Issuu on Google+

‫<<<<<]‪†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×vjÖ‬خ‪Šqç×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 ﺇﺫ��� 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 ﺍﻟﻤﺘ���ﻴﺭ‬

‫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 ﻴﺤ���ﻔﻅ 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 ���ﻴﻬﺎ 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.‬‬


14 التحليل اللوغرثمي الخطي ونماذج الانحدار اللوجستي