البرمجة بلغة R للتحليل الإحصائي: دليل المبتدئين
دليل شامل لاستخدام R في التحليل الإحصائي المتقدم، مع أمثلة عملية وسير عمل tidyverse وتصوّرات ggplot2.
لماذا نستخدم R في التحليل الإحصائي؟
R لغة برمجة حرة ومفتوحة المصدر صُمّمت خصيصًا للحوسبة الإحصائية والرسوم البيانية. وخلافًا للبرمجيات التجارية مثل SPSS أو Stata، يضم مستودع CRAN وحده أكثر من 25,000 حزمة أسهم فيها مجتمع البحث العالمي (The Comprehensive R Archive Network, 2026). وهي الأداة المفضلة في كثير من التخصصات الأكاديمية، من علم النفس والتربية إلى الاقتصاد والمعلوماتية الحيوية. ومنحنى التعلم فيها أشد انحدارًا من البرمجيات القائمة على النقر، غير أن المرونة وقابلية إعادة الإنتاج اللتين توفرهما لا تُضاهَيان.
إعداد بيئة R
ابدأ بتثبيت R من CRAN (cran.r-project.org)، ثم ثبّت RStudio، وهي بيئة تطوير متكاملة مجانية تجعل العمل مع R أيسر كثيرًا. ويمنحك RStudio محرر شيفرة ووحدة تحكم وعارض بيئة ولوحة رسوم في واجهة واحدة. وينبغي أن تكون خطوتك الأولى بعد التثبيت تثبيت حزمة tidyverse بالأمر install.packages("tidyverse")، فهي تجمع أهم حزم علم البيانات.
منظومة tidyverse
tidyverse مجموعة من حزم R صُمّمت لتعمل معًا في تحليل البيانات. وتضم الحزم الأساسية: dplyr لمعالجة البيانات (filter وselect وmutate وsummarise وgroup_by)، وtidyr لإعادة تشكيل البيانات (pivot_longer وpivot_wider)، وggplot2 للتمثيل البصري، وreadr لقراءة ملفات البيانات، وstringr للتعامل مع النصوص، وpurrr للبرمجة الوظيفية. وتعتمد tidyverse قواعد متسقة ومعامل الأنبوب (%>% أو |>) لتسلسل العمليات، ما يجعل الشيفرة مقروءة ومنطقية.
التمثيل البصري للبيانات مع ggplot2
تعتمد ggplot2 «قواعد الرسوم» (grammar of graphics)؛ فكل رسم يُبنى من البيانات، وتعيينات الجماليات (أي المتغيرات التي تُسند إلى المحور x والمحور y واللون والحجم)، والكائنات الهندسية (geom_point للمخططات الانتشارية، وgeom_bar للمخططات الشريطية، وgeom_histogram للمدرّجات التكرارية، وgeom_boxplot لمخططات الصندوق). مثال: ggplot(data, aes(x=age, y=score, color=group)) + geom_point() + theme_minimal(). ويمكنك تراكب عدة طبقات هندسية، وإضافة التسميات، وضبط المقاييس، وتخصيص السمات لإنتاج أشكال بجودة النشر.
اختبارات إحصائية أساسية في R
يجعل R تشغيل الاختبارات الإحصائية مباشرًا. لاختبار t: t.test(score ~ group, data=df). ولتحليل التباين: aov(score ~ treatment, data=df). وللارتباط: cor.test(df$x, df$y). وللانحدار الخطي: lm(outcome ~ predictor1 + predictor2, data=df). وتستطيع حزمة broom تنظيم مخرجات النماذج في أطر بيانات مرتبة بالدوال tidy() وglance() وaugment(). وللتحليلات الأكثر تقدمًا، توسّع حزم مثل psych وlavaan وlme4 إمكانات R لتشمل التحليل العاملي ونمذجة المعادلات الهيكلية والنمذجة متعددة المستويات.
نصائح للبداية
ابدأ بمجموعة بيانات حقيقية وسؤال بسيط. استخدم مجموعات البيانات المضمَّنة (مثل mtcars وiris) للتدرب على العمليات الأساسية قبل العمل على بياناتك الخاصة. اقرأ كتاب "R for Data Science" (r4ds.hadley.nz)، فهو مجاني على الإنترنت ويغطي مسار تحليل البيانات كاملًا. وانضم إلى مجتمع R في Stack Overflow ومنتديات RStudio Community وتويتر (#rstats). والأهم ألا تحاول تعلّم كل شيء دفعة واحدة؛ أتقن dplyr وggplot2 أولًا، ثم وسّع معرفتك بعد ذلك.
المراجع
The Comprehensive R Archive Network. (2026). Contributed packages. https://cran.r-project.org/web/packages/index.html (accessed October 6, 2026)