التحليل الإحصائي, مناهج البحث العلمي

اختبار فريدمان مقابل تحليل التباين للقياسات المتكررة


تمت المراجعة العلمية · د. مروة عبد العظيم · 16 نوفمبر، 2026
مراجعة وتدقيق علمي معتمد تاريخ التدقيق: 16 نوفمبر، 2026
د. مروة عبد العظيم دكتوراه في علم النفس
عضو هيئة التدريس • جامعة كربلاء
معايير التدقيق والاعتماد السريري

يخضع هذا المحتوى لمعايير ضبط الجودة والتدقيق العلمي والأكاديمي الصارمة في شبكة علم النفس العربي، لضمان صحة المعلومات ودقتها السريرية ومطابقتها لأحدث الأدلة والبراهين الصادرة عن الجمعيات النفسية والطبية المعتمدة (APA / WHO).

تُمثّل التصميمات التجريبية وشبه التجريبية التي تدرس نفس العينة من المفحوصين عبر مراحل زمنية متعددة أو تحت ظروف تجريبية متباينة ركيزة أساسية في أبحاث العلوم النفسية، والسلوكية، والطبية، والتربوية. وتفرض هذه البنية المنهجية، المعروفة باسم التصميمات داخل المجموعات أو تصميمات القياسات المتكررة، تحديات إحصائية فريدة تنبع من الارتباط الطبيعي القائم بين المشاهدات المأخوذة من ذات الكيان التجريبي عبر الزمن. في هذا الإطار المنهجي، يبرز نموذجان إحصائيان كأبرز الأدوات المتاحة لاختبار الفروق بين ثلاثة قياسات مترابطة أو أكثر: تحليل التباين للقياسات المتكررة (Repeated-Measures ANOVA)، الذي يُمثل المسار المعلمي (Parametric) الكلاسيكي، واختبار فريدمان (Friedman Test)، الذي يُشكّل البديل اللامعلمي (Non-parametric) المستند إلى الرتب. إن المفاضلة بين هذين النموذجين ليست مجرد مسألة تفضيل حسابي، بل هي قرار منهجي حاسم يؤثر بصورة مباشرة على صدق الاستدلال الإحصائي، ومعدلات ارتكاب الخطأ من النوع الأول، والقوة الاستدلالية للبحث العلمي ككل.

يتناول هذا المقال دراسة نقدية ومقارنة إحصائية شاملة ومفصلة بين اختبار فريدمان وتحليل التباين للقياسات المتكررة، بدءاً من التأصيل النظري للبنية الرياضية لكل منهما، مروراً بتشريح الافتراضات الإحصائية الصارمة، وطرق تفكيك التباين، وآليات الترتيب بالرتب، وحساب حجوم الأثر، وانتهاءً بتقديم خارطة طريق إجرائية وقواعد حاسمة توجه الباحثين في اختيار الأداة الإحصائية الأكثر اتساقاً مع خصائص بياناتهم وطبيعة فروضهم العلمية.

1. مقدمة تأصيلية: مقارنة الاختبارات الإحصائية لتصميمات القياسات المتكررة

1.1 السياق المنهجي للدراسات الطولية والتصميمات داخل المجموعات

تحتل التصميمات داخل المجموعات (Within-Subjects Designs) والدراسات الطولية (Longitudinal Studies) موقعاً ريادياً في المنهجية العلمية الحديثة؛ حيث تعتمد بصورة بنيوية على قياس نفس الوحدات التجريبية أو الأفراد عبر نقاط زمنية متعددة (مثل قياس قبلي، وتتبع أسبوعي، وقياس بعدي، ومتابعة نائية) أو تحت ظروف تجريبية متمايزة (كأن يتعرض كل مفحوص لدرجات حرارة مختلفة، أو جرعات متصاعدة من دواء، أو مهمات إدراكية متنوعة الصعوبة). وقد أوضح Ato et al. (2013) في تصنيفهم المنهجي للتصميمات البحثية في علم النفس أن التصميمات التي تدمج التكرار داخل الأفراد تتيح إمكانات فريدة لاختبار ديناميات التغير وتأثيرات المعالجات الزمنية بكفاءة استدلالية تتفوق في كثير من الأحيان على التصميمات المستقلة.

الميزة الكبرى لهذا النموذج تكمن في قدرته المنهجية على عزل التباين الفردي الكامن (Individual Baseline Differences) بين المفحوصين؛ ففي التصميمات المستقلة (Between-Subjects)، يدخل التباين الناشئ عن الفروق الفردية في الذكاء، أو الاستعداد الوراثي، أو الخلفية الاجتماعية ضمن تباين الخطأ التجريبي، مما يقلل من حساسية الاختبار. أما في التصميمات المتكررة، فيتحول كل مفحوص إلى ضابط لنفسه (Self-Control)، مما يسمح باستبعاد هذا التباين المشترك بين الأفراد من مقام الاختبار الإحصائي، وبالتالي رفع القوة الإحصائية (Statistical Power) إلى مستويات متقدمة، والقدرة على كشف الفروق الحقيقية بأحجام عينات أصغر نسبياً مقارنة بالتصميمات المستقلة، كما يظهر جلياً في الأبحاث التي تدرس الأنماط البيولوجية والسلوكية الدقيقة (Ancoli‐Israel et al., 2003).

إلا أن هذه الميزة المنهجية تفرض في الوقت ذاته تعقيداً رياضياً بالغ الأهمية؛ إذ إن الملاحظات الصادرة عن نفس المفحوص عبر الزمن لا تكون مستقلة (Dependent Observations)، بل يُتوقع أن ترتبط ارتباطاً إيجابياً دالاً. إن وجود هذا الارتباط البيني (Autocorrelation or Intraclass Correlation) ينتهك افتراض استقلالية المشاهدات الذي ترتكز عليه الاختبارات الإحصائية التقليدية مثل تحليل التباين الأحادي المستقل (One-Way ANOVA)، مما يتطلب استخدام نماذج نمذجة متقدمة تأخذ بنية التغاير الداخلي للبيانات في الحسبان بصورة صريحة ومعمقة لتفادي الوصول إلى استنتاجات خاطئة (Bolger & Schilling, 1991).

1.2 أسباب المقارنة والخلط المنهجي بين الاختبارين

تنبع الحاجة الملحة للمقارنة بين تحليل التباين للقياسات المتكررة (RM-ANOVA) واختبار فريدمان (Friedman Test) من كونهما النموذجين القياسيين الأكثر استخداماً في الأدبيات العلمية للإجابة عن نفس السؤال الجوهري: “هل تختلف استجابات نفس المجموعة من المفحوصين عبر ثلاثة ظروف تجريبية أو نقاط زمنية أو أكثر اختلافاً دالاً إحصائياً؟”. وعلى الرغم من وحدة السؤال البحثي، فإن المسارين الرياضيين يختلفان جذرياً في فلسفة التعامل مع البيانات؛ فالأول يمثل قمة التطور في الاستدلال المعلمي المستند إلى المتوسطات وتبايناتها، بينما يمثل الثاني قمة التطور في الاستدلال اللامعلمي المستند إلى الرتب والوسائط.

ويحدث الخلط المنهجي والتحليلي المتكرر في الممارسات البحثية التطبيقية عندما يجد الباحث نفسه أمام مأزق تحديد ما إذا كان من الضروري والملزم التحول إلى البديل اللامعلمي (فريدمان)، أم إن التحليل المعلمي (ANOVA) يمتلك درجة كافية من الصلابة (Robustness) تسمح باستخدامه حتى في ظل بعض التجاوزات الطفيفة. ويتفاقم هذا اللبس بصورة خاصة عندما تفشل البيانات في استيفاء شروط التوزيع الطبيعي بدرجة بسيطة، أو عند مواجهة مشكلة انتهاك افتراض “الكروية” (Sphericity)، حيث يخلط بعض الباحثين بين إجراءات التصحيح المعلمية لدرجات الحرية وبين ضرورة التخلي التام عن النموذج لصالح اختبار فريدمان.

كذلك يتجلى الخلط في كيفية التعامل مع المتغيرات التابعة المقاسة بمقاييس المسح أو التقدير؛ مثل مقاييس ليكرت (Likert Scales)، حيث يسود جدل دائم حول ما إذا كانت الدرجات المستخرجة تُمثل مقياساً ترتيبياً خالصاً يُلزم الباحث باختبار فريدمان، أم إن التجميع التراكمي لهذه البنود يسمح بمعاملتها كمتغيرات فترية مؤهلة لتطبيق تحليل التباين للقياسات المتكررة، الأمر الذي يؤدي في كثير من الرسائل والأوراق العلمية إلى استخدامات متعسفة تفتقر إلى المبرر الرياضي السليم.

