تصحيح غرينهاوس-غايسر مقابل تصحيح هونه-فيلدت
تمت المراجعة العلمية · د. مروة عبد العظيم · 16 نوفمبر، 2026
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).
تُعد تصاميم القياسات المتكررة (Repeated Measures Designs) والتصاميم داخل المجموعات (Within-Subjects Designs) من أكثر المنهجيات التجريبية وشبه التجريبية شيوعاً في مجالات العلوم السلوكية، وعلم النفس، والطب السريري، والعلوم العصبية، والعلوم التربوية. تتيح هذه النماذج للباحثين قياس المتغير التابع نفسه لدى أفراد العينة ذاتهم عبر نقاط زمنية متعددة، أو تحت شروط تجريبية وظروف علاجية مختلفة. تكمن الفائدة الجوهرية لهذه التصاميم في قدرتها الفائقة على عزل التباين الفردي الداخلي (Inter-individual variability)، مما يؤدي إلى تقليص تباين الخطأ العشوائي وزيادة القوة الإحصائية (Statistical Power) لاكتشاف الفروق الحقيقية بمجموعات عينات أصغر حجماً مقارنة بالتصاميم المستقلة بين المجموعات (Between-Subjects Designs).
ومع ذلك، تفرض هذه المزايا المنهجية ضريبة إحصائية صارمة تتعلق بالبنية الرياضية لمصفوفة التباين والتغاير (Variance-Covariance Matrix) للأخطاء العشوائية. فبينما يفترض تحليل التباين الأحادي الكلاسيكي (ANOVA) استقلال المشاهدات وتجانس التباين، يتطلب نموذج القياسات المتكررة استيفاء شرط إحصائي أكثر تعقيداً يُعرف باسم “افتراض الكروية” (Sphericity Assumption). عند حدوث أي خرق أو انتهاك لهذا الافتراض—وهو أمر حتمي الحدوث تقريباً في البيانات الميدانية والتطبيقية—تنهار الخصائص التوزيعية لاختبار $F$ القياسي، مما يؤدي إلى تضخيم كارثي في معدل الخطأ من النوع الأول (Type I Error Rate)، حيث يميل الاختبار إلى رفض الفرضية الصفرية واكتشاف تأثيرات غير حقيقية.
لمعالجة هذه المعضلة الرياضية، برزت في الأدبيات القياسية طريقتان رائدتان لتصحيح درجات الحرية دون المساس بقيمة الإحصاء $F$ المحسوب نفسه: تصحيح غرينهاوس-غايسر (Greenhouse-Geisser Correction) الذي أُرسيت دعائمه في أواخر خمسينيات القرن الماضي، وتصحيح هونه-فيلدت (Huynh-Feldt Correction) الذي قُدّم لاحقاً كبديل أقل تحفظاً. يهدف هذا الدليل الأكاديمي الشامل إلى تقديم تفكيك مفاهيمي ونظري ورياضي دقيق لكلا التصحيحين، مستعرضاً الجذور التوزيعية للكروية، وميكانيكية اشتقاق معاملات إبسيلون، ومواطن التمايز المفصلية في القوة الإحصائية ومعدلات الخطأ، وصولاً إلى صياغة خوارزمية قرارية تطبيقية ترشد الباحث الإحصائي في كتابة تقاريره وفق المعايير الأكاديمية الرصينة لجمعية علم النفس الأمريكية (APA).
1. المقدمة: إشكالية افتراض الكروية في القياسات المتكررة والحاجة إلى التصحيح الإحصائي
1.1 مفهوم فرضية الكروية (Sphericity) وأهميتها في تحليل التباين للقياسات المتكررة
يُمثل افتراض الكروية، والذي يُعرف رياضياً في بعض السياقات المتقدمة بشرط هونه-فيلدت (Huynh-Feldt Condition)، الركيزة البنيوية التي يقوم عليها الاستدلال الإحصائي في تحليل التباين للقياسات المتكررة الأحادي المتغير (Univariate Repeated Measures ANOVA). يُعرّف هذا الافتراض بأن تباينات الفروق بين جميع الأزواج الممكنة من مستويات العامل الداخلي (Within-Subjects Factor) يجب أن تكون متساوية تماماً في المجتمع الإحصائي. فإذا كان لدينا عامل ذو $k$ من المستويات، وكان $X_i$ يمثل استجابة الفرد عند المستوى $i$، و$X_j$ يمثل استجابته عند المستوى $j$، فإن الكروية تشترط أن:
$$operatorname{Var}(X_i – X_j) = \sigma_i^2 + \sigma_j^2 – 2\sigma_{ij} = \text{Constant} \quad \forall ; i \neq j$$
حيث تمثل $\sigma_i^2$ و $\sigma_j^2$ تباين القياسات عند المستويين $i$ و $j$ على التوالي، بينما تمثل $\sigma_{ij}$ التغاير (Covariance) المشترك بين هذين المستويين. يُعد استيفاء هذه المعادلة الشرط الضروري والكافي (Necessary and Sufficient Condition) لكي يتبع إحصاء $F$ المحسوب لتأثير العامل الداخلي توزيع $F$ المركزي النظري بدرجات الحرية التامة $(k – 1)$ للبسط، و $(k – 1)(n – 1)$ للمقام، في ظل صحة الفرضية الصفرية، حيث $n$ يمثل حجم العينة.
من الضروري إحصائياً التمييز الحاسم بين مفهوم “الكروية” ومفهوم “التماثل المركب” (Compound Symmetry). يشترط التماثل المركب أمرين متزامنين: تجانس تباينات جميع المستويات على طول القطر الرئيسي لمصفوفة التباين والتغاير ($\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2 = \sigma^2$)، وتساوي جميع قيم التغاير خارج القطر الرئيسي ($\sigma_{ij} = \rho \sigma^2$ لجميع $i \neq j$). والواقع الرياضي هو أن التماثل المركب يُعد شرطاً كافياً (Sufficient Condition) لتحقيق الكروية، لكنه ليس شرطاً ضرورياً (Not a Necessary Condition)؛ فالكروية مفهوم أوسع وأكثر مرونة يسمح باختلاف التباينات الفردية بشرط أن تتغير قيم التغاير بطريقة تعويضية متناغمة تضمن بقاء تباين الفروق الزوجية ثابتاً عبر جميع التوليفات.
عندما ينتهك هذا الافتراض، تصبح مصفوفة التباين والتغاير غير متوازنة، مما يؤدي إلى خلل جوهري في توزيع المعاينة لإحصاء $F$. في هذه الحالة، تفقد درجات الحرية الاسمية (Nominal Degrees of Freedom) دقتها، ويصبح التوزيع الحقيقي لإحصاء $F$ ذا ذيول أثقل (Heavier Tails) مقارنة بالتوزيع النظري المفترض. يترتب على ذلك انخفاض القيمة الحرجة الحقيقية لرفض الفرضية الصفرية مقارنة بما هو متوقع، مما يؤدي إلى تضخيم زائف لمعدل الخطأ من النوع الأول (Type I Error Rate). فبدلاً من الحفاظ على مستوى المعنوية الاسمي المحدد سلفاً عند $\alpha = 0.05$، قد يرتفع المعدل الفعلي إلى $0.10$ أو حتى $0.15$ تبعاً لشدة الانتهاك، مما يعني أن الباحث سيخلص إلى وجود فروق جوهرية دالة إحصائياً بين المعالجات أو الفترات الزمنية في حين أنها ناتجة تماماً عن الصدفة وعيوب البنية الارتباطية للبيانات.
لتشخيص هذا الانتهاك، يعتمد الإحصائيون بصورة تقليدية على اختبار موتشلي للكروية (Mauchly’s Sphericity Test)، والذي يختبر الفرضية الصفرية القائلة بأن مصفوفة التباين والتغاير المستعرضة تلبي شرط الكروية مقابل الفرضية البديلة بعدم تلبيتها. ومع ذلك، يعاني اختبار موتشلي من حدود إحصائية وقصور منهجي موثق؛ إذ يتسم بحساسية مفرطة لأحجام العينات الكبيرة، حيث يميل إلى إعطاء نتائج دالة إحصائياً (مما يشير لانتهاك الكروية) حتى عندما يكون الانحراف طفيفاً للغاية ولا يؤثر عملياً على صحة اختبار $F$. وعلى العكس من ذلك تماماً، يفتقر الاختبار إلى القوة الإحصائية الكافية في العينات الصغيرة، عاجزاً عن اكتشاف الانتهاكات الخطيرة والجسيمة للكروية. فضلاً عن ذلك، يتأثر اختبار موتشلي بشدة بالانحراف عن التوزيع الطبيعي المتعدد (Multivariate Normality)، مما يجعله اختباراً غير موثوق به كأداة وحيدة لاتخاذ القرار الإحصائي.
