البيانات الإحصائية

الموجز

البيانات الإحصائية (Statistical Data) هي مجموعة المعطيات والقيم والمشاهدات التي تُجمع عن ظاهرة أو مجتمع معيّن بغرض وصفه وتحليله واستخلاص النتائج منه، وتمثّل المادة الأساسية التي يقوم عليها علم الإحصاء. وقد تكون البيانات كمية قابلة للقياس العددي، مثل الطول والوزن والدخل ودرجة الحرارة، أو نوعية تصف خصائص أو فئات غير رقمية، مثل الحالة الاجتماعية وفصيلة الدم. وتُصنّف البيانات الكمية بدورها إلى بيانات مستمرة وأخرى متقطعة، في حين تنقسم البيانات النوعية إلى اسمية وترتيبية. كما تُصنّف بحسب مصدرها إلى بيانات أولية تُجمع مباشرة من مصدرها، وبيانات ثانوية سبق جمعها أو نشرها لأغراض أخرى.

تبدأ العملية الإحصائية بجمع البيانات بطرائق مختلفة، مثل التعداد والعينات والاستبيانات والملاحظة والتجربة، ثم تنظيمها وتلخيصها وعرضها في الجداول والرسوم البيانية والمقاييس الإحصائية بما يسهّل اكتشاف الأنماط والعلاقات وإجراء المقارنات. ومن طرائق تمثيلها الجداول التكرارية، وجدول الساق والأوراق، والمخططات الشرائطية والدائرية.

ترتبط سلامة النتائج الإحصائية بجودة البيانات من حيث الدقة والموثوقية والاكتمال والملاءمة، وتجنّب التحيز وأخطاء القياس. وتُستخدم البيانات في الإحصاء الوصفي لتنظيم الظواهر وتلخيصها وعرض خصائصها، وفي الإحصاء الاستدلالي لاستخلاص استنتاجات عن مجتمعات أوسع اعتمادًا على العينات والنماذج الاحتمالية. وقد اتسع نطاق استخدامها مع تطور التقنيات الرقمية والبيانات الضخمة والتعلّم الآلي والذكاء الاصطناعي، فأصبحت أساسًا للتحليل والنمذجة ودعم اتخاذ القرار في العلوم والاقتصاد والطب والعلوم الاجتماعية، مع ما يصاحب استخدامها من تحديات تتصل بجودة البيانات والخصوصية وأخلاقيات التعامل معها.

مفهوم البيانات الخام

تُعرَّف البيانات في علم الإحصاء، بأنها القيم أو المشاهدات التي تُجمع عن ظاهرة معيَّنة أو مجتمع إحصائي محدَّد، بغرض الوصف والتحليل والاستدلال. وتمثّل البيانات في صورتها الأولية (البيانات الخام) معلوماتٍ غيرَ معالجة تعكس الواقع كما هو قبل إخضاعه لأي تنظيم أو تلخيص أو تحليل إحصائي. وتُسجَّل هذه البيانات وفق أسس منهجية تسمح بدراستها وتحويلها إلى معلومات قابلة للتفسير العلمي[1].

تكمن أهمية البيانات في كونها الأساس لأي دراسة إحصائية أو بحث علمي، إذ لا يمكن إجراء تحليل إحصائي أو استخلاص نتائج موثوقة دون بيانات دقيقة وملائمة لطبيعة الظاهرة المدروسة. كذلك تمكّن البيانات الباحث من تنظيم المعلومات وعرضها بصورة واضحة، سواء باستخدام الجداول الإحصائية أو الرسوم البيانية، بما يساعد على اكتشاف الأنماط وتحليل العلاقات واتخاذ قرارات مبنية على أسس علمية.

ويُعد فهم طبيعة البيانات وأنواعها خطوة أساسية قبل اختيار أساليب التمثيل والتحليل الإحصائي المناسبة، إذ إن اختلاف نوع البيانات يفرض اختلافًا في الأساليب الإحصائية المستخدمة. ويؤدي هذا الفهم إلى تحسين دقة النتائج وزيادة موثوقيتها، بما يضمن أن تعكس الاستنتاجات الواقع المدروس بصورة سليمة.

أهمية البيانات ودورها

تُعَدّ البيانات الركيزة الأساسية التي يقوم عليها علم الإحصاء، إذ لا يمكن إجراء أي وصف أو تحليل إحصائي أو استخلاص نتائج علمية ذات معنى من دون توافر بيانات دقيقة وملائمة. وتمثّل البيانات الوصف العددي أو النوعي للظواهر المختلفة، ومنها ينطلق الإحصاء لتحويل الملاحظات الخام إلى معلومات منظّمة ونماذج معرفية قابلة للتفسير والاستفادة العلمية والعملية.

وتنبع أهمية البيانات في علم الإحصاء من كونها الأساس الذي تُبنى عليه جميع المراحل الإحصائية اللاحقة، بدءًا من تنظيم البيانات وتلخيصها، مرورًا بتمثيلها في الجداول والرسوم البيانية، وصولًا إلى التحليل الإحصائي والاستدلال العلمي؛ فدقّة النتائج الإحصائية وموثوقيتها ترتبط ارتباطًا مباشرًا بجودة البيانات من حيث صحتها، وشمولها، وحداثتها، وخلوّها من التحيّز أو الأخطاء. ولذلك، يُولي علم الإحصاء اهتمامًا خاصًا بطرائق جمع البيانات وتصنيفها وتبويبها والتحقق من سلامتها قبل الشروع في تحليلها.

ففي مرحلة الوصف، تُستخدم البيانات لتنظيم الظواهر وعرضها بصورة منظّمة تساعد على فهم خصائصها العامة. ويجري ذلك من خلال ترتيب البيانات وتلخيصها باستخدام الجداول الإحصائية والرسوم البيانية والمقاييس الوصفية، مثل المتوسط الحسابي، والوسيط، والمنوال، ومقاييس التشتّت. ويهدف الوصف الإحصائي إلى تقديم صورة واضحة عن طبيعة البيانات وتوزّعها واتجاهها العام دون تعميم النتائج خارج نطاق البيانات المتاحة. وتُعد هذه المرحلة خطوة أساسية تتيح الكشف عن الأنماط العامة واكتشاف القيم الشاذة وتكوين تصوّر أولي عن الظاهرة المدروسة[2].

أما التحليل الإحصائي فيتجاوز مرحلة الوصف إلى دراسة العلاقات الارتباطية بين المتغيرات، وفهم البنية الداخلية للبيانات. ففي هذه المرحلة، تُستخدم البيانات لاختبار الفرضيات، وقياس قوة العلاقات بين المتغيرات، وبناء النماذج الإحصائية التي تفسّر السلوك الكمي للظواهر. ويشمل ذلك استخدام أدوات مثل الارتباط والانحدار، وتحليل التباين، والنماذج الاحتمالية، بحسب طبيعة البيانات وأهداف الدراسة. ويُعد التحليل الإحصائي أداة أساسية لاستخلاص الدلالات الكامنة في البيانات، وتحويل الأرقام إلى مؤشرات تفسّر الواقع بصورة أكثر دقة[3].