1.3 الأهمية الإحصائية للاختيار الصحيح بين المنهجين

إن عملية المفاضلة الواعية والمبنية على أسس برهانية بين RM-ANOVA واختبار فريدمان تتجاوز مجرد التدقيق الأكاديمي الشكلي؛ إذ تؤثر تأثيراً مباشراً وحاسماً على مؤشرين استدلاليين جوهريين: معدل الخطأ من النوع الأول (Type I Error Rate) والقوة الإحصائية (Statistical Power). فعندما يعتمد الباحث على تحليل التباين للقياسات المتكررة في ظل انتهاكات فادحة لافتراضاته الأساسية—مثل وجود قيم شاذة شديدة، أو التواء جسيم في توزيع الفروق، أو انهيار كلي لشرط الكروية دون تطبيق تصحيحات رياضية ملائمة—فإن معدل الخطأ من النوع الأول قد يتضخم بصورة ملحوظة؛ مما يقود الباحث إلى رفض الفرضية الصفرية واكتشاف تأثيرات وهمية لا وجود لها في المجتمع الأصلي.

وعلى النقيض التام، فإن الاندفاع غير المبرر نحو البديل اللامعلمي واستخدام اختبار فريدمان لمجرد الخوف الشكلي من عدم تحقق المثالية في التوزيع الطبيعي، يترتب عليه هدر إحصائي صريح في القوة الاستدلالية للبيانات. يقوم اختبار فريدمان بضغط البيانات الكمية الأصلية الغنية بالتفاصيل واختزالها إلى مجرد رتب نسبية بسيطة (1، 2، 3…) لكل مفحوص؛ مما يؤدي إلى فقدان معلومات دقيقة تتعلق بمسافات الفروق وحجم التغير الفعلي بين القياسات. فإذا كانت البيانات مؤهلة بالفعل للتحليل المعلمي، فإن استخدام فريدمان يقلل من كفاءة التحليل وقدرته على رصد الفروق الحقيقية الدقيقة، مما يرفع احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error).

وبالتالي، فإن تأسيس القرار الإحصائي على استكشاف منهجي وافٍ لطبيعة القياسات وبنية التوزيع يحفظ سلامة الاستنتاجات العلمية من التضليل، ويضمن استخلاص أقصى طاقة استدلالية ممكنة من العينة البحثية دون انتهاك للمبادئ الرياضية التي تُبنى عليها الثقة في العلوم التجريبية، خصوصاً في مجالات دراسة الذاكرة العاملة والقدرات المعرفية المتقدمة (Conway et al., 2005).

2. الإطار النظري والتطبيقي لاختبار فريدمان (Friedman Test)

2.1 مفهوم اختبار فريدمان وخلفيته المنهجية

يُعد اختبار فريدمان، الذي ابتكره الاقتصادي والإحصائي الحائز على جائزة نوبل ميلتون فريدمان (Milton Friedman) عام 1937 وطوره عام 1939، أحد المعالم البارزة في الإحصاء اللامعلمي. صُمم هذا الاختبار كبديل مباشر لتحليل التباين الأحادي للقياسات المتكررة وتصميم القطاعات العشوائية الكاملة (Randomized Complete Block Design) عندما تعجز البيانات عن الوفاء بالاشتراطات البارامترية المشددة. ويعرف الاختبار منهجياً بأنه اختبار تباين ثنائي الاتجاه بالرتب (Two-Way Analysis of Variance by Ranks)؛ حيث يمثل الأفراد أو المفحوصون “القطاعات” (Blocks)، بينما تمثل النقاط الزمنية أو المعالجات التجريبية “الظروف” (Treatments).

تتمثل الفلسفة الجوهرية لاختبار فريدمان في التحرر من الاعتماد على المعالم التوزيعية للمجتمع (كالتباين والتوزيع الطبيعي) والتركيز بدلاً من ذلك على الترتيب النسبي للدرجات داخل كل مفحوص بصورة مستقلة عن بقية أفراد العينة. يختبر النموذج فرضية صفرية مفادها: “تتساوى احتمالات ظهور الرتب عبر كافة الشروط التجريبية، مما يعني أن توزيع الدرجات متطابق عبر جميع القياسات المتكررة ولا يوجد تفضيل لشرط على آخر”. في حين تفترض الفرضية البديلة أن شرطاً تجريبياً واحداً على الأقل يميل إلى إظهار قيم ورتب أعلى أو أدنى بصورة منتظمة ومنهجية تختلف عن النمط العشوائي المتوقع.

وتكتسب هذه المنهجية مكانة خاصة في التطبيقات الإكلينيكية والسلوكية التي تتسم بصغر حجم العينات وصعوبة استيفاء التوزيع الطبيعي، لا سيما في قياسات الاستجابات العصبية والانفعالية للتدخلات الدوائية والنفسية المعقدة (Mithoefer et al., 2010).

2.2 الافتراضات والشروط الواجب تحققها لتطبيق الاختبار

على الرغم من تصنيف اختبار فريدمان كاقتراح لامعلمي “خالٍ من التوزيع” (Distribution-Free)، إلا أنه لا يصح افتراض أنه يعمل دون قيود منهجية؛ بل يتطلب توافر شروط تصميمية دقيقة لضمان صحة مخرجاته:

  • طبيعة المتغير المستقل: يجب أن يتكون المتغير المستقل من عامل واحد يمثل ظروفاً تجريبية مترابطة أو نقاطاً زمنية متكررة تتكون من ثلاثة مستويات فأكثر ($k ge 3$) مطبقة على نفس العينة، أو على مجموعات متطابقة بنيوياً (Matched Subjects).
  • مستوى قياس المتغير التابع: يشترط أن يكون المتغير التابع مقاساً على الأقل بمستوى ترتيبي (Ordinal Scale)، مثل التقديرات الرتبية وبنود التفضيل، أو أن يكون متغيراً كمياً (فnapتري أو نسبي) فشل في تحقيق شروط الاختبارات المعلمية.
  • استقلالية القطاعات (المفحوصين): يشترط استقلال الملاحظات الصادرة عن المفحوصين المختلفين؛ ففي حين تكون القياسات متكررة ومرتبطة داخل المفحوص ذاته، يجب ألا تؤثر استجابة أي فرد في العينة على استجابة فرد آخر بأي شكل من الأشكال.
  • اكتمال مصفوفة البيانات: يعتمد التصميم القياسي لاختبار فريدمان على كونه تصميماً تاماً للقطاعات (Complete Block Design)، مما يتطلب عدم وجود قيم مفقودة؛ فكل مفحوص يجب أن يمتلك درجات مسجلة في كافة الشروط المتكررة دون استثناء.
  • التحرر من الكروية والاعتدالية: لا يشترط فريدمان نهائياً خضوع البيانات للتوزيع الطبيعي، ولا يتطلب تحقق شرط الكروية أو تجانس التباين بين الفروق، مما يمنحه مرونة فائقة في التعامل مع التوزيعات الملتوية والبيانات غير المتناظرة.

2.3 الآلية الرياضية وتحويل الدرجات إلى رتب

تعتمد الخوارزمية الرياضية لاختبار فريدمان على تحويل الدرجات الخام داخل كل صف (أي لكل مفحوص) إلى رتب تتراوح من $1$ إلى $k$، حيث تمثل $k$ عدد الشروط التجريبية أو النقاط الزمنية المتكررة. وتتم هذه العملية بشكل أفقي ومستقل تماماً لكل حالة، متجاهلة تماماً الفروق المطلقة في الدرجات بين المفحوصين المختلفين:

إذا كانت هناك درجات مكررة (Tied Ranks) داخل نفس المفحوص عبر الشروط المتكررة، يتم منح كل درجة مكررة متوسط الرتب التي كانت ستشغلها رياضياً. وبعد إتمام عملية الترتيب لجميع الحالات (من $i = 1$ إلى $N$، حيث $N$ هو عدد المفحوصين)، يتم حساب مجموع الرتب لكل شرط تجريبي أو عمود ($R_j$)، حيث $j = 1, 2, …, k$.

