تجانس التباين مقابل الكروية في القياسات المتكررة
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).
يقف التحليل الإحصائي الاستدلالي في العلوم النفسية، والاجتماعية، والطبية الحيوية على أرضية صلبة من النماذج الرياضية الصارمة؛ حيث لا تمثل الأرقام مجرد قياسات كمية للمتغيرات، بل تعكس بنى احتمالية معقدة تخضع لقوانين التوزيعات النظرية. وضمن هذا الفضاء المنهجي، تبرز النماذج الخطية العامة (General Linear Models) وتصاميم تحليل التباين (Analysis of Variance) كأدوات قياسية لا غنى عنها لاختبار الفرضيات العلمية وتقدير الفروق بين المعالجات التجريبية. ومع ذلك، فإن القوة التفسيرية والاستدلالية لهذه الأدوات تظل مشروطة باستيفاء جملة من الافتراضات الرياضية التي تشكل صمام الأمان لمنع الانزلاق نحو استنتاجات مضللة قد تعصف بالصدق الداخلي والخارجي للبحوث.
ومن بين هذه الافتراضات المنهجية، يبرز مفهومان محوريان لطالما شكلا بؤرة للجدل والخلط المنهجي في الأدبيات البحثية: افتراض تجانس التباين (Homoscedasticity) وافتراض الكروية (Sphericity). ورغم أن كلا المفهومين يتناول استقرار التشتت الإحصائي للأخطاء العشوائية، إلا أنهما ينتميان إلى أطر هندسية ومصفوفية متباينة؛ فتجانس التباين يرتبط عضوياً بالمقارنات بين المجموعات المستقلة (Between-Subjects Designs) حيث يتم فحص ثبات تباين الأخطاء عبر مستويات تجريبية منفصلة تماماً، في حين تنبثق الكروية كضرورة رياضية متعددة المتغيرات تحكم تصاميم القياسات المتكررة وداخل الأفراد (Within-Subjects Designs)، مستهدفة تباينات الفروق الثنائية بين شروط المعالجة المتعاقبة.
إن الخلط بين هذين المفهومين ليس مجرد هفوة مصطلحية عابرة، بل هو خلل إبستيمولوجي ومنهجي تترتب عليه عواقب وخيمة؛ إذ يؤدي الفشل في التمييز بينهما أو إساءة تشخيصهما إلى تضخيم كارثي في معدلات الخطأ من النوع الأول (Type I Error Rate)، مما يدفع الباحثين إلى رفض فرضيات الصفر الحقيقية وإعلان اكتشافات زائفة. في هذا السياق، يسعى هذا المقال الموسع إلى تفكيك الأسس الرياضية والنظرية لكل من تجانس التباين والكروية، متتبعاً أصولهما التاريخية من أعمال موشلي (Mauchly) وبوكس (Box) وغرينهاوس وغايسر (Greenhouse & Geisser) وهيونه وفيلدت (Huynh & Feldt)، ومقدماً دليلاً تحليلياً متكاملاً يمكّن الباحثين من تشخيص هذه الافتراضات، ومعالجة انتهاكاتها، واختيار النماذج الإحصائية الأنسب بدقة متناهية.
1. المقدمة: مدخل مفاهيمي وإبستيمولوجي للافتراضات الإحصائية
1.1 التعريف بفرضي تجانس التباين والكروية
يمثل افتراض تجانس التباين (Homoscedasticity) ركيزة مركزية في النظرية الإحصائية الكلاسيكية للنماذج الخطية؛ ويقضي هذا الفرض بأن تباين الأخطاء العشوائية أو تباين البواقي (Residual Variance) يظل ثابتاً ومستقراً عبر جميع مستويات المتغير المستقل، أو عبر المجموعات التجريبية والضابطة قيد المقارنة. من منظور هندسي، يفترض تجانس التباين أن انتشار البيانات الفردية حول المتوسط الحسابي لكل مجموعة مستقلة يمتلك نفس الاتساع والتشتت، معبراً عنه رياضياً بتساوي التباينات المجتمعية:
$$\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2 = \sigma^2$$
ويعد هذا التساوي شرطاً لا غنى عنه في تحليل التباين الأحادي والثنائي للعينات المستقلة (Between-Subjects ANOVA)، حيث يُشتق تقدير الخطأ الموحد داخل المجموعات (Mean Square Error) من خلال دمج التباينات الفردية، وهو إجراء يفقد شرعيته الرياضية تماماً إذا كانت التباينات المجتمعية الحقيقية متباينة وغير متكافئة.