في الاستدلال الإحصائي، تُستخدم البيانات للانتقال من دراسة عينة محدودة إلى استخلاص نتائج عامة عن مجتمع إحصائي أوسع. وتُعد هذه المرحلة المرحلة الأساسية في العمل الإحصائي، إذ تعتمد على النماذج الاحتمالية لتقدير المعلمات المجهولة، وبناء فترات الثقة، واختبار الفرضيات. وتمكّن البيانات الباحث من تقييم درجة عدم اليقين المصاحبة للاستنتاجات، وقياس مدى موثوقية النتائج. ويُبرز هذا الدور الاستدلالي أن البيانات ليست غاية في ذاتها، بل وسيلة منهجية لاتخاذ قرارات مبنية على أسس علمية في ظلّ عدم اليقين[4].

تكامل الأدوار الإحصائية للبيانات

تكتسب البيانات أهميةً محورية في دعم اتخاذ القرار في مختلف المجالات العلمية والعملية، كالاقتصاد والعلوم الاجتماعية والطب والهندسة، إذ يتيح تحليل البيانات الإحصائية التنبؤ بالاتجاهات المستقبلية، واختبار الفرضيات، وتقييم السياسات والبرامج، وقياس المخاطر، واكتشاف العلاقات بين المتغيرات المختلفة. كذلك تمكّن البيانات من بناء قرارات قائمة على أدلة كمية موضوعية، فتقلّل الاعتماد على التخمين والانطباعات الذاتية. وإلى جانب ذلك، تؤدي البيانات دورًا أساسيًا في البحث العلمي، بوصفها الأساس الذي تُبنى عليه الفرضيات وتُختبر من خلاله النتائج، ما يضمن دقة الاستنتاجات وموثوقيتها ويسهم في تطوير المعرفة العلمية بصورة منهجية[5].

وفي عصر التطور التكنولوجي وتزايد حجم البيانات وتعقيدها، برزت أهمية البيانات بصورة أوضح، إذ أصبحت متوافرة بكميات ضخمة ومتنوعة المصادر. وقد عزّز ذلك دور علم الإحصاء بوصفه الأداة المنهجية الأساسية لاستخلاص المعنى من البيانات، وتحويلها إلى معرفة قابلة للتفسير والتوظيف في البحث العلمي وصنع القرار. وعلى ذلك، فإن البيانات لا تمثّل مجرد أرقام أو أوصاف، بل تُعد الأساس المعرفي الذي يمكّن علم الإحصاء من أداء دوره في فهم الظواهر وتحليلها بصورة علمية دقيقة ومنهجية.

وتتجلّى أهمية البيانات في تكامل أدوارها الوصفية والتحليلية والاستدلالية ضمن نسق متدرّج، فالوصف الإحصائي يمهّد لفهمها الأولي، والتحليل يكشف العلاقات والأنماط، في حين يسمح الاستدلال بتعميم النتائج وتقدير موثوقيتها. ومن خلال هذا التكامل، تتحوّل البيانات من قيم أولية إلى معرفة إحصائية منظّمة تُسهم في تفسير الظواهر ودعم البحث العلمي وصنع القرار في مختلف المجالات العلمية والاقتصادية والاجتماعية.

تعريف البيانات الإحصائية

تُعرَّف البيانات الإحصائية بأنها مجموعة من القيم والملاحظات التي تُجمع عن ظاهرة أو مجتمع معيّن بغرض الوصف والتحليل والاستدلال. وتمثّل هذه البيانات القيم الأولية (البيانات الخام) التي تُسجَّل نتيجة الملاحظة أو القياس أو العدّ، سواء أكانت كمية أم نوعية، وتشكل الأساس التي يقوم عليها التحليل الإحصائي في مختلف مراحله[6].

البيانات بوصفها قياسات وملاحظات

تُعد البيانات قياسات كمية عندما تعبّر عن خصائص قابلة للقياس العددي، مثل الطول والوزن والزمن والدخل، في حين تُعد ملاحظات نوعية عندما تصف خصائص نوعية أو فئوية، مثل الجنس أو الحالة الاجتماعية أو الفئة. وفي كلتا الحالتين، تُسجَّل البيانات بطريقة منهجية تسمح بتنظيمها وتحليلها إحصائيًا، من دون أن تنطوي في ذاتها على تفسير أو استنتاج.

الفرق بين البيانات والمعلومات الإحصائية

يمثّل الفرق الجوهري بين البيانات والمعلومات الإحصائية أن البيانات هي قيم أولية غير معالجة، في حين المعلومات الإحصائية هي نتاج تنظيم البيانات وتحليلها وتفسيرها. فبعد تصنيف البيانات وتلخيصها باستخدام الجداول والرسوم والمقاييس الإحصائية، تتحول إلى معلومات ذات معنى تساعد على فهم الظواهر واستخلاص النتائج ودعم اتخاذ القرار. وبذلك، تُعد البيانات نقطة البداية في العمل الإحصائي، في حين تمثّل المعلومات الإحصائية المرحلة التي تتحول فيها الأرقام والملاحظات إلى معرفة قابلة للتفسير والاستخدام العلمي[7].

أنواع البيانات الإحصائية

تنقسم البيانات الإحصائية إلى بيانات كمية وبيانات نوعية. وتُصنَّف البيانات الكمية إلى بيانات متقطعة (منفصلة) وبيانات مستمرة، في حين تُصنَّف البيانات النوعية إلى بيانات اسمية وبيانات ترتيبية (الشكل 1)[8].

‫[الشكل 1]‬

حذف الصورة؟

سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

حذف إلغاء

البيانات الكمية

البيانات الكمية (Quantitative Data) هي البيانات التي يمكن قياسها والتعبير عنها عدديًا، بحيث يمكن إجراء العمليات الحسابية عليها، مثل الجمع والطرح وحساب المتوسط والتباين والانحراف المعياري. وتمثّل هذه البيانات الخصائص القابلة للقياس في الظواهر المدروسة، وتوفّر وصفًا دقيقًا لمقاديرها واتجاهها العام.

وتكمن أهمية البيانات الكمية في قدرتها على إظهار الفروق والتغيّرات بين القيم، ما يتيح إجراء المقارنات والتحليل الإحصائي الكمي، وفهم درجة انتشار الظاهرة بصورة واضحة وموضوعية[9]. ومن الأمثلة على البيانات الكمية:

وتُقسم البيانات الكمية إلى قسمين[10]:

البيانات المستمرة

البيانات المستمرة (Continuous Data) هي البيانات التي يمكن أن تأخذ أي قيمة ضمن مدى معيّن، بما في ذلك القيم الكسرية، وتُقاس بدقة تتوقف على أدوات القياس. وتتميّز بقابليتها للتجزئة، مثل قياس طول شخص ليكون 172.5 سنتيمترًا. ومن الأمثلة على البيانات المستمرة: ضغط الدم، ومستوى السكر في الدم، والوزن، ودرجة الحرارة[11].

