المستوى 6

أساليب التحليل

إطار شامل لتصميم البحث الأكاديمي

المحتويات

هذا المستوى هو الأكثر تشعباً ويتطلب تفصيلاً دقيقاً لكل أسلوب.

6.1 التحليل الكمي

6.1.1 الإحصاء الوصفي (Descriptive Statistics)

الوصف:

يصف البيانات ويُلخصها دون استنتاجات تتجاوز العينة.

مقاييس النزعة المركزية:

  • المتوسط الحسابي (Mean): مجموع القيم مقسوماً على عددها. حساس للقيم المتطرفة.
  • الوسيط (Median): القيمة الوسطى. مناسب للتوزيعات الملتوية.
  • المنوال (Mode): القيمة الأكثر تكراراً. مناسب للبيانات الفئوية.

مقاييس التشتت:

  • المدى (Range): الفرق بين أعلى وأدنى قيمة.
  • التباين (Variance): متوسط مربعات الانحرافات عن المتوسط.
  • الانحراف المعياري (Standard Deviation): الجذر التربيعي للتباين. الأكثر استخداماً.
  • المدى الربيعي (IQR): الفرق بين الربيع الثالث والأول.

مقاييس الشكل:

  • الالتواء (Skewness): عدم تماثل التوزيع.
  • التفرطح (Kurtosis): حدة ذروة التوزيع.

العرض:

  • التكرارات والنسب المئوية
  • الجداول والرسوم البيانية
  • الجداول التقاطعية (Crosstabs)

متى يُستخدم:

  • كخطوة أولى في أي تحليل كمي
  • لوصف خصائص العينة
  • لفحص البيانات قبل التحليلات الأعمق

6.1.2 اختبارات الفروق (Difference Tests)

اختبار ت (t-test):

للعينة الواحدة (One-sample t-test):

  • يُقارن متوسط العينة بقيمة معروفة
  • متى يُستخدم: لاختبار هل يختلف متوسط العينة عن قيمة محددة

للعينتين المستقلتين (Independent samples t-test):

  • يُقارن متوسطين لمجموعتين مختلفتين
  • متى يُستخدم: لمقارنة مجموعتين مستقلتين (ذكور/إناث، تجريبية/ضابطة)

للعينتين المرتبطتين (Paired samples t-test):

  • يُقارن متوسطين لنفس المجموعة في وقتين مختلفين
  • متى يُستخدم: للقياس القبلي والبعدي

تحليل التباين (ANOVA):

الأحادي (One-way ANOVA):

  • يُقارن متوسطات ثلاث مجموعات أو أكثر
  • متى يُستخدم: عندما يكون المتغير المستقل له أكثر من مستويين

الثنائي (Two-way ANOVA):

  • يدرس تأثير متغيرين مستقلين والتفاعل بينهما
  • متى يُستخدم: لفهم التأثيرات الرئيسية والتفاعلية

متعدد العوامل (Factorial ANOVA):

  • يدرس تأثير عدة متغيرات مستقلة
  • متى يُستخدم: في التصاميم التجريبية المعقدة

للقياسات المتكررة (Repeated Measures ANOVA):

  • يُقارن نفس المجموعة في أوقات متعددة
  • متى يُستخدم: في الدراسات الطولية

المصاحب (ANCOVA):

  • يضبط تأثير متغير مصاحب (متغير ضابط)
  • متى يُستخدم: للتحكم في متغيرات قد تؤثر على النتائج

متعدد المتغيرات التابعة (MANOVA):

  • يختبر الفروق في عدة متغيرات تابعة معاً
  • متى يُستخدم: عندما يكون هناك أكثر من متغير تابع مترابط

اختبارات المقارنات البعدية (Post-hoc Tests):

  • توكي (Tukey HSD): الأكثر شيوعاً، يوازن بين الخطأ الأول والقوة
  • شيفيه (Scheffé): أكثر تحفظاً، للمقارنات غير المخططة
  • بونفيروني (Bonferroni): يُصحح لتعدد المقارنات
  • دانيت (Dunnett): للمقارنة مع مجموعة ضابطة فقط
  • جيمس-هاول (Games-Howell): عندما تختلف التباينات

الاختبارات اللامعلمية (Non-parametric Tests):

تُستخدم عندما لا تتحقق شروط الاختبارات المعلمية (التوزيع الطبيعي، تجانس التباين) أو مع البيانات الرتبية.

  • مان ويتني (Mann-Whitney U): بديل اختبار ت للعينتين المستقلتين
  • ويلكوكسون (Wilcoxon): بديل اختبار ت للعينتين المرتبطتين
  • كروسكال واليس (Kruskal-Wallis): بديل ANOVA الأحادي
  • فريدمان (Friedman): بديل ANOVA للقياسات المتكررة
  • مربع كاي (Chi-square): للعلاقة بين متغيرين فئويين
  • اختبار فيشر الدقيق (Fisher's Exact): لمربع كاي مع تكرارات صغيرة

6.1.3 تحليلات العلاقة والتنبؤ (Correlation and Regression)

معاملات الارتباط:

بيرسون (Pearson r):

  • يقيس العلاقة الخطية بين متغيرين مستمرين
  • يفترض التوزيع الطبيعي والعلاقة الخطية
  • متى يُستخدم: للمتغيرات المستمرة ذات العلاقة الخطية

سبيرمان (Spearman rho):

  • يقيس العلاقة الرتبية (monotonic)
  • متى يُستخدم: للمتغيرات الرتبية أو عندما لا تتحقق شروط بيرسون

كندال (Kendall tau):

  • يقيس العلاقة الرتبية، أقل حساسية للقيم المتطرفة
  • متى يُستخدم: للعينات الصغيرة والمتغيرات الرتبية

الارتباط الجزئي (Partial Correlation):

  • يقيس العلاقة مع ضبط متغير ثالث
  • متى يُستخدم: لفهم العلاقة "الصافية" بين متغيرين

الارتباط نقطي ثنائي التسلسل (Point-biserial):

  • للعلاقة بين متغير ثنائي ومتغير مستمر

تحليل الانحدار (Regression Analysis):

الانحدار الخطي البسيط (Simple Linear Regression):

  • يتنبأ بمتغير تابع من متغير مستقل واحد
  • متى يُستخدم: لفهم تأثير متغير واحد على آخر

الانحدار الخطي المتعدد (Multiple Linear Regression):

  • يتنبأ بمتغير تابع من عدة متغيرات مستقلة
  • متى يُستخدم: لفهم التأثير المشترك لعدة متغيرات

طرق إدخال المتغيرات:

  • Enter: إدخال كل المتغيرات دفعة واحدة
  • Stepwise: إدخال/إزالة بناءً على الدلالة الإحصائية
  • Forward: إضافة المتغيرات تدريجياً
  • Backward: حذف المتغيرات تدريجياً
  • Hierarchical: إدخال في خطوات نظرية محددة مسبقاً

الانحدار اللوجستي (Logistic Regression):

  • الثنائي (Binary): المتغير التابع ثنائي (نعم/لا، نجاح/فشل)
  • المتعدد (Multinomial): المتغير التابع فئوي متعدد المستويات
  • الترتيبي (Ordinal): المتغير التابع ترتيبي
  • متى يُستخدم: للتنبؤ باحتمالية الانتماء لفئة

انحدار بواسون (Poisson Regression):

  • للمتغيرات التابعة التي تمثل عدداً أو تكراراً
  • متى يُستخدم: لبيانات العد (عدد الحوادث، الزيارات، المخالفات)

الانحدار السالب ثنائي الحد (Negative Binomial):

  • بديل لبواسون عندما يكون هناك تشتت زائد
  • متى يُستخدم: عندما يكون التباين أكبر من المتوسط

6.1.4 التحليلات متعددة المتغيرات (Multivariate Analysis)

تحليل العوامل (Factor Analysis):

الاستكشافي (Exploratory Factor Analysis - EFA):

  • يكتشف البنية الكامنة في مجموعة متغيرات
  • متى يُستخدم: لتطوير مقاييس، لتقليل عدد المتغيرات، لاكتشاف الأبعاد

التوكيدي (Confirmatory Factor Analysis - CFA):

  • يختبر بنية محددة مسبقاً
  • متى يُستخدم: للتحقق من صدق البناء، لاختبار نموذج نظري

تحليل المكونات الأساسية (Principal Component Analysis - PCA):

  • يُقلل الأبعاد بتحويل المتغيرات لمكونات أقل
  • الفرق عن EFA: PCA لتقليل الأبعاد، EFA لاكتشاف البنية الكامنة
  • متى يُستخدم: لتبسيط البيانات، للتعامل مع التعدد الخطي

التحليل العنقودي (Cluster Analysis):

  • يُصنف الحالات في مجموعات متجانسة داخلياً ومتباينة خارجياً
  • الهرمي: يبني شجرة من العناقيد
  • K-means: يُقسم لعدد محدد من العناقيد
  • متى يُستخدم: لتصنيف العملاء، لتحديد أنماط، لإنشاء شرائح

التحليل التمييزي (Discriminant Analysis):

  • يتنبأ بالعضوية في مجموعات بناءً على متغيرات متعددة
  • يُحدد المتغيرات التي تُميز بين المجموعات
  • متى يُستخدم: لفهم ما يُميز المجموعات، للتصنيف

تحليل التطابق (Correspondence Analysis):

  • يُحلل العلاقة بين متغيرين فئويين أو أكثر
  • يعرض العلاقة في خريطة بصرية
  • متى يُستخدم: لاستكشاف العلاقة بين فئات متعددة

التدريج متعدد الأبعاد (Multidimensional Scaling - MDS):

  • يُمثل التشابهات/الاختلافات في فضاء منخفض الأبعاد
  • متى يُستخدم: لتصور العلاقات بين عناصر، في بحوث الإدراك

الارتباط القانوني (Canonical Correlation):

  • يدرس العلاقة بين مجموعتين من المتغيرات
  • متى يُستخدم: عندما يكون هناك عدة متغيرات تابعة ومستقلة

تحليل الاقتران (Conjoint Analysis):

  • يُحلل كيف يُقيّم الناس منتجات/خدمات بناءً على خصائصها
  • متى يُستخدم: في بحوث التسويق، لفهم التفضيلات

6.1.5 النمذجة المتقدمة (Advanced Modeling)

نمذجة المعادلات البنائية (Structural Equation Modeling - SEM):

  • تجمع بين تحليل العوامل وتحليل المسار
  • تختبر نماذج معقدة مع متغيرات كامنة ومُشاهدة
  • تُقدّر العلاقات المباشرة وغير المباشرة
  • متى تُستخدم: لاختبار نماذج نظرية معقدة، لدراسة التوسط والتعديل

تحليل المسار (Path Analysis):

  • يختبر العلاقات السببية المفترضة بين متغيرات مُشاهدة
  • أبسط من SEM (بدون متغيرات كامنة)
  • متى يُستخدم: لاختبار سلاسل سببية، لتحليل التأثيرات المباشرة وغير المباشرة

التحليل متعدد المستويات / الهرمي (Multilevel/Hierarchical Linear Modeling):

  • يُحلل البيانات ذات البنية المتداخلة (طلاب في مدارس، موظفون في شركات)
  • يفصل التباين على مستويات مختلفة
  • متى يُستخدم: للبيانات المتداخلة، عندما يكون السياق مهماً

نمذجة النمو (Growth Curve Modeling):

  • تدرس مسارات التغير الفردية عبر الزمن
  • تُقدّر معدل النمو الأولي ومعدل التغير
  • متى تُستخدم: لدراسة التطور والتغير، للتنبؤ بالمسارات

تحليل الفئات الكامنة (Latent Class Analysis - LCA):

  • يُصنف الأفراد في فئات غير مرئية بناءً على أنماط استجاباتهم
  • متى يُستخدم: لاكتشاف مجموعات فرعية غير ظاهرة

نمذجة المزيج (Mixture Modeling):

  • تُحدد مجموعات فرعية مختلفة نوعياً في البيانات
  • تجمع بين LCA والنماذج المستمرة
  • متى تُستخدم: عندما يكون المجتمع غير متجانس

6.1.6 تحليل البيانات الزمنية والسلاسل الزمنية

أ. تحليل البقاء / الحدث التاريخي (Survival/Event History Analysis):

# الوصف:

يدرس الوقت حتى وقوع حدث معين (وفاة، تخرج، استقالة، فشل منتج). يتميز بقدرته على التعامل مع البيانات المبتورة (Censored Data) حيث لم يحدث الحدث لبعض الحالات حتى نهاية الدراسة.

# الأساليب:

تحليل كابلان ماير (Kaplan-Meier):

  • تقدير غير معلمي لدالة البقاء
  • يُنتج منحنى البقاء
  • متى يُستخدم: لتقدير احتمالية البقاء عبر الزمن، للمقارنة بين مجموعات

اختبار لوغ رانك (Log-Rank Test):

  • يُقارن منحنيات البقاء بين مجموعتين أو أكثر
  • متى يُستخدم: لاختبار الفروق في البقاء بين المجموعات

نموذج كوكس للمخاطر النسبية (Cox Proportional Hazards):

  • نموذج شبه معلمي يدرس تأثير المتغيرات على خطر وقوع الحدث
  • لا يفترض توزيعاً معيناً لوقت البقاء
  • متى يُستخدم: لتحليل العوامل المؤثرة على خطر الحدث

النماذج المعلمية (Parametric Models):

  • تفترض توزيعاً معيناً (Exponential, Weibull, Log-normal, Gompertz)
  • متى تُستخدم: عندما يكون شكل دالة الخطر معروفاً أو مهماً

نماذج المخاطر المتنافسة (Competing Risks):

  • عندما يكون هناك أكثر من نوع من الأحداث المحتملة
  • متى تُستخدم: عندما يمنع حدث وقوع حدث آخر (مثل: الوفاة من أسباب مختلفة)

نماذج الهشاشة (Frailty Models):

  • تضيف تأثيرات عشوائية لحساب عدم التجانس غير الملاحظ
  • متى تُستخدم: للبيانات المتداخلة أو المتكررة

ب. تحليل السلاسل الزمنية (Time Series Analysis):

# الوصف:

يُحلل بيانات مُجمعة عبر نقاط زمنية منتظمة لفهم الأنماط والتنبؤ بالمستقبل.

# المكونات الأساسية للسلسلة الزمنية:

  • الاتجاه (Trend): الحركة طويلة المدى
  • الموسمية (Seasonality): أنماط متكررة في فترات ثابتة
  • الدورات (Cycles): تقلبات غير منتظمة
  • العشوائية (Noise): التقلبات غير المنتظمة

# ب.1 اختبارات الاستقرارية / جذر الوحدة (Unit Root Tests):

## الوصف:

تختبر ما إذا كانت السلسلة الزمنية مستقرة (Stationary) أم تحتوي على جذر وحدة. الاستقرارية شرط أساسي لمعظم نماذج السلاسل الزمنية.

اختبار ديكي فولر الموسع (Augmented Dickey-Fuller - ADF):

  • الأكثر شيوعاً
  • الفرضية الصفرية: وجود جذر وحدة (السلسلة غير مستقرة)
  • متى يُستخدم: كخطوة أولى في تحليل السلاسل الزمنية

اختبار فيليبس بيرون (Phillips-Perron - PP):

  • يُصحح للارتباط الذاتي وعدم تجانس التباين
  • أكثر قوة من ADF في بعض الحالات
  • متى يُستخدم: عندما يكون هناك ارتباط ذاتي في الأخطاء

اختبار KPSS (Kwiatkowski-Phillips-Schmidt-Shin):

  • الفرضية الصفرية: السلسلة مستقرة (عكس ADF)
  • متى يُستخدم: للتأكد من نتائج ADF، للتمييز بين الاستقرارية حول اتجاه أو حول متوسط

اختبار زيفوت أندروز (Zivot-Andrews):

  • يسمح بكسر هيكلي واحد في السلسلة
  • متى يُستخدم: عندما يُشتبه بوجود تغير هيكلي في نقطة زمنية معينة

اختبار لي وستراسيتش (Lee-Strazicich):

  • يسمح بكسرين هيكليين
  • متى يُستخدم: عندما يُشتبه بأكثر من تغير هيكلي

اختبار ERS (Elliott-Rothenberg-Stock) / DF-GLS:

  • أكثر قوة من ADF خاصة للعينات الصغيرة
  • متى يُستخدم: للعينات الصغيرة أو عندما تكون القوة مهمة

اختبار Ng-Perron:

  • تحسين لاختبارات جذر الوحدة التقليدية
  • متى يُستخدم: للحصول على نتائج أكثر موثوقية

# ب.2 نماذج السلاسل الزمنية أحادية المتغير:

نموذج الانحدار الذاتي (AR - Autoregressive):

  • يتنبأ بالقيمة الحالية من القيم السابقة
  • AR(p): يعتمد على p فترات سابقة
  • متى يُستخدم: عندما تعتمد السلسلة على قيمها السابقة

نموذج المتوسط المتحرك (MA - Moving Average):

  • يتنبأ من الأخطاء العشوائية السابقة
  • MA(q): يعتمد على q أخطاء سابقة
  • متى يُستخدم: عندما تتأثر السلسلة بصدمات عشوائية سابقة

نموذج ARMA (Autoregressive Moving Average):

  • يجمع بين AR و MA
  • ARMA(p,q)
  • متى يُستخدم: للسلاسل المستقرة مع مكونات AR و MA

نموذج ARIMA (Autoregressive Integrated Moving Average):

  • يضيف التفاضل للتعامل مع عدم الاستقرارية
  • ARIMA(p,d,q): d هو رتبة التفاضل
  • متى يُستخدم: للسلاسل غير المستقرة، الأكثر شيوعاً في التنبؤ

نموذج SARIMA (Seasonal ARIMA):

  • يضيف مكونات موسمية
  • SARIMA(p,d,q)(P,D,Q)s
  • متى يُستخدم: للسلاسل ذات الموسمية

نموذج ARIMAX / نموذج دالة التحويل:

  • ARIMA مع متغيرات خارجية
  • متى يُستخدم: عندما تتأثر السلسلة بمتغيرات أخرى

# ب.3 نماذج التقلب (Volatility Models):

نموذج ARCH (Autoregressive Conditional Heteroskedasticity):

  • يُنمذج تغير التباين عبر الزمن
  • يفترض أن التباين يعتمد على الأخطاء المربعة السابقة
  • متى يُستخدم: للبيانات المالية ذات التقلب المتغير

نموذج GARCH (Generalized ARCH):

  • تعميم لـ ARCH
  • التباين يعتمد على الأخطاء المربعة والتباينات السابقة
  • GARCH(p,q) الأكثر شيوعاً GARCH(1,1)
  • متى يُستخدم: الأكثر استخداماً في التمويل

امتدادات GARCH:

  • EGARCH (Exponential GARCH):
  • يسمح بتأثيرات غير متماثلة (الأخبار السيئة vs الجيدة)
  • لا يفرض قيوداً على المعلمات
  • متى يُستخدم: عندما يكون تأثير الصدمات غير متماثل
  • GJR-GARCH / TGARCH (Threshold GARCH):
  • يُميز بين تأثير الصدمات الإيجابية والسلبية
  • متى يُستخدم: لنمذجة تأثير الرافعة المالية
  • IGARCH (Integrated GARCH):
  • الصدمات لها تأثير دائم على التباين
  • متى يُستخدم: عندما تكون الصدمات مستمرة
  • FIGARCH (Fractionally Integrated GARCH):
  • يسمح بذاكرة طويلة في التباين
  • متى يُستخدم: للتقلب ذو الذاكرة الطويلة
  • GARCH-M (GARCH in Mean):
  • يُدخل التباين الشرطي في معادلة المتوسط
  • متى يُستخدم: عندما يؤثر المخاطر على العائد
  • DCC-GARCH (Dynamic Conditional Correlation):
  • يُنمذج الارتباطات المتغيرة بين عدة سلاسل
  • متى يُستخدم: لمحافظ الأصول والتحوط
  • نماذج GARCH متعددة المتغيرات (Multivariate GARCH):
  • BEKK, CCC, DCC, OGARCH
  • متى تُستخدم: لنمذجة التقلب المشترك بين أصول متعددة

# ب.4 نماذج السلاسل الزمنية متعددة المتغيرات:

نموذج VAR (Vector Autoregression):

  • نظام من المعادلات حيث كل متغير يعتمد على قيمه السابقة وقيم المتغيرات الأخرى
  • يعامل كل المتغيرات كمتغيرات داخلية
  • متى يُستخدم: لدراسة العلاقات الديناميكية المتبادلة، للتنبؤ، لتحليل الصدمات

أدوات تحليل VAR:

  • دوال الاستجابة للصدمة (Impulse Response Functions): تتبع تأثير صدمة في متغير على المتغيرات الأخرى عبر الزمن
  • تحليل تفكيك التباين (Variance Decomposition): نسبة تباين كل متغير المُفسرة بصدمات المتغيرات المختلفة
  • اختبار السببية (Granger Causality): هل القيم السابقة لمتغير تساعد في التنبؤ بمتغير آخر؟

نموذج SVAR (Structural VAR):

  • يفرض قيوداً نظرية لتحديد الصدمات الهيكلية
  • متى يُستخدم: لتحليل السياسات وتحديد الصدمات الاقتصادية

نموذج VECM (Vector Error Correction Model):

  • VAR للمتغيرات المتكاملة من الدرجة الأولى والمتكاملة تكاملاً مشتركاً
  • يفصل بين الديناميكيات قصيرة وطويلة المدى
  • متى يُستخدم: عندما توجد علاقة توازن طويلة المدى بين المتغيرات

# ب.5 التكامل المشترك (Cointegration):

## الوصف:

التكامل المشترك يحدث عندما تكون سلسلتان زمنيتان أو أكثر غير مستقرتين فردياً I(1) لكن تركيبة خطية منها مستقرة I(0). هذا يعني وجود علاقة توازن طويلة المدى بينها.