وفي ظل تحقق الفرضية الصفرية (أي عدم وجود أي تأثير للمعالجة)، يُتوقع أن تتوزع الرتب عشوائياً داخل كل صف، وبالتالي فإن المجموع المتوقع للرتب لكل شرط تجريبي يجب أن يكون متطابقاً ويساوي تقريباً:

$$\mu_{R} = \frac{N(k + 1)}{2}$$

ولتقييم مدى انحراف مجاميع الرتب الفعلية الملاحظة ($R_j$) عن هذا التوزيع المتوقع المتساوي، يقوم إحصاء فريدمان—الذي يُرمز له عادة بالرمز $Q$ أو $\chi^2_r$—بحساب مجموع مربعات هذه الانحرافات. وتُعطى المعادلة الرياضية الكلاسيكية لاختبار فريدمان (في حالة عدم وجود روابط) بالشكل التالي:

$$Q = \left[ \frac{12}{N k (k + 1)} \sum_{j=1}^{k} R_j^2 \right] – 3N(k + 1)$$

وعند وجود نسب عالية من الروابط داخل الصفوف، يتم تعديل المعادلة عبر تقسيم قيمة $Q$ المحسوبة على معامل تصحيح الروابط المعتمد على مكعبات عدد التكرارات في كل صف لضبط الدقة الاستدلالية. ومع زيادة حجم العينة ($N ge 10$ أو $k ge 4$)، يقترب توزيع إحصاء فريدمان تقارباً تقاربياً وثيقاً من توزيع كاي تربيع ($\chi^2$) بدرجات حرية مساوية لـ $(k – 1)$. وبذلك تُرفض الفرضية الصفرية إذا تجاوزت القيمة المحسوبة القيمة الجدولية الحرجة عند مستوى دلالة محدد (مثل $\alpha = 0.05$).

2.4 المقارنات البعدية وحجم الأثر في اختبار فريدمان

نظراً لكون اختبار فريدمان اختباراً كلياً شاملاً (Omnibus Test)، فإن الحصول على دلالة إحصائية دالة ($p < 0.05$) يثبت فقط وجود فرق جوهري في رتب الشروط التجريبية بوجه عام، دون أن يكشف عن الأزواج النوعية المحددة التي تسببت في هذا الفرق. ومن ثم، يصبح من الضروري إجراء مقارنات بعدية زوجية (Post-Hoc Pairwise Comparisons) مخصصة للبيانات المرتبطة.

الأسلوب المعياري المتبع لإجراء هذه المقارنات يتمثل في تطبيق اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank Test) على كل زوج من الشروط التجريبية بصورة مستقلة. وبسبب تكرار الاختبارات الإحصائية على نفس البيانات وتصاعد احتمالية ارتكاب الخطأ التراكمي من النوع الأول (Family-Wise Error Rate)، يتعين إلزامياً تطبيق تصحيح إحصائي لمستوى الدلالة، وأشهرها تصحيح بونفيروني (Bonferroni Correction)، حيث يُقسم مستوى الدلالة الأصلي على عدد المقارنات الممكنة ($k(k-1)/2$)، أو استخدام اختبارات بعدية لامعلمية متخصصة مثل اختبار نيميني (Nemenyi Post-Hoc Test) المباشر لتصميم فريدمان.

أما فيما يخص تقدير الدلالة العملية، فإن اختبار فريدمان يرتبط مباشرة بمعامل اتفاق كيندال (Kendall’s Coefficient of Concordance – $W$)، والذي يُستخدم كمقياس رسمي لحجم الأثر، ويُحسب بالصيغة الرياضية التالية:

$$W = \frac{Q}{N(k – 1)}$$

تتراوح قيمة $W$ بين $0$ (غياب تام للاتفاق، وتشتت عشوائي كامل للرتب عبر الشروط) و$1$ (اتفاق إجماعي كامل بين جميع المفحوصين على ترتيب الشروط، مما يعكس حجماً هائلاً لأثر المعالجة). وتُفسر قيم $W$ وفق القواعد الإرشادية المعتادة: $0.1$ أثر صغير، $0.3$ أثر متوسط، و$0.5$ فأعلى يعكس حجماً كبيراً للأثر.

وعلى الرغم من المزايا الحسابية الواضحة لفريدمان، تبرز قيوده المنهجية الجوهرية في عجزه عن نمذجة التفاعلات المتعددة (Interaction Effects)؛ حيث يقتصر فقط على التصميمات ذات العامل الفردي، مما يجعله عاجزاً عن التعامل مع التصميمات العاملية المختلطة والمعقدة.

3. الإطار النظري والتطبيقي لتحليل التباين للقياسات المتكررة (RM-ANOVA)

3.1 مفهوم تحليل التباين للقياسات المتكررة ومبدأ عمله

يُعد تحليل التباين للقياسات المتكررة لعامل واحد (One-Way Repeated-Measures ANOVA) التطور الرياضي الطبيعي لاختبار “ت” للعينات المترابطة (Paired-Samples t-test) ليتجاوز المقارنة بين متوسطين اثنين إلى مقارنة ثلاثة متوسطات حسابية أو أكثر لنفس مجموعة المفحوصين عبر ظروف متعددة أو فترات زمنية متعاقبة. ويندرج هذا التحليل تحت مظلة النموذج الخطي العام (General Linear Model – GLM)، محتفظاً بكامل القوة التحليلية للاختبارات المعلمية المتقدمة.

يرتكز مبدأ عمل النموذج على نمذجة الاستجابة باعتبارها دالة مركبة تتكون من: المتوسط العام، والأثر المنهجي الثابت للشرط التجريبي، والفروق الفردية الكامنة بين الأفراد، وخطأ القياس العشوائي المتبقي. ومن خلال هذه النمذجة، يقيس RM-ANOVA بدقة التغيرات التدريجية والمسارات النمائية أو العلاجية عبر الزمن، مع توفير قدرة استثنائية على كشف استجابات الدماغ والجهاز العصبي، كالتي تُدرس في تجارب تتبع نشاط حل المشكلات عبر الاستبصار (Jung-Beeman et al., 2004) وتجارب التحوير المعرفي لإدراك الألم (Zeidan et al., 2011).

تتمثل قوة النموذج الفائقة في أنه لا يكتفي بفحص ما إذا كانت الفروق موجودة، بل يتيح دراسة أشكال هذه التغيرات عبر ما يُعرف بتحليل الاتجاهات أو التباينات الموجهة (Trend Analysis / Orthogonal Contrasts)، لتحديد ما إذا كان المسار عبر الزمن يتبع نمطاً خطياً (Linear)، أو تربيعياً منحنياً (Quadratic)، أو تكعيبياً (Cubic)، وهو ما يفتقر إليه تماماً أي بديل لامعلمي.

3.2 الافتراضات الإحصائية الصارمة لتطبيق النموذج

يتطلب تحليل التباين للقياسات المتكررة الالتزام بمنظومة متكاملة من الافتراضات الصارمة؛ نظراً لأن انتهاك أي منها يهدد دقة التوزيع الفائي ($F\text{-distribution}$) المعتمد عليه في استخراج الدلالة:

  • مستوى القياس المستمر: يجب أن يكون المتغير التابع مقاساً بمستوى كمي فتري (Interval) أو نسبي (Ratio) حقيقي، يتميز بوحدات قياس متساوية ومسافات دقيقة تعكس مقادير التغير الرياضي الحقيقي.
  • استقلالية الحالات: على الرغم من ترابط القياسات عبر الشروط للمفحوص الواحد، يجب أن تكون المشاهدات الصادرة عن المفحوصين المختلفين مستقلة تماماً وخالية من أي تداخل أو تأثير متبادل.
  • اعتدالية التوزيع (Normality): يفترض الاختبار أن تكون الفروق الزوجية المحسوبة بين كل زوجين من مستويات القياس المتكرر موزعة توزيعاً طبيعياً في المجتمع، وليس بالضرورة اعتدالية الدرجات الخام لكل شرط على حدة. وتزداد أهمية هذا الافتراض عند صغر حجم العينة ($N < 30$).
  • افتراض الكروية (Sphericity): وهو الافتراض الأكثر شهرة والأكثر عرضة للانتهاك في القياسات المتكررة؛ ويقتضي أن تكون تباينات جميع الفروق الزوجية الممكنة بين مستويات المتغير المستقل متساوية في المجتمع الأصلي ($Var(X_1 – X_2) \approx Var(X_1 – X_3) \approx Var(X_2 – X_3)$). ويرتبط هذا الافتراض بمفهوم التناظر المركب (Compound Symmetry).
  • غياب القيم المتطرفة الجسيمة: نظراً لاعتماد النموذج بالكامل على حساب المتوسطات الحسابية ومربعات الانحرافات، فإن وجود أي قيمة شاذة متطرفة (Multivariate Outlier) قد يؤدي إلى سحب المتوسطات وتضخيم تباين الخطأ بشكل اصطناعي، مما يشوه النتائج تماماً.