البيانات المتقطعة

البيانات المتقطعة (Discrete Data) هي البيانات التي تأخذ قيمًا محددة ومعينة فقط، وغالبًا ما تكون أعدادًا صحيحة لا يمكن تقسيمها إلى أجزاء أصغر داخل السياق نفسه. ومن الأمثلة على البيانات المتقطعة: عدد المرضى في مستشفى، أو عدد الجرعات التي تناولها المريض، أو عدد الأطفال في أسرة معينة[12].

البيانات النوعية

البيانات النوعية، أو البيانات الفئوية (Qualitative/ Categorical Data)، هي البيانات التي تعبّر عن خصائص أو صفات غير عددية للظواهر المدروسة، وتُصنَّف في فئات أو مجموعات مميّزة، وقد تُرمَّز بأرقام لأغراض التصنيف، إلا أن هذه الأرقام لا تحمل معنى كميًا مباشرًا، ولا تُجرى عليها العمليات الحسابية التقليدية مثل الجمع أو حساب المتوسط الحسابي للقيم الأصلية، وإنما تُستخدم بصورة أساسية في التصنيف والمقارنة وتحليل التكرارات والنسب المئوية[13].

وتكمن أهمية البيانات النوعية في قدرتها على تنظيم الظواهر وتصنيفها وفق خصائص مشتركة، ما يتيح فهم التباين بين الفئات داخل المجتمع الإحصائي، ودراسة العلاقات غير العددية بين المتغيرات، وهو ما يجعلها أداة أساسية في العلوم الاجتماعية والطبية والإنسانية. وتنقسم البيانات النوعية إلى نوعين رئيسين[14]:

البيانات الاسمية

البيانات الاسمية (Nominal Data) هي بيانات نوعية تُستخدم لتسمية الفئات أو تصنيفها فقط، دون وجود أي ترتيب منطقي أو تفضيل بين هذه الفئات. وتمثّل الأسماء أو الرموز فيها مجرد معرّفات، ولا تحمل أي دلالة كمية أو ترتيبية. ومن الأمثلة على البيانات الاسمية:

1. الجنس (ذكر/ أنثى).
2. فصيلة الدم (A، B، AB، O).
3. نوع العدوى (ڨيروسية، بكتيرية، طفيلية).
4. الحالة الاجتماعية (أعزب، متزوج، مطلق).
5. الألوان.

البيانات الترتيبية

البيانات الترتيبية (Ordinal Data) هي بيانات نوعية يمكن ترتيب فئاتها ترتيبًا منطقيًا وفق خصيصة معيّنة، إلا أن الفروق بين هذه الفئات لا تعبّر عن فروق كمية دقيقة، أي إن الترتيب معروف، لكن المسافة بين الفئات ليست محددة كميًا. ومن الأمثلة على البيانات الترتيبية:

1. شدة الألم (خفيف، متوسط، شديد).
2. مستوى الرضا (منخفض، متوسط، مرتفع).
3. التقديرات التعليمية (ضعيف، جيد، جيد جدًا، ممتاز).
4. ترتيب المراكز في مسابقة (الأول، الثاني، الثالث).

ويُلحَظ أن البيانات الترتيبية تختلف عن البيانات الكمية في أن الأرقام، إن استُخدمت، تعبّر عن الترتيب فقط لا عن فروق عددية حقيقية.

تصنيف البيانات بحسب المصدر

تتنوع مصادر البيانات بين البيانات الأولية التي تُجمع مباشرةً من المصدر من خلال الاستبيانات، والمقابلات، والتجارب، والملاحظات، والبيانات الثانوية المستمدة من سجلات رسمية، وتقارير، ودراسات سابقة. كذلك تختلف طرق الجمع باختلاف طبيعة المتغيرات وحجم المجتمع الإحصائي وهدف الدراسة، فقد تكون البيانات كمية عددية أو وصفية نوعية. تُصنَّف البيانات الإحصائية بحسب مصدرها إلى بيانات أولية وبيانات ثانوية، ويُعد هذا التصنيف أساسًا في فهم طبيعة البيانات وجودتها ودرجة ملاءمتها لأغراض البحث والتحليل[15].

1. البيانات الأولية (Primary Data): هي البيانات التي يجمعها الباحث مباشرة من المصدر الأصلي للظاهرة محلّ الدراسة، وذلك باستخدام أدوات مثل الاستبيانات، أو المقابلات، أو الملاحظات، أو التجارب الميدانية. وتمتاز هذه البيانات بكونها ملائمة لهدف الدراسة وحديثة، وتناسب أسئلة البحث بدقة، إلا أن جمعها غالبًا ما يتطلب وقتًا وجهدًا وتكلفة أكبر.

2. البيانات الثانوية (Secondary Data): هي البيانات التي سبق جمعها ونشرها من جهات أخرى لأغراض مختلفة، مثل التقارير الرسمية، والسجلات الإحصائية، والدراسات السابقة، وقواعد البيانات الحكومية أو الدولية. وتتميّز بسهولة الحصول عليها، غير أن استخدامها يستلزم التأكّد من دقّتها وحداثتها وملاءمتها لموضوع الدراسة الحالية.

طرق جمع البيانات

يُعَدّ جمع البيانات (Data Collection) المرحلة الأولى والأساسية في أي دراسة إحصائية، إذ تعتمد جودة النتائج والاستنتاجات اللاحقة اعتمادًا مباشرًا على دقة البيانات المجمَّعة وملاءمتها لموضوع الدراسة. ويُقصد بجمع البيانات عملية الحصول على البيانات الأولية من مصادرها المختلفة وفق منهجية علمية واضحة تضمن تمثيل الظاهرة المدروسة تمثيلًا صحيحًا. وتعتمد الدراسات الإحصائية على وسائل متعددة لجمع البيانات، ويُحدَّد اختيار الطريقة المناسبة وفق طبيعة الظاهرة المدروسة، وحجم المجتمع الإحصائي، والموارد المتاحة. ومن أبرز طرق جمع البيانات ما يأتي[16]:

1. التعداد الإحصائي: يُقصد به جمع البيانات من جميع مفردات المجتمع الإحصائي دون استثناء. ويتميّز هذا الأسلوب بالشمولية والدقة، إلا أنه يتطلب وقتًا وتكلفة وجهدًا كبيرين، ما يجعله مناسبًا للدراسات الشاملة أو المجتمعات محدودة الحجم.
2. العينة الإحصائية: تقوم هذه الطريقة على جمع البيانات من عينة ممثِّلة من المجتمع الإحصائي بدلًا من دراسته كاملًا. وتُعد أكثر استخدامًا في البحوث العملية، لما توفّره من سرعة وانخفاض في التكلفة، شريطة اختيار العينة بأسلوب علمي يضمن تمثيل المجتمع تمثيلًا صحيحًا.
3. الاستبيانات والمسوحات: تُستخدم الاستبيانات والمسوحات لجمع البيانات عبر أسئلة منظمة (ورقية أو إلكترونية) تُوجَّه إلى الأفراد. وتمتاز بقدرتها على جمع كميات كبيرة من البيانات في وقت قصير، غير أن دقتها تعتمد على وضوح الأسئلة وصدق إجابات المشاركين.
4. الملاحظة والتجربة: تعتمد الملاحظة على رصد الظاهرة مباشرة، في حين تقوم التجربة على التحكّم في بعض المتغيرات ودراسة أثرها في متغيرات أخرى. وتُستخدم هاتان الطريقتان في العلوم الطبيعية والطبية، لما توفّرانه من بيانات دقيقة حول العلاقات بين المتغيرات.