في المقابل، تظهر الكروية (Sphericity) كافتراض رياضي متعدد الأبعاد يرتبط حصرياً بتصاميم القياسات المتكررة (Repeated Measures ANOVA) وتصاميم داخل الأفراد (Within-Subjects Designs). لا تهتم الكروية بثبات التباين عند كل نقطة زمنية أو شرط تجريبي بمفرده بقدر ما تركز على الخصائص التوزيعية للفروق الزوجية. يُعرَّف افتراض الكروية بأنه شرط تساوي تباينات جميع الفروق الممكنة بين أزواج مستويات القياس المتكرر:
$$operatorname{Var}(X_i – X_j) = \sigma_i^2 + \sigma_j^2 – 2\sigma_{ij} = \text{constant} \quad \forall i \neq j$$
حيث تمثل $\sigma_i^2$ و$\sigma_j^2$ التباينات عند الشرطين $i$ و$j$ على التوالي، وتمثل $\sigma_{ij}$ التباين المشترك (Covariance) بين هذين المستويين.
يلعب كلا الفرضين دوراً حاسماً في إسناد التوزيع النظري لإحصاء الاختبار $F$. فلكي يتبع إحصاء $F$ توزيع فيشر المركزي (Central $F$-Distribution) تحت الفرضية الصفرية بدرجات حرية معيارية، يجب أن تكون المتغيرات التربيعية المشتقة من فروق المعالجات والخطأ مستقلة وتتبع توزيعات خي-تربيع (Chi-square distributions) متجانسة. إن غياب تجانس التباين في النماذج المستقلة، أو غياب الكروية في النماذج التكرارية، يُسقط الطبيعة الصارمة لتوزيع $F$، مما يجعله توزيعاً تقريبياً منحازاً يفتقر إلى الدقة الاستدلالية.
1.2 دوافع المقارنة وأسباب الخلط المنهجي الشائع
ينبع الخلط المنهجي الشائع بين تجانس التباين والكروية من عدة مصادر مفاهيمية وتقنية. أول هذه المصادر هو الترجمة والتعريب غير الدقيق في بعض الأدبيات الإحصائية؛ حيث يُشار أحياناً إلى الكروية بوصفها “تجانس تباين القياسات المتكررة”، وهو توصيف قاصر يُخفي الطبيعة التركيبية للكروية التي تدمج التباينات الذاتية بالتباينات المشتركة. ثانياً، يتولد الالتباس من حقيقة أن كلا الافتراضين يُعبر عنهما داخل إطار بنية مصفوفة التباين والتباين المشترك (Variance-Covariance Matrix)؛ ففي حين ينحصر تجانس التباين الكلاسيكي في ثبات القيم الواقعة على القطر الرئيسي للمصفوفة (التباينات الأحادية)، تتطلب الكروية نسقاً علائقياً توازيعياً يربط بين عناصر القطر الرئيسي والعناصر الواقعة خارج القطر (التغايرات الثنائية).
ويزداد هذا التعقيد حدة في التصاميم التجريبية المختلطة (Mixed Designs أو Split-Plot Factorial ANOVA)؛ وهي التصاميم التي تحتوي على عامل واحد على الأقل بين المجموعات (مستقل) وعامل واحد على الأقل داخل الأفراد (متكرر). في هذه النماذج الهجينة، يحتاج المحلل الإحصائي إلى استيفاء كلا الفرضين معاً وبشكل منفصل؛ تجانس التباين للمتغيرات بين المجموعات عبر مستويات التصنيف، والكروية للمتغيرات المتكررة عبر الأزمنة أو الشروط التجريبية المختلفة. إن العجز عن إدراك هذه الازدواجية البنيوية يدفع العديد من الباحثين إلى تطبيق اختبارات غير ملائمة، مثل تطبيق اختبار ليفين (Levene’s Test) لفحص استقرار المتغيرات عبر الزمن، أو الاعتماد على اختبار موشلي (Mauchly’s Test) لفحص الفروق بين مجموعات تجريبية منفصلة، وهو خطأ فادح يؤدي إلى نتائج مضللة وإهدار للجهد التجريبي.