## الأهمية:

  • يتجنب مشكلة الانحدار الزائف (Spurious Regression)
  • يكشف عن علاقات التوازن طويلة المدى
  • يسمح بنمذجة التعديل نحو التوازن

## اختبارات التكامل المشترك:

طريقة إنجل-غرانجر (Engle-Granger Two-Step):

  • الخطوة 1: تقدير الانحدار بين المتغيرات
  • الخطوة 2: اختبار استقرارية البواقي (ADF على البواقي)
  • إذا كانت البواقي مستقرة → يوجد تكامل مشترك
  • متى تُستخدم: لمتغيرين فقط، بسيطة وشائعة

اختبار جوهانسن (Johansen Test):

  • يختبر عدد علاقات التكامل المشترك (رتبة التكامل المشترك)
  • يستخدم إحصائيتين: Trace و Maximum Eigenvalue
  • يُقدر متجهات التكامل المشترك
  • متى يُستخدم: لأكثر من متغيرين، الأقوى والأكثر شمولاً

اختبار جوهانسن-يوسيليوس (Johansen-Juselius):

  • امتداد لاختبار جوهانسن مع قيود على المتجهات
  • متى يُستخدم: لاختبار فرضيات نظرية محددة

طريقة ARDL والاختبار الحدودي (Bounds Test):

  • طورها بيساران وشين وسميث
  • لا تتطلب أن تكون جميع المتغيرات من نفس رتبة التكامل
  • تعمل مع خليط من I(0) و I(1)
  • متى تُستخدم: للعينات الصغيرة، عندما تكون رتب التكامل مختلطة

طريقة فيليبس-أوولياريس (Phillips-Ouliaris):

  • تُصحح للارتباط الذاتي في اختبار البواقي
  • متى تُستخدم: كبديل لإنجل-غرانجر

## نموذج تصحيح الخطأ (Error Correction Model - ECM):

  • يُنمذج العلاقة قصيرة المدى مع آلية التعديل نحو التوازن طويل المدى
  • معامل تصحيح الخطأ: سرعة التعديل نحو التوازن
  • متى يُستخدم: بعد إثبات وجود تكامل مشترك

# ب.6 اختبارات السببية:

سببية غرانجر (Granger Causality):

  • هل القيم السابقة لـ X تساعد في التنبؤ بـ Y؟
  • ليست سببية حقيقية بل "سببية تنبؤية"
  • متى تُستخدم: لفهم العلاقات التنبؤية بين المتغيرات

سببية تودا-ياماموتو (Toda-Yamamoto):

  • لا تتطلب اختبار التكامل المشترك مسبقاً
  • تعمل بغض النظر عن خصائص التكامل
  • متى تُستخدم: لتجنب مشاكل الاختبار المسبق

سببية دولادو-لوتكيبول (Dolado-Lütkepohl):

  • بديل آخر لغرانجر للسلاسل غير المستقرة
  • متى تُستخدم: للسلاسل المتكاملة

# ب.7 نماذج متقدمة أخرى:

نماذج تبديل ماركوف (Markov Switching Models):

  • تسمح بتغير معلمات النموذج بين حالات/أنظمة مختلفة
  • التحول بين الحالات يتبع سلسلة ماركوف
  • متى تُستخدم: لنمذجة دورات الأعمال، فترات الركود والتوسع

نماذج العتبة (Threshold Models):

  • TAR (Threshold Autoregressive): التحول يعتمد على قيمة متغير
  • SETAR (Self-Exciting TAR): التحول يعتمد على قيم السلسلة نفسها
  • STAR (Smooth Transition AR): تحول تدريجي لا مفاجئ
  • متى تُستخدم: للعلاقات غير الخطية

نماذج الذاكرة الطويلة (Long Memory Models):

  • ARFIMA (Fractionally Integrated ARIMA): يسمح بتفاضل كسري
  • متى تُستخدم: للسلاسل ذات الارتباط الذاتي البطيء الاضمحلال

نماذج الحالة الفضائية (State Space Models):

  • تمثيل عام يشمل كثيراً من النماذج كحالات خاصة
  • يُقدر بمرشح كالمان (Kalman Filter)
  • متى تُستخدم: للمكونات غير الملاحظة، التقديرات المتجددة

التحليل الطيفي (Spectral Analysis):

  • يُحلل السلسلة في مجال التردد
  • يكشف الدورات والأنماط الدورية
  • متى يُستخدم: لتحديد الدورات الموسمية وغير الموسمية

# ب.8 اختبارات إضافية للسلاسل الزمنية:

## اختبارات جذر الوحدة الموسمية (Seasonal Unit Root Tests):

اختبار HEGY (Hylleberg-Engle-Granger-Yoo):

  • يختبر جذور الوحدة عند الترددات الموسمية المختلفة
  • متى يُستخدم: للبيانات الفصلية للتمييز بين أنواع عدم الاستقرارية

اختبار Canova-Hansen:

  • الفرضية الصفرية: الاستقرارية الموسمية
  • متى يُستخدم: كمكمل لـ HEGY

اختبار Franses-Hobijn:

  • امتداد لـ HEGY للبيانات الشهرية
  • متى يُستخدم: للبيانات الشهرية

## اختبارات الخطية (Linearity Tests):

اختبار BDS (Brock-Dechert-Scheinkman):

  • يختبر استقلالية البواقي (كشف عدم الخطية أو التبعية)
  • متى يُستخدم: للكشف عن بنية غير خطية في البواقي

اختبار RESET للسلاسل الزمنية:

  • يختبر صحة الشكل الدالي
  • متى يُستخدم: للكشف عن عدم الخطية المُهملة

اختبار Teräsvirta:

  • يختبر الخطية مقابل STAR
  • متى يُستخدم: للاختيار بين النموذج الخطي و STAR

اختبار Hansen:

  • يختبر الخطية مقابل نماذج العتبة
  • متى يُستخدم: للاختيار بين النموذج الخطي والعتبة

اختبار Tsay:

  • يختبر الخطية مقابل TAR
  • متى يُستخدم: للكشف عن ديناميكيات العتبة

## اختبارات الكسر الهيكلي (Structural Break Tests):

اختبار Chow:

  • يختبر الكسر عند نقطة معروفة مسبقاً
  • متى يُستخدم: عندما تكون نقطة الكسر معروفة

اختبار Quandt-Andrews (Sup-Wald, Sup-LM, Sup-LR):

  • يختبر الكسر عند نقطة غير معروفة
  • متى يُستخدم: للبحث عن نقطة كسر واحدة

اختبار Bai-Perron:

  • يختبر ويُحدد كسوراً هيكلية متعددة
  • يُقدر عدد الكسور ومواقعها
  • متى يُستخدم: للكشف عن كسور متعددة

اختبار CUSUM و CUSUM-SQ:

  • يتتبع الاستقرار التراكمي للمعلمات
  • متى يُستخدم: لمراقبة استقرار النموذج عبر الزمن

اختبار Nyblom-Hansen:

  • يختبر ثبات المعلمات
  • متى يُستخدم: للكشف عن عدم استقرار تدريجي

## اختبارات التماثل (Symmetry Tests):

اختبار Engle-Ng (Sign Bias, Negative Size Bias, Positive Size Bias):

  • يختبر عدم التماثل في تأثير الصدمات على التقلب
  • متى يُستخدم: للتحقق من كفاية نموذج GARCH المتماثل

اختبار عدم التماثل في التكامل المشترك:

  • يختبر ما إذا كان التعديل نحو التوازن متماثلاً
  • متى يُستخدم: للكشف عن ديناميكيات غير متماثلة

# ب.9 نماذج التقلب المتقدمة (توسع):

## امتدادات GARCH الإضافية:

APARCH (Asymmetric Power ARCH):

  • يُعمم عدة نماذج GARCH
  • يسمح بقوة مختلفة عن 2
  • متى يُستخدم: لمرونة في نمذجة التقلب

CGARCH (Component GARCH):

  • يفصل التقلب لمكون دائم ومؤقت
  • متى يُستخدم: للتمييز بين التقلب طويل وقصير المدى

NGARCH (Nonlinear GARCH):

  • يسمح بعدم خطية في معادلة التباين
  • متى يُستخدم: لنمذجة أكثر مرونة

QGARCH (Quadratic GARCH):

  • يتضمن حدوداً تربيعية
  • متى يُستخدم: للتأثيرات غير المتماثلة

AVGARCH (Absolute Value GARCH):

  • يستخدم القيم المطلقة بدل المربعات
  • متى يُستخدم: أقل حساسية للقيم المتطرفة

ZARCH (Zakoian ARCH) / TARCH:

  • يُنمذج الانحراف المعياري الشرطي
  • متى يُستخدم: لنمذجة مباشرة للانحراف المعياري

GJR-GARCH-M:

  • يجمع بين عدم التماثل وتأثير المخاطر على العائد
  • متى يُستخدم: في تسعير الأصول

Realized GARCH:

  • يُدمج مقاييس التقلب المحققة في نموذج GARCH
  • متى يُستخدم: عندما تتوفر بيانات عالية التردد

## نماذج التقلب العشوائي (Stochastic Volatility):

SV الأساسي:

  • التقلب يتبع عملية عشوائية مستقلة
  • يُقدر بـ MCMC أو طرق مونت كارلو
  • متى يُستخدم: بديل أكثر مرونة لـ GARCH

SV مع القفزات (SV with Jumps):

  • يسمح بقفزات في السعر أو التقلب
  • متى يُستخدم: للأحداث المفاجئة والأزمات

SV متعدد العوامل (Multi-factor SV):

  • عدة عوامل تُحرك التقلب
  • متى يُستخدم: للتقلب ذي البنية المعقدة

SV مع الذاكرة الطويلة (Long Memory SV):

  • يسمح باستمرارية عالية في التقلب
  • متى يُستخدم: للتقلب بطيء الاضمحلال

## نماذج التقلب المحقق (Realized Volatility Models):

HAR-RV (Heterogeneous Autoregressive Realized Volatility):

  • يُنمذج RV كدالة للتقلب اليومي والأسبوعي والشهري
  • بسيط وفعال
  • متى يُستخدم: للتنبؤ بالتقلب باستخدام بيانات عالية التردد

HAR-RV-J:

  • يُضيف مكون القفزات
  • متى يُستخدم: عندما تكون القفزات مهمة

HAR-RV-CJ (Continuous-Jump):

  • يفصل بين المكون المستمر ومكون القفزات
  • متى يُستخدم: للتمييز بين مصادر التقلب

HEAVY (High-frEquency-bAsed VolatilitY):

  • يربط بين التقلب المحقق والعوائد
  • متى يُستخدم: لدمج معلومات عالية التردد

Realized EGARCH:

  • يُدمج RV في إطار EGARCH
  • متى يُستخدم: لنمذجة عدم التماثل مع RV

## نماذج التقلب متعددة المتغيرات (توسع):

VEC-GARCH (Vector Error Correction GARCH):

  • تمثيل عام لـ Multivariate GARCH
  • متى يُستخدم: كإطار عام

BEKK-GARCH:

  • يضمن إيجابية مصفوفة التباين-التغاير
  • متى يُستخدم: للنمذجة الكاملة للتقلب المشترك

CCC-GARCH (Constant Conditional Correlation):

  • يفترض ارتباطات ثابتة
  • أبسط من DCC
  • متى يُستخدم: عندما تكون الارتباطات مستقرة

DCC-GARCH (Dynamic Conditional Correlation):

  • يسمح بارتباطات متغيرة عبر الزمن
  • متى يُستخدم: للارتباطات المتغيرة، الأكثر شيوعاً

ADCC (Asymmetric DCC):

  • يسمح بتأثيرات غير متماثلة على الارتباطات
  • متى يُستخدم: عندما تؤثر الأخبار السلبية أكثر على الارتباطات

GO-GARCH (Generalized Orthogonal GARCH):

  • يستخدم عوامل متعامدة
  • متى يُستخدم: لتقليل عدد المعلمات

Factor GARCH:

  • التقلب يُحرك بعوامل مشتركة
  • متى يُستخدم: للأبعاد العالية

Copula-GARCH:

  • يفصل بين التوزيعات الهامشية وبنية الارتباط
  • يسمح بتبعيات غير خطية
  • متى يُستخدم: للتبعيات في الذيول

Spillover Index (Diebold-Yilmaz):

  • يقيس انتقال التقلب بين الأسواق/الأصول
  • متى يُستخدم: لتحليل العدوى والترابط

# ب.10 نماذج الذاكرة الطويلة (Long Memory Models):

ARFIMA (Fractionally Integrated ARMA):

  • يسمح بتفاضل كسري 0 < d < 1
  • يلتقط الذاكرة الطويلة
  • متى يُستخدم: للسلاسل ذات الارتباط الذاتي البطيء الاضمحلال

اختبارات الذاكرة الطويلة:

  • R/S (Rescaled Range): اختبار كلاسيكي
  • GPH (Geweke-Porter-Hudak): تقدير d في مجال التردد
  • Local Whittle: تقدير أكثر كفاءة
  • KPSS للذاكرة الطويلة
  • متى تُستخدم: للكشف عن وتقدير الذاكرة الطويلة

FIGARCH (Fractionally Integrated GARCH):

  • ذاكرة طويلة في التقلب
  • متى يُستخدم: للتقلب المستمر

FIEGARCH:

  • يجمع بين FIGARCH وعدم التماثل
  • متى يُستخدم: للذاكرة الطويلة مع عدم تماثل

FIAPARCH:

  • يُعمم FIGARCH
  • متى يُستخدم: لمرونة أكبر في نمذجة الذاكرة الطويلة

# ب.11 نماذج تغير النظام والعتبة (توسع):

## نماذج تبديل ماركوف (Markov Switching) - توسع:

MS-AR (Markov Switching Autoregressive):

  • معلمات AR تتغير حسب النظام
  • متى يُستخدم: لدورات الأعمال (توسع/ركود)

MS-VAR:

  • VAR مع تبديل النظام
  • متى يُستخدم: للعلاقات المتغيرة بين المتغيرات

MS-GARCH:

  • GARCH مع أنظمة مختلفة للتقلب
  • متى يُستخدم: لأنظمة تقلب مختلفة (عادي/أزمة)

MS-DFM (Markov Switching Dynamic Factor Model):

  • نموذج عوامل ديناميكي مع تبديل
  • متى يُستخدم: لتحديد دورات الأعمال

TVTP-MS (Time-Varying Transition Probability):

  • احتمالات الانتقال تعتمد على متغيرات
  • متى يُستخدم: عندما تتأثر احتمالات التحول بعوامل خارجية

## نماذج العتبة (Threshold Models) - توسع:

TAR (Threshold Autoregressive):

  • التحول يعتمد على قيمة متغير العتبة
  • متى يُستخدم: للديناميكيات المختلفة في أنظمة مختلفة

SETAR (Self-Exciting TAR):

  • متغير العتبة هو السلسلة المتأخرة نفسها
  • متى يُستخدم: للدورات غير المتماثلة

LSTAR (Logistic Smooth Transition AR):

  • تحول سلس بدالة لوجستية
  • متى يُستخدم: للتحولات التدريجية

ESTAR (Exponential STAR):

  • تحول سلس بدالة أسية
  • متى يُستخدم: عندما يكون السلوك مختلفاً للقيم المتطرفة في كلا الاتجاهين

TVSTAR (Time-Varying STAR):

  • معلمات STAR تتغير عبر الزمن
  • متى يُستخدم: للتغير الهيكلي في العلاقة غير الخطية

LSTVAR (Logistic Smooth Transition VAR):

  • امتداد STAR لعدة متغيرات
  • متى يُستخدم: للعلاقات متعددة المتغيرات المتغيرة

Threshold VECM (TVECM):

  • تصحيح الخطأ يعمل فقط خارج نطاق معين
  • يسمح بعدم تماثل في التعديل
  • متى يُستخدم: لتكاليف المعاملات، عدم تماثل التعديل

Momentum TAR (M-TAR):

  • العتبة على التغير لا المستوى
  • متى يُستخدم: للكشف عن عدم تماثل في الزخم

# ب.12 نماذج الحالة الفضائية والعوامل (State Space and Factor Models):

## نماذج الحالة الفضائية (State Space):

التمثيل العام:

  • معادلة الملاحظة: ربط الملاحظات بالحالات
  • معادلة الحالة: تطور الحالات عبر الزمن
  • يُقدر بمرشح كالمان

Local Level Model:

  • مستوى يتغير عشوائياً
  • متى يُستخدم: للاتجاه المتغير

Local Linear Trend:

  • مستوى وميل يتغيران
  • متى يُستخدم: للاتجاه والنمو المتغيرين

Basic Structural Model (BSM):

  • مستوى + اتجاه + موسمية
  • متى يُستخدم: للتحليل الهيكلي للسلاسل

Unobserved Components Model (UCM):

  • يفكك السلسلة لمكونات غير ملاحظة
  • متى يُستخدم: لفهم مكونات السلسلة

Time-Varying Parameter (TVP) Models:

  • المعلمات تتطور عبر الزمن
  • متى يُستخدم: للعلاقات غير المستقرة

TVP-VAR:

  • VAR مع معلمات متغيرة
  • متى يُستخدم: لتحليل السياسات، العلاقات المتغيرة

TVP-VAR-SV:

  • TVP-VAR مع تقلب عشوائي
  • متى يُستخدم: للنمذجة الكاملة مع عدم استقرار

## نماذج العوامل (Factor Models):

Static Factor Model:

  • المتغيرات تُحرك بعوامل مشتركة
  • يُقدر بـ PCA أو Maximum Likelihood
  • متى يُستخدم: لتلخيص معلومات كثيرة

Dynamic Factor Model (DFM):

  • العوامل تتبع ديناميكيات (VAR)
  • متى يُستخدم: للتنبؤ، Nowcasting

Factor-Augmented VAR (FAVAR):

  • VAR مع عوامل مستخرجة
  • متى يُستخدم: لتحليل السياسة النقدية مع بيانات كثيرة

Generalized Dynamic Factor Model (GDFM):

  • يسمح بديناميكيات أكثر عمومية
  • متى يُستخدم: للبيانات الكثيرة جداً

Nowcasting Models:

  • DFM للتنبؤ بالحاضر/المستقبل القريب
  • يتعامل مع البيانات المختلطة التردد والمفقودة
  • متى يُستخدم: للتقدير الآني (مثل GDP)

# ب.13 نماذج الترددات المختلطة (Mixed Frequency Models):

MIDAS (Mixed Data Sampling):

  • يستخدم بيانات عالية التردد للتنبؤ بمنخفضة التردد
  • متى يُستخدم: للتنبؤ بـ GDP من بيانات يومية/شهرية

U-MIDAS (Unrestricted MIDAS):

  • بدون قيود على المعلمات
  • متى يُستخدم: للعينات الكبيرة

MF-VAR (Mixed Frequency VAR):

  • VAR بترددات مختلطة
  • متى يُستخدم: لنمذجة العلاقات بين متغيرات مختلفة التردد

Bridge Equations:

  • معادلات ربط بين الترددات
  • متى يُستخدم: طريقة بسيطة للترددات المختلطة

# ب.14 نماذج السلاسل الزمنية للعد (Count Time Series):

INAR (Integer-valued Autoregressive):

  • AR للبيانات الصحيحة غير السالبة
  • يستخدم عامل التخفيف (Thinning Operator)
  • متى يُستخدم: لبيانات العد المرتبطة زمنياً

INARCH / INGARCH:

  • نماذج ARCH/GARCH للعد
  • التباين الشرطي يتغير
  • متى يُستخدم: لبيانات العد ذات التشتت المتغير

Poisson Autoregression:

  • العد يتبع بواسون مع كثافة متغيرة
  • متى يُستخدم: لبيانات العد مع تبعية زمنية

Negative Binomial Time Series:

  • يتعامل مع التشتت الزائد
  • متى يُستخدم: عندما يكون التباين أكبر من المتوسط

Zero-Inflated Time Series:

  • لبيانات العد مع أصفار زائدة
  • متى يُستخدم: عندما تكون الأصفار أكثر من المتوقع

# ب.15 نماذج التكامل المشترك غير الخطي:

Threshold Cointegration:

  • العلاقة طويلة المدى أو التعديل يعتمد على عتبة
  • متى يُستخدم: لتكاليف المعاملات، عدم تماثل التعديل

Asymmetric Cointegration:

  • تعديل مختلف للانحرافات الإيجابية والسلبية
  • متى يُستخدم: للعلاقات غير المتماثلة

Nonlinear ARDL (NARDL):

  • يفصل تأثير الزيادات والنقصان
  • متى يُستخدم: لاختبار عدم التماثل في العلاقة

Smooth Transition Cointegration:

  • التعديل يتغير بسلاسة
  • متى يُستخدم: للانتقال التدريجي بين الأنظمة

Fractional Cointegration:

  • التكامل المشترك مع ذاكرة طويلة
  • متى يُستخدم: عندما يكون التعديل بطيئاً جداً

Regime-Dependent Cointegration:

  • علاقة التكامل المشترك تختلف حسب النظام
  • متى يُستخدم: للعلاقات المتغيرة هيكلياً

# ب.16 نماذج Copula للسلاسل الزمنية:

Static Copula:

  • تفصل بنية التبعية عن التوزيعات الهامشية
  • أنواع Copula: Gaussian, Student-t, Clayton, Gumbel, Frank, Joe
  • متى تُستخدم: للتبعيات غير الخطية

Time-Varying Copula:

  • معلمات Copula تتغير عبر الزمن
  • متى تُستخدم: للارتباطات المتغيرة

Regime-Switching Copula:

  • Copula مختلفة في أنظمة مختلفة
  • متى تُستخدم: للتبعيات المتغيرة بين الأنظمة

Vine Copula:

  • لأكثر من متغيرين
  • متى تُستخدم: للتبعيات المعقدة متعددة الأبعاد

Copula-GARCH:

  • GARCH للهوامش + Copula للتبعية
  • متى يُستخدم: لنمذجة شاملة للعوائد المشتركة

# ب.17 نماذج Score-Driven (GAS/DCS):

GAS (Generalized Autoregressive Score):

  • المعلمات المتغيرة تُحدث بناءً على Score
  • إطار عام يشمل كثيراً من النماذج كحالات خاصة
  • متى يُستخدم: لنمذجة مرنة للمعلمات المتغيرة

Beta-t-EGARCH:

