احجز استشارتك الآن لمعالجة القيم الشاذة Outlier باحترافية تامة

هل يمكن لقيمة واحدة غير معتادة داخل بيانات البحث أن تغيّر النتائج الإحصائية وتؤثر في دقة الاستنتاجات؟ بالفعل، قد تؤدي بعض المشاهدات البعيدة عن النمط العام للبيانات إلى تغيير المتوسطات الحسابية، والتأثير في العلاقات بين المتغيرات، بل وقد تؤدي إلى نتائج لا تعكس الصورة الحقيقية لمجتمع الدراسة؛ لذلك يُعد اكتشاف القيم الشاذة Outlier من الخطوات المهمة التي ينبغي الاهتمام بها قبل البدء في التحليل الإحصائي.

 

 

اطلع على: 17 عامًا من تحقيق الريادة في الدعم الأكاديمي للباحثين مع شركة سندك

 

تشير القيم الشاذة إلى المشاهدات التي تختلف بصورة ملحوظة عن النمط العام لبقية القيم داخل مجموعة البيانات، بحيث تظهر بعيدة عن معظم المشاهدات عند ترتيبها أو تمثيلها بيانيًا، وقد تكون هذه القيم مرتفعة جدًا أو منخفضة جدًا مقارنة ببقية البيانات، ويُطلق عليها أيضًا القيم المتطرفة أو غير المعتادة.

 

 

قد تظهر القيم الشاذة نتيجة أخطاء غير مقصودة أثناء جمع البيانات أو إدخالها، وقد تكون انعكاسًا لاختلافات حقيقية بين أفراد العينة أو الحالات التي تتناولها الدراسة؛ ولذلك فإن تحديد أسباب ظهور القيم الشاذة Outlier يساعد الباحث على فهم طبيعتها واختيار الطريقة المناسبة للتعامل معها بدلًا من حذفها بصورة تلقائية، وتتمثل أبرز الأسباب التي قد تؤدي إلى ظهورها فيما يلي:

♦ أخطاء إدخال البيانات

قد تنتج عن كتابة رقم بصورة غير صحيحة، مثل إدخال 850 بدلًا من 85، أو تسجيل قيمة في عمود غير مخصص لها.

 

♦ أخطاء القياس

قد تؤدي مشكلات أدوات القياس أو عدم معايرتها بصورة صحيحة إلى تسجيل قيم تختلف عن المستوى الفعلي للمتغير.

 

♦ اختلاف خصائص أفراد العينة

قد تتضمن الدراسة أفرادًا لديهم خصائص تختلف بصورة كبيرة عن بقية المشاركين.

 

♦ دمج مصادر بيانات مختلفة

قد يؤدي الجمع بين مجموعات بيانات تختلف في وحدات القياس أو طرق التسجيل إلى ظهور مشاهدات غير متجانسة.

 

استشر سندك لتتقن التعويض المتعدد Multiple Imputation وفق دليل 2027

 

تختلف القيم الشاذة Outlier وفقًا لطبيعة البيانات وعدد المتغيرات التي تظهر فيها، ويمكن تصنيفها إلى عدة أنواع تساعد الباحث على فهم نمط الاختلاف وتحديد طريقة اكتشافه، ومن أبرز أنواعها:

♦ القيم الشاذة أحادية المتغير (Univariate Outliers)

تظهر عند تحليل متغير واحد، مثل: وجود قيمة دخل مرتفعة جدًا مقارنة ببقية أفراد العينة.

 

♦ القيم الشاذة متعددة المتغيرات (Multivariate Outliers)

تظهر عندما تكون مجموعة من القيم غير معتادة عند دراسة متغيرين أو أكثر معًا، حتى لو لم تكن أي قيمة منها شاذة بمفردها.

 

♦ القيم الشاذة السياقية (Contextual Outliers)

تكون غير معتادة في سياق معين، لكنها قد تكون طبيعية في سياق آخر، مثل ارتفاع استهلاك الكهرباء خلال الصيف مقارنة بفصل الشتاء.