1.3 أهمية التحقق من الافتراضات في حماية الصدق الإحصائي
ترتبط موثوقية الاستدلال العلمي ارتباطاً وثيقاً بمدى مطابقة البيانات للنماذج الرياضية المفترضة. في الدراسات السريرية والنفسية المعاصرة، مثل التجارب السريرية العشوائية التي تفحص فاعلية التدخلات العلاجية عبر نقاط زمنية متعددة، فإن أي إخلال بافتراضات النماذج الخطية يقود مباشرة إلى تآكل الصدق الإحصائي للنتائج. إن الخطر الأكبر الناجم عن انتهاك الكروية أو تجانس التباين يتمثل في تضخيم معدل الخطأ من النوع الأول ($\alpha$)؛ حيث تصبح القيمة الاحتمالية المحسوبة ($p$-value) أصغر بكثير من القيمة الحقيقية، مما يمنح الباحث ثقة زائفة في وجود فروق دالة إحصائياً تعود في واقع الأمر إلى بنية التغاير المشوهة وليس إلى المعالجة التجريبية المستقلة.
على الجانب الآخر، يبرز خطر فقدان القوة الإحصائية (Statistical Power)؛ إذ إن محاولة التكيف مع انتهاكات الافتراضات عبر استخدام اختبارات لامعلمية بديلة تفتقر إلى الكفاءة قد تحجب تأثيرات حقيقية وذات دلالة إكلينيكية بالغة، مما يؤدي إلى ارتكاب الخطأ من النوع الثاني ($\beta$). وقد أشارت دراسات سريرية مكثفة اعتمدت على القياسات المتكررة، مثل دراسة William Van Gordon et al. (2016) في تقييم برامج التدريب الذهني لمرضى الألم العضلي الليفي، وكذلك دراسة Jung‐Ick Byun et al. (2018) حول فاعلية المستخلصات الطبيعية في اضطرابات النوم عبر فترات زمنية متلاحقة، إلى أن الانضباط في فحص وتصحيح شروط التباين والكروية يمثل الشرط الجوهري لتأكيد موثوقية النتائج السريرية وضمان مطابقتها للمعايير الأكاديمية الصارمة.
2. تجانس التباين (Homoscedasticity): الأسس النظرية والتطبيقية
2.1 التعريف الرياضي وطبيعة افتراض تجانس التباين
يتأسس افتراض تجانس التباين على مبدأ تماثل دوال التوزيع الاحتمالي للخطأ العشوائي في ظل مختلف مستويات المعالجة. في النموذج الخطي الكلاسيكي المعبر عنه بالصيغة:
$$Y_{ij} = \mu + \alpha_j + \varepsilon_{ij}$$
حيث $Y_{ij}$ تمثل الملاحظة $i$ في المجموعة $j$، و$\mu$ هو المتوسط العام، و$\alpha_j$ هو أثر المعالجة للمجموعة $j$، و$\varepsilon_{ij}$ هو حد الخطأ العشوائي، يفترض النموذج أن حدود الخطأ موزعة توزيعاً طبيعياً مستقلاً بمتوسط صفري وتباين ثابت:
$$\varepsilon_{ij} \sim \text{NID}(0, \sigma^2)$$
هذا الثبات في $\sigma^2$ يعني أن التباين الشرطي للمتغير التابع في ظل أي قيمة معطاة للمتغير المستقل يظل متطابقاً دون تباين:
$$operatorname{Var}(Y mid X = x_1) = operatorname{Var}(Y mid X = x_2) = dots = operatorname{Var}(Y mid X = x_k) = \sigma^2$$
إن الطبيعة الرياضية لهذا الافتراض تفترض استقلالاً تاماً بين قيم البواقي والقيم التنبؤية المتوقعة ($\hat{Y}$)؛ فإذا ارتبط تشتت البواقي بحجم القيمة المقدرة (كأن يتزايد انتشار الأخطاء كلما كبرت قيم $Y$)، ينشأ ما يُعرف بعدم تجانس التباين (Heteroscedasticity). ينطبق هذا الافتراض بالدرجة الأولى على تصاميم العينات المستقلة وتحليل التباين الأحادي (One-Way ANOVA) ونماذج الانحدار الخطي البسيط والمتعدد، حيث تمثل كل وحدة تجريبية كياناً مستقلاً لا يشارك معلوماته التغايرية مع الوحدات الأخرى.