3.3 التفكيك الرياضي لمربعات الانحرافات (SS Partitioning)

يكمن الإنجاز الرياضي في RM-ANOVA في كيفية تجزئة وتفكيك التباين الكلي الملاحظ في البيانات، وهو ما يُعرف رياضياً بتقسيم مجموع مربعات الانحرافات (Sum of Squares Partitioning). في التحليل الكلاسيكي المستقل، يُقسم التباين الإجمالي ($SS_{\text{Total}}$) إلى تباين بين المجموعات وتباين داخل المجموعات (وهو تباين الخطأ). أما في تحليل القياسات المتكررة، فيتم تفكيك هذا الأخير إلى مستويات أعمق:

يبدأ التفكيك بعزل التباين الكلي للبيانات عن المتوسط العام:

$$SS_{\text{Total}} = SS_{\text{Between-Subjects}} + SS_{\text{Within-Subjects}}$$

يمثل مجموع المربعات بين المفحوصين ($SS_{\text{Between-Subjects}}$) ذلك الجزء من التباين الذي يعود إلى الاختلافات الثابتة والفطرية بين أفراد العينة؛ حيث يمتلك كل فرد خصائص ومستويات أداء أساسية مختلفة عن الآخرين. ويتم حسابه عبر الصيغة التالية (حيث $k$ عدد الشروط، $\bar{X}_i$ متوسط الفرد $i$ عبر كافة الشروط، و$\bar{X}$ المتوسط العام الإجمالي لكافة المشاهدات):

$$SS_{\text{Between-Subjects}} = k \sum_{i=1}^{N} (\bar{X}_i – \bar{X})^2$$

أما مجموع المربعات داخل المفحوصين ($SS_{\text{Within-Subjects}}$)، فيمثل التغيرات التي تحدث لنفس الأفراد عبر الشروط الزمنية أو التجريبية المختلفة، وهو ما يُعاد تفكيكه إلى مركبين رئيسيين:

$$SS_{\text{Within-Subjects}} = SS_{\text{Treatment}} + SS_{\text{Error}}$$

حيث يمثل $SS_{\text{Treatment}}$ مجموع المربعات الناتج عن الأثر الحقيقي للمعالجة التجريبية أو عامل الزمن، ويُحسب بمقارنة متوسطات كل شرط ($\bar{X}_j$) بالمتوسط العام ($\bar{X}$):

$$SS_{\text{Treatment}} = N \sum_{j=1}^{k} (\bar{X}_j – \bar{X})^2$$

بينما يمثل $SS_{\text{Error}}$ التباين المتبقي غير المفسر (Residual Error Variance)، وهو في جوهره التفاعل الرياضي بين المفحوصين والمعالجة ($Subjects \times Treatment$). وتكمن عبقرية هذا الإجراء في استبعاد $SS_{\text{Between-Subjects}}$ كلياً من حساب الخطأ التجريبي؛ بحيث يُحسب التباين الفائي ($F\text{-ratio}$) على النحو التالي:

$$F = \frac{MS_{\text{Treatment}}}{MS_{\text{Error}}} = \frac{SS_{\text{Treatment}} / (k – 1)}{SS_{\text{Error}} / ((N – 1)(k – 1))}$$

وبما أن تباين الفروق الفردية الثابتة قد تم طرحه وعزله من المقام ($MS_{\text{Error}}$)، فإن قيمة الخطأ تصبح أصغر بصورة جذرية مقارنة بالتصميم المستقل، مما يرفع قيمة النسبة الفائية ($F$) ويجعل الاختبار قادراً على التقاط أصغر الفروق ذات الدلالة الإحصائية.

3.4 معالجة انتهاك الكروية والمقارنات البعدية وحجم الأثر

نظراً لأن افتراض الكروية نادراً ما يتحقق بصورة كاملة في البيانات السلوكية والطبية الفعلية، فإن الإجراء الإحصائي المنهجي يفرض تقييم هذا الافتراض مبدئياً عبر اختبار موشلي للكروية (Mauchly’s Test of Sphericity). إذا كانت نتيجة اختبار موشلي غير دالة إحصائياً ($p > 0.05$)، يُقبل افتراض الكروية وتُعتمد درجات الحرية الكلاسيكية دون تعديل.

أما إذا كانت النتيجة دالة إحصائياً ($p < 0.05$)، فإن هذا يعني انتهاك الكروية الصريح، مما يؤدي إلى زيادة تضخم معدل الخطأ من النوع الأول وظهور دلالات وهمية. في هذه الحالة، لا يُلجأ تلقائياً لإلغاء التحليل، بل يتم تصحيح درجات الحرية عبر ضربها في معامل التعديل إبسلون ($epsilon$) لتقليلها، مما يزيد من صعوبة تجاوز العتبة الحرجة لـ $F$. وتتوفر ثلاثة معاملات رياضية لحساب $epsilon$:

  • تصحيح غرينهاوس-غيسر (Greenhouse-Geisser $epsilon$): يُعد التعديل الأكثر تحفظاً، ويُوصى به بشدة عندما تكون قيمة إبسلون المحسوبة تقل عن $0.75$، لكونه يضمن حماية قصوى ضد الخطأ من النوع الأول.
  • تصحيح هوينه-فيلدت (Huynh-Feldt $epsilon$): يُعد بديلاً أقل تحفظاً وأكثر قوة، ويُستخدم عندما تكون قيمة إبسلون تزيد عن $0.75$، لحماية التحليل من الإفراط في التحفظ الذي قد يؤدي إلى الخطأ من النوع الثاني.
  • تصحيح الحد الأدنى (Lower-bound $epsilon$): يمثل السيناريو الرياضي الأسوأ لانتهاك الكروية ويُحسب بـ $1/(k-1)$، لكنه نادراً ما يُستخدم عملياً لفرط تشدده.

وعند ظهور دلالة إحصائية عامة للنسبة الفائية، يتم الانتقال إلى المقارنات البعدية الزوجية باستخدام اختبارات “ت” المترابطة مع تطبيق تصحيح بونفيروني (Bonferroni) لضبط التضخم في قيمة ألفا، أو أسلوب سيداك (Sidak). أما لتقدير الدلالة العملية، فيُحسب حجم الأثر المعياري عبر مقياس إيتا المربعة الجزئية ($\eta_p^2$ – Partial Eta Squared):

$$\eta_p^2 = \frac{SS_{\text{Treatment}}}{SS_{\text{Treatment}} + SS_{\text{Error}}}$$

تُعبر هذه النسبة عن مقدار التباين المفسر بالمعالجة بعد استبعاد تباين الفروق الفردية؛ وتُفسر عادة وفق محكات كوهين: $0.01$ أثر صغير، $0.06$ أثر متوسط، و$0.14$ فأعلى أثر كبير، وهو مقياس بالغ الأهمية لتقدير الجدوى الإكلينيكية للتطبيقات النفسية المتقدمة (Roseman et al., 2018).

4. أوجه الاختلاف الجوهرية بين الاختبارين

4.1 التصنيف المعلمي وطبيعة البيانات ومستويات القياس

يتجسد الفارق المنهجي الأول بين تحليل التباين للقياسات المتكررة واختبار فريدمان في الهوية الإحصائية لكل منهما؛ فالأول نموذج معلمي أصيل يتطلب تمثيل المتغير التابع على مقاييس قياس متصلة كمية، مثل المقاييس الفترية أو النسبية، التي تتيح إجراء العمليات الحسابية القياسية كالجمع والطرح والتربيع. ويهدف في جوهره إلى إجراء مقارنة مباشرة بين المتوسطات الحسابية ($\bar{X}$) لمختلف الشروط التجريبية باعتبار المتوسط هو المقياس الأمثل للنزعة المركزية في التوزيعات المعتدلة.

وعلى النقيض التام، ينتمي اختبار فريدمان إلى عائلة النماذج اللامعلمية المتحررة من قيود المعالم المجتمعِية، حيث يتعامل بكفاءة مطلقة مع البيانات المصنفة على مستوى القياس الترتيبي (Ordinal Data)، إضافة إلى البيانات الكمية المتصلة التي فقدت شروط المعلمية. ولا يهتم فريدمان بمقارنة المتوسطات الحسابية؛ بل يركز على مقارنة متوسطات الرتب (Mean Ranks) أو رتب الوسائط عبر تحويل درجات كل مفحوص إلى تسلسل ترتيبي نسبي. وهذا الاختلاف الجوهري في فلسفة القياس يحدد بوضوح نوعية المعالجات الرياضية المسموح بتطبيقها على كل فئة من البيانات.

4.2 التعامل مع افتراضات التوزيع والصلابة الإحصائية

تختلف قدرة النموذجين على الصمود ومقاومة الانتهاكات الإحصائية (Statistical Robustness) بصورة ملحوظة؛ إذ يتسم تحليل التباين للقياسات المتكررة بالحساسية العالية تجاه القيم الشاذة والمتطرفة (Outliers)؛ حيث إن انحراف قيمة مفحوص واحد بصورة شاذة في أحد القياسات يؤدي إلى تضخيم حساب مجموع المربعات، وتشويه المتوسطات الحسابية، وتضخيم تباين الخطأ، مما يؤدي إلى تقليل قيمة $F$ وفقدان دلالة الفروق الحقيقية أو تزييف دلالات غير واقعية. كما أنه يرزح تحت وطأة الالتزام بافتراض الكروية الصارم واعتدالية التوزيع.