 

♦ القيم الشاذة الجماعية (Collective Outliers)

تظهر عندما تشكل مجموعة من المشاهدات نمطًا غير معتاد عند النظر إليها معًا.

 

تجاوز عقبات مناقشة الإجراءات الإحصائية ... ابدأ الآن مع سندك

 

قد تؤثر المشاهدات غير المعتادة في نتائج التحليل الإحصائي بدرجات متفاوتة، خاصةً عند استخدام الأساليب التي تتأثر بالقيم المتطرفة، ويظهر تأثير القيم الشاذة Outlier في عدد من الجوانب، من أهمها:

♦ تغيير المتوسط الحسابي

قد تؤدي قيمة مرتفعة جدًا أو منخفضة جدًا إلى سحب المتوسط بعيدًا عن مركز معظم البيانات.

 

♦ زيادة التشتت

يمكن أن ترفع الانحراف المعياري، مما يعطي انطباعًا بوجود تباين أكبر بين أفراد العينة.

 

♦ التأثير في الارتباط

قد تزيد قوة العلاقة بين متغيرين أو تضعفها، وأحيانًا تغير اتجاهها.

 

♦ تشويه نتائج الانحدار

قد تؤثر في تقدير معاملات النموذج وخط الانحدار، فتقل دقة التنبؤات.

 

♦ التأثير في الاختبارات الإحصائية

قد تؤثر في بعض الاختبارات المعلمية، خاصةً عند صغر حجم العينة أو مخالفة افتراضات الاختبار.

 

احجز استشارتك واكتشف خلل القيم المفقودة والمتطرفة في البيانات

 

توجد عدة أساليب إحصائية تساعد الباحث على تحديد المشاهدات غير المعتادة، ويعتمد اختيار الطريقة على حجم العينة وتوزيع البيانات وعدد المتغيرات، ومن أشهر هذه الطرق:

♦ طريقة الدرجة المعيارية (Z-Score)

تقيس بُعد القيمة عن المتوسط الحسابي بوحدات الانحراف المعياري، وتُستخدم في اكتشاف القيم الشاذة Outlier؛ إذ غالبًا ما تُراجع القيم التي تتجاوز ±3 باعتبارها مشاهدات محتملة للشذوذ وتحتاج إلى فحص إضافي.

 

♦ المدى الربيعي (IQR)

يعتمد على الفرق بين الربيع الثالث والربيع الأول، وتُعد القيم التي تقع خارج الحدود

 

كيف اتجنب نتيجة إحصائية تخالف توقعاتي ؟ احجز استشارة سندك الآن

 

تساعد الرسوم البيانية على ملاحظة المشاهدات التي تختلف عن النمط العام للبيانات، كما تتيح للباحث فهم توزيع القيم ومواقعها مقارنة ببقية المشاهدات، ويُعد الفحص البصري خطوة أولية مهمة لاكتشاف القيم الشاذة Outlier، خاصةً قبل تطبيق الاختبارات الإحصائية أو اتخاذ قرار بمعالجة أي قيمة، ومن أبرز الرسوم المستخدمة في ذلك:

♦ المخطط الصندوقي (Boxplot)

يوضح الوسيط والربيعات والمدى، ويُظهر القيم التي تقع خارج حدود الشعيرات على هيئة نقاط منفصلة.

 

♦ مخطط الانتشار (Scatterplot)

يعرض العلاقة بين متغيرين، ويساعد على ملاحظة النقاط البعيدة عن التجمع الرئيسي للمشاهدات.

 

♦ المدرج التكراري (Histogram)

يوضح شكل توزيع البيانات، وقد يكشف عن قيم بعيدة أو تجمعات غير معتادة عند أطراف التوزيع.

ويمكن الاستفادة من هذه الرسوم عند فحص القيم الشاذة Outlier، لكن ينبغي التأكد من المشاهدات غير المعتادة باستخدام الأساليب الإحصائية المناسبة قبل اتخاذ قرار بشأنها؛ لأن الرسم البياني وحده لا يثبت أن القيمة خاطئة أو تستوجب الحذف.