يُشترط في عملية جمع البيانات الالتزام بالحياد والدقة، وتجنب التحيز والأخطاء المنهجية، مع تحديد العينة المناسبة وأدوات القياس الملائمة، فجمع البيانات بطريقة علمية سليمة يمهّد الطريق لتنظيمها وتحليلها إحصائيًا بشكل موثوق، ويُعد أساسًا لأي تفسير علمي صحيح للظواهر المدروسة[17].

تنظيم البيانات وعرضها

بعد الانتهاء من جمع البيانات، تبدأ مرحلة تنظيم البيانات ومعالجتها بالشكل الصحيح، فيُجرى أولًا التحقق من اكتمالها، فإذا ظهرت بيانات مفقودة، يجب معالجتها أو تقديرها عند الإمكان وفق أساليب علمية.

ويُعَدّ تنظيم البيانات وعرضها مرحلة أساسية في العمل الإحصائي، إذ تهدف إلى تحويل البيانات الخام إلى صورة منظّمة وواضحة تسهّل فهمها وتحليلها واستخلاص النتائج منها. ويساعد هذا التنظيم على إبراز خصائص البيانات، واكتشاف الأنماط العامة، والمقارنة بين القيم المختلفة قبل الانتقال إلى التحليل. وتجري عملية تنظيم البيانات وعرضها عبر عدة أساليب رئيسة، من أبرزها الجداول الإحصائية، والتمثيل البياني، والتلخيص الإحصائي.

1. الجداول الإحصائية: تُستخدم لتنظيم البيانات في صفوف وأعمدة وفق نظام منظّم يسهّل قراءتها ومقارنتها. وقد تكون الجداول بسيطة تعرض متغيرًا واحدًا، أو مركّبة تربط بين متغيرين أو أكثر. وتمكّن الجداول الإحصائية من عرض كم كبير من البيانات بصورة موجزة ومنظمة، كذلك تُعد الأساس لبناء الرسوم البيانية والتحليلات اللاحقة.

2. التمثيل البياني: يهدف إلى عرض البيانات بصورة مرئية تساعد على إدراك العلاقات والاتجاهات العامة بسرعة ووضوح. وتشمل أشكال التمثيل البياني الرسوم بالأعمدة، والقطاعات الدائرية، والمنحنيات، والمدرجات التكرارية. ويُسهم هذا الأسلوب في تبسيط تفسير البيانات، وإبراز الفروق والتغيرات، ما يجعله أداة فعّالة في عرض النتائج وتوضيحها.

3. التلخيص الإحصائي للبيانات: يُقصد به استخدام مقاييس عددية لوصف البيانات بإيجاز، مثل مقاييس النزعة المركزية (كالوسط الحسابي والوسيط والمنوال)، ومقاييس التشتت (كالمدى والتباين والانحراف المعياري). ويهدف هذا التلخيص إلى إعطاء صورة عامة عن موقع البيانات وانتشارها، من دون الحاجة إلى عرض جميع القيم الفردية، ما يساعد على التحليل واتخاذ القرار.

قد تأتي أيضًا على شكل جداول جاهزة. وبسبب هذا التنوع، يصبح من الضروري تنظيم هذه البيانات بصورة منهجية، وذلك من خلال اتجاهين رئيسين[18]:

1. تنظيم البيانات (الكمية أو النوعية): في هذا الاتجاه تُرتّب البيانات كما جُمعت مباشرة ضمن جداول تُعرف بالجداول التكرارية البسيطة. ويهدف هذا التنظيم إلى تبسيط البيانات وتوضيحها، بحيث يسهل تمثيلها لاحقًا باستخدام عروض بيانية مناسبة تساعد على فهم الأنماط والعلاقات.

2. تجميع البيانات الكمية: تُقسّم البيانات الكمية إلى فئات محددة، وتُعرض ضمن جداول خاصة تُسمّى جداول التوزيع التكرارية. ويُطلق على البيانات التي تظهر بهذه الصورة أنها بيانات مجمعة أو مجدولة، نظرًا لأن قيمها تُدمج ضمن فئات بدل عرضها بصورة فردية. وبعد ذلك، تُحوَّل هذه الجداول أيضًا إلى تمثيلات بيانية مناسبة توضح سلوك البيانات واتجاهاتها.

تُعدّ البيانات الخام المرحلة الأولى في التعامل الإحصائي، إذ تمثل القيم الأصلية التي جُمعت مباشرة من مصادرها قبل أي تنظيم أو معالجة. ويبدأ الباحث عادةً بجمع هذه البيانات كما هي، ثم ينتقل لاحقًا إلى تنظيمها وتحليلها، ومن الأمثلة على ذلك:

1. نتائج اختبارٍ ما لعدد من الطلاب بلغ 60 طالبًا، التي يُحصل على البيانات الآتية:
   ‫[الشكل 2]‬

   

   حذف الصورة؟

   سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

   حذف إلغاء
   ومن الواضح، أنّ هذه بيانات خام نوعية ترتيبية (Ordinal Data)، إذ تعبّر عن فئات تقديرية للدرجات (A-F) لها ترتيب محدد، لكنها لا تمثل قيمًا كمية رقمية مباشرة.

2. سؤال 30 طالبًا في كلية \( X \)عن عدد الغيابات التي حصلوا عليها خلال الفصل الدراسي الأول من هذا العام، كانت الإجابات كما يلي:
   ‫[الشكل 3]‬

   

   حذف الصورة؟

   سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

   حذف إلغاء

   ومن الواضح، أنّ هذه بيانات خام كمية لأنها تمثل أعداد الغيابات وهي قيم رقمية.

طرق تمثيل البيانات

تُعَدّ طرق تمثيل البيانات مرحلة مهمة في العمل الإحصائي، إذ تهدف إلى عرض البيانات الخام بصورة منظّمة تسهّل فهمها وتحليلها واستخلاص النتائج منها. ويساعد التمثيل المناسب على إبراز الأنماط، وتوضيح العلاقات بين القيم، وإجراء المقارنات. وتتنوع طرق تمثيل البيانات بين التمثيل الجدولي والتمثيل البياني، ويُختار الأسلوب الملائم وفق طبيعة البيانات والغرض من الدراسة.

التمثيل الجدولي للبيانات الخام

يُقصد بتمثيل البيانات الخام جدوليًا (Table Representation of Raw Data) تحويل هذه البيانات كما جُمعت إلى جدول منظّم ذي تصميم معيّن، يُسمّى عادةً الجدول التكراري للبيانات (Frequency Table). وعند الرغبة في تنظيم البيانات الخام ضمن جدول من هذا النوع، يجري إعداد جدول مكوّن من خمسة أعمدة رئيسة، ويُخصَّص كل عمود منها لوظيفة محددة على النحو الآتي في[19]:

‫[الشكل4]‬

حذف الصورة؟

سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

حذف إلغاء

ويُبنى هذا الجدول على النحو التالي:

• العمود الأول: القيمة أو الفئة (Value/ Category): يُكتب في هذا العمود ممثّل واحد لكل اسم أو رمز أو عدد بحسب طبيعة البيانات تحت الدراسة، فعلى سبيل المثال: الرمز A يمثّل جميع القيم التي تحمل هذا الرمز في بيانات مثال نتائج اختبار الطلبة.