في المقابل، يمتلك اختبار فريدمان صلابة إحصائية استثنائية ضد القيم الشاذة والالتواء الشديد في البيانات؛ فالقيم المتطرفة تُستبدل ببساطة بأعلى رتبة ممكنة داخل الفرد (وهي القيمة $k$)، دون أن يؤثر مداها العددي المطلق في المعادلة الحسابية. وبالتالي، فإن وجود درجات شاذة ناتجة عن استجابات غير عادية لا يزعزع استقرار التحليل. علاوة على ذلك، يتحرر اختبار فريدمان تحرراً مطلقاً من شرط الكروية أو تجانس تباين الفروق؛ حيث إن تحويل البيانات إلى رتب موحدة داخل كل صف يجعل مصفوفة التغاير موحدة بصورة آلية، مما يلغي تماماً الحاجة لاختبار موشلي أو تطبيق معاملات تصحيح درجات الحرية.

4.3 القوة الإحصائية والحساسية في رصد الفروق

تُمثل القوة الإحصائية (Statistical Power)—وهي احتمالية رفض الفرضية الصفرية عندما تكون خاطئة بالفعل—ميداناً للمفاضلة الدقيقة بين الأداتين. فعندما تستوفي البيانات الكمية شروط التوزيع الطبيعي وتتجانس الفروق، يمتلك تحليل التباين للقياسات المتكررة تفوقاً استدلالياً كاسحاً؛ حيث تصل كفاءته النسبية التقاربية (Asymptotic Relative Efficiency) إلى مستويات تتجاوز كثيراً اختبار فريدمان. ويعود ذلك إلى أن RM-ANOVA يستثمر كل ذرة معلومات متاحة في الفروق الكمية الدقيقة والمسافات الفاصلة بين الدرجات، مما يجعله فائق الحساسية في التقاط الفروق التجريبية الطفيفة للغاية.

في المقابل، يدفع اختبار فريدمان “ضريبة إحصائية” عند استخدامه مع بيانات كمية صالحة للتحليل المعلمي؛ فالتحول من الدرجات الخام إلى الرتب يؤدي إلى تسطيح التباين وفقدان المسافات الحقيقية؛ فالفارق بين درجتي 10 و 11 يُعامل بنفس وزن الفارق بين درجتي 10 و 100 إذا كانت كلتاهما تمثلان الانتقال من الرتبة الأولى إلى الرتبة الثانية لنفس المفحوص. ولكن تنقلب هذه المعادلة رأساً على عقب في حالات محددة: فعندما تكون أحجام العينات صغيرة جداً، أو عندما تشتمل البيانات على التواءات حادة وتوزيعات غير متماثلة أو شواذ مؤثرة، تتدهور قوة RM-ANOVA بصورة كارثية، بينما يحتفظ اختبار فريدمان بقوته وحساسيته، ليصبح هو الخيار الأكثر كفاءة وقدرة على تجنب الخطأ من النوع الثاني.

4.4 القدرة على فحص التفاعلات التصميمية المعقدة

تتجلى الميزة الأكثر حسماً لصالح تحليل التباين للقياسات المتكررة في مرونته وقدرته التوسعية الفائقة على نمذجة التصميمات التجريبية متعددة العوامل والتصميمات المختلطة (Factorial & Mixed Designs). يتيح RM-ANOVA للباحث دراسة عاملين أو ثلاثة عوامل للقياسات المتكررة في وقت واحد (مثل: الزمن $\times$ نوع المهمة $\times$ موقع المثير)، فضلاً عن قدرته على دمج عوامل داخل المفحوصين مع عوامل بين المفحوصين في نموذج واحد (Mixed Between-Within ANOVA)، مما يمكن الباحث من فحص أثر التفاعل المنهجي (Interaction Effect) بدقة متناهية لمعرفة ما إذا كان مسار التغير عبر الزمن يختلف باختلاف المجموعات (كالمجموعة الضابطة مقابل المجموعة التجريبية).

أما اختبار فريدمان الكلاسيكي، فيعاني من قيد تصميمي بنيوي؛ إذ يقتصر حصرياً على التصميمات أحادية العامل داخل المفحوصين (One-Way Within-Subjects Design). ولا يمتلك الاختبار أي آلية رياضية تتيح له تقييم التفاعلات المشتركة أو دمج متغيرات بين المفحوصين. وعلى الرغم من ظهور بعض المحاولات الإحصائية الحديثة لنمذجة البيانات اللامعلمية المعقدة (مثل نماذج الأنماط الرتبية المعتمدة على الدوال التوزيعية)، إلا أنها تخرج عن إطار اختبار فريدمان القياسي وتتطلب حزمات برمجية متخصصة ومعقدة التفسير، مما يجعل RM-ANOVA الخيار الأوحد عملياً في الدراسات التجريبية ذات البنية التصميمية متعددة المستويات والمحاور.

ويلخص الجدول التالي المقارنة المنهجية المباشرة والشاملة بين النموذجين عبر كافة الأبعاد الإحصائية والتطبيقية الحيوية:

وجه المقارنة تحليل التباين للقياسات المتكررة (RM-ANOVA) اختبار فريدمان (Friedman Test)
التصنيف الإحصائي معلمي (Parametric). لامعلمي / خالٍ من التوزيع (Non-parametric).
مستوى قياس المتغير التابع كمي مستمر (فتري أو نسبي). ترتيبي (رتب) أو كمي معيب التوزيع.
المقياس المركزي المعتمد المتوسطات الحسابية للمجموعات ($\bar{X}$). متوسطات الرتب (Mean Ranks) أو الوسائط.
افتراض اعتدالية التوزيع صارم (اعتدالية توزيع الفروق الزوجية). لا يشترط أي شكل توزيعي محدد.
افتراض الكروية (Sphericity) إلزامي وجوهري (يتم فحصه باختبار موشلي). غير مطلوب ومتحرر منه تماماً.
الحساسية للقيم الشاذة شديد الحساسية والهشاشة تجاه القيم المتطرفة. مقاوم وقوي جداً نظراً للاعتماد على الرتب.
الإحصاء الاختباري الأساسي النسبة الفائية ($F\text{-ratio}$). إحصاء كاي تربيع التقاربي ($\chi^2$ أو $Q$).
إجراءات المقارنات البعدية اختبارات “ت” المترابطة أو تيوكي مع ضبط بونفيروني. اختبار ويلكوكسون للإشارات والرتب مع ضبط بونفيروني.
مقياس حجم الأثر إيتا المربعة الجزئية ($\eta_p^2$) أو أوميغا المربعة ($\omega^2$). معامل اتفاق كيندال (Kendall’s $W$).
القدرة على تحليل التفاعلات عالية جداً (يدعم التصميمات العاملية والمختلطة). معدومة (يقتصر على التصميمات أحادية العامل).
تحليل الاتجاهات (Trend Analysis) يدعم كشف المسارات الخطية والتربيعية والتكعيبية. لا يدعم تحليل الاتجاهات المباشر.
القوة في ظل البيانات المثالية أعلى قوة إحصائية ممكنة وكفاءة استدلالية قصوى. أقل قوة بسبب فقدان المعلومات الناتجة عن الترتيب.

5. أوجه التشابه ونقاط الالتقاء المنهجية

5.1 وحدة التصميم التجريبي وضبط التباين الفردي

على الرغم من التباين في البنية الحسابية والافتراضات المسبقة، يلتقي اختبار فريدمان مع تحليل التباين للقياسات المتكررة في نقطة انطلاق منهجية موحدة؛ فكلاهما مصمم بصورة خاصة للتعامل مع البيانات التي تنشأ عن التصميمات داخل المجموعات (Within-Subjects Designs) أو تصميمات القطاعات المكتملة عشوائياً (Randomized Complete Block Designs). تشترك الأداتان في معالجة إشكالية الارتباط البيني القائم بين المشاهدات المتكررة؛ حيث يُعامل كل مفحوص في كلا التحليلين ككتلة مستقلة بحد ذاته.

تتمحور الغاية المنهجية المشتركة في محاولة تقويض أثر الفروق الفردية الكامنة كمتغيرات دخيلة أو مشوشة (Confounding Variables). ويعتمد كلا النموذجين على استراتيجية مقارنة المفحوص بذاته عبر الظروف المختلفة، مما يتيح التخلص من الضجيج الإحصائي الناجم عن تنوع السمات الأساسية للأفراد. كما يشترط النموذجان معاً افتراضاً حيوياً لا يمكن التنازل عنه: وهو استقلالية المفحوصين عن بعضهم البعض؛ فبينما يُسمح بالارتباط الداخلي للملاحظات للشخص الواحد، يجب أن تظل الملاحظات بين الحالات المنفصلة مستقلة تماماً لضمان سلامة الإجراءات الاستدلالية وصحة النتائج المشتقة، كما هو الحال في دراسات الفترات الحرجة لاكتساب اللغة التي تعتمد على بيانات ضخمة ومستقلة بين الأفراد (Hartshorne et al., 2018).