2.2 طرق التشخيص والاختبارات الإحصائية لتجانس التباين
لتشخيص مدى استيفاء فرض تجانس التباين، طوّر الإحصائيون حزمة من الاختبارات الاستدلالية والأدوات البصرية. يتصدر هذه الأدوات اختبار ليفين (Levene’s Test)، وهو الاختبار الأكثر شيوعاً نظراً لمرونته وقدرته النسبية على مقاومة الانحرافات الخفيفة عن التوزيع الطبيعي. يقوم اختبار ليفين الأصلي على إجراء تحليل تباين أحادي على الانحرافات المطلقة للمشاهدات عن متوسط مجموعاتها:
$$Z_{ij} = |Y_{ij} – \bar{Y}_{\cdot j}|$$
ولأن استخدام المتوسط الحسابي قد يتأثر بشدة بالقيم المتطرفة، اقترح براون وفورسيث (Brown & Forsyth) تعديلاً جوهرياً لاختبار ليفين يستبدل المتوسط بالوسيط ($Z_{ij} = |Y_{ij} – \tilde{Y}_{\cdot j}|$)، أو بالوسط المشذب (Trimmed Mean)، وهو ما يمنح الاختبار حصانة إحصائية عالية وقوة فائقة في مواجهة الالتواء والتفرطح.
من جهة أخرى، يبرز اختبار بارتليت (Bartlett’s Test) كأداة قوية للغاية مبنية على اختبار نسبة الإمكانية الأرجحية (Likelihood Ratio Test)، حيث يقارن اللوغاريتم الموزون لتباينات المجموعات بمتوسط التباين المشترك. ومع ذلك، فإن نقطة الضعف القاتلة في اختبار بارتليت تكمن في فرط حساسيته لانتهاك التوزيع الطبيعي؛ إذ يمكن أن يُعطي دلالة إحصائية كاذبة تشير إلى عدم تجانس التباين لمجرد أن التوزيع يعاني من تفرطح غير معياري، حتى وإن كانت التباينات متساوية تماماً.
إلى جانب الاختبارات الرقمية، يُعد الفحص البصري خطوة استكشافية لا غنى عنها؛ حيث يتم رسم البواقي المعيارية في مقابل القيم التنبؤية المقدرة (Scatter plots of standardized residuals vs. fitted values). يُشير النمط المتجانس إلى سحابة نقطية عشوائية موزعة بالتساوي ضمن نطاق شريطي متوازٍ، بينما يكشف المظهر المخروطي أو القمعي (Funnel-shaped pattern) بوضوح عن تصاعد التباين بتصاعد مستويات التنبؤ، وهو مؤشر قطعي على غياب التجانس.
2.3 تداعيات الانتهاك والحلول المنهجية
تتوقف خطورة انتهاك تجانس التباين على هيكل حجم العينات عبر المجموعات. ففي التصاميم المتوازنة ذات الأحجام المتساوية ($n_1 = n_2 = dots = n_k$)، يتميز اختبار $F$ في تحليل التباين بمتانة ملحوظة (Robustness) تقيه من الانحياز الحاد، شريطة ألا يتجاوز الفرق بين أكبر تباين وأصغر تباين نسبة 1:4 أو 1:3. ولكن الكارثة الإحصائية تقع عند اقتران عدم تجانس التباين بعدم توازن العينات (Unbalanced Designs). فإذا كانت العينات الكبيرة مقترنة بتباينات صغيرة، فإن الخطأ المعياري يتم تضخيمه بصورة زائفة مما يجعل اختبار $F$ مفرط التحفظ (Conservative)، وتنخفض القوة الإحصائية بصورة كارثية. أما إذا كانت العينات الأصغر حجماً تمتلك التباينات الأكبر، فإن مقام اختبار $F$ ينخفض بشدة، مما يرفع القيمة المحسوبة للاختبار بشكل مصطنع، ويؤدي إلى تضخم هائل في معدل الخطأ من النوع الأول، حيث تتجاوز قيمة الدلالة الاسمية ($\alpha = 0.05$) لتصل إلى 0.15 أو أكثر.