1.2 دواعي المقارنة بين تصحيح غرينهاوس-غايسر وتصحيح هونه-فيلدت والخلط الشائع بينهما
إزاء القصور الإحصائي المتأصل في اختبار موتشلي وتكرار انتهاك افتراض الكروية في البيانات النفسية والبيولوجية الواقعية، استقر العرف المنهجي والرياضي على أن التعديل الحسابي المباشر لدرجات الحرية يمثل الإجراء الأكثر سلامة وموثوقية لضبط خطأ المعاينة. يتشارك كل من تصحيح غرينهاوس-غايسر وتصحيح هونه-فيلدت في هذه الغاية المحورية المشتركة؛ إذ لا يتدخل أي منهما في تغيير قيمة إحصاء $F$ المحسوب، أو في تعديل مجموع المربعات (Sum of Squares)، أو متوسط المربعات (Mean Squares). بل تنصب آلية التعديل كلياً على تقليص درجات الحرية في كل من البسط والمقام عن طريق ضربها في معامل تعديل يُرمز له بالرمز إبسيلون ($epsilon le 1.0$). يترتب على تقليص درجات الحرية رفع القيمة الحرجة المطلوبة لاختبار $F$ المقابل، وبالتالي زيادة القيمة الاحتمالية المحسوبة ($p$-value)، مما يحد بدقة من تضخم الخطأ من النوع الأول ويُعيد الاختبار إلى مساره النظري الصحيح.
بيد أن التباين الجوهري بين المنهجين يكمن في درجة التحفظ الرياضي (Mathematical Conservatism) المعتمدة لتقدير هذا المعامل ($epsilon$). يُعرف تصحيح غرينهاوس-غايسر بطبيعته الحذرة والمتحفظة للغاية، حيث يميل إلى تقليل قيمة إبسيلون بدرجة أكبر مما ينبغي في كثير من الحالات، مما يدفع أحياناً نحو الإفراط في تصغير درجات الحرية. هذا الإفراط يولد بدوره مشكلة إحصائية مقابلة تتمثل في انخفاض القوة الإحصائية (Statistical Power) وتزايد احتمالية الوقوع في الخطأ من النوع الثاني (Type II Error)، أي الفشل في اكتشاف التأثيرات والفروق التجريبية الحقيقية القائمة بالفعل. في المقابل، صُمم تصحيح هونه-فيلدت ليكون معدلاً ليبرالياً وأقل صرامة، بهدف تلافي التحفظ المفرط لغرينهاوس-غايسر، غير أن هذا التخفيف يفرض مخاطرة محتملة في حال استخدامه غير المنضبط، إذ قد يسمح بتسرب بعض تضخم الخطأ من النوع الأول إذا كانت العينات صغيرة والانتهاكات شديدة.
تخلق هذه الازدواجية ارتباكاً واسع النطاق بين الباحثين الممارسين ومحللي البيانات، لا سيما عند استعراض المخرجات الجاهزة للبرمجيات الإحصائية المتقدمة مثل SPSS و R (عبر حزم مثل afex أو ez) و SAS و JASP. ففي كثير من الأحيان، تعرض هذه الحزم البرمجية نتائج كلا التصحيحين في جدول واحد وتحت ذات العمود بجوار اختبار $F$ غير المعدل واختبار الحد الأدنى (Lower-Bound)، دون تقديم توجيه تلقائي يحسم القرار النهائي. هذا الخلط يدفع بعض الباحثين غير المتخصصين إلى تبني ممارسات غير رصينة، كاختيار التصحيح الذي يقدم قيمة احتمالية أصغر ($p < 0.05$) لإثبات فرضياتهم البحثية بأي ثمن، وهي ممارسة تخرق النزاهة العلمية وتُفقد التحليل مصداقيته المنهجية.
تتجلى أهمية التفرقة والترجيح بين التصحيحين عند دراسة التفاعل المشترك بين حجم عينة الدراسة ($n$)، وعدد مستويات عامل القياس المتكرر ($k$)، والشدة الفعلية لانتهاك الكروية مقاسة بالقيمة التقديرية لإبسيلون. إن الاختيار العقلاني بين غرينهاوس-غايسر وهونه-فيلدت ليس مجرد تفضيل شكلي أو ذوقي، بل هو قرار منهجي محوري يؤثر بصورة مباشرة على تفسير النتائج، وحجم التأثير المستخلص، وموثوقية الاستنتاجات العلمية؛ مما يجعل الفهم العميق لخصائص كل منهما التوزيعية ضرورة حتمية لكل باحث يسعى إلى تقديم استدلال إحصائي يتسم بالرصانة والصلابة.
2. نظرة متعمقة على تصحيح غرينهاوس-غايسر (Greenhouse-Geisser Correction)
2.1 الأساس الرياضي والنظري لمعامل إبسيلون غرينهاوس-غايسر (GG Epsilon)
تعود الجذور النظرية لتصحيح غرينهاوس-غايسر إلى الأوراق البحثية التأسيسية التي نشرها جورج بوكس (George E. P. Box) في عامي 1954؛ حيث أثبت بوكس رياضياً أن التوزيع التقريبي لإحصاء $F$ تحت ظروف عدم استيفاء التماثل المركب يتبع توزيع $F$ مع تعديل درجات الحرية بالمعامل الرياضي النظري $epsilon$. وفي عام 1959، نشر العالمان صمويل غرينهاوس (Samuel W. Greenhouse) وجيروم غايسر (Seymour Geisser) بحثهما الكلاسيكي الرائد في مجلة Psychometrika، والذي قدما فيه صيغة تقديرية تعتمد على مصفوفة التباين والتغاير المحسوبة من بيانات العينة لتقدير معامل بوكس المجهول في المجتمع.
يُعبر معامل إبسيلون غرينهاوس-غايسر ($\hat{\epsilon}_{GG}$) رياضياً عن درجة انحراف مصفوفة التباين والتغاير الفعلية للبيانات عن مصفوفة الكروية المثالية. يُحسب المعامل من خلال تحليل عناصر مصفوفة التباين والتغاير بين المستويات المختلفة للمتغير الداخلي، والتي يرمز لها بالرمز $S$. إذا كانت مصفوفة $S$ ذات بعد $(k \times k)$، وعناصرها الفردية هي $s_{ij}$، فإن صيغة حساب المعامل تتشكل وفق النمط الآتي:
$$\hat{\epsilon}_{GG} = \frac{k^2 (\bar{s}_{ii} – \bar{s}_{\cdot\cdot})^2}{(k – 1) \left( \sum_{i=1}^k \sum_{j=1}^k s_{ij}^2 – 2k \sum_{i=1}^k \bar{s}_{i\cdot}^2 + k^2 \bar{s}_{\cdot\cdot}^2 \right)}$$
حيث يمثل $\bar{s}_{ii}$ متوسط العناصر القطرية للمصفوفة (متوسط التباينات)، ويمثل $\bar{s}_{\cdot\cdot}$ المتوسط العام لجميع عناصر المصفوفة بلا استثناء، ويمثل $\bar{s}_{i\cdot}$ متوسط عناصر الصف رقم $i$ في المصفوفة. تكشف هذه الصياغة الحسابية الدقيقة أن المعامل يقيس التباين والتباعد بين التباينات الفردية وعلاقات التغاير مقارنة بنموذج التناغم الكروي المطلوب.