5.2 الهدف البحثي وصياغة الفرضيات العامة

يتطابق التحليلان في الغاية البحثية النهائية والأسئلة الإحصائية التي يسعى الباحث للإجابة عنها؛ فكلاهما يهدف إلى التحقق مما إذا كانت المعالجات التجريبية المتتابعة أو التدخلات الإكلينيكية عبر الزمن قد أحدثت تحولاً حقيقياً ومنهجياً في أداء وسلوك نفس العينة المدروسة. وتتشابه صياغة الفرضية الصفرية ($H_0$) في جوهرها العلمي في كلا الاختبارين، حيث تفترض عدم وجود أي تأثير للشرط التجريبي أو المتغير الزمني، وأن أي تباينات أو تغيرات مرصودة ليست سوى تقلبات عشوائية تعود لخطأ الصدفة.

كما يُصنف كلا الاختبارين كاختبارين كليين شاملين (Omnibus Tests)؛ ما يعني أن النتيجة المستخرجة—سواء كانت دلالة النسبة الفائية ($F$) في RM-ANOVA أو دلالة إحصاء كاي تربيع التقاربي ($Q$) في فريدمان—تخبر الباحث فقط بوجود فرق دال إحصائياً في مكان ما عبر القياسات المتكررة، دون أن تمتلك أي من الأداتين القدرة الذاتية على تحديد مسار أو موقع هذا الفرق بدقة بمجرد قراءة الإحصاء الكلي، مما يجعل التفسير العام مقيداً بضرورة استكمال التحليل بمراحل استكشافية لاحقة.

5.3 الاعتماد على الاختبارات البعدية لتحديد مواضع الفروق

ترتيباً على الطبيعة الكلية المشتركة للاختبارين، يتشارك النموذجان في الاحتياج الحتمي إلى إجراء مرحلة ثانية من التحليل تُعرف بالاختبارات البعدية أو المقارنات المتعددة الزوجية (Post-Hoc Pairwise Comparisons) بمجرد رفض الفرضية الصفرية الكلية. وفي كلا المسارين، يجد الباحث نفسه في مواجهة نفس المأزق الإحصائي الكلاسيكي: وهو تضخم احتمالية ارتكاب الخطأ من النوع الأول المتراكم عبر المقارنات (Family-Wise Error Rate $\alpha_{FW}$)، والذي تحكمه العلاقة الرياضية التالية:

$$\alpha_{FW} = 1 – (1 – \alpha_c)^C$$

حيث تمثل $C$ عدد المقارنات الثنائية الممكنة، و$\alpha_c$ مستوى الدلالة الاسمي لكل اختبار منفصل. ولتجاوز هذا الخطر المنهجي، يفرض كلا النموذجين ضرورة تطبيق تقنيات الضبط الإحصائي، مثل تصحيح بونفيروني الصارم، لتعديل القيم الاحتمالية المستخرجة بما يضمن عدم إعلان فروق إحصائية زائفة.

وأخيراً، يتفق التحليلان على مبدأ علمي راسخ يقتضي عدم الاكتفاء بالقيمة الاحتمالية ($p\text{-value}$) للحكم على النتائج؛ بل يوفر كل نموذج مقياساً مقنناً لحساب حجم الأثر (إيتا المربعة الجزئية لـ RM-ANOVA، ومعامل كيندال لـ فريدمان) لتزويد المجتمع العلمي بتقدير دقيق للأهمية العملية وحجم الفاعلية التطبيقية للتدخل التجريبي المدروس.

6. متى يُستخدم كل اختبار: معايير الاختيار والمفاضلة العملية

6.1 معايير اختيار تحليل التباين للقياسات المتكررة (RM-ANOVA)

يمثل تحليل التباين للقياسات المتكررة الخيار الأفضل والأنسب للتحليل الإحصائي متى توافرت الظروف والاشتراطات التي تسمح بإطلاق كامل طاقته الاستدلالية؛ ويتعين على الباحث تفضيله واختياره في الحالات المنهجية التالية:

  • طبيعة القياس الكمي المستمر: عندما يكون المتغير التابع مقاساً بمستوى قياس فتري أو نسبي حقيقي (مثل درجات اختبارات الذكاء المقننة، وزمن الرجع بالمللي ثانية، وضغط الدم، ومستويات المؤشرات الحيوية)، حيث تحمل المسافات الرياضية دلالات دقيقة تتطلب الحساب الكامل للمتوسطات والانحرافات.
  • استيفاء اعتدالية الفروق مع العينات الكبيرة: عندما تؤكد الفحوص الاستكشافية اعتدالية توزيع درجات الفروق بين أزواج القياسات، أو عندما يكون حجم العينة كبيراً نسبياً ($N ge 30$ مفحوصاً)، مما يسمح بالاعتماد على مبرهنة النهاية المركزية (Central Limit Theorem) التي تضمن متانة النتائج ومقاومتها للاختلالات الطفيفة في التوزيع.
  • التصميمات متعددة العوامل والمختلطة: عندما يتجاوز الهدف البحثي فحص عامل مفرد داخل المفحوصين، ويمتد إلى دراسة التفاعل المشترك بين عدة متغيرات متكررة، أو المقارنة بين مجموعات علاجية مختلفة عبر الزمن (عامل بين المفحوصين $\times$ عامل داخل المفحوصين)، حيث لا يوجد بديل لامعلمي مكافئ لاختبار فريدمان قادر على إنجاز هذه المهمة الرياضية.
  • تحقق الكروية أو إمكانية تصحيحها: عندما يتحقق افتراض الكروية (موشلي $p > 0.05$)، أو حتى عند انتهاكه في ظل قيم إبسلون تقع ضمن النطاق القابل للتصحيح الآمن باستخدام معاملات “غرينهاوس-غيسر” أو “هوينه-فيلدت” دون فقدان السيطرة على معدل الخطأ.
  • الحاجة لاختبار الاتجاهات التطورية: عندما يسعى الباحث إلى تحديد الدالة الرياضية التي تصف التغير عبر الزمن (خطية أو منحنية) من خلال التباينات المتعامدة (Polynomial Contrasts).

6.2 معايير تفضيل اختبار فريدمان (Friedman Test)

على الرغم من القوة الرياضية لتحليل ANOVA، هناك مواقف تجريبية وبيانات واقعية يصبح فيها التحول إلى اختبار فريدمان ضرورة علمية محتومة لتفادي التضليل الإحصائي والاستنتاجات الزائفة. تشمل هذه المعايير:

  • المقاييس الترتيبية الخالصة وبنود التقدير: عندما يكون المتغير التابع مقاساً بمستوى رتبي صريح لا تتوفر فيه فترات متساوية، مثل رتب التفضيل الذاتي، أو التقييمات الرتبية للمحكمين، أو بنود مقاييس ليكرت الفردية، حيث يفقد مفهوم المتوسط الحسابي مشروعيته الرياضية ويصبح الوسيط ومتوسط الرتب المقياس الوحيد الموثوق.
  • الانحراف الجسيم عن التوزيع الطبيعي مع العينات الصغيرة: عندما يكون حجم العينة صغيراً جداً ($N < 15$ أو $20$) وتُظهر مؤشرات الالتواء (Skewness) والتفرطح (Kurtosis) واختبارات الاعتدالية انحرافات حادة وغير خطية تجعل الاعتماد على التوزيع الفائي ضرباً من المجازفة الإحصائية.
  • وجود قيم شاذة مؤثرة يتعذر حذفها: عندما تشتمل البيانات على مشاهدات متطرفة تبتعد بعداً شاسعاً عن النمط العام نتيجة تباينات طبيعية في العينة، ولا توجد مبررات منهجية لحذفها كأخطاء مدخلات؛ فإن فريدمان يستوعب هذه القيم ضمن الرتب العليا دون أن يسمح لها بسحب التحليل والتأثير على تباين الخطأ.
  • الانهيار التام لافتراض الكروية مع عينات شديدة الصغر: عندما ينهار افتراض الكروية انهياراً كلياً، وتكون قيم إبسلون منخفضة بصورة متطرفة مع صغر حجم العينة إلى حد يفقد فيه تصحيح غرينهاوس-غيسر قوته ويكشف عن عجز الاختبار المعلمي، مما يجعل فريدمان الملاذ الأكثر أماناً لحماية البحث من الخطأ من النوع الأول.