 

 

عزّز رسالتك| مقاييس ارتفاع معامل ألفا كرونباخ Alpha Cronbach المعتمدة

 

يتيح برنامج SPSS مجموعة من الأدوات التي تساعد على فحص البيانات واكتشاف المشاهدات غير المعتادة، ومن أبرزها المخطط الصندوقي والإحصاءات الوصفية، ويمكن استخدامه لاكتشاف القيم الشاذة Outlier من خلال الخطوات التالية:

1. افتح ملف البيانات في برنامج SPSS.

2. اختر Analyze من القائمة الرئيسية.

3. انتقل إلى Descriptive Statistics ثم اختر Explore

4. انقل المتغير المراد فحصه إلى خانة Dependent List

5. اضغط على Plots، وتأكد من تفعيل خيار Boxplots

6. اضغط على Continue ثم OK لعرض النتائج.

بعد تنفيذ الخطوات، سيظهر المخطط الصندوقي في نافذة المخرجات، ويمكن ملاحظة النقاط الواقعة خارج الشعيرات، والتي قد تشير إلى مشاهدات تحتاج إلى مراجعة.

 

دليل الفرضية الصفرية (Null Hypothesis) للباحثين| اطلب دعم سندك

 

يتمثل الاختلاف الأساسي بين النوعين في عدد المتغيرات التي يعتمد عليها الفحص؛ إذ يركز التحليل أحادي المتغير على توزيع متغير واحد، بينما يفحص التحليل متعدد المتغيرات مدى غرابة المشاهدة عند النظر إلى مجموعة من المتغيرات معًا، ويؤثر هذا الاختلاف في طريقة اكتشاف القيم الشاذة Outlier والأدوات المستخدمة في تحليلها، ويكمن الفرق بينهما فيما يلي:

وجه المقارنة	القيم الشاذة أحادية المتغير	القيم الشاذة متعددة المتغيرات
نطاق الفحص	متغير واحد	متغيران أو أكثر
طريقة الاكتشاف	Z-Score وIQR والمخطط الصندوقي	مسافة Mahalanobis وبعض أساليب الكشف متعددة المتغيرات
طبيعة الاختلاف	قيمة بعيدة عن بقية قيم المتغير	نمط غير معتاد عند دراسة المتغيرات معًا
مثال	دخل أحد المشاركين أعلى بكثير من بقية العينة	دخل وعمر أحد المشاركين يشكلان نمطًا غير معتاد مقارنة بالعلاقة بينهما لدى بقية العينة

 

فك شفرات قيمة الاحتمالية (P-value) باحتراف

 

لا تعني كل قيمة بعيدة عن بقية المشاهدات أنها ناتجة عن خطأ؛ فقد تكون تسجيلًا غير صحيح، أو تعكس اختلافًا حقيقيًا بين أفراد العينة؛ لذلك ينبغي فحص القيم الشاذة Outlier ومراجعة مصدرها قبل تحديد الإجراء المناسب للتعامل معها، ويمكن التمييز بين النوعين من خلال المعايير التالية:

 

وجه المقارنة	القيم الحقيقية	القيم الناتجة عن أخطاء البيانات
طبيعة القيمة	تعكس حالة فعلية أو ملاحظة صحيحة	تنتج عن خطأ في إدخال البيانات أو قياسها أو تسجيلها
مصدر القيمة	تتفق مع سياق الدراسة وطبيعة المتغير	قد تنتج عن إدخال غير صحيح أو خلل في القياس
مدى منطقيتها	تقع ضمن الحدود الممكنة للمتغير، وقد تكون غير معتادة إحصائياً	قد تتعارض مع الحدود المنطقية أو القيم المتوقعة للمتغير
التحقق منها	يمكن تأكيدها بالرجوع إلى مصدر البيانات الأصلي	يمكن اكتشاف الخطأ بمراجعة السجلات أو أدوات جمع البيانات
طريقة التعامل	الاحتفاظ بها غالباً، مع تقييم تأثيرها في التحليل	تصحيحها إذا أمكن التحقق من القيمة الصحيحة، أو التعامل معها وفق طبيعة الخطأ

 

ومن الإجراءات التي تساعد الباحث على التمييز بينهما:

1. مراجعة ملف البيانات الأصلي

للتأكد من عدم وجود أخطاء في إدخال الأرقام أو ترميز المتغيرات.