يتراوح النطاق العددي الحتمي لمعامل إبسيلون غرينهاوس-غايسر بين حد أدنى نظري وحد أقصى مطلق:
$$\frac{1}{k – 1} le \hat{\epsilon}_{GG} le 1.0$$
تتحقق القيمة العظمى ($\hat{\epsilon}_{GG} = 1.0$) عندما تستوفي البيانات شرط الكروية استيفاءً تاماً ومطلقاً، مما يعني عدم الحاجة إلى أي تعديل على درجات الحرية. في المقابل، يمثل الحد الأدنى $\frac{1}{k – 1}$ أسوأ حالة انتهاك ممكنة للفرضية، ويطلق عليه في البرمجيات الإحصائية “حد أدنى إبسيلون” (Lower-bound Epsilon). فمثلاً، إذا كان الباحث يدرس عاملاً داخلياً يتضمن $5$ قياسات متكررة ($k = 5$)، فإن الحد الأدنى الرياضي لقيمة إبسيلون غرينهاوس-غايسر سيكون $1 / (5 – 1) = 0.25$.
تتم ميكانيكية تعديل اختبار $F$ عبر ضرب المعامل المقدر $\hat{\epsilon}_{GG}$ مباشرة في كل من درجات حرية البسط ودرجات حرية المقام الأصلية. فإذا كانت درجات الحرية الاسمية للبسط هي $df_{\text{num}} = k – 1$ وللمقام هي $df_{\text{den}} = (k – 1)(n – 1)$، فإن درجات الحرية المعدلة تصبح:
$$df_{\text{num}}^* = \hat{\epsilon}_{GG} (k – 1)$$
$$df_{\text{den}}^* = \hat{\epsilon}_{GG} (k – 1)(n – 1)$$
ونتيجة لكون $\hat{\epsilon}_{GG} le 1.0$، فإن درجات الحرية المعدلة الناتجة تكون دائماً قيماً كسرية (عشرية) وأصغر من القيم الاسمية، مما يُغير التوزيع النظري المرجعي الذي تُستخرج منه القيمة الاحتمالية النهائية لاختبار $F$.
2.2 الخصائص الإحصائية وسلوك تصحيح غرينهاوس-غايسر
تتسم الخصائص التوزيعية لمعامل غرينهاوس-غايسر بطبيعة متحفظة منهجياً؛ حيث أظهرت دراسات المحاكاة الرياضية (Monte Carlo Simulations) المتعددة عبر العقود أن المعامل $\hat{\epsilon}_{GG}$ هو مقدر ذو تحيز سالب (Negatively Biased Estimator) للمعامل الحقيقي في المجتمع الإحصائي ($epsilon$). هذا يعني أن المعامل يميل في المتوسط إلى تقدير قيمة لإبسيلون تكون أصغر من القيمة الحقيقية للكروية الكامنة في البيانات، لا سيما عندما تكون مصفوفة المجتمع قريبة من استيفاء الكروية ($epsilon > 0.70$).
في حالات الانتهاك الشديد للكروية—أي عندما تكون الارتباطات بين القياسات المتكررة متباينة تبايناً حاداً وتكون قيمة إبسيلون قريبة من حدها الأدنى—يُظهر تصحيح غرينهاوس-غايسر أداءً فائق الجودة والصلابة؛ إذ ينجح ببراعة في كبح جماح تضخم الخطأ من النوع الأول وإعادته بدقة متناهية إلى حدود القيمة الاسمية المستهدفة ($\alpha = 0.05$). ومع ذلك، فإن هذا السلوك الإحصائي يرتبط ارتباطاً وثيقاً بحجم العينة ($n$). ففي أحجام العينات الصغيرة (على سبيل المثال، عندما يكون $n < 20$ وعدد المستويات $k ge 4$)، يشتد التحيز السالب للمعامل، مما يؤدي إلى تقليص حاد وجائر في درجات الحرية يتجاوز بكثير ما يتطلبه التصحيح الفعلي لمصفوفة التغاير.
تتجلى الميزة الجوهرية لسلوك هذا المعامل في أنه يوفر صمام أمان محكم ضد النتائج الإيجابية الزائفة. ففي سياقات البحوث التي يُشكل فيها إعلان نتيجة دالة كاذبة خطراً علمياً أو تطبيقياً بالغاً، يعمل تصحيح غرينهاوس-غايسر كحائط صد منيع؛ فمهما بلغت درجة خرق البيانات لافتراض الكروية، يضمن هذا التصحيح بقاء معدل الخطأ من النوع الأول تحت السيطرة الصارمة، مانحاً الباحث يقيناً إحصائياً بأن النتيجة الدالة التي تجتاز عتبة التعديل تمثل أثراً حقيقياً غير مشوب بعيوب التوزيع.
2.3 مزايا وعيوب تصحيح غرينهاوس-غايسر في البحوث التطبيقية
تتمثل الميزة الكبرى لتصحيح غرينهاوس-غايسر في كونه الخيار الأكثر أماناً وموثوقية في مختلف السيناريوهات البحثية المعقدة، وبخاصة في البيئات التي يتعذر فيها ضمان الاعتدال التوزيعي والتماثل التغايري المشترك. ولهذا السبب تحديداً، تعتمده كبرى المجلات العلمية المحكمة عالمياً والمؤسسات البحثية الطبية كمعيار ذهبي وتوجيه افتراضي إلزامي في تحليل القياسات المتكررة لتفادي الأخطاء الاستنتاجية.
ومع ذلك، تواجه هذه الطريقة عيباً كبيراً يتمثل في ميلها الواضح نحو ارتكاب الخطأ من النوع الثاني (Type II Error)، والمتمثل في فشل النموذج في رفض الفرضية الصفرية رغم كونها خاطئة في الواقع التجريبي. هذا الانخفاض في القوة الإحصائية يكون حاداً بصفة خاصة عندما يكون خرق الكروية خفيفاً أو معتدلاً، أي عندما تتراوح قيمة إبسيلون الحقيقية بين $0.75$ و $0.90$. في مثل هذه الحالات، يقوم غرينهاوس-غايسر بتخفيض درجات الحرية بشكل غير مبرر، مما يرفع القيمة الحرجة لإحصاء $F$ المحسوب، ويجعل القيمة الاحتمالية المقابلة تتجاوز حاجز الدلالة الإحصائية ($p > 0.05$). يؤدي هذا إلى إهدار جهود بحثية مضنية، واعتبار علاجات دوائية أو تدخلات سلوكية واعدة وكأنها معدومة الأثر، فقط بسبب الصرامة الرياضية الزائدة للتصحيح.
3. نظرة متعمقة على تصحيح هونه-فيلدت (Huynh-Feldt Correction)
3.1 الخلفية النظرية وصيغة التعديل لهونه-فيلدت (HF Epsilon)
في ضوء الملاحظات النقدية حول التحفظ المفرط لمقدر غرينهاوس-غايسر وانخفاض قوته الإحصائية في العينات الصغيرة والمعتدلة، نشر العالمان هوينه هونه (Huynh Huynh) وليونارد فيلدت (Leonard S. Feldt) عام 1976 دراستهما التأسيسية البارزة في مجلة Journal of Educational Statistics. هدفت هذه الدراسة إلى اشتقاق معامل تقديري جديد يكون غير متحيز تقريباً (Nearly Unbiased Estimator) لمعامل إبسيلون الحقيقي، مع الأخذ في الحسبان بشكل مباشر كل من حجم العينة ($n$) وعدد مستويات القياس المتكرر ($k$).
يُبنى معامل هونه-فيلدت ($\tilde{\epsilon}_{HF}$) بصورة مباشرة على ناتج تقدير غرينهاوس-غايسر، ثم يُدخل تصحيحاً جبرياً يعتمد على درجات الحرية لتقليل التحيز السالب الكامن فيه. تُصاغ المعادلة الرياضية لمعامل هونه-فيلدت على النحو التالي:
$$\tilde{\epsilon}_{HF} = \frac{n(k – 1)\hat{\epsilon}_{GG} – 2}{(k – 1) \left[ (n – 1) – (k – 1)\hat{\epsilon}_{GG} \right]}$$
من الفحص المتعمق لهذه الصيغة الرياضية، يتضح بجلاء كيف يلعب حجم العينة ($n$) دوراً تعديلياً حاسماً في البسط والمقام؛ فعندما يزداد حجم العينة إلى مستويات كبيرة جداً، يقترب المقدار التعديلي من التلاشي التدريجي، وتتقارب قيمة إبسيلون هونه-فيلدت بشدة مع قيمة غرينهاوس-غايسر. أما في العينات المعتدلة والصغيرة، فإن الصيغة تعمل كأداة رافعة تعوض التخفيض المفرط في $\hat{\epsilon}_{GG}$، مما ينتج عنه قيمة إبسيلون أعلى وأقرب إلى الواقع الموضوعي لبيانات العينة.