بهذا الشكل يصبح لكل قيمة فريدة في البيانات سطر واحد في الجدول.

• العمود الثاني: التعداد (Tally Marks): يُخصّص هذا العمود لتدوين علامات التعداد، إذ يُرسم خط عمودي واحد مقابل كل مرة تظهر فيها القيمة في البيانات. وعندما يصل العدد إلى أربعة خطوط، يُوضع الخط الخامس بشكل مائل لسهولة العد. هذا العمود يساعد في الانتقال من البيانات الخام إلى عدد التكرارات بسهولة.
• العمود الثالث: التكرار (Frequency): يُسجَّل في هذا العمود العدد الفعلي للتكرار، أي عدد المرات التي ظهرت فيها كل قيمة أو اسم أو رمز في كامل البيانات. وهو ترجمة رقمية لعلامات التعداد الموجودة في العمود السابق.
• العمود الرابع: التكرار النسبي (Relative Frequency): يمثل هذا العمود نسبة تكرار كل قيمة إلى العدد الكلي للبيانات، ويُحسب وفق العلاقة:

\[\frac{\text{تكرار النوع}}{\text{إجمالي عدد التكرارات}}=\text{التكرار النسبي}\]

ويُسمّى التكرار النسبي، لأنه يربط تكرار كل قيمة بحجم البيانات الكلي بدلًا من العدد المطلق فقط.

ويُنتبه إلى أن مجموع التكرارات النسبية ينبغي أن يساوي 1 تمامًا، إذ يُفترض أن تمثّل التكرارات النسبية كامل البيانات. ولكن عند إجراء العمليات الحسابية، قد يُلجأ إلى تدوير (تقريب) الأرقام (Rounding) إلى عدد محدد من المنازل العشرية. وفي هذه الحالة، يمكن أن ينتج فرق بسيط، بحيث يصبح مجموع التكرارات النسبية أكبر أو أصغر من الواحد بدرجة طفيفة لا تؤثّر في التحليل.

• العمود الخامس: التكرار المئوي (Percentage frequency): وبالمثل في العمود الخامس، يجب أن يكون مجموع التكرارات المئوية مساويًا لـ 100 في المئة تمامًا، لأنها تعبّر عن النسب المئوية لمجموع البيانات. غير أنه عند تدوير الأرقام أثناء الحساب قد لا يُتحصل على 100 في المئة بالضبط، فيظهر المجموع أكبر قليلًا أو أصغر قليلًا من المئة، وهذا أمر طبيعي ناتج فقط عن التدوير الحسابي وليس عن خلل في البيانات.

جدول الساق والأوراق

يُعدّ جدول الساق والأوراق (Stem and Leaf Table) أحد الأساليب المهمة لتمثيل البيانات الخام عدديًا بطريقة تسمح برؤيتها بوضوح، واستخلاص شكل توزيعها دون فقدان أي قيمة من القيم الأصلية. وتعتمد فكرة هذا الجدول على فصل القيمة العددية إلى جزأين[20]:

1. الساق (Stem) وتمثّل عادةً الجزء الأكبر من الرقم (العشرات أو المئات […]).
2. الأوراق (Leafs) وتمثّل الجزء الأصغر من الرقم (الآحاد غالبًا).

وعلى سبيل المثال، تُقسّم القيم الواقعة بين 0 و9، ثم 10 و19، ثم 20 و29 إلى مجموعات متتابعة وفق هذه الآلية، فيُوضَع الجزء الأكبر في عمود الساق، في حين تُدَوَّن الآحاد في عمود الأوراق.

ولإنشاء هذا الجدول عند التعامل مع مجموعة من البيانات الكمية، تُحدَّد أولًا أصغر وأكبر قيمة في البيانات، ثم يُبدأ بتكوين عمود الساق بدءًا من أصغر خانة عشرية موجودة. بعد ذلك، تُدرَج في عمود الأوراق جميع الآحاد الموافقة لكل ساق، بحيث تُكتَب القيم الصغيرة أولًا ثم الأكبر تدريجيًا. وإذا وُجدت قيم تنتمي إلى عشرات أعلى، تُنشأ لها ساق جديدة وتُضاف أوراقها في الصف نفسه. بعد الانتهاء من تجهيز جدول الساق والأوراق الأوّلي، تُرتَّب عادةً الأوراق تصاعديًا داخل كل صف، ما يجعل الجدول أكثر وضوحًا ويسهّل قراءة البيانات وتحليلها[21].

ومثال على ذلك ليُفترض أنّ هناك مجموعة البيانات الكمية الآتية (درجات اختبار):

الخطوات:

1. تحديد أصغر وأكبر قيمة: أصغر قيمة (17)، وأكبر قيمة (33).
2. تحديد الساقات (الخانة العشرية): القيم تقع ضمن العشرات 10-19، والعشرات 20-29، والعشرات 30-39؛ إذن الساقات هي 1-2-3.
3. وضع الآحاد ضمن كل ساق كما هي (قبل الترتيب).

4. ترتيب الأوراق داخل كل ساق تصاعديًا.

التمثيل الشرائطي للبيانات الخام

التمثيل الشرائطي أو التمثيل بالأعمدة (Bar Chart Representation of Raw Data) هو أسلوب رسومي شائع لعرض البيانات، ويُستخدم بشكل رئيس للبيانات النوعية أو البيانات الكمية المجمعة. يتيح هذا النوع من التمثيل مقارنة التكرارات أو القيم النسبية لكل فئة أو قيمة بشكل بصري واضح وسهل الفهم، كذلك يعطي انطباعًا سريعًا عن طبيعة البيانات وسلوكها، وذلك بسبب قدرة الإنسان على التمييز البصري السريع عند النظر إلى الرسومات والمشاهد، ويمكن أن يكون أفقيًا أو عموديًا (الشكل 5)[22].

‫[الشكل 5]‬

حذف الصورة؟

سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

حذف إلغاء

يمكن استخدام التكرار النسبي (Relative Frequency) أو التكرار المئوي (Percentage Frequency) بدلًا من التكرار العادي عند تمثيل البيانات بشرائط عمودية أو أفقية، وهذا يسمح بالمقارنة بين مجموعات بيانات مختلفة بسهولة أكبر، خصوصًا عند اختلاف حجم العينات[23].

الشرائط المزدوجة

عند الرغبة في مقارنة مجموعتين من البيانات ضمن الفئات نفسها بطريقة مرئية مباشرة. في هذا النوع من الرسوم، تُمثَّل كل فئة بشرائط مزدوجة (Double Bar Chart)، بحيث يكون لكل مجموعة شريط خاص بها موضوع بجانب الشريط الآخر للفئة نفسها، ما يسهل المقارنة بين المجموعتين[24].

