻲ ﻜل ﺤﺎﻟﺔ ﻫﻭ ﺍﺨﺘﺒﺎﺭ ﻤﺒﻨﻲ ﻋﻠﻰ ﺃﺴﺎﺱ ﺍﺨﺘﺒﺎﺭﺍﺕ ﻨﺴﺒﺔ
ﺍﻷﺭﺠﺤﻴﺔ Likelihood Ratioﺍﻟﺘﻲ ﻟﻬﺎ ﺘﻭﺯﻴﻊ ﺍﺤﺘﻤﺎﻟﻲ ﻤﻌﺭﻭﻑ ﻫﻭ ﺘﻭﺯﻴﻊ ﻜﺎﻱ
ﺴﻜﻭﻴﺭ . Chi-square
ﺇﻥ ﺍﺸﺘﻘﺎﻕ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﺍﻟﻨﻬﺎﺌﻲ ﻴﺘﻡ ﻋﻥ ﻁﺭﻴﻕ ﻤﻘﺎﺭﻨﺔ
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ ﺒﺎﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﺍﻟﺘﻲ ﺘﻡ ﺘﻘﺩﻴﺭﻫﺎ ﻟﻜل ﺨﻠﻴﺔ ﻓﻲ ﺍﻟﺠﺩﻭل
ﺒﺎﺴﺘﺨﺩﺍﻡ ﺍﺨﺘﺒﺎﺭ ﻨﺴﺒﺔ ﺍﻷﺭﺠﺤﻴﺔ Likelihood Ratio Testﻜﻤﺎ ﺴﺒﻕ ،ﻭﻟﻜﻥ ﻴﻨﺼﺢ
ﺃﻴﻀﹰﺎ ﺒﻔﺤﺹ ﺍﻷﺨﻁﺎﺀ ) residualsﻭﻫﻲ ﺍﻟﻔﺭﻕ ﺒﻴﻥ ﺍﻟﻘﻴﻡ ﺍﻟﻤﺸﺎﻫﺩﺓ ﻭﺍﻟﻘﻴﻡ ﺍﻟﻤﺘﻭﻗﻌﺔ(
ﺃﻭ ﺭﺒﻤﺎ ﺍﻜﺜﺭ ﺩﻗﺔ ﻓﺤﺹ ﺍﻷﺨﻁﺎﺀ ﺍﻟﻤﻌﻴﺎﺭﻴﺔ standardized residualsﺒﻨﻔﺱ ﺍﻟﻔﻜﺭﺓ ﺍﻟﺘﻲ ﺘﻡ ﺘﻭﻀﻴﺤﻬﺎ ﻟﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﻓﻲ ﺍﻟﻔﺼل ﺍﻟﺴﺎﺒﻕ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
476
ﻭﻜﻤﺎ ﻫﻭ ﺍﻟﺤﺎل ﻓﻲ ﺍﺨﺘﺒﺎﺭﺍﺕ ﻜﺎﻱ ﺴﻜﻭﻴﺭ ﻴﺠﺏ ﺃﻥ ﺘﻜﻭﻥ ﻗﻴﻡ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ )ﻭﻟﻴﺱ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ( ﻟﺠﻤﻴﻊ ﺍﻟﺨﻼﻴﺎ ﺒﺤﺠﻡ ﻤﻨﺎﺴﺏ ﻟﻠﺘﺤﻠﻴل ،ﻓﻘﻴﻡ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﺍﻟﺼﻐﻴﺭﺓ ﻗﺩ ﺘﺅﺩﻱ ﺇﻟﻰ ﻨﺘﺎﺌﺞ ﺨﺎﻁﺌﺔ ،ﻓﺠﻤﻴﻊ ﻟﻠﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ
ﻟﻠﺨﻼﻴﺎ ﻻﺒﺩ ﻭﺃﻥ ﺘﺤﻘﻕ ﺍﻟﺸﺭﻁﻴﻥ ﺍﻵﺘﻴﻴﻥ :
.1ﻴﺠﺏ ﺃﻻ ﻴﻜﻭﻥ ﻫﻨﺎﻙ ﻋﺩﺩ ﻜﺒﻴﺭ ﻤﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻤﻘﺎﺭﻨﺔ ﺒﻤﺠﻤﻭﻉ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ. .2ﻻ ﻴﻭﺠﺩ ﻫﻨﺎﻙ ﺃﻱ ﺨﻠﻴﺔ ﺒﻌﺩﺩ ﺼﻐﻴﺭ ﺠﺩﺍ ﻤﻥ ﺍﻟﺤﺎﻻﺕ. ﻟﺫﺍ ﻴﻨﺼﺢ ﻓﻲ ﻫﺫﻩ ﺍﻟﺤﺎﻻﺕ ﺒﻔﺤﺹ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻟﺠﻤﻴﻊ ﺠﺩﺍﻭل ﺍﻻﻗﺘﺭﺍﻥ )ﺍﻟﻤﺯﺩﻭﺠﺔ( ﺍﻟﻤﻜﻭﻨﺔ ﻟﻠﺠﺩﻭل ﺍﻟﻤﺭﻜﺏ ﻭﺍﻟﺘﺄﻜﺩ ﻤﻥ ﺃﻨﻪ ﻻ ﺘﻭﺠﺩ ﺃﻱ ﺨﻠﻴﺔ
ﺒﺘﻜﺭﺍﺭ ﻤﺘﻭﻗﻊ ﻗﻴﻤﺘﻪ ﺃﻗل ﻤﻥ 1ﻭﻟﻴﺱ ﻫﻨﺎﻙ ﺃﻜﺜﺭ ﻤﻥ 20%ﻤﻥ ﺍﻟﺨﻼﻴﺎ ﺫﺍﺕ ﺘﻜﺭﺍﺭﺍﺕ ﻤﺘﻭﻗﻌﺔ ﺃﻗل ﻤﻥ ،5ﻭﺇﺫﺍ ﻜﺎﻥ ﻫﻨﺎﻙ ﺃﻱ ﺸﻙ ﺤﻭل ﻓﺭﻀﻴﺔ ﺍﻟﻌﺩﺩ ﺍﻟﻤﻨﺎﺴﺏ
ﻟﻠﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻟﻠﺨﻼﻴﺎ ﻓﺈﻨﻪ ﻴﻤﻜﻥ ﻓﺤﺹ ﻫﺫﻩ ﺍﻟﻔﺭﻀﻴﺔ ﻟﺠﻤﻴﻊ ﺠﺩﺍﻭل ﺍﻟﺘﻭﺍﻓﻕ
ﺍﻟﻤﺯﺩﻭﺠﺔ ﺍﻟﺘﻲ ﻴﻤﻜﻥ ﺘﻜﻭﻴﻨﻬﺎ ﻤﻥ ﺍﻟﺠﺩﻭل ﺍﻟﻤﺭﻜﺏ ﺒﺎﺴﺘﺨﺩﺍﻡ ﺃﻤﺭ ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﻤﺯﺩﻭﺝ
. crosstabs
ﻭﻟﺘﻭﻀﻴﺢ ﻜﻴﻔﻴﺔ ﺒﻨﺎﺀ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﺒﺎﺴﺘﺨﺩﺍﻡ ﻨﻅﺎﻡ SPSS
ﺴﻨﻔﺘﺭﺽ ﺃﻥ ﻟﺩﻴﻨﺎ ﺒﻴﺎﻨﺎﺕ ﺘﻡ ﺠﻤﻌﻬﺎ ﺒﻬﺩﻑ ﺍﻟﺘﺤﻘﻕ ﻤﻥ ﻭﺠﻭﺩ ﻋﻼﻗﺔ ﺒﻴﻥ ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﻤﻘﺭﺭ ﺍﻹﺤﺼﺎﺀ ﻟﻁﻠﺒﺔ ﺍﻟﺴﻨﺔ ﺍﻟﺜﺎﻨﻴﺔ ﻓﻲ ﻗﺴﻡ ﻋﻠﻡ ﺍﻟﻨﻔﺱ ﻭﺒﻴﻥ ﻤﺠﻤﻭﻋﺔ ﻤﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ
ﺍﻷﺨﺭﻯ ﺘﺘﻌﻠﻕ ﺒﺨﻠﻔﻴﺔ ﻫﺅﻻﺀ ﺍﻟﻁﻠﺒﺔ ،ﻭﻗﺩ ﻗﺎﻡ ﺍﻟﺒﺎﺤﺙ ﺒﺠﻤﻊ ﺒﻴﺎﻨﺎﺕ ﻤﻥ ﻋﺩﺩ ﻤﻥ
ﺍﻟﻁﻠﺒﺔ ﻋﻥ ﻤﺠﻤﻭﻋﺔ ﻤﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻤﻥ ﺒﻴﻨﻬﺎ ﺨﻠﻔﻴﺔ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ )ﻤﻘﺎﺴﻪ ﺒﻤﺎ ﺇﺫﺍ ﺃﺘﻤﻭﺍ
ﺩﺭﺍﺴﺔ ﺃﺤﺩ ﻤﻘﺭﺭﺍﺕ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ ﺍﻟﻤﺘﻘﺩﻤﺔ ﺒﻨﺠﺎﺡ ﻓﻲ ﺍﻟﺠﺎﻤﻌﺔ( ﻭﻜﺫﻟﻙ ﻤﺎ ﺇﺫﺍ ﺃﺘﻤﻭﺍ ﺩﺭﺍﺴﺔ ﻤﻘﺭﺭ ﻤﺒﺎﺩﺉ ﺍﻟﺤﺎﺴﻭﺏ ﻭﺘﺤﻠﻴل ﺍﻟﺒﻴﺎﻨﺎﺕ ﻓﻲ ﺍﻟﺴﻨﺔ ﺍﻷﻭﻟﻰ ﺒﻨﺠﺎﺡ ﺒﺎﻹﻀﺎﻓﺔ
ﺇﻟﻰ ﻤﺘﻐﻴﺭ ﻤﺎ ﺇﺫﺍ ﺃﺘﻤﻭﺍ ﺩﺭﺍﺴﺔ ﻤﻘﺭﺭ ﺍﻹﺤﺼﺎﺀ ﺒﻨﺠﺎﺡ) ،ﻴﺠﺏ ﺍﻟﻤﻼﺤﻅﺔ ﺃﻥ ﺒﻌﺽ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻫﻨﺎ ﻟﻴﺴﺕ ﻓﻲ ﺍﻟﺤﻘﻴﻘﺔ ﺜﻨﺎﺌﻴﺔ ﺍﻹﺠﺎﺒﺔ )ﻨﻌﻡ/ﻻ( ﺒل ﺘﻡ ﺘﺼﻨﻴﻔﻬﺎ ﺒﻬﺫﻩ ﺍﻟﻁﺭﻴﻘﺔ
ﻟﻠﺘﻭﻀﻴﺢ ﻓﻘﻁ( ،ﻭﺘﻡ ﺘﺼﻨﻴﻑ ﺠﻤﻴﻊ ﻫﺫﻩ ﺍﻟﺒﻴﺎﻨﺎﺕ ﻓﻲ ﺠﺩﻭل )ﺸﻜل (1-14ﺍﻟﺘﺎﻟﻲ:
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
477
ﺸﻜل :1-14ﺒﻴﺎﻨﺎﺕ ﻟﺠﺩﻭل ﺘﻭﺍﻓﻕ ﺫﻭ ﺜﻼﺙ ﺃﺒﻌﺎﺩ Three-way contingency table ﺨﻠﻔﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ
ﻨﻌﻡ
ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﺍﻟﺤﺎﺴﻭﺏ ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﺍﻹﺤﺼﺎﺀ
ﻻ ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
47
10
4
10
58
17
10
20
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ
ﻭﻗﺩ ﻴﻜﻭﻥ ﻤﻔﻴﺩﹰﺍ ﺘﻠﺨﻴﺹ ﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﺨﻼﻴﺎ ﻟﻠﻔﺌﺎﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ ﻟﻠﻤﺘﻐﻴﺭﺍﺕ ﻜل ﻋﻠﻰ
ﺤﺩﻩ ﻜﻤﺎ ﻓﻲ ﺍﻟﺠﺩﻭل ﻓﻲ ﺸﻜل 2-14ﺍﻟﺘﺎﻟﻲ:
ﺸﻜل : 2-14ﻤﻠﺨﺹ ﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﺨﻼﻴﺎ ﻟﺒﻴﺎﻨﺎﺕ ﺠﺩﻭل ﺘﻭﺍﻓﻕ ﺫﻭ ﺜﻼﺙ ﺃﺒﻌﺎﺩ ﺨﻠﻔﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ
ﻨﻌﻡ
71
ﻻ
105
ﺍﻟﻤﺠﻤﻭﻉ
176
ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﺍﻟﺤﺎﺴﻭﺏ
ﻨﺎﺠﺢ
132
ﺭﺍﺴﺏ
44
ﺍﻟﻤﺠﻤﻭﻉ
176
ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﺍﻹﺤﺼﺎﺀ
ﻨﺎﺠﺢ
119
ﺭﺍﺴﺏ
57
ﺍﻟﻤﺠﻤﻭﻉ
176
ﻭﻴﻤﻜﻥ ﻤﻥ ﺸﻜل 2-14ﺍﻟﺴﺎﺒﻕ ﻤﻼﺤﻅﺔ ﺃﻥ ﺍﻟﺩﺭﺍﺴﺔ ﺸﻤﻠﺕ 176ﻤﻥ ﺍﻟﻁﻠﺒﺔ، ﻤﻨﻬﻡ 71ﻁﺎﻟﺏ ﻟﺩﻴﻬﻡ ﺨﻠﻔﻴﺔ ﻗﻭﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ ﻭ 105ﻁﺎﻟﺏ ﻟﻴﺴﺕ ﻟﺩﻴﻬﻡ ﺘﻠﻙ
ﺍﻟﺨﻠﻔﻴﺔ ،ﻭﻤﻥ ﺸﻜل 1-14ﻴﻤﻜﻥ ﻤﻼﺤﻅﺔ ﺃﻥ 57ﻤﻨﻬﻡ ﺩﺭﺴﻭﺍ ﻤﻘﺭﺭ ﻤﺒﺎﺩﺉ ﺍﻟﺤﺎﺴﻭﺏ ﻭﺘﺤﻠﻴل ﺍﻟﺒﻴﺎﻨﺎﺕ ﻭ 14ﻁﺎﻟﺏ ﻟﻡ ﻴﺩﺭﺴﻭﺍ ﻫﺫﺍ ﺍﻟﻤﻘﺭﺭ ﻤﻘﺎﺭﻨﺔ ﺏ 75ﻁﺎﻟﺏ
ﻨﺠﺢ ﻓﻲ ﺍﻹﺤﺼﺎﺀ ﻭ 30ﻁﺎﻟﺏ ﺭﺴﺒﻭﺍ ﻤﻥ ﺒﻴﻥ ﺍﻟﻁﻠﺒﺔ ﺍﻟﺫﻴﻥ ﻟﻴﺴﺕ ﻟﺩﻴﻬﻡ ﺨﻠﻔﻴﺔ ﻜﺎﻓﻴﺔ
ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ ،ﻭﺒﺎﻟﺘﺎﻟﻲ ﻫﻨﺎﻙ ﻋﺩﺩ ﺃﻜﺒﺭ ﻤﻥ ﺍﻟﻁﻼﺏ ﺍﻟﺫﻴﻥ ﻟﺩﻴﻬﻡ ﺨﻠﻔﻴﺔ ﻓﻲ
ﺍﻟﺭﻴﺎﻀﻴﺎﺕ ﻤﻤﻥ ﻨﺠﺤﻭﺍ ﻓﻲ ﻤﻘﺭﺭ ﻤﺒﺎﺩﺉ ﺍﻟﺤﺎﺴﻭﺏ ﻭﺘﺤﻠﻴل ﺍﻟﺒﻴﺎﻨﺎﺕ ،ﻭﺍﻵﻥ ﻓﻴﻤﺎ
ﻴﺘﻌﻠﻕ ﺒﻨﺘﻴﺠﺔ ﺍﻤﺘﺤﺎﻥ ﺍﻹﺤﺼﺎﺀ ﻴﻤﻜﻨﻨﺎ ﺃﻥ ﻨﺭﻯ ﺃﻥ ﻤﻥ ﺒﻴﻥ ﺍﻟﻁﻠﺒﺔ ﺍﻟﺫﻴﻥ ﻟﺩﻴﻬﻡ ﺨﻠﻔﻴﺔ
ﻜﺎﻓﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ ﻨﺴﺒﺔ ﺍﻟﻨﺠﺎﺡ ﻜﺎﻨﺕ ﺘﺴﺎﻭﻱ 20 : 51ﻤﻘﺎﺭﻨﺔ ﺒﻨﺴﺒﺔ 37 : 68
ﺒﻴﻥ ﺍﻟﻁﻠﺒﺔ ﺍﻟﺫﻴﻥ ﻟﻴﺴﺕ ﻟﺩﻴﻬﻡ ﺍﻟﺨﻠﻔﻴﺔ ﺍﻟﻜﺎﻓﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ ،ﻭﻤﻥ ﺒﻴﻥ ﺍﻟﻁﻠﺒﺔ ﺍﻟﺫﻴﻥ
ﻨﺠﺤﻭﺍ ﻓﻲ ﻤﻘﺭﺭ ﻤﺒﺎﺩﺉ ﺍﻟﺤﺎﺴﻭﺏ ﻭﺘﺤﻠﻴل ﺍﻟﺒﻴﺎﻨﺎﺕ ﻜﺎﻨﺕ ﻨﺴﺒﺔ ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﺍﻹﺤﺼﺎﺀ 27 : 105ﻤﻘﺎﺭﻨﺔ ﺒﻨﺴﺒﺔ 30 : 14ﺒﻴﻥ ﺍﻟﻁﻠﺒﺔ ﺍﻟﺫﻴﻥ ﻟﻡ ﻴﻨﺠﺤﻭﺍ ﻓﻲ ﺫﻟﻙ ﺍﻟﻤﻘﺭﺭ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
478
ﻓﻲ ﺍﻟﺒﺩﺍﻴﺔ ﺩﻋﻨﺎ ﻨﺄﺨﺫ ﺍﻟﻔﺭﻀﻴﺔ ﺍﻟﻌﺩﻤﻴﺔ ﺍﻟﺘﻲ ﺘﻨﺹ ﻋﻠﻰ ﺃﻨﻪ ﻻ ﻴﻭﺠﺩ ﺃﻱ ﻋﻼﻗﺔ ﺒﻴﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﺜﻼﺜﺔ ﻭﻨﻌﻠﻡ ﻤﻥ ﻭﺍﻗﻊ ﺍﻟﺒﻴﺎﻨﺎﺕ ﺃﻨﻬﺎ ﻓﺭﻀﻴﺔ ﻤﺴﺘﺒﻌﺩﺓ ،ﻓﺈﻨﻪ ﻴﻤﻜﻥ
ﺒﺒﺴﺎﻁﺔ ﺒﺎﺴﺘﺨﺩﺍﻡ ﺁﻟﺔ ﺤﺎﺴﺒﺔ ﺃﻭ ﺒﺎﺴﺘﺨﺩﺍﻡ ﻨﻅﺎﻡ SPSSﻜﻤﺎ ﺴﻨﺭﻯ ﻓﻴﻤﺎ ﺒﻌﺩ ﺤﺴﺎﺏ
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻟﺠﻤﻴﻊ ﺨﻼﻴﺎ ﺍﻟﺠﺩﻭل ﻓﻲ ﺸﻜل ،1-14ﻭﻨﺘﻴﺠﺔ ﺍﻟﺤﺴﺎﺏ
ﺴﻨﻌﺭﻀﻬﺎ ﻓﻲ ﺍﻟﺠﺩﻭل ﻓﻲ ﺸﻜل ،3-14ﻭﻤﻥ ﻫﺫﺍ ﺍﻟﺠﺩﻭل ﻨﺴﺘﻁﻴﻊ ﺃﻥ ﻨﺭﻯ ﺃﻥ
ﻫﻨﺎﻙ ﻓﺭﻴﻕ ﻜﺒﻴﺭ ﺒﻴﻥ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ ﻭﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻓﻲ ﻅل ﺼﺤﺔ
ﺍﻟﻔﺭﻀﻴﺔ ﺍﻟﻌﺩﻤﻴﺔ ﺍﻷﻤﺭ ﺍﻟﺫﻱ ﻴﺩل ﻋﻠﻰ ﺃﻥ ﻫﺫﻩ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻻ ﻴﻤﻜﻥ ﺃﻥ ﺘﻜﻭﻥ ﻤﺴﺘﻘﻠﺔ. ﺸﻜل : 3-14ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ ) Observed frequencies (Oﻭﺍﻟﺘﻜﺭﺍﺭﺍﺕ
ﺍﻟﻤﺘﻭﻗﻌﺔ ) Expected Frequencies (Eﻟﺠﻤﻴﻊ ﺨﻼﻴﺎ ﺠﺩﻭل ﺍﻟﺘﻭﺍﻓﻕ ﺫﻭ ﺍﻟﺜﻼﺜﺔ ﺃﺒﻌﺎﺩ ﺨﻠﻔﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ
ﻨﻌﻡ
ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﺍﻟﺤﺎﺴﻭﺏ
ﻻ ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﺍﻹﺤﺼﺎﺀ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ
47
10
4
10
58
17
10
20
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ
12.00 17.25 36.00
5.75
17.75 25.50 53.25
8.50
ﻭﻴﻤﻜﻥ ﻟﻠﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﺒﺎﺴﺘﺨﺩﺍﻡ ﻨﻅﺎﻡ SPSSﺍﻹﺠﺎﺒﺔ ﻋﻠﻰ ﺫﻟﻙ
ﺍﻟﺴﺅﺍل ﺒﺴﻬﻭﻟﺔ ،ﻓﻨﻅﺎﻡ SPSSﻴﻘﺩﻡ ﻁﺭﻴﻘﺔ ﻫﺭﻤﻴﺔ ﺒﺩﺍﺨل ﻨﺎﻓﺫﺓ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ، Loglinear menuﻫﺫﻩ ﺍﻟﻁﺭﻴﻘﺔ ﺘﺒﺩﺃ ﺒﺒﻨﺎﺀ ﻨﻤﻭﺫﺝ ﻤﺸﺒﻊ ﻟﺨﻼﻴﺎ ﺍﻟﺠﺩﻭل
ﻭﺘﻌﻤل ﺨﻠﻔﻴﹰﺎ ﺒﺎﻟﻁﺭﻴﻘﺔ ﺍﻟﺘﻲ ﺘﻡ ﻭﺼﻔﻬﺎ ﻟﺘﺼل ﺇﻟﻰ ﻨﻤﻭﺫﺝ ﻴﺤﺘﻭﻱ ﻋﻠﻰ ﺍﻟﺤﺩ ﺍﻷﺩﻨﻰ ﻼ ﻋﻨﺩﻤﺎ ﻨﺭﻯ ﺃﻨﻪ ﻴﻭﺠﺩ ﻋﺩﺩ ﺼﻐﻴﺭ ﻤﻥ ﺍﻟﻌﻭﺍﻤل ،ﻤﻥ ﺒﻴﻨﻬﺎ ﻤﺎ ﻫﻭ ﻗﻠﻴل ﺍﻷﻫﻤﻴﺔ ،ﻓﻤﺜ ﹰ
ﺠﺩﹰﺍ ﻤﻥ ﺍﻟﻁﻠﺒﺔ ﺫﻭﻱ ﺍﻟﺨﻠﻔﻴﺔ ﺍﻟﺭﻴﺎﻀﻴﺔ ﻤﻘﺎﺭﻨﺔ ﺒﻤﻥ ﻟﻴﺱ ﻟﺩﻴﻬﻡ ﺨﻠﻔﻴﺔ ﺭﻴﺎﻀﻴﺔ ﻓﺈﻨﻨﺎ
ﻟﻥ ﻨﺘﻭﻗﻊ ﻭﺠﻭﺩ ﻋﺎﻤل ﺍﻷﺜﺭ ﺍﻟﺭﺌﻴﺴﻲ ﻟﻬﺫﺍ ﺍﻟﻤﺘﻐﻴﺭ ﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ ،ﻭﻟﺫﻟﻙ ﻋﺎﺩﺓ
ﺘﻜﻭﻥ ﺍﻵﺜﺎﺭ ﺍﻟﺭﺌﻴﺴﻴﺔ ﻋﺩﻴﻤﺔ ﺍﻷﻫﻤﻴﺔ ﻓﻲ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ،ﻭﺒﻠﻐﺔ ﺘﺤﻠﻴل ﺍﻟﺘﺒﺎﻴﻥ ANOVAﻓﺈﻨﻨﺎ ﻨﺒﺤﺙ ﻓﻲ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻋﻥ ﺍﻟﺘﻔﺎﻋﻼﺕ ﻭﻟﻴﺱ
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
479
ﻋﻥ ﺍﻵﺜﺎﺭ ﺍﻟﺭﺌﻴﺴﻴﺔ ،ﻓﻭﺠﻭﺩ ﻋﻼﻗﺎﺕ ﺒﻴﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﺜﻼﺜﺔ ﻴﻌﻨﻲ ﺒﺎﻟﻀﺭﻭﺭﺓ ﻭﺠﻭﺩ ﺍﻟﺘﻔﺎﻋل ﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﺍﻟﻨﻬﺎﺌﻲ. ﻭﺍﻵﻥ ،ﻹﺠﺭﺍﺀ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ Loglinear Analysisﺒﺎﺴﺘﺨﺩﺍﻡ
ﻨﻅﺎﻡ SPSSﻴﻤﻜﻥ ﺍﺴﺘﺨﺩﺍﻡ ﺍﻟﻁﺭﻕ ﺍﻟﺘﻲ ﺘﻡ ﺘﻭﻀﻴﺤﻬﺎ ﻓﻲ ﺍﻟﻔﺼل ﺍﻟﺜﺎﻨﻲ ﻟﺘﻌﺭﻴﻑ
ﺜﻼﺙ ﻤﺘﻐﻴﺭﺍﺕ ﺘﺼﻨﻴﻑ )ﺘﺄﺨﺫ ﻗﻴﻤﹰﺎ ﺭﻗﻤﻴﺔ ﻭ ﻴﻌﺭﻑ ﺩﻟﻴل ﻟﻜل ﻗﻴﻤﺔ( ﻭﺘﻌﻁﻰ ﺃﺴﻤﺎﺀ
ﻤﺜل mathsﻭ dataprocﻭ psystatsﻭﻜﺫﻟﻙ ﺩﻟﻴل variable labelﻟﻜل ﺍﺴﻡ ﻭﻫﻲ
ﻫﻨﺎ ﻋﻠﻰ ﺍﻟﺘﺭﺘﻴﺏ :ﺨﻠﻔﻴﺔ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ Advanced Math Courseﻭﺍﻟﻨﺠﺎﺡ ﻓﻲ ﻤﻘﺭﺭ ﻤﺒﺎﺩﺉ ﺍﻟﺤﺎﺴﻭﺏ ﻭﺘﺤﻠﻴل ﺍﻟﺒﻴﺎﻨﺎﺕ Data Processing Courseﻭﺍﻟﻨﺠﺎﺡ ﻓﻲ
ﺍﻤﺘﺤﺎﻥ ﻤﻘﺭﺭ ﺍﻹﺤﺼﺎﺀ ﻟﻌﻠﻡ ﺍﻟﻨﻔﺱ ، Psych Stats Examﻭﻴﻔﻀل ﺇﻋﻁﺎﺀ ﺩﻟﻴل ﻟﻠﻘﻴﻡ Value labelsﻤﺜل ﻨﻌﻡ Yesﻭﻻ Noﻟﻠﻤﺘﻐﻴﺭ ﺍﻷﻭل ﻭﻨﺠﺢ Passﻭﺭﺍﺴﺏ
Failﻟﻠﻤﺘﻐﻴﺭﻴﻥ ﺍﻷﺨﺭﻴﻴﻥ ،ﺜﻡ ﻴﻌﺭﻑ ﻤﺘﻐﻴﺭ ﻜﻤﻲ ﺭﺍﺒﻊ ﻟﻠﻌﺩﺩ countﻻﺤﺘﻭﺍﺀ ﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﺨﻼﻴﺎ ،ﺜﻡ ﻴﺘﻡ ﺇﺩﺨﺎل ﺍﻟﺒﻴﺎﻨﺎﺕ ﻓﻲ ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ ﺒﺎﻟﻁﺭﻕ ﺍﻟﻤﻌﺭﻭﻓﺔ
ﻟﺘﻅﻬﺭ ﺼﻔﺤﺔ ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ Data Editorﻜﻤﺎ ﻓﻲ ﺍﻟﺸﻜل 4-14ﺍﻟﺘﺎﻟﻲ.