تولد هذه الصياغة الرياضية ظاهرة شائعة تثير استغراب العديد من الباحثين: إمكانية تجاوز قيمة معامل هونه-فيلدت للواحد الصحيح رياضياً ($\tilde{\epsilon}_{HF} > 1.0$). يرجع التفسير الإحصائي لهذه الظاهرة إلى أن $\tilde{\epsilon}_{HF}$ هو مقدر غير متحيز لمعلمة مجتمعية حدها الأقصى هو $1.0$؛ ونظراً لوجود خطأ المعاينة الطبيعي (Sampling Error)، فإن التقدير غير المتحيز لمعلمة تقع عند الحد الأقصى للنطاق سيؤدي رياضياً بالضرورة إلى وقوع بعض التقديرات المحسوبة فوق هذا الحد في نصف الحالات تقريباً عندما تكون الكروية مستوفاة في المجتمع. ولمعالجة هذه المفارقة الإجرائية، تُطبق جميع البرمجيات الإحصائية المعتمدة (مثل SPSS و R) آلية القطع القسري (Truncation)، حيث يتم ضبط أي قيمة تتجاوز الواحد لتصبح مساوية للواحد الصحيح تماماً ($\tilde{\epsilon}_{HF} = 1.0$)؛ إذ ليس من المنطقي رياضياً أو توزيعياً تضخيم درجات الحرية الأصلية للنموذج إلى قيم أعلى من درجات الحرية الاسمية غير المعدلة.
3.2 السلوك الإحصائي وخصائص توزيع تصحيح هونه-فيلدت
يتميز تصحيح هونه-فيلدت بسلوك إحصائي أقل تحفظاً، ويصنفه علماء الإحصاء التطبيقي ضمن فئة الاختبارات الليبرالية المعتدلة مقارنة ببديله الصارم. يُظهر هذا المعامل كفاءة توزيعية استثنائية عندما يكون الانتهاك الواقع على فرضية الكروية خفيفاً أو متوسطاً، وتحديداً عندما تكون قيمة إبسيلون المجتمع أعلى من $0.75$. في هذه البيئة الإحصائية، ينجح هونه-فيلدت في تعديل درجات الحرية بدقة عادلة تحافظ على ثبات معدل الخطأ من النوع الأول عند مستوى $0.05$ الاسمي دون التضحية بالقوة الإحصائية للتحليل.
تنبع القوة الاستدلالية لتصحيح هونه-فيلدت من قدرته الفائقة على الحفاظ على حساسية اختبار $F$ في التقاط الفروق والتباينات ذات الدلالة العملية، مما يقلص بصورة ملحوظة من معدلات الخطأ من النوع الثاني. ومع ذلك، فإن هذه الليبرالية المحمودة في الانتهاكات الخفيفة قد تتحول إلى نقطة ضعف في ظروف معينة؛ فإذا كانت البيانات تعاني من انتهاك حاد وعنيف للكروية ($epsilon < 0.60$) مقترناً بحجم عينة صغير، يميل تصحيح هونه-فيلدت إلى المغالاة في تقدير درجات الحرية، مما يسمح بارتفاع طفيف في معدل الخطأ من النوع الأول ليتجاوز القيمة الاسمية (ليصل أحياناً إلى$0.06$ أو $0.07$)، وهو ما يستدعي توخي الحذر الشديد عند اعتماده في بيئات القياس الحساسة.
3.3 مزايا وعيوب تصحيح هونه-فيلدت في التحليل الإحصائي
تتمثل الميزة الاستراتيجية لتصحيح هونه-فيلدت في تحسين القوة الإحصائية ورفع كفاءة الاستدلال التجريبي، وتحديداً في حقول العلوم التربوية والسلوكية والاجتماعية التي تتسم بتأثيرات علاجية متوسطة وموارد محدودة تمنع جمع عينات ضخمة. إن استخدامه يمنع رفض النتائج الواعدة ظلماً ويقلل من الهدر المعرفي الناتج عن الإفراط في التحفظ الإحصائي.
أما على صعيد العيوب، فإن نقطة الضعف الأساسية تكمن في هشاشته النسبية أمام الانتهاكات المتطرفة لفرضية الكروية، حيث يفقد قدرته الوقائية الكاملة ضد تضخم الخطأ الإيجابي الكاذب. يضاف إلى ذلك تعقيد التفسير الإجرائي الذي يواجهه الباحثون المبتدئون عند ظهور قيمة إبسيلون تفوق الواحد الصحيح في المخرجات؛ الأمر الذي يثير ارتباكاً حول كيفية توثيق النتيجة، وما إذا كان ينبغي كتابة القيمة الناتجة عن المعادلة أم القيمة المقصوصة عند الواحد الصحيح وفق قواعد النشر المعتمدة.
4. أوجه الاختلاف الجوهرية بين تصحيح غرينهاوس-غايسر وهونه-فيلدت
4.1 المقارنة من حيث الميكانيكية الحسابية ومعادلات التقدير
تتمركز الفروق الحسابية بين التصحيحين في الفلسفة الجبرية المشتق منها كل معامل وكيفية معالجتها لعناصر مصفوفة التغاير. يعتمد معامل غرينهاوس-غايسر $\hat{\epsilon}_{GG}$ كلياً على مصفوفة التباين والتغاير المحسوبة من العينة كما هي، دون دمج حجم العينة كعنصر مستقل في بنية معادلة التقدير، معاملاً مصفوفة العينة كممثل مباشر لمصفوفة المجتمع. ينتج عن هذا التوجه الرياضي معامل يتصف بالتحيز الإحصائي السلبي المستمر، لكنه يحمل ميزة استقرار المدى، حيث يستحيل رياضياً أن تتجاوز قيمته الواحد الصحيح، وتبقى دائماً محصورة بدقة بين $\frac{1}{k-1}$ و $1.0$.
في المقابل، يتعامل تصحيح هونه-فيلدت $\tilde{\epsilon}_{HF}$ مع معامل غرينهاوس-غايسر كنقطة انطلاق أولية غير مكتملة، ويُخضعها لمعالجة استدراكية تعتمد اعتماداً صريحاً على حجم العينة $n$ ودرجات الحرية الكلية للنموذج. تهدف هذه المعالجة إلى تعويض أثر خطأ المعاينة الصغير الذي يُضخم الانحرافات الظاهرية عن الكروية في العينات المحدودة. هذا الإجراء يمنح هونه-فيلدت صفة المقدر غير المتحيز تقريباً، ولكنه في الوقت ذاته ينزع عنه الانغلاق الرياضي التام، مما يفتح المجال لتجاوز عتبة الواحد ويتطلب تدخلاً برمجياً لإعادة تقييده حدودياً.
4.2 الفروق في القوة الإحصائية ومعدلات الخطأ (Type I vs Type II Errors)
تخضع المفاضلة بين التصحيحين للمعادلة المنهجية الخالدة في الاستدلال الإحصائي: المقايضة الحتمية بين الخطأ من النوع الأول والخطأ من النوع الثاني (Trade-off between Type I and Type II Errors). يقف تصحيح غرينهاوس-غايسر في أقصى اليمين المتحفظ؛ أولويته المطلقة هي حماية الفرضية الصفرية من الرفض الخاطئ. في ظل انتهاكات متباينة الشدة، يضمن غرينهاوس-غايسر أن معدل الخطأ من النوع الأول لن يتخطى $0.05$ بأي حال من الأحوال، ولكنه يدفع ثمن ذلك باهظاً من القوة الإحصائية، مما يجعل معدل الخطأ من النوع الثاني لديه مرتفعاً نسبياً، خاصة مع أحجام التأثير الصغيرة إلى المعتدلة.