ولمعالجة هذه التداعيات، طُوّرت حلول منهجية رصينة؛ أولها تطبيق التحويلات الرياضية لتثبيت التباين (Variance-Stabilizing Transformations)، مثل التحويل اللوغاريتمي ($log(Y)$) في حالات البيانات ذات الالتواء الموجب، أو تحويل الجذر التربيعي ($\sqrt{Y}$) في بيانات العد والتكرار التي تتبع توزيع بواسون، أو تحويل بوكس-كوكس (Box-Cox Transformation) لتقدير المعلمة التحويلية الأمثل ($lambda$). ومع ذلك، يُفضل الإحصائيون المعاصرون تجنب التحويلات التي تشوه وحدات القياس الأصلية وصعوبة تفسير النتائج، واللجوء بدلاً من ذلك إلى الاختبارات البديلة القوية.
يأتي في مقدمة هذه البدائل اختبار ويلش لتحليل التباين (Welch’s ANOVA) واختبار براون-فورسيث؛ حيث يقوم اختبار ويلش بتعديل الأوزان المعطاة لكل مجموعة بالاعتماد على مقلوب تباينها الفردي، مع إجراء تعديل صارم على درجات الحرية في المقام لتعكس التفاوت التشتتي:
$$w_j = \frac{n_j}{s_j^2}, \quad F_{\text{Welch}} = \frac{\sum w_j (\bar{Y}_j – \bar{Y}’)^2 / (k – 1)}{1 + \frac{2(k – 2)}{k^2 – 1} \sum \frac{(1 – w_j / W)^2}{n_j – 1}}$$
يوفر هذا الاختبار حماية قاطعة للصدق الداخلي للنموذج دون الحاجة للتضحية بالبيانات الأصلية أو التراجع إلى الاختبارات اللامعلمية مثل اختبار كروسكال-واليز (Kruskal-Wallis).
3. الكروية (Sphericity): الخصائص الرياضية في تصاميم القياسات المتكررة
3.1 المفهوم الرياضي وبنية مصفوفة التباين والتباين المشترك
تأخذ الكروية موقع الصدارة كشرط رياضي محدد في تصاميم القياسات المتكررة ذات المعامل الواحد أو المعاملات المتعددة داخل الأفراد. في هذه التصاميم، يخضع نفس المفحوص أو الوحدة التجريبية لقياسات متعاقبة عبر الزمن أو تحت شروط تجريبية متعددة، مما يولد بالضرورة اعتماداً متبادلاً وارتباطاً داخلياً بين الملاحظات، وهو ما يلغي فرضية استقلال الأخطاء. تفترض الكروية أن التغيرات التي تطرأ على استجابة الفرد من مستوى تجريبي إلى آخر تمتلك نفس مقدار التشتت التبايني بغض النظر عن زوج المستويات المختار.
رياضياً، إذا كانت لدينا مصفوفة تباين وتباين مشترك $\mathbf{\Sigma}$ ذات أبعاد $k \times k$ للمتغيرات المتكررة:
$$\mathbf{\Sigma} = \begin{\bmatrix}
\sigma_1^2 & \sigma_{12} & dots & \sigma_{1k} \
\sigma_{21} & \sigma_2^2 & dots & \sigma_{2k} \
\vdots & \vdots & \ddots & \vdots \
\sigma_{k1} & \sigma_{k2} & dots & \sigma_k^2
\end{\bmatrix}$$
فإن شرط الكروية لا يتطلب تطابق التباينات القطرية ($\sigma_i^2$) ولا تطابق التغايرات غير القطرية ($\sigma_{ij}$) بمعزل عن بعضها البعض، بل يتطلب أن تظل الدالة المركبة الممثلة لتباين الفرق ثابتة ومساوية لمقدار ثابت $C$ لجميع الأزواج الممكنة:
$$operatorname{Var}(X_i – X_j) = \sigma_i^2 + \sigma_j^2 – 2\sigma_{ij} = C \quad \forall i \neq j$$
تتضح الطبيعة الحصرية لهذا الفرض في حقيقة أنه لا ينطبق ولا يُفحص على الإطلاق إذا كان العامل المتكرر يتضمن مستويين فقط ($k = 2$)، كما في تصاميم الاختبار القبلي والبعدي؛ ففي هذه الحالة لا يوجد سوى زوج مقارنة واحد وفرق ثنائي وحيد ($X_1 – X_2$)، وبالتالي يمتلك تباين فرق وحيد لا يمكن مقارنته بأي تباين آخر، مما يجعل الكروية متحققة رياضياً وبشكل تلقائي وتام ودون أدنى احتمال للانتهاك. لا تصبح الكروية افتراضاً قابلاً للتقييم والانتهاك إلا عندما تكون مستويات العامل المتكرر مساوية لثلاثة أو أكثر ($k ge 3$).