يُعد هذا الأسلوب مفيدًا عند وجود بيانات مرتبطة أو متقابلة (Paired Data) لأي سبب، مثل مقارنة نتائج مجموعتين من الطلاب في اختبار واحد، أو مقارنة مبيعات منتجين مختلفين عبر الفترات الزمنية نفسها. مثال على ذلك:

عند محاولة تمثيل نتائج طلاب وطالبات ناجحين في الاختبار نفسه، بحيث يُحصل على عدد الطلاب الناجحين وعدد الطالبات الناجحات. عند تمثيل هذه البيانات بشرائط مزدوجة، سيكون لكل مستوى شريطان متوازيان: شريط يمثل الطلاب وآخر يمثل الطالبات، ويُرتَّب كل شريط حسب ارتفاعه بما يتناسب مع عدد الناجحين. هذا يُسهل المقارنة البصرية الفورية بين أداء الطلاب والطالبات لكل مستوى من مستويات الاختبار (الشكل 6).

‫[الشكل 6]‬

حذف الصورة؟

سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

حذف إلغاء

البيانات المجزأة

التمثيل الشرائطي المجزأ للبيانات (Segmented Data) هو أسلوب رسومي يُستخدم لعرض البيانات التي تتكوّن من مكونات متعددة ضمن الفئة نفسها. في هذا النوع من التمثيل، يُظهر كل شريط كامل يمثل الفئة الكلية، وينقسم الشريط إلى أجزاء صغيرة، بحيث يعكس كل جزء قيمة فرعية أو مكوّنًا من بيانات الفئة، إذ يتيح هذا الأسلوب مقارنة التركيب الداخلي لكل فئة بين الفئات المختلفة بسهولة، من دون الحاجة إلى رسم أعمدة منفصلة لكل مكوّن، كذلك يُسهّل رؤية النسب بين المكونات داخل كل فئة وبين الفئات نفسها، ويمكن استخدام هذا التمثيل لكل من البيانات النوعية والكمية المجزأة، ويُفضل تمييز كل جزء من الشريط باستخدام ألوان مختلفة أو أنماط محددة لتوضيح المكوّن الذي يمثله، ما يجعل القراءة والتحليل البصري للبيانات أكثر وضوحًا ودقة (الشكل 7)[25].

‫[الشكل 7]‬

حذف الصورة؟

سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

حذف إلغاء

التمثيل الدائري للبيانات الخام

التمثيل الدائري (Pie Chart Representation) هو أسلوب رسومي شائع يُستخدم لعرض البيانات النسبية ضمن مجموعة معينة، إذ تُصوّر كل فئة على شكل قطعة من دائرة كاملة تمثل الفئة بوصفها نسبة من الإجمالي. يُتيح هذا النوع من التمثيل رؤية توزيع البيانات بين الفئات بطريقة بصرية مباشرة وواضحة. من مميزات التمثيل الدائري قدرته على إعطاء انطباع سريع عن توزيع البيانات بين الفئات المختلفة، كذلك يُسهّل مقارنة نسب الفئات بعضها ببعض بطريقة سهلة الفهم. ويُعد هذا الأسلوب مناسبًا بشكل خاص للبيانات النوعية أو البيانات الكمية المجزأة إلى نسب مئوية، إذ يساعد القارئ على فهم التركيب النسبي لكل فئة ضمن مجموعة البيانات بسهولة[26].

وتكون خطوات إنشاء التمثيل الدائري، كالتالي[27]:

1. تحديد مجموع البيانات: يُحسب مجموع تكرارات جميع الفئات في البيانات.
2. حساب الزاوية لكل فئة: تُحسب الزاوية لكل فئة باستخدام الصيغة:

\[\alpha_{i}=\frac{n_{i}}{n}\times 360,\]

حيث:

1. \(\alpha_{i}\) هي زاوية الفئة \(i\) بالدائرة بالدرجات.
2. \(n_{i}\) هي تكرار الفئة \(i\).
3. \(n\) هي مجموع تكرارات جميع الفئات.

1. رسم الدائرة وتقسيمها: تُرسم دائرة كاملة (360 درجة) ثم تُقسَّم إلى القطع وفق الزوايا المحسوبة لكل فئة.
2. تلوين القطع وتمييزها: يُفضل تلوين كل قطعة بلون مميز أو وضع تسمية توضح الفئة ونسبتها المئوية لتسهيل القراءة والتحليل.

مثال توضيحي: إذا كانت هناك فئات A، B، AB، O لتوزيع فصائل الدم في عينة، وجرى حساب تكراراتها بوصفها نسبًا مئوية:

يمكن تحويل هذه النسب إلى زوايا:

ثم رسم دائرة كاملة مقسمة وفق هذه الزوايا، مع تلوين كل قطعة ونسبة الفئة عليها (الشكل 8).

‫[الشكل 8]‬

حذف الصورة؟

سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

حذف إلغاء

جودة البيانات الإحصائية

تُعدّ جودة البيانات الإحصائية عاملًا حاسمًا في نجاح أي دراسة إحصائية، إذ تعتمد دقة التحليل وموثوقية النتائج مباشرة على سلامة البيانات المستخدمة. وتشير جودة البيانات إلى مدى صحتها وملاءمتها وتمثيلها للظاهرة المدروسة، وتُقاس من خلال مجموعة من المعايير الأساسية، من أبرزها الدقة والموثوقية، والتحيّز وأخطاء القياس، واكتمال البيانات وصلاحيتها[28].

1. الدقة والموثوقية: تشير الدقة إلى مدى قرب البيانات من القيم الحقيقية للظاهرة المدروسة، في حين تعبّر الموثوقية عن ثبات النتائج عند تكرار القياس في الظروف نفسها. وكلما كانت أدوات القياس واضحة ومعايرة جيدًا، وكانت إجراءات جمع البيانات منضبطة، ازدادت دقّة البيانات وموثوقيتها، ما يعزّز الثقة في النتائج الإحصائية المستخلصة.

2. التحيّز وأخطاء القياس: يُعد التحيّز من أخطر المشكلات التي تؤثر في جودة البيانات، ويظهر عندما تميل البيانات إلى تمثيل جانب معيّن من الواقع على حساب جوانب أخرى، سواء بسبب تصميم العينة، أو صياغة أدوات الجمع، أو تأثير الباحث أو المستجيب. كذلك تؤدي أخطاء القياس، الناتجة عن أدوات غير دقيقة أو تسجيل غير صحيح، إلى تشويه البيانات وتقليل صدقيتها، ولذلك يُعد الكشف عن مصادر التحيّز وتقليل أخطاء القياس خطوة أساسية في ضمان جودة البيانات.

3. اكتمال البيانات وصلاحيتها: يشير اكتمال البيانات إلى مدى توافر جميع القيم المطلوبة لكل متغير في الدراسة، في حين تعني الصلاحية مدى ملاءمة البيانات لأهداف البحث والسياق الذي جُمعت من أجله، فالبيانات غير المكتملة أو غير المرتبطة مباشرة بموضوع الدراسة قد تؤدي إلى استنتاجات مضلّلة، حتى وإن كانت دقيقة في حد ذاتها. ومن ثمّ، فإن التحقق من اكتمال البيانات وصلاحيتها يُعد شرطًا أساسيًا لإجراء تحليل إحصائي سليم.