2. الرجوع إلى أدوات القياس

للتحقق من دقة التسجيل وسلامة الأجهزة أو الاستبيانات المستخدمة.

3. مقارنة القيمة بسياق الدراسة

للتحقق مما إذا كانت القيم الشاذة Outlier منطقية في ضوء خصائص المشاركين وطبيعة المتغير، ومدى توافقها مع الظروف الفعلية التي جُمعت فيها البيانات.

4. فحص السجلات المرتبطة

مراجعة البيانات الأخرى الخاصة بالحالة نفسها للتأكد من اتساقها.

 

عالج فورًا مشكلة القيم المفقودة في spss ...اضمن تحليلك مع سندك

 

بعد تحديد المشاهدات غير المعتادة، تأتي مرحلة اختيار طريقة التعامل معها وفقًا لسبب ظهورها وتأثيرها في التحليل وأهداف الدراسة، ولا توجد طريقة واحدة تناسب جميع الحالات؛ فمعالجة القيم الشاذة تتطلب تقييمًا إحصائيًا ومنهجيًا قبل تعديل البيانات أو استبعاد أي مشاهدة، ومن أبرز أساليب التعامل معها:

♦ تصحيح القيم الخاطئة

إذا ثبت أن القيمة ناتجة عن خطأ في الإدخال، يمكن تصحيحها بالرجوع إلى المصدر الأصلي للبيانات.

 

♦ حذف المشاهدة

يُلجأ إلى ذلك عندما يتأكد الباحث من عدم صلاحية القيمة أو وجود سبب منهجي واضح لاستبعادها، مع توثيق القرار.

 

♦ الاحتفاظ بالقيمة

إذا ثبت أن القيم الشاذة Outlier تعكس حالات حقيقية داخل عينة الدراسة، فمن الأفضل عدم حذفها تلقائيًا، بل الاحتفاظ بها ودراسة مدى تأثيرها في النتائج الإحصائية.

 

♦ التحويلات الرياضية

يمكن استخدام تحويلات مثل اللوغاريتم لتقليل الالتواء في بعض التوزيعات، إذا كانت مناسبة لطبيعة المتغير.

 

♦ استخدام الأساليب الإحصائية المتينة (Robust Methods)

تساعد بعض الأساليب على تقليل تأثر النتائج بالمشاهدات المتطرفة دون حذفها.

 

♦ إجراء تحليل الحساسية

مقارنة النتائج قبل المعالجة وبعدها، أو مع وجود المشاهدات غير المعتادة واستبعادها، لمعرفة مدى تأثيرها في الاستنتاجات.

 

لا تكن مشتت: بغيت محلل إحصائي شاطر؟ إليك خارطة الطريق لنجاح بحثك العلمي

 

قد يقع بعض الباحثين في أخطاء أثناء فحص البيانات ومعالجة المشاهدات غير المعتادة، مما يؤدي إلى تغيير خصائص العينة أو التأثير في النتائج الإحصائية، ومن أبرز هذه الأخطاء عند اكتشاف القيم الشاذة Outlier ما يلي:

♦ حذف القيم مباشرة

استبعاد أي قيمة بعيدة عن المتوسط دون التأكد من أنها ناتجة عن خطأ.

 

♦ الاعتماد على طريقة واحدة

استخدام Z-Score أو IQR دون مراعاة توزيع البيانات وطبيعة المتغير.

 

♦ تجاهل حجم العينة

تطبيق حدود الكشف بصورة آلية دون مراعاة عدد المشاهدات وتأثير ذلك في النتائج.

 

♦ إهمال السياق البحثي

التعامل مع القيمة باعتبارها غير منطقية إحصائيًا دون مراجعة خصائص الحالة التي تمثلها.

 

♦ تعديل البيانات دون توثيق

تغيير القيم أو حذفها دون تسجيل الأسباب والإجراءات المتبعة.