3.2 العلاقة مع شرط التناظر المركب (Compound Symmetry)
تعد العلاقة بين التناظر المركب (Compound Symmetry – CS) وافتراض الكروية العامة إحدى أكثر القضايا الرياضية دقة وأهمية في الإحصاء الاستدلالي. يُعرَّف التناظر المركب بأنه بنية نمطية صارمة لمصفوفة التباين والتباين المشترك تستلزم استيفاء شرطين متزامنين:
- تساوي جميع التباينات الفردية عند كل مستوى من مستويات المعالجة: $\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2 = \sigma^2$.
- تساوي جميع التباينات المشتركة بين أي زوجين من المعالجات: $\sigma_{ij} = \sigma_{\text{cov}}$ لجميع $i \neq j$، وهو ما يكافئ ثبات معامل الارتباط البيني ($rho$) عبر كافة الفترات.
وتأخذ مصفوفة التناظر المركب الشكل التالي:
$$\mathbf{\Sigma}_{\text{CS}} = \sigma^2 \begin{\bmatrix}
1 & \rho & dots & \rho \
\rho & 1 & dots & \rho \
\vdots & \vdots & \ddots & \vdots \
\rho & \rho & dots & 1
\end{\bmatrix}$$
من الواضح رياضياً أنه إذا كانت المصفوفة تحقق التناظر المركب، فإن تباين أي فرق ثنائي سيكون:
$$operatorname{Var}(X_i – X_j) = \sigma^2 + \sigma^2 – 2(\rho \sigma^2) = 2\sigma^2(1 – \rho)$$
وبما أن هذا المقدار ثابت لجميع الأزواج، فإن التناظر المركب يؤدي حتماً وتلقائياً إلى استيفاء الكروية. وبالتالي، فإن التناظر المركب هو شرط كافٍ (Sufficient Condition) لتحقق الكروية.
إلا أن الإنجاز النظري البارز الذي برهن عليه كل من هيونه وفيلدت (Huynh & Feldt, 1970) وروانيه وليبين (Rouanet & Lépine, 1970) أثبت أن التناظر المركب ليس شرطاً لازماً (Not a Necessary Condition). فالكروية أعم وأشمل، إذ يمكن لمصفوفة تباين أن تمتلك تباينات غير متساوية عبر القطر الرئيسي، وتباينات مشتركة غير متكافئة خارج القطر، وتظل مع ذلك محققة لشرط الكروية بالكامل، طالما أن نمط التغير في التغايرات يعوض التفاوت في التباينات ليجعل $(\sigma_i^2 + \sigma_j^2 – 2\sigma_{ij})$ ثابتاً دائماً. إن الكروية، بمفهومها الجبري الدقيق، تعني أن مصفوفة التباين والتباين المشترك لأي مجموعة من التباينات المتعامدة والمطبعة (Orthonormal Contrasts) المشتقة من المعالجة التكرارية تتطابق تماماً مع مصفوفة محايدة مضروبة في ثابت ($\sigma^2 \mathbf{I}$).
3.3 طرق اختبار الكروية وإجراءات التصحيح الإحصائي
يعد اختبار موشلي للكروية (Mauchly’s Test of Sphericity, 1940) الإجراء الإحصائي القياسي لاختبار الفرضية الصفرية القائلة بأن مصفوفة التغاير تخضع لشرط الكروية ($H_0: \text{Sphericity Holds}$). يرتكز اختبار موشلي على حساب إحصاء النسبة الأرجحية $W$، الذي يقيس مدى انحراف القيم الذاتية (Eigenvalues: $\lambda_1, \lambda_2, dots, \lambda_{k-1}$) لمصفوفة التباينات المتعامدة عن التساوي التام؛ حيث يحسب النسبة بين المتوسط الهندسي والمتوسط الحسابي لهذه القيم الذاتية:
$$W = \frac{\prod_{m=1}^{k-1} \lambda_m}{\left( \frac{1}{k-1} \sum_{m=1}^{k-1} \lambda_m \right)^{k-1}}$$
تتراوح قيمة $W$ بين الصفر والواحد الصحيح؛ فكلما اقتربت القيمة من 1 دل ذلك على التوافق التام مع الكروية، في حين يشير اقترابها من الصفر إلى انتهاك جسيم. ومع ذلك، يعاني اختبار موشلي من قيود منهجية حرجة تماثل قيود اختبار بارتليت؛ فهو مفرط الحساسية لحجم العينة والابتعاد عن التوزيع الطبيعي المتعدد. ففي العينات الكبيرة، قد يشير الاختبار إلى دلالة إحصائية ورفض للكروية حتى في ظل انحرافات طفيفة لا أثر لها عملياً، بينما في العينات الصغيرة، يفقد الاختبار قوته الإحصائية تماماً ويعجز عن رصد الانتهاكات الكارثية.