على الطرف المقابل، يمثل تصحيح هونه-فيلدت الخيار المتوازن الذي يولي القوة الإحصائية اهتماماً مكافئاً لأمان الاختبار. في حالات الانتهاك المعتدل للكروية، يحافظ هونه-فيلدت على معدل الخطأ من النوع الأول قريباً جداً من مستواه الاسمي، بينما يوفر قوة اختبارية تفوق قوة غرينهاوس-غايسر بنسب تتراوح عملياً بين $5%$ إلى $15%$ تبعاً لحجم العينة وتباين الفروق. هذا الفارق في القوة قد يشكل الحد الفاصل بين نجاح دراسة تجريبية مكلفة في إثبات فرضيتها أو الإخفاق في ذلك.
4.3 مقارنة السلوك تِبعاً لحجم العينة ودرجة انتهاك الكروية
يرتبط الأداء المفاضل بين النموذجين بعلاقة ديناميكية مشروطة بحجم العينة من جهة، والدرجة الحقيقية للانتهاك من جهة أخرى. في العينات الكبيرة ($n > 100$)، تتضاءل الفروق العملية بين التصحيحين إلى أدنى مستوياتها؛ حيث تؤدي زيادة العينة إلى تقريب تقديرات غرينهاوس-غايسر من قيمتها المجتمعية الحقيقية وتلاشي معامل التصحيح الخاص بهونه-فيلدت، لتتطابق النتائج والقيم الاحتمالية تقريباً في المخرجات.
تتفاقم التناقضات السلوكية بصورة حاسمة في العينات الصغيرة إلى المتوسطة ($10 le n le 40$). فإذا كان الانتهاك شديداً ($epsilon < 0.60$)، يكون سلوك غرينهاوس-غايسر هو الأرصن منهجياً، بينما قد يُظهر هونه-فيلدت تساهلاً غير مقبول يهدد مصداقية النتائج. أما إذا كان الانتهاك طفيفاً أو قريباً من الكروية التامة ($epsilon > 0.75$)، فإن استخدام غرينهاوس-غايسر يُعد هدراً إحصائياً غير مبرر، ويتفوق هونه-فيلدت كخيار متزن ومثالي للتحليل. يلخص الجدول المفصل التالي الأبعاد المحورية للمقارنة بين هذين الإجراءين التصحيحيين:
| وجه المقارنة | تصحيح غرينهاوس-غايسر (Greenhouse-Geisser) | تصحيح هونه-فيلدت (Huynh-Feldt) |
|---|---|---|
| سنة التطوير الأكاديمي | 1959 (صمويل غرينهاوس وجيروم غايسر) | 1976 (هوينه هونه وليونارد فيلدت) |
| المفهوم والتوجه الإحصائي | متحفظ وشديد الصرامة (Conservative) | معتدل ويميل نحو الليبرالية (Moderately Liberal) |
| طبيعة المقدر الرياضي | مقدر متحيز سالباً (يقلل من قيمة الكروية الحقيقية) | مقدر غير متحيز تقريباً (Nearly Unbiased) |
| إدراج حجم العينة في الصيغة | لا يدخل حجم العينة ($n$) مباشرة في حساب المعامل | يُعد حجم العينة ($n$) متغيراً حاسماً في معادلة التعديل |
| المدى العددي للقيم المحسوبة | محصور دائماً بين $\frac{1}{k-1}$ و $1.0$ | يمكن أن يتجاوز رياضياً $1.0$ (ويُقص قسرياً إلى $1.0$) |
| الحماية من الخطأ من النوع الأول | حماية قصوى وصارمة في جميع الظروف | حماية جيدة في الانتهاكات المعتدلة، وهشاشة طفيفة في الانتهاك الحاد |
| القوة الإحصائية (تفادي الخطأ من النوع الثاني) | أقل قوة؛ قد يفقد القدرة على اكتشاف تأثيرات حقيقية | أعلى قوة؛ يحافظ على حساسية عالية لاكتشاف الفروق |
| الأداء في الانتهاكات الشديدة ($epsilon < 0.75$) | الأداء المعياري الأمثل والمفضل عالمياً | غير مستحسن؛ قد يؤدي إلى نتائج إيجابية كاذبة |
| الأداء في الانتهاكات الخفيفة ($epsilon ge 0.75$) | مفرط في التحفظ ومجحف بحق الفروق الدالة | الخيار المثالي الموصى به لإنصاف البيانات |
| التطبيق الميداني النموذجي | التجارب الطبية والدوائية والسريرية الحساسة | البحوث التربوية والنفسية والعلوم السلوكية التطبيقية |
5. نقاط التشابه والتداخل بين التصحيحين
5.1 الأهداف والغايات المنهجية المشتركة
على الرغم من التباينات الفلسفية والحسابية بين المنهجين، إلا أنهما ينبثقان من إطار نظري موحد ويسعيان لتحقيق هدف إحصائي متطابق: إعادة التوازن الاستدلالي لاختبار تحليل التباين للقياسات المتكررة عند تصدع افتراض الكروية. يدرك كلا التصحيحين أن المشكلة الجوهرية لا تكمن في حساب التباين التجريبي أو في النسبة التباينية التي يعبر عنها إحصاء $F$، بل في تحديد شكل التوزيع الاحتمالي الذي يجب مقارنة هذا الإحصاء به.
وبناءً على هذا الإدراك المشترك، يعتمد كلاهما استراتيجية تعديل درجات الحرية عبر ضربها في المعامل التصحيحي المختزل، بدلاً من تعديل مجاميع المربعات أو اللجوء إلى اختبارات غير معلمية بديلة قد تتسم بالضعف وفقدان المعلومات. تهدف هذه الآلية المشتركة إلى تصحيح اتساع ذيول التوزيع ومنع الانخفاض غير العادل للقيم الاحتمالية، مع الحفاظ على المنطق التحليلي الكلاسيكي لنموذج التباين الأحادي وما يرتبط به من سهولة في حساب أحجام التأثير مثل إيتا التربيعية الجزئية ($\eta_p^2$).
بالإضافة إلى ذلك، يرتبط كلا التصحيحين وظيفياً باختبار موتشلي للكروية؛ فعندما يفرز اختبار موتشلي دلالة إحصائية تشير إلى خرق الافتراض ($p < 0.05$)، يبرز كلا التصحيحين كحلول فورية ومباشرة جاهزة للتطبيق. وحتى في السيناريوهات التي يتجاهل فيها الباحثون اختبار موتشلي نظراً لقيوده المعروفة ويفضلون تطبيق التصحيح الوقائي التلقائي، يظل هذان المعاملان هما الخيارين المتاحين دائماً لموازنة كفة النموذج.
5.2 التوافق في سياقات التطبيق والبرمجيات الإحصائية
يتجلى التوافق العملي بين غرينهاوس-غايسر وهونه-فيلدت في توفرهما المتزامن والمتجاور في كافة الحزم البرمجية الإحصائية المعتمدة على مستوى العالم. فعند إجراء تحليل القياسات المتكررة في برمجية SPSS، على سبيل المثال، يولد البرنامج جدولاً موحداً بعنوان “اختبارات التأثيرات داخل الأفراد” (Tests of Within-Subjects Effects)، متضمناً أربعة صفوف ثابتة لكل أثر: الفرضية الكروية المفترضة (Sphericity Assumed)، وتصحيح غرينهاوس-غايسر، وتصحيح هونه-فيلدت، وتصحيح الحد الأدنى (Lower-bound). ينطبق هذا التجاور أيضاً على مخرجات بيئة التحليل الإحصائي R وحزمها المتخصصة مثل حزمة car عبر الدالة Anova() وحزمة afex عبر الدالة aov_ez()، وكذلك في برنامج JASP وبرنامج SAS من خلال الإجراء PROC GLM والتعليمة REPEATED.
يشترط كلا التصحيحين شروطاً بنائية وتصميمية متماثلة؛ إذ لا يمكن حسابهما أو تفعيلهما إحصائياً إلا إذا كان عامل القياسات المتكررة يشتمل على ثلاثة مستويات على الأقل ($k ge 3$). ففي حالة التصاميم ذات المستويين فقط ($k = 2$)—مثل القياس القبلي والبعدي البسيط—يكون هناك فرق زوجي وحيد فقط ($X_1 – X_2$)، وبالتالي يتوفر تباين وحيد فقط لهذا الفرق، مما يجعل افتراض الكروية مستوفى حتماً بحكم التعريف الرياضي؛ حيث تصبح قيمة إبسيلون في هذه الحالة مساوية للواحد الصحيح رياضياً ($1.0$) دون أي مجال للخرق.