ﺸﻜل : 4-14ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ Data Editorﻭﻴﻌﺭﺽ ﺨﻼﻴﺎ ﺠﺩﻭل ﺍﻟﺘﻭﺍﻓﻕ ﺍﻟﺜﻼﺜﻲ ﺃﺒﻌﺎﺩ
ﻭﺍﻟﺨﻁﻭﺓ ﺍﻟﺘﺎﻟﻴﺔ ﻫﻲ ﺘﻤﻜﻴﻥ ﻨﻅﺎﻡ SPSSﻤﻥ ﺍﻟﺘﻌﺭﻑ ﻋﻠﻰ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻷﺨﻴﺭ
countﻋﻠﻰ ﺃﻨﻪ ﺘﻜﺭﺍﺭﺍﺕ ﻭﻟﻴﺱ ﺒﺒﺴﺎﻁﺔ ﻗﻴﻤﹰﺎ ﻟﻠﻅﺎﻫﺭﺓ ،ﻭﻫﺫﺍ ﻴﺘﻡ ﻋﻥ ﻁﺭﻴﻕ ﺃﻤﺭ
ﺇﻋﻁﺎﺀ ﺍﻷﻭﺯﺍﻥ ﻟﻠﻘﻴﻡ Weight Casesﺍﻟﺫﻱ ﺘﻡ ﺘﻭﻀﻴﺤﻪ ﻓﻲ ﺍﻟﻔﺼل ﺍﻟﺜﺎﻟﺙ ،ﻭﻴﻤﻜﻥ ﺘﻨﻔﻴﺫﻩ ﺒﺒﺴﺎﻁﺔ ﻫﻨﺎ ﻋﻥ ﻁﺭﻴﻕ ﺍﺨﺘﻴﺎﺭ ﻗﺎﺌﻤﺔ ﺍﻟﺒﻴﺎﻨﺎﺕ Dataﻓﻲ ﺍﻟﻘﺎﺌﻤﺔ ﺍﻟﺭﺌﻴﺴﻴﺔ
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
480
ﻟﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ ﻭﻤﻨﻬﺎ ﺍﺨﺘﻴﺎﺭ ﺃﻤﺭ ﺇﻋﻁﺎﺀ ﺍﻷﻭﺯﺍﻥ Weight Casesﻟﺘﻔﺘﺢ ﻨﺎﻓﺫﺓ ﺇﻋﻁﺎﺀ ﺍﻷﻭﺯﺍﻥ Weight Casesﺜﻡ ﻨﻘل ﺍﻟﻤﺘﻐﻴﺭ countﺇﻟﻰ ﻤﺭﺒﻊ ﻤﺘﻐﻴﺭ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ
Frequency Variableﺜﻡ ﺍﻟﻀﻐﻁ ﻋﻠﻰ ﺃﻤﺭ ﺍﻟﺘﻨﻔﻴﺫ ) OKﻻﺤﻅ ﺃﻨﻪ ﻟﻥ ﻴﻅﻬﺭ ﺃﻱ ﺸﻲﺀ ﺠﺩﻴﺩ ﻨﺘﻴﺠﺔ ﺘﻨﻔﻴﺫ ﻫﺫﺍ ﺍﻷﻤﺭ(.
ﺍﻟﺨﻁﻭﺓ ﺍﻟﺘﺎﻟﻴﺔ ﻭﻗﺒل ﺇﺠﺭﺍﺀ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻫﻲ ﺍﻟﺘﺤﻘﻕ ﻤﻥ ﺃﻥ
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ Expected frequenciesﻜﺒﻴﺭﺓ ﺒﻤﺎ ﻓﻴﻪ ﺍﻟﻜﻔﺎﻴﺔ ﻟﻬﺫﺍ ﺍﻟﺘﺤﻠﻴل،
ﻭﻴﻤﻜﻥ ﺤﺴﺎﺏ ﺍﻟﻘﻴﻡ ﺍﻟﻤﺘﻭﻗﻌﺔ ﺒﺒﺴﺎﻁﺔ ﻤﻥ ﺨﻼل ﺃﻤﺭ ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﻤﺯﺩﻭﺝ Crosstabs
ﻜﻤﺎ ﺘﻡ ﺘﻭﻀﻴﺤﻪ ﻓﻲ ﺍﻟﻔﺼل ﺍﻟﺤﺎﺩﻱ ﻋﺸﺭ ،ﻭﻴﻤﻜﻥ ﺘﻨﻔﻴﺫ ﻫﺫﺍ ﺍﻷﻤﺭ ﺒﺒﺴﺎﻁﺔ ﻫﻨﺎ ﻋﻥ
ﻁﺭﻴﻕ ﻓﺘﺢ ﻨﺎﻓﺫﺓ ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﻤﺯﺩﻭﺝ Crosstabsﻤﻥ ﺨﻼل ﺃﻤﺭ ﺘﻠﺨﻴﺹ ﺍﻟﺒﻴﺎﻨﺎﺕ
Summarizeﻗﻲ ﻗﺎﺌﻤﺔ ﺘﺤﻠﻴل ﺍﻟﺒﻴﺎﻨﺎﺕ ) Analyzeﺃﻭ Statisticsﻓﻲ ﺇﺼﺩﺍﺭ ،(8.0
ﻟﺘﻅﻬﺭ ﻫﺫﻩ ﺍﻟﻨﺎﻓﺫﺓ ﻜﻤﺎ ﻓﻲ ﺍﻟﺸﻜل 5-14ﻓﺘﻨﻘل ﺃﺴﻤﺎﺀ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺃﺤﺩﻫﻤﺎ ﻟﻠﺼﻔﻭﻑ
) Row(sﻭﺁﺨﺭ ﻟﻸﻋﻤﺩﺓ ) Column(sﻭﺍﻟﺜﺎﻟﺙ ﻓﻲ ﺍﻟﻁﺒﻘﺔ ﺍﻷﻭﻟﻰ ، Layer 1 of 1
ﻟﺘﻅﻬﺭ ﻓﻲ ﺍﻟﻨﻬﺎﻴﺔ ﺍﻟﻨﺎﻓﺫﺓ ﺒﻌﺩ ﻤﻠﺌﻬﺎ ﻜﻤﺎ ﻓﻲ ﺍﻟﺸﻜل 5-14ﺃﺩﻨﺎﻩ ،ﻭﻹﻋﻁﺎﺀ ﺃﻤﺭ ﺤﺴﺎﺏ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻟﻠﺨﻼﻴﺎ ﺍﻀﻐﻁ ﻋﻠﻰ ﻤﺭﺒﻊ ﺤﻭﺍﺭ ﺍﻟﺨﻼﻴﺎ Cellsﻟﺘﺒﺭﺯ
ﻨﺎﻓﺫﺓ ﻤﺤﺘﻭﻴﺎﺕ ﺍﻟﺨﻼﻴﺎ Crosstabs: Cell Displayﻓﻴﺘﻡ ﺒﻬﺎ ﺘﺤﺩﻴﺩ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ
ﺍﻟﻤﺘﻭﻗﻌﺔ Expectedﺜﻡ ﺍﻟﻀﻐﻁ ﻋﻠﻰ ﻤﺭﺒﻊ ﺍﻟﺘﻨﻔﻴﺫ ،OKﻭﻴﻌﻁﻲ ﺃﻤﺭ ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﻤﺯﺩﻭﺝ Crosstabsﺍﻟﺫﻱ ﺘﻡ ﺘﻨﻔﻴﺫﻩ ﺠﺩﺍﻭل ﺍﻗﺘﺭﺍﻥ 2×2ﻟﻜل ﻁﺒﻘﺔ ﻤﻥ ﻁﺒﻘﺎﺕ
ﻤﺘﻐﻴﺭ ﺨﻠﻔﻴﺔ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ Advanced Maths Courseﻭﺫﻟﻙ ﻷﻥ ﻫﺫﺍ ﺍﻟﻤﺘﻐﻴﺭ ﻗﺩ
ﺍﺨﺘﻴﺭ ﻜﻤﺘﻐﻴﺭ ﻁﺒﻘﻲ ﻓﻲ ﺍﻟﻨﺎﻓﺫﺓ ﺍﻟﺴﺎﺒﻘﺔ ،ﻭﻴﺒﻴﻥ ﺸﻜل 6-14ﻨﺘﺎﺌﺞ ﻫﺫﺍ ﺍﻷﻤﺭ.
( ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ14)
481
ﺒﻌﺩ ﺍﺴﺘﻜﻤﺎل ﺍﻟﻤﻌﻠﻭﻤﺎﺕ ﺍﻟﻤﻁﻠﻭﺒﺔCrosstabs ﻨﺎﻓﺫﺓ ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﻤﺯﺩﻭﺝ: 5-14 ﺸﻜل
ﻋﻠﻰ ﺍﻟﺒﻴﺎﻨﺎﺕ ﺍﻟﺴﺎﺒﻘﺔCrosstabs ﻨﺘﺎﺌﺞ ﺘﻨﻔﻴﺫ ﺃﻤﺭ ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﻤﺯﺩﻭﺝ: 6-14 ﺸﻜل Data Processing Course * Psych Stats Exam * Advanced Math Course Crosstabulation Psych Stats Exam
Advanced Math Course No
Fail Data Processing Course
Pass
Count Expected Count
Fail
Count Expected Count
Total
Count Expected Count
Yes
Data Processing Course
Pass
Count Expected Count
Fail
Count Expected Count
Total
Count Expected Count
Pass
Total
17
58
75
26.4
48.6
75.0
20
10
30
10.6
19.4
30.0
37
68
105
37.0
68.0
105.0
10
47
57
16.1
40.9
57.0
10
4
14
3.9
10.1
14.0
20
51
71
20.0
51.0
71.0
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
482
ﻭﻁﺎﻟﻤﺎ ﺃﻥ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﺘﺤﻘﻕ ﺍﻟﺸﺭﻭﻁ ﺍﻟﻤﻁﻠﻭﺒﺔ ﻭﺍﻟﺘﻲ ﺘﻡ ﺫﻜﺭﻫﺎ ﻓﻲ ﺍﻟﻘﺴﻡ ﺍﻟﺴﺎﺒﻕ ﻤﻥ ﻫﺫﺍ ﺍﻟﻔﺼل ﻓﺈﻨﻪ ﻴﻤﻜﻥ ﺘﻁﺒﻴﻕ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻋﻠﻰ
ﻫﺫﻩ ﺍﻟﺒﻴﺎﻨﺎﺕ ،ﻓﺠﻤﻴﻊ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻗﻴﻤﻬﺎ ﺃﻜﺒﺭ ﻤﻥ ﺍﻟﻭﺍﺤﺩ ﻭﺘﻜﺭﺍﺭ ﻭﺍﺤﺩ ﻓﻘﻁ
ﺃﻗل ﻤﻥ 5ﻓﻲ ﻫﺫﺍ ﺍﻟﻤﺜﺎل.
ﻭﻟﺘﻨﻔﻴﺫ ﺍﻟﻁﺭﻴﻘﺔ ﺍﻟﻬﺭﻤﻴﺔ ﻟﻠﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻨﺨﺘﺎﺭ ﻗﺎﺌﻤﺔ ﺍﻟﺘﺤﻠﻴل
ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ Loglinearﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﺘﺤﻠﻴل ﺍﻹﺤﺼﺎﺌﻲ ) Analyzeﺃﻭ
Statisticsﻓﻲ ﺇﺼﺩﺍﺭ ، (8.0ﻭﻤﻥ ﺍﻟﻘﺎﺌﻤﺔ ﺍﻷﻭﻟﻰ ﻨﺨﺘﺎﺭ ﺃﻤﺭ ﺍﺨﺘﻴﺎﺭ ﺍﻟﻨﻤﻭﺫﺝ Model Selectionﻜﻤﺎ ﻫﻭ ﻤﻭﻀﺢ ﻓﻲ ﺸﻜل 7-14ﻟﺘﻔﺘﺢ ﻨﺎﻓﺫﺓ ﺍﺨﺘﻴﺎﺭ ﻨﻤﻭﺫﺝ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ Model Selection Loglinear Analysisﻜﻤﺎ ﻓﻲ
ﺸﻜل 8-14ﺃﺩﻨﺎﻩ.
ﺸﻜل : 7-14ﺇﻴﺠﺎﺩ ﺃﻭﺍﻤﺭ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ Loglinearﻤﻥ ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ
ﻭﻓﻲ ﻨﺎﻓﺫﺓ ﺍﺨﺘﻴﺎﺭ ﻨﻤﻭﺫﺝ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ Model Selection
Loglinear Analysisﺘﻨﻘل ﺃﺴﻤﺎﺀ ﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﺘﺼﻨﻴﻑ dataprocﻭ mathsﻭ
psystatsﺇﻟﻰ ﻤﺭﺒﻊ ﺍﻟﻌﻭﺍﻤل Factorsﻭﻓﻲ ﻜل ﻤﻨﻬﻡ )ﺇﺫﺍ ﺘﻡ ﻨﻘﻠﻬﻡ ﻭﺍﺤﺩﹰﺍ ﺘﻠﻭ ﺍﻵﺨﺭ ﺃﻭ ﻴﻤﻜﻥ ﻤﺭﺓ ﻭﺍﺤﺩﺓ ﺇﺫﺍ ﺘﻡ ﻨﻘل ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻤﺠﺘﻤﻌﺔ( ﻴﺘﻡ ﺍﻟﻀﻐﻁ ﻋﻠﻰ ﻤﺭﺒﻊ ﺤﻭﺍﺭ
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
483
ﺘﻌﺭﻴﻑ ﺍﻟﻤﺩﻯ Define Rangeﻟﺘﻌﺭﻴﻑ ﺃﺼﻐﺭ ﻗﻴﻤﺔ ﻭﺍﻜﺒﺭ ﻗﻴﻤﺔ ﺴﻭﻑ ﺘﺩﺨل ﻓﻲ ﺍﻟﺘﺤﻠﻴل ،ﻭﺤﻴﺙ ﺃﻨﻨﺎ ﻋﺭﻓﻨﺎ ﺍﻟﻨﺠﺎﺡ ﻭ ﻨﻌﻡ ﺒﺎﻟﻘﻴﻤﺔ 1ﻭﺍﻟﺭﺴﻭﺏ ﻭﻻ ﺒﺎﻟﻘﻴﻤﺔ 0ﻓﺈﻨﻪ ﻓﻲ
ﺠﻤﻴﻊ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺘﻜﻭﻥ ﺃﺼﻐﺭ ﻗﻴﻤﺔ Minimumﻫﻲ 0ﻭﺃﻜﺒﺭ ﻗﻴﻤﺔ Maximum
ﻫﻲ 1ﻓﻲ ﻫﺫﺍ ﺍﻟﻤﺜﺎل ،ﺜﻡ ﺍﻀﻐﻁ ﻋﻠﻰ ﻤﺭﺒﻊ ﺍﻻﺴﺘﻤﺭﺍﺭ Continueﻟﻠﺘﻨﻔﻴﺫ. ﺸﻜل : 8-14ﻨﺎﻓﺫﺓ ﺍﺨﺘﻴﺎﺭ ﻨﻤﻭﺫﺝ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ Model Selection Loglinear Analysis
ﺴﺘﻅﻬﺭ ﺍﻵﻥ ﻨﺎﻓﺫﺓ ﺍﺨﺘﻴﺎﺭ ﻨﻤﻭﺫﺝ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ
Model
Selection Loglinear Analysisﺒﻌﺩ ﺇﺩﺨﺎل ﺠﻤﻴﻊ ﺍﻟﻤﻌﻠﻭﻤﺎﺕ ﺍﻟﻤﻁﻠﻭﺒﺔ ﺒﻬﺎ ﻜﻤﺎ
ﻓﻲ ﺍﻟﺸﻜل 8-14ﻭﺘﺒﺩﻭ ﺒﻬﺎ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻭﺃﻤﺎﻤﻬﺎ ﺍﻟﻘﻴﻤﺘﻴﻥ ﺍﻟﺼﻐﺭﻯ ﻭﺍﻟﻜﺒﺭﻯ ﻟﻜل ﻤﻨﻬﺎ ﺒﻴﻥ ﻗﻭﺴﻴﻥ ،ﻜﺫﻟﻙ ﺘﺄﻜﺩ ﻓﻲ ﺃﺴﻔل ﻫﺫﻩ ﺍﻟﻨﺎﻓﺫﺓ ﺃﻥ ﺍﻟﺨﻴﺎﺭ ﺍﻟﺫﻱ ﺘﻡ ﺘﺤﺩﻴﺩﻩ ﻓﻲ
ﺨﻴﺎﺭﺍﺕ ﺒﻨﺎﺀ ﺍﻟﻨﻤﻭﺫﺝ Model Buildingﻫﻭ ﻁﺭﻴﻘﺔ ﺍﻟﺘﺼﻔﻴﺔ ﺍﻟﺨﻠﻔﻴﺔ ﻟﻠﻤﺘﻐﻴﺭﺍﺕ
، Use backward eliminationﻭﻓﻲ ﺍﻟﻨﻬﺎﻴﺔ ﺍﻀﻐﻁ ﻋﻠﻰ ﺃﻤﺭ ﺍﻟﺘﻨﻔﻴﺫ OKﻟﺘﻨﻔﻴﺫ ﺍﻷﻤﺭ ﻭﻅﻬﻭﺭ ﻨﺘﺎﺌﺞ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ . Loglinear Analysis
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
484
ﻻﺤﻅ ﺃﻥ ﻨﺘﺎﺌﺞ ﻫﺫﺍ ﺍﻷﻤﺭ ﻟﻥ ﺘﻜﻭﻥ ﻓﻲ ﺸﻜل ﺠﺩﺍﻭل ﻜﻤﺎ ﻜﺎﻥ ﺍﻟﺤﺎل ﻓﻲ ﻨﺘﺎﺌﺞ ﺍﻷﻭﺍﻤﺭ ﺍﻟﺘﻲ ﺘﻡ ﺍﻟﺤﺩﻴﺙ ﻋﻨﻬﺎ ﻓﻲ ﺍﻟﻔﺼﻭل ﺍﻟﺴﺎﺒﻘﺔ ﻓﻲ ﻫﺫﺍ ﺍﻟﻜﺘﺎﺏ ،ﻭﺴﻭﻑ ﻴﻅﻬﺭ
ﻏﺎﻟﺒﹰﺎ ﻤﺭﻉ ﺃﺤﻤﺭ ﻓﻲ ﺃﺴﻔل ﺍﻟﻨﺘﺎﺌﺞ ﻭﻫﺫﺍ ﻴﻌﻨﻲ ﺃﻥ ﻫﻨﺎﻙ ﻨﺘﺎﺌﺞ ﺃﺨﺭﻯ ﻟﻡ ﺘﻅﻬﺭ ﻋﻠﻰ ﺍﻟﺸﺎﺸﺔ ،ﻭﻟﺭﺅﻴﺘﻬﺎ ﻴﺠﺏ ﺍﻟﻨﻘﺭ ﺍﻟﻤﺯﺩﻭﺝ ﺒﺎﻟﻔﺄﺭﺓ ﻋﻠﻰ ﺍﻟﻨﺘﺎﺌﺞ ﺤﺘﻰ ﻴﺘﺤﻭل ﺍﻟﺼﻨﺩﻭﻕ
ﺤﻭل ﺍﻟﻨﺘﺎﺌﺞ ﺇﻟﻰ ﻨﺎﻓﺫﺓ ﻴﻤﻜﻥ ﺭﺅﻴﺘﻬﺎ ﺒﺴﻬﻭﻟﺔ ﻭﺘﺤﺭﻴﻙ ﺍﻟﻤﺅﺸﺭ ﺩﺍﺨﻠﻬﺎ ﻭﺫﻟﻙ ﺒﺎﺴﺘﺨﺩﺍﻡ ﺍﻷﺴﻬﻡ ﻭﺍﻻﻨﺘﻘﺎل ﺒﻴﻥ ﺍﻟﺼﻔﺤﺎﺕ ،ﻭﻟﺘﺴﻬﻴل ﺘﻭﻀﻴﺢ ﺍﻟﻨﺘﺎﺌﺞ ﻓﻘﻁ ﻗﻤﻨﺎ ﻫﻨﺎ ﺒﺘﻘﺴﻴﻤﻬﺎ ﺇﻟﻰ ﻤﺠﻤﻭﻋﺔ ﻤﻥ ﺍﻷﺸﻜﺎل.
ﻭﺍﻟﺸﻜل 9-14ﻫﻭ ﺍﻟﺸﻜل ﺍﻷﻭل ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﺤﺘﻭﻱ ﻋﻠﻰ ﻤﻌﻠﻭﻤﺎﺕ
ﺤﻭل ﺍﻟﺒﻴﺎﻨﺎﺕ ﻭﺍﻟﻌﻭﺍﻤل ،ﻴﻠﻲ ﻫﺫﺍ ﺍﻟﺸﻜل ﺠﺩﻭ ﹰ ﻻ ﻴﺤﺘﻭﻱ ﻋﻠﻰ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﻜل ﺘﺸﻜﻴﻠﺔ ﻤﻥ ﺍﻟﻌﻭﺍﻤل ﺍﻟﺜﻼﺜﺔ ،ﻭﻟﻜﻥ ﻫﺫﺍ ﺍﻟﺠﺩﻭل ﻏﻴﺭ ﻤﺒﻴﻥ ﻤﻥ ﺒﻴﻥ ﺍﻷﺸﻜﺎل ﺍﻟﺘﻲ ﺘﻘﺴﻡ ﻗﺎﺌﻤﺔ
ﺍﻟﻨﺘﺎﺌﺞ ﻫﻨﺎ ،ﻭﻓﻲ ﻫﺫﻩ ﺍﻟﻤﺭﺤﻠﺔ ﻴﻘﻭﻡ ﻨﻅﺎﻡ SPSSﺒﺘﻭﻓﻴﻕ ﻨﻤﻭﺫﺝ ﻤﺸﺒﻊ saturated modelﻟﻠﺒﻴﺎﻨﺎﺕ ﻴﺤﺘﻭﻱ ﻋﻠﻰ ﺍﻟﺘﻘﺎﻁﻊ MATHS*DATAPROC*PSYSTATS
ﻟﻠﺘﻜﺭﺍﺭﺍﺕ ﻓﻲ ﺨﻼﻴﺎ ﺍﻟﺠﺩﻭل ،ﻫﺫﺍ ﺍﻟﺠﺩﻭل ﻗﺩ ﻴﻜﻭﻥ ﻤﻔﻴﺩﹰﺍ ﻟﻠﺘﺤﻘﻕ ﻤﻥ ﺩﻗﺔ ﺍﻟﻨﺘﺎﺌﺞ. ﺸﻜل : 9-14ﺍﻟﺠﺯﺀ ﺍﻷﻭل ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﺒﻪ ﻤﻌﻠﻭﻤﺎﺕ ﺤﻭل ﺍﻟﺒﻴﺎﻨﺎﺕ ﻭﺍﻟﻌﻭﺍﻤل . L I N E A R
L O G
H I E R A R C H I C A L Information
DATA
8 unweighted cases accepted. 0 cases rejected because of out-of-range factor values. 0 cases rejected because of missing data. 176 weighted cases will be used in the analysis. FACTOR Information Label Data Processing Course Advanced Math Course Psych Stats Exam
Factor Level DATAPROC 2 MATHS 2 PSYSTATS 2
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
485
ﻭﻴﺒﻴﻥ ﺸﻜل 10-14ﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻨﻲ ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ،ﻭﻴﻭﻀﺢ ﺍﻻﺨﺘﺒﺎﺭﺍﺕ ﺤﻭل ﺠﻤﻴﻊ ﺍﻵﺜﺎﺭ ﺍﻟﻤﻤﻜﻨﺔ ،ﻓﻴﺒﻴﻥ ﺃﻥ ﻗﻴﻡ ﺠﻤﻴﻊ ﺍﻟﺘﻘﺎﻁﻌﺎﺕ ﻤﻥ ﺍﻟﺭﺘﺒﺔ kﻓﺄﻋﻠﻰ ﻤﺴﺎﻭﻴﺔ ﺼﻔﺭ ،ﻜﻤﺎ ﺃﻥ ﻗﻴﻤﺔ ﺍﻟﻘﺎﻁﻊ ﻤﻥ ﺍﻟﺩﺭﺠﺔ kﻨﻔﺴﻬﺎ ﻤﺴﺎﻭﻴﺔ ﺼﻔﺭ ،ﻭﻫﻲ ﺘﺒﻴﻥ
ﺃﻴﻀﹰﺎ ﻗﻴﻡ p-valuesﺍﻟﺘﻲ ﺘﻭﻀﺢ ﻤﻌﻨﻭﻴﺔ ﺍﻵﺜﺎﺭ ﻤﻥ ﺍﻟﺭﺘﺏ ﺍﻟﻤﻭﻀﺤﺔ ﻭﻜﺫﻟﻙ ﻋﺒﺎﺭﺓ
ﺃﻥ ﺍﻷﺜﺭ ﻤﻌﻨﻭﻱ ﺇﺫﺍ ﻜﺎﻥ ﻜﺫﻟﻙ ،ﻭﻓﻲ ﻫﺫﺍ ﺍﻟﻤﺜﺎل ﻴﺘﻀﺢ ﺃﻥ ﺠﻤﻴﻊ ﺍﻵﺜﺎﺭ ﺤﺘﻰ ﺍﻟﺘﻘﺎﻁﻊ ﻤﻥ ﺍﻟﺩﺭﺠﺔ ﺍﻟﺜﺎﻨﻴﺔ ﻤﻌﻨﻭﻴﺔ ،ﻭﻟﻜﻥ ﺍﻟﺘﻘﺎﻁﻊ ﻤﻥ ﺍﻟﺩﺭﺠﺔ ﺍﻟﺜﺎﻟﺜﺔ ﻏﻴﺭ ﻤﻌﻨﻭﻱ.