  • نموذج GAS للتقلب
  • متى يُستخدم: بديل قوي لـ GARCH

GAS Copula:

  • Copula مع معلمات GAS
  • متى تُستخدم: للتبعيات المتغيرة

# ب.18 نماذج DSGE وهيكلية:

DSGE (Dynamic Stochastic General Equilibrium):

  • نماذج اقتصادية هيكلية مبنية على أسس نظرية
  • تُقدر بـ Bayesian Methods أو Maximum Likelihood
  • متى تُستخدم: لتحليل السياسات، محاكاة السيناريوهات

SVAR مع قيود Sign Restrictions:

  • تحديد الصدمات بقيود على الإشارات
  • متى يُستخدم: عندما تكون القيود التقليدية غير مقنعة

Narrative Identification:

  • استخدام معلومات تاريخية لتحديد الصدمات
  • متى يُستخدم: لتحديد صدمات محددة (مثل النفطية)

Proxy SVAR / External Instruments:

  • استخدام متغيرات آلية خارجية
  • متى يُستخدم: لتحديد صدمات محددة

# ب.19 نماذج تعلم الآلة للسلاسل الزمنية:

LSTM (Long Short-Term Memory):

  • شبكة عصبية متكررة للتبعيات الطويلة
  • متى تُستخدم: للأنماط المعقدة طويلة المدى

GRU (Gated Recurrent Unit):

  • أبسط من LSTM
  • متى تُستخدم: بديل أسرع لـ LSTM

Transformer للسلاسل الزمنية:

  • آلية الانتباه للتبعيات الزمنية
  • متى تُستخدم: للسلاسل الطويلة جداً

Temporal Convolutional Networks (TCN):

  • شبكات التفافية للزمن
  • متى تُستخدم: بديل للشبكات المتكررة

Prophet (Facebook):

  • نموذج إضافي للاتجاه والموسمية
  • متى يُستخدم: للتنبؤ التجاري، سهل الاستخدام

DeepAR (Amazon):

  • نموذج احتمالي عميق
  • متى يُستخدم: للتنبؤ الاحتمالي

N-BEATS:

  • شبكة عميقة للتنبؤ
  • متى تُستخدم: للتنبؤ بدون هندسة ميزات

Temporal Fusion Transformer:

  • يجمع بين عدة تقنيات
  • متى يُستخدم: للتنبؤ مع متغيرات خارجية

# ب.20 تحليل المويجات (Wavelet Analysis):

التحليل المويجي المستمر (CWT):

  • يُحلل السلسلة في مجال الزمن-التردد
  • متى يُستخدم: لتحديد الدورات المتغيرة

التحليل المويجي المنفصل (DWT):

  • يفكك السلسلة لمستويات مختلفة
  • متى يُستخدم: لفصل المكونات

Wavelet Coherence:

  • يقيس الارتباط في مجال الزمن-التردد
  • متى يُستخدم: للعلاقات المتغيرة عبر الزمن والتردد

MODWT (Maximal Overlap DWT):

  • لا يتطلب طول من قوى 2
  • متى يُستخدم: للتحليل المرن

Wavelet Variance/Covariance:

  • تقدير التباين على مقاييس مختلفة
  • متى يُستخدم: لفهم التباين عبر المقاييس

# ب.21 طرق التنبؤ والتجميع:

Forecast Combination:

  • تجميع تنبؤات من نماذج مختلفة
  • طرق التجميع:
  • المتوسط البسيط
  • الترجيح بعكس MSE
  • الترجيح الأمثل (Bates-Granger)
  • Bayesian Model Averaging
  • متى تُستخدم: لتحسين دقة التنبؤ

Forecast Encompassing:

  • اختبار هل يتضمن تنبؤ معلومات تنبؤ آخر
  • متى يُستخدم: للمقارنة بين التنبؤات

Diebold-Mariano Test:

  • يختبر الفرق في دقة التنبؤ
  • متى يُستخدم: للمقارنة الإحصائية بين التنبؤات

Model Confidence Set (MCS):

  • يُحدد مجموعة النماذج الأفضل إحصائياً
  • متى يُستخدم: لاختيار من بين نماذج متعددة

Reality Check و SPA Test:

  • يُصحح لتعدد المقارنات في تقييم التنبؤ
  • متى يُستخدم: للمقارنات المتعددة

# ب.22 البيانات عالية التردد (High-Frequency Data):

Realized Variance:

  • تقدير التباين من العوائد عالية التردد
  • متى يُستخدم: لقياس دقيق للتقلب

Realized Kernels:

  • يُصحح لضوضاء البنية المجهرية
  • متى يُستخدم: للتعامل مع ضوضاء السوق

Bipower Variation:

  • يفصل بين التباين المستمر والقفزات
  • متى يُستخدم: لتحديد القفزات

Realized Covariance:

  • مصفوفة التغاير من بيانات عالية التردد
  • متى يُستخدم: للمحافظ والتحوط

Jump Detection Tests:

  • Barndorff-Nielsen-Shephard
  • Lee-Mykland
  • Andersen-Bollerslev-Dobrev
  • متى تُستخدم: لتحديد القفزات في الأسعار

Market Microstructure Models:

  • نماذج بنية السوق (bid-ask spread, order flow)
  • متى تُستخدم: لفهم ديناميكيات التداول

# ب.23 ملخص اختيار نموذج السلاسل الزمنية:

| الموقف | النموذج المقترح |

|--------|----------------|

| تنبؤ بسيط، سلسلة مستقرة | ARMA |

| سلسلة غير مستقرة | ARIMA |

| موسمية | SARIMA |

| تقلب متغير | GARCH وامتداداته |

| عدة متغيرات، علاقات متبادلة | VAR |

| علاقة طويلة المدى | VECM (بعد اختبار التكامل المشترك) |

| أنظمة مختلفة (ركود/توسع) | Markov Switching |

| عدم خطية مع عتبة | TAR, STAR |

| ذاكرة طويلة | ARFIMA, FIGARCH |

| معلمات متغيرة | TVP-VAR, State Space |

| بيانات كثيرة | Factor Models, FAVAR |

| ترددات مختلطة | MIDAS, MF-VAR |

| بيانات عالية التردد | HAR-RV, Realized GARCH |

| تبعيات معقدة | Copula Models |

| أنماط معقدة جداً | LSTM, Transformer |

ج. تحليل بيانات البانل (Panel Data Analysis):

# الوصف:

بيانات البانل تجمع بين البُعد المقطعي (Cross-sectional: أفراد، شركات، دول) والبُعد الزمني (Time series: فترات متعددة). تُوفر معلومات أغنى وتتيح التحكم في عدم التجانس غير الملاحظ.

# المزايا:

  • التحكم في الخصائص الفردية غير الملاحظة
  • مزيد من التباين والمعلومات
  • دراسة الديناميكيات
  • تقليل مشاكل التعدد الخطي

# ج.1 النماذج الأساسية للبانل:

نموذج التجميع (Pooled OLS):

  • يتجاهل البنية البانلية ويعامل البيانات كمقطعية
  • يفترض تجانس جميع الوحدات
  • متى يُستخدم: كنقطة مرجعية، عندما لا توجد اختلافات فردية مهمة

نموذج التأثيرات الثابتة (Fixed Effects - FE):

  • يُضيف تأثيراً ثابتاً لكل وحدة (Intercept خاص)
  • يُزيل التأثيرات الفردية الثابتة عبر الزمن
  • يستخدم التحويل Within أو المتغيرات الوهمية
  • متى يُستخدم: عندما ترتبط الخصائص الفردية بالمتغيرات المستقلة

نموذج التأثيرات العشوائية (Random Effects - RE):

  • يعامل التأثيرات الفردية كمتغيرات عشوائية
  • أكثر كفاءة من FE إذا كانت افتراضاته صحيحة
  • يسمح بتقدير تأثير المتغيرات الثابتة عبر الزمن
  • متى يُستخدم: عندما لا ترتبط الخصائص الفردية بالمتغيرات المستقلة

اختبار هاوسمان (Hausman Test):

  • يختبر الفرق بين FE و RE
  • الفرضية الصفرية: RE متسق وكفؤ (لا فرق جوهري)
  • متى يُستخدم: للاختيار بين FE و RE

نموذج التأثيرات الثابتة الزمنية (Time Fixed Effects):

  • يُضيف تأثيرات ثابتة للفترات الزمنية
  • يتحكم في الصدمات المشتركة لجميع الوحدات
  • متى يُستخدم: عندما تؤثر أحداث زمنية على جميع الوحدات

نموذج التأثيرات الثابتة الثنائية (Two-way Fixed Effects):

  • يجمع بين التأثيرات الفردية والزمنية
  • متى يُستخدم: للتحكم في كلا النوعين من عدم التجانس

نموذج Between Effects:

  • يستخدم متوسطات كل وحدة عبر الزمن
  • يُحلل الاختلافات بين الوحدات
  • متى يُستخدم: عندما يكون الاهتمام بالفروق بين الوحدات

# ج.2 نماذج البانل الديناميكية:

الوصف:

النماذج التي تتضمن المتغير التابع المتأخر كمتغير مستقل. تواجه مشكلة الارتباط بين المتغير المتأخر والأخطاء (Nickell Bias).

طريقة أندرسون-هسياو (Anderson-Hsiao):

  • تستخدم المتغيرات الآلية (الفروق أو المستويات المتأخرة)
  • متى تُستخدم: كمقاربة أولى للبانل الديناميكي

GMM للبانل الديناميكي:

أريلانو-بوند (Arellano-Bond / Difference GMM):

  • يأخذ الفرق الأول ثم يستخدم المستويات المتأخرة كأدوات
  • متى يُستخدم: للبانل الديناميكي مع N كبير و T صغير

بلنديل-بوند (Blundell-Bond / System GMM):

  • يستخدم معادلات المستويات والفروق معاً
  • أكثر كفاءة من Difference GMM
  • متى يُستخدم: عندما تكون السلسلة قريبة من جذر الوحدة، للحصول على كفاءة أعلى

اختبارات التشخيص لـ GMM:

  • اختبار سارغان/هانسن (Sargan/Hansen): صحة الأدوات
  • اختبار أريلانو-بوند للارتباط الذاتي: AR(1) و AR(2) في الأخطاء

# ج.3 اختبارات جذر الوحدة للبانل:

الجيل الأول (يفترض استقلال مقطعي):

اختبار LLC (Levin-Lin-Chu):

  • يفترض معلمة جذر وحدة موحدة لجميع الوحدات
  • الفرضية الصفرية: جميع السلاسل لديها جذر وحدة
  • متى يُستخدم: للبانل المتجانس

اختبار IPS (Im-Pesaran-Shin):

  • يسمح بمعلمات جذر وحدة مختلفة بين الوحدات
  • أكثر مرونة من LLC
  • متى يُستخدم: للبانل غير المتجانس

اختبار هادري (Hadri):

  • الفرضية الصفرية: جميع السلاسل مستقرة
  • عكس LLC و IPS
  • متى يُستخدم: للتأكيد على نتائج الاختبارات الأخرى

اختبارات فيشر (Fisher-type: ADF و PP):

  • تجمع اختبارات جذر الوحدة الفردية
  • لا تتطلب بانل متوازن
  • متى تُستخدم: للبانل غير المتوازن

الجيل الثاني (يسمح بالارتباط المقطعي):

اختبار Pesaran CIPS (Cross-sectionally Augmented IPS):

  • يتحكم في الارتباط المقطعي
  • متى يُستخدم: عندما يكون هناك ارتباط بين الوحدات

اختبار Bai-Ng:

  • يستخدم نماذج العوامل
  • متى يُستخدم: للبانل مع عوامل مشتركة

# ج.4 التكامل المشترك للبانل:

اختبارات بيدروني (Pedroni Tests):

  • سبعة اختبارات للتكامل المشترك في البانل
  • تسمح بعدم تجانس في العلاقة طويلة المدى
  • متى تُستخدم: للبانل غير المتجانس

اختبار كاو (Kao Test):

  • امتداد لإنجل-غرانجر للبانل
  • يفترض تجانس المعلمات
  • متى يُستخدم: للبانل المتجانس

اختبار ويسترلند (Westerlund Tests):

  • يختبر تصحيح الخطأ
  • أربعة اختبارات: اثنان للوحدات واثنان للبانل ككل
  • متى يُستخدم: أقوى من Pedroni في بعض الحالات

اختبار فيشر للتكامل المشترك (Fisher/Johansen Panel Cointegration):

  • يجمع اختبارات جوهانسن الفردية
  • متى يُستخدم: لتحديد عدد علاقات التكامل المشترك

# ج.5 مُقدرات العلاقة طويلة المدى للبانل:

FMOLS للبانل (Fully Modified OLS):

  • يُصحح للارتباط الذاتي والارتباط الداخلي
  • متى يُستخدم: لتقدير العلاقة طويلة المدى في بانل متكامل تكاملاً مشتركاً

DOLS للبانل (Dynamic OLS):

  • يُضيف الفروق المتقدمة والمتأخرة للتحكم في الارتباط الداخلي
  • متى يُستخدم: بديل لـ FMOLS، قد يكون أفضل للعينات الصغيرة

مُقدر المتوسط الجماعي (Mean Group - MG):

  • يُقدر معادلة لكل وحدة ثم يأخذ المتوسط
  • يسمح بعدم تجانس كامل
  • متى يُستخدم: للبانل غير المتجانس مع T كبير

مُقدر المتوسط الجماعي المجمع (Pooled Mean Group - PMG):

  • يفترض تجانس المعلمات طويلة المدى فقط
  • يسمح بعدم تجانس في المعلمات قصيرة المدى
  • متى يُستخدم: عندما تكون العلاقة طويلة المدى متماثلة

اختبار هاوسمان للاختيار بين MG و PMG:

  • يختبر صحة قيد التجانس في PMG
  • متى يُستخدم: للاختيار بين المُقدرين

# ج.6 نماذج البانل المتقدمة:

نماذج العتبة للبانل (Panel Threshold Models):

  • تسمح بتأثيرات مختلفة حسب قيمة متغير العتبة
  • متى تُستخدم: للعلاقات غير الخطية في البانل

نماذج البانل الكمية (Panel Quantile Regression):

  • تُقدر التأثير على مختلف المئينات
  • متى تُستخدم: عندما يختلف التأثير عبر التوزيع

نماذج البانل المكاني (Spatial Panel Models):

  • تتضمن الارتباط المكاني بين الوحدات
  • SAR: المتغير التابع يعتمد على جيرانه
  • SEM: الأخطاء مرتبطة مكانياً
  • SAC: يجمع بين الاثنين
  • متى تُستخدم: للبيانات الجغرافية، عندما تؤثر الوحدات على بعضها

نماذج البانل مع عوامل مشتركة (Common Correlated Effects - CCE):

  • تتحكم في العوامل غير الملاحظة المشتركة
  • متى تُستخدم: عندما يكون هناك ارتباط مقطعي بسبب عوامل مشتركة

نماذج البانل للأحداث النادرة:

  • للمتغيرات التابعة الثنائية مع أحداث نادرة
  • متى تُستخدم: عندما يكون الحدث نادراً (مثل الإفلاس، الأزمات)

نماذج البانل غير المتوازن (Unbalanced Panel):

  • تتعامل مع البيانات المفقودة
  • معظم النماذج تتعامل معها لكن مع اعتبارات خاصة
  • متى تُستخدم: عندما لا تتوفر بيانات لكل الفترات لكل الوحدات

# ج.7 اختبارات تشخيصية للبانل:

اختبار بريوش-باجان للتأثيرات العشوائية:

  • يختبر وجود تأثيرات فردية
  • متى يُستخدم: للمقارنة بين Pooled OLS و RE

اختبار F للتأثيرات الثابتة:

  • يختبر معنوية التأثيرات الفردية الثابتة
  • متى يُستخدم: للمقارنة بين Pooled OLS و FE

اختبار وولدريدج للارتباط الذاتي:

  • يختبر الارتباط الذاتي من الدرجة الأولى
  • متى يُستخدم: للتحقق من استقلال الأخطاء عبر الزمن

اختبارات عدم تجانس التباين:

  • اختبار بريوش-باجان المُعدل للبانل
  • اختبار وايت
  • متى تُستخدم: للتحقق من تجانس تباين الأخطاء

اختبار الارتباط المقطعي (Cross-sectional Dependence):

  • اختبار Pesaran CD
  • اختبار Breusch-Pagan LM
  • متى يُستخدم: للتحقق من استقلال الأخطاء بين الوحدات

# ج.8 نماذج البانل للمتغيرات التابعة المحدودة:

## المتغيرات الثنائية (Binary):

Panel Logit:

  • Fixed Effects Logit (Conditional Logit):
  • يستخدم فقط الوحدات التي تغيرت قيمتها عبر الزمن
  • يُزيل التأثيرات الثابتة بالتكييف
  • متى يُستخدم: للمتغير التابع الثنائي مع تأثيرات ثابتة
  • Random Effects Logit:
  • يفترض توزيعاً للتأثيرات الفردية
  • يستخدم جميع الملاحظات
  • متى يُستخدم: عندما لا ترتبط التأثيرات الفردية بالمتغيرات المستقلة

Panel Probit:

  • Random Effects Probit:
  • أكثر شيوعاً من FE Probit لصعوبة الأخير
  • متى يُستخدم: للمتغير التابع الثنائي مع افتراض التوزيع الطبيعي
  • Correlated Random Effects Probit (Mundlak-Chamberlain):
  • يُضيف متوسطات المتغيرات المستقلة للتحكم في الارتباط
  • متى يُستخدم: للجمع بين مزايا FE و RE

## المتغيرات الترتيبية (Ordinal):

Panel Ordered Logit/Probit:

  • Random Effects Ordered:
  • للمتغيرات ذات الترتيب (راضٍ جداً، راضٍ، غير راضٍ...)
  • متى يُستخدم: للاستجابات المرتبة في البانل
  • Blow-Up and Cluster (BUC) Estimator:
  • بديل للـ FE Ordered Logit
  • متى يُستخدم: عندما تكون التأثيرات الثابتة ضرورية

## المتغيرات الفئوية المتعددة (Multinomial):

Panel Multinomial Logit:

  • Random Effects Multinomial:
  • للاختيار بين أكثر من بديلين غير مرتبين
  • متى يُستخدم: لنمذجة الاختيارات المتعددة عبر الزمن
  • Mixed Logit / Random Parameters Logit:
  • يسمح بعدم تجانس في معلمات الاختيار
  • متى يُستخدم: لبيانات الاختيار المتكرر

## المتغيرات المقطوعة والمحدودة (Censored/Truncated):

Panel Tobit:

  • Random Effects Tobit:
  • للمتغيرات المقطوعة من أسفل أو أعلى
  • متى يُستخدم: عندما يكون المتغير التابع محدوداً (مثل: الإنفاق = 0 لمن لا ينفق)
  • Trimmed LAD for Panel:
  • مُقدر قوي للبانل المقطوع
  • متى يُستخدم: عندما يكون التوزيع غير طبيعي

Panel Truncated Regression:

  • للعينات المبتورة حيث لا نُلاحظ بعض القيم أصلاً
  • متى يُستخدم: عندما تكون العينة مختارة بناءً على المتغير التابع

## بيانات العد (Count Data):

Panel Poisson:

  • Fixed Effects Poisson:
  • متسق حتى مع عدم صحة افتراض بواسون
  • متى يُستخدم: لبيانات العد مع تأثيرات ثابتة
  • Random Effects Poisson:
  • يفترض توزيع غاما للتأثيرات
  • متى يُستخدم: لبيانات العد مع تأثيرات عشوائية

Panel Negative Binomial:

  • Fixed Effects NB:
  • يتعامل مع التشتت الزائد
  • متى يُستخدم: عندما يكون التباين أكبر من المتوسط
  • Random Effects NB:
  • أكثر مرونة في نمذجة التشتت
  • متى يُستخدم: للعد مع تأثيرات عشوائية وتشتت زائد

Panel Zero-Inflated Models:

  • Zero-Inflated Poisson/NB للبانل:
  • يفصل بين عملية توليد الأصفار وعملية العد
  • متى يُستخدم: عندما يكون هناك أصفار زائدة (Excess Zeros)

Panel Hurdle Models:

  • يفصل بين قرار المشاركة (صفر vs إيجابي) وكمية المشاركة
  • متى يُستخدم: عندما تكون عملية الصفر مختلفة عن عملية العد

# ج.9 نماذج البانل للانتقاء والاختيار الذاتي:

Panel Heckman Selection Model:

  • يُصحح لانحياز الاختيار الذاتي في البانل
  • معادلة اختيار + معادلة نتيجة
  • متى يُستخدم: عندما يكون الظهور في العينة غير عشوائي

Panel Treatment Effects:

  • Panel Propensity Score Matching:
  • المطابقة على درجة الميل في البانل
  • متى يُستخدم: لتقدير أثر التدخل في البيانات الرصدية
  • Panel Inverse Probability Weighting (IPW):
  • ترجيح الملاحظات باحتمالية العلاج
  • متى يُستخدم: بديل للمطابقة
  • Doubly Robust Panel Estimators:
  • يجمع بين نمذجة النتيجة ودرجة الميل
  • متى يُستخدم: للحصول على تقديرات أكثر قوة

# ج.10 نماذج البانل للاستدلال السببي:

Panel Difference-in-Differences (DiD):

  • المقارنة قبل/بعد للمجموعة المعالجة vs الضابطة
  • Two-way Fixed Effects DiD:
  • الطريقة التقليدية
  • متى يُستخدم: لتقييم أثر سياسة أو تدخل
  • Staggered DiD (التبني المتدرج):
  • عندما تتلقى الوحدات العلاج في أوقات مختلفة
  • مشكلة التباين السلبي: التقديرات التقليدية قد تكون منحازة
  • حلول حديثة:
  • Callaway-Sant'Anna
  • Sun-Abraham
  • de Chaisemartin-D'Haultfœuille
  • Borusyak-Jaravel-Spiess
  • Gardner (Two-stage DiD)
  • متى تُستخدم: عندما يختلف توقيت العلاج بين الوحدات
  • Triple Differences (DDD):
  • يُضيف بُعداً ثالثاً للمقارنة
  • متى يُستخدم: للتحكم في اتجاهات مختلفة بين المجموعات