علاوة على ذلك، يتقارب التصحيحان تقارباً شبه تام في نتائجهما العددية وقيمهما الاحتمالية في حالتين رئيسيتين: الأولى عندما يقترب المجتمع قيد الدراسة من الكروية التامة فتسجل كلتا القيمتين مستويات تفوق $0.90$، والثانية عندما تتسع أحجام العينات بشكل استثنائي في الدراسات المسحية واسعة النطاق؛ حيث تتلاشى الفجوة التحيزية بين المقدرين ويصبح التباين بين قراراتهما الإحصائية شبه معدوم.
6. إرشادات عملية: متى يُستخدم كل تصحيح ومعايير الاختيار الأكاديمي
6.1 قاعدة قرار غاسلمان وكولتون (Girden’s Rule of Thumb)
نظراً لحالة الحيرة المنهجية التي تنشأ عند استعراض النتائج المتزامنة في المخرجات، صاغت الباحثة إيلين جيردن (Ellen R. Girden) في كتابها المرجعي الكلاسيكي الصادر عام 1992 بعنوان ANOVA: Repeated Measures قاعدة قرار منهجية معيارية استقرت كواحدة من أكثر القواعد استشهاداً واعتماداً في الأدبيات الإحصائية التطبيقية لحسم الاختيار بين غرينهاوس-غايسر وهونه-فيلدت.
تنص قاعدة جيردن الاسترشادية على فحص القيمة التقديرية لمعامل إبسيلون غرينهاوس-غايسر ($\hat{\epsilon}_{GG}$) كخطوة أولى لاتخاذ القرار:
- إذا كانت قيمة $hat{epsilon}_{GG} < 0.75$: يُلزم الباحث باعتماد تصحيح غرينهاوس-غايسر حصراً وتجاهل تصحيح هونه-فيلدت؛ والمسوغ الإحصائي لذلك هو أن انخفاض القيمة إلى ما دون هذه العتبة يشير إلى خرق حاد وجسيم لافتراض الكروية، وهي المنطقة التي يفقد فيها تصحيح هونه-فيلدت دقته التوزيعية ويميل إلى تضخيم الخطأ من النوع الأول، بينما يوفر غرينهاوس-غايسر الحماية الحسابية المطلوبة لضبط الاستدلال.
- إذا كانت قيمة $\hat{\epsilon}_{GG} ge 0.75$: يُنصح الباحث بشدة باعتماد تصحيح هونه-فيلدت؛ والمسوغ المنهجي هنا هو أن انتهاك الكروية في هذا النطاق يُعد طفيفاً إلى معتدل، مما يجعل التحفظ المفرط لغرينهاوس-غايسر خطراً يهدد القوة الإحصائية للدراسة، في حين يقدم هونه-فيلدت تقديراً غير متحيز يتيح درجات حرية أدق تحافظ على حساسية الاختبار لاكتشاف الفروق الحقيقية.
في الحالات الحدية الدقيقة—أي عندما تستقر قيمة إبسيلون في جوار العتبة الحرجة مباشرة (مثلاً $\hat{\epsilon}_{GG} = 0.74$ أو $0.76$)—ينبغي على الباحث ألا يكتفي بالقاعدة الرقمية المجردة بصورة عمياء، بل يتعين عليه دراسة حساسية النموذج، وفحص مدى اتساق قرارات الدلالة عبر التصحيحين، وتضمين فحص بصري لمصفوفة الفروق التباينية لترجيح الخيار الأكثر أماناً وموثوقية.
6.2 تأثير حجم العينة وطبيعة الحقل البحثي على القرار
لا ينفصل الاختيار بين التصحيحين عن السياق الميداني للبحث والرهانات المترتبة على نتائجه؛ إذ يلعب التخصص العلمي دوراً جوهرياً في توجيه الفلسفة التحليلية. في مجالات الأبحاث الطبية، وعلم الصيدلة، والتجارب السريرية للأدوية الحديثة، تكون الأولوية القصوى هي تجنب الخطأ من النوع الأول بأي ثمن؛ فإقرار عقار طبي غير فعال بناءً على نتيجة إيجابية كاذبة قد يترتب عليه مخاطر صحية مباشرة على حياة المرضى وهدر مليارات الدولارات في خطوط إنتاج غير مجدية. في مثل هذه البيئات الحساسة، يفرض الباحثون والجهات التنظيمية (مثل هيئة الغذاء والدواء الأمريكية FDA) تبني النهج الأكثر تحفظاً على الدوام، وهو تصحيح غرينهاوس-غايسر، بغض النظر عن قيمة المعامل.
على النقيض من ذلك، في مجالات العلوم التربوية، والتطوير المؤسسي، وعلم النفس الإرشادي، قد تكون تكلفة الخطأ من النوع الثاني هي الأشد ضرراً؛ فإسقاط برنامج تدريبي أو تربوي واعد لمجرد أن التحليل كان مفرطاً في التحفظ يحرم المنظومة التعليمية من فرص تطوير جوهرية. في هذه السياقات، يبرز تصحيح هونه-فيلدت كخيار مفضل لتعزيز القوة الإحصائية، شريطة ألا يكون الانتهاك مفرطاً في شدته.
ومع ذلك، تبرز محاذير إحصائية صارمة تتعلق بأحجام العينات؛ ففي الحالات التي يكون فيها حجم العينة صغيراً جداً، وتحديداً عندما يقل عدد أفراد العينة عن عدد مستويات القياس المتكرر مضافاً إليه واحد ($n < k + 1$)، تنهار الأسس الحسابية لاستقرار مصفوفة التغاير ويفقد معامل هونه-فيلدت ثباته التقديري. في مثل هذه العينات الميكروية، يصبح اللجوء إلى غرينهاوس-غايسر ضرورة حتمية لضمان عدم انهيار التوزيع النظري للنموذج، أو التفكير في التحول نحو النماذج الخطية المختلطة (Linear Mixed Models) كبديل متقدم وأكثر مرونة في التعامل مع هياكل التغاير المعقدة.
6.3 خطوات عملية لكتابة التقرير وتوثيق النتائج وفق أسلوب APA
يتطلب التوثيق الأكاديمي الرصين للبيانات وفق الدليل الأخير لجمعية علم النفس الأمريكية (APA 7th Edition) اتباع بروتوكول صارم وشفاف ينقل للقارئ والمحكم بدقة كافة خطوات المعالجة الرياضية التي خضعت لها درجات الحرية. لا يجوز للباحث الاكتفاء بذكر قيمة $F$ والقيمة الاحتمالية فحسب، بل يتعين عليه اتباع الخطوات المنهجية التالية:
- أولاً: توثيق اختبار موتشلي: يجب البدء بذكر نتائج اختبار موتشلي للكروية بوضوح، موثقاً إحصاء موتشلي ($W$)، وقيمة الكاي-تربيع المقابلة ($\chi^2$)، ودرجات الحرية، والقيمة الاحتمالية الدقيقة ($p$-value)، مع إعلان ما إذا كان الافتراض قد استُوفي أم انتهك.
- ثانياً: تقديم قيم معاملات إبسيلون: يجب تقديم قيمة معامل غرينهاوس-غايسر ($\hat{\epsilon}$) ومعامل هونه-فيلدت بدقة، واستعراض المسوغ المنهجي لاختيار أحدهما (مثل الاستناد لقاعدة جيردن).
- ثالثاً: تدوين درجات الحرية المعدلة بأرقامها العشرية: نظراً لأن ضرب درجات الحرية في معامل إبسيلون ينتج عنه قيم كسرية، فإن أسلوب APA يوجب تدوين درجات حرية البسط والمقام المعدلة كأرقام عشرية مقربة لأقرب منزلتين (مثلاً: $F(1.68, 31.92)$ بدلاً من الأرقام الصحيحة الأصلية $F(2, 38)$).
- رابعاً: توثيق حجم التأثير ومستوى الثقة: يُستكمل التوثيق بكتابة قيمة إحصاء $F$ المحسوبة، والقيمة الاحتمالية الدقيقة، ومؤشر حجم التأثير المناسب مثل إيتا التربيعية الجزئية ($\eta_p^2$).