وتُمثّل جودة البيانات الأساس الذي يقوم عليه التحليل والاستدلال الإحصائي، وكل خلل في جودة البيانات ينعكس مباشرة على دقّة النتائج وموثوقيتها، ما يجعل الاهتمام بجودة البيانات خطوة لا غنى عنها في أي دراسة إحصائية.

البيانات في الإحصاء الوصفي والاستدلالي

تُعدّ البيانات الركيزة الأساسية التي يقوم عليها كلٌّ من الإحصاء الوصفي والإحصاء الاستدلالي، إذ تمثّل المادة الأولية التي ينطلق منها التحليل الإحصائي في جميع مراحله. ولا يمكن فهم أي ظاهرة أو توصيفها أو تعميم نتائجها علميًا دون الاعتماد على بيانات منظَّمة ودقيقة تعكس الواقع المدروس. ومن هذا المنطلق، تتجلّى أهمية البيانات بوصفها الرابط الجوهري بين الظواهر الواقعية والنماذج الرياضية والإحصائية التي تُستخدم لتحليلها.

في الإحصاء الوصفي، تُستخدم البيانات بهدف تنظيمها وتلخيصها وعرضها بطريقة واضحة ومبسطة، دون السعي إلى التعميم خارج نطاق البيانات المتوافرة. ويهتم هذا الفرع بوصف خصائص البيانات نفسها من خلال استخدام المقاييس الإحصائية الوصفية، مثل مقاييس النزعة المركزية (كالوسط الحسابي، والوسيط، والمنوال) التي تعطي فكرة عن القيم النموذجية أو المركزية للبيانات، ومقاييس التشتت (كالمدى، والتباين، والانحراف المعياري) التي توضّح درجة تشتت القيم وتباعدها عن المركز. كذلك تُدرَس التوزيعات الإحصائية لبيان شكل البيانات وأنماطها العامة، مثل مدى تماثلها أو انحرافها، ما يساعد على فهم السلوك العام للظاهرة المدروسة[29].

ولا يقتصر دور البيانات في الإحصاء الوصفي على الحسابات العددية فحسب، بل يشمل كذلك عرض البيانات باستخدام الجداول الإحصائية والرسوم البيانية المختلفة، كالمخططات الشرائطية والدائرية والمدرجات التكرارية، التي تُمكّن من إدراك العلاقات والاتجاهات بصريًا، وتسهم في توصيل المعلومات الإحصائية بصورة أكثر وضوحًا.

أما في الإحصاء الاستدلالي، فتتجاوز وظيفة البيانات مجرد الوصف، لتُستخدم أداةً لاستخلاص استنتاجات وتعميمات حول مجتمع إحصائي كامل بالاعتماد على بيانات مأخوذة من عينة ممثِّلة. ويستند هذا الفرع إلى نظرية الاحتمالات، التي توفّر الإطار الرياضي اللازم لقياس درجة عدم اليقين المصاحبة للاستنتاجات الإحصائية. ومن خلال البيانات العيّنية، تُقدَّر معلومات المجتمع الإحصائي، مثل المتوسطات والنسب، واختبار الفرضيات العلمية، وبناء فترات الثقة التي تعبّر عن مدى دقة التقديرات واحتمالات الخطأ المرتبطة بها[30].

وتبرز أهمية البيانات في الإحصاء الاستدلالي في قدرتها على دعم اتخاذ القرار في ظروف تتسم بعدم اليقين ونقص المعلومات الكاملة، فالاستنتاجات المستخلصة من البيانات لا تُعد حقائق مطلقة، بل نتائج احتمالية تُقيَّم في ضوء مستوى الدقة وحجم العينة وجودة البيانات المستخدمة. ولذلك، فإن موثوقية التحليل الاستدلالي تعتمد اعتمادًا مباشرًا على سلامة البيانات وتمثيلها الحقيقي للمجتمع المدروس.

ويُظهر التكامل بين الإحصاء الوصفي والإحصاء الاستدلالي أن البيانات تؤدي دورًا مزدوجًا في العملية الإحصائية، فهي من جهة وسيلة لفهم الواقع الحالي ووصفه بدقة، ومن جهة أخرى أداة للتنبؤ والتعميم واتخاذ القرارات العلمية. وبذلك، لا تُعدّ البيانات مجرد أرقام أو أوصاف منفصلة، بل تشكّل الأساس المعرفي الذي يقوم عليه الإحصاء بوصفه علمًا يهدف إلى تفسير الظواهر وتحليلها واستشراف سلوكها في مختلف مجالات المعرفة العلمية والتطبيقية[31].

البيانات في التطبيقات الحديثة

أصبحت البيانات عنصرًا محوريًا في التطبيقات العلمية الحديثة، إذ تمثّل الأساس الذي تُبنى عليه عمليات التحليل، والنمذجة، واتخاذ القرار في مختلف المجالات المعاصرة. ومع التطور التقني المتسارع وتزايد القدرة على جمع البيانات وتخزينها ومعالجتها، اتّسع نطاق استخدامها ليشمل ميادين علمية واقتصادية واجتماعية متعددة.

في العلوم الطبيعية، تُستخدم البيانات لرصد الظواهر الفيزيائية والكيميائية والبيولوجية وتحليلها، مثل قياسات الطقس والمناخ، والبيانات التجريبية في الفيزياء، والبيانات الحيوية في الطب وعلوم الحياة. وتُسهم البيانات الإحصائية في اختبار الفرضيات العلمية، والتحقق من النماذج النظرية، وفهم الأنماط الطبيعية المعقّدة، ما يعزّز دقة التفسير العلمي والتنبؤ[32].

أما في الاقتصاد والعلوم الاجتماعية، فتؤدي البيانات دورًا أساسيًا في تحليل السلوك الاقتصادي والاجتماعي، ودراسة الأسواق، والبطالة، والدخل، والفقر، واتجاهات الرأي العام. وتُستخدم البيانات في تقييم السياسات العامة، ودعم التخطيط الاقتصادي، وفهم العلاقات بين المتغيرات الاجتماعية، بما يتيح اتخاذ قرارات مبنية على أدلة كمية بدلًا من التقديرات الحدسية.

وفي العصر الرقمي، برز مفهوم البيانات الضخمة (Big Data)، التي تتميّز بحجمها الهائل، وتنوّع مصادرها، وسرعة تدفّقها. وقد أدّى ذلك إلى تطوّر تقنيات متقدمة في تحليل البيانات، تعتمد على الأساليب الإحصائية، والتعلّم الآلي، والذكاء الاصطناعي، لاستخلاص الأنماط والمعرفة من مجموعات بيانات معقّدة. وأسهمت هذه التقنيات في تحسين التنبؤ، واكتشاف العلاقات الخفية، ودعم اتخاذ القرار في مجالات مثل الطب، والتجارة الإلكترونية، والتمويل، والعلوم الاجتماعية[33].