Panel Event Study:

  • يُقدر التأثيرات الديناميكية قبل وبعد الحدث
  • يختبر الاتجاهات المتوازية (Parallel Trends)
  • متى يُستخدم: لتتبع تطور التأثير عبر الزمن

Panel Regression Discontinuity (RDD):

  • Sharp RDD للبانل:
  • التعيين يتحدد كلياً بنقطة القطع
  • Fuzzy RDD للبانل:
  • نقطة القطع تؤثر على احتمالية العلاج
  • متى يُستخدم: عندما يُحدد التعرض بدرجة قطع

Panel Instrumental Variables:

  • Panel 2SLS/IV:
  • متغيرات آلية في سياق البانل
  • متى يُستخدم: للتعامل مع الارتباط الداخلي
  • Panel GMM:
  • أكثر كفاءة مع أدوات متعددة
  • متى يُستخدم: عندما تتوفر أدوات متعددة

Synthetic Control Method للبانل:

  • يبني مجموعة ضابطة اصطناعية من توليفة وحدات
  • متى يُستخدم: لدراسة حدث يؤثر على وحدة واحدة أو قليلة

Panel Regression Kink Design:

  • يستغل التغير في ميل العلاقة عند نقطة معينة
  • متى يُستخدم: عندما يتغير الميل لا المستوى عند العتبة

# ج.11 نماذج البانل متعددة المستويات والهرمية:

Three-Level Panel Models:

  • ملاحظات متداخلة في أفراد متداخلين في مجموعات
  • مثال: قياسات ← طلاب ← مدارس
  • متى يُستخدم: للتداخل في أكثر من مستويين

Cross-Classified Panel Models:

  • الوحدات تنتمي لتصنيفات متقاطعة لا متداخلة
  • مثال: طلاب ينتمون لمدارس وأحياء (ليست متداخلة)
  • متى يُستخدم: عندما لا يكون التداخل هرمياً بحتاً

Growth Curve Models / Latent Growth Models:

  • تُقدر مسارات النمو الفردية
  • Linear Growth: نمو خطي
  • Quadratic Growth: نمو منحني
  • Piecewise Growth: نمو مع نقاط تحول
  • متى يُستخدم: لدراسة التغير والتطور الفردي

Latent Class Growth Models:

  • تُحدد مجموعات فرعية ذات مسارات نمو مختلفة
  • متى يُستخدم: عندما يكون هناك عدم تجانس في مسارات النمو

# ج.12 نماذج البانل VAR والديناميكية المتقدمة:

Panel VAR (PVAR):

  • نموذج VAR مع بُعد مقطعي
  • يدرس الديناميكيات المتبادلة في البانل
  • أدوات PVAR:
  • Panel Impulse Response Functions
  • Panel Variance Decomposition
  • Panel Granger Causality
  • متى يُستخدم: للعلاقات الديناميكية المتبادلة في البانل

Global VAR (GVAR):

  • يربط نماذج VAR لوحدات مختلفة
  • يتضمن الترابط بين الوحدات
  • متى يُستخدم: لنمذجة الاقتصاد العالمي والترابطات

Panel Local Projections:

  • بديل لـ VAR لتقدير دوال الاستجابة للصدمة
  • أكثر مرونة وأقل افتراضات
  • متى يُستخدم: للاستجابات الديناميكية بدون قيود VAR

# ج.13 نماذج البانل غير الخطية:

Panel Smooth Transition Regression (PSTR):

  • التحول بين الأنظمة تدريجي لا مفاجئ
  • متى يُستخدم: للعلاقات غير الخطية التدريجية

Panel Threshold Regression (PTR):

  • Hansen Panel Threshold:
  • يختبر ويُقدر نقاط العتبة
  • متى يُستخدم: للعلاقات غير الخطية مع نقاط تحول
  • Dynamic Panel Threshold:
  • يجمع بين الديناميكية والعتبة
  • متى يُستخدم: للبانل الديناميكي مع عدم خطية

Panel Quantile Regression:

  • Fixed Effects Quantile:
  • يُقدر التأثير على مختلف المئينات
  • متى يُستخدم: عندما يختلف التأثير عبر التوزيع
  • Correlated Random Effects Quantile:
  • يتحكم في عدم التجانس غير الملاحظ
  • متى يُستخدم: للجمع بين QR والتأثيرات الفردية

Panel Switching Regression:

  • يسمح بأنظمة مختلفة مع احتمالية الانتماء لكل نظام
  • متى يُستخدم: عندما تكون هناك أنظمة غير ملاحظة

# ج.14 نماذج البانل مع التأثيرات التفاعلية والعوامل:

Interactive Fixed Effects (IFE):

  • يُضيف عوامل مشتركة مع تحميلات خاصة بكل وحدة
  • يتحكم في عدم التجانس غير الملاحظ المتغير عبر الزمن
  • مُقدرات:
  • Bai (2009)
  • Moon-Weidner
  • متى يُستخدم: عندما تتأثر الوحدات بعوامل مشتركة بدرجات مختلفة

Factor-Augmented Panel:

  • يستخرج عوامل من البيانات ويُدخلها في النموذج
  • متى يُستخدم: للتحكم في عوامل غير ملاحظة متعددة

Common Correlated Effects (CCE) - توسع:

  • CCE Mean Group (CCEMG):
  • يسمح بعدم تجانس كامل
  • CCE Pooled (CCEP):
  • يفترض تجانس المعلمات
  • متى يُستخدم: للارتباط المقطعي الناتج عن عوامل مشتركة

# ج.15 نماذج البانل المكانية (توسع):

Spatial Lag Panel (SAR):

  • المتغير التابع يعتمد على قيمه في الوحدات المجاورة
  • Fixed Effects Spatial Lag
  • Random Effects Spatial Lag
  • متى يُستخدم: للتأثيرات المكانية المباشرة

Spatial Error Panel (SEM):

  • الأخطاء مرتبطة مكانياً
  • متى يُستخدم: للارتباط المكاني في الأخطاء

Spatial Durbin Panel (SDM):

  • يتضمن المتغير التابع المكاني والمتغيرات المستقلة المكانية
  • متى يُستخدم: للتأثيرات المكانية المباشرة وغير المباشرة

Spatial Autocorrelation Panel (SAC/SARAR):

  • يجمع بين SAR و SEM
  • متى يُستخدم: عندما يكون هناك كلا النوعين من الارتباط المكاني

Dynamic Spatial Panel:

  • يُضيف المتغير التابع المتأخر زمنياً
  • متى يُستخدم: للديناميكيات الزمانية والمكانية معاً

Space-Time Panel Models:

  • يُنمذج التفاعل بين البعدين الزماني والمكاني
  • متى يُستخدم: للعمليات التي تنتشر عبر الزمان والمكان

# ج.16 نماذج البانل للتقلب والمخاطر:

Panel GARCH:

  • يُنمذج التقلب المشروط في البانل
  • متى يُستخدم: للبيانات المالية في البانل

Panel Stochastic Volatility:

  • التقلب يتبع عملية عشوائية
  • متى يُستخدم: لنمذجة أكثر مرونة للتقلب

Panel Realized Volatility Models:

  • يستخدم مقاييس التقلب المحققة من بيانات عالية التردد
  • متى يُستخدم: عندما تتوفر بيانات عالية التردد

# ج.17 نماذج البانل البايزية:

Bayesian Panel Models:

  • تُقدر باستخدام MCMC أو طرق بايزية أخرى
  • توفر توزيعات لاحقة للمعلمات
  • Bayesian Fixed Effects
  • Bayesian Random Effects
  • Bayesian Hierarchical Panel
  • متى تُستخدم: للاستدلال الاحتمالي، للعينات الصغيرة، لإدخال معلومات مسبقة

Bayesian Model Averaging للبانل:

  • يُرجح النماذج بناءً على احتماليتها اللاحقة
  • متى يُستخدم: لعدم اليقين في اختيار النموذج

# ج.18 نماذج البانل للبيانات المفقودة والتسرب:

Panel Attrition Models:

  • يُصحح للتسرب غير العشوائي من العينة
  • Selection Models:
  • يُنمذج عملية التسرب
  • Pattern Mixture Models:
  • يُقسم حسب أنماط البيانات المفقودة
  • متى يُستخدم: عندما يكون التسرب مرتبطاً بالمتغيرات

Multiple Imputation للبانل:

  • يُولد قيماً متعددة للبيانات المفقودة
  • يأخذ في الاعتبار البنية البانلية
  • متى يُستخدم: للتعامل مع البيانات المفقودة

Full Information Maximum Likelihood (FIML) للبانل:

  • يستخدم كل المعلومات المتاحة
  • لا يحذف الملاحظات الناقصة
  • متى يُستخدم: بديل للحذف أو التعويض

# ج.19 تعلم الآلة للبانل:

Penalized Panel Regression:

  • Panel LASSO:
  • انكماش واختيار متغيرات في البانل
  • Panel Ridge:
  • انكماش للتعامل مع التعدد الخطي
  • Panel Elastic Net:
  • يجمع بين LASSO و Ridge
  • متى تُستخدم: للأبعاد العالية، لاختيار المتغيرات

Panel Random Forest:

  • الغابات العشوائية مع مراعاة بنية البانل
  • متى يُستخدم: للعلاقات غير الخطية المعقدة

Panel Neural Networks:

  • الشبكات العصبية للبيانات البانلية
  • LSTM للبانل: للتبعيات الزمنية الطويلة
  • متى تُستخدم: للأنماط المعقدة جداً

Causal Forest للبانل:

  • تقدير التأثيرات السببية غير المتجانسة
  • متى يُستخدم: لفهم كيف يختلف تأثير العلاج عبر الوحدات

# ج.20 نماذج البانل الخاصة:

Rotating Panel Models:

  • جزء من العينة يتغير في كل فترة
  • متى يُستخدم: للمسوحات ذات التصميم الدوار

Pseudo-Panel / Synthetic Panel:

  • بناء بانل من مسوحات مقطعية متكررة
  • يتتبع الأفواج (Cohorts) لا الأفراد
  • متى يُستخدم: عندما لا تتوفر بيانات بانل حقيقية

Short Panel (N >> T) vs Long Panel (T >> N):

  • اعتبارات مختلفة للتقدير والاستدلال
  • Short: التركيز على N، استخدام GMM
  • Long: قضايا السلاسل الزمنية، التكامل المشترك
  • متى يُراعى: دائماً عند اختيار المُقدر

Unbalanced Panel Techniques:

  • تقنيات خاصة للبانل غير المتوازن
  • موازنة بين الكفاءة واستخدام كل البيانات
  • متى تُستخدم: عندما يكون البانل غير متوازن بشكل كبير

Panel Data with Measurement Error:

  • تصحيح لخطأ القياس في البانل
  • متى يُستخدم: عندما تكون المتغيرات مقاسة بخطأ

# ج.21 ملخص اختيار نموذج البانل:

| الموقف | النموذج المقترح |

|--------|----------------|

| T صغير، N كبير، متغير تابع مستمر | FE أو RE + Hausman |

| T صغير، N كبير، ديناميكي | Arellano-Bond أو System GMM |

| T كبير، N كبير، تكامل مشترك | PMG أو MG |

| متغير تابع ثنائي | FE Logit أو RE Probit |

| متغير تابع عد | FE Poisson أو NB |

| ارتباط مقطعي | CCE أو IFE |

| ارتباط مكاني | Spatial Panel Models |

| تأثيرات غير متجانسة | Panel Quantile أو Threshold |

| تقييم سياسة | DiD، Synthetic Control، Event Study |

| عدم يقين في النموذج | Bayesian Model Averaging |

6.1.7 طرق الاستدلال السببي (Causal Inference Methods)

المطابقة (Matching):

  • مطابقة الحالات بين المجموعات على متغيرات محددة
  • درجة الميل (Propensity Score Matching): المطابقة على احتمالية التعرض
  • متى تُستخدم: في الدراسات الرصدية لمحاكاة التجريب

الانقطاع الانحداري (Regression Discontinuity - RDD):

  • يستغل نقطة قطع تُحدد التعرض للتدخل
  • يُقارن من هم فوق وتحت نقطة القطع
  • متى يُستخدم: عندما يُحدد التعرض بدرجة قطع

الفرق في الفروق (Difference-in-Differences - DiD):

  • يُقارن التغير بين مجموعة تجريبية وضابطة
  • متى يُستخدم: لتقييم أثر سياسة أو تدخل طبيعي

المتغيرات الآلية (Instrumental Variables - IV):

  • تستخدم متغيراً خارجياً للتغلب على الارتباط الداخلي
  • متى تُستخدم: عندما يكون هناك سببية عكسية أو متغيرات محذوفة

6.1.8 تحليل الموثوقية والصدق (Reliability and Validity Analysis):

أ. تحليل الموثوقية (Reliability):

# الاتساق الداخلي (Internal Consistency):

معامل ألفا كرونباخ (Cronbach's Alpha):

  • يقيس اتساق الفقرات في المقياس
  • القيم المقبولة: > 0.70 عادةً
  • متى يُستخدم: لتقييم موثوقية المقاييس متعددة الفقرات

معامل أوميغا ماكدونالد (McDonald's Omega):

  • بديل أفضل لألفا عندما لا تتساوى تشبعات الفقرات
  • Omega Hierarchical: يقيس التباين المُفسر بالعامل العام
  • Omega Total: يقيس كل التباين الموثوق
  • متى يُستخدم: للمقاييس ذات البنية العاملية المعقدة

التجزئة النصفية (Split-half Reliability):

  • تقسيم الفقرات لنصفين وحساب الارتباط
  • تصحيح سبيرمان-براون: لتقدير موثوقية المقياس الكامل
  • متى يُستخدم: بديل سريع لألفا

معامل KR-20 و KR-21 (Kuder-Richardson):

  • ألفا للفقرات الثنائية (صح/خطأ)
  • متى يُستخدم: للاختبارات ذات الإجابات الثنائية

# الموثوقية عبر الزمن والمُقيّمين:

موثوقية إعادة الاختبار (Test-Retest):

  • تطبيق نفس الأداة مرتين وحساب الارتباط
  • متى يُستخدم: لقياس الاستقرار الزمني

الموثوقية بين المُقيّمين (Inter-rater Reliability):

معامل كابا كوهين (Cohen's Kappa):

  • للاتفاق بين مُقيّمين اثنين على متغير فئوي
  • يُصحح للاتفاق بالصدفة
  • متى يُستخدم: لتقييم اتفاق المُقيّمين

كابا فلايس (Fleiss' Kappa):

  • لأكثر من مُقيّمين
  • متى يُستخدم: عندما يكون هناك أكثر من مُقيّمين

معامل الارتباط داخل الفئة (ICC - Intraclass Correlation Coefficient):

  • لقياس الاتفاق على متغيرات مستمرة
  • أنواع ICC: ICC(1), ICC(2), ICC(3) حسب التصميم
  • متى يُستخدم: للمتغيرات المستمرة، أكثر مرونة من كابا

معامل كيندال للتوافق (Kendall's W):

  • للاتفاق بين عدة مُقيّمين على الترتيب
  • متى يُستخدم: للبيانات الرتبية

نسبة الاتفاق (Percent Agreement):

  • أبسط مقياس لكن لا يُصحح للصدفة
  • متى يُستخدم: للوصف الأولي فقط

# موثوقية الصور المتكافئة (Parallel Forms):

  • استخدام نسختين متكافئتين من الأداة
  • متى يُستخدم: عندما يكون التعلم أو التذكر مشكلة

ب. تحليل الصدق (Validity):

# صدق المحتوى (Content Validity):

نسبة صدق المحتوى (CVR - Content Validity Ratio):

  • تقييم الخبراء لأساسية كل فقرة
  • CVR = (ne - N/2) / (N/2)
  • متى يُستخدم: في مرحلة تطوير الأداة

مؤشر صدق المحتوى (CVI - Content Validity Index):

  • I-CVI: لكل فقرة
  • S-CVI: للمقياس ككل
  • متى يُستخدم: لتوثيق صدق المحتوى

# صدق المحك (Criterion Validity):

الصدق التنبؤي (Predictive):

  • الارتباط مع محك مستقبلي
  • متى يُستخدم: لأدوات الاختيار والتنبؤ

الصدق التلازمي (Concurrent):

  • الارتباط مع محك حالي
  • متى يُستخدم: للمقارنة مع أداة معيارية

# صدق البناء (Construct Validity):

الصدق التقاربي (Convergent Validity):

  • الارتباط العالي مع مقاييس للمفهوم نفسه
  • معايير: AVE > 0.50، تشبعات > 0.70
  • متى يُستخدم: لإثبات أن المقياس يقيس ما يُفترض

الصدق التمييزي (Discriminant Validity):

  • الارتباط المنخفض مع مقاييس لمفاهيم مختلفة
  • معايير:
  • HTMT < 0.85
  • مقارنة الجذر التربيعي لـ AVE مع الارتباطات
  • Fornell-Larcker criterion
  • متى يُستخدم: لإثبات أن المقياس متميز عن غيره

الصدق العاملي (Factorial Validity):

  • التحقق من البنية العاملية بـ EFA أو CFA
  • متى يُستخدم: للتأكد من البنية النظرية

تحليل MTMM (Multitrait-Multimethod):

  • يفحص الصدق التقاربي والتمييزي معاً
  • يستخدم عدة سمات وعدة طرق قياس
  • متى يُستخدم: للتقييم الشامل لصدق البناء

6.1.9 تحليل القوة الإحصائية وحجم التأثير (Power and Effect Size):

تحليل القوة (Power Analysis):

القوة الإحصائية:

  • احتمالية رفض الفرضية الصفرية عندما تكون خاطئة
  • القوة المقبولة: ≥ 0.80 عادةً

تحليل القوة القبلي (A Priori):

  • تحديد حجم العينة المطلوب قبل جمع البيانات
  • يعتمد على: حجم التأثير المتوقع، مستوى الدلالة، القوة المطلوبة
  • متى يُستخدم: دائماً قبل جمع البيانات

تحليل القوة البعدي (Post-hoc):

  • حساب القوة بعد الدراسة
  • متى يُستخدم: لتفسير نتائج غير دالة (بحذر)

تحليل الحساسية (Sensitivity):

  • تحديد أصغر حجم تأثير يمكن اكتشافه
  • متى يُستخدم: لفهم حدود الدراسة

برامج حساب القوة:

  • G*Power
  • R packages (pwr, simr)
  • Stata power commands

مقاييس حجم التأثير (Effect Size):

# للفروق:

Cohen's d:

  • الفرق بالانحرافات المعيارية
  • صغير: 0.2، متوسط: 0.5، كبير: 0.8
  • متى يُستخدم: لاختبار ت

Hedges' g:

  • تصحيح d للعينات الصغيرة
  • متى يُستخدم: للعينات الصغيرة أو Meta-analysis

Glass's Δ:

  • يستخدم الانحراف المعياري للمجموعة الضابطة فقط
  • متى يُستخدم: عندما تختلف التباينات

Eta-squared (η²):

  • نسبة التباين المُفسر في ANOVA
  • متى يُستخدم: لتحليل التباين

Partial Eta-squared (ηp²):

  • يستبعد تباين العوامل الأخرى
  • متى يُستخدم: للتصاميم العاملية

Omega-squared (ω²):

  • أقل تحيزاً من η²
  • متى يُستخدم: للتقدير الأدق

Generalized Eta-squared (ηG²):

  • للمقارنة عبر التصاميم المختلفة
  • متى يُستخدم: للتصاميم المختلطة

# للعلاقات:

r (معامل الارتباط):

  • صغير: 0.1، متوسط: 0.3، كبير: 0.5
  • متى يُستخدم: للعلاقات الثنائية

R² (معامل التحديد):

  • نسبة التباين المُفسر
  • متى يُستخدم: للانحدار

f² (Cohen's f-squared):

  • صغير: 0.02، متوسط: 0.15، كبير: 0.35
  • متى يُستخدم: للانحدار وSEM

# للجداول التقاطعية:

Phi (φ):

  • للجداول 2×2
  • متى يُستخدم: للعلاقة بين متغيرين ثنائيين

Cramér's V:

  • للجداول أكبر من 2×2
  • متى يُستخدم: للمتغيرات الفئوية

Odds Ratio:

  • نسبة الأرجحية
  • متى يُستخدم: للانحدار اللوجستي والدراسات الوبائية

Relative Risk:

  • نسبة المخاطر
  • متى يُستخدم: للدراسات الطولية

6.1.10 تحليل البيانات المفقودة (Missing Data Analysis):

أنماط البيانات المفقودة:

MCAR (Missing Completely at Random):

  • الفقدان عشوائي تماماً ولا علاقة له بأي متغير
  • اختبار Little's MCAR Test
  • متى يُفترض: نادراً في الواقع

MAR (Missing at Random):

  • الفقدان يعتمد على متغيرات ملاحظة لا على القيمة المفقودة نفسها
  • متى يُفترض: الافتراض الأكثر شيوعاً

MNAR (Missing Not at Random):

  • الفقدان يعتمد على القيمة المفقودة نفسها
  • الأصعب في التعامل
  • متى يُفترض: عندما يكون الفقدان منهجياً

طرق التعامل مع البيانات المفقودة:

# الطرق التقليدية (غير مُوصى بها عموماً):

الحذف القائمي (Listwise Deletion):

  • حذف كل حالة بها قيمة مفقودة
  • يُفقد كثيراً من البيانات
  • متى يُستخدم: فقط إذا كان MCAR والفقدان قليل جداً

الحذف الزوجي (Pairwise Deletion):

  • استخدام كل البيانات المتاحة لكل تحليل
  • قد يُنتج مصفوفات غير موجبة التعريف
  • متى يُستخدم: للتحليلات الاستكشافية فقط

استبدال المتوسط (Mean Substitution):

  • استبدال المفقود بمتوسط المتغير
  • يُقلل التباين ويُشوه العلاقات
  • متى يُستخدم: لا يُوصى به

# الطرق الحديثة (المُوصى بها):

التعويض المتعدد (Multiple Imputation - MI):