6.3 خارطة طريق إجرائية لاتخاذ القرار الإحصائي

لتيسير مهمة الباحث في الانتقال المنطقي من البيانات الخام إلى القرار الإحصائي المبرر، يمكن اتباع خارطة طريق إجرائية متسلسلة تتضمن الخطوات التالية:

الخطوة الأولى: الفحص المنهجي لمستوى القياس وبنية التصميم:
يبدأ الباحث بفحص مستوى قياس المتغير التابع؛ فإذا كان المتغير ترتيبياً بطبيعته، يُتجه مباشرة إلى اختبار فريدمان كمسار إلزامي. أما إذا كان المتغير كمياً متصلاً، فيتم التحقق من بنية التصميم؛ فإذا كان التصميم يحتوي على تفاعلات أو عوامل مختلطة (بين وداخل المفحوصين)، يتعين استخدام RM-ANOVA أو النماذج الخطية المختلطة (Linear Mixed Models). أما إذا كان تصميماً أحادياً للقياسات المتكررة بثلاثة مستويات فأكثر، يتم الانتقال إلى الخطوة الثانية.

الخطوة الثانية: الاستكشاف التوزيعي وفحص الاعتدالية والشواذ:
يتم حساب درجات الفروق بين جميع الأزواج الممكنة للشروط التجريبية، وتطبيق اختبارات الاعتدالية المعتمدة مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) واختبار كولموجوروف-سميرنوف، وفحص المخططات البيانية مثل مخططات التوزيع الطبيعي (Q-Q Plots) ومخططات الصندوق (Boxplots). فإذا كانت التوزيعات متماثلة وخالية من الشواذ الحادة، أو كان حجم العينة كبيراً ($N ge 30$)، يتم المضي قدماً في المسار المعلمي؛ أما في حال ثبوت الالتواء الحاد مع صغر العينة ووجود الشواذ المؤثرة، يُحسم القرار بالتحول لاختبار فريدمان.

الخطوة الثالثة: التحقق من افتراض الكروية في المسار المعلمي:
في حال استيفاء الخطوة السابقة، يُشغّل تحليل التباين للقياسات المتكررة ويُفحص اختبار موشلي للكروية:

  • إذا كانت قيمة الدلالة لاختبار موشلي $p ge 0.05$، يُعتمد جدول النتائج المعياري بافتراض الكروية (Sphericity Assumed).
  • إذا كانت قيمة الدلالة لاختبار موشلي $p < 0.05$، تُفحص قيمة معامل إبسلون:
    • إذا كانت قيمة $epsilon < 0.75$، تُقرأ النتائج من سطر تصحيح غرينهاوس-غيسر (Greenhouse-Geisser).
    • إذا كانت قيمة $epsilon ge 0.75$، تُقرأ النتائج من سطر تصحيح هوينه-فيلدت (Huynh-Feldt).

الخطوة الرابعة: التوثيق الأكاديمي المبرر:
يتعين على الباحث توثيق كل خطوة في تقرير المنهجية بدقة متناهية، مع ذكر مبررات اختيار النموذج، ومخرجات فحص الافتراضات، وأي تصحيحات رياضية طُبقت، لضمان شفافية وقابلية تكرار المعالجة الإحصائية وفق المعايير المعتمدة دولياً.

7. أسئلة شائعة حول اختبار فريدمان وتحليل التباين للقياسات المتكررة

7.1 هل يمكن استخدام اختبار فريدمان كبديل افتراضي دائماً لتفادي فحص الافتراضات؟

لا، يُعد هذا التوجه من الأخطاء المنهجية الشائعة التي تحذر منها أدبيات الإحصاء التطبيقي بشدة. إن الاعتماد التلقائي على اختبار فريدمان دون تقييم إمكانية تطبيق RM-ANOVA يُعد هدراً إحصائياً غير مبرر؛ فالتحول إلى الرتب يؤدي إلى التضحية بالقوة الإحصائية للبيانات وتجاهل المسافات الكمية الدقيقة بين الدرجات، مما يرفع احتمالية ارتكاب الخطأ من النوع الثاني والعجز عن كشف التأثيرات التدخلية الحقيقية الطفيفة.

يظل تحليل التباين للقياسات المتكررة هو الخيار الأساسي والافتراضي متى كانت البيانات كمية واستوفت شروطه أو أمكن تصحيحها؛ فالقاعدة الذهبية في التحليل الإحصائي تقضي بأن: “تُستخدم الاختبارات المعلمية متى استُوفيت شروطها لكونها أكثر كفاءة وقدرة استدلالية، ولا يُلجأ للاختبارات اللامعلمية إلا بوجود مسوغ منهجي صريح ينبع من خصائص البيانات وطبيعة القياس”.

7.2 ما هو الإجراء المتبع عند انتهاك شرط الكروية في تحليل التباين للقياسات المتكررة؟

إن انتهاك افتراض الكروية (Mauchly’s $p < 0.05$) لا يعني على الإطلاق الانهيار التام للنموذج المعلمي ولا يوجب بالضرورة التحول لاختبار فريدمان؛ إذ يمتلك RM-ANOVA حلولاً رياضية راسخة لمعالجة هذه المشكلة من خلال تعديل وتخفيض درجات الحرية عبر ضربها في معامل إبسلون ($epsilon$)، مما يضبط التضخم في معدل الخطأ من النوع الأول مع الحفاظ الكامل على النموذج المعلمي وقوته في فحص المتوسطات والتفاعلات. ويُستخدم تصحيح “غرينهاوس-غيسر” عندما يكون الانتهاك شديداً ($epsilon < 0.75$)، وتصحيح “هوينه-فيلدت” عندما يكون الانتهاك معتدلاً ($epsilon > 0.75$).

علاوة على ذلك، يمتلك الباحث مساراً معلمياً متقدماً آخر يتمثل في استخدام تحليل التباين متعدد المتغيرات للقياسات المتكررة (Repeated-Measures MANOVA)؛ حيث يعامل هذا التحليل القياسات المتكررة كمتغيرات تابعة متعددة في آن واحد، ويتميز بعدم اشتراطه لافتراض الكروية على الإطلاق، مع ملاحظة أنه يتطلب أحجام عينات تفوق عدد مستويات القياس المتكرر ليعمل بكفاءة مقبولة.

7.3 كيف تختلف الاختبارات البعدية بين اختبار فريدمان وتحليل ANOVA للقياسات المتكررة؟

تختلف الاختبارات البعدية بين النموذجين في الوحدات المحسوبة ونوعية الفروق المختبرة:

  • في تحليل ANOVA للقياسات المتكررة: تعتمد المقارنات البعدية على فروق المتوسطات الحسابية ($\bar{X}_1 – \bar{X}_2$)؛ حيث تُستخدم اختبارات “ت” المترابطة الزوجية مع تطبيق تعديلات حاسمة للتحكم في معدل الخطأ التراكمي، وأشهرها تعديل بونفيروني (Bonferroni adjustment) أو تعديل سيداك (Sidak)، مع توفير فترات ثقة (Confidence Intervals) كمية محددة لقيم الفروق بين المتوسطات.
  • في اختبار فريدمان: تعتمد المقارنات البعدية على اختبارات الرتب والوسائط؛ ويُعد اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank Test) الأداة الأكثر تطبيقاً لكل زوج من الشروط المتكررة، متبوعاً بقسمة مستوى الدلالة الاسمي ($\alpha = 0.05$) على عدد المقارنات الثنائية المجراة وفق صيغة بونفيروني، أو استخدام اختبار نيميني (Nemenyi Test) الذي يحسب الفرق الحرج بين متوسطات الرتب بطريقة مباشرة.

7.4 هل يصلح مقياس ليكرت للتحليل عبر RM-ANOVA أم يجب استخدام فريدمان؟

تعتمد الإجابة على هذا التساؤل المنهجي على التمييز الدقيق بين مفهومين: “فقرة ليكرت المنفصلة” (Likert Item) و”مقياس ليكرت التراكمي” (Likert Scale):

  • فقرات ليكرت المنفردة: عندما يقوم الباحث بتحليل فقرة واحدة مستقلة مقاسة بتدرج استجابة خماسي أو سباعي (مثل: أوافق بشدة إلى أعارض بشدة)، فإن البيانات تُعد رتبية بصورة صريحة؛ حيث لا يمكن إثبات تساوي المسافات بين خيارات الاستجابة رياضياً، وبالتالي فإن اختبار فريدمان هو الأنسب والأصح منهجياً لتحليل مثل هذه الاستجابات عبر الزمن.
  • الدرجات الكلية المركبة لمقاييس ليكرت: عندما يتم تجميع درجات عدد كبير من الفقرات (مثل مقياس مكون من 20 أو 30 فقرة) لحساب درجة كلية مستمرة لسمة نفسية معينة (مثل مقياس القلق أو مقياس التوافق)، وتُظهر الدرجة التراكمية توزيعاً مستمراً ومعتدلاً، فإن الأدبيات المنهجية المستقرة في العلوم النفسية والتربوية تجيز تماماً معاملة هذه البيانات كبيانات فترية، وتطبيق تحليل التباين للقياسات المتكررة عليها بكفاءة وثقة عالية.