وفيما يلي نماذج تطبيقية ونصوص قياسية توضح كيفية صياغة هذه النتائج داخل متن التقارير والأوراق العلمية:
نموذج لتطبيق تصحيح غرينهاوس-غايسر (انتهاك شديد، $hat{epsilon} < 0.75$):
“أظهر اختبار موتشلي خرقاً دالاً إحصائياً لافتراض الكروية لمصفوفة التباين والتغاير، $W = 0.48$، $\chi^2(2) = 13.84$، $p = 0.001$. ونظراً لأن قيمة معامل إبسيلون غرينهاوس-غايسر كانت أقل من $0.75$ ($\hat{\epsilon} = 0.62$)، فقد تم استخدام تصحيح غرينهاوس-غايسر لتعديل درجات حرية اختبار التباين للقياسات المتكررة وفقاً لتوصيات الأدبيات المنهجية (Girden, 1992). كشفت النتائج عن وجود أثر جوهري ودال إحصائياً للوقت على مستويات القلق لدى المشاركين، $F(1.24, 23.56) = 8.45$، $p = 0.005$، $\eta_p^2 = 0.31$.”
نموذج لتطبيق تصحيح هونه-فيلدت (انتهاك طفيف، $\hat{\epsilon} ge 0.75$):
“أشارت نتائج اختبار موتشلي إلى انتهاك فرضية الكروية، $W = 0.81$، $\chi^2(5) = 11.22$، $p = 0.047$. وبناءً على قاعدة جيردن، ونظراً لأن معامل إبسيلون غرينهاوس-غايسر كان أعلى من عتبة $0.75$ ($\hat{\epsilon}_{GG} = 0.82$)، فقد تم اعتماد تصحيح هونه-فيلدت الأكثر توازناً في تعديل درجات الحرية ($\tilde{\epsilon}_{HF} = 0.89$). أظهر التحليل وجود فروق ذات دلالة إحصائية بين شروط التجربة المختلفة، $F(2.67, 50.73) = 4.12$، $p = 0.014$، $\eta_p^2 = 0.18$.”
7. الأسئلة الشائعة حول تصحيحي غرينهاوس-غايسر وهونه-فيلدت
7.1 هل يمكن الاعتماد دائماً على غرينهاوس-غايسر كخيار آمن في جميع الحالات؟
يميل كثير من الباحثين ومحللي البيانات، بدافع الرغبة في تبسيط الإجراءات وتفادي التعقيد التفسيري، إلى اتخاذ تصحيح غرينهاوس-غايسر كخيار افتراضي مطلق في جميع تحليلات القياسات المتكررة دون النظر إلى مخرجات اختبار الكروية أو قيمة المعامل المحسوب. هذا النهج، على الرغم من توفيره أماناً تاماً ضد النتائج الإيجابية الكاذبة وضمانه عدم الوقوع في الخطأ من النوع الأول، إلا أنه لا يمثل ممارسة إحصائية مثالية أو مستحبة في جميع السياقات البحثية.
يكمن الخطر الكامن في هذا التبني الأعمى في مشكلة التحفظ الزائد وما يترتب عليها من إهدار فادح في القوة الإحصائية للاختبار؛ فعندما تكون البيانات مستوفية لافتراض الكروية تماماً أو قريبة جداً من استيفائه ($epsilon > 0.85$)، يؤدي تطبيق غرينهاوس-غايسر إلى تقليص غير مبرر لدرجات الحرية. هذا التقليص المصطنع يؤدي إلى تضخيم القيمة الاحتمالية المرافقة لاختبار $F$، مما قد يترتب عليه رفض فروق حقيقية وتأثيرات تجريبية قائمة بالفعل في الواقع (الوقوع في الخطأ من النوع الثاني). ينعكس هذا سلباً على كفاءة البحوث ذات الموارد المحدودة أو التي تستهدف استكشاف تأثيرات علاجية دقيقة، حيث يؤدي التحفظ غير المدروس إلى استنتاج غياب الفعالية، في حين أن التأثير كان سيثبت دلالته الإحصائية بيسر وأمان لو تم استخدام تصحيح هونه-فيلدت أو الإبقاء على القيم غير المعدلة.
7.2 ماذا يعني ظهور قيمة إبسيلون هونه-فيلدت أكبر من الواحد الصحيح؟
تُعد رؤية قيمة إبسيلون هونه-فيلدت تتجاوز القيمة القصوى النظرية ($\tilde{\epsilon}_{HF} > 1.0$) في مخرجات التحليل واحدة من أكثر الظواهر التي تسبب حيرة للباحثين؛ إذ كيف يمكن لمعامل تصحيحي مصمم لتقليص درجات الحرية أن يتجاوز الواحد؟ الإجابة الإحصائية تكمن في طبيعة الاشتقاق الرياضي للمعامل؛ فمعامل هونه-فيلدت ليس مقياساً وصفياً مباشراً للبيانات مثل معامل غرينهاوس-غايسر، بل هو مقدر غير متحيز (Unbiased Estimator) لمعلمة المجتمع المجهولة $epsilon$.
وحيث إن المعلمة الحقيقية في المجتمع تستقر عند قيمتها القصوى ($1.0$) عندما تستوفي البيانات شرط الكروية استيفاءً تاماً، ونظراً لأن أي مقدر غير متحيز تتوزع قيم عينات العشوائية حول القيمة الحقيقية بتباين طبيعي ناتج عن خطأ المعاينة، فإنه من الحتمي رياضياً أن تقع بعض التقديرات العينية فوق مستوى الواحد الصحيح. وعندما تظهر هذه النتيجة، فإن التفسير المنهجي القاطع لها هو أن البيانات تستوفي فرضية الكروية بدرجة ممتازة وتامة، ولا توجد أي أدلة رياضية على خرق التماثل التغايري في مصفوفة المجتمع. تتعامل البرمجيات الإحصائية مع هذه الظاهرة تلقائياً من خلال تطبيق مبدأ القطع (Truncation) وإعادة ضبط المعامل ليصبح $1.0$ بدقة؛ مما يعني عملياً عدم إجراء أي تخفيض على درجات الحرية الاسمية، واعتماد درجات الحرية الكاملة للبسط والمقام واختبار $F$ الكلاسيكي غير المعدل.
7.3 متى يجب اللجوء إلى التحليل المتعدد المتغيرات (MANOVA) بدلاً من هذه التصحيحات؟
يمثل تحليل التباين المتعدد المتغيرات للقياسات المتكررة (Repeated Measures MANOVA) البديل المنهجي الأبرز للنهج الأحادي المعدل؛ إذ يتميز تحليل مانوفا بعدم اعتماده نهائياً على افتراض الكروية، ولا يتأثر إطلاقاً بتفاوت تباينات الفروق بين القياسات؛ نظراً لتعامله مع القياسات المتكررة كمتغيرات تابعة متعددة متمايزة، مع حساب مصفوفة التغاير وتحديد الأثر بناءً على اختبارات متعددة مثل أثر بيلائي (Pillai’s Trace) أو لامبدا ويلكس (Wilks’ Lambda).
تعتمد المفاضلة بين النهج الأحادي المعدل (Greenhouse-Geisser / Huynh-Feldt) ونهج التحليل المتعدد (MANOVA) على عاملين محوريين: حجم العينة، وشدة انتهاك الكروية:
- أفضلية التحليل الأحادي المعدل: يتفوق النهج الأحادي بقوة عندما يكون حجم العينة صغيراً إلى معتدل ($n < k + 10$)؛ حيث يعاني اختبار مانوفا في العينات المحدودة من ضعف شديد في القوة الإحصائية، ويستحيل حسابه برمجياً إذا كان حجم العينة أقل من عدد المستويات ($n < k$). في المقابل، تحافظ التصحيحات الأحادية (خاصة غرينهاوس-غايسر وهونه-فيلدت) على قوة اختبارية أعلى بكثير واستقرار حسابي متميز في العينات الصغيرة.
- أفضلية التحليل المتعدد (MANOVA): يتفوق نهج مانوفا عندما يتوفر للباحث حجم عينة كبير نسبياً ($n ge k + 20$) مقترناً بانتهاك حاد وعنيف لافتراض الكروية ($epsilon < 0.60$). في هذا السيناريو، تصبح قيود النموذج الأحادي خانقة، وتوفر اختبارات مانوفا قوة إحصائية متفوقة وقدرة أعلى على التقاط الفروق دون الحاجة إلى القلق بشأن درجات الحرية الكسرية أو التحيز السلبي للإبسيلون.