  • توليد عدة مجموعات بيانات معوضة (m ≥ 5)
  • تحليل كل مجموعة ثم دمج النتائج (قواعد روبن)
  • خوارزميات:
  • MICE (Multiple Imputation by Chained Equations)
  • FCS (Fully Conditional Specification)
  • Joint Modeling
  • متى يُستخدم: الطريقة المُفضلة عموماً

أقصى احتمال للمعلومات الكاملة (FIML - Full Information Maximum Likelihood):

  • يستخدم كل المعلومات المتاحة في التقدير
  • لا يحذف أو يُعوض
  • متى يُستخدم: في SEM والنماذج الهيكلية

خوارزمية EM (Expectation-Maximization):

  • تقدير تكراري للقيم المفقودة
  • متى يُستخدم: لتقدير المعلمات مع بيانات مفقودة

التعويض بالانحدار (Regression Imputation):

  • التنبؤ بالقيم المفقودة من المتغيرات الأخرى
  • Stochastic: يُضيف عنصراً عشوائياً
  • متى يُستخدم: أقل تفضيلاً من MI

# تحليل الحساسية للبيانات المفقودة:

Pattern-Mixture Models:

  • تحليل منفصل لأنماط الفقدان المختلفة
  • متى يُستخدم: للتحقق من تأثير افتراضات الفقدان

Selection Models:

  • نمذجة آلية الفقدان
  • متى يُستخدم: عندما يُشتبه بـ MNAR

Sensitivity Analysis:

  • اختبار تأثير افتراضات مختلفة
  • متى يُستخدم: دائماً مع MNAR المحتمل

6.1.11 التحليل التلوي (Meta-Analysis) - تفصيل:

الأساسيات:

حجم التأثير الموحد:

  • تحويل نتائج الدراسات لمقياس مشترك
  • أنواع: d, r, OR, RR, SMD

نماذج التحليل التلوي:

نموذج التأثيرات الثابتة (Fixed Effects):

  • يفترض حجم تأثير واحد حقيقي
  • يُرجح بعكس التباين
  • متى يُستخدم: عندما تكون الدراسات متجانسة جداً

نموذج التأثيرات العشوائية (Random Effects):

  • يفترض توزيعاً لأحجام التأثير
  • يُضيف تباين بين الدراسات (τ²)
  • متى يُستخدم: الافتراضي في معظم الحالات

اختبارات التجانس:

إحصائية Q:

  • تختبر تجانس أحجام التأثير
  • متى يُستخدم: للكشف عن عدم التجانس

I² (I-squared):

  • نسبة التباين الحقيقي من إجمالي التباين
  • منخفض: <25%، متوسط: 25-75%، عالي: >75%
  • متى يُستخدم: لتقدير حجم عدم التجانس

τ² (Tau-squared):

  • تقدير تباين التأثيرات بين الدراسات
  • مُقدرات: DerSimonian-Laird, REML, PM
  • متى يُستخدم: لفهم التشتت الحقيقي

H² (H-squared):

  • نسبة التباين الملاحظ للتباين ضمن الدراسات
  • متى يُستخدم: مكمل لـ I²

تحليل التحيز (Bias Analysis):

Funnel Plot:

  • رسم حجم التأثير مقابل الدقة
  • عدم التماثل يُشير لتحيز النشر
  • متى يُستخدم: للفحص البصري للتحيز

اختبار Egger:

  • اختبار إحصائي لعدم تماثل القمع
  • متى يُستخدم: للكشف عن تحيز النشر

اختبار Begg:

  • اختبار الارتباط الرتبي
  • متى يُستخدم: بديل لـ Egger

Trim and Fill:

  • تقدير وتصحيح الدراسات المفقودة
  • متى يُستخدم: لتعديل تقدير التأثير

PET-PEESE:

  • تصحيح للدراسات الصغيرة
  • متى يُستخدم: طريقة حديثة للتصحيح

Selection Models:

  • نمذجة احتمالية النشر
  • متى يُستخدم: للتحيز المعقد

تحليل المُعدّلات (Moderator Analysis):

Meta-Regression:

  • انحدار حجم التأثير على خصائص الدراسات
  • متى يُستخدم: لفهم مصادر عدم التجانس

Subgroup Analysis:

  • تحليل منفصل لمجموعات فرعية
  • متى يُستخدم: للمُعدّلات الفئوية

أنواع خاصة:

Network Meta-Analysis (NMA):

  • مقارنة تدخلات متعددة معاً
  • يستخدم المقارنات المباشرة وغير المباشرة
  • متى يُستخدم: لمقارنة عدة علاجات

Individual Patient Data (IPD) Meta-Analysis:

  • يستخدم البيانات الفردية لا المُجمعة
  • أقوى لكن أصعب في الحصول على البيانات
  • متى يُستخدم: عندما تتوفر البيانات الفردية

Multivariate Meta-Analysis:

  • لعدة نتائج مترابطة معاً
  • متى يُستخدم: عندما تُقدم الدراسات نتائج متعددة

6.1.12 تحليل الوساطة والتعديل (Mediation and Moderation):

تحليل الوساطة (Mediation):

# الطريقة التقليدية (Baron & Kenny):

الخطوات الأربع:

  1. X → Y (التأثير الكلي c)
  2. X → M
  3. M → Y (مع ضبط X)
  4. X → Y يقل (c' < c)

اختبار سوبل (Sobel Test):

  • يختبر دلالة التأثير غير المباشر
  • يفترض التوزيع الطبيعي (محدودية)
  • متى يُستخدم: أقل تفضيلاً الآن

# الطرق الحديثة:

طريقة Bootstrap:

  • لا تفترض التوزيع الطبيعي
  • تُنتج فترات ثقة للتأثير غير المباشر
  • Percentile Bootstrap
  • Bias-Corrected Bootstrap
  • متى يُستخدم: الطريقة المُفضلة حالياً

اختبار مونت كارلو:

  • يُولد توزيع التأثير غير المباشر
  • متى يُستخدم: بديل للـ Bootstrap

# أنواع الوساطة:

الوساطة البسيطة:

  • متغير وسيط واحد
  • X → M → Y

الوساطة المتعددة المتوازية:

  • عدة وسطاء في نفس الوقت
  • X → M1, M2, M3 → Y

الوساطة المتسلسلة (Serial/Sequential):

  • الوسطاء مترابطون
  • X → M1 → M2 → Y

الوساطة متعددة المستويات:

  • في البيانات المتداخلة
  • متى يُستخدم: للبيانات الهرمية

# مؤشرات الوساطة:

التأثير غير المباشر (Indirect Effect): a × b

التأثير المباشر (Direct Effect): c'

التأثير الكلي (Total Effect): c = c' + ab

نسبة الوساطة: ab / c

تحليل التعديل (Moderation):

التعديل البسيط:

  • تأثير X على Y يختلف حسب مستويات W
  • Y = b0 + b1X + b2W + b3XW

تفسير التفاعل:

  • b3 دال إحصائياً → يوجد تعديل
  • Simple Slopes: تأثير X عند مستويات مختلفة من W
  • Regions of Significance (Johnson-Neyman): أين يكون التأثير دالاً

Pick-a-Point Approach:

  • اختبار التأثير عند قيم محددة للمُعدّل
  • عادةً: المتوسط، ±1 انحراف معياري

أنواع التعديل:

تعديل بمتغير مستمر:

  • توسيط المتغيرات مُوصى به
  • تفسير عند المتوسط

تعديل بمتغير فئوي:

  • الترميز الوهمي
  • المقارنة بين المجموعات

تعديل متعدد:

  • عدة مُعدّلات
  • تفاعلات ثلاثية وأكثر

النماذج المركبة:

الوساطة المُعدَّلة (Moderated Mediation):

  • قوة الوساطة تختلف حسب مُعدّل
  • التأثير غير المباشر الشرطي
  • متى يُستخدم: عندما تعتمد الوساطة على ظروف

التعديل المتوسَّط (Mediated Moderation):

  • التفاعل يُفسر جزئياً بوسيط
  • متى يُستخدم: لفهم آلية التفاعل

Index of Moderated Mediation:

  • مقياس للوساطة المُعدّلة
  • متى يُستخدم: لاختبار الوساطة المُعدّلة

PROCESS Macro (Hayes):

  • أداة شائعة للوساطة والتعديل
  • نماذج جاهزة متعددة

6.1.13 الطرق المجموعاتية النظرية (Set-Theoretic Methods):

التحليل المقارن النوعي (QCA - Qualitative Comparative Analysis):

الوصف:

  • يدمج التحليل الكمي والنوعي
  • يبحث عن تركيبات من الشروط تُنتج النتيجة
  • يعتمد على الجبر البولياني ومنطق المجموعات

المفاهيم الأساسية:

الشروط الضرورية (Necessary Conditions):

  • الشرط موجود دائماً عندما تكون النتيجة موجودة
  • Consistency of Necessity ≥ 0.90

الشروط الكافية (Sufficient Conditions):

  • وجود الشرط (أو تركيبة) يضمن النتيجة
  • Consistency of Sufficiency ≥ 0.80

التغطية (Coverage):

  • نسبة الحالات التي يُفسرها الحل

أنواع QCA:

csQCA (Crisp-set QCA):

  • المتغيرات ثنائية (0 أو 1)
  • متى يُستخدم: للمتغيرات الفئوية الواضحة

fsQCA (Fuzzy-set QCA):

  • درجات العضوية بين 0 و 1
  • يسمح بالتدرج
  • متى يُستخدم: للمتغيرات المستمرة أو المتدرجة

mvQCA (Multi-value QCA):

  • المتغيرات متعددة القيم
  • متى يُستخدم: للمتغيرات الفئوية متعددة المستويات

خطوات QCA:

  1. المعايرة (Calibration):
  • تحويل البيانات لدرجات عضوية
  • تحديد نقاط العتبة (0, 0.5, 1)
  1. تحليل الضرورة:
  • اختبار كل شرط كشرط ضروري
  1. بناء جدول الحقيقة (Truth Table):
  • كل التركيبات الممكنة من الشروط
  • تحديد التركيبات المرتبطة بالنتيجة
  1. التقليص البولياني (Boolean Minimization):
  • إيجاد أبسط حل
  • الحل المعقد: بدون افتراضات
  • الحل المقتصد: مع افتراضات مُبسطة
  • الحل المتوسط: افتراضات نظرية فقط
  1. تفسير الحلول:
  • الشروط الجوهرية (Core)
  • الشروط الطرفية (Peripheral)

متى يُستخدم QCA:

  • للعينات الصغيرة والمتوسطة (10-100)
  • عندما تهم التركيبات لا التأثيرات الصافية
  • للسببية المعقدة (Equifinality, Conjunctural Causation)
  • في الدراسات المقارنة

6.1.14 تحليل الشبكات (Network Analysis) - تفصيل:

تحليل الشبكات الاجتماعية (SNA):

# مقاييس على مستوى العقدة:

المركزية (Centrality):

مركزية الدرجة (Degree Centrality):

  • عدد الروابط المباشرة
  • In-degree, Out-degree للشبكات الموجهة
  • متى يُستخدم: لتحديد الفاعلين الأكثر اتصالاً

مركزية القرب (Closeness Centrality):

  • متوسط المسافة لكل العقد الأخرى
  • متى يُستخدم: لتحديد من يصل للمعلومات بسرعة

مركزية البينية (Betweenness Centrality):

  • عدد المسارات الأقصر التي تمر عبر العقدة
  • متى يُستخدم: لتحديد الوسطاء والجسور

مركزية المتجه الذاتي (Eigenvector Centrality):

  • أهمية العقدة بناءً على أهمية جيرانها
  • متى يُستخدم: لتحديد التأثير في الشبكة

PageRank:

  • مشتق من Eigenvector للشبكات الموجهة
  • متى يُستخدم: للشبكات الموجهة

مركزية Katz:

  • تأخذ في الاعتبار المسارات غير المباشرة
  • متى يُستخدم: عندما يهم التأثير غير المباشر

# مقاييس على مستوى الشبكة:

الكثافة (Density):

  • نسبة الروابط الموجودة للروابط الممكنة
  • متى يُستخدم: لقياس الترابط العام

المعاملة بالمثل (Reciprocity):

  • نسبة الروابط المتبادلة
  • متى يُستخدم: للشبكات الموجهة

الانتقالية (Transitivity/Clustering Coefficient):

  • احتمالية أن أصدقاء أصدقائي أصدقائي
  • متى يُستخدم: لقياس التكتل

متوسط طول المسار (Average Path Length):

  • متوسط المسافة بين أي عقدتين
  • متى يُستخدم: لقياس كفاءة نقل المعلومات

القطر (Diameter):

  • أطول مسار أقصر في الشبكة
  • متى يُستخدم: لفهم حجم الشبكة

# كشف المجتمعات (Community Detection):

Modularity-based:

  • يُعظم الروابط داخل المجتمعات
  • Louvain Algorithm
  • متى يُستخدم: للشبكات الكبيرة

Hierarchical Clustering:

  • يبني شجرة من المجتمعات
  • متى يُستخدم: للبنية الهرمية

Spectral Clustering:

  • يستخدم المتجهات الذاتية
  • متى يُستخدم: للمجتمعات المحددة جيداً

Label Propagation:

  • خوارزمية سريعة للشبكات الكبيرة
  • متى يُستخدم: للسرعة

# نماذج الشبكات الإحصائية:

ERGM (Exponential Random Graph Models):

  • يُنمذج احتمالية الروابط
  • يختبر تأثير خصائص العقد والشبكة
  • متى يُستخدم: للاستدلال عن تكوين الشبكة

SAOM (Stochastic Actor-Oriented Models):

  • لتطور الشبكات عبر الزمن
  • يفصل بين الاختيار والتأثير
  • متى يُستخدم: للشبكات الطولية

Latent Space Models:

  • يُمثل العقد في فضاء كامن
  • متى يُستخدم: للتصور والتنبؤ

Network Regression (QAP):

  • الانحدار مع بيانات شبكية
  • يُصحح للارتباط بين الملاحظات
  • متى يُستخدم: للعلاقة بين شبكات أو مع متغيرات

شبكات علم النفس (Psychological Networks):

الوصف:

  • تُمثل العلاقات بين الأعراض أو المتغيرات النفسية
  • بديل لنماذج المتغير الكامن

أنواع:

GGM (Gaussian Graphical Model):

  • للمتغيرات المستمرة
  • الروابط = ارتباطات جزئية
  • متى يُستخدم: للأعراض النفسية المستمرة

Ising Model:

  • للمتغيرات الثنائية
  • متى يُستخدم: للأعراض الثنائية

Mixed Graphical Model:

  • للمتغيرات المختلطة
  • متى يُستخدم: عندما تتنوع المتغيرات

مقاييس خاصة:

Strength Centrality:

  • مجموع أوزان الروابط
  • متى يُستخدم: لتحديد الأعراض المحورية

Expected Influence:

  • يأخذ في الاعتبار العلاقات السلبية
  • متى يُستخدم: للشبكات مع روابط سلبية

Bridge Centrality:

  • يحدد الروابط بين مجتمعات الأعراض
  • متى يُستخدم: للعلاقات بين الاضطرابات

استقرار الشبكة:

  • Case-dropping Bootstrap
  • CS-coefficient ≥ 0.25 (مقبول)، ≥ 0.50 (جيد)
  • متى يُستخدم: دائماً للتحقق

6.1.15 الإحصاء البايزي (Bayesian Statistics) - تفصيل:

الأساسيات:

نظرية بايز:

P(θ|Data) ∝ P(Data|θ) × P(θ)

  • اللاحق ∝ الاحتمالية × المسبق

التوزيع المسبق (Prior):

  • غير إعلامي (Non-informative): يعطي وزناً متساوياً
  • ضعيف الإعلامية (Weakly informative): يُقيد القيم غير المعقولة
  • إعلامي (Informative): يعكس معرفة سابقة

التوزيع اللاحق (Posterior):

  • يُحدّث المسبق بناءً على البيانات
  • يُلخص المعرفة بعد رؤية البيانات

طرق التقدير:

MCMC (Markov Chain Monte Carlo):

  • Gibbs Sampling: للتوزيعات الشرطية السهلة
  • Metropolis-Hastings: أكثر عمومية
  • Hamiltonian Monte Carlo (HMC): أكثر كفاءة
  • NUTS (No-U-Turn Sampler): تحسين لـ HMC

Variational Inference:

  • تقريب للـ Posterior
  • أسرع من MCMC لكن أقل دقة
  • متى يُستخدم: للنماذج الكبيرة جداً

تشخيص التقارب:

Trace Plots:

  • الفحص البصري للسلاسل
  • يجب أن تبدو كـ "caterpillar"

R-hat (Gelman-Rubin):

  • يقارن التباين داخل وبين السلاسل
  • R-hat < 1.01 (جيد)، < 1.05 (مقبول)

Effective Sample Size (ESS):

  • حجم العينة الفعال بعد الارتباط الذاتي
  • ESS > 400 (مُوصى به)

Divergent Transitions:

  • مشاكل في الاستكشاف
  • يجب أن تكون صفر

مقارنة النماذج:

Bayes Factor (BF):

  • نسبة احتمالية البيانات تحت نموذجين
  • BF > 3: دليل معتدل، > 10: قوي، > 100: قاطع
  • متى يُستخدم: لمقارنة النماذج مباشرة

LOO-CV (Leave-One-Out Cross-Validation):

  • تقدير الأداء التنبؤي
  • ELPD (Expected Log Predictive Density)
  • متى يُستخدم: لمقارنة النماذج التنبؤية

WAIC (Widely Applicable Information Criterion):

  • بديل بايزي لـ AIC
  • متى يُستخدم: لاختيار النموذج

النماذج البايزية:

Bayesian Regression:

  • توزيعات لاحقة للمعلمات
  • يُعطي فترات ثقة احتمالية

Bayesian ANOVA:

  • يختبر باستخدام BF
  • يتجنب مشاكل NHST

Bayesian SEM:

  • مرونة في التوزيعات
  • يتعامل مع العينات الصغيرة أفضل

Bayesian Multilevel Models:

  • التقدير المتزامن أكثر استقراراً
  • يتجنب مشاكل التقارب

Bayesian Meta-Analysis:

  • يُدخل عدم اليقين في المسبقات
  • أفضل للعينات الصغيرة من الدراسات

برامج:

  • Stan (RStan, PyStan)
  • JAGS
  • brms (R)
  • PyMC

التقرير عن النتائج:

فترات المصداقية (Credible Intervals):

  • CI 95% يحتوي على 95% من التوزيع اللاحق
  • تفسير احتمالي مباشر

Probability of Direction (pd):

  • احتمالية أن التأثير في اتجاه معين
  • pd > 95% (مشابه لـ p < 0.05)

Region of Practical Equivalence (ROPE):

  • هل التأثير عملياً مختلف عن الصفر؟
  • يُحدد منطقة "لا فرق عملي"

Highest Density Interval (HDI):

  • أضيق فترة تحتوي على x% من الكثافة

6.1.16 الإحصاء القوي (Robust Statistics):

المشكلة:

الطرق التقليدية حساسة للقيم المتطرفة وانتهاكات الافتراضات.

مقاييس الموقع القوية:

المتوسط المقطوع (Trimmed Mean):

  • حذف نسبة من الطرفين (عادة 10-20%)
  • متى يُستخدم: للتوزيعات ذات الذيول الثقيلة

المتوسط Winsorized:

  • استبدال القيم المتطرفة بقيم أقل تطرفاً
  • متى يُستخدم: بديل للتقطيع

M-estimators:

  • تُقلل دالة أقل حساسية للقيم المتطرفة
  • Huber, Tukey's Biweight
  • متى يُستخدم: للتقدير القوي للموقع

الانحدار القوي:

M-estimation:

  • يُقلل دالة خسارة قوية
  • متى يُستخدم: للقيم المتطرفة في Y

MM-estimation:

  • يجمع بين الكفاءة والقوة
  • متى يُستخدم: الطريقة المُفضلة غالباً

LTS (Least Trimmed Squares):

  • يُقلل مجموع أصغر البواقي المربعة
  • متى يُستخدم: للقيم المتطرفة في X

LMS (Least Median of Squares):

  • يُقلل وسيط البواقي المربعة
  • متى يُستخدم: للكشف عن القيم المتطرفة

Quantile Regression:

  • يُقدر المئينات لا المتوسط
  • أقل حساسية للقيم المتطرفة
  • متى يُستخدم: للتوزيعات غير المتماثلة

Bootstrap:

Non-parametric Bootstrap:

  • إعادة المعاينة مع الإرجاع
  • لا يفترض توزيعاً
  • متى يُستخدم: لفترات الثقة والاختبار

Percentile Bootstrap:

  • فترة الثقة من المئينات

BCa (Bias-Corrected and Accelerated):

  • يُصحح للتحيز والالتواء
  • متى يُستخدم: الأدق غالباً

Wild Bootstrap:

  • للأخطاء غير متجانسة التباين
  • متى يُستخدم: في الانحدار مع عدم تجانس

اختبارات قوية:

Welch's t-test:

  • لا يفترض تساوي التباينات
  • متى يُستخدم: الافتراضي بدلاً من t-test العادي

Yuen's Test:

  • t-test للمتوسطات المقطوعة
  • متى يُستخدم: للتوزيعات غير الطبيعية

WRS2 Package (R):

  • مجموعة من الاختبارات القوية
  • متى يُستخدم: للتحليلات القوية الشاملة

6.1.17 نظرية الاستجابة للمفردة (IRT - Item Response Theory):

الوصف:

تُنمذج العلاقة بين السمة الكامنة واحتمالية الاستجابة للفقرة.