وبذلك، أصبحت البيانات في التطبيقات الحديثة أداةً مركزية لفهم الواقع المعاصر، وربط المعرفة النظرية بالتطبيق العملي، وتعزيز دور الإحصاء وعلوم البيانات في مختلف مجالات العلم والتقنية.

التحديات المرتبطة بالبيانات الإحصائية

تواجه البيانات الإحصائية، على الرغم من أهميتها البالغة في التحليل العلمي واتخاذ القرار، عددًا من التحديات التي قد تؤثر في جودتها ودقة النتائج المستخلصة منها. وتبرز هذه التحديات بصورة خاصة في مرحلتي جمع البيانات والتعامل معها، إضافة إلى القضايا الأخلاقية المرتبطة باستخدامها.

1. مشكلات جمع البيانات: تُعد عملية جمع البيانات من أكثر مراحل العمل الإحصائي حساسية، إذ تعتمد عليها سلامة التحليل وصحة الاستنتاجات. ومن أبرز المشكلات التي قد تواجه الباحثين في هذه المرحلة نقص البيانات أو عدم اكتمالها، وصعوبة الوصول إلى المجتمع الإحصائي المستهدف، إضافة إلى الأخطاء الناتجة عن أدوات القياس غير الدقيقة أو عن سوء تصميم الاستبيانات. كذلك قد تؤدي أخطاء المعاينة، مثل اختيار عينة غير ممثلة للمجتمع، إلى تحيز النتائج وفقدان قدرتها على التعميم. ويزداد تعقيد هذه المشكلات في الدراسات الميدانية الواسعة أو عند التعامل مع ظواهر يصعب قياسها بدقة[34].

2. الخصوصية وأخلاقيات البيانات: تمثّل قضايا الخصوصية والأخلاقيات أحد أبرز التحديات المعاصرة في علم الإحصاء، لا سيما مع التوسع في جمع البيانات الشخصية واستخدام التقنيات الرقمية والبيانات الضخمة، إذ يتطلب جمع البيانات ومعالجتها الالتزام بمبادئ أخلاقية تضمن حماية خصوصية الأفراد وسرية معلوماتهم، ومنع إساءة استخدامها أو توظيفها في غير الأغراض العلمية المشروعة. كذلك تفرض أخلاقيات البيانات على الباحثين الشفافية في عرض النتائج، وتجنّب التلاعب بالبيانات أو تحريفها لخدمة أهداف معينة. ومن هنا، تبرز أهمية الأطر القانونية والأخلاقية التي تنظم جمع البيانات الإحصائية واستخدامها، بما يحقق التوازن بين الاستفادة العلمية وحماية حقوق الأفراد والمجتمعات[35].

[1] George Fulk, “Descriptive Statistics, An Important First Step,” Journal of Neurologic Physical Therapy, vol. 47, no. 2 (2023), p. 63.

[2] Ibid.

[3] Feroze Kaliyadan & Vinay Kulkarni, “Types of Variables, Descriptive Statistics, and Sample Size,” PMC, vol. 10, no. 1 (2019), pp. 82-86.

[4] Ibid.

[5] Kaliyadan & Kulkarni, op. cit.

[6] Priya Ranganathan & Nithya Gogtay, “An Introduction to Statistics: Data Types, Distributions and Summarizing Data,” PMC, vol. 23, no. Suppl 2 (2019), pp. S169-S170.

[7] Ibid.

[8] Neil A. Weiss, Introductory Statistics, 9th ed. (Boston, MA: Addison-Wesley (Pearson Education), 2012), ch. 2.

[9] Ibid.

[10] Ibid.

[11] Fulk, op. cit.

[12] Ibid.

[13] Ibid.

[14] Ibid.

[15] Weiss, op. cit.

[16] Ibid.

[17] Sheldon M. Ross, Introductory Statistics, 3rd ed. (Amsterdam: Academic Press (Elsevier), 2010), ch. 1.

[18] 17 Ibid., ch 1-2.

[19] مشرف العكلة [وآخرون]، مبادئ في الإحصاء والاحتمالات (الرياض: جامعة الملك سعود، [د.ت.])، ص 31-42.

[20] المرجع نفسه.

[21] المرجع نفسه.

[22] Weiss, op. cit.

[23] Ibid.

[24] العكلة، مرجع سابق.

[25] المرجع نفسه.

[26] كامل فليفل وفتحي حمدان، الإحصاء (عمّان: دار المناهج للنشر والتوزيع، [د.ت.])، الوحدة 1.

[27] المرجع نفسه.

[28] Weiss, op. cit.

[29] Robert V. Hogg, Elliot A. Tanis & Dale L. Zimmerman, Probability and Statistical Inference, 9th ed. (Boston, MA: Pearson, 2015).

[30] Ibid.

[31] Ibid.

[32] Clemens Reimann et al., Statistical Data Analysis Explained: Applied Environmental Statistics with R (Chichester: John Wiley & Sons, 2008); Sue J. Welham et al., Statistical Methods in Biology: Design and Analysis of Experiments and Regression (Boca Raton, FL: CRC Press, 2015).

[33] Ibid.

[34] Richard J. Holden et al., “Data Collection Challenges in Community Settings: Insights from Two Field Studies of Patients with Chronic Disease,” Quality of Life Research, vol. 24, no. 5 (2015), pp. 1043-1055.

[35] Ibid.

المراجع

العربية

العكلة، مشرف [وآخرون]. مبادئ في الإحصاء والاحتمالات. الرياض: جامعة الملك سعود، [د.ت.].

فليفل، كامل وفتحي حمدان. الإحصاء. عمّان: دار المناهج للنشر والتوزيع، [د.ت.].

الأجنبية

Fulk, George. “Descriptive Statistics, An Important First Step.” Journal of Neurologic Physical Therapy. vol. 47, no. 2 (2023).

Hogg, Robert V., Elliot A. Tanis & Dale L. Zimmerman. Probability and Statistical Inference. 9th ed. Boston, MA: Pearson, 2015.

Holden, Richard J. et al. “Data Collection Challenges in Community Settings: Insights from Two Field Studies of Patients with Chronic Disease.” Quality of Life Research. vol. 24, no. 5 (2015). pp. 1043-1055.

Kaliyadan, Feroze & Vinay Kulkarni. “Types of Variables, Descriptive Statistics, and Sample Size.” PMC. vol. 10, no. 1 (2019). pp. 82-86.

Ranganathan, Priya & Nithya Gogtay. “An Introduction to Statistics: Data Types, Distributions and Summarizing Data.” PMC. vol. 23, no. Suppl 2 (2019). pp. S169-S170.

Reimann, Clemens et al. Statistical Data Analysis Explained: Applied Environmental Statistics with R. Chichester: John Wiley & Sons, 2008.

Ross, Sheldon M. Introductory Statistics. 3rd ed. Amsterdam: Academic Press (Elsevier), 2010.

Weiss, Neil A. Introductory Statistics. 9th ed. Boston, MA: Addison-Wesley (Pearson Education), 2012.

Welham, Sue J. et al. Statistical Methods in Biology: Design and Analysis of Experiments and Regression. Boca Raton, FL: CRC Press, 2015.