ﺸﻜل : 10-14ﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻨﻲ ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﺒﻴﻥ ﺍﺨﺘﺒﺎﺭ ﻤﻌﻨﻭﻴﺔ ﺍﻟﻌﻭﺍﻤل ﻭﺍﻟﺘﻘﺎﻁﻌﺎﺕ L I N E A R
L O G
H I E R A R C H I C A L
Tests that K-way and higher order effects are zero. Prob Iteration .5141 .0000 .0000
3 2 0
Pearson Chisq .426 37.077 123.000
Prob .5116 .0000 .0000
L.R. Chisq .431 35.310 110.282
DF
K
1 4 7
3 2 1
- - - - - - - - - - - - - - - - - - - - - - - - - - -Tests that K-way effects are zero. Iteration
Prob
0 0 0
.0000 .0000 .5141
Pearson Chisq 85.923 36.651 .426
Prob .0000 .0000 .5116
L.R. Chisq 74.972 34.879 .431
DF
K
3 3 1
1 2 3
ﻭﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻟﺙ ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ )ﺸﻜل (11-14ﺍﻟﺠﺯﺀ ﺍﻷﻜﺜﺭ ﺃﻫﻤﻴﺔ ﻭﻴﺤﻤل ﻋﻨﻭﺍﻥ ﻁﺭﻴﻘﺔ ﺍﻟﺘﺼﻔﻴﺔ ﺍﻟﺨﻠﻔﻴﺔ ) (p = 0.050ﻟﻠﺘﺼﻤﻴﻡ ﺍﻷﻭل ﺒﻔﺌﺔ ﻤﻭﻟﺩﺓ : ‘Backward Elimination (p=.050) for DESIGN 1 with ‘ ……… generating class
ﻭﺍﻟﻐﺭﺽ ﻤﻥ ﺍﻟﺘﺤﻠﻴل ﻫﻭ ﺇﻴﺠﺎﺩ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻐﻴﺭ ﻤﺸﺒﻊ unsaturated model
ﻭﺍﻟﺫﻱ ﻴﻌﻁﻲ ﺃﻓﻀل ﻭﺼﻑ ﻟﻠﺒﻴﺎﻨﺎﺕ ،ﻭﻴﺘﻡ ﺍﻟﺤﺼﻭل ﻋﻠﻴﻪ ﻋﻥ ﻁﺭﻴﻕ ﺍﻟﺘﺤﻘﻕ ﻤﻥ ﺃﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺠﺩﻴﺩ ﻻ ﻴﻌﻁﻲ ﻭﺼﻑ ﺃﺴﻭﺃ ﻤﻥ ﺴﺎﺒﻘﻪ ﺠﻭﻫﺭﻴﹰﺎ ﻓﻲ ﺍﻟﻔﺤﺹ ﺍﻟﻬﺭﻤﻲ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
486
ﺸﻜل :11-14ﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻟﺙ ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﺒﻴﻥ ﺍﺨﺘﺒﺎﺭ ﻤﻌﻨﻭﻴﺔ ﺍﻟﻨﻤﻭﺫﺝ ﻏﻴﺭ ﺍﻟﻤﺸﺒﻊ L I N E A R
L O G
H I E R A R C H I C A L
Backward Elimination (p=.050) for DESIGN 1 with generating class DATAPROC*MATHS*PSYSTATS P = 1.000
DF=0
Likelihood ratio chi square = .00000
- - - - - - - - - - - - - - - - - - - - - - - - - - - -
If Del. Simple Effect is DF L.R.Chisq Change Prob Iter 3
.5116
1
.431
DATAPROC*MATHS*PSYSTATS Step 1
The best model has generating class DATAPROC*MATHS DATAPROC*PSYSTATS MATHS*PSYSTATS P = .512
DF = 1
Likelihood ratio chi square = .43089
ﺘﺫﻜﺭ ﺃﻨﻪ ﻓﻲ ﻁﺭﻴﻘﺔ ﺍﻟﺘﺼﻔﻴﺔ ﺍﻟﺨﻠﻔﻴﺔ ﺍﻟﻬﺭﻤﻴﺔ ﺘﺒﺩﺃ ﻫﺫﻩ ﺍﻟﻁﺭﻴﻘﺔ ﺒﺎﻟﻨﻤﻭﺫﺝ
ﺍﻷﻜﺜﺭ ﺘﻌﻘﻴﺩﹰﺍ )ﻭﺍﻟﺫﻱ ﻓﻲ ﻫﺫﺍ ﺍﻟﻤﺜﺎل ﻴﺤﺘﻭﻱ ﻋﻠﻰ ﺠﻤﻴﻊ ﺍﻟﻌﻭﺍﻤل ﺍﻟﺜﻼﺜﺔ ﺒﺎﻹﻀﺎﻓﺔ ﺇﻟﻰ
ﺠﻤﻴﻊ ﺘﻘﺎﻁﻌﺎﺘﻬﺎ ﺍﻟﻤﻤﻜﻨﺔ( ﺜﻡ ﻴﺘﻘﺩﻡ ﺇﻟﻰ ﺃﺴﻔل ﺍﻟﻬﺭﻡ ﺒﺘﺼﻔﻴﺔ ﺍﻷﺜﺭ ﺘﻠﻭ ﺍﻵﺨﺭ ﻤﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺒﺎﻟﺘﺘﺎﻟﻲ ﻭﻤﻥ ﺜﻡ ﺘﺤﺩﻴﺩ ﻤﺎ ﺇﺫﺍ ﻜﺎﻥ ﺍﻟﻨﻘﺹ ﻓﻲ ﺍﻟﺩﻗﺔ ﺃﻗل ﻤﻥ ﺍﻟﺤﺩ ﺍﻷﺩﻨﻰ
ﺍﻟﻤﻌﻨﻭﻱ ﻟﻠﺘﻐﻴﺭ ﻓﻲ ﻗﻴﻤﺔ ﻜﺎﻱ ﺴﻜﻭﻴﺭ Least-significant change in the chi-
، square valueﻭﻓﻲ ﻜل ﺨﻁﻭﺓ ﺴﻴﺘﻡ ﺘﺼﻔﻴﺔ ﻤﺜل ﺘﻠﻙ ﺍﻵﺜﺎﺭ ﺒﺎﺴﺘﺒﻌﺎﺩﻫﺎ ﻤﻥ ﺍﻟﻨﻤﻭﺫﺝ ،ﻭﺍﻵﺜﺎﺭ ﺍﻟﻤﺘﺒﻘﻴﺔ ﺘﻅل ﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ :
”……… “The best model has generating class
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
487
ﻭﺘﺴﺘﻤﺭ ﻫﺫﻩ ﺍﻟﻁﺭﻴﻘﺔ ﻟﺤﻴﻥ ﺘﺼﻔﻴﺔ ﻟﻠﻨﻤﻭﺫﺝ ﺒﺤﻴﺙ ﻟﻥ ﻴﻜﻭﻥ ﻓﻲ ﺍﻟﻨﻬﺎﻴﺔ ﺃﻱ ﻨﻤﻭﺫﺝ ﻴﻌﻁﻲ ﺍﻨﺨﻔﺎﺽ ﻓﻲ ﺍﻟﺩﻗﺔ ﻋﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻷﺨﻴﺭ ﺒﺎﺤﺘﻤﺎل ﺃﻜﺒﺭ ﻤﻥ ،0.05 ﻭﺤﻴﻨﺌ ٍﺫ ﻴﺘﻡ ﺘﺒﻨﻲ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻷﺨﻴﺭ ﺍﻟﺫﻱ ﻴﺤﺘﻭﻱ ﻋﻠﻰ ﺍﻵﺜﺎﺭ ﺍﻟﻤﺘﺒﻘﻴﺔ ﻜﻨﻤﻭﺫﺝ ﻨﻬﺎﺌﻲ
، The final modelﻓﻔﻲ ﻫﺫﺍ ﺍﻟﻤﺜﺎل ﻗﺩ ﻭﺼﻠﻨﺎ ﺇﻟﻰ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ ﺒﻌﺩ ﺃﺭﺒﻊ ﺨﻁﻭﺍﺕ . ﻓﻲ
ﺍﻟﺨﻁﻭﺓ
ﺍﻟﺜﺎﻨﻴﺔ )ﺍﻨﻅﺭ
ﺸﻜل
(12-14ﻴﺘﻡ ﺘﺼﻔﻴﺔ ﺍﻟﺘﻘﺎﻁﻊ
MATHS*PSYSTATSﻭﺫﻟﻙ ﻷﻨﻪ ﻴﺼﺎﺤﺏ ﺃﻜﺒﺭ ﺍﺤﺘﻤﺎل ).(0.6564
ﺸﻜل : 12-14ﺍﻟﺠﺯﺀ ﺍﻟﺭﺍﺒﻊ ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﺒﻴﻥ ﺍﻟﺨﻁﻭﺓ ﺍﻟﺜﺎﻨﻴﺔ ﻓﻲ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ Step 2 of the Loglinear analysis
DF L.R. Chisq Change Prob Iter 2 2 2
.3104 .0000 .6564
1.029 32.098 .198
1 1 1
If Del. Simple Effect is DATAPROC*MATHS DATAPROC*PSYSTATS MATHS*PSYSTATS Step 2
The best model has generating class DATAPROC*MATHS DATAPROC*PSYSTATS P = .730
DF = 2
Likelihood ratio chi square = .62884
ﻭﻓﻲ ﺍﻟﺨﻁﻭﺓ ﺍﻟﺜﺎﻟﺜﺔ ﻴﺘﻡ ﺘﺼﻔﻴﺔ ﺍﻟﺘﻘﺎﻁﻊ ) DATAPROC*MATHSﺍﻨﻅﺭ
ﺸﻜل (13-14ﻭﺫﻟﻙ ﻷﻨﻪ ﻴﺼﺎﺤﺏ ﺃﻜﺒﺭ ﺍﺤﺘﻤﺎل )ﺃﻜﺒﺭ ﻤﻥ ﺍﻟﻘﻴﻤﺔ ﺍﻟﻤﺤﺩﺩﺓ ،(0.05 ﻭﺒﺸﻜل ﻋﺎﻡ ﻓﺈﻨﻪ ﻁﺎﻟﻤﺎ ﺃﻨﻪ ﺘﻡ ﻤﻌﺎﻟﺠﺔ ﺠﻤﻴﻊ ﺍﻟﺘﻘﺎﻁﻌﺎﺕ ﻓﺈﻨﻪ ﺴﻭﻑ ﺘﺘﺒﻘﻰ ﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ
ﺍﻟﻨﻬﺎﺌﻲ ﺍﻵﺜﺎﺭ ﺍﻟﺭﺌﻴﺴﻴﺔ ﻏﻴﺭ ﺍﻟﻤﻤﺜﻠﺔ ﻓﻲ ﺍﻟﺘﻘﺎﻁﻌﺎﺕ ﻤﻥ ﺍﻟﺩﺭﺠﺔ ﺍﻟﺜﺎﻨﻴﺔ ﻓﻘﻁ ،ﻭﻫﺫﺍ
ﻴﻨﻁﺒﻕ ﻋﻠﻰ ﺍﻟﻌﺎﻤل MATHSﻓﻲ ﻤﺜﺎﻟﻨﺎ ﺍﻟﺤﺎﻟﻲ ﻭﻫﻭ ﺍﻟﻭﺤﻴﺩ ﺍﻟﻤﺘﺒﻘﻲ ﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ
ﺍﻟﻨﻬﺎﺌﻲ ﻭﻟﻡ ﻴﺘﻡ ﺘﺼﻔﻴﺘﻪ ﻷﻨﻪ ﻏﻴﺭ ﻤﻤﺜل ﻓﻲ ﺍﻟﺘﻘﺎﻁﻌﺎﺕ ﻤﻥ ﺍﻟﺩﺭﺠﺔ ﺍﻟﺜﺎﻨﻴﺔ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
488
ﺸﻜل : 13-14ﺍﻟﺠﺯﺀ ﺍﻟﺨﺎﻤﺱ ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﺒﻴﻥ ﺍﻟﺨﻁﻭﺓ ﺍﻟﺜﺎﻟﺜﺔ ﻓﻲ ﺍﻟﺘﺤﻠﻴل L.R. Chisq Change Prob Iter 1.806 .1790 2 32.875 .0000 2
If Del. Simple Effect is DF DATAPROC*MATHS 1 DATAPROC*PSYSTATS 1
Step 3 The best model has generating class DATAPROC*PSYSTATS MATHS P = .487
DF = 3
Likelihood ratio chi square = 2.43511
ﺸﻜل : 14-14ﺍﻟﺠﺯﺀ ﺍﻟﺴﺎﺩﺱ ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﺒﻴﻥ ﺍﻟﺨﻁﻭﺓ ﺍﻟﺭﺍﺒﻌﺔ ﻓﻲ ﺍﻟﺘﺤﻠﻴل L.R. Chisq Change Prob Iter 32.875 .0000 2 6.610 .0101 2
If Del. Simple Effect is DF DATAPROC*PSYSTATS 1 MATHS 1
Step 4 The best model has generating class DATAPROC*PSYSTATS MATHS P = .487
DF = 3
Likelihood ratio chi square = 2.43511 The final model has generating class DATAPROC*PSYSTATS MATHS
ﻭﻓﻲ ﺍﻟﺨﻁﻭﺓ ﺍﻟﺭﺍﺒﻌﺔ )ﺸﻜل (14-14ﻴﺘﻀﺢ ﺃﻨﻪ ﻻ ﻴﻤﻜﻥ ﺘﺼﻔﻴﺔ ﺃﻱ ﻤﻥ
ﺍﻷﺜﺭﻴﻥ ﺍﻟﻤﺘﺒﻘﻴﻴﻥ ﻭﺫﻟﻙ ﻷﻥ ﻜل ﻤﻨﻬﻤﺎ ﻴﺼﺎﺤﺏ ﺍﺤﺘﻤﺎل ﺃﻗل ﻤﻥ ، 0.05ﻟﺫﺍ ﻓﺈﻨﻪ ﻴﺘﻡ ﺘﺒﻨﻲ ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ ﻜﻨﻤﻭﺫﺝ ﻨﻬﺎﺌﻲ .The Final Model ﻭﻴﺤﺘﻭﻱ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ ﻋﻠﻰ ﺍﻟﺘﻘﺎﻁﻊ ﺒﻴﻥ ﺍﻟﻌﻭﺍﻤل ﺍﻟﻤﻤﺜﻠﺔ ﻟﻠﻨﺠﺎﺡ ﻓﻲ ﻤﻘﺭﺭ
ﺍﻟﺤﺎﺴﻭﺏ Data processing examﻭﺍﻤﺘﺤﺎﻥ ﺍﻹﺤﺼﺎﺀ ﻓﻲ ﻋﻠﻡ ﺍﻟﻨﻔﺱ
Psychology statistics examﺒﺎﻹﻀﺎﻓﺔ ﺇﻟﻰ ﺃﺜﺭ ﺭﺌﻴﺴﻲ ﻟﻠﺨﻠﻔﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ ، Mathsﻻﺤﻅ ﺃﻨﻪ ﻻ ﻴﻭﺠﺩ ﺃﻱ ﺘﻘﺎﻁﻊ ﻤﻌﻨﻭﻱ ﻴﺸﻤل ﻤﺘﻐﻴﺭ ﺍﻟﺨﻠﻔﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ، ﻭﺒﺎﻟﺘﺎﻟﻲ ﻓﺈﻥ ﺍﻟﻨﺘﻴﺠﺔ ﺍﻷﻫﻡ ﻫﻨﺎ ﻫﻲ ﻭﺠﻭﺩ ﺘﻔﺎﻋل ﺒﻴﻥ ﻨﺘﻴﺠﺘﻲ ﺍﻤﺘﺤﺎﻨﻲ ﺍﻟﺤﺎﺴﻭﺏ ﻭﺍﻹﺤﺼﺎﺀ ﻓﻲ ﻋﻠﻡ ﺍﻟﻨﻔﺱ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
489
ﻻ ﻨﻬﺎﺌﻴﹰﺎ ﻴﻠﺨﺹ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ ﻭﻓﻲ ﺍﻟﻨﻬﺎﻴﺔ ،ﻴﻅﻬﺭ ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﺠﺩﻭ ﹰ Observed frequenciesﻭﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ Expected frequenciesﻜﻤﺎ ﺘﻡ
ﺘﻘﺩﻴﺭﻫﺎ ﺒﺎﺴﺘﺨﺩﺍﻡ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ )ﺸﻜل ،(15-14ﻻﺤﻅ ﺃﻥ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ
ﺍﻟﺘﻲ ﺘﻡ ﺘﻘﺩﻴﺭﻫﺎ ﺒﺎﺴﺘﺨﺩﺍﻡ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ ﻗﺭﻴﺒﺔ ﺠﺩﹰﺍ ﻤﻥ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ ﻭﺃﻗﺭﺏ ﺒﻜﺜﻴﺭ ﻤﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﺒﻨﻲ ﻋﻠﻰ ﺃﺴﺎﺱ ﺍﻟﻔﺭﻀﻴﺔ ﺍﻟﻌﺩﻤﻴﺔ ﺍﻟﺘﻲ ﺘﻨﺹ ﻋﻠﻰ ﺃﻥ
ﺍﻟﺜﻼﺙ ﻤﺘﻐﻴﺭﺍﺕ ﻤﺴﺘﻘﻠﺔ )ﻨﻤﻭﺫﺝ ﺍﻻﺴﺘﻘﻼل ﺍﻟﻜﺎﻤل ﻟﻠﻤﺘﻐﻴﺭﺍﺕ( ﻭﺍﻟﺘﻲ ﺤﺴﺒﺕ ﻓﻲ
ﺸﻜل 3-14ﻭﻋﺭﻀﺕ ﻤﺭﺓ ﺃﺨﺭﻯ ﻓﻲ ﺸﻜل 6-14ﺃﻋﻼﻩ ﻭﺴﻭﻑ ﺘﻌﺎﺩ ﻓﻲ ﺍﻟﻘﺴﻡ ﺍﻟﺘﺎﻟﻲ ﻤﻥ ﻫﺫﺍ ﺍﻟﻔﺼل ﻓﻲ ﺸﻜل 17-14ﺃﺩﻨﺎﻩ ﻟﻐﺭﺽ ﺇﺠﺭﺍﺀ ﺍﻟﻤﻘﺎﺭﻨﺔ. ﻭﻴﺒﻴﻥ ﺍﺨﺘﺒﺎﺭ ﺠﻭﺩﺓ ﺍﻟﻤﻁﺎﺒﻘﺔ chi-square goodness of fit testﺃﻥ ﻫﺫﻩ
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻻ ﺘﺨﺘﻠﻑ ﻤﻌﻨﻭﻴﹰﺎ ﻋﻥ ﺍﻟﻘﻴﻡ ﺍﻟﻤﺸﺎﻫﺩﺓ )ﻓﻘﻴﻤﺔ ﻜﺎﻱ ﺴﻜﻭﻴﺭ ﻟﻴﺴﺕ
ﻤﻌﻨﻭﻴﺔ ﻓﻬﻲ ﺃﻜﺒﺭ ﺒﻜﺜﻴﺭ ﻤﻥ ،(0.05ﻭﺒﺎﻟﺘﺎﻟﻲ ﻓﺈﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ ﺍﻟﻤﺒﻨﻲ ﻋﻠﻰ
ﺃﺴﺎﺱ ﺍﻟﺘﻔﺎﻋل ﺒﻴﻥ ﻨﺘﻴﺠﺔ ﺍﻤﺘﺤﺎﻥ ﺍﻟﺤﺎﺴﻭﺏ ﻭﻨﺘﻴﺠﺔ ﺍﻤﺘﺤﺎﻥ ﺍﻹﺤﺼﺎﺀ ﻓﻲ ﻋﻠﻡ ﺍﻟﻨﻔﺱ
ﺒﺎﻹﻀﺎﻓﺔ ﺇﻟﻰ ﺍﻷﺜﺭ ﺍﻟﺭﺌﻴﺴﻲ ﻟﻌﺎﻤل ﺍﻟﺨﻠﻔﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ ﻴﻘﺩﻡ ﺘﻭﻓﻴﻕ ﺠﻴﺩ ﻟﻠﺒﻴﺎﻨﺎﺕ،
ﻓﻤﻥ ﺒﻴﻥ 132ﻁﺎﻟﺒﹰﺎ ﻨﺠﺤﻭﺍ ﻓﻲ ﻤﻘﺭﺭ ﺍﻟﺤﺎﺴﻭﺏ ﻨﺠﺢ 105ﻁﻼﺏ ﻭﺭﺴﺏ ﻓﻘﻁ 27
ﻓﻲ ﻤﻘﺭﺭ ﺍﻹﺤﺼﺎﺀ ﻓﻲ ﻋﻠﻡ ﺍﻟﻨﻔﺱ ،ﻭﻜﺫﻟﻙ ﻤﻥ ﺒﻴﻥ 44ﻁﺎﻟﺏ ﺭﺴﺒﻭﺍ ﻓﻲ ﻤﻘﺭﺭ
ﺍﻟﺤﺎﺴﻭﺏ ﻫﻨﺎﻙ 14ﻁﺎﻟﺒﹰﺎ ﻤﻨﻬﻡ ﻓﻘﻁ ﻨﺠﺤﻭﺍ ﻓﻲ ﻤﻘﺭﺭ ﺍﻹﺤﺼﺎﺀ ﻓﻲ ﻋﻠﻡ ﺍﻟﻨﻔﺱ ﻭ 30
ﺭﺴﺒﻭﺍ ﻓﻲ ﻫﺫﺍ ﺍﻟﻤﻘﺭﺭ.
ﻭﺒﺎﻟﺘﺎﻟﻲ ﻴﻤﻜﻨﻨﺎ ﺃﻥ ﻨﺴﺘﻨﺘﺞ ﺃﻥ ﻨﺘﻴﺠﺔ ﺍﻤﺘﺤﺎﻥ ﻤﻘﺭﺭ ﺍﻟﺤﺎﺴﻭﺏ ﻟﻪ ﺘﺄﺜﻴﺭ ﻋﻠﻰ
ﻨﺘﻴﺠﺔ ﺍﻤﺘﺤﺎﻥ ﻤﻘﺭﺭ ﺍﻹﺤﺼﺎﺀ ﻓﻲ ﻋﻠﻡ ﺍﻟﻨﻔﺱ ﺒﻴﻨﻤﺎ ﺍﻟﺨﻠﻔﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ ﻻ ﺘﺒﺩﻭ
ﻟﻬﺎ ﺃﻱ ﺃﻫﻤﻴﺔ ،ﻭﺫﻟﻙ ﻷﻨﻬﺎ ﻟﻴﺱ ﻟﻬﺎ ﺘﺄﺜﻴﺭ ﻋﻠﻰ ﻨﺘﻴﺠﺔ ﺍﻤﺘﺤﺎﻥ ﺍﻹﺤﺼﺎﺀ ﻓﻲ ﻋﻠﻡ
ﺍﻟﻨﻔﺱ ﺃﻭ ﺍﻤﺘﺤﺎﻥ ﻤﻘﺭﺭ ﺍﻟﺤﺎﺴﻭﺏ )ﺃﻱ ﺒﻁﺭﻴﻘﺔ ﻤﺒﺎﺸﺭﺓ ﺃﻭ ﻏﻴﺭ ﻤﺒﺎﺸﺭﺓ ﻤﻊ ﻨﺘﻴﺠﺔ
ﺍﻤﺘﺤﺎﻥ ﻤﻘﺭﺭ ﺍﻹﺤﺼﺎﺀ ﻓﻲ ﻋﻠﻡ ﺍﻟﻨﻔﺱ(.
( ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ14)
490
ﺍﻟﺠﺯﺀ ﺍﻟﺴﺎﺒﻊ ﻭﺍﻷﺨﻴﺭ ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﺒﻴﻥ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ: 15-14 ﺸﻜل . Expected Frequencies ﻭﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔObserved Frequencies Observed, Expected Frequencies and Residuals. Factor DATAPROC MATHS PSYSTATS PSYSTATS MATHS PSYSTATS PSYSTATS
Code Fail No Fail Pass Yes Fail Pass
OBS count
EXP count
20.0 10.0
17.9 8.4
10.0 4.0
12.1 5.6
DATAPROC Pass MATHS No PSYSTATS Fail 17.0 16.1 PSYSTATS Pass 58.0 62.6 MATHS Yes PSYSTATS Fail 10.0 10.9 PSYSTATS Pass 47.0 42.4 - - - - - - - - - - - - - - - - - - - - - - - - - - - Goodness-of-fit test statistics : Likelihood ratio chi square = 2.43511 DF = 3 P = .487 Pearson chi square = 2.39308 DF = 3 P = .495
اﻟﻤﻘﺎرﻧﺔ ﺑﻴﻦ اﻟﻨﻤﻮذج اﻟﻠﻮﻏﺎرﻳﺘﻤﻲ اﻟﺨﻄﻲ وﻧﻤﻮذج.3 .14 : اﻻﺳﺘﻘﻼل اﻟﻜﺎﻣﻞ Comparison between Loglinear models and total Independence Models : ﻗﺩ ﻴﺤﺘﺎﺝ ﺍﻟﻤﺴﺘﺨﺩﻡ ﺃﺤﻴﺎﻨﹰﺎ ﺇﻟﻰ ﺍﺴﺘﺨﺩﺍﻡ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻟﻠﺘﺄﻜﺩ
ﻤﻥ ﺼﺤﺔ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﺍﻟﻤﺤﺴﻭﺒﺔ ﻋﻠﻰ ﺃﺴﺎﺱ ﺍﻓﺘﺭﺍﺽ ﺍﻻﺴﺘﻘﻼل ﺍﻟﻜﺎﻤل
. ﺃﻋﻼﻩ3-14 ﻟﻠﻤﺘﻐﻴﺭﺍﺕ ﻭﺍﻟﻤﻌﺭﻭﻀﺔ ﻓﻲ ﺸﻜل
ﻜﻤﺎ ﺴﺒﻕFactor(s) • ﺒﻌﺩ ﺇﺩﺨﺎل ﺃﺴﻤﺎﺀ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻭﻗﻴﻤﻬﺎ ﻓﻲ ﻤﺭﺒﻊ ﺍﻟﻌﻭﺍﻤل
ﻟﻔﺘﺢ ﻨﺎﻓﺫﺓ ﺍﺨﺘﻴﺎﺭ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲModel ﺍﻀﻐﻁ ﻋﻠﻰ ﻤﺭﺒﻊ ﺍﻟﻨﻤﻭﺫﺝ . Loglinear Analysis: Model ﺍﻟﺨﻁﻲ
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
491
• ﻓﻲ ﻤﺭﺒﻊ ﺘﺤﺩﻴﺩ ﺍﻟﻨﻤﻭﺫﺝ Specify Modelﺍﺨﺘﺭ ﻤﺭﺒﻊ ﺘﻌﺭﻴﻑ ﺍﻟﻤﺴﺘﺨﺩﻡ ، Customﻭﺍﺩﺨل ﺃﺴﻤﺎﺀ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﺜﻼﺜﺔ ﻓﻲ ﻤﺭﺒﻊ ﺨﻠﻕ ﻁﺒﻘﺔ ، Generating Classﻭﺒﺩﺍﺨل ﻤﺭﺒﻊ ﺒﻨﺎﺀ ﺍﻟﻌﻨﺎﺼﺭ ) Build Term(sﺤﺩﺩ ﺨﻴﺎﺭﺍﺕ ﺍﻟﺘﻔﺎﻋل ، Interactionﻭﺍﺨﺘﺭ ﻤﻥ ﺒﻴﻥ ﺨﻴﺎﺭﺍﺘﻬﺎ ﺠﻤﻴﻊ ﺍﻟﺘﻔﺎﻋﻼﺕ
ﺒﺜﻼﺙ ﺃﺒﻌﺎﺩ ، All 3-wayﻭﺴﻭﻑ ﺘﻅﻬﺭ ﺍﻟﻨﺎﻓﺫﺓ ﺒﻌﺩ ﻤلﺀ ﺨﻴﺎﺭﺍﺘﻬﺎ ﻜﻤﺎ ﻓﻲ ﺍﻟﺸﻜل 16-14ﺃﺩﻨﺎﻩ ،ﺍﺨﺘﺭ ﺃﻤﺭ ﺍﻻﺴﺘﻤﺭﺍﺭ Continueﻟﻠﻌﻭﺩﺓ ﺇﻟﻰ ﻨﺎﻓﺫﺓ ﺍﺨﺘﻴﺎﺭ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ . Loglinear Analysis: Model
• ﻓﻲ ﻤﺭﺒﻊ ﺒﻨﺎﺀ ﺍﻟﻨﻤﻭﺫﺝ Model Buildingﻓﻲ ﺃﺴﻔل ﺍﻟﻨﺎﻓﺫﺓ ﺍﻟﺴﺎﺒﻘﺔ ﺍﺨﺘﺭ ﺨﻴﺎﺭ ﺍﻹﺩﺨﺎل ﻓﻲ ﺨﻁﻭﺓ ﻭﺍﺤﺩﺓ Enter in single stepﺜﻡ ﺍﻀﻐﻁ ﻋﻠﻰ ﻤﻔﺘﺎﺡ
ﺍﻟﺘﻨﻔﻴﺫ OKﻟﺘﻨﻔﻴﺫ ﺍﻷﻤﺭ.
ﻭﺴﻭﻑ ﺘﻅﻬﺭ ﻓﻲ ﻗﺎﺌﻤﺔ ﻨﺘﺎﺌﺞ ﻫﺫﺍ ﺍﻷﻤﺭ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻟﻠﺘﻔﺎﻋل ﺒﻴﻥ
ﺍﻟﻌﻭﺍﻤل ﺍﻟﺜﻼﺜﺔ ﻓﻲ ﺠﺩﻭل ﻴﺸﺒﻪ ﺍﻟﺠﺩﻭل ﻓﻲ ﺸﻜل 15-14ﺃﻋﻼﻩ.
ﺸﻜل : 16-14ﻨﺎﻓﺫﺓ ﺍﺨﺘﻴﺎﺭ ﻨﻤﻭﺫﺝ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ Model Selection
ﻭﻓﻲ ﻫﺫﻩ ﺍﻟﻨﺘﺎﺌﺞ ﺴﻭﻑ ﺘﻅﻬﺭ ﻗﻴﻤﺔ ﺩﺍﻟﺔ ﺍﺨﺘﺒﺎﺭ ﺠﻭﺩﺓ ﺍﻟﻤﻁﺎﺒﻘﺔ Goodness of
fit testﺒﻘﻴﻤﺔ ﻤﺴﺎﻭﻴﺔ 37.08ﻭﺒﻘﻴﻤﺔ p-valueﺃﻗل ﻤﻥ 0.01ﺍﻷﻤﺭ ﺍﻟﺫﻱ ﻴﻌﻨﻲ ﺃﻨﻪ ﺍﻟﺘﻁﺎﺒﻕ ﺒﻴﻥ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ ﻭﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻀﻌﻴﻑ ﺠﺩﹰﺍ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
492
ﻭﻴﺤﺘﻭﻱ ﺸﻜل 17-14ﺃﺩﻨﺎﻩ ﻋﻠﻰ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻓﻲ ﻅل ﺃﻓﻀل ﻨﻤﻭﺫﺝ ﻟﻭﻏﺎﺭﻴﺘﻤﻲ ﺨﻁﻲ )ﺍﻟﻨﻬﺎﺌﻲ( ﻭﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻓﻲ ﻅل ﻨﻤﻭﺫﺝ ﺍﻻﺴﺘﻘﻼل ﺍﻟﻜﺎﻤل،
ﻭﺒﺎﻟﻤﻘﺎﺭﻨﺔ ﺒﻴﻨﻬﺎ ﻴﺘﻀﺢ ﺃﻥ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻓﻲ ﻅل ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺨﻁﻲ
ﺍﻟﻨﻬﺎﺌﻲ ﺃﻗﺭﺏ ﺇﻟﻰ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ.
ﺸﻜل : 17-14ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻓﻲ ﻅل ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﺍﻟﻨﻬﺎﺌﻲ ) Exp(Loglinearﻭﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻓﻲ ﻅل ﻨﻤﻭﺫﺝ ﺍﻻﺴﺘﻘﻼل ﺍﻟﻜﺎﻤل )Exp(Independence ﺨﻠﻔﻴﺔ ﻓﻲ ﺍﻟﺭﻴﺎﻀﻴﺎﺕ
ﻨﻌﻡ
ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﺍﻟﺤﺎﺴﻭﺏ
ﻻ ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺍﻟﻨﺠﺎﺡ ﻓﻲ ﺍﻹﺤﺼﺎﺀ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﻨﺎﺠﺢ
ﺭﺍﺴﺏ
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ
47
10
4
10
58
17
10
20
)Exp(Loglinear
42.4
10.9
5.6
12.1
62.6
16.1
8.4
17.9
)Exp(Independence
12.00 17.25 36.00
5.75
17.75 25.50 53.25
8.50
.4 .14ﻧﻤﺎذج اﻻﻧﺤﺪار اﻟﻠﻮﺟﺴﺘﻲ Logistic Regression : ﻓﻲ ﻫﺫﺍ ﺍﻟﻘﺴﻡ ﺴﻭﻑ ﻨﻌﺎﻟﺞ ﻁﺭﻕ ﺘﻭﻓﻴﻕ ﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﻋﻨﺩﻤﺎ ﻴﻜﻭﻥ ﺍﻟﻤﺘﻐﻴﺭ
ﺍﻟﺘﺎﺒﻊ ﻤﺘﻐﻴﺭﹰﺍ ﺍﺴﻤﻴﹰﺎ ،ﻭﺒﺎﻟﺘﺤﺩﻴﺩ ﺴﻨﺭﻜﺯ ﺍﻵﻥ ﻋﻠﻰ ﺍﻟﺤﺎﻟﺔ ﻋﻨﺩﻤﺎ ﻴﺄﺨﺫ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ
ﻗﻴﻤﺘﻴﻥ ﻓﻘﻁ ﻤﺜل ﻨﻌﻡ ﺃﻭ ﻻ ﻭﻤﻭﺍﻓﻕ ﺃﻭ ﻏﻴﺭ ﻤﻭﺍﻓﻕ ﻭﻤﺎ ﺇﻟﻰ ﺫﻟﻙ ،ﻓﻬﺫﺍ ﺍﻟﻨﻭﻉ ﻤﻥ
ﺍﻟﻤﺘﻐﻴﺭﺍﺕ "ﺫﻭ ﺍﻟﺤﺩﻴﻥ" ﻫﻭ ﺃﻜﺜﺭ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻻﺴﻤﻴﺔ ﺸﻴﻭﻋﺎﹰ ،ﻜﻤﺎ ﺴﻨﺘﻨﺎﻭل ﻓﻘﻁ ﺍﻟﺤﺎﻟﺔ
ﺍﻟﺒﺴﻴﻁﺔ ﻋﻨﺩﻤﺎ ﻴﻜﻭﻥ ﻫﻨﺎﻙ ﻤﺘﻐﻴﺭ ﻤﺴﺘﻘل ﻭﺍﺤﺩ ﺇﻻ ﺃﻨﻪ ﻴﻤﻜﻥ ﺒﺒﺴﺎﻁﺔ ﺘﻌﻤﻴﻡ ﺍﻟﻁﺭﻕ ﺍﻟﻤﺴﺘﺨﺩﻤﺔ ﻓﻲ ﻫﺫﺍ ﺍﻟﻘﺴﻡ ﻋﻠﻰ ﺘﺤﻠﻴل ﺍﻟﺒﻴﺎﻨﺎﺕ ﺍﻟﻭﺼﻔﻴﺔ ﻓﻲ ﺠﻤﻴﻊ ﺍﻟﺤﺎﻻﺕ ﻋﻨﺩﻤﺎ
ﻴﻜﻭﻥ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﻤﺘﻌﺩﺩ ﺍﻟﺤﺩﻭﺩ )ﺃﻱ ﻴﺄﺨﺫ ﺃﻜﺜﺭ ﻤﻥ ﻗﻴﻤﺘﻴﻥ( ﻭﻋﻨﺩﻤﺎ ﻴﻜﻭﻥ ﻫﻨﺎﻙ ﺃﻜﺜﺭ ﻤﻥ ﻤﺘﻐﻴﺭ ﻤﺴﺘﻘل ﻭﺍﺤﺩ ،ﻭﻴﺠﺩﺭ ﺒﺎﻟﺫﻜﺭ ﺃﻨﻪ ﻴﻤﻜﻥ ﺃﻥ ﺘﻜﻭﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ
ﻓﻲ ﻫﺫﺍ ﺍﻟﺘﺤﻠﻴل ﻤﺘﻐﻴﺭﺍﺕ ﺍﺴﻤﻴﺔ ﺃﻭ ﻜﻤﻴﺔ ،ﻭﻟﻜﻥ ﻻ ﻴﻨﺼﺢ ﺒﺘﻁﺒﻴﻕ ﺍﻟﻁﺭﻕ ﺍﻟﻤﺫﻜﻭﺭﺓ
ﻓﻲ ﻫﺫﺍ ﺍﻟﻘﺴﻡ ﻋﻨﺩﻤﺎ ﻴﻜﻭﻥ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﻤﺘﻐﻴﺭ ﺘﺭﺘﻴﺒﻲ ﺃﻭ ﻜﺎﻥ ﺃﺴﺎﺴﹰﺎ ﻤﺘﻐﻴﺭ ﻜﻤﻲ
ﻭﺘﻡ ﺘﺤﻭﻴﻠﻪ ﺇﻟﻰ ﻤﺘﻐﻴﺭ ﺘﺼﻨﻴﻑ ﻤﺜل ﺩﺭﺠﺔ ﺍﻟﻁﺎﻟﺏ ﻋﻨﺩﻤﺎ ﻴﺘﻡ ﺘﺼﻨﻴﻔﻬﺎ ﺇﻟﻰ "ﺃﻗل ﻤﻥ
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
493
"60ﻭ " 60ﻓﺄﻜﺜﺭ" ،ﺇﺫ ﺃﻥ ﻁﺭﻕ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻤﻌﺭﻭﻓﺔ ﺘﻜﻭﻥ ﺃﻜﺜﺭ ﺩﻗﺔ ﻓﻲ ﺍﻟﺘﻌﺒﻴﺭ ﻋﻥ ﺍﻟﺒﻴﺎﻨﺎﺕ ﻓﻲ ﻤﺜل ﻫﺫﻩ ﺍﻟﺤﺎﻟﺔ ،ﻭﻴﻌﺘﺒﺭ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﻌﺭﻭﻑ ﺒﺎﺴﻡ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ Logistic Regression Modelsﻭﺍﻟﺫﻱ ﻴﻤﻜﻥ ﺘﺴﻤﻴﺘﻪ ﺒﺎﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﻨﻁﻘﻲ
ﻫﻭ ﺃﻜﺜﺭ ﺍﻟﻨﻤﺎﺫﺝ ﺸﻴﻭﻋﹰﺎ ﻓﻲ ﺘﺤﻠﻴل ﺍﻟﺒﻴﺎﻨﺎﺕ ﺍﻟﻭﺼﻔﻴﺔ ﻤﺜل ﻫﺫﻩ ﺍﻟﺤﺎﻻﺕ.
ﻋﻨﺩﻤﺎ ﻴﻜﻭﻥ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ Yﻫﻭ ﻤﺘﻐﻴﺭ ﺍﺴﻤﻲ ﺫﻭ ﺤﺩﻴﻥ ﻭﻟﺩﻴﻨﺎ ﻤﺘﻐﻴﺭ ﻤﺴﺘﻘل
ﻭﺍﺤﺩ )ﻟﻠﺘﺒﺴﻴﻁ ﻫﻨﺎ( ﻜﻤﻲ Xﻋﻠﻰ ﺴﺒﻴل ﺍﻟﻤﺜﺎل ﻓﺈﻨﻪ ﻴﻤﻜﻥ ﺃﻥ ﻨﻁﻠﻕ ﻋﻠﻰ ﺃﺤﺩ
ﺍﻟﻘﻴﻤﺘﻴﻥ ﺍﻟﻠﺘﻴﻥ ﻴﺄﺨﺫﻫﻤﺎ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﺍﻟﺘﻌﺒﻴﺭ "ﻨﺠﺎﺡ" Successﻭﺘﻌﻁﻰ ﺍﻟﻘﻴﻤﺔ 1
ﻭﺍﻟﻘﻴﻤﺔ ﺍﻷﺨﺭﻯ ﺍﻟﺘﻌﺒﻴﺭ "ﻓﺸل" Failureﻭﺘﻌﻁﻰ ﺍﻟﻘﻴﻤﺔ ،0ﻭﻴﻤﻜﻨﻨﺎ ﺃﻥ ﻨﺭﻤﺯ ﺇﻟﻰ ﻼ ﺒﺎﻟﺭﻤﺯ ) ، π (xﻭﺒﻬﺫﺍ ﻓﺈﻨﻪ ﻴﻁﻠﻕ ﺍﺤﺘﻤﺎل ﺍﻟﻨﺠﺎﺡ ﻋﻨﺩﻤﺎ ﻴﺄﺨﺫ ﺍﻟﻤﺘﻐﻴﺭ Xﺍﻟﻘﻴﻤﺔ xﻤﺜ ﹰ
⎞ ) ⎛ π (x ﻋﻠﻰ ﺍﻟﻤﻘﺩﺍﺭ ⎟⎟ ⎜⎜ logﺘﻌﺒﻴﺭ "ﻟﻭﺠﺕ logitﺍﻻﺤﺘﻤﺎل" ﻭﻴﻤﻜﻥ ﺒﺎﻟﺘﺎﻟﻲ ﺍﻟﺘﻌﺒﻴﺭ ⎠ ) ⎝ 1 - π (x
ﻋﻥ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺒﺎﻟﻌﻼﻗﺔ ﺍﻟﺨﻁﻴﺔ ﻤﻊ ﻟﻭﺠﺕ ﺍﻻﺤﺘﻤﺎل ﻜﻤﺎ ﻴﻠﻲ: ⎞ ) ⎛ π (x ⎟⎟ = α + βx ⎜⎜ logit [π (x)] = log ⎠ ) ⎝ 1 - π (x
ﻭﻫﻨﺎﻙ ﺼﻴﻐﺔ ﺃﺨﺭﻯ ﻟﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻭﻟﻬﺎ ﻋﻼﻗﺔ ﻤﺒﺎﺸﺭﺓ ﻤﻊ ﺍﺤﺘﻤﺎل ﺍﻟﻨﺠﺎﺡ ،ﻭﻫﺫﻩ ﺍﻟﺼﻴﻐﺔ ﺘﺴﺘﺨﺩﻡ ﺍﻟﺩﺍﻟﺔ ﺍﻷﺴﻴﺔ ﻜﻤﺎ ﻴﻠﻲ : ) exp(α + βx = ) π (x ) 1 + exp(α + βx
ﻭﺘﻌﺘﺒﺭ ﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺤﺎﻟﺔ ﺨﺎﺼﺔ ﻤﻥ ﺤﺎﻻﺕ ﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ
ﺍﻟﻌﺎﻤﺔ ،Generalized Linear Modelsﻭﻴﻁﻠﻕ ﻋﻠﻰ ﻫﺫﻩ ﺍﻟﻨﻤﺎﺫﺝ ﺃﺤﻴﺎﻨﹰﺎ ﻨﻤﺎﺫﺝ ﺍﻟﻠﻭﺠﺕ ،ﻭﺘﺴﺘﺨﺩﻡ ﻋﻨﺩﻤﺎ ﻨﺭﻏﺏ ﻓﻲ ﺍﻟﺘﻨﺒﺅ ﺒﻭﺠﻭﺩ ﺼﻔﺔ ﻤﻌﻴﻨﺔ ﺃﻭ ﻅﺎﻫﺭﺓ ﺃﻭ ﺨﺎﺼﻴﺔ
ﻤﻌﻴﻨﺔ ﺒﺎﻻﻋﺘﻤﺎﺩ ﻋﻠﻰ ﻗﻴﻡ ﻤﺘﻐﻴﺭ ﺃﻭ ﻤﺠﻤﻭﻋﺔ ﻤﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺍﻷﺨﺭﻯ ﺍﻟﺘﻲ
ﻟﻬﺎ ﻋﻼﻗﺔ ﺒﺎﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﺘﻤﺎﻤﹰﺎ ﻜﻤﺎ ﻫﻭ ﺍﻟﺤﺎل ﻓﻲ ﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻌﺎﻤﺔ ،ﻭﺘﺴﺘﺨﺩﻡ
ﻤﻌﺎﻤﻼﺕ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻓﻲ ﺘﻘﺩﻴﺭ ﻗﻴﻤﺔ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ Odds Ratioﻟﻜل ﻤﻥ
ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ ،ﻭﻫﺫﻩ ﺤﺎﻻﺕ ﺸﺎﺌﻌﺔ ﻭﺘﺴﺘﺨﺩﻡ ﻓﻲ ﻋﻠﻭﻡ ﻜﺜﻴﺭﺓ .
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
494
ﻼ ﻨﻌﻠﻡ ﺃﻥ ﻫﻨﺎﻙ ﻋﻭﺍﻤل ﻤﺨﺎﻁﺭﺓ ﻜﺜﻴﺭﺓ ﻓﻲ ﺍﻟﺤﻴﺎﺓ ﺘﺴﺒﺏ ﺍﻹﺼﺎﺒﺔ ﺒﺄﺤﺩ ﻓﻤﺜ ﹰ ﺃﻤﺭﺍﺽ ﺍﻟﻘﻠﺏ ،ﻭﻋﻨﺩﻤﺎ ﻴﻜﻭﻥ ﻟﺩﻴﻨﺎ ﻋﻴﻨﺔ ﻤﻥ ﺍﻟﻤﺭﻀﻰ ﺒﻬﺫﺍ ﺍﻟﻤﺭﺽ ﻭﺠﻤﻌﺕ ﻤﻨﻬﻡ ﺒﻴﺎﻨﺎﺕ ﻋﻥ ﺤﺎﻟﺔ ﺍﻟﺘﺩﺨﻴﻥ ﻭﺍﻟﻐﺫﺍﺀ ﻭ ﺘﻌﺎﻁﻲ ﺃﻨﻭﺍﻉ ﻤﺤﺩﺩﺓ ﻤﻥ ﺍﻷﺩﻭﻴﺔ ﻭﺍﻟﻤﺨﺩﺭﺍﺕ ﻼ ﻴﻤﻜﻨﻨﺎ ﺒﻨﺎﺀ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺒﺎﺴﺘﺨﺩﺍﻡ ﻫﺫﻩ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺍﻟﺴﺎﺒﻘﺔ ﻤﻥ ﻤﺜ ﹰ
ﺃﺠل ﺍﻟﺘﻨﺒﺅ ﺒﺎﺤﺘﻤﺎل ﺍﻹﺼﺎﺒﺔ ﺒﻬﺫﺍ ﺍﻟﻤﺭﺽ ﻓﻲ ﻋﻴﻨﺔ ﺒﻤﺜل ﺤﺠﻡ ﺍﻟﻌﻴﻨﺔ ﺍﻟﻤﺴﺘﺨﺩﻤﺔ
ﻭﻤﻨﻬﺎ ﺒﻨﺴﺒﺔ ﺍﻹﺼﺎﺒﺔ ﺒﺎﻟﻤﺭﺽ ﻓﻲ ﻤﺠﺘﻤﻊ ﺒﺼﻔﺎﺕ ﻤﻌﻴﻨﺔ ،ﻭﻫﺫﺍ ﻴﻔﻴﺩ ﺃﻴﻀﹰﺎ ﺒﺎﻟﺘﻨﺒﺅ ﺒﻤﺎ
ﺇﺫﺍ ﻜﺎﻥ ﻫﻨﺎﻙ ﺸﺨﺹ ﻤﺎ ﻤﺼﺎﺒﹰﺎ ﺒﻬﺫﺍ ﺍﻟﻤﺭﺽ ﻓﻲ ﻋﻴﻨﺔ ﻤﻥ ﺍﻟﻤﺭﻀﻰ ،ﻭﻴﻤﻜﻥ ﺤﻴﻨﺌ ٍﺫ ﺍﺴﺘﺨﺩﺍﻡ ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ ﻟﺘﻘﺩﻴﺭ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ Odds Ratioﻟﻜل ﻤﻥ ﻫﺫﻩ ﺍﻟﻌﻭﺍﻤل
ﻟﻠﺤﺼﻭل ﻋﻠﻰ ﻤﻌﻠﻭﻤﺎﺕ ﺤﻭل ﻓﺭﺼﺔ ﺍﻹﺼﺎﺒﺔ ﺒﻬﺫﺍ ﺍﻟﻤﺭﺽ ﻟﺸﺨﺹ ﻤﺩﺨﻥ )ﻋﻠﻰ
ﺴﺒﻴل ﺍﻟﻤﺜﺎل( ﻤﻘﺎﺭﻨﺔ ﺒﺸﺨﺹ ﻏﻴﺭ ﻤﺩﺨﻥ.