النماذج للفقرات الثنائية:

نموذج راش (Rasch / 1PL):

  • معلمة واحدة: الصعوبة
  • P(X=1) = f(θ - b)
  • متى يُستخدم: للمقاييس التي يُفترض تساوي تمييزها

نموذج 2PL:

  • معلمتان: الصعوبة والتمييز
  • P(X=1) = f(a(θ - b))
  • متى يُستخدم: الأكثر شيوعاً

نموذج 3PL:

  • ثلاث معلمات: الصعوبة، التمييز، التخمين
  • يُضيف معلمة للتخمين
  • متى يُستخدم: للاختبارات متعددة الاختيارات

نموذج 4PL:

  • يُضيف معلمة للإهمال (عدم الانتباه)
  • متى يُستخدم: نادراً، للاختبارات الطويلة

النماذج للفقرات المتدرجة:

Graded Response Model (GRM):

  • للاستجابات الترتيبية (ليكرت)
  • متى يُستخدم: الأكثر شيوعاً للمقاييس المتدرجة

Partial Credit Model (PCM):

  • امتداد راش للاستجابات المتدرجة
  • متى يُستخدم: عندما يُفترض تساوي التمييز

Rating Scale Model (RSM):

  • يفترض نفس بنية الاستجابة لكل الفقرات
  • متى يُستخدم: للمقاييس الموحدة

Generalized Partial Credit Model (GPCM):

  • يسمح بتمييز مختلف للفقرات
  • متى يُستخدم: أكثر مرونة من PCM

Nominal Response Model:

  • للفئات غير المرتبة
  • متى يُستخدم: للاستجابات الاسمية

تحليل الأداء التفاضلي (DIF - Differential Item Functioning):

الوصف:

هل تعمل الفقرة بشكل مختلف لمجموعات مختلفة؟

طرق الكشف:

Mantel-Haenszel:

  • مقارنة الأرجحيات بين المجموعات
  • متى يُستخدم: للـ DIF المنتظم

Logistic Regression DIF:

  • إضافة تفاعل المجموعة × القدرة
  • متى يُستخدم: للـ DIF المنتظم وغير المنتظم

IRT-based DIF:

  • مقارنة معلمات الفقرة بين المجموعات
  • متى يُستخدم: مع نماذج IRT

SIBTEST:

  • يفصل بين DIF والتأثير الحقيقي
  • متى يُستخدم: للحزم (bundles) من الفقرات

تطبيقات IRT:

تصميم الاختبار:

  • اختيار الفقرات بناءً على المعلومات

الاختبار التكيفي (CAT):

  • اختيار الفقرات بناءً على أداء المفحوص
  • أقصر وأدق

معادلة الاختبارات (Equating):

  • مقارنة درجات من نسخ مختلفة

بنوك الفقرات:

  • تخزين فقرات معايرة

6.1.18 تحليل المسوحات المعقدة (Complex Survey Analysis):

الوصف:

المسوحات الكبيرة تستخدم تصاميم معقدة (طبقية، عنقودية، ترجيحية) تتطلب تحليلاً خاصاً.

عناصر التصميم المعقد:

الطبقية (Stratification):

  • تقسيم المجتمع لطبقات متجانسة
  • المعاينة من كل طبقة
  • يُقلل التباين

العنقدة (Clustering):

  • معاينة مجموعات ثم أفراد داخلها
  • يزيد التباين (تأثير التصميم)

الترجيح (Weighting):

  • لتصحيح احتمالات الاختيار غير المتساوية
  • لتمثيل المجتمع بشكل صحيح

مفاهيم أساسية:

تأثير التصميم (Design Effect - DEFF):

  • نسبة تباين التصميم المعقد لتباين SRS
  • DEFF > 1 يعني كفاءة أقل

حجم العينة الفعال:

  • n / DEFF
  • الحجم المكافئ للعينة العشوائية البسيطة

الأخطاء المعيارية:

  • يجب تقديرها بطرق تراعي التصميم
  • Taylor Series Linearization
  • Balanced Repeated Replication (BRR)
  • Jackknife

التحليل:

برامج:

  • Stata: svyset, svy
  • R: survey package
  • SAS: PROC SURVEY

النقاط الأساسية:

  • تحديد الطبقات والعناقيد والأوزان
  • استخدام إجراءات المسوحات الخاصة
  • تصحيح الأخطاء المعيارية

6.1.19 تحليل بيانات الاختيار (Discrete Choice Models) - توسع:

النماذج:

Conditional Logit:

  • الاختيار يعتمد على خصائص البدائل
  • متى يُستخدم: عندما تختلف البدائل في خصائصها

Multinomial Logit:

  • الاختيار يعتمد على خصائص الفرد
  • متى يُستخدم: عندما يكون الاهتمام بخصائص المُختار

Nested Logit:

  • يسمح بارتباط بين بدائل في نفس العش
  • يُخفف من IIA
  • متى يُستخدم: للبدائل المتشابهة

Mixed Logit / Random Parameters Logit:

  • يسمح بعدم تجانس في التفضيلات
  • يُخفف من IIA تماماً
  • متى يُستخدم: الأكثر مرونة

Latent Class Choice Model:

  • يُحدد شرائح ذات تفضيلات مختلفة
  • متى يُستخدم: لتحديد قطاعات السوق

تجارب الاختيار المنفصل (DCE):

  • تصميم سيناريوهات اختيار
  • تقدير المنفعة وأهمية الخصائص
  • متى يُستخدم: في التسويق والصحة والنقل

Best-Worst Scaling:

  • اختيار الأفضل والأسوأ
  • أكثر معلوماتية من التقييم
  • متى يُستخدم: لترتيب التفضيلات

MaxDiff:

  • نوع من Best-Worst
  • متى يُستخدم: لأهمية الخصائص

6.1.20 تحليل الاتجاه السببي (Causal Inference) - إطار شامل:

الإطار النظري:

الرسوم البيانية السببية الموجهة (DAGs):

  • تمثيل بصري للعلاقات السببية
  • تحديد المتغيرات المُربكة والوسيطة والمصادمة
  • متى يُستخدم: لتخطيط التحليل السببي

الحساب السببي (do-calculus):

  • قواعد للاستدلال السببي من البيانات الرصدية
  • متى يُستخدم: للأسئلة السببية المعقدة

إطار النتائج المحتملة (Potential Outcomes):

  • تعريف التأثير السببي
  • المشكلة الأساسية: لا نلاحظ كلا النتيجتين
  • متى يُستخدم: الإطار السائد في الإحصاء

تحديد التأثير السببي:

الافتراضات الأساسية:

  • SUTVA: لا تداخل بين الوحدات
  • Ignorability/Unconfoundedness: لا مُربكات غير ملاحظة
  • Positivity: كل وحدة لها احتمالية للعلاج

استراتيجيات التحديد:

التحكم في المُربكات:

  • الانحدار، المطابقة، الترجيح
  • يفترض: كل المُربكات ملاحظة

المتغيرات الآلية:

  • تستغل تغيراً خارجياً
  • يفترض: الأداة صالحة

تصاميم الانقطاع:

  • RDD, Kink Designs
  • يفترض: لا تلاعب عند العتبة

الفرق في الفروق:

  • يستغل التغير الزمني
  • يفترض: الاتجاهات المتوازية

تحليل الحساسية السببي:

E-value:

  • قوة المُربك غير الملاحظ اللازم لتفسير النتيجة
  • متى يُستخدم: لتقييم قوة الاستدلال

Sensitivity Analysis (Rosenbaum Bounds):

  • تقييم حساسية النتائج للمُربكات
  • متى يُستخدم: مع المطابقة

Placebo Tests:

  • اختبار على نتائج لا يجب أن تتأثر
  • متى يُستخدم: للتحقق من الافتراضات

Balance Tests:

  • التحقق من توازن المتغيرات بعد المطابقة/الترجيح
  • متى يُستخدم: دائماً مع هذه الطرق

6.1.21 بحوث بناء المؤشرات والمقاييس المركبة (Index and Composite Indicator Construction):

أ. المفاهيم الأساسية:

الفرق بين المؤشر والمقياس:

المقياس (Scale):

  • يقيس بُعداً واحداً أو مفهوماً كامناً واحداً
  • الفقرات تعكس (reflect) المفهوم الكامن
  • النموذج الانعكاسي (Reflective Model)
  • مثال: مقياس القلق - الفقرات مظاهر للقلق الكامن

المؤشر المركب (Composite Indicator/Index):

  • يجمع عدة أبعاد مختلفة في رقم واحد
  • المكونات تُشكّل (form) المفهوم
  • النموذج التكويني (Formative Model)
  • مثال: مؤشر التنمية البشرية - يجمع الصحة والتعليم والدخل

ب. خطوات بناء المؤشرات المركبة (OECD Framework):

# الخطوة 1: الإطار النظري (Theoretical Framework):

تحديد المفهوم:

  • ما الذي نريد قياسه؟
  • ما الأبعاد الفرعية؟
  • ما العلاقة بين الأبعاد؟

مراجعة الأدبيات:

  • المؤشرات الموجودة
  • الانتقادات والفجوات
  • أفضل الممارسات

تطوير الإطار:

  • الهيكل الهرمي للمؤشر
  • تحديد الأبعاد والأبعاد الفرعية
  • تبرير الاختيارات

# الخطوة 2: اختيار المتغيرات (Variable Selection):

معايير الاختيار:

  • الصلة (Relevance): هل المتغير يقيس ما نريد؟
  • الصدق التحليلي (Analytical Soundness): هل هناك أساس علمي؟
  • قابلية القياس (Measurability): هل البيانات متاحة؟
  • التغطية (Coverage): هل تتوفر لكل الوحدات؟
  • الجودة (Quality): هل البيانات موثوقة؟

عدد المتغيرات:

  • التوازن بين الشمولية والبساطة
  • تجنب التكرار والتداخل

مصادر البيانات:

  • البيانات الرسمية (إحصاءات وطنية)
  • المسوحات
  • البيانات الإدارية
  • آراء الخبراء

# الخطوة 3: معالجة البيانات المفقودة (Imputation):

الطرق:

  • حذف الحالات أو المتغيرات
  • استبدال بالمتوسط أو الوسيط
  • الانحدار
  • التعويض المتعدد (MI)
  • EM Algorithm

الاعتبارات:

  • نسبة الفقدان المقبولة
  • نمط الفقدان
  • تأثير الطريقة على النتائج

# الخطوة 4: تحليل متعدد المتغيرات (Multivariate Analysis):

تحليل البنية:

  • تحليل العوامل (EFA/PCA):
  • هل المتغيرات تتجمع كما هو متوقع نظرياً؟
  • هل يمكن تقليل الأبعاد؟
  • تحليل العناقيد (Cluster Analysis):
  • هل هناك مجموعات من الوحدات متشابهة؟
  • معامل ألفا كرونباخ:
  • للأبعاد الانعكاسية فقط

فحص العلاقات:

  • الارتباطات بين المتغيرات
  • الارتباطات بين الأبعاد
  • اكتشاف التكرار

# الخطوة 5: التقييس/التطبيع (Normalization):

لماذا التقييس؟

  • المتغيرات بوحدات قياس مختلفة
  • المدى والتباين مختلفان
  • للمقارنة والتجميع

طرق التقييس:

الترتيب (Ranking):

  • تحويل لرتب (1, 2, 3...)
  • يفقد معلومات عن الفروق الحقيقية
  • متى يُستخدم: للتبسيط، للقيم المتطرفة

التقييس المعياري (Z-scores/Standardization):

  • z = (x - μ) / σ
  • المتوسط = 0، الانحراف المعياري = 1
  • متى يُستخدم: الأكثر شيوعاً

إعادة القياس (Min-Max Rescaling):

  • x' = (x - min) / (max - min)
  • التحويل لمدى [0, 1] أو [0, 100]
  • متى يُستخدم: للتفسير السهل

المسافة من المرجع (Distance from Reference):

  • x' = x / x_ref
  • المرجع قد يكون: المتوسط، القائد، الهدف
  • متى يُستخدم: للمقارنة بمعيار

الفئوية (Categorical Scales):

  • تحويل لفئات (منخفض، متوسط، عالي)
  • متى يُستخدم: للتبسيط والتواصل

المئينات (Percentile Ranks):

  • موقع الوحدة في التوزيع
  • متى يُستخدم: للمقارنة النسبية

# الخطوة 6: الترجيح (Weighting):

لماذا الترجيح؟

  • ليست كل المتغيرات بنفس الأهمية
  • تجنب العد المزدوج
  • تعكس الإطار النظري

طرق الترجيح:

الأوزان المتساوية (Equal Weights):

  • كل متغير/بُعد له نفس الوزن
  • بسيط وشفاف
  • الافتراض: كل شيء بنفس الأهمية
  • متى يُستخدم: عندما لا يوجد مبرر لأوزان مختلفة

الترجيح النظري/الخبير (Expert Weights):

  • الأوزان تعكس الأهمية النظرية
  • تُحدد من الخبراء أو أصحاب المصلحة
  • طريقة AHP (Analytic Hierarchy Process):
  • مقارنات زوجية بين المعايير
  • حساب الأوزان من المقارنات
  • طريقة Budget Allocation:
  • توزيع 100 نقطة على المكونات
  • متى يُستخدم: عندما تتوفر خبرة واضحة

الترجيح الإحصائي (Statistical Weights):

من تحليل العوامل (Factor Analysis):

  • الأوزان = التشبعات أو نسب التباين المُفسر
  • متى يُستخدم: للمقاييس الانعكاسية

من PCA:

  • الأوزان من المكونات الأساسية
  • متى يُستخدم: لتقليل الأبعاد

Data Envelopment Analysis (DEA):

  • أوزان مثلى لكل وحدة
  • تُعظم أداء كل وحدة
  • متى يُستخدم: لتجنب الأحكام الذاتية

Benefit of the Doubt (BOD):

  • مشتق من DEA
  • يُعطي كل بلد أفضل أوزان ممكنة
  • متى يُستخدم: للمقارنات الدولية

الترجيح بعكس التباين:

  • المتغيرات ذات التباين العالي تحصل على وزن أقل
  • متى يُستخدم: لتقليل تأثير المتغيرات المتقلبة

# الخطوة 7: التجميع (Aggregation):

طرق التجميع:

التجميع الجمعي (Additive/Linear):

  • CI = Σ wᵢ × xᵢ
  • يفترض: قابلية الاستبدال الكاملة (compensability)
  • الأداء العالي في بُعد يُعوض الضعف في آخر
  • متى يُستخدم: الأكثر شيوعاً والأبسط

المتوسط الهندسي (Geometric Mean):

  • CI = ∏ xᵢ^wᵢ
  • يُعاقب على عدم التوازن
  • أقل قابلية للاستبدال
  • متى يُستخدم: عندما يكون التوازن مهماً (مثل HDI الجديد)

التجميع متعدد المعايير (Multi-criteria):

  • لا يُنتج رقماً واحداً بل ترتيباً
  • Condorcet, Borda
  • متى يُستخدم: لتجنب التعويض

تجميع غير تعويضي (Non-compensatory):

  • يتطلب حداً أدنى في كل بُعد
  • متى يُستخدم: عندما لا يُقبل الضعف في أي بُعد

# الخطوة 8: تحليل عدم اليقين والحساسية:

تحليل عدم اليقين (Uncertainty Analysis):

  • ما مدى ثقتنا في الترتيب؟
  • محاكاة مونت كارلو
  • فترات الثقة للرتب

تحليل الحساسية (Sensitivity Analysis):

  • كيف تتغير النتائج بتغيير الافتراضات؟
  • تغيير طريقة التقييس
  • تغيير الأوزان
  • تغيير طريقة التجميع
  • حذف متغيرات

اختبار القوة (Robustness):

  • هل الترتيب مستقر؟
  • ما الوحدات التي يتغير ترتيبها كثيراً؟

# الخطوة 9: العودة للبيانات (Back to Data):

التفكيك (Decomposition):

  • ما الذي يُحرك نتيجة كل وحدة؟
  • أي الأبعاد قوية وأيها ضعيفة؟

تحديد نقاط القوة والضعف:

  • لكل وحدة
  • للمقارنة مع وحدات أخرى

الربط بمتغيرات أخرى:

  • هل المؤشر يرتبط بما هو متوقع نظرياً؟
  • الصدق الخارجي

# الخطوة 10: التصور والنشر (Visualization and Dissemination):

طرق العرض:

  • الجداول المرتبة
  • الخرائط
  • الرسوم البيانية الشعاعية (Radar Charts)
  • لوحات المعلومات التفاعلية

التوثيق:

  • المنهجية الكاملة
  • مصادر البيانات
  • القيود والتحذيرات

ج. أنواع خاصة من المؤشرات:

مؤشرات الحوكمة والديمقراطية:

  • تحديات القياس الذاتي
  • الجمع بين مصادر متعددة

مؤشرات الاستدامة:

  • الأبعاد الثلاثة (بيئي، اجتماعي، اقتصادي)
  • التوازن بين الأبعاد

مؤشرات الأداء (KPIs):

  • ربط بالأهداف
  • القابلية للتنفيذ

المؤشرات المركبة الديناميكية:

  • التغير عبر الزمن
  • معدلات التحسن

د. الانتقادات والتحديات:

انتقادات المؤشرات المركبة:

  • الذاتية في الاختيارات
  • فقدان المعلومات بالتجميع
  • الإيحاء بالدقة الزائفة
  • سوء الاستخدام السياسي

أفضل الممارسات:

  • الشفافية الكاملة
  • تحليل الحساسية الشامل
  • عرض المكونات مع المؤشر المركب
  • التحديث المنتظم
  • إشراك أصحاب المصلحة

6.1.22 بحوث تصميم الاستبانات (Questionnaire Design Research):

أ. مراحل تطوير الاستبانة:

# المرحلة 1: التخطيط والإعداد:

تحديد الأهداف:

  • ما المعلومات المطلوبة؟
  • كيف ستُستخدم النتائج؟
  • من الجمهور المستهدف؟

مراجعة الأدوات الموجودة:

  • هل توجد استبانات سابقة؟
  • هل يمكن تكييفها؟
  • ما مشاكلها؟

تحديد طريقة التطبيق:

  • ذاتي التطبيق (ورقي، إلكتروني)
  • بمقابلة (وجاهي، هاتفي)
  • لكل طريقة متطلبات تصميم مختلفة

# المرحلة 2: تطوير المحتوى:

تحديد المفاهيم:

  • التعريف الإجرائي لكل مفهوم
  • الأبعاد الفرعية
  • المؤشرات

توليد الفقرات:

  • من الأدبيات
  • من المقابلات الاستكشافية
  • من مجموعات التركيز
  • من الخبراء

أنواع الأسئلة:

الأسئلة المغلقة:

  • الاختيار من متعدد
  • الاختيار الثنائي (نعم/لا)
  • مقاييس التقدير
  • الترتيب
  • المطابقة

الأسئلة المفتوحة:

  • إجابة حرة
  • تُستخدم للاستكشاف
  • أصعب في التحليل

الأسئلة المختلطة:

  • خيارات + "أخرى، حدد"

ب. تصميم المقاييس (Scale Design):

# مقاييس ليكرت (Likert Scales):

التصميم:

  • مجموعة عبارات تُقيّم على مقياس اتفاق
  • عادة 5 أو 7 نقاط

الاعتبارات:

  • عدد النقاط:
  • 5 نقاط: الأكثر شيوعاً
  • 7 نقاط: تمييز أفضل
  • 4 أو 6 نقاط: تجبر على الاختيار (بدون وسط)
  • تسمية النقاط:
  • كل النقاط مُسماة vs الأطراف فقط
  • التسميات المتوازنة
  • الاتجاه:
  • بعض الفقرات إيجابية وبعضها سلبية
  • لاكتشاف الإجابة العشوائية

# التفاضل الدلالي (Semantic Differential):

  • قطبان متضادان (جيد - سيئ)
  • المستجيب يُحدد موقعه
  • متى يُستخدم: لقياس الاتجاهات والصور

# المقاييس البصرية التناظرية (Visual Analog Scales - VAS):

  • خط مستمر (عادة 100mm)
  • المستجيب يضع علامة
  • متى يُستخدم: للألم، المزاج، الشدة

# مقاييس التكرار:

  • أبداً، نادراً، أحياناً، غالباً، دائماً
  • أو: 0 مرات، 1-2 مرات، 3-5 مرات...
  • متى يُستخدم: لقياس السلوك

# مقاييس الموافقة والرضا:

  • راضٍ جداً ← غير راضٍ إطلاقاً
  • موافق بشدة ← أرفض بشدة

ج. صياغة الأسئلة (Question Wording):

# قواعد الصياغة الجيدة:

الوضوح:

  • لغة بسيطة ومباشرة
  • تجنب المصطلحات الفنية
  • جملة واحدة لكل سؤال

التحديد:

  • سؤال واحد لكل فقرة (تجنب Double-barreled)
  • ❌ "هل أنت راضٍ عن راتبك وزملائك؟"
  • ✓ سؤالان منفصلان

الحياد:

  • تجنب الأسئلة الموجهة (Leading questions)
  • ❌ "ألا توافق أن...؟"
  • ✓ "ما رأيك في...؟"

التوازن:

  • تقديم كل الخيارات بشكل متوازن
  • عدم الإيحاء بإجابة "صحيحة"

الواقعية:

  • أسئلة يمكن للمستجيب الإجابة عنها
  • تجنب طلب معلومات لا يملكها

الإطار الزمني:

  • تحديد الفترة المقصودة
  • "خلال الشهر الماضي..." "في السنة الأخيرة..."

# مشاكل شائعة يجب تجنبها:

الأسئلة المزدوجة (Double-barreled):

  • سؤالان في سؤال واحد

الأسئلة المُحمّلة (Loaded Questions):

  • تحمل افتراضات أو تحيزات

السلبيات المزدوجة:

  • ❌ "لا أعتقد أنه لا يجب..."