 

♦ عدم مقارنة النتائج

الاكتفاء بنتائج التحليل بعد المعالجة دون التحقق من اختلافها عن النتائج الأصلية.

 

استشر خبرائنا| دليل المخطط الصندوقي boxplot لعام 2027

 

لنفترض أن باحثًا يجري دراسة حول درجات التحصيل الدراسي لعينة مكونة من عشرة طلاب، وكانت الدرجات المسجلة كما يلي:

(12، 13، 14، 15، 16، 17، 18، 19، 20، 85.)

عند فحص البيانات، يلاحظ الباحث أن الدرجة الأخيرة تختلف بصورة واضحة عن بقية الدرجات، مما يستدعي التحقق من وجود القيم الشاذة Outlier باستخدام الأساليب الإحصائية المناسبة.

♦ أولًا: اكتشاف القيمة غير المعتادة

يمكن استخدام طريقة المدى الربيعي (IQR) لفحص البيانات، وتكون النتائج التقريبية كما يلي:

المؤشر	القيمة
الربيع الأول Q1	14.25
الربيع الثالث Q3	18.75
المدى الربيعي IQR	4.50
الحد الأعلى	25.50
الحد الأدنى	7.50

وبما أن الدرجة 85 تتجاوز الحد الأعلى، فإنها تُصنف بوصفها قيمة شاذة محتملة وتحتاج إلى مراجعة.

 

♦ ثانيًا: مقارنة النتائج قبل المعالجة وبعدها

المؤشر الإحصائي	بوجود الدرجة 85	دون الدرجة 85
عدد الطلاب	10	9
المتوسط الحسابي	22.90	16.00
الوسيط	16.50	16.00

يتضح أن الدرجة المرتفعة أثرت بصورة ملحوظة في المتوسط الحسابي، بينما كان تأثيرها محدودًا في الوسيط.

 

♦ ثالثًا: اتخاذ قرار المعالجة

لا ينبغي حذف الدرجة 85 مباشرة؛ بل يجب مراجعة سجل الطالب للتأكد من صحة تسجيلها، فإذا كانت خطأً في الإدخال، تُصحح بالرجوع إلى المصدر الأصلي، أما إذا كانت درجة حقيقية، فيمكن الاحتفاظ بها مع إجراء تحليل حساسية لمقارنة النتائج.

► تفسير النتيجة

يوضح المثال كيف يمكن لاكتشاف القيم الشاذة Outlier أن يساعد الباحث على فهم تأثير المشاهدات غير المعتادة في المؤشرات الإحصائية، واختيار المعالجة التي تحافظ على صدق النتائج دون استبعاد بيانات صحيحة.

 

 

احصل على دعم المتميز عبر خدمات التحليل الإحصائي ومناقشة النتائج

 

يمكنك التخلص من التساؤلات الداخلية؛ عبر الاطلاع مع سندك من خلال هذا المقال على مجموعة متميزة لأهم الأسئلة حول القيم الشاذة لرسالتك كما يلي:

♦ كيف تساعدك سندك في اكتشاف القيم الشاذة ومراجعة جودة البيانات؟

يساعد فريق شركة سندك للاستشارات الأكاديمية والترجمة في مراجعة البيانات وفحص جودتها، واستخدام الأساليب الإحصائية والرسوم البيانية المناسبة لاكتشاف المشاهدات غير المعتادة، مع تقديم الدعم في تفسير النتائج واختيار طرق المعالجة الملائمة.

 

♦ كيف أعرف أن البيانات تحتوي على قيم شاذة؟

يمكن ملاحظة ذلك من خلال المخططات الصندوقية ومخططات الانتشار، أو باستخدام مؤشرات إحصائية مثل Z-Score والمدى الربيعي IQR، التي تساعد على تحديد القيم البعيدة عن النمط العام للبيانات.

 

♦ ما أفضل اختبار لاكتشاف القيم الشاذة؟

لا توجد طريقة واحدة تُعد الأفضل في جميع الحالات لاكتشاف القيم الشاذة Outlier؛ إذ يعتمد الاختيار على طبيعة البيانات وعدد المتغيرات محل الفحص، ويُستخدم مقياس IQR ودرجة Z-Score عند تحليل متغير واحد، بينما تُناسب مسافة Mahalanobis فحص عدة متغيرات معًا للكشف عن القيم غير المعتادة في ضوء العلاقات بينها.