ﻭﺘﻘﺩﻴﺭ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻴﺘﻁﻠﺏ ﻭﺠﻭﺩ ﻤﺘﻐﻴﺭ ﺘﺎﺒﻊ ﺍﺴﻤﻲ ﺃﻭ ﺘﺭﺘﻴﺒﻲ
)ﺫﻭ ﺤﺩﻴﻥ ﻓﻲ ﻫﺫﺍ ﺍﻟﻘﺴﻡ( ،ﻭﻟﻜﻨﻪ ﺇﺫﺍ ﻜﺎﻥ ﺍﺴﻤﻴﹰﺎ ﻻ ﺒﺩ ﻭﺃﻥ ﺃﻥ ﻴﻜﻭﻥ ﻤﺼﻨﻔﹰﺎ ﺒﻘﻴﻡ ﺭﻗﻤﻴﺔ )ﻭﻫﻨﺎﻙ ﺨﻴﺎﺭ ﻓﻲ ﺃﻤﺭ ﺒﻨﺎﺀ ﺍﻟﻨﻤﻭﺫﺝ ﻴﻤﻜﻥ ﻤﻥ ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﺘﻠﻘﺎﺌﻲ Automatic
Recodeﻟﻠﻤﺘﻐﻴﺭﺍﺕ ﺍﻻﺴﻤﻴﺔ ،ﻭﻴﺠﺩﺭ ﺒﺎﻟﺫﻜﺭ ﺃﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﻻ ﻴﺸﺘﺭﻁ
ﺘﻭﺯﻴﻊ ﺍﺤﺘﻤﺎﻟﻲ ﻤﺤﺩﺩ ﻟﻠﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﻭﻟﻜﻥ ﺴﺘﻜﻭﻥ ﺍﻟﻨﺘﺎﺌﺞ ﺃﻜﺜﺭ ﻗﻭﺓ ﻓﻲ ﺤﺎﻟﺔ ﻤﺎ
ﺇﺫﺍ ﻜﺎﻨﺕ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺘﺘﺒﻊ ﺍﻟﺘﻭﺯﻴﻊ ﺍﻟﻁﺒﻴﻌﻲ ﺍﻟﻤﺘﻌﺩﺩ
Multivariate
،Normal Distributionﺒﺎﻹﻀﺎﻓﺔ ﺇﻟﻰ ﺫﻟﻙ ﻭﻜﻤﺎ ﻫﻭ ﺍﻟﺤﺎل ﻓﻲ ﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ
ﺍﻟﻌﺎﻤﺔ ﺍﻷﺨﺭﻯ ﻓﺈﻥ ﺍﻟﺘﺭﺍﺒﻁ ﺒﻴﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﻴﻤﻜﻥ ﺃﻥ ﻴﺅﺩﻱ ﺇﻟﻰ ﺘﻘﺩﻴﺭﺍﺕ ﻤﺘﺤﻴﺯﺓ ﻟﻠﻤﻌﺎﻟﻡ ﻭﺘﻀﺨﻡ ﻏﻴﺭ ﻤﺒﺭﺭ ﻓﻲ ﻗﻴﻤﺔ ﺍﻟﺨﻁﺄ ﺍﻟﻤﻌﻴﺎﺭﻱ ،ﻭﻴﻜﻭﻥ ﻫﺫﺍ ﺍﻷﺴﻠﻭﺏ
ﻼ ﻤﺘﻐﻴﺭﺍﺕ ﺘﺼﻨﻴﻑ ﺍﺴﻤﻴﺔ، ﺃﻜﺜﺭ ﻓﺎﻋﻠﻴﺔ ﻋﻨﺩﻤﺎ ﺘﻜﻭﻥ ﺠﻤﻴﻊ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﻓﻌ ﹰ
ﻓﻌﻨﺩﻤﺎ ﺘﻜﻭﻥ ﺍﻟﻔﺌﺎﺕ ﻫﻲ ﻋﺒﺎﺭﺓ ﻋﻥ ﺘﻘﺴﻴﻡ ﺃﻭ ﺘﺼﻨﻴﻑ ﻟﻅﺎﻫﺭﺓ ﺃﺴﺎﺴﹰﺎ ﻜﻤﻴﺔ )ﻤﺜل ﺩﺭﺠﺔ ﻋﺎﻟﻴﺔ ﻭﺩﺭﺠﺔ ﻤﻨﺨﻔﻀﺔ( ﻴﻔﻀل ﺍﺴﺘﺨﺩﺍﻡ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﺨﻁﻲ ﻟﻼﺴﺘﻔﺎﺩﺓ ﺃﻜﺜﺭ ﻤﻥ ﺍﻟﻤﻌﻠﻭﻤﺎﺕ ﺍﻟﺘﻲ ﺘﻭﻓﺭﻫﺎ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻜﻤﻴﺔ ﺫﺍﺘﻬﺎ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
495
ﻭﻗﺒل ﺍﻟﺒﺩﺀ ﻓﻲ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻻﺒﺩ ﻤﻥ ﺘﻔﺤﺹ ﺍﻟﺒﻴﺎﻨﺎﺕ ﻟﻠﺒﺤﺙ ﻋﻥ ﺍﻟﺘﺭﺍﺒﻁ ﺒﻴﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ،ﻭﻫﺫﺍ ﻴﻤﻜﻥ ﺃﻥ ﻴﺘﻡ ﺒﺒﺴﺎﻁﺔ ﺒﺎﺴﺘﺨﺩﺍﻡ
ﺭﺴﻡ ﺃﺸﻜﺎل ﺍﻻﻨﺘﺸﺎﺭ Scatter plotsﻷﺯﻭﺍﺝ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺨﺘﻠﻔﺔ ،ﻓﺈﺫﺍ ﺘﺒﻴﻥ ﺃﻥ ﻫﺫﻩ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺘﺘﺒﻊ ﺍﻟﺘﻭﺯﻴﻊ ﺍﻟﻁﺒﻴﻌﻲ ﺍﻟﻤﺘﻌﺩﺩ Multivariate Normal Distribution
ﻭﻜﺎﻨﺕ ﻤﺼﻔﻭﻓﺔ ﺍﻟﺘﺒﺎﻴﻥ ﻭﺍﻟﺘﻐﺎﻴﺭ ﻤﺘﺠﺎﻨﺴﺔ ﻓﺈﻨﻪ ﻓﻲ ﻫﺫﻩ ﺍﻟﺤﺎﻟﺔ ﻴﻤﻜﻨﻙ ﺍﻟﺤﺼﻭل ﻋﻠﻰ
ﺘﺤﻠﻴل ﺃﻓﻀل ﻭﺃﺴﺭﻉ ﻋﻥ ﻁﺭﻴﻕ ﺃﺴﻠﻭﺏ ﺘﻤﻴﻴﺯ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ
Discriminant
) Analysisﺃﻨﻅﺭ ﺍﻟﻔﺼل ﺍﻟﺴﺎﺩﺱ ﻋﺸﺭ( ،ﻭﺇﺫﺍ ﻜﺎﻨﺕ ﺠﻤﻴﻊ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺍﺴﻤﻴﺔ ﻓﺈﻨﻪ ﻴﻤﻜﻨﻙ ﺃﻴﻀﹰﺎ ﺍﺴﺘﺨﺩﺍﻡ ﺃﺴﻠﻭﺏ ﺘﺤﻠﻴل ﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻴﺔ ﺍﻟﺨﻁﻴﺔ )ﺍﻟﻘﺴﻡ ﺍﻟﺴﺎﺒﻕ ﻤﻥ ﻫﺫﺍ ﺍﻟﻔﺼل( ،ﺃﻤﺎ ﺇﺫﺍ ﻜﺎﻥ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﻜﻤﻴﹰﺎ ﻓﺈﻨﻪ ﻻ ﺒﺩ ﻤﻥ ﺍﺴﺘﺨﺩﺍﻡ
ﺃﺴﻠﻭﺏ ﺍﻻﻨﺤﺩﺍﺭ ﻓﻲ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﺨﻁﻴﺔ ﺍﻟﻌﺎﻤﺔ ،ﻭﻜﺫﻟﻙ ﻴﻤﻜﻨﻙ ﺍﺴﺘﺨﺩﺍﻡ ﺃﻤﺭ ROC
Curveﻟﺭﺴﻡ ﻤﻨﺤﻨﻰ ﺍﻻﺤﺘﻤﺎﻻﺕ ﺍﻟﺘﻲ ﺘﻡ ﺘﻘﺩﻴﺭﻫﺎ ﺒﺎﺴﺘﺨﺩﺍﻡ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻠﻭﺠﺴﺘﻲ.
ﻭﻴﻤﻜﻥ ﺇﺠﺭﺍﺀ ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﺠﺴﺘﻲ ﺇﻤﺎ ﻋﻥ ﻁﺭﻴﻕ ﺃﻤﺭ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
Logistic Regressionﺃﻭ ﻋﻥ ﻁﺭﻴﻕ ﺃﻤﺭ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﺘﻌﺩﺩ ﺍﻟﺤﺩﻭﺩ ، Multinomial Logistic Regressionﻭﻟﻜﻥ ﻫﻨﺎﻙ ﺨﻼﻓﹰﺎ ﻨﻅﺭﻴﹰﺎ ﺒﻴﻥ ﺍﻟﻁﺭﻴﻘﺘﻴﻥ ﻤﻥ ﻨﺎﺤﻴﺔ ﺃﻥ ﺃﻤﺭ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ Logistic Regressionﻴﻌﻁﻲ ﺠﻤﻴﻊ ﺍﻟﻘﻴﻡ
ﺍﻟﻤﺘﻭﻗﻌﺔ ﻭﺍﻷﺨﻁﺎﺀ ﻭﺍﺨﺘﺒﺎﺭﺍﺕ ﺠﻭﺩﺓ ﺍﻟﻤﻁﺎﺒﻘﺔ ﻋﻠﻰ ﻤﺴﺘﻭﻯ ﺍﻟﻤﻔﺭﺩﺍﺕ ﻓﻲ ﺍﻟﺒﻴﺎﻨﺎﺕ، ﺒﻴﻨﻤﺎ ﺃﻤﺭ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﺘﻌﺩﺩ ﺍﻟﺤﺩﻭﺩ
Multinomial Logistic
Regressionﻴﻘﻭﻡ ﺒﺘﺼﻨﻴﻑ ﺍﻟﺒﻴﺎﻨﺎﺕ ﺩﺍﺨﻠﻴﹰﺎ ﻓﻲ ﺍﻟﺒﺩﺍﻴﺔ ﻭﺘﺠﻤﻴﻌﻬﻡ ﻟﺘﻜﻭﻴﻥ ﻁﺒﻘﺎﺕ ﻤﺘﺠﺎﻨﺴﺔ ﺍﻟﺘﻐﺎﻴﺭ ﻭﻴﺤﺴﺏ ﺠﻤﻴﻊ ﺍﻟﻘﻴﻡ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻭﺍﻷﺨﻁﺎﺀ ﻭﺍﺨﺘﺒﺎﺭﺍﺕ ﺠﻭﺩﺓ ﺍﻟﻤﻁﺎﺒﻘﺔ
ﻋﻠﻰ ﻤﺴﺘﻭﻯ ﺍﻟﻁﺒﻘﺎﺕ ،ﻓﺈﺫﺍ ﻜﺎﻨﺕ ﺠﻤﻴﻊ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺍﺴﻤﻴﺔ )ﺃﻭ ﻜﻤﻴﺔ ﺇﻥ
ﻭﺠﺩﺕ ﺒﺸﺭﻁ ﺃﻥ ﺘﺄﺨﺫ ﻋﺩﺩ ﺼﻐﻴﺭ ﻤﻥ ﺍﻟﻘﻴﻡ ﺒﺤﻴﺙ ﻴﻜﻭﻥ ﻋﺩﺩ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﻜﺒﻴﺭ ﻋﻨﺩ
ﻜل ﻗﻴﻤﺔ ﻤﻥ ﻫﺫﻩ ﺍﻟﻘﻴﻡ( ﻓﺈﻥ ﺍﻟﻁﺭﻴﻘﺔ ﺍﻟﺜﺎﻨﻴﺔ ﻴﻤﻜﻨﻬﺎ ﺃﻥ ﺘﻌﻁﻲ ﺍﺨﺘﺒﺎﺭ ﺠﻭﺩﺓ ﻤﻁﺎﺒﻘﺔ ﺫﻭ
ﻓﺎﺌﺩﺓ ﺒﻌﻜﺱ ﺍﻟﻁﺭﻴﻘﺔ ﺍﻷﻭﻟﻰ ﺍﻟﺘﻲ ﻟﻥ ﻴﻤﻜﻨﻬﺎ ﺫﻟﻙ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
496
ﻭﻫﻨﺎﻙ ﻋﺎﺩﺓ ﺜﻼﺙ ﺨﻁﻭﺍﺕ ﺃﺴﺎﺴﻴﺔ ﻓﻲ ﺘﺤﻠﻴل ﻨﻤﺎﺫﺝ ﺍﻟﻠﻭﺠﺴﺘﻲ ،ﻭﻫﻲ: .1ﺘﻭﻓﻴﻕ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺨﺎﻡ،
.2ﺘﻭﻓﻴﻕ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﻌﺩل، .3ﺍﺨﺘﺒﺎﺭ ﺍﻟﻔﺭﻀﻴﺎﺕ.
ﻭﻟﻜﻥ ﻻ ﻴﺠﺏ ﺒﺎﻟﻀﺭﻭﺭﺓ ﺍﺘﺒﺎﻉ ﻫﺫﻩ ﺍﻟﺨﻁﻭﺍﺕ ﻓﻲ ﺘﺤﻠﻴل ﻜل ﻨﻤﻭﺫﺝ ﺍﻨﺤﺩﺍﺭ
ﻟﻭﺠﺴﺘﻲ ﺭﻏﻡ ﺃﻨﻪ ﻴﻤﻜﻨﻨﺎ ﺃﺨﺫﻫﺎ ﻜﺈﺭﺸﺎﺩ.
ﻭﺴﻨﻘﻭﻡ ﻫﻨﺎ ﺒﺘﻭﻀﻴﺢ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻋﻠﻰ ﺒﻴﺎﻨﺎﺕ ﻤﻥ
ﺩﺭﺍﺴﺔ ﺤﻭل ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ breast feedingﻷﻁﻔﺎل ﺤﺩﻴﺜﻲ ﺍﻟﻭﻻﺩﺓ ،ﺤﻴﺙ ﺃﺨﺫﺕ ﻤﻥ ﻫﺫﻩ ﺍﻟﺩﺭﺍﺴﺔ ﺒﻴﺎﻨﺎﺕ ﻋﻥ ﻤﺘﻐﻴﺭﻴﻥ ﺍﺴﻤﻴﻴﻥ ﺜﻨﺎﺌﻴﻲ ﺍﻟﺤﺩﻴﻥ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻷﻭل
ﺴﻴﻜﻭﻥ ﻓﻲ ﻫﺫﺍ ﺍﻟﻤﺜﺎل ﻫﻭ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﻤﺴﺘﻘل ﻭﻴﺘﻌﻠﻕ ﺒﻁﺭﻴﻘﺔ ﺍﻟﺘﻐﺫﻴﺔ Feeding type
ﻟﻠﻤﻭﻟﻭﺩ ﺃﺜﻨﺎﺀ ﻭﺠﻭﺩﻩ ﻓﻲ ﺍﻟﻤﺴﺘﺸﻔﻰ ،ﻭﻴﺄﺨﺫ ﻗﻴﻤﺘﻴﻥ ﻓﻘﻁ )ﺍﻟﻘﻨﻴﻨﺔ Bottleﺃﻭ ﺍﻷﻨﺎﺒﻴﺏ ﺍﻟﺼﻨﺎﻋﻴﺔ ،(Tubesﻭﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺜﺎﻨﻲ ﻫﻭ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﻭﻴﺘﻌﻠﻕ ﺒﻤﺎ ﺇﺫﺍ ﻜﺎﻨﺕ ﻁﺭﻴﻘﺔ ﺍﻟﺭﻀﺎﻋﺔ ﺒﻌﺩ ﺍﻟﺨﺭﻭﺝ ﻤﻥ ﺍﻟﻤﺴﺘﺸﻔﻰ ﻤﻘﺘﺼﺭﺓ ﻓﻘﻁ ﻋﻠﻰ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﺃﻡ ﻻ
Exclusive breast feeding at dischargeﺃﻱ ﻴﺄﺨﺫ ﺍﻟﻘﻴﻤﺘﻴﻥ )ﻨﻌﻡ Yesﻭﻻ ،(No
ﻭﻴﻤﻜﻥ ﻭﻀﻊ ﺍﻟﺒﻴﺎﻨﺎﺕ ﻓﻲ ﺍﻟﺠﺩﻭل ﺍﻟﺘﻜﺭﺍﺭﻱ ﺍﻟﻤﺯﺩﻭﺝ ﻓﻲ ﺍﻟﺸﻜل 18-14ﺃﺩﻨﺎﻩ،
ﺤﻴﺙ ﺃﻋﻁﻲ ﻟﻠﻤﺘﻐﻴﺭ ﺍﻷﻭل ﺍﻟﻘﻴﻤﺘﻴﻥ 0ﻭ 1ﻭﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺜﺎﻨﻲ ﺍﻟﻘﻴﻤﺘﻴﻥ 1ﻭ . 2
ﺸﻜل : 18-14ﻤﻠﺨﺹ ﻟﺒﻴﺎﻨﺎﺕ ﺩﺭﺍﺴﺔ ﺘﺘﻌﻠﻕ ﺒﺎﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ Breast Feeding Feeding type * Exclusive breast feeding at discharge Crosstabulation Count Exclusive breast feeding at discharge Total
Yes
No
46
19
27
38
33
5
84
52
32
Bottle NG Tube
Feeding type Total
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
497
ﻭﻴﻤﻜﻥ ﺇﺩﺨﺎل ﻫﺫﻩ ﺍﻟﺒﻴﺎﻨﺎﺕ ﺇﻟﻰ ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ Data Editorﻓﻲ ﻨﻅﺎﻡ SPSSﺒﺄﻱ ﻤﻥ ﺍﻟﻁﺭﻴﻘﺘﻴﻥ ﺍﻟﺘﺎﻟﻴﺘﻴﻥ ،ﺍﻟﻁﺭﻴﻘﺔ ﺍﻷﻭﻟﻰ ﺘﺘﻀﻤﻥ ﺃﻥ ﻴﺘﻡ ﺇﺩﺨﺎل ﺒﻴﺎﻨﺎﺕ
ﺍﻟﺠﺩﻭل ﻓﻲ ﻤﺘﻐﻴﺭﻴﻥ ﻓﻘﻁ )ﺃﻱ ﻋﻤﻭﺩﻴﻥ ﻓﻲ ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ( ﻭﻜﺒﻴﺎﻨﺎﺕ ﺨﺎﻡ ﺒﺤﻴﺙ ﻴﺘﻡ
ﺘﻜﺭﺍﺭ ﺍﻟﻘﻴﻤﺔ 1ﻟﻠﻤﺘﻐﻴﺭ ﺍﻷﻭل ﻭﺍﻟﻘﻴﻤﺔ 0ﻟﻠﻤﺘﻐﻴﺭ ﺍﻟﺜﺎﻨﻲ 27ﻤﺭﺓ ﻭﻜﺫﻟﻙ ﺍﻟﻘﻴﻤﺔ 1 ﻟﻠﻤﺘﻐﻴﺭ ﺍﻷﻭل ﻭﺍﻟﻘﻴﻤﺔ 1ﻟﻠﻤﺘﻐﻴﺭ ﺍﻟﺜﺎﻨﻲ 19ﻤﺭﺓ ﻭﺍﻟﻘﻴﻤﺔ 2ﻟﻠﻤﺘﻐﻴﺭ ﺍﻷﻭل ﻭﺍﻟﻘﻴﻤﺔ 0
ﻟﻠﻤﺘﻐﻴﺭ ﺍﻟﺜﺎﻨﻲ 5ﻤﺭﺍﺕ ﻭﻜﺫﻟﻙ ﺍﻟﻘﻴﻤﺔ 2ﻟﻠﻤﺘﻐﻴﺭ ﺍﻷﻭل ﻭﺍﻟﻘﻴﻤﺔ 1ﻟﻠﻤﺘﻐﻴﺭ ﺍﻟﺜﺎﻨﻲ 33 ﻤﺭﺓ ﻭﺫﻟﻙ ﺒﺎﺴﺘﺨﺩﺍﻡ ﻗﻭﺍﻋﺩ ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ ﺍﻟﺘﻲ ﺘﻡ ﺘﻭﻀﻴﺤﻬﺎ ﻓﻲ ﺍﻟﻔﺼل ﺍﻟﺜﺎﻨﻲ،
ﻭﺍﻟﻁﺭﻴﻘﺔ ﺍﻟﺜﺎﻨﻴﺔ ﺘﺘﻀﻤﻥ ﺇﺩﺨﺎل ﺒﻴﺎﻨﺎﺕ ﺍﻟﺠﺩﻭل ﻜﻤﺎ ﻫﻲ ﻜﺄﺭﺒﻊ ﻗﻴﻡ ﻓﻲ ﺜﻼﺙ ﻤﺘﻐﻴﺭﺍﺕ )ﺃﻱ ﺜﻼﺙ ﺃﻋﻤﺩﺓ( ،ﺍﻟﻤﺘﻐﻴﺭ ﺍﻷﻭل ﻴﻌﺭﻑ ﻁﺭﻴﻘﺔ ﺍﻟﺘﻐﺫﻴﺔ Feeding type
ﻭﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺜﺎﻨﻲ ﻴﻌﺭﻑ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ )ﻨﻌﻡ/ﻻ( Breast feedingﻭﺍﻟﻤﺘﻐﻴﺭ
ﺍﻟﺜﺎﻟﺙ ﻴﻌﺭﻑ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ، Frequenciesﻭﺘﺩﺨل 4ﻗﻴﻡ ﻓﻘﻁ ﻟﻜل ﻤﺘﻐﻴﺭ )ﺃﻱ ﻓﻲ 4 ﺴﻁﻭﺭ ﻓﻲ ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ( ،ﺜﻡ ﻴﺘﻡ ﺇﻋﻁﺎﺀ ﺃﻭﺯﺍﻥ ﻟﻠﻘﻴﻡ ﻤﺴﺎﻭﻴﺔ ﻟﻘﻴﻡ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺜﺎﻟﺙ
)ﺍﻟﺘﻜﺭﺍﺭﺍﺕ (Frequenciesﺒﺎﺴﺘﺨﺩﺍﻡ ﺃﻤﺭ ﺇﻋﻁﺎﺀ ﺃﻭﺯﺍﻥ ﻟﻠﺒﻴﺎﻨﺎﺕ Weight Cases
ﻭﺫﻟﻙ ﻗﺒل ﺍﻟﺒﺩﺀ ﻓﻲ ﻋﻤﻠﻴﺎﺕ ﺍﻟﺘﺤﻠﻴل. ﺸﻜل : 19-14ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻨﺴﺒﻴﺔ ﻟﺒﻴﺎﻨﺎﺕ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ Breast Feeding Feeding type * Exclusive breast feeding at discharge Crosstabulation % within Feeding type Exclusive breast feeding at discharge Total
Yes
No
100.0%
41.3%
58.7%
Bottle
100.0%
86.8%
13.2%
NG Tube
100.0%
61.9%
38.1%
Feeding type Total
ﻭﻤﻬﻤﺎ ﻜﺎﻨﺕ ﻁﺭﻴﻘﺔ ﺇﺩﺨﺎل ﺍﻟﺒﻴﺎﻨﺎﺕ ﻓﺄﻨﻪ ﻴﻤﻜﻥ ﺘﻜﻭﻴﻥ ﺠﺩﻭل ﺘﻜﺭﺍﺭﻱ ﻨﺴﺒﻲ
ﻤﺯﺩﻭﺝ ﻟﻤﺘﻐﻴﺭﻱ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ Breast feedingﻭﻁﺭﻴﻘﺔ ﺍﻟﺘﻐﺫﻴﺔ Feeding
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
498
typeﺒﺎﺴﺘﺨﺩﺍﻡ ﺃﻤﺭ ﺘﻜﻭﻴﻥ ﺍﻟﺠﺩﺍﻭل ﺍﻟﺘﻜﺭﺍﺭﻴﺔ ﺍﻟﻤﺯﺩﻭﺠﺔ Crosstabsﻭﺘﺤﺩﻴﺩ ﻤﻜﻭﻨﺎﺕ ﺍﻟﺨﻼﻴﺎ Cellsﻓﻲ ﻨﺎﻓﺫﺓ ﺍﻷﻤﺭ ﻟﺘﻜﻭﻥ ﻨﺴﺏ ﺍﻟﺼﻔﻭﻑ Row Percentages
ﻭﺫﻟﻙ ﻟﻠﺤﺼﻭل ﻋﻠﻰ ﺠﺩﻭل ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻨﺴﺒﻴﺔ ﻜﻤﺎ ﻴﻅﻬﺭ ﻓﻲ ﺍﻟﺸﻜل 19-14ﺃﻋﻼﻩ.