8. الخاتمة والتوصيات المنهجية للباحثين

8.1 الموازنة المنهجية بين القوة الإحصائية والصلابة ضد الانتهاكات

إن المفاضلة الواعية بين اختبار فريدمان وتحليل التباين للقياسات المتكررة تمثل نموذجاً عملياً للموازنة الدقيقة بين مفهومين أساسيين في نظرية الإحصاء الاستدلالي: القوة الإحصائية القصوى (Maximum Power) في مقابل الصلابة ومقاومة الانتهاكات (Robustness against Violations). يتربع تحليل التباين للقياسات المتكررة على عرش الأدوات المعلمية الأكثر حساسية ومرونة؛ فهو يمتلك القدرة الفائقة على استنطاق البيانات واستخراج التفاصيل الكامنة في المسافات الكمية والاتجاهات التطورية ونمذجة التفاعلات المعقدة، ما يجعله الخيار الاستراتيجي الأول للباحث متى توفرت شروطه الموضوعية.

في المقابل، يقف اختبار فريدمان كخط دفاع متين وصمام أمان يحمي الباحث من الانزلاق وراء استنتاجات مضللة قد تنشأ عن الإصرار التعسفي على تطبيق النماذج المعلمية في غير موضعها، خصوصاً في ظل العينات المحدودة والتوزيعات الملتوية التي تكثر في الأبحاث السريرية والتدخلات السلوكية الخاصة. إن الوعي العميق بالأسس الرياضية لكل اختبار يُخرج الباحث من دائرة التردد أو التبعية العمياء للبرمجيات الإحصائية، ويمنحه القدرة على اتخاذ قرارات تحليلية مسؤولة تضمن صدق وثبات المعرفة العلمية الناتجة.

8.2 إرشادات عملية لتوثيق نتائج التحليل في الأوراق العلمية والرسائل

لضمان الالتزام بالمعايير الأكاديمية العالمية (مثل المعايير المعتمدة من جمعية علم النفس الأمريكية APA)، ينبغي على الباحثين اتباع إرشادات التوثيق الصارمة عند كتابة تقارير نتائج هذين التحليلين:

  • توثيق نتائج تحليل التباين للقياسات المتكررة (RM-ANOVA):
    • الإفصاح الشفاف عن مخرجات اختبار الاعتدالية واختبار موشلي للكروية مع ذكر قيمتها الاحتمالية.
    • في حال انتهاك الكروية، يجب ذكر اسم معامل التصحيح المستخدم صراحة (غرينهاوس-غيسر أو هوينه-فيلدت) وقيمة معامل إبسلون ($epsilon$).
    • كتابة السطر الإحصائي الرسمي متضمناً: قيمة درجات الحرية المعدلة، والنسبة الفائية، والقيمة الاحتمالية الدقيقة، وحجم الأثر إيتا المربعة الجزئية: $F(df_{\text{treatment}}, df_{\text{error}}) = …, p = …, \eta_p^2 = …$.
    • عرض المتوسطات الحسابية ($\bar{X}$) والانحرافات المعيارية ($SD$) لكل شرط تجريبي في جدول منظم أو رسم بياني واضح مزود بأشرطة الخطأ (Error Bars).
    • توثيق نتائج المقارنات البعدية وقيم الدلالة بعد التعديل (مثل Bonferroni-adjusted $p$) مع ذكر فترات الثقة 95%.
  • توثيق نتائج اختبار فريدمان (Friedman Test):
    • تقديم مبرر منهجي واضح لاستخدام البديل اللامعلمي (مثل: طبيعة البيانات الرتبية، أو انتهاك اعتدالية الفروق مع صغر العينة).
    • كتابة السطر الإحصائي متضمناً: قيمة درجات الحرية، وقيمة إحصاء فريدمان ($\chi^2_r$ أو $Q$)، وحجم العينة الإجمالي، والقيمة الاحتمالية، وحجم الأثر معامل كيندال: $\chi^2(df) = …, N = …, p = …, W = …$.
    • الامتناع عن تقديم المتوسطات والانحرافات المعيارية كمقاييس أساسية، واستبدالها بالوسائط (Medians) والمدى الربيعي (Interquartile Range – IQR) أو متوسطات الرتب (Mean Ranks) لكل مستوى من مستويات القياس المتكرر.
    • توثيق نتائج اختبارات ويلكوكسون البعدية متضمنة قيم الإحصاء $Z$ والقيم الاحتمالية المصححة بحسب بونفيروني بدقة وشفافية.

المراجع

  • Ancoli‐Israel, S., Cole, R. J., Alessi, C., Chambers, M. J., Moorcroft, W. H., & Pollak, C. P. (2003). The Role of Actigraphy in the Study of Sleep and Circadian Rhythms. SLEEP. https://doi.org/10.1093/sleep/26.3.342
  • Ato, M., López García, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación en psicología. Anales de Psicología. https://doi.org/10.6018/analesps.29.3.178511
  • Bolger, N. P., & Schilling, E. A. (1991). Personality and the Problems of Everyday Life: The Role of Neuroticism In Exposure and Reactivity to Daily Stressors. Journal of Personality. https://doi.org/10.1111/j.1467-6494.1991.tb00253.x
  • Conway, A. R. A., Kane, M. J., Bunting, M. F., Hambrick, D. Z., Wilhelm, O., & Engle, R. W. (2005). Working memory span tasks: A methodological review and user’s guide. Psychonomic Bulletin & Review. https://doi.org/10.3758/bf03196772
  • Hartshorne, J. K., Tenenbaum, J. B., & Pinker, S. A. (2018). A critical period for second language acquisition: Evidence from 2/3 million English speakers. Cognition. https://doi.org/10.1016/j.cognition.2018.04.007
  • Jung-Beeman, M., Bowden, E. M., Haberman, J. M., Frymiare, J. L., Arambel-Liu, S., Greenblatt, R. E., et al. (2004). Neural Activity When People Solve Verbal Problems with Insight. PLoS Biology. https://doi.org/10.1371/journal.pbio.0020097
  • Mithoefer, M. C., Wagner, M. T., Mithoefer, A. T., Jerome, L., & Doblin, R. (2010). The safety and efficacy of ±3,4-methylenedioxymethamphetamine-assisted psychotherapy in subjects with chronic, treatment-resistant posttraumatic stress disorder: the first randomized controlled pilot study. Journal of Psychopharmacology. https://doi.org/10.1177/0269881110378371
  • Roseman, L., Nutt, D., & Carhart-Harris, R. L. (2018). Quality of Acute Psychedelic Experience Predicts Therapeutic Efficacy of Psilocybin for Treatment-Resistant Depression. Frontiers in Pharmacology. https://doi.org/10.3389/fphar.2017.00974
  • Zeidan, F. Z., Martucci, K. T., Kraft, R., Gordon, N. S., McHaffie, J. G., & Coghill, R. C. (2011). Brain Mechanisms Supporting the Modulation of Pain by Mindfulness Meditation. Journal of Neuroscience. https://doi.org/10.1523/jneurosci.5791-10.2011

تقييم هذا المحتوى

كن أول من يقيّم هذا المحتوى

عن الكاتب: Mohammed looti

أكاديمي وباحث متخصص في علم النفس التربوي، وعضو هيئة التدريس في جامعة كربلاء. يحمل درجة الدكتوراه في تخصصه، وتتمحور اهتماماته البحثية حول علم النفس الإيجابي، وتطوير المقاييس النفسية، والتنظيم الانفعالي المعرفي. يتميز الدكتور لوتي بطرحه البحثي المعاصر؛ حيث يركز على دراسة التأثيرات النفسية للتكنولوجيا الحديثة والذكاء الاصطناعي على الصحة العقلية وتكوين الهوية لدى الشباب. كما تمتد إسهاماته العلمية لتشمل دراسة ديناميكيات التواصل الأسري ودورها في بناء الكفاءة الذاتية والمهارات القيادية، بالإضافة إلى أبحاثه حول برامج "اليقظة العقلية" والتعافي النفسي، مما يجعله من الباحثين الفاعلين في إثراء ميدان علم النفس التربوي والتطبيقي.

اقتباس هذا المقال

looti, M. (2026, نوفمبر 16). اختبار فريدمان مقابل تحليل التباين للقياسات المتكررة. عرب سايكلوجي. https://arabpsychology.com/comparisons/friedman-test-vs-repeated-measures-anova/
looti, Mohammed. “اختبار فريدمان مقابل تحليل التباين للقياسات المتكررة.” عرب سايكلوجي, 16 نوفمبر 2026, https://arabpsychology.com/comparisons/friedman-test-vs-repeated-measures-anova/.
looti, Mohammed. “اختبار فريدمان مقابل تحليل التباين للقياسات المتكررة.” عرب سايكلوجي. نوفمبر 16, 2026. https://arabpsychology.com/comparisons/friedman-test-vs-repeated-measures-anova/.