ولمواجهة انتهاك الكروية وتجنب تضخيم الخطأ من النوع الأول، برهن جورج بوكس (Box, 1954) على أن توزيع $F$ في ظل غياب الكروية يظل تقريباً صالحاً للاستخدام إذا تم تخفيض درجات حرية كل من البسط والمقام بضربها في معامل تصحيحي يُعرف بمعامل إبسيلون ($epsilon$). تتراوح قيمة $epsilon$ النظرية بين حد أدنى يساوي مقلوب درجات حرية المعالجة ($\epsilon_{\text{lower}} = \frac{1}{k-1}$) وحد أقصى يساوي 1.0 (وهي حالة الكروية التامة).
وقد ظهرت مقدرات عينية متعددة لمعلمة بوكس $epsilon$:
- معامل غرينهاوس-غايسر (Greenhouse-Geisser Epsilon – $\hat{\epsilon}_{\text{GG}}$): اقترحه العالمان عام 1959، وهو مقدر محافظ لحساب درجات الحرية الفعلية. يميل هذا المعامل إلى التقليل الطفيف من قيمة $epsilon$ الحقيقية، خاصة عندما يقترب النموذج من الكروية أو في العينات الصغيرة، مما يجعله خياراً آمناً وتحفظياً للغاية لمنع الخطأ من النوع الأول عند الانتهاك الصارم للكروية.
- معامل هيونه-فيلدت (Huynh-Feldt Epsilon – $\hat{\epsilon}_{\text{HF}}$): طُوّر عام 1976 كنسخة مصححة ومعدلة لمقدر غرينهاوس-غايسر لمعالجة طابعه التحفظي الزائد. يُقدم مقدر هيونه-فيلدت تقديراً أقل انحيازاً لقيمة $epsilon$، ولكنه قد يتجاوز أحياناً القيمة القصوى (1.0) في الحسابات التجريبية، وفي هذه الحالة يتم قصر قيمته على 1.0 بالضبط. يُوصى به بشكل خاص عندما تكون قيمة $\hat{\epsilon}_{\text{GG}}$ أكبر من 0.75.
- تصحيح الحد الأدنى (Lower-Bound Correction): يمثل السيناريو الأسوأ نظرياً حيث يتم افتراض أن الانتهاك بلغ أقصى درجاته الممكنة ($\epsilon = \frac{1}{k-1}$). يُستخدم هذا الإجراء التحفظي الفائق كاختبار استرشادي سريع؛ فإذا كانت النتيجة دالة إحصائياً تحت تصحيح الحد الأدنى، فإن الباحث يكون متأكداً تماماً من الدلالة الإحصائية للنموذج دون أدنى حاجة لتقدير إبسيلون العيني.
4. الفروق الجوهرية بين تجانس التباين والكروية
4.1 التباين في التعريف والعمق الرياضي
تتجلى الفروق البنيوية بين تجانس التباين والكروية في الطبيعة المصفوفية لكل منهما وفي فضاء الإسقاط الإحصائي الذي يتحركان فيه. يركز تجانس التباين الأحادي على تباين النقاط الفردية حول متوسطاتها الحسابية ضمن كل مجتمع مستقل؛ إنه خاصية تتناول عناصر مصفوفة قطرية منفصلة ناتجة عن عينات لا يربط بينها أي تباين مشترك تجريبي ($operatorname{Cov}(X_i, X_j) = 0$). إن النموذج الرياضي هنا يتعامل مع الأخطاء كمتغيرات عشوائية مستقلة وموزعة بشكل متطابق (i.i.d.).
على النقيض من ذلك، فإن الكروية مفهوم مصفوفي متعدد الأبعاد يختص بمتجهات الفروق الزوجية داخل نفس الوحدات التجريبية. لا تتطلب الكروية على الإطلاق أن