ﻭﺇﺫﺍ ﻤﺎ ﺘﻡ ﺍﺨﺘﻴﺎﺭ ﻤﺭﺒﻊ ﺍﻟﻤﺨﺎﻁﺭﺓ Riskﻓﻲ ﺃﻤﺭ ﺘﻜﻭﻴﻥ ﺍﻟﺠﺩﺍﻭل ﺍﻟﺘﻜﺭﺍﺭﻴﺔ
ﺍﻟﻤﺯﺩﻭﺠﺔ Crosstabsﻓﺈﻨﻨﺎ ﺴﻨﺤﺼل ﻋﻠﻰ ﺠﺩﻭل ﻴﺤﺘﻭﻱ ﻋﻠﻰ ﺘﻘﺩﻴﺭﺍﺕ ﻟﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ Odds Ratioﻭﻨﺴﺒﺘﻴﻥ ﻤﺨﺘﻠﻔﺘﻴﻥ ﻟﻠﻤﺨﺎﻁﺭﺓ ،ﻭﻟﻜﻥ ﻴﺠﺏ ﺃﺨﺫ ﺍﻟﺤﻴﻁﺔ ﻭﺍﻟﺤﺫﺭ ﻋﻨﺩ ﺍﺴﺘﺨﺩﺍﻡ ﻫﺫﻩ ﺍﻟﻨﺴﺏ ،ﻭﺫﻟﻙ ﻷﻥ ﺘﻘﺩﻴﺭ ﻫﺫﻩ ﺍﻟﻨﺴﺏ ﻴﻌﺘﻤﺩ ﻋﻠﻰ ﻁﺭﻴﻘﺔ ﺘﻜﻭﻴﻥ ﺍﻟﺠﺩﻭل ﺍﻟﺘﻜﺭﺍﺭﻱ ﺍﻟﻤﺯﺩﻭﺝ ،ﻓﺎﺴﺘﺒﺩﺍل ﺍﻟﺼﻔﻭﻑ ﻟﻴﺼﺒﺢ ﺍﻟﻘﻴﻤﺔ ﺍﻟﺜﺎﻨﻴﺔ ﻓﻲ
ﺍﻟﺼﻑ ﺍﻟﻌﻠﻭﻱ ﻟﻠﺠﺩﻭل ﻭﺍﻷﻭﻟﻰ ﻓﻲ ﺍﻟﺼﻑ ﺍﻟﺴﻔﻠﻲ ﻤﻨﻪ ﻓﺈﻥ ﻗﻴﻤﺔ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ
Odds Ratioﺍﻟﻨﺎﺘﺠﺔ ﺴﻭﻑ ﺘﻨﻌﻜﺱ ،ﻓﺈﺫﺍ ﻟﻡ ﺘﻜﻥ ﺍﻟﻨﺴﺒﺔ ﺍﻟﻨﺎﺘﺠﺔ ﻤﺘﺴﻘﺔ ﻤﻊ ﻨﺘﺎﺌﺠﻙ ﺍﻟﺴﺎﺒﻘﺔ ﻓﻴﺠﺏ ﻤﺤﺎﻭﻟﺔ ﺘﺒﺩﻴل ﺍﻟﻘﻴﻡ ﻓﻲ ﺍﻟﺼﻔﻭﻑ ﻟﺴﺘﺤﺼل ﻋﻠﻰ ﻨﺴﺒﺔ ﻤﻌﻜﻭﺴﺔ ،ﻓﻔﻲ
ﺍﻟﺠﺩﻭل ﻓﻲ ﺸﻜل 20-3ﻨﺠﺩ ﺃﻥ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ ﻤﺴﺎﻭﻴﺔ ،9.379ﻓﺈﺫﺍ ﻋﻜﺴﻨﺎ
ﺍﻟﺼﻔﻭﻑ ﻓﻲ ﺍﻟﺠﺩﻭل ﻓﺈﻨﻨﺎ ﺴﻨﺤﺼل ﻋﻠﻰ ﻨﺴﺒﺔ ﺨﻼﻑ ﻤﺴﺎﻭﻴﺔ .(1/9.379) 0.107
ﺸﻜل : 20-14ﺤﺴﺎﺏ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ Odds Ratioﻭﻨﺴﺏ ﺍﻟﻤﺨﺎﻁﺭﺓ ﻟﺒﻴﺎﻨﺎﺕ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ Breast Feedingﻤﻥ ﺨﻴﺎﺭ ﺍﻟﻤﺨﺎﻁﺭﺓ Riskﻓﻲ ﺃﻤﺭ Crosstabs Risk Estimate 95% Confidence Interval Upper
Lower
Value
28.421
3.095
9.379
Odds Ratio for Feeding )type (Bottle / NG Tube
10.458
1.903
4.461
For cohort Exclusive breast feeding at discharge = No
.686
.330
.476
For cohort Exclusive breast feeding at discharge = Yes
84
N of Valid Cases
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
499
ﻻﺤﻅ ﺃﻥ ﻨﻅﺎﻡ SPSSﻴﻘﻭﻡ ﺒﺤﺴﺎﺏ ﻨﺴﺒﺘﻲ ﺍﻟﻤﺨﺎﻁﺭﺓ Risk Ratiosﺃﻴﻀﺎﹰ، ﻭﻫﻤﺎ ﻋﺒﺎﺭﺓ ﻋﻥ ﻨﺎﺘﺞ ﻗﺴﻤﺔ ﻨﺴﺒﺔ ﺃﺤﺩ ﺍﻟﺼﻔﻭﻑ ﻋﻠﻰ ﻨﺴﺒﺔ ﺍﻟﺼﻑ ﺍﻵﺨﺭ ،ﻓﺎﻟﻘﻴﻤﺔ
4.461ﻫﻲ ﻋﺒﺎﺭﺓ ﻋﻥ ﻨﺎﺘﺞ ﺍﻟﻘﺴﻤﺔ 58.6%ﻋﻠﻰ ،14.2%ﻭﻫﻲ ﺘﻤﺜل ﺍﻟﺯﻴﺎﺩﺓ ﻓﻲ
ﺍﺤﺘﻤﺎل ﻋﺩﻡ ﺃﺨﺫ ﻤﺠﻤﻭﻋﺔ "ﺍﻻﻋﺘﻤﺎﺩ ﻋﻠﻰ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﻓﻘﻁ" ﻋﻨﺩ ﺍﻟﻤﻘﺎﺭﻨﺔ ﺒﻴﻥ ﻤﺠﻤﻭﻋﺘﻲ ﻁﺭﻴﻘﺔ ﺍﻟﺘﻐﺫﻴﺔ ،ﻭﺍﻟﺘﻘﺩﻴﺭ ﺍﻵﺨﺭ ﻫﻭ ) 0.476 (= 41.3 / 86.8ﻭﻴﻤﺜل
ﺍﻟﺘﻐﻴﺭ ﻓﻲ ﺍﺤﺘﻤﺎل ﺃﺨﺫ ﻤﺠﻤﻭﻋﺔ
"ﺍﻻﻋﺘﻤﺎﺩ ﻋﻠﻰ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﻓﻘﻁ" ﻋﻨﺩ
ﺍﻟﻤﻘﺎﺭﻨﺔ ﺒﻴﻥ ﻤﺠﻤﻭﻋﺘﻲ ﻁﺭﻴﻘﺔ ﺍﻟﺘﻐﺫﻴﺔ.
ﻭﺍﻵﻥ ،ﻭﺒﻌﺩ ﺘﻔﺤﺹ ﺍﻟﺒﻴﺎﻨﺎﺕ ﻭﺘﻜﻭﻴﻥ ﺍﻟﺠﺩﺍﻭل ﺍﻟﺘﻜﺭﺍﺭﻴﺔ ﺍﻟﻤﺯﺩﻭﺠﺔ ﻴﻤﻜﻥ ﺍﻟﺒﺩ
ﻓﻲ ﺒﻨﺎﺀ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ Logistic Regressionﻟﻠﺒﻴﺎﻨﺎﺕ ﺒﺎﺴﺘﺨﺩﺍﻡ ﻨﻅﺎﻡ
،SPSSﻭﻴﻤﻜﻥ ﺇﺠﺭﺍﺀ ﺫﻟﻙ ﻤﻥ ﺨﻼل ﺃﻱ ﻤﻥ ﺃﻤﺭﻱ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ ﺃﻭ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﺘﻌﺩﺩ ﺍﻟﺤﺩﻭﺩ ﺇﺫ ﺃﻥ ﺍﻷﻭل ﻫﻭ ﺤﺎﻟﺔ ﺨﺎﺼﺔ ﻤﻥ ﺍﻟﺜﺎﻨﻲ ،ﻭﻗﺩ ﻗﺩﻤﻨﺎ ﺘﻭﻀﻴﺤﹰﺎ ﻟﻠﻔﺭﻕ ﺒﻴﻥ ﻨﺘﺎﺌﺞ ﻜل ﻤﻨﻬﻤﺎ ﺃﻋﻼﻩ ،ﻭﻟﻜﻥ ﻁﺎﻟﻤﺎ ﺃﻥ
ﺒﻴﺎﻨﺎﺕ ﺍﻟﻤﺘﻐﻴﺭ ﻓﻲ ﻫﺫﺍ ﺍﻟﻤﺜﺎل ﺫﺍﺕ ﺤﺩﻴﻥ )ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﻴﺄﺨﺫ ﻗﻴﻤﺘﻴﻥ ﻓﻘﻁ( ﻓﺈﻨﻨﺎ ﺴﻨﻨﻔﺫ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ ،Binary Logisticﻭﺍﻟﻭﺼﻭل
ﺇﻟﻰ ﻫﺫﺍ ﺍﻷﻤﺭ )ﻜﻤﺎ ﻫﻭ ﺍﻟﺤﺎل ﺒﺎﻟﻨﺴﺒﺔ ﻟﻸﻤﺭ ﺍﻵﺨﺭ( ﻴﺘﻡ ﻤﻥ ﺨﻼل ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ
Data Editorﻭﺍﺨﺘﻴﺎﺭ ﻗﺎﺌﻤﺔ ﺍﻟﺘﺤﻠﻴل ﺍﻹﺤﺼﺎﺌﻲ ) Analyzeﺃﻭ Statisticsﻓﻲ
ﺇﺼﺩﺍﺭ (8.0ﺜﻡ ﺍﺨﺘﻴﺎﺭ ﺃﻤﺭ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ Binary
Logisticﻜﻤﺎ ﻴﻅﻬﺭ ﻓﻲ ﺸﻜل ،21-14ﻭﺒﻬﺫﺍ ﺍﻟﺨﻴﺎﺭ ﺴﻭﻑ ﺘﻔﺘﺢ ﻨﺎﻓﺫﺓ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ Binary Logisticﻜﻤﺎ ﻓﻲ ﺍﻟﺸﻜل . 22-14
ﻓﻲ ﻨﺎﻓﺫﺓ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ Binary Logistic
ﺃﺩﺨل ﺍﺴﻡ ﺍﻟﻤﺘﻐﻴﺭ )ﺫﻭ ﺍﻟﺤﺩﻴﻥ( ﺍﻟﺘﺎﺒﻊ ﻓﻲ ﻤﺭﺒﻊ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ، Dependentﻭﻫﻭ
ﻓﻲ ﻤﺜﺎﻟﻨﺎ ﺍﻻﻋﺘﻤﺎﺩ ﻋﻠﻰ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﻓﻘﻁ Exclusive breast feedingﺜﻡ
ﺃﺩﺨل ﺠﻤﻴﻊ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺍﻟﻤﺘﺎﺤﺔ )ﻭﻫﻨﺎ ﻴﻭﺠﺩ ﻤﺘﻐﻴﺭ ﻤﺴﺘﻘل ﻭﺍﺤﺩ ﻓﻘﻁ
ﻟﺘﻭﻀﻴﺢ ﺍﻟﻨﺘﺎﺌﺞ ﻟﻠﻘﺎﺭﺉ ﺒﺴﻬﻭﻟﺔ( ﻭﻫﻭ ﻤﺘﻐﻴﺭ ﻨﻭﻉ ﺍﻟﻐﺫﺍﺀ .Feeding type
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
500
ﺸﻜل : 21-14ﻁﺭﻴﻘﺔ ﺍﻟﻭﺼﻭل ﺇﻟﻰ ﺃﻤﺭ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ Binary Logisticﻤﻥ ﻤﺤﺭﺭ ﺍﻟﺒﻴﺎﻨﺎﺕ Data Editor
ﺸﻜل : 22-14ﻨﺎﻓﺫﺓ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ Binary Logistic
ﺇﺫﺍ ﻜﺎﻥ ﻟﺩﻴﻙ ﺃﻱ ﻤﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﻨﻭﻋﻬﺎ ﻭﺼﻔﻴﺔ ﻓﺈﻨﻪ ﻴﺠﺏ ﺘﻌﺭﻴﻔﻬﺎ
ﻟﻨﻅﺎﻡ SPSSﻭﺫﻟﻙ ﺒﺎﻟﻀﻐﻁ ﻋﻠﻰ ﻤﺭﺒﻊ ﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﺘﺼﻨﻴﻑ Categoricalﻓﻲ ﺃﺴﻔل
ﺍﻟﻨﺎﻓﺫﺓ ﺍﻟﺴﺎﺒﻘﺔ ﻟﻔﺘﺢ ﻨﺎﻓﺫﺓ ﺘﻌﺭﻴﻑ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻭﺼﻔﻴﺔ Variablesﻜﻤﺎ ﻓﻲ ﺍﻟﺸﻜل 23-14ﺃﺩﻨﺎﻩ .
Define Categorical
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
501
ﺸﻜل : 23-14ﻨﺎﻓﺫﺓ ﺘﻌﺭﻴﻑ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻭﺼﻔﻴﺔ Define Categorical Variables ﻓﻲ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ Binary Logistic
ﻭﻓﻲ ﻫﺫﻩ ﺍﻟﻨﺎﻓﺫﺓ ﻴﻤﻜﻨﻙ ﺍﺨﺘﻴﺎﺭ ﺃﺴﻤﺎﺀ ﺃﻱ ﻤﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺍﻟﺘﻲ ﺘﻅﻬﺭ ﻋﺎﺩﺓ ﻋﻠﻰ ﺍﻟﺠﺎﻨﺏ ﺍﻷﻴﺴﺭ ﻤﻥ ﺍﻟﻨﺎﻓﺫﺓ ﻟﻜﻲ ﻴﺘﻌﺭﻑ ﻋﻠﻴﻬﺎ ﺍﻟﻨﻅﺎﻡ ﻋﻠﻰ ﺃﻨﻬﺎ ﻤﺘﻐﻴﺭﺍﺕ ﻭﺼﻔﻴﺔ ﻭﺫﻟﻙ ﺒﺈﺯﺍﺤﺘﻬﺎ ﻤﻥ ﺫﻟﻙ ﺍﻟﻤﺭﺒﻊ ﺇﻟﻰ ﻤﺭﺒﻊ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻭﺼﻔﻴﺔ Categorical
Covariatesﻓﻲ ﺍﻟﺠﺎﻨﺏ ﺍﻷﻴﻤﻥ ﻤﻥ ﺍﻟﻨﺎﻓﺫﺓ ،ﻭﺘﻠﻘﺎﺌﻴﹰﺎ ﺴﻭﻑ ﻴﺘﻌﺎﻤل ﻨﻅﺎﻡ SPSSﻤﻊ ﺃﺤﺩ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻋﻠﻰ ﺍﻷﻗل ﻋﻠﻰ ﺃﻨﻪ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﻤﺅﺸﺭ indicator variableﻭﺫﻟﻙ
ﻟﺘﻤﺜﻴل ﺒﻴﺎﻨﺎﺕ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻭﺼﻔﻴﺔ ﻭﺴﻭﻑ ﻴﺤﺘﻔﻅ ﺒﺎﻟﻘﻴﻤﺔ ﺍﻷﺨﻴﺭﺓ ﻤﻥ ﻗﻴﻡ ﺍﻟﻤﺘﻐﻴﺭ
ﻟﺘﻤﺜل ﻁﺒﻘﺔ ﻤﻥ ﻁﺒﻘﺎﺕ ﺍﻟﻤﺘﻐﻴﺭ ﻜﺩﻟﻴل ،ﻭﻓﻲ ﺍﻟﻤﺜﺎل ﺍﻟﺤﺎﻟﻲ ﻟﻠﻤﺘﻐﻴﺭ ﺍﻟﻭﺼﻔﻲ ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ feeding typeﻗﻴﻤﺘﻴﻥ ﺍﻟﻘﻴﻤﺔ 1=bottleﻭﺍﻟﻘﻴﻤﺔ 2=Tubesﻭﺴﻭﻑ ﻴﻀﻊ ﺍﻟﻨﻅﺎﻡ ﻤﺅﺸﺭ ﻤﻭﺤﺩ ﻴﺴﺎﻭﻱ 1ﻟﻠﻘﻴﻤﺔ bottleﻭﻴﺴﺎﻭﻱ ﺼﻔﺭ ﻟﺨﻼﻑ ﺫﻟﻙ.
ﻭﺃﺨﻴﺭﹰﺍ ﺍﻀﻐﻁ ﻋﻠﻰ ﻤﺭﺒﻊ ﺍﻻﺴﺘﻤﺭﺍﺭ CONTINUEﻹﻏﻼﻕ ﺍﻟﻨﺎﻓﺫﺓ ﻭﺍﻟﻌﻭﺩﺓ
ﺇﻟﻰ ﺍﻟﻨﺎﻓﺫﺓ ﺍﻟﺴﺎﺒﻘﺔ ،ﻭﻫﻨﺎ ﺴﻴﻭﻓﺭ ﻟﻙ ﺍﻟﻨﻅﺎﻡ ﺃﻴﻀﹰﺎ ﺨﻴﺎﺭﺍﺕ ﺘﺤﻠﻴل ﺃﺨﺭﻯ ﻟﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ،ﻭﻟﻤﻌﺭﻓﺔ ﻫﺫﻩ ﺍﻟﺨﻴﺎﺭﺍﺕ ﻭﺍﺨﺘﻴﺎﺭ ﺃﻱ ﻤﻨﻬﺎ ﺍﻀﻐﻁ ﻋﻠﻰ ﻤﺭﺒﻊ
ﺍﻟﺨﻴﺎﺭﺍﺕ Optionsﻟﺘﻔﺘﺢ ﻨﺎﻓﺫﺓ ﺍﻟﺨﻴﺎﺭﺍﺕ Optionsﻜﻤﺎ ﻓﻲ ﺍﻟﺸﻜل 24-14ﺃﺩﻨﺎﻩ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
502
ﺸﻜل : 24-14ﻨﺎﻓﺫﺓ ﺨﻴﺎﺭﺍﺕ ﺍﻟﺘﺤﻠﻴل ﺍﻹﻀﺎﻓﻴﺔ Optionsﻓﻲ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ Binary Logistic
ﻭﺘﺒﻴﻥ ﺍﻟﻨﺎﻓﺫﺓ ﺍﻟﺴﺎﺒﻘﺔ ﺃﻋﻼﻩ ﺠﻤﻴﻊ ﺍﻟﺨﻴﺎﺭﺍﺕ ﺍﻹﻀﺎﻓﻴﺔ ﺍﻟﻤﺘﺎﺤﺔ ﻟﺘﺤﻠﻴل ﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ،ﻭﺃﻫﻡ ﻫﺫﻩ ﺍﻟﺨﻴﺎﺭﺍﺕ ﻭﺍﻟﺘﻲ ﻴﻨﺼﺢ ﺒﺎﺨﺘﻴﺎﺭﻫﺎ ﻫﻭ
CI for
) exp(Bﻓﺘﺭﺍﺕ ﺍﻟﺜﻘﺔ ﻟﻠﻤﻘﺩﺍﺭ ) Exp(Bﻷﻨﻪ ﻴﻌﻁﻲ ﻓﺘﺭﺍﺕ ﺜﻘﺔ ﻟﺠﻤﻴﻊ ﻨﺴﺏ ﺍﻟﺨﻼﻑ
Odds Ratiosﺍﻟﺘﻲ ﺘﻡ ﺤﺴﺎﺒﻬﺎ ﺃﺜﻨﺎﺀ ﻫﺫﺍ ﺍﻟﺘﺤﻠﻴل ،ﺒﻴﻨﻤﺎ ﺍﻹﺤﺼﺎﺀﺍﺕ ﺍﻷﺨﺭﻯ ﻫﻲ ﻋﺒﺎﺭﺓ ﻋﻥ ﺇﺤﺼﺎﺀﺍﺕ ﺘﻬﺩﻑ ﺇﻟﻰ ﺍﻻﺴﺘﺩﻻل ﺍﻹﺤﺼﺎﺌﻲ ﺤﻭل ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺫﻱ ﺘﻡ ﺘﻘﺩﻴﺭﻩ
ﻭﺍﺨﺘﺒﺎﺭ ﺼﺤﺔ ﻓﺭﻀﻴﺎﺕ ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ ،ﻭﻓﻲ ﺍﻟﻨﻬﺎﻴﺔ ﺍﻀﻐﻁ ﻋﻠﻰ ﻤﺭﺒﻊ ﺍﻻﺴﺘﻤﺭﺍﺭ
Continueﻟﻠﻌﻭﺩﺓ ﺇﻟﻰ ﺍﻟﻨﺎﻓﺫﺓ ﺍﻟﺴﺎﺒﻘﺔ . ﻜﻤﺎ ﺃﻨﻪ ﻴﻤﻜﻥ ﻫﻨﺎ ﺃﻴﻀﹰﺎ ﺍﺨﺘﻴﺎﺭ ﺘﺨﺯﻴﻥ ﺒﻌﺽ ﺍﻟﻤﻌﻠﻭﻤﺎﺕ ﻋﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ
ﺍﻟﺠﺩﻴﺩﺓ ﺍﻟﺘﻲ ﺘﻡ ﺤﺴﺎﺒﻬﺎ ﺃﺜﻨﺎﺀ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﺫﻱ ﻴﺘﻡ ﺘﻘﺩﻴﺭﻩ
ﻟﺒﻴﺎﻨﺎﺘﻙ ،ﻭﻫﺫﺍ ﻴﻤﻜﻥ ﺃﻥ ﻴﺘﻡ ﻤﻥ ﺨﻼل ﺍﺨﺘﻴﺎﺭ ﻤﺭﺒﻊ ﺍﻟﺘﺨﺯﻴﻥ Saveﻓﻲ ﺃﺴﻔل ﺍﻟﻨﺎﻓﺫﺓ ﺍﻟﺴﺎﺒﻘﺔ ،ﻭﺒﺎﻟﻀﻐﻁ ﻋﻠﻰ ﻫﺫﺍ ﺍﻟﻤﺭﺒﻊ ﺴﻭﻑ ﺘﻔﺘﺢ ﻨﺎﻓﺫﺓ ﺨﻴﺎﺭﺍﺕ ﺘﺨﺯﻴﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ
ﺍﻟﺠﺩﻴﺩﺓ Save New Variablesﻜﻤﺎ ﻓﻲ ﺸﻜل 25-14ﺃﺩﻨﺎﻩ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
503
ﺸﻜل : 25-14ﻨﺎﻓﺫﺓ ﺨﻴﺎﺭﺍﺕ ﺘﺨﺯﻴﻥ ﻤﻌﻠﻭﻤﺎﺕ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﺠﺩﻴﺩﺓ Save New Variablesﻓﻲ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺫﻭ ﺍﻟﺤﺩﻴﻥ Binary Logistic
ﻭﺘﺒﻴﻥ ﺍﻟﻨﺎﻓﺫﺓ ﺃﻋﻼﻩ ﺠﻤﻴﻊ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﺘﻲ ﻴﻤﻜﻥ ﺘﺨﺯﻴﻨﻬﺎ ﻓﻲ ﻤﺘﻐﻴﺭﺍﺕ ﺠﺩﻴﺩﺓ
ﻟﻠﺘﻌﺎﻤل ﻤﻌﻬﺎ ﻓﻴﻤﺎ ﺒﻌﺩ ،ﻭﺃﻫﻡ ﻫﺫﻩ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﻫﻭ ﻤﺘﻐﻴﺭ ﺍﻻﺤﺘﻤﺎﻻﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ
، Predicted Probabilitiesﻭﺘﻌﺘﺒﺭ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻷﺨﺭﻯ ﺘﺤﺕ ﺒﻨﻭﺩ ﺍﻟﻤﺅﺜﺭﺍﺕ Influenceﻭﺍﻷﺨﻁﺎﺀ Residualsﻤﺘﻐﻴﺭﺍﺕ ﻫﺎﻤﺔ ﻋﻨﺩﻤﺎ ﻨﻬﺘﻡ ﺒﺎﺨﺘﺒﺎﺭ ﺼﺤﺔ ﺍﻟﻔﺭﻭﺽ ﻭﺍﻟﺸﺭﻭﻁ ﺍﻟﻼﺯﻤﺔ ﻟﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ.
ﻭﻓﻲ ﺍﻟﻨﻬﺎﻴﺔ ﺍﻀﻐﻁ ﻋﻠﻰ ﻤﻔﺘﺎﺡ ﺍﻻﺴﺘﻤﺭﺍﺭ CONTINUEﻟﻠﻌﻭﺩﺓ ﺇﻟﻰ ﺍﻟﻨﺎﻓﺫﺓ ﺍﻷﺼﻠﻴﺔ ﻭﻤﻨﻬﺎ ﻴﻤﻜﻥ ﺍﻵﻥ ﺍﻟﻀﻐﻁ ﻋﻠﻰ ﻤﻔﺘﺎﺡ ﺍﻟﺘﻨﻔﻴﺫ OKﻟﺘﻨﻔﻴﺫ ﺍﻷﻤﺭ ﻭﺍﻟﺤﺼﻭل
ﻋﻠﻰ ﻨﺘﺎﺌﺞ ﺘﺤﻠﻴل ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻟﺒﻴﺎﻨﺎﺕ ﻫﺫﺍ ﺍﻟﻤﺜﺎل.