الافتراضيات الخفية:

  • ❌ "متى توقفت عن التدخين؟" (تفترض أنه كان يدخن)

الغموض:

  • كلمات لها معانٍ مختلفة لأشخاص مختلفين
  • "أحياناً"، "كثيراً" غامضة

د. ترتيب الأسئلة (Question Order):

# المبادئ العامة:

التدفق المنطقي:

  • من العام للخاص
  • تجميع المواضيع المتشابهة
  • انتقالات سلسة

البداية:

  • أسئلة سهلة ومثيرة للاهتمام
  • تجنب الأسئلة الحساسة في البداية
  • بناء الثقة

الأسئلة الحساسة:

  • في منتصف أو نهاية الاستبانة
  • بعد بناء العلاقة
  • تقديم مبررات

الديموغرافيا:

  • عادة في النهاية
  • قد تكون في البداية إذا كانت معايير فرز

# تأثيرات الترتيب (Order Effects):

تأثير السياق (Context Effect):

  • الأسئلة السابقة تؤثر على الإجابات اللاحقة
  • الحل: تدوير ترتيب الأسئلة

تأثير التعب (Fatigue Effect):

  • جودة الإجابات تنخفض مع الطول
  • الحل: الاختصار، وضع الأهم أولاً

تأثير الموافقة (Acquiescence):

  • الميل للموافقة
  • الحل: فقرات إيجابية وسلبية

هـ. التنسيق والتخطيط (Layout and Formatting):

# للاستبانات الورقية:

التخطيط:

  • مساحات كافية
  • تعليمات واضحة
  • ترقيم منطقي
  • تصميم جذاب

الخطوط والألوان:

  • خط واضح وكبير كفاية
  • تباين جيد
  • اتساق في التنسيق

التعليمات:

  • واضحة ومختصرة
  • أمثلة عند الحاجة
  • موقع مناسب

# للاستبانات الإلكترونية:

التصميم:

  • متوافق مع الأجهزة المختلفة
  • سرعة التحميل
  • شريط التقدم

التنقل:

  • أزرار واضحة
  • إمكانية الرجوع
  • حفظ تلقائي

التحقق:

  • التحقق من صحة الإجابات
  • رسائل خطأ مفهومة
  • المطلوب vs الاختياري

و. الأسئلة الترشيحية والتفريعية (Skip Logic):

أسئلة الترشيح (Filter/Screening):

  • تُحدد من يجيب على أسئلة لاحقة
  • "هل لديك أطفال؟ إذا نعم، انتقل للسؤال 5"

التفريع (Branching):

  • مسارات مختلفة حسب الإجابات
  • يُقصّر الاستبانة
  • يزيد الصلة

التنفيذ:

  • الورقي: تعليمات "انتقل إلى..."
  • الإلكتروني: تفريع تلقائي

ز. الاختبار المسبق (Pretesting):

# المراحل:

المراجعة بالخبراء:

  • خبراء في الموضوع
  • خبراء في تصميم الاستبانات
  • صدق المحتوى

المقابلات المعرفية (Cognitive Interviews):

  • مع عينة صغيرة من الجمهور المستهدف
  • التفكير بصوت عالٍ
  • الاستقصاء (Probing)
  • فهم كيف يُفسر المستجيبون الأسئلة

تقنيات المقابلة المعرفية:

  • Think-aloud: المستجيب يُعبر عن تفكيره
  • Paraphrasing: إعادة صياغة السؤال بكلماته
  • Comprehension: سؤاله عن فهمه
  • Retrieval: كيف يسترجع المعلومات

الاختبار الميداني (Pilot Test):

  • تطبيق كامل على عينة صغيرة (30-50)
  • اختبار الإجراءات
  • حساب الوقت
  • تحليل أولي للبيانات

# ما يُفحص في الاختبار المسبق:

  • فهم الأسئلة
  • فهم التعليمات
  • وقت الإجابة
  • معدل عدم الإجابة لكل سؤال
  • توزيع الإجابات
  • التعليقات والملاحظات

ح. تحليل جودة الفقرات (Item Analysis):

# للمقاييس:

صعوبة/سهولة الفقرة:

  • نسبة الإجابات في كل خيار
  • تجنب الفقرات التي يجيب عليها الجميع بنفس الطريقة

تمييز الفقرة (Item Discrimination):

  • ارتباط الفقرة بالدرجة الكلية
  • الفقرات الجيدة: r > 0.30
  • حذف أو تعديل الفقرات الضعيفة

معامل ألفا إذا حُذفت الفقرة:

  • هل يتحسن ألفا بحذف الفقرة؟
  • إذا نعم → الفقرة قد تكون مشكلة

التشبعات العاملية:

  • هل تتشبع الفقرة على العامل المتوقع؟
  • تشبعات > 0.40 جيدة

# للاختبارات:

تحليل المُشتتات (Distractor Analysis):

  • هل البدائل الخاطئة تعمل؟
  • هل تجذب من لا يعرف الإجابة؟

ط. أنواع خاصة من الأسئلة:

# أسئلة الترتيب (Ranking):

  • ترتيب البدائل حسب الأهمية/التفضيل
  • محدودة بـ 5-7 بدائل
  • صعبة على المستجيب

# أسئلة المقارنة الزوجية (Paired Comparisons):

  • مقارنة كل زوج من البدائل
  • أدق لكن أطول
  • عدد المقارنات = n(n-1)/2

# أسئلة التوزيع (Constant Sum):

  • توزيع 100 نقطة على البدائل
  • تُظهر الأهمية النسبية

# أسئلة المصفوفة (Matrix Questions):

  • عدة فقرات بنفس خيارات الإجابة
  • توفر المساحة
  • خطر: إجابة نمطية

# الأسئلة المصورة:

  • استخدام صور بدل النص
  • للأطفال أو القراءة المحدودة
  • للمنتجات والتصاميم

ي. التحيزات في الاستجابة (Response Biases):

# أنواع التحيزات:

تحيز الموافقة (Acquiescence Bias):

  • الميل للموافقة بغض النظر عن المحتوى
  • الحل: فقرات إيجابية وسلبية

تحيز الإجابة الاجتماعية (Social Desirability):

  • الإجابة بما هو مقبول اجتماعياً
  • الحل: ضمان السرية، صياغة محايدة

تحيز النقطة الوسطى (Central Tendency):

  • الميل لاختيار الوسط
  • الحل: مقاييس بدون وسط، تعليمات واضحة

تحيز التطرف (Extreme Responding):

  • الميل لاختيار الأطراف
  • الحل: توسيط الدرجات

تحيز الترتيب (Primacy/Recency):

  • اختيار الأول أو الأخير
  • الحل: تدوير الخيارات

التساهل/القسوة (Leniency/Severity):

  • الميل للتقييم العالي أو المنخفض
  • يظهر في تقييمات الأداء

# الكشف عن التحيز:

فقرات الانتباه (Attention Checks):

  • "الرجاء اختيار 'موافق بشدة' لهذا السؤال"
  • للكشف عن الإجابة العشوائية

فحص وقت الإجابة:

  • الإجابات السريعة جداً مشبوهة

فحص الأنماط:

  • نفس الإجابة لكل الأسئلة
  • أنماط منتظمة (1,2,3,4,5,1,2,3...)

ك. الاستبانات الإلكترونية (Online Surveys):

# المزايا:

  • تكلفة أقل
  • سرعة أكبر
  • تفريع تلقائي
  • تحقق فوري
  • لا أخطاء إدخال

# التحديات:

  • التغطية (ليس الجميع على الإنترنت)
  • معدلات الاستجابة
  • الاحتيال والبوتات
  • المشاكل التقنية

# أفضل الممارسات:

  • تصميم متجاوب (Responsive Design)
  • اختبار على أجهزة مختلفة
  • حماية البيانات
  • CAPTCHA عند الحاجة
  • دعوات مُخصصة

# منصات شائعة:

  • Qualtrics
  • SurveyMonkey
  • Google Forms
  • LimeSurvey
  • REDCap (للبحوث الصحية)

ل. الترجمة والتكييف الثقافي:

# عملية الترجمة:

الترجمة الخلفية (Back-translation):

  1. ترجمة من اللغة الأصلية للهدف
  2. ترجمة عكسية للأصلية
  3. مقارنة النسختين
  4. تعديل وتكرار

الترجمة المتوازية:

  • مترجمان مستقلان
  • توحيد النسختين

لجنة المراجعة:

  • خبراء في اللغتين والموضوع
  • مراجعة التكافؤ

# أنواع التكافؤ:

التكافؤ اللغوي (Linguistic):

  • نفس المعنى

التكافؤ المفاهيمي (Conceptual):

  • المفهوم موجود ومفهوم في الثقافة الأخرى

التكافؤ المتري (Metric):

  • الخصائص السيكومترية متشابهة
  • اختبار ثبات البنية العاملية عبر المجموعات (Measurement Invariance)

التكافؤ الوظيفي (Functional):

  • الأداة تؤدي نفس الوظيفة

م. التوثيق والتقرير:

# ما يجب توثيقه:

  • عملية التطوير الكاملة
  • مصادر الفقرات
  • نتائج الاختبار المسبق
  • التعديلات والمبررات
  • خصائص العينة النهائية
  • الخصائص السيكومترية

# معايير التقرير:

COSMIN (للمقاييس الصحية):

  • قائمة معايير لتقييم جودة المقاييس

STROBE (للدراسات الرصدية):

  • يتضمن متطلبات عن الأدوات

6.1.23 التحليل الحاسوبي والبيانات الضخمة

تعلم الآلة (Machine Learning):

الإشرافي (Supervised):

  • التصنيف (Classification): الغابات العشوائية، SVM، الشبكات العصبية
  • التنبؤ (Prediction): الانحدار، تعزيز التدرج

غير الإشرافي (Unsupervised):

  • العنقدة (Clustering): K-means، DBSCAN
  • تقليل الأبعاد: PCA، t-SNE

متى يُستخدم: للتنبؤ بدقة عالية، للأنماط المعقدة، للبيانات الكبيرة

تحليل الشبكات الاجتماعية (Social Network Analysis):

  • يدرس العلاقات والروابط بين الكيانات
  • مقاييس المركزية، الكثافة، الفجوات البنيوية
  • متى يُستخدم: لدراسة العلاقات والتأثير والانتشار

تحليل النصوص الحاسوبي (Computational Text Analysis):

  • نمذجة المواضيع (Topic Modeling)
  • تحليل المشاعر (Sentiment Analysis)
  • التصنيف التلقائي
  • متى يُستخدم: للنصوص الكبيرة التي يصعب تحليلها يدوياً

التحليل التلوي (Meta-Analysis):

  • يُجمّع نتائج دراسات متعددة إحصائياً
  • يُقدّر حجم التأثير المُجمّع
  • يختبر عدم التجانس
  • متى يُستخدم: لتجميع الأدلة الكمية

طرق إعادة المعاينة (Resampling Methods):

  • Bootstrap: تقدير الخطأ المعياري وفترات الثقة
  • Jackknife: تقييم استقرار التقديرات
  • التحقق المتقاطع (Cross-validation): تقييم النماذج التنبؤية
  • متى تُستخدم: عندما لا تتحقق افتراضات التوزيع

محاكاة مونت كارلو (Monte Carlo Simulation):

  • توليد بيانات عشوائية لاختبار سيناريوهات
  • متى تُستخدم: لتقييم عدم اليقين، لاختبار نماذج

6.2 التحليل النوعي

6.2.1 التحليل الموضوعي (Thematic Analysis)

الوصف:

أسلوب لتحديد وتحليل وتقديم الأنماط (المواضيع) في البيانات النوعية. من أكثر الأساليب مرونة وشيوعاً.

الأنواع:

  • الاستقرائي: المواضيع تنبع من البيانات
  • الاستنباطي: المواضيع مُحددة مسبقاً من النظرية
  • الدلالي: يُركز على المعنى الظاهر
  • الكامن: يبحث عن المعاني الضمنية والافتراضات

الخطوات (براون وكلارك):

  1. التعرف على البيانات (القراءة المتكررة)
  2. توليد الرموز الأولية
  3. البحث عن المواضيع
  4. مراجعة المواضيع
  5. تحديد وتسمية المواضيع
  6. كتابة التقرير

متى يُستخدم:

  • للمبتدئين في البحث النوعي (سهل التعلم)
  • مع أي نوع من البيانات النوعية
  • عندما تريد مرونة نظرية

6.2.2 التحليل الموضوعي الانعكاسي (Reflexive Thematic Analysis)

الوصف:

نسخة براون وكلارك المُطورة التي تؤكد على دور الباحث في بناء المواضيع وأهمية الانعكاسية.

الفرق عن التقليدي:

  • يرفض معايير الثبات التقليدية
  • يعتبر الترميز عملية تفسيرية لا وصفية
  • يؤكد على الانعكاسية والشفافية

6.2.3 تحليل الإطار (Framework Analysis)

الوصف:

أسلوب منظم يستخدم مصفوفة لتنظيم البيانات حسب الموضوعات (أعمدة) والحالات (صفوف).

الخطوات:

  1. التعرف على البيانات
  2. بناء إطار موضوعي
  3. الفهرسة (تطبيق الإطار)
  4. إنشاء المصفوفة
  5. التفسير

متى يُستخدم:

  • في البحوث التطبيقية والسياساتية
  • عندما تكون هناك أسئلة بحثية محددة مسبقاً
  • للمقارنة بين الحالات

6.2.4 تحليل القالب (Template Analysis)

الوصف:

يستخدم قالباً (قائمة رموز) يُطور قبل التحليل أو في مراحله الأولى، ثم يُعدّل خلال التحليل.

متى يُستخدم:

  • عندما تكون هناك أفكار أولية من الأدبيات
  • للجمع بين الاستقراء والاستنباط

6.2.5 نظرية التأصيل - التحليل (Grounded Theory Analysis)

الوصف:

أسلوب منظم لبناء نظرية من البيانات من خلال الترميز المنهجي والمقارنة المستمرة.

مستويات الترميز:

  • الترميز المفتوح: تحديد المفاهيم الأولية
  • الترميز المحوري: ربط المفاهيم بفئات
  • الترميز الانتقائي: تحديد الفئة المحورية وبناء النظرية

أدوات:

  • المقارنة المستمرة
  • كتابة المذكرات النظرية
  • المعاينة النظرية
  • التشبع النظري

متى يُستخدم:

  • لبناء نظرية جديدة
  • لفهم عمليات اجتماعية
  • عندما لا توجد نظرية مناسبة

6.2.6 التحليل الفينومينولوجي التفسيري (IPA)

الوصف:

يُركز على كيفية فهم الأفراد لتجاربهم الشخصية. يجمع بين الفينومينولوجيا والهيرمينوطيقا والتفرد (idiography).

الخصائص:

  • عينات صغيرة ومتجانسة
  • تحليل حالة بحالة ثم عبر الحالات
  • التركيز على التجربة المعاشة

الخطوات:

  1. القراءة وإعادة القراءة
  2. التعليق الأولي
  3. تطوير المواضيع الناشئة
  4. البحث عن الروابط
  5. الانتقال للحالة التالية
  6. البحث عن الأنماط عبر الحالات

متى يُستخدم:

  • لفهم تجربة معينة بعمق
  • مع عينات صغيرة (3-6)
  • للأسئلة: "كيف يختبر الناس...؟"

6.2.7 التحليل الفينومينولوجي الوصفي

الوصف:

يصف جوهر التجربة كما تظهر للوعي، مع تعليق (إيقاف) افتراضات الباحث.

طريقة جيورجي:

  1. قراءة الوصف الكامل
  2. تحديد وحدات المعنى
  3. تحويل لتعبيرات نفسية
  4. تجميع في بنية عامة

طريقة كولايزي:

  1. قراءة الوصف
  2. استخراج العبارات الدالة
  3. صياغة المعاني
  4. تنظيم في مجموعات
  5. وصف شامل
  6. التحقق مع المشاركين

متى يُستخدم:

  • لوصف جوهر تجربة ما
  • عندما تريد البقاء قريباً من البيانات

6.2.8 التحليل السردي (Narrative Analysis)

الأنواع:

التحليل الموضوعي للسرد:

  • يُركز على محتوى القصص ومواضيعها
  • ماذا تقول القصة؟

التحليل البنيوي للسرد:

  • يُحلل بنية القصة (بداية، عقدة، حل)
  • كيف تُبنى القصة؟

التحليل الحواري/التفاعلي:

  • يُركز على كيفية سرد القصة في التفاعل
  • لماذا تُروى بهذه الطريقة؟

التحليل الأدائي:

  • يُركز على أداء السرد وتأثيره
  • ماذا تفعل القصة؟

متى يُستخدم:

  • لفهم كيف يُعطي الناس معنى لحياتهم
  • لدراسة الهوية والتحولات

6.2.9 تحليل الخطاب (Discourse Analysis)

الأنواع:

تحليل المحادثة (Conversation Analysis):

  • يُحلل التفاعل اللفظي وقواعده
  • تبادل الأدوار، الأزواج المتجاورة، الإصلاح
  • متى يُستخدم: لفهم كيف يُنظم الناس تفاعلهم

تحليل الخطاب الوصفي:

  • يصف كيف تُستخدم اللغة في سياقات معينة
  • متى يُستخدم: لفهم استخدام اللغة في مواقف محددة

تحليل الخطاب النقدي (Critical Discourse Analysis):

  • يكشف عن علاقات القوة والأيديولوجيا في اللغة
  • كيف تخدم اللغة مصالح معينة؟
  • متى يُستخدم: لكشف الهيمنة واللامساواة

تحليل الخطاب الفوكوي:

  • يدرس كيف تُشكّل الخطابات المعرفة والذات والحقيقة
  • ما الذي يُمكن قوله وما الذي يُستبعد؟
  • متى يُستخدم: لفهم كيف تُبنى الحقائق تاريخياً

6.2.10 تحليل المحتوى النوعي (Qualitative Content Analysis)

الأنواع:

التقليدي (Conventional):

  • الفئات تنبع من البيانات
  • استقرائي بالكامل

الموجه (Directed):

  • يبدأ بفئات من النظرية
  • استنباطي مع انفتاح للجديد

التلخيصي (Summative):

  • يعد التكرارات ثم يُفسر السياق
  • يجمع الكمي والنوعي

متى يُستخدم:

  • لتحليل الوثائق والنصوص
  • للتركيز على المحتوى الظاهر

6.2.11 التحليل السيميائي (Semiotic Analysis)

الوصف:

يُحلل العلامات والرموز ومعانيها. كيف تُنتج المعاني من خلال أنظمة العلامات؟

المفاهيم:

  • الدال والمدلول
  • التضمين والإيحاء
  • الأساطير والأيديولوجيا

متى يُستخدم:

  • لتحليل الإعلانات والصور
  • لفهم الرموز الثقافية
  • لكشف المعاني الضمنية

6.2.12 التحليل البصري (Visual Analysis)

الوصف:

يُحلل الصور والفيديو والمواد المرئية.

المقاربات:

  • تحليل المحتوى البصري
  • التحليل السيميائي للصور
  • تحليل الخطاب البصري
  • التحليل الإثنوغرافي للصور

متى يُستخدم:

  • لدراسة المواد المرئية
  • لفهم التمثيلات البصرية

6.2.13 التحليل متعدد الوسائط (Multimodal Analysis)

الوصف:

يُحلل النصوص التي تجمع بين أنماط متعددة: لغة، صورة، صوت، حركة.

متى يُستخدم:

  • لتحليل المواقع والفيديوهات
  • لفهم كيف تتفاعل الأنماط المختلفة

6.3 التحليل في البحوث المختلطة

6.3.1 استراتيجيات التكامل

على مستوى التصميم:

  • التخطيط للتكامل منذ البداية
  • تحديد نقاط التقاء البيانات

على مستوى الأساليب:

  • جمع بيانات مترابطة
  • استخدام نتائج مرحلة لتوجيه أخرى

على مستوى التفسير:

  • دمج النتائج عند التفسير النهائي
  • مقارنة ومقاربة النتائج

6.3.2 أغراض التكامل (Greene et al.)

التثليث (Triangulation):

  • التأكد من النتائج من مصادر متعددة
  • البحث عن التقارب والاختلاف

التكميل (Complementarity):

  • استخدام أسلوب لتوضيح أو إثراء نتائج الآخر
  • الحصول على فهم أكمل

التطوير (Development):

  • استخدام نتائج أسلوب لتطوير أسلوب آخر
  • بناء أداة، تحديد عينة

المبادرة (Initiation):

  • البحث عن التناقضات والمفارقات
  • طرح أسئلة جديدة

التوسع (Expansion):

  • توسيع نطاق البحث
  • تغطية جوانب مختلفة

6.3.3 تقنيات التكامل

العرض المشترك (Joint Displays):

  • جداول أو أشكال تعرض البيانات الكمية والنوعية معاً
  • مقارنة وتكامل بصري

التحويل الكمي (Quantitizing):

  • تحويل البيانات النوعية لأرقام
  • ترميز وعد التكرارات

التحويل النوعي (Qualitizing):

  • تحويل البيانات الكمية لروايات
  • وصف الأنماط الإحصائية

التحليل حسب الحالة (Case-based):

  • تحليل متكامل لكل حالة
  • جمع البيانات الكمية والنوعية للفرد

6.4 المراجعة المنهجية للأدبيات (Systematic Literature Review)

6.4.1 التعريف والأهمية:

التعريف:

مراجعة شاملة ومنهجية وقابلة للتكرار للأدبيات حول سؤال بحثي محدد، باستخدام بروتوكول مُعلن مسبقاً.