 

♦ هل يمكن اكتشاف Outliers باستخدام SPSS؟

نعم، يوفر SPSS أدوات مثل Explore والمخططات الصندوقية، كما يمكن استخدام الإحصاءات الوصفية والدرجات المعيارية لفحص البيانات وتحديد المشاهدات التي تحتاج إلى مراجعة.

 

♦ ما الفرق بين Outlier وExtreme Value؟

يشير المصطلحان إلى قيم بعيدة عن النمط العام للبيانات، لكن Extreme Value يُستخدم غالبًا للإشارة إلى القيم الواقعة عند الأطراف البعيدة للتوزيع، بينما يُستخدم Outlier لوصف المشاهدة التي تظهر اختلافًا ملحوظًا وفقًا لمعيار إحصائي أو سياقي.

 

♦ متى يجب حذف القيم الشاذة؟

يُفضل حذف القيم الشاذة Outlier عندما يتأكد الباحث من أنها ناتجة عن أخطاء لا يمكن تصحيحها أو أنها لا تستوفي معايير إدراج البيانات في الدراسة.

 

♦ هل تؤثر القيم الشاذة في اختبار T-Test؟

نعم، قد تؤثر في المتوسطات والانحرافات المعيارية، وبالتالي في قيمة الاختبار ومستوى الدلالة، خاصةً مع العينات الصغيرة؛ لذلك ينبغي فحص البيانات والتحقق من افتراضات الاختبار قبل تفسير النتائج.

 

♦ ما الفرق بين IQR وZ-Score؟

يعتمد IQR على الربيعين الأول والثالث لتحديد نطاق انتشار البيانات، ولذلك يُعد أقل تأثرًا بالقيم المتطرفة. أما Z-Score فيقيس بُعد القيمة عن المتوسط بوحدات الانحراف المعياري، ويكون استخدامه أكثر ملاءمة عندما تتوافق البيانات مع افتراض التوزيع الطبيعي تقريبًا.

 

♦ كيف أتعامل مع القيم الشاذة في تحليل الانحدار؟

يمكن فحصها باستخدام البواقي المعيارية ومسافة Cook والرافعة الإحصائية (Leverage)، ثم تقييم تأثيرها في معاملات النموذج ودقة التنبؤ، ولا يُنصح بحذفها تلقائيًا قبل التحقق من طبيعتها وتأثيرها الفعلي.

 

 

لا تبحث كثيرًا وتهدر وقتك| شركة سندك أفضل شركة استشارات وخدمات أكاديمية شاهد انجازاتنا

 

 

► المراجع

1. بني عواد، علي محمد العرسان. (2019). القيم الشاذة في أداء الطلبة على اختباري القدرات والتحصيل وأثر أسلوب التعامل معها في نتائج التحليلات الإحصائية. مجلة البحث العلمي في التربية، 20(6)، 525-542.

2. قويدر، عمر قاسم، والسوالمة، يوسف محمد. (2017). القيم الشاذة في أداء الطلبة الأردنيين على اختبار (TIMSS) في الرياضيات والعلوم وأثر أسلوب التعامل معها في نتائج التحليلات الإحصائية .مجلة جامعة القدس المفتوحة للأبحاث والدراسات التربوية والنفسية، 6(20)، 18-33.

 

يمثل اكتشاف القيم الشاذة Outlier خطوة مهمة لضمان جودة البيانات ودقة التحليل الإحصائي، إذ يساعد الباحث على تحديد المشاهدات غير المعتادة وفهم أسبابها واختيار أساليب المعالجة المناسبة دون التأثير في سلامة النتائج، وتقدم شركة سندك للاستشارات الأكاديمية والترجمة خدمات البحث العلمي وتحليل البيانات ومراجعة المخرجات الإحصائية للباحثين في السعودية والإمارات والكويت وقطر، ويمكنك التواصل عبر واتساب.