ﻭﺘﻌﺘﺒﺭ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻤﻥ ﺘﻨﻔﻴﺫ ﻫﺫﺍ ﺍﻷﻤﺭ ﻗﺎﺌﻤﺔ ﻁﻭﻴﻠﺔ ،ﻭﺴﻨﻘﻭﻡ ﻫﻨﺎ ﺒﻘﺴﻤﺘﻬﺎ
ﺇﻟﻰ ﺃﺠﺯﺍﺀ ﺒﻬﺩﻑ ﺘﻭﻀﻴﺢ ﻭﺘﻔﺴﻴﺭ ﺍﻟﻨﺘﺎﺌﺞ ﻓﻲ ﻜل ﺠﺯﺀ ﻤﻨﻬﺎ ﻜﻤﺎ ﻴﻠﻲ:
ﺍﻟﺠﺯﺀ ﺍﻷﻭل ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﺴﻭﻑ ﻴﻜﻭﻥ ﻋﺒﺎﺭﺓ ﻋﻥ ﻤﻠﺨﺹ ﻟﻠﺒﻴﺎﻨﺎﺕ ﺍﻟﺘﻲ
ﺩﺨﻠﺕ ﻓﻲ ﺍﻟﺘﺤﻠﻴل ﻭﻫﺫﺍ ﺍﻟﺠﺯﺀ ﻴﻔﻴﺩ ﻓﻘﻁ ﻓﻲ ﺍﻟﺘﺤﻘﻕ ﻤﻥ ﻭﺠﻭﺩ ﻗﻴﻡ ﻤﻔﻘﻭﺩﺓ ﻭﺃﻥ ﺠﻤﻴﻊ ﺍﻟﺒﻴﺎﻨﺎﺕ ﻗﺩ ﺩﺨﻠﺕ ﻓﻲ ﺍﻟﺘﺤﻠﻴل ﻭﺒﺩﻭﻥ ﺍﻟﺘﺴﺭﻉ ﻓﻲ ﺘﻔﺴﻴﺭ ﺍﻟﻨﺘﺎﺌﺞ ،ﻭﻫﺫﺍ ﺍﻟﺠﺯﺀ ﻴﻅﻬﺭ
ﻓﻲ ﺸﻜل 26-14ﺃﺩﻨﺎﻩ ،ﻭﺍﻟﺘﺤﻘﻕ ﻤﻥ ﺼﺤﺔ ﺍﻟﻘﻴﻡ ﺍﻟﻭﺍﺭﺩﺓ ﻓﻲ ﻫﺫﺍ ﺍﻟﺠﺩﻭل ﻭﺍﺘﺴﺎﻗﻬﺎ ﻤﻊ ﺍﻟﺘﺤﻠﻴل ﺍﻟﺴﺎﺒﻕ ﻟﻬﺫﻩ ﺍﻟﺒﻴﺎﻨﺎﺕ ﺘﻌﺘﺒﺭ ﺨﻁﻭﺓ ﻀﺭﻭﺭﻴﺔ ﻗﺒل ﺍﻟﺒﺩﺀ ﻓﻲ ﺘﻔﺴﻴﺭ ﺍﻟﻨﺘﺎﺌﺞ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
504
ﺸﻜل : 26-14ﺍﻟﺠﺯﺀ ﺍﻷﻭل ﻓﻲ ﻗﺎﺌﻤﺔ ﻨﺘﺎﺌﺞ ﺘﺤﻠﻴل ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ Logistic Regressionﻭﻴﺒﻴﻥ ﻤﻠﺨﺹ ﻷﻋﺩﺍﺩ ﺍﻟﻤﻔﺭﺩﺍﺕ ﺍﻟﺘﻲ ﺩﺨﻠﺕ ﻓﻲ ﺍﻟﺘﺤﻠﻴل. Case Processing Summary Unweighted Cases a Selected Cases Included in Analysis
Percent
N
100.0
84
.0
0
Missing Cases
100.0
84
Total
.0
0
Unselected Cases
100.0
84
Total
a. If weight is in effect, see classification table for the total number of cases.
ﻭﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻨﻲ ﻤﻥ ﺍﻟﻨﺘﺎﺌﺞ )ﺸﻜل (27-14ﻴﺒﻴﻥ ﻓﺌﺎﺕ ﺘﺼﻨﻴﻑ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﻭﻜﺫﻟﻙ ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﺩﺍﺨﻠﻲ ﻟﻠﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺍﻟﺘﻲ ﺘﻡ ﺘﻌﺭﻴﻔﻬﺎ ﻋﻠﻰ ﺃﻨﻬﺎ ﻤﺘﻐﻴﺭﺍﺕ ﻭﺼﻔﻴﺔ Categoricalﺃﺜﻨﺎﺀ ﺍﻟﺘﺤﻠﻴل.
ﺸﻜل : 27-14ﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻨﻲ ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﺒﻴﻥ ﺘﺼﻨﻴﻑ Codingﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﻭﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﺩﺍﺨﻠﻲ ﻷﻱ ﻤﻥ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻭﺼﻔﻴﺔ ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ. Dependent Variable Encoding Original Value Internal Value No 0 Yes
1
Categorical Variables Codings Parameter coding )(2
)(1
Frequency
1.000
46
Bottle
.000
38
NG Tube
Feeding type
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
505
ﻭﻴﻌﺘﺒﺭ ﺘﺼﻨﻴﻑ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﻜﻤﺎ ﻴﻅﻬﺭ ﻓﻲ ﺍﻟﺸﻜل ﺍﻟﺴﺎﺒﻕ ﻤﻬﻤﹰﺎ ﻤﻥ ﻨﺎﺤﻴﺔ ﻭﺍﺤﺩﺓ ﺃﻨﻪ ﻴﻤﻜﻨﻨﺎ ﻤﻥ ﺘﺤﺩﻴﺩ ﻜﻴﻑ ﺘﻡ ﺤﺴﺎﺏ ﻨﺴﺏ ﺍﻻﺨﺘﻼﻑ ،Odds Ratios
ﻓﺈﺫﺍ ﺘﺒﻴﻥ ﺃﻥ ﺘﻠﻙ ﺍﻟﻨﺴﺏ ﻫﻲ ﻤﻌﻜﻭﺱ ﺍﻟﻨﺴﺏ ﺍﻟﺘﻲ ﻜﻨﺕ ﺘﺘﻭﻗﻌﻬﺎ ﻓﻌﻠﻴﻙ ﻓﻲ ﻫﺫﻩ ﺍﻟﺤﺎﻟﺔ ﺃﻥ ﺘﻌﻴﺩ ﺘﻌﺭﻴﻑ ﺘﺼﻨﻴﻑ ﻗﻴﻡ ﺍﻟﻤﺘﻐﻴﺭﺍﺕ ﺍﻟﻤﺴﺘﻘﻠﺔ ﺒﺤﻴﺙ ﻴﻨﻌﻜﺱ ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﺴﺎﺒﻕ
ﺍﻷﻤﺭ ﺍﻟﺫﻱ ﺴﻴﺅﺩﻱ ﺇﻟﻰ ﺍﻟﺤﺼﻭل ﻋﻠﻰ ﺍﻟﻨﺴﺏ ﺍﻟﺼﺤﻴﺤﺔ ﻭﻫﻲ ﻤﻘﻠﻭﺏ ﺍﻟﻨﺴﺏ
ﺍﻟﺴﺎﺒﻘﺔ.
ﻭﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻟﺙ ﻤﻥ ﻗﺎﺌﻤﺔ ﻨﺘﺎﺌﺞ ﺃﻤﺭ ﺘﺤﻠﻴل ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻴﻌﻁﻲ ﻤﻌﻠﻭﻤﺎﺕ ﺤﻭل ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﺒﺩﺌﻲ )ﻓﻲ ﻅل ﺼﺤﺔ ﺍﻟﻔﺭﻀﻴﺔ ﺍﻟﻌﺩﻤﻴﺔ( ﻭﺍﻟﺫﻱ ﻴﺤﺘﻭﻱ
ﻋﻠﻰ ﻋﻨﺼﺭ ﺍﻟﺜﺎﺒﺕ ﻓﻘﻁ ﻭﻗﺒل ﺩﺨﻭل ﺃﻱ ﻤﺘﻐﻴﺭﺍﺕ ﻤﺴﺘﻘﻠﺔ ﻟﻠﻨﻤﻭﺫﺝ )ﺸﻜل ،(28-14 ﻭﻫﺫﻩ ﺍﻟﻤﻌﻠﻭﻤﺎﺕ ﻟﻴﺴﺕ ﺫﺍﺕ ﺃﻫﻤﻴﺔ ﻜﺒﻴﺭﺓ ﺇﻻ ﺃﻨﻬﺎ ﺘﻌﻁﻲ ﺃﺴﺎﺴﹰﺎ ﻟﻠﻤﻘﺎﺭﻨﺔ ﻤﻊ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻷﺨﺭﻯ ﺍﻷﻜﺜﺭ ﺃﻫﻤﻴﺔ ﺍﻟﻨﺎﺘﺠﺔ.
ﻭﺍﻟﺠﺯﺀ ﺍﻟﺭﺍﺒﻊ ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ )ﺸﻜل (29-14ﻴﺒﻴﻥ ﻤﻌﻠﻭﻤﺎﺕ ﺤﻭل
ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺫﻱ ﺘﻡ ﺘﻘﺩﻴﺭﻩ ﻜﻤﺎ ﻁﻠﺏ ﻤﻥ ﺍﻟﻨﻅﺎﻡ ،ﻭﺘﻤﻜﻥ ﻫﺫﻩ ﺍﻟﻤﻌﻠﻭﻤﺎﺕ ﺍﻟﻤﺴﺘﺨﺩﻡ ﻤﻥ ﻤﻘﺎﺭﻨﺔ ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ ﺒﺎﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﺒﺩﺌﻲ ﺍﻟﺴﺎﺒﻕ ،ﻓﺘﻅﻬﺭ ﻓﻲ ﻫﺫﺍ ﺍﻟﺸﻜل ﻤﻌﻠﻭﻤﺎﺕ ﻋﻥ
ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺫﻱ ﻴﺤﺘﻭﻱ ﻋﻠﻰ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﻤﺴﺘﻘل ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ Feeding typeﺒﺎﻹﻀﺎﻓﺔ
ﺇﻟﻰ ﺍﻟﺜﺎﺒﺕ ، constantﻭﻫﻨﺎﻙ ﺍﻟﻌﺩﻴﺩ ﻤﻥ ﺍﻟﻤﻘﺎﻴﻴﺱ ﻭﺍﻻﺨﺘﺒﺎﺭﺍﺕ ﺍﻟﺘﻲ ﺘﺒﻴﻥ ﺠﻭﺩﺓ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺫﻱ ﺘﻡ ﺘﻭﻓﻴﻘﻪ ﻟﻠﺘﻌﺒﻴﺭ ﻋﻥ ﺍﻟﻌﻼﻗﺔ ﺒﻴﻥ ﺍﻟﻤﺘﻐﻴﺭﻴﻥ ﻤﻥ ﻭﺍﻗﻊ ﻫﺫﻩ ﺍﻟﺒﻴﺎﻨﺎﺕ،
ﻻﺤﻅ ﺒﺎﻟﺘﺤﺩﻴﺩ ﻜﻴﻑ ﺍﻨﺨﻔﻀﺕ ﻗﻴﻤﺔ -2 log likelihoodﻭﺃﺼﺒﺤﺕ 91.9ﻤﻘﺎﺭﻨﺔ
ﺒﺎﻟﻘﻴﻤﺔ ﺍﻟﺴﺎﺒﻘﺔ ﻟﻠﻨﻤﻭﺫﺝ ﺍﻟﻤﺒﺩﺌﻲ . 111.6
ﻭﻴﻌﻁﻲ ﻨﻅﺎﻡ SPSSﺃﻴﻀﹰﺎ ﻗﻴﻤﺘﻴﻥ ﻟﻤﻌﺎﻤل ﺍﻟﺘﺤﺩﻴﺩ ) R2ﻤﺭﺒﻊ ﻤﻌﺎﻤل
ﺍﻻﺭﺘﺒﺎﻁ( ﻭﺍﻟﻠﺫﻴﻥ ﻴﻘﺩﺭﺍﻥ ﻤﻘﺩﺍﺭ ﺍﻟﺘﻐﻴﺭ ﻓﻲ ﺍﻟﻤﺘﻐﻴﺭ ﺍﻟﺘﺎﺒﻊ ﺍﻟﺫﻱ ﻴﺸﺭﺤﻪ ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ،
ﻭﻟﻜﻥ ﻴﺠﺏ ﺍﻟﺤﺫﺭ ﻫﻨﺎ ﻋﻨﺩ ﺘﻔﺴﻴﺭ ﺍﻟﺘﻐﻴﺭ ﻓﻲ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ .
( ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ14)
506
ﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻟﺙ ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﻌﻁﻲ ﻤﻌﻠﻭﻤﺎﺕ ﺤﻭل ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﺒﺩﺌﻲ: 28-14 ﺸﻜل .)ﻓﻲ ﻅل ﺼﺤﺔ ﺍﻟﻔﺭﻀﻴﺔ ﺍﻟﻌﺩﻤﻴﺔ( ﻭﺍﻟﺫﻱ ﻴﺤﺘﻭﻱ ﻋﻠﻰ ﻋﻨﺼﺭ ﺍﻟﺜﺎﺒﺕ ﻓﻘﻁ Classification Tablea,b Predicted Exclusive breast feeding at discharge Observed Step 0 Exclusive breast feeding at discharge
No
Yes
Percentage Correct
No
0
32
.0
Yes
0
52
100.0
Overall Percentage 61.9 a. Constant is included in the model. b. The cut value is .500 Variables in the Equation 95.0% C.I.for EXP(B) B Step 0 Constant
S.E. Wald
df
Sig.
Exp(B)
.485 .225 4.669
1
.031
1.625
Lower Upper
Variables not in the Equation
Step 0 Variables Overall Statistics
FEEDING(1)
Score
df
Sig.
18.298
1
.000
18.298
1
.000
ﻓﻲ ﻫﺫﺍ ﺍﻟﺠﺩﻭل )ﺸﻜلChi-square tests ﻭﺘﻌﻁﻲ ﺍﺨﺘﺒﺎﺭﺍﺕ ﻜﺎﻱ ﺴﻜﻭﻴﺭ
ﻭﻴﻤﻜﻨﻙ ﺃﻥ،( ﻤﻌﻠﻭﻤﺎﺕ ﻋﻥ ﺠﻭﺩﺓ ﺘﻭﻓﻴﻕ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ ﻟﻬﺫﻩ ﺍﻟﺒﻴﺎﻨﺎﺕ29-14 ﻫﻨﺎ ﻤﺴﺎﻭﻴﺔ ﺘﻤﺎﻤﹰﺎ ﻟﻘﻴﻤﺔChi-square tests ﺘﻼﺤﻅ ﺃﻥ ﻗﻴﻤﺔ ﺍﺨﺘﺒﺎﺭﺍﺕ ﻜﺎﻱ ﺴﻜﻭﻴﺭ
. ﺍﻟﻤﺫﻜﻭﺭﺓ ﺃﻋﻼﻩ-2 log likelihood
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
507
ﺸﻜل : 29-14ﺍﻟﺠﺯﺀ ﺍﻟﺭﺍﺒﻊ ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﻌﻁﻲ ﻤﻌﻠﻭﻤﺎﺕ ﺤﻭل ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ ﺍﻟﺫﻱ ﺘﻡ ﺘﻘﺩﻴﺭﻩ ،ﻭﺘﻤﻜﻥ ﺍﻟﻤﺴﺘﺨﺩﻡ ﻤﻥ ﻤﻘﺎﺭﻨﺔ ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ ﺒﺎﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﺒﺩﺌﻲ ﺍﻟﺴﺎﺒﻕ. Block 1: Method = Enter Omnibus Tests of Model Coefficients Sig.
df
Chi-square
.000
1
19.677
.000
1
19.677
Block
.000
1
19.677
Model
Step 1 Step
Model Summary Nagelkerke R Square
Cox & Snell R Square
-2 Log likelihood
.284
.209
91.964
Step 1
ﻭﺍﻟﺠﺯﺀ ﺍﻟﺘﺎﻟﻲ ﻤﻥ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻫﻭ ﺍﻟﺠﺯﺀ ﺍﻟﺭﺍﺒﻊ )ﺸﻜل (30-14ﻭﻴﻌﻁﻲ ﺠﺩﻭل ﺘﺼﻨﻴﻑ classification tableﻟﻠﻘﻴﻡ ﺍﻟﻤﺘﻭﻗﻌﺔ ﺍﻟﻤﺤﺴﻭﺒﺔ ﻋﻠﻰ ﺃﺴﺎﺱ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ
ﺍﻟﺫﻱ ﺘﻡ ﺘﻘﺩﻴﺭﻩ ﻟﻠﺒﻴﺎﻨﺎﺕ.
ﺸﻜل : 30-14ﺍﻟﺠﺯﺀ ﺍﻟﺭﺍﺒﻊ ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﻌﻁﻲ ﺠﺩﻭل ﺘﺼﻨﻴﻑ classification tableﻟﻠﻘﻴﻡ ﺍﻟﻤﺘﻭﻗﻌﺔ ﺍﻟﻨﺎﺘﺠﺔ ﻤﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻨﻬﺎﺌﻲ ﺍﻟﺫﻱ ﺘﻡ ﺘﻘﺩﻴﺭﻩ. a Classification Table
Predicted Exclusive breast feeding at discharge
Percentage Correct
Yes
No
84.4
5
27
63.5
33
19
71.4
Observed Step 1 Exclusive breast No feeding at discharge Yes Overall Percentage a. The cut value is .500
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
508
ﻭﺠﺩﻭل ﺍﻟﺘﺼﻨﻴﻑ ﺍﻟﺴﺎﺒﻕ ﻻ ﻴﻌﺘﺒﺭ ﺫﻭ ﺃﻫﻤﻴﺔ ﻜﺒﻴﺭﺓ ﻓﻲ ﻫﺫﺍ ﺍﻟﺘﻁﺒﻴﻕ ﺴﻭﻯ ﺍﻨﻪ ﻴﻌﻁﻲ ﻤﻌﻠﻭﻤﺎﺕ ﻤﻔﻴﺩﺓ ﺤﻭل ﺤﺴﺎﺴﻴﺔ ﻭﺨﺼﻭﺼﻴﺔ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﺫﻱ ﺘﻡ ﺘﻭﻓﻴﻘﻪ ﻋﻨﺩ ﺍﺴﺘﺨﺩﺍﻡ ﺍﺨﺘﺒﺎﺭﺍﺕ ﻟﻠﺘﺤﻘﻕ ﻤﻥ ﺼﺤﺔ ﺍﻟﻨﻤﻭﺫﺝ.
ﻭﺍﻟﺠﺯﺀ ﺍﻟﺨﺎﻤﺱ ﻭﺍﻷﺨﻴﺭ ﺍﻟﺘﺎﻟﻲ )ﺸﻜل (31-14ﻤﻥ ﻗﺎﺌﻤﺔ ﻨﺘﺎﺌﺞ ﺘﺤﻠﻴل
ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﻟﻠﺒﻴﺎﻨﺎﺕ ﻴﻭﻀﺢ ﺘﻘﺩﻴﺭﺍﺕ ﻟﻤﻌﺎﻟﻡ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﺫﻱ ﺘﻡ ﺘﻭﻓﻴﻘﻪ. ﺸﻜل : 31-14ﺍﻟﺠﺯﺀ ﺍﻟﺨﺎﻤﺱ ﻭﺍﻷﺨﻴﺭ ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﻭﻴﻌﻁﻲ ﺘﻘﺩﻴﺭ ﻤﻌﺎﻟﻡ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻨﻬﺎﺌﻲ ﺍﻟﺫﻱ ﺘﻡ ﺘﻘﺩﻴﺭﻩ ﻭﻤﻌﻠﻭﻤﺎﺕ ﻋﻥ ﻤﺴﺘﻭﻯ ﺍﻟﺩﻗﺔ ﻓﻲ ﺍﻟﺘﻘﺩﻴﺭ. Variables in the Equation 95.0% C.I.for )EXP(B df Sig. Exp(B) Lower Upper .323
.035
.107
.000
.000 6.600
Wald
S.E.
B a
Step 1 FEEDING(1-2.238 .566 15.660 1 .480 15.462 1
1.887
Constant
a. Variable(s) entered on step 1: FEEDING.
ﻤﻥ ﺍﻟﻤﻌﻠﻭﻤﺎﺕ ﺍﻟﻭﺍﺭﺩﺓ ﻓﻲ ﺍﻟﺸﻜل ﺍﻟﻨﻬﺎﺌﻲ ﺍﻟﺴﺎﺒﻕ ﻴﻤﻜﻥ ﺍﺴﺘﻨﺒﺎﻁ ﻨﻤﻭﺫﺝ
ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﺫﻱ ﺘﻡ ﺘﻭﻓﻴﻘﻪ ﻟﻠﺒﻴﺎﻨﺎﺕ ﻋﻠﻰ ﺍﻟﺼﻭﺭﺓ ﺍﻟﺘﺎﻟﻴﺔ:
log odds = 1.887 - 2.238 × FEEDING
ﻭﺤﻴﺙ ﺃﻨﻪ ﻤﻥ ﺍﻟﻨﻘﺎﺵ ﺍﻟﻭﺍﺭﺩ ﺃﻋﻼﻩ ﻨﻌﻠﻡ ﺃﻥ ﻨﻅﺎﻡ SPSSﻗﺎﻡ ﺒﺈﻋﺎﺩﺓ ﺘﺼﻨﻴﻑ
ﺍﻟﻤﺘﻐﻴﺭ ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ ) Feeding typeﺸﻜل (27-14ﻟﻴﺄﺨﺫ ﺍﻟﻘﻴﻤﺔ 0=Tubes
ﻭﺍﻟﻘﻴﻤﺔ 1=Bottleﻜﻤﺅﺸﺭ ﻓﺈﻥ ﻨﺴﺏ ﺍﻟﺨﻼﻑ Odds Ratiosﻟﻤﺘﻐﻴﺭ ﻨﻭﻉ ﺍﻟﺭﻀﺎﻋﺔ
)ﺴﻨﺸﻴﺭ ﻟﻪ BFﻓﻴﻤﺎ ﻴﻠﻲ( ﻴﻤﻜﻥ ﺤﺴﺎﺒﻬﺎ ﺒﺩﺍﻴﺔ ﻟﻠﻘﻴﻤﺔ 0= Tubesﻜﻤﺎ ﻴﻠﻲ: log odds (BF) = 1.887 - 2.238 × 0 = 1.887
ﺃﻱ ﺃﻥ : odds (BF) = e1.887 = 6.6002
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
509
ﻭﺒﺎﻟﺘﺎﻟﻲ ﻓﺈﻨﻪ ﻴﻤﻜﻥ ﺘﻘﺩﻴﺭ ﺍﺤﺘﻤﺎل ﺃﻥ ﻴﻜﻭﻥ ﺍﻟﻁﻔل ﺭﻀﺎﻋﺔ ﻁﺒﻴﻌﻴﺔ ﻋﻨﺩﻤﺎ ﻴﺄﺨﺫ ﺍﻟﻤﺘﻐﻴﺭ ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ ﺍﻟﻘﻴﻤﺔ : 0=Tubes 6.6002 = 0.868 1 + 6.6002
= )Prob (BF
ﻭﻴﻤﻜﻥ ﻤﻌﺭﻓﺔ ﺤﻘﻴﻘﺔ ﺃﻥ ﻨﻅﺎﻡ SPSSﻗﺎﻡ ﺒﺈﻋﺎﺩﺓ ﺘﺼﻨﻴﻑ ﻤﺘﻐﻴﺭ ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ Feeding typeﻟﻴﺄﺨﺫ ﺍﻟﻘﻴﻤﺔ 0=Tubesﻭﺍﻟﻘﻴﻤﺔ ) 1=Bottle Feeding (BFﻜﻤﺅﺸﺭ
ﻤﻥ ﺠﺩﻭل ﺍﻟﺘﺼﻨﻴﻑ ﻓﻲ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﺃﻋﻼﻩ )ﺸﻜل ،(27-14ﻭﺒﺎﻟﻤﺜل ﻴﻤﻜﻥ ﺇﻋﺎﺩﺓ ﺍﻟﺤﺴﺎﺒﺎﺕ ﺍﻟﺴﺎﺒﻘﺔ ﻟﻠﻘﻴﻤﺔ 1=Bottleﻜﻤﺎ ﻴﻠﻲ:
log odds (BF) = 1.887 - 2.238 × 1 = - 0.3514
ﺃﻱ ﺃﻥ : odds (BF) = e -0.3514 = 0.7037
ﻭﺒﺎﻟﺘﺎﻟﻲ ﻓﺈﻨﻪ ﻴﻤﻜﻥ ﺘﻘﺩﻴﺭ ﺍﺤﺘﻤﺎل ﺃﻥ ﻴﻜﻭﻥ ﺍﻟﻁﻔل ﺭﻀﺎﻋﺔ ﻁﺒﻴﻌﻴﺔ ﻋﻨﺩﻤﺎ ﻴﺄﺨﺫ
ﺍﻟﻤﺘﻐﻴﺭ ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ ﺍﻟﻘﻴﻤﺔ: 1=Bottle
0.7037 = 0.413 1 + 0.7037
= )Prob (BF
ﻻﺤﻅ ﺃﻥ ﺍﻻﺤﺘﻤﺎﻟﻴﻥ ﺍﻟﺴﺎﺒﻘﻴﻥ ﺍﻟﺫﻴﻥ ﺘﻡ ﺤﺴﺎﺒﻬﻤﺎ ﺃﻋﻼﻩ ﻴﻁﺎﺒﻘﺎﻥ ﻨﺴﺒﺘﻲ
ﺍﻟﺼﻔﻭﻑ ﺍﻟﻠﺘﻴﻥ ﻅﻬﺭﺘﺎ ﺴﺎﺒﻘﹰﺎ ﻓﻲ ﺸﻜل ،19-14ﻭﻟﻜﻥ ﻓﻲ ﺤﺎﻟﺔ ﺍﻟﻨﻤﺎﺫﺝ ﺍﻟﺘﻲ ﺘﺤﺘﻭﻱ
ﻋﻠﻰ ﺃﻜﺜﺭ ﻤﻥ ﻤﺘﻐﻴﺭ ﻤﺴﺘﻘل ﻭﺍﺤﺩ ﻟﻥ ﻴﻜﻭﻥ ﺒﺈﻤﻜﺎﻨﻨﺎ ﺍﻟﺭﺒﻁ ﺒﻴﻥ ﻗﻴﻡ ﻫﺫﻩ ﺍﻻﺤﺘﻤﺎﻻﺕ ﻭﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻨﺴﺒﻴﺔ ﻜﻤﺎ ﺴﺒﻕ.
