# أنشئ خريطة حرارية للارتباط جاهزة للنشر

> ارفع جدولًا بالمتغيرات. يختار Yila معامل الارتباط المناسب، ويصحّح لعدد الاختبارات، ويرتّب المتغيرات بحيث تظهر الأنماط، ثم يحفظ الشكل مع المصفوفة كاملة والنص البرمجي.

URL: https://yila.ai/ar/playbooks/correlation-heatmap

## ما الذي ستحصل عليه

- **الخريطة الحرارية** (PNG + SVG): مقياس لوني ثنائي الاتجاه متمركز عند الصفر، مع كتابة المعامل في كل خلية، وتمييز الأزواج الدالة إحصائيًا، وترتيب المتغيرات عنقوديًا.
- **مصفوفة الارتباط** (CSV): جميع المعاملات في جدول يمكنك الاستشهاد به أو إعادة استخدامه في شكل آخر.
- **قيم p المعدَّلة** (CSV): قيم p الخام والمصحَّحة لكل زوج، مرتّبة بحسب قوة الارتباط، مع ذكر طريقة التصحيح.
- **النص البرمجي** (نص برمجي بلغة Python): التحليل كاملًا بلغة Python (أو R إن طلبت)، لتتمكن من إعادة بناء الشكل ببيانات جديدة.

## كيف يعمل

1. **ارفع الجدول واختر المتغيرات**: قدّم إلى Yila ملف CSV أو Excel، وحدّد المتغيرات التي تريد تضمينها، أو دعه يأخذ كل الأعمدة ذات القيم المتصلة.
2. **يفحص Yila المتغيرات أولًا**: ينظر في التوزيعات وأعداد القيم المفقودة، فيُستخدم ارتباط الرتب للمتغيرات الملتوية أو الترتيبية، ولا تُخلط المتغيرات الثنائية بالتحليل عن طريق الخطأ.
3. **احصل على الشكل والجداول والنص البرمجي**: تُرسم الخريطة الحرارية ويُفحص وضوحها، ثم تُحفظ مع الجدولين والنص البرمجي. ويمكنك أن تطلب في المحادثة نفسها الاقتصار على المثلث السفلي، أو لوحة ألوان أخرى، أو طريقة تصحيح مختلفة.

## حالات الاستخدام

- **استكشاف مجموعة بيانات جديدة**: اعرف بنظرة واحدة أي القياسات تتغير معًا قبل أن تخطط للنماذج.
- **فحص الخطية المشتركة**: اكتشف المتغيرات المتنبئة شديدة الارتباط ببعضها إلى حد لا يسمح بإدخالها في الانحدار نفسه.
- **شكل للمواد التكميلية**: نظرة عامة واضحة على الارتباطات كثيرًا ما يطلبها المحكّمون إلى جانب النتائج الرئيسية.

## أسئلة شائعة

### Pearson أم Spearman: أيهما أستخدم؟

يقيس Pearson الارتباط الخطي ويناسب المتغيرات القريبة من التوزيع الطبيعي؛ أما Spearman فيعتمد على الرتب، وهو أكثر أمانًا مع البيانات الملتوية أو القيم الشاذة أو المقاييس الترتيبية. وإذا لم تحدّد الطريقة، ينظر Yila في التوزيعات ويشرح اختياره. وقيم التحاليل المخبرية السريرية مثل تلك الواردة في المثال تكون عادةً ملتوية، ولذلك استُخدم Spearman.

### لماذا يلزم تصحيح الاختبارات المتعددة؟

عندما تكثر المتغيرات تختبر أزواجًا كثيرة، وسيبدو بعضها دالًا إحصائيًا بمحض الصدفة. ويضبط تصحيح معدل الاكتشاف الخاطئ، مثل Benjamini–Hochberg، هذه المشكلة؛ ولا يميّز Yila إلا الأزواج التي تبقى دالة بعده، ويقدّم قيم p الخام أيضًا.

### ما فائدة الترتيب العنقودي؟

يضع المتغيرات المرتبطة ببعضها متجاورة، فتظهر كتل القياسات المترابطة بوضوح. وإذا فضّلت ترتيبًا ثابتًا، فاذكر المتغيرات بالترتيب الذي تريده.

### هل يتعامل مع عدد كبير من المتغيرات؟

نعم. عندما تبلغ المتغيرات العشرات، يحذف Yila المعاملات المكتوبة داخل الخلايا أو يعرض المثلث السفلي فقط ليبقى الشكل مقروءًا، وتبقى المصفوفة الكاملة دائمًا في الجدول.

### هل يمكنني تضمين متغيرات فئوية؟

صُمّمت الخريطة الحرارية للارتباط للمتغيرات الرقمية والترتيبية. ويمكن تضمين المتغيرات الثنائية بالارتباط الثنائي النقطي (point-biserial) أو بارتباط الرتب إن طلبت ذلك؛ أما المتغيرات الفئوية ذات المستويات المتعددة فيقترح لها Yila طريقة تلخيص أخرى.

### R أم Python؟

يمكن استخدام أيٍّ منهما. استُخدمت Python في المثال؛ أما في R فيستخدم Yila الحزمة corrplot أو ComplexHeatmap.

### من أين جاءت بيانات المثال؟

من مجموعة البيانات المفتوحة Heart Failure Clinical Records (Chicco وJurman، 2020)، المنشورة بترخيص CC BY 4.0 في مستودع UCI لتعلّم الآلة. ولا يستخدم Yila بيانات المستخدمين أمثلةً أبدًا.

---

- [أنشئ خريطة حرارية للارتباط جاهزة للنشر](https://yila.ai/ar/playbooks/correlation-heatmap)
- [llms.txt](https://yila.ai/ar/llms.txt)