7.4 ما هو الإجراء المتبع إذا تعارضت دلالة F الإحصائية بين التصحيحين؟
في حالات نادرة ومحرجة منهجياً، قد يجد الباحث نفسه أمام تعارض مباشر بين مخرجات التصحيحين؛ كأن تكون النتيجة دالة إحصائياً وفق تصحيح هونه-فيلدت ($p = 0.043$)، في حين تفشل في تحقيق الدلالة الإحصائية وفق تصحيح غرينهاوس-غايسر الأكثر تحفظاً ($p = 0.061$). يضع هذا المأزق الباحث أمام اختبار حقيقي لأمانته الأكاديمية وصوابه المنهجي.
في مثل هذه الحالة، يُحظر تماماً الانتقاء العشوائي أو الانحياز للنتيجة الدالة رغبة في تسهيل النشر، بل يتعين اتباع بروتوكول تحليلي منهجي منظم:
- الاحتكام لقاعدة جيردن المعيارية: يُراجع الباحث قيمة $\hat{\epsilon}_{GG}$؛ فإذا كانت دون $0.75$، فإن القرار الرياضي يحتم اعتماد نتيجة غرينهاوس-غايسر واعتبار النتيجة غير دالة لحماية الفرضية الصفرية من التضخم الزائف. أما إذا كانت القيمة تتجاوز $0.75$، فيحق للباحث اعتماد نتيجة هونه-فيلدت وبناء استنتاجاته عليها بثقة.
- الشفافية الكاملة في التقرير: يُلزم الباحث في كتابة النتائج بالإفصاح الصريح عن كلا التصحيحين، وذكر القيمة الاحتمالية لكليهما، موضحاً بوضوح أن النتيجة تقف على التماس الحدي للدلالة، وأن حساسيتها مشروطة بمستوى التحفظ الإحصائي المعتمد.
- التركيز على حجم التأثير والدلالة العملية: يجب تحويل مسار التفسير من الجدل العقيم حول كسرية القيمة الاحتمالية حول عتبة $0.05$ المصطنعة إلى دراسة حجم التأثير الفعلي ($\eta_p^2$ أو Cohen’s $d$) وفترات الثقة المقابلة (Confidence Intervals)، وتقييم ما إذا كان هذا الفرق يحمل معنى تطبيقياً وسريرياً يستحق المناقشة بغض النظر عن هذا النزاع الحسابي الهامشي.
8. الخاتمة: خلاصات توجيهية لاختيار التصحيح الإحصائي الأمثل
8.1 ملخص الفلسفة التحليلية المفاضلة بين الأمان الإحصائي والقوة الاستدلالية
يمثل استعراض الفروق المنهجية والرياضية بين تصحيح غرينهاوس-غايسر وتصحيح هونه-فيلدت تجسيداً عملياً لطبيعة علم الإحصاء التطبيقي كعلم يعتمد على التوازن وإدارة المخاطر الاحتمالية وليس مجرد حسابات جافة. إن الاختيار بين هذين المنهجين ليس صراعاً بين نموذج “صحيح” وآخر “خاطئ”، بل هو مفاضلة واعية بين مدرستين استدلاليتين: مدرسة الأمان والتحفظ الصارم التي يتزعمها غرينهاوس-غايسر، والتي تضع تفادي الخطأ الإيجابي الكاذب فوق كل اعتبار؛ ومدرسة الكفاءة والقوة الاستدلالية التي يجسدها هونه-فيلدت، والتي تسعى لإنصاف العينات واستخراج أقصى حساسية ممكنة من البيانات لحماية الجهد البحثي من النتائج السلبية الزائفة.
تؤكد الأدبيات الإحصائية الحديثة أن الاستقرار المنهجي يقتضي التخلي عن العشوائية في قراءة الجداول البرمجية. إن الباحث المتمكن هو الذي ينظر إلى عناصر مصفوفة التباين والتغاير نظرة تفحصية عميقة، مدركاً أن الأرقام العشرية لمعاملات إبسيلون تحمل في طياتها دلالات جوهرية حول طبيعة الاتساق والارتباط بين القياسات المتكررة؛ مما يجعل اتخاذ القرار التحليلي مبنياً على أسس علمية صلبة تعزز من رصانة العمل الأكاديمي وقابليته للتكرار والتعميم.
8.2 توصيات نهائية للباحثين ومحللي البيانات الأكاديمية
في ضوء المراجعة الشاملة والدقيقة التي قدمها هذا المقال، نوجز للباحثين ومحللي البيانات الأكاديمية مجموعة من التوصيات الإرشادية الحاسمة لضمان سلامة التعامل مع تصاميم القياسات المتكررة:
- التشخيص الاستباقي للبيانات: لا تجعل تقييم افتراض الكروية خطوة روتينية شكلية في التحليل؛ احرص دائماً على فحص مصفوفات التباين والتغاير ومصفوفات الفروق الزوجية قبل تشغيل النموذج النهائي للوقوف على التماثل التوزيعي لبياناتك.
- التعامل النقدي مع اختبار موتشلي: تذكر دائماً أن اختبار موتشلي أداة ذات قصور بنيوي في العينات الصغيرة وحساسية مفرطة في العينات الكبيرة؛ لذا اجعل فحص معاملات إبسيلون ($epsilon$) هو البوصلة الحقيقية لحجم المشكلة في البيانات وليس فقط الدلالة الإحصائية لاختبار موتشلي.
- الالتزام بقاعدة القرار المعتمدة عالمياً: اجعل قاعدة جيردن المعيارية ($0.75$) ركيزتك التوجيهية في المفاضلة: اعتمد تصحيح غرينهاوس-غايسر حتماً إذا كانت $hat{epsilon}_{GG} < 0.75$ لضمان أمان النموذج، وتوجه بثقة نحو هونه-فيلدت إذا كانت $\hat{\epsilon}_{GG} ge 0.75$ لحماية القوة الإحصائية لدراستك.
- إعطاء الأولوية للسياق التخصصي: وازن بين قاعدة القرار الرقمية وطبيعة حقلك المعرفي ومخاطر النتائج الكاذبة؛ فالأبحاث الطبية والسريرية تميل دوماً لغرينهاوس-غايسر درءاً للمخاطر، بينما تتطلب العلوم التربوية والسلوكية مرونة هونه-فيلدت لاستكشاف الفروق الدقيقة.
- الالتزام بمعايير التوثيق والشفافية (APA 7th): وثق جميع مراحل التحليل الإحصائي بشفافية مطلقة؛ دون درجات الحرية المعدلة بأرقامها العشرية، واذكر قيم إبسيلون المحسوبة، وقدم التبرير المنهجي الكامل لاختيارك التصحيحي النهائي، مع التركيز على توثيق أحجام التأثير وفترات الثقة لتقديم صورة شمولية ورصينة تليق بمستوى النشر في المجلات العلمية الرائدة.
المراجع
Box, G. E. P. (1954). Some theorems on quadratic forms applied in the study of analysis of variance problems, II. Effects of inequality of variance and of correlation between errors in the two-way classification. The Annals of Mathematical Statistics, 25(3), 484–498. https://doi.org/10.1214/aoms/1177728717
Geisser, S., & Greenhouse, S. W. (1958). An extension of Box’s results on the use of the $F$ distribution in multivariate analysis. The Annals of Mathematical Statistics, 29(3), 885–891. https://doi.org/10.1214/aoms/1177706545
Girden, E. R. (1992). ANOVA: Repeated measures. SAGE Publications, Inc. https://doi.org/10.4135/9781412983419
Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
Huynh, H., & Feldt, L. S. (1970). Conditions under which mean square ratios in repeated measurements designs have exact F-distributions. Journal of the American Statistical Association, 65(332), 1582–1589. https://doi.org/10.1080/01621459.1970.10481187
Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69–82. https://doi.org/10.3102/10769986001001069
Mauchly, J. W. (1940). Significance test for sphericity of a normal $n$-variate distribution. The Annals of Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731909
Maxwell, S. E., & Delaney, H. D. (2004). Designing experiments and analyzing data: A model comparison perspective (2nd ed.). Lawrence Erlbaum Associates.