ﺒﺎﻹﻀﺎﻓﺔ ﻋﻠﻰ ﻤﺎ ﺴﺒﻕ ﻓﺈﻥ ﻨﻅﺎﻡ SPSSﻴﻘﻭﻡ ﺒﺘﻘﺩﻴﺭ ﻗﻴﻤﺔ ) Exp(Bﻭﺍﻟﺘﻲ
ﺘﻘﺩﺭ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ Odds Ratioﻭﻫﻲ ﻓﻲ ﻫﺫﺍ ﺍﻟﻤﺜﺎل ﻤﺴﺎﻭﻴﺔ 0.1066ﺃﻱ : Exp ( B) = e −2.2385 = 0.1066
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
510
ﻻﺤﻅ ﺃﻥ ﻫﺫﻩ ﺍﻟﻨﺴﺒﺔ ﻟﻴﺴﺕ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ Odds Ratioﺍﻟﺘﻲ ﻅﻬﺭﺕ ﻓﻲ ﺸﻜل ،20-14ﻭﻴﻤﻜﻥ ﺍﻟﺤﺼﻭل ﻋﻠﻰ ﻨﺴﺒﺔ ﺘﺴﺎﻭﻱ ﺍﻟﻨﺴﺒﺔ ﺍﻟﺴﺎﺒﻘﺔ ﺘﻤﺎﻤﹰﺎ ﺇﻤﺎ ﺒﺘﻐﻴﻴﺭ ﺍﻟﻤﺅﺸﺭ ﻭﺇﻋﺎﺩﺓ ﺍﻟﺘﺤﻠﻴل ﺃﻭ ﺒﺒﺴﺎﻁﺔ ﺒﺈﻴﺠﺎﺩ ﻤﻘﻠﻭﺏ ﺍﻟﻨﺴﺒﺔ ﺍﻟﺴﺎﺒﻘﺔ ﻜﻤﺎ ﻴﻠﻲ: 1 = 9.381 0.1066
= odds ratio
ﻭﻟﻜﻨﻬﺎ ﻟﻴﺴﺕ ﻤﻁﺎﺒﻘﺔ ﻟﻨﻔﺱ ﺍﻟﻨﺴﺒﺔ ﺒﺩﻗﺔ ،ﻭﻫﺫﺍ ﻴﻌﻭﺩ ﻓﻘﻁ ﺇﻟﻰ ﺃﺨﻁﺎﺀ ﻓﻲ
ﺍﻟﺘﻘﺭﻴﺏ ﻭﻟﻴﺱ ﺃﻜﺜﺭ ،ﻭﻴﻤﻜﻥ ﺃﻴﻀﺎ ﺒﻨﻔﺱ ﺍﻟﻁﺭﻴﻘﺔ ﺍﻟﺴﺎﺒﻘﺔ ﺍﻟﺤﺼﻭل ﻋﻠﻰ 95%ﻓﺘﺭﺓ
ﺜﻘﺔ ﻟﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ ﺍﻷﺨﻴﺭﺓ ﺒﺎﺴﺘﺨﺩﺍﻡ ﺍﻟﻨﺴﺒﺔ ﺍﻟﻨﺎﺘﺠﺔ ﻋﻥ ﻁﺭﻴﻕ ﺇﻴﺠﺎﺩ ﻤﻘﻠﻭﺏ ﺤﺩﻱ ﺍﻟﺜﻘﺔ ﺍﻟﺴﺎﺒﻘﻴﻥ ﻜﻤﺎ ﻴﻠﻲ:
⎞ 1 ⎛ 1 ⎜ = 95% CI , )⎟ = (28.4 , 3.1 ⎠ ⎝ 0.035 0.323
ﻭﻨﺤﺼل ﻋﻠﻰ ﻓﺘﺭﺓ ﺍﻟﺜﻘﺔ ﺍﻟﻤﻁﻠﻭﺒﺔ ﺒﻌﺩ ﺍﺴﺘﺒﺩﺍل ﺤﺩﻱ ﺍﻟﺜﻘﺔ ﺃﻋﻼﻩ . ﻭﺍﻵﻥ ،ﺍﻟﻤﺭﺤﻠﺔ ﺍﻟﺘﺎﻟﻴﺔ ﻭﻫﻲ ﺘﻭﻓﻴﻕ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﻌﺩل ﻟﻠﺒﻴﺎﻨﺎﺕ ،ﻓﻤﻥ ﺍﻟﻨﻤﻭﺫﺝ
ﺍﻟﺨﺎﻡ ﺍﻟﺴﺎﺒﻕ ﻨﺠﺩ ﺃﻥ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ ﻟﻠﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ breast feedingﻓﻲ ﻤﺠﻤﻭﻋﺔ Tubesﺃﻋﻠﻰ ﺒﺘﺴﻊ ﺃﻀﻌﺎﻑ ﻤﻥ ﻨﺴﺒﺔ ﻤﺠﻤﻭﻋﺔ ، bottle fedﻭﻟﻜﻥ
ﺃﻅﻬﺭﺕ ﻨﺘﺎﺌﺞ ﺘﺤﻠﻴل ﻭﺼﻔﻲ ﺴﺎﺒﻕ ﻟﻬﺫﻩ ﺍﻟﺒﻴﺎﻨﺎﺕ ﺃﻥ ﺍﻷﻤﻬﺎﺕ ﻓﻲ ﺴﻥ ﻤﺘﺄﺨﺭﺓ ﻏﺎﻟﺒﹰﺎ ﻤﺎ ﺘﻜﻭﻥ ﻤﻥ ﻀﻤﻥ ﻤﺠﻤﻭﻋﺔ Tubesﻭﺃﻥ ﺍﻷﻤﻬﺎﺕ ﺍﻷﺼﻐﺭ ﺴﻨﹰﺎ ﻏﺎﻟﺒﹰﺎ ﻤﺎ ﺘﻜﻭﻥ ﻤﻥ ﻀﻤﻥ ﻤﺠﻤﻭﻋﺔ bottle fedﻭﺫﻟﻙ ﻋﻠﻰ ﺍﻟﺭﻏﻡ ﻤﻥ ﻋﺸﻭﺍﺌﻴﺔ ﺍﻟﺒﻴﺎﻨﺎﺕ ،ﻭﺒﻬﺫﺍ ﻗﺩ ﻨﻔﻜﺭ ﺃﺤﻴﺎﻨﹰﺎ ﻓﻲ ﻗﻴﺎﺱ ﺃﺜﺭ ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ ﻋﻠﻰ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﺍﻟﺫﻱ ﻴﻤﻜﻥ ﺃﻥ ﻴﻌﺯﻯ ﺇﻟﻰ
ﺍﻟﺘﻔﺎﻭﺕ ﻓﻲ ﻋﻤﺭ ﺍﻷﻡ ،ﻭﻫﺫﺍ ﻤﺎ ﻴﻁﻠﻕ ﻋﻠﻴﻪ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﻤﻌﺩل.
ﻼ ﻤﻥ ﻭﻴﺘﻡ ﺘﻭﻓﻴﻕ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﻌﺩل ﻟﻠﺒﻴﺎﻨﺎﺕ ﺒﺈﺩﺨﺎل ﻜ ﹰ ﺍﻟﻤﺘﻐﻴﺭﻴﻥ ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ feeding typeﻭﻋﻤﺭ ﺍﻷﻡ mothers' ageﻜﻤﺘﻐﻴﺭﻴﻥ ﻤﺴﺘﻘﻠﻴﻥ ،ﻭﻴﻤﻜﻥ ﺃﻥ ﻴﺘﻡ ﺫﻟﻙ ﺒﺎﺴﺘﺨﺩﺍﻡ ﻨﻅﺎﻡ SPSSﺒﻨﻔﺱ ﺍﻟﻁﺭﻴﻘﺔ ﺍﻟﺴﺎﺒﻘﺔ ﻟﻨﺤﺼل
ﻋﻠﻰ ﻨﺘﺎﺌﺞ ﻤﺸﺎﺒﻬﺔ ﺘﻤﺎﻤﹰﺎ ﻟﺸﻜل ﺍﻟﻨﺘﺎﺌﺞ ﺍﻟﺴﺎﺒﻘﺔ ،ﻭﻴﻤﻜﻥ ﺍﻗﺘﺒﺎﺱ ﺒﻌﺽ ﺍﻟﻨﺘﺎﺌﺞ ﺍﻟﻬﺎﻤﺔ ﻫﻨﺎ ﻜﻤﺎ ﻴﻠﻲ:
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
511
ﻴﺒﻴﻥ ﺍﻟﺸﻜل 32-14ﺠﺯﺀ ﻤﻘﺘﺒﺱ ﻤﻥ ﻗﺎﺌﻤﺔ ﺍﻟﻨﺘﺎﺌﺞ ﺍﻟﻁﻭﻴﻠﺔ ﻟﺘﻭﻓﻴﻕ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﻌﺩل ﻟﻠﺒﻴﺎﻨﺎﺕ ﻭﻴﻭﻀﺢ ﻗﻴﻤﺔ -2 log Lﺤﻴﺙ Lﻫﻲ ﺩﺍﻟﺔ ﺍﻷﺭﺠﺤﻴﺔ ،ﻭﻴﺘﻀﺢ ﺃﻥ ﻫﺫﻩ ﺍﻟﻘﻴﻤﺔ ﺃﺼﻐﺭ ﻓﻲ ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ ﻤﻥ ﻨﻅﻴﺭﺘﻬﺎ ﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ
ﺍﻟﺨﺎﻡ ﺒﻴﻨﻤﺎ ﻗﻴﻤﺘﻲ R2ﺃﻜﺒﺭ ﻤﻥ ﻨﻅﻴﺭﺘﻴﻬﻤﺎ ،ﻭﻤﻥ ﺫﻟﻙ ﻴﻤﻜﻥ ﺍﺴﺘﻨﺒﺎﻁ ﻋﻤﺭ ﺍﻷﻡ ﻟﻪ
ﺘﺄﺜﻴﺭ ﻤﻌﻨﻭﻱ ﻓﻲ ﺍﻟﺘﻨﺒﺅ ﺒﺤﺎﻟﺔ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ،ﻜﻤﺎ ﺃﻥ ﻗﻴﻤﺔ ﻜﺎﻱ ﺴﻜﻭﻴﺭ ﻫﻨﺎ ﻫﻲ
ﻻﺨﺘﺒﺎﺭ ﻤﺎ ﺇﺫﺍ ﻜﺎﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺸﺎﻤل ﻋﻠﻰ ﺍﻟﻤﺘﻐﻴﺭﻴﻥ ﺍﻟﻤﺴﺘﻘﻠﻴﻥ ﻴﻌﻁﻲ ﺘﺤﺴﻥ ﻤﻌﻨﻭﻱ
ﻋﻥ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺫﻱ ﻴﺸﻤل ﺜﺎﺒﺕ ﺍﻻﻨﺤﺩﺍﺭ ﻓﻘﻁ ،ﻻﺤﻅ ﺃﻥ ﺍﻟﻘﻴﻤﺔ 28.242ﻫﻲ ﺍﻟﻔﺭﻕ
ﺒﻴﻥ ﻗﻴﻤﺔ -2 log Lﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺫﻱ ﻴﺸﻤل ﺜﺎﺒﺕ ﺍﻻﻨﺤﺩﺍﺭ ﻓﻘﻁ )ﻭﻫﻲ 111.6408
ﻭﺘﻅﻬﺭ ﻓﻘﻁ ﻓﻲ ﺍﻟﻨﺘﺎﺌﺞ ﺍﻟﻜﺎﻤﻠﺔ( ﻭﻗﻴﻤﺘﻬﺎ ﻓﻲ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺸﺎﻤل ).(83.399
ﺸﻜل : 32-14ﺍﻟﺠﺯﺀ ﺍﻷﻭل ﺍﻟﻤﻘﺘﺒﺱ ﻤﻥ ﻨﺘﺎﺌﺞ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﻌﺩل.
ﻭﻴﺒﻴﻥ ﺍﻟﺸﻜل 33-14ﺠﺯﺀﹰﺍ ﺁﺨﺭ ﻤﻘﺘﺒﺱ ﻤﻥ ﻗﺎﺌﻤﺔ ﻨﺘﺎﺌﺞ ﺘﻭﻓﻴﻕ ﻨﻤﻭﺫﺝ
ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﻌﺩل ﻟﻠﺒﻴﺎﻨﺎﺕ ،ﻭﻴﺒﻴﻥ ﺃﻥ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ odds ratioﻟﻌﻤﺭ ﺍﻷﻡ ﻤﺴﺎﻭﻴﺔ ، 1.1367ﻭﻫﺫﻩ ﺍﻟﻨﺴﺒﺔ ﺘﻌﻨﻲ ﺃﻥ ﻜل ﺴﻨﺔ ﺇﻀﺎﻓﻴﺔ ﻓﻲ ﻋﻤﺭ ﺍﻷﻡ ﺴﻭﻑ ﺘﺯﻴﺩ
ﻤﻥ ﺍﻟﺨﻼﻑ ﻓﻲ ﻋﺎﻤل ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﺒﻤﻘﺩﺍﺭ 1.14ﺘﻘﺭﻴﺒﹰﺎ ﻋﻠﻰ ﺍﻓﺘﺭﺍﺽ ﺜﺒﺎﺕ ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ. ﺒﻴﻨﻤﺎ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ ﻟﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ ﻫﻲ ،0.1443ﻭﺇﺫﺍ ﻤﺎ ﺘﻡ ﺇﻴﺠﺎﺩ ﻤﻘﻠﻭﺏ ﻫﺫﻩ
ﺍﻟﻨﺴﺒﺔ ﻓﺈﻨﻬﺎ ﺴﺘﻜﻭﻥ ،6.9ﻭﻫﺫﺍ ﻴﻌﻨﻲ ﺃﻥ ﺍﻟﺨﻼﻑ ﻓﻲ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﺃﻜﺒﺭ ﺒﺴﺒﻊ ﺃﻀﻌﺎﻑ ﻓﻲ ﻤﺠﻤﻭﻋﺔ Tubesﻤﻥ ﻤﺠﻤﻭﻋﺔ bottle fedﻋﻠﻰ ﺍﻓﺘﺭﺍﺽ ﺜﺒﺎﺕ ﻋﺎﻤل
ﻋﻤﺭ ﺍﻷﻡ ،ﻻﺤﻅ ﺃﻥ ﺃﺜﺭ ﻋﺎﻤل ﻨﻭﻉ ﺍﻟﺘﻐﺫﻴﺔ ﻤﺴﺘﺨﻠﺼﹰﺎ ﻤﻨﻪ ﻋﺎﻤل ﻋﻤﺭ ﺍﻷﻡ ﻟﻴﺱ
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
512
ﻜﺒﻴﺭﹰﺍ ﻤﺜل ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ ﺍﻟﺨﺎﻡ ﻋﻠﻰ ﺍﻟﺭﻏﻡ ﻤﻥ ﻜﺒﺭﻩ ﻭﻋﻠﻰ ﺍﻟﺭﻏﻡ ﻤﻥ ﺃﻨﻪ ﻤﻌﻨﻭﻱ )ﺤﻴﺙ p-valueﻤﺴﺎﻭﻴﺔ 0.011ﻜﻤﺎ ﺃﻥ ﻓﺘﺭﺓ ﺍﻟﺜﻘﺔ ﻻ ﺘﺤﺘﻭﻱ ﻋﻠﻰ .(1.0 ﺸﻜل : 33-14ﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻨﻲ ﺍﻟﻤﻘﺘﺒﺱ ﻤﻥ ﻨﺘﺎﺌﺞ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﻌﺩل.
ﻭﻓﻲ ﺍﻟﻤﺭﺤﻠﺔ ﺍﻟﺘﺎﻟﻴﺔ ﺒﻌﺩ ﺫﻟﻙ ﻴﻤﻜﻨﻨﺎ ﺍﻟﺘﺤﻘﻕ ﻤﻥ ﺼﺤﺔ ﺍﻟﻨﻤﻭﺫﺝ ﺍﻟﺫﻱ ﺘﻡ ﺘﻭﻓﻴﻘﻪ
ﻟﻠﺒﻴﺎﻨﺎﺕ ،ﻭﻫﺫﺍ ﻴﻤﻜﻥ ﺃﻥ ﻴﺘﻡ ﺒﺤﺴﺎﺏ ﺇﺤﺼﺎﺀ ﻫﻭﺴﻤﺭ ﻭﻟﻤﺸﻭ ﻟﺠﻭﺩﺓ ﺍﻟﻤﻁﺎﺒﻘﺔ
، Hosmer and Lemeshow Goodness of Fit Testﻭﺒﻬﺫﺍ ﺍﻻﺨﺘﺒﺎﺭ ﻴﻘﻭﻡ ﺒﻘﺴﻤﺔ ﺍﻟﺒﻴﺎﻨﺎﺕ ﺇﻟﻰ ﻋﺸﺭ ﻤﺠﻤﻭﻋﺎﺕ ،ﻭﻴﺘﻡ ﺘﻌﺭﻴﻑ ﻫﺫﻩ ﺍﻟﻤﺠﻤﻭﻋﺎﺕ ﺤﺴﺏ ﺍﻟﺘﺭﺘﻴﺏ ﺍﻟﺘﺼﺎﻋﺩﻱ ﻟﺘﻘﺩﻴﺭ ﺍﻟﻤﺨﺎﻁﺭﺓ ،ﻓﺎﻟﻤﺠﻤﻭﻋﺔ ﺍﻷﻭﻟﻰ ﺘﻘﺎﺒل ﻤﺠﻤﻭﻋﺔ ﺍﻟﻤﻔﺭﺩﺍﺕ ﺍﻟﺘﻲ ﻟﻬﺎ
ﺃﻗل ﻤﺨﺎﻁﺭﺓ ﻤﺘﻭﻗﻌﺔ ،ﻭﻓﻲ ﻫﺫﺍ ﺍﻟﻨﻤﻭﺫﺝ ﺘﻤﺜل ﻫﺫﻩ ﺍﻟﻤﺠﻤﻭﻋﺔ ﻤﺠﻤﻭﻋﺔ ﺍﻟﻤﻔﺭﺩﺍﺕ
ﺍﻟﺘﻲ ﺘﻘﺎﺒل ﺃﻋﻤﺎﺭ ﺍﻷﻤﻬﺎﺕ ﻓﻴﻬﺎ ﺍﻷﻋﻤﺎﺭ 16ﻭ 17ﻭ 18ﺴﻨﺔ ،ﻻﺤﻅ ﺃﻨﻪ ﻓﻲ ﻫﺫﻩ
ﺍﻟﻤﺠﻤﻭﻋﺔ )ﺍﻟﺘﻲ ﻋﻤﺭ ﺍﻷﻡ ﺒﻬﺎ ﻓﻲ ﻓﺌﺔ ﺍﻟﺴﻥ (18-16ﻫﻨﺎﻙ 6ﻤﻔﺭﺩﺍﺕ ﺒﻬﺎ ﻤﺴﺘﻭﻯ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﺇﻴﺠﺎﺒﻲ ﺒﻴﻨﻤﺎ ﻤﻔﺭﺩﺓ ﻭﺍﺤﺩﺓ ﻤﺴﺘﻭﻯ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﺒﻬﺎ ﺴﻠﺒﻲ،
ﻭﻫﺫﺍ ﻴﺘﻀﺢ ﻤﻥ ﻗﻴﻤﺔ ﺍﻟﺘﻜﺭﺍﺭ ﺍﻟﻤﺸﺎﻫﺩ Observedﻓﻲ ﺍﻟﺼﻑ ﺍﻷﻭل ﻓﻲ ﺍﻟﺠﺩﻭل ﻓﻲ
ﺸﻜل 34-14ﻭﻜﺫﻟﻙ ﻤﻥ ﻗﻴﻡ ﺍﻟﻤﺠﻤﻭﻋﺔ ﺍﻷﻭﻟﻰ ﻓﻲ ﺍﻟﺠﺩﻭل ﻓﻲ ﺸﻜل ،35-14 ﻭﺍﻟﻤﺠﻭﻋﺔ ﺍﻟﺘﺎﻟﻴﺔ ﺘﻘﺎﺒل ﺍﻟﻤﻔﺭﺩﺍﺕ ﺍﻟﺘﻲ ﻟﻬﺎ ﻤﺨﺎﻁﺭﺓ ﺘﻠﻲ ﻓﻲ ﻗﻴﻤﺔ ﺘﻘﺩﻴﺭ ﺍﻟﻤﺨﺎﻁﺭﺓ
ﺍﻟﻤﺠﻤﻭﻋﺔ ﺍﻟﺴﺎﺒﻘﺔ ﺤﺴﺏ ﺍﻟﺘﺭﺘﻴﺏ ﺍﻟﺘﺼﺎﻋﺩﻱ ،ﻭﻫﻲ ﻤﺠﻤﻭﻋﺔ ﺍﻟﻤﻔﺭﺩﺍﺕ ﺍﻟﺘﻲ ﺘﻘﺎﺒل
ﺃﻋﻤﺎﺭ ﺍﻷﻤﻬﺎﺕ ﻓﻴﻬﺎ 19ﻭ 20ﺴﻨﺔ.
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
513
ﻭﻴﻤﺜل ﺍﻟﻌﻤﻭﺩ Expectedﻓﻲ ﺍﻟﺠﺩﻭل ﻓﻲ ﺸﻜل 34-14ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻟﻜل ﻓﺌﺔ ﻋﻠﻰ ﺍﻓﺘﺭﺍﺽ ﺃﻥ ﺃﺜﺭ ﻋﻤﺭ ﺍﻷﻡ ﻋﻠﻰ ﺤﺎﻟﺔ ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ ﻴﺄﺨﺫ ﺍﻟﺸﻜل ﺍﻟﺨﻁﻲ ،ﻭﻴﻌﻁﻲ ﻨﻅﺎﻡ SPSSﻗﻴﻤﺔ ﺇﺤﺼﺎﺀ ﻜﺎﻱ ﺴﻜﻭﻴﺭ ﺍﻟﺫﻱ ﻴﺨﺘﺒﺭ ﻤﺎ ﺇﺫﺍ ﻜﺎﻨﺕ
ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ ﻓﻲ ﻜل ﻤﺠﻤﻭﻋﺔ ﻤﺨﺎﻁﺭﺓ ﺘﻁﺎﺒﻕ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻓﻲ ﻅل ﺍﻻﻓﺘﺭﺍﺽ ﺍﻟﺨﻁﻲ ،ﻓﺈﺫﺍ ﻜﺎﻨﺕ ﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺸﺎﻫﺩﺓ ﻭﺍﻟﺘﻜﺭﺍﺭﺍﺕ ﺍﻟﻤﺘﻭﻗﻌﺔ ﻤﺘﻘﺎﺭﺒﺔ
ﻓﺈﻨﻪ ﻴﺘﻭﻗﻊ ﺃﻥ ﺘﻜﻭﻥ ﻗﻴﻤﺔ ﺇﺤﺼﺎﺀ ﻜﺎﻱ ﺴﻜﻭﻴﺭ ﺼﻐﻴﺭﺓ ﻭﻗﻴﻤﺔ p-valueﻜﺒﻴﺭﺓ ،ﻭﻓﻲ ﺍﻟﻭﺍﻗﻊ ﻫﺫﺍ ﻫﻭ ﺍﻟﺤﺎل ﻓﻲ ﻤﺜﺎﻟﻨﺎ ﺍﻟﺤﺎﻟﻲ ،ﻭﺒﻬﺫﻩ ﺍﻟﻨﺘﻴﺠﺔ ﻓﺈﻨﻨﺎ ﺴﻭﻑ ﻨﻘﺒل ﺍﻟﻔﺭﻀﻴﺔ
ﺍﻟﻌﺩﻤﻴﺔ ﺍﻟﺘﻲ ﺘﻨﺹ ﻋﻠﻰ ﺃﻥ ﻫﻨﺎﻙ ﻋﻼﻗﺔ ﺨﻁﻴﺔ ﺒﻴﻥ ﻋﻤﺭ ﺍﻷﻡ ﻭﻟﻭﻏﺎﺭﻴﺘﻡ ﻨﺴﺒﺔ ﺍﻟﺨﻼﻑ log odd ratioﻟﻌﺎﻤل ﺍﻟﺭﻀﺎﻋﺔ ﺍﻟﻁﺒﻴﻌﻴﺔ.
ﺸﻜل :34-14ﺍﻟﺠﺯﺀ ﺍﻟﺜﺎﻟﺙ ﺍﻟﻤﻘﺘﺒﺱ ﻤﻥ ﻨﺘﺎﺌﺞ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﻌﺩل ﻭﻴﺒﻴﻥ ﻨﺘﺎﺌﺞ ﺘﻁﺒﻴﻕ ﺍﺨﺘﺒﺎﺭ ﻫﻭﺴﻤﺭ ﻭ ﻟﻤﺸﻭ ﻟﻠﻤﻁﺎﺒﻘﺔ .Hosmer and Lemeshow Test
) (14ﺍﻟﺘﺤﻠﻴل ﺍﻟﻠﻭﻏﺎﺭﻴﺘﻤﻲ ﺍﻟﺨﻁﻲ ﻭﻨﻤﺎﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ
514
ﺸﻜل : 35-14ﺍﻟﺠﺯﺀ ﺍﻟﺭﺍﺒﻊ ﺍﻟﻤﻘﺘﺒﺱ ﻤﻥ ﻨﺘﺎﺌﺞ ﻨﻤﻭﺫﺝ ﺍﻻﻨﺤﺩﺍﺭ ﺍﻟﻠﻭﺠﺴﺘﻲ ﺍﻟﻤﻌﺩل ﻭﻴﺒﻴﻥ ﺘﺼﻨﻴﻑ ﺍﻟﻤﻔﺭﺩﺍﺕ ﺤﺴﺏ ﺍﺨﺘﺒﺎﺭ ﻫﻭﺴﻤﺭ ﻭ ﻟﻤﺸﻭ ﻟﺠﻭﺩﺓ ﻟﻤﻁﺎﺒﻘﺔ.