الفرق عن المراجعة التقليدية:

| المراجعة التقليدية | المراجعة المنهجية |

|-------------------|-------------------|

| سؤال عام/واسع | سؤال محدد ومركز |

| اختيار ذاتي للدراسات | استراتيجية بحث شاملة |

| معايير ضمنية | معايير إدراج/استبعاد صريحة |

| تقييم غير رسمي | تقييم جودة منهجي |

| سرد وصفي | تجميع منهجي |

| صعبة التكرار | قابلة للتكرار |

6.4.2 أنواع المراجعات:

المراجعة المنهجية (Systematic Review):

  • الأكثر صرامة
  • بروتوكول مُسجل مسبقاً
  • تقييم جودة شامل

التحليل التلوي (Meta-Analysis):

  • مراجعة منهجية + تجميع إحصائي
  • تتطلب دراسات قابلة للمقارنة

المراجعة النطاقية (Scoping Review):

  • لاستكشاف مجال واسع
  • أقل صرامة
  • لا تُقيّم الجودة عادة

المراجعة السريعة (Rapid Review):

  • مراجعة منهجية مُبسطة
  • لصناع القرار في وقت محدود

المراجعة الواقعية (Realist Review):

  • للتدخلات المعقدة
  • تسأل: ما الذي يعمل، لمن، في أي سياق؟

المراجعة المظلية (Umbrella Review):

  • مراجعة للمراجعات المنهجية
  • لتلخيص أدلة متعددة

المراجعة النوعية (Qualitative Evidence Synthesis):

  • تجميع الأدلة النوعية
  • Meta-ethnography, Thematic Synthesis

6.4.3 خطوات المراجعة المنهجية (PRISMA):

الخطوة 1: صياغة السؤال البحثي:

إطار PICO (للتدخلات):

  • Population: المجتمع
  • Intervention: التدخل
  • Comparison: المقارنة
  • Outcome: النتيجة

إطار PEO (للدراسات النوعية):

  • Population: المجتمع
  • Exposure: التعرض/الظاهرة
  • Outcome: النتيجة

إطار SPIDER:

  • Sample, Phenomenon of Interest, Design, Evaluation, Research type

الخطوة 2: تسجيل البروتوكول:

قواعد البيانات:

  • PROSPERO (للصحة)
  • OSF Registries
  • protocols.io

محتوى البروتوكول:

  • سؤال البحث
  • استراتيجية البحث
  • معايير الإدراج والاستبعاد
  • طريقة تقييم الجودة
  • طريقة التجميع

الخطوة 3: استراتيجية البحث:

قواعد البيانات حسب المجال:

  • الصحة: PubMed, MEDLINE, CINAHL, Cochrane
  • التعليم: ERIC, Education Source
  • علم النفس: PsycINFO
  • الاقتصاد: EconLit
  • متعدد: Web of Science, Scopus, ProQuest

مكونات البحث:

  • مصطلحات البحث (MeSH, Thesaurus)
  • العوامل البولينية (AND, OR, NOT)
  • البحث في العنوان/الملخص/النص الكامل
  • فلاتر (اللغة، التاريخ، نوع الدراسة)

مصادر إضافية:

  • المراجع في الدراسات المُضمنة (Backward)
  • الاستشهادات بالدراسات المُضمنة (Forward)
  • البحث اليدوي في المجلات الرئيسية
  • الأدبيات الرمادية (رسائل، تقارير)
  • التواصل مع الخبراء

الخطوة 4: اختيار الدراسات:

معايير الإدراج والاستبعاد:

  • نوع الدراسة
  • المجتمع
  • التدخل/التعرض
  • النتيجة
  • اللغة
  • التاريخ

عملية الاختيار:

  1. إزالة التكرارات
  2. فحص العناوين والملخصات
  3. فحص النص الكامل
  4. فحص مزدوج (باحثان)
  5. حل الخلافات

مخطط PRISMA Flow:

  • توثيق عدد الدراسات في كل مرحلة
  • أسباب الاستبعاد

الخطوة 5: استخراج البيانات:

نموذج الاستخراج:

  • معلومات الدراسة (المؤلف، السنة، البلد)
  • خصائص المشاركين
  • التدخل/التعرض
  • المقارنة
  • النتائج
  • النتائج الرئيسية

الاستخراج المزدوج:

  • باحثان مستقلان
  • المقارنة والتوفيق

الخطوة 6: تقييم الجودة:

أدوات للتجارب العشوائية:

  • Cochrane Risk of Bias Tool (RoB 2)
  • Jadad Scale

أدوات للدراسات الرصدية:

  • Newcastle-Ottawa Scale (NOS)
  • ROBINS-I

أدوات للدراسات النوعية:

  • CASP Qualitative Checklist
  • JBI Critical Appraisal

أدوات متعددة:

  • MMAT (Mixed Methods Appraisal Tool)
  • JBI Checklists

مجالات التقييم:

  • تحيز الاختيار
  • تحيز الأداء
  • تحيز الكشف
  • تحيز التسرب
  • تحيز التقرير

الخطوة 7: تجميع النتائج:

التجميع الوصفي:

  • جداول ملخصة
  • تحليل سردي
  • عندما يكون التجميع الإحصائي غير مناسب

التحليل التلوي:

  • إذا كانت الدراسات متجانسة كفاية
  • (راجع قسم 6.1.11 للتفصيل)

تجميع الأدلة النوعية:

  • Meta-ethnography
  • Thematic synthesis
  • Framework synthesis

الخطوة 8: تقييم جودة الأدلة:

نظام GRADE:

  • Grading of Recommendations Assessment, Development and Evaluation
  • يُقيّم جودة الأدلة للتوصيات

المستويات:

  • عالي: واثقون جداً
  • متوسط: واثقون معتدلاً
  • منخفض: ثقة محدودة
  • منخفض جداً: غير واثقين

عوامل الخفض:

  • خطر التحيز
  • عدم الاتساق
  • عدم المباشرة
  • عدم الدقة
  • تحيز النشر

الخطوة 9: كتابة التقرير:

إرشادات PRISMA:

  • PRISMA 2020 (للمراجعات المنهجية)
  • PRISMA-P (للبروتوكولات)
  • PRISMA-ScR (للمراجعات النطاقية)
  • PRISMA-S (لاستراتيجية البحث)

أقسام التقرير:

  • الملخص المُهيكل
  • المقدمة والسؤال
  • الطرق (البحث، الاختيار، الاستخراج، التقييم)
  • النتائج (مخطط التدفق، الجداول، التجميع)
  • المناقشة (القوة، القيود، الآثار)

6.5 برامج التحليل الإحصائي والنوعي

6.5.1 برامج التحليل الكمي:

SPSS:

المميزات:

  • واجهة رسومية سهلة
  • تحليلات إحصائية شاملة
  • إخراج منظم
  • انتشار واسع في العلوم الاجتماعية

العيوب:

  • مكلف
  • أقل مرونة من البرمجة
  • بعض التحليلات المتقدمة غير متاحة

الأفضل لـ:

  • المبتدئين
  • التحليلات الوصفية والاستدلالية الأساسية
  • ANOVA، انحدار، تحليل عاملي

Stata:

المميزات:

  • قوي في تحليل البانل والسلاسل الزمنية
  • توثيق ممتاز
  • مجتمع مستخدمين نشط
  • يجمع بين الأوامر والواجهة

العيوب:

  • مكلف
  • منحنى تعلم أعلى من SPSS

الأفضل لـ:

  • الاقتصاد القياسي
  • بيانات البانل
  • تحليل المسوحات المعقدة
  • تحليل البقاء

R:

المميزات:

  • مجاني ومفتوح المصدر
  • آلاف الحزم لكل تحليل
  • قابلية التكرار (R Markdown)
  • رسومات عالية الجودة (ggplot2)
  • مجتمع ضخم ونشط

العيوب:

  • منحنى تعلم حاد
  • يتطلب برمجة
  • الجودة تتفاوت بين الحزم

حزم مهمة:

  • tidyverse: معالجة البيانات
  • lavaan: SEM
  • lme4: النماذج المختلطة
  • survival: تحليل البقاء
  • plm: بيانات البانل
  • brms: التحليل البايزي
  • ggplot2: الرسومات

الأفضل لـ:

  • التحليلات المتقدمة
  • البحث القابل للتكرار
  • تعلم الآلة
  • الرسومات الاحترافية

Python:

المميزات:

  • مجاني ومفتوح المصدر
  • لغة برمجة عامة (ليس فقط إحصاء)
  • الأقوى في تعلم الآلة
  • معالجة البيانات الضخمة

العيوب:

  • منحنى تعلم حاد
  • أقل تخصصاً في الإحصاء من R

مكتبات مهمة:

  • pandas: معالجة البيانات
  • numpy: الحسابات العددية
  • scipy: الإحصاء
  • statsmodels: النماذج الإحصائية
  • scikit-learn: تعلم الآلة
  • matplotlib/seaborn: الرسومات

الأفضل لـ:

  • البيانات الضخمة
  • تعلم الآلة
  • معالجة اللغات الطبيعية
  • الأتمتة

SAS:

المميزات:

  • معيار الصناعة (الأدوية، الحكومة)
  • موثوق ومُوثق
  • قوي في البيانات الضخمة

العيوب:

  • مكلف جداً
  • أقل مرونة

الأفضل لـ:

  • البيئات المؤسسية
  • التجارب السريرية

أدوات متخصصة:

Mplus:

  • SEM وتحليل المتغيرات الكامنة
  • النماذج المختلطة المعقدة
  • مكلف لكن قوي جداً

AMOS:

  • SEM بواجهة رسومية
  • سهل الاستخدام
  • جزء من SPSS

HLM:

  • النماذج متعددة المستويات
  • متخصص ومُركز

EViews:

  • السلاسل الزمنية
  • الاقتصاد القياسي

G*Power:

  • تحليل القوة
  • مجاني

JASP:

  • بديل مجاني لـ SPSS
  • يدعم التحليل البايزي
  • سهل الاستخدام

jamovi:

  • بديل مجاني لـ SPSS
  • مبني على R
  • واجهة حديثة

6.5.2 برامج التحليل النوعي (CAQDAS):

NVivo:

المميزات:

  • الأكثر شيوعاً
  • واجهة شاملة
  • يدعم أنواع بيانات متعددة
  • أدوات التصور

العيوب:

  • مكلف جداً
  • ثقيل على النظام
  • منحنى تعلم

الأفضل لـ:

  • المشاريع الكبيرة
  • الفرق البحثية
  • البيانات المتعددة الوسائط

ATLAS.ti:

المميزات:

  • قوي ومرن
  • تصور الشبكات
  • يدعم الوسائط المتعددة

العيوب:

  • مكلف
  • واجهة معقدة

الأفضل لـ:

  • التحليل المعقد
  • بناء النظريات

MAXQDA:

المميزات:

  • يدعم المختلط (كمي + نوعي)
  • واجهة منظمة
  • أدوات إحصائية مدمجة

العيوب:

  • مكلف

الأفضل لـ:

  • البحوث المختلطة
  • تحليل المحتوى الكمي

Dedoose:

المميزات:

  • سحابي (Cloud-based)
  • أرخص
  • تعاوني
  • يعمل على أي نظام

العيوب:

  • يحتاج إنترنت
  • أقل قوة

الأفضل لـ:

  • الفرق الموزعة
  • الميزانيات المحدودة

بدائل مجانية:

QDA Miner Lite:

  • نسخة مجانية محدودة
  • جيدة للمشاريع الصغيرة

RQDA:

  • حزمة R للتحليل النوعي
  • مجانية ومفتوحة

Taguette:

  • مفتوح المصدر
  • بسيط وسهل

6.5.3 متى تستخدم أي برنامج:

| الحاجة | البرنامج المقترح |

|--------|-----------------|

| مبتدئ في الكمي | SPSS, JASP, jamovi |

| اقتصاد قياسي | Stata, EViews |

| تحليلات متقدمة | R, Python |

| SEM | Mplus, AMOS, lavaan |

| تعلم الآلة | Python, R |

| بحث قابل للتكرار | R Markdown, Jupyter |

| تحليل نوعي | NVivo, ATLAS.ti |

| بحث مختلط | MAXQDA |

| ميزانية محدودة | R, Python, JASP, jamovi |

6.6 كتابة البحث العلمي

6.6.1 هيكل البحث/الرسالة:

الصفحات التمهيدية:

صفحة العنوان:

  • عنوان البحث
  • اسم الباحث
  • الدرجة العلمية
  • المؤسسة
  • التاريخ

الإقرار:

  • أصالة العمل
  • توقيع الباحث

الإهداء (اختياري)

الشكر والتقدير:

  • المشرف
  • أعضاء اللجنة
  • المؤسسات الداعمة
  • المشاركين

الملخص:

  • 150-350 كلمة
  • المشكلة والهدف
  • المنهجية
  • أهم النتائج
  • الخلاصة
  • الكلمات المفتاحية

قائمة المحتويات

قوائم الجداول والأشكال

الفصل الأول: المقدمة

الخلفية والتمهيد:

  • السياق العام للموضوع
  • الانتقال من العام للخاص
  • أهمية الموضوع

مشكلة البحث:

  • تحديد واضح للفجوة
  • ما الذي لا نعرفه؟
  • لماذا هذا مهم؟

أسئلة / فرضيات البحث:

  • واضحة ومحددة
  • قابلة للاختبار
  • مرتبطة بالمشكلة

أهداف البحث:

  • الهدف العام
  • الأهداف الفرعية
  • SMART (محددة، قابلة للقياس...)

أهمية البحث:

  • النظرية
  • التطبيقية

حدود البحث:

  • الموضوعية
  • المكانية
  • الزمانية
  • البشرية

مصطلحات البحث:

  • التعريفات الإجرائية
  • المفاهيم الأساسية

الفصل الثاني: الإطار النظري والدراسات السابقة

الإطار النظري:

  • النظريات المرتبطة
  • المفاهيم الأساسية
  • العلاقات بين المفاهيم
  • النموذج المفاهيمي

الدراسات السابقة:

  • التنظيم (موضوعي، زمني، منهجي)
  • العرض النقدي
  • الربط بالبحث الحالي
  • تحديد الفجوة

التعقيب على الدراسات:

  • أوجه الاتفاق والاختلاف
  • نقاط القوة والضعف
  • ما يميز البحث الحالي

الفصل الثالث: المنهجية

منهج البحث:

  • تبرير الاختيار
  • الفلسفة البحثية

مجتمع وعينة البحث:

  • وصف المجتمع
  • طريقة المعاينة وتبريرها
  • حجم العينة وتبريره
  • خصائص العينة

أدوات جمع البيانات:

  • وصف كل أداة
  • مصدرها أو تطويرها
  • الصدق والثبات

إجراءات الدراسة:

  • خطوات التنفيذ
  • الجدول الزمني

المعالجة الإحصائية / أساليب التحليل:

  • الأساليب المستخدمة
  • تبرير الاختيار
  • البرامج المستخدمة

الاعتبارات الأخلاقية:

  • موافقة لجنة الأخلاقيات
  • الموافقة المستنيرة
  • السرية

الفصل الرابع: النتائج

عرض النتائج:

  • منظم حسب الأسئلة/الفرضيات
  • الجداول والأشكال
  • التفسير الموجز

للكمي:

  • الإحصاء الوصفي أولاً
  • ثم الاستدلالي
  • التحقق من الافتراضات

للنوعي:

  • المواضيع الرئيسية
  • الاقتباسات الداعمة
  • التفسيرات

الفصل الخامس: المناقشة والتوصيات

مناقشة النتائج:

  • تفسير النتائج
  • المقارنة مع الدراسات السابقة
  • الربط بالنظرية
  • تفسير النتائج غير المتوقعة

الخلاصة:

  • ملخص لأهم النتائج
  • الإجابة عن أسئلة البحث

التوصيات:

  • للتطبيق
  • للبحوث المستقبلية

محددات الدراسة:

  • الاعتراف بالقيود
  • تأثيرها على النتائج

المراجع:

التنسيق:

  • APA 7th Edition (الأكثر شيوعاً)
  • أو حسب متطلبات المؤسسة

الملاحق:

  • أدوات الدراسة
  • الموافقات
  • جداول إضافية
  • وثائق داعمة

6.6.2 أساليب التوثيق (Citation Styles):

APA 7th Edition:

في النص:

  • مؤلف واحد: (Smith, 2020)
  • مؤلفان: (Smith & Jones, 2020)
  • ثلاثة فأكثر: (Smith et al., 2020)
  • اقتباس مباشر: (Smith, 2020, p. 25)

قائمة المراجع:


كتاب:
Author, A. A. (Year). Title of work: Capital letter also for subtitle. Publisher.

مقال:
Author, A. A. (Year). Title of article. Title of Periodical, volume(issue), page–page. https://doi.org/xxxxx

موقع:
Author, A. A. (Year, Month Day). Title of page. Site Name. URL

Harvard:

في النص:

  • (Smith 2020)
  • (Smith and Jones 2020)
  • (Smith et al. 2020)

قائمة المراجع:


Smith, J. (2020) Title of book. Place: Publisher.
Smith, J. (2020) 'Title of article', Journal Name, 10(2), pp. 1-10.

Chicago:

النظام المؤلف-تاريخ:

  • مشابه لـ APA

نظام الحواشي:

  • أرقام في النص
  • تفاصيل في الحاشية

IEEE:

  • أرقام في أقواس مربعة [1]
  • للعلوم والهندسة

برامج إدارة المراجع:

Zotero:

  • مجاني ومفتوح المصدر
  • إضافة للمتصفح
  • مزامنة سحابية

Mendeley:

  • مجاني
  • شبكة اجتماعية أكاديمية
  • قارئ PDF

EndNote:

  • الأقوى والأشمل
  • مكلف
  • للمؤسسات

Citavi:

  • شائع في ألمانيا
  • إدارة المعرفة

6.6.3 نصائح الكتابة الأكاديمية:

الوضوح:

  • جمل قصيرة ومباشرة
  • فقرات مترابطة
  • انتقالات منطقية

الدقة:

  • مصطلحات محددة
  • أرقام دقيقة
  • مراجع موثقة

الموضوعية:

  • تجنب اللغة العاطفية
  • عرض الحجج المضادة
  • التمييز بين الحقائق والآراء

الاتساق:

  • الزمن (الماضي للنتائج)
  • المصطلحات
  • التنسيق

تجنب:

  • الإطالة والتكرار
  • العامية والمبالغة
  • السرقة العلمية
  • التعميم المفرط

6.7 النشر العلمي

6.7.1 اختيار المجلة:

معايير الاختيار:

النطاق (Scope):

  • هل الموضوع يناسب المجلة؟
  • قراءة الأهداف والنطاق
  • مراجعة المقالات المنشورة

الجودة والسمعة:

  • Impact Factor (IF)
  • CiteScore
  • h-index
  • التصنيفات (Q1, Q2...)
  • الفهرسة (Scopus, Web of Science)

الجمهور:

  • من يقرأ المجلة؟
  • التخصص vs متعدد التخصصات

سرعة النشر:

  • وقت المراجعة
  • وقت النشر الإلكتروني

التكلفة:

  • رسوم النشر (APC)
  • رسوم الصفحات الملونة

الوصول:

  • Open Access vs اشتراك
  • سياسات المستودعات

6.7.2 تجنب المجلات المفترسة (Predatory Journals):

علامات التحذير:

  • طلب النشر بإلحاح عبر البريد
  • مراجعة سريعة جداً (أيام)
  • رسوم غير واضحة
  • ادعاءات Impact Factor مزيفة
  • عدم الفهرسة في قواعد معروفة
  • هيئة تحرير غير معروفة
  • موقع إلكتروني رديء

أدوات التحقق:

  • Beall's List (تاريخية)
  • DOAJ (للـ Open Access الموثوقة)
  • Think. Check. Submit.
  • Cabell's Blacklist

6.7.3 إعداد المخطوطة:

قبل الكتابة:

  • قراءة إرشادات المؤلفين
  • مراجعة مقالات المجلة
  • استخدام القالب إن وُجد

هيكل IMRaD:

  • Introduction
  • Methods
  • Results
  • and
  • Discussion

العنوان:

  • واضح ومحدد
  • يعكس المحتوى
  • كلمات مفتاحية

الملخص:

  • الحد المسموح (150-300 كلمة)
  • مُهيكل أو غير مُهيكل
  • الهدف، الطريقة، النتائج، الخلاصة

خطاب التغطية (Cover Letter):

  • لماذا هذه المجلة؟
  • ما الجديد والمهم؟
  • تضارب المصالح
  • المؤلف المراسل

6.7.4 عملية المراجعة (Peer Review):

أنواع المراجعة:

  • Single-blind: المراجعون مجهولون
  • Double-blind: المؤلفون والمراجعون مجهولون
  • Open review: الجميع معروف
  • Post-publication: بعد النشر

القرارات المحتملة:

  • Accept: قبول (نادر في المرة الأولى)
  • Minor Revisions: تعديلات طفيفة
  • Major Revisions: تعديلات جوهرية
  • Revise and Resubmit: إعادة تقديم
  • Reject: رفض

التعامل مع المراجعات:

  • قراءة بهدوء
  • الرد على كل ملاحظة
  • خطاب رد مفصل
  • تمييز التغييرات في المخطوطة

6.7.5 الوصول المفتوح (Open Access):

أنواع الوصول:

  • Gold OA: النشر مفتوح في المجلة
  • Green OA: الإيداع في مستودع
  • Hybrid: مجلة اشتراك مع خيار OA
  • Diamond/Platinum: مفتوح بدون رسوم

المستودعات:

  • المؤسسية (جامعتك)
  • التخصصية (arXiv, SSRN, PubMed Central)
  • العامة (Zenodo)

سياسات الممولين:

  • كثير من الممولين يشترطون OA
  • خطة S (أوروبا)

6.7.6 مؤشرات الأثر والجودة:

على مستوى المجلة:

Impact Factor (IF):

  • Clarivate (Web of Science)
  • متوسط الاستشهادات في سنتين
  • يختلف حسب التخصص

CiteScore:

  • Scopus
  • متوسط الاستشهادات في 4 سنوات

SJR (SCImago Journal Rank):

  • يأخذ جودة المصدر في الاعتبار

SNIP:

  • يُعدّل حسب التخصص

التصنيفات:

  • Q1, Q2, Q3, Q4 (الأرباع)
  • بناءً على IF أو CiteScore

على مستوى الباحث:

h-index:

  • h مقالات لكل منها h استشهادات على الأقل
  • يجمع الكمية والتأثير

i10-index:

  • عدد المقالات بـ 10+ استشهادات

عدد الاستشهادات:

  • الإجمالي
  • حسب المقال

ملفات الباحث:

  • Google Scholar Profile
  • ORCID
  • ResearchGate
  • Scopus Author ID

6.7.7 أخلاقيات النشر:

التأليف:

  • المساهمة الجوهرية
  • الموافقة على النسخة النهائية
  • المسؤولية عن العمل
  • ترتيب عادل

تضارب المصالح:

  • الإفصاح الكامل
  • التمويل
  • العلاقات

سوء السلوك:

  • النشر المزدوج
  • التقطيع (Salami slicing)
  • السرقة العلمية
  • التلاعب بالبيانات

التصحيح والسحب:

  • الأخطاء الصادقة: تصحيح
  • سوء السلوك: سحب (Retraction)
السابق التالي

مقالات ذات صلة

أساليب جمع البياناتمقالة ذات صلة
معايير الجودة والصرامة والأخلاقياتمقالة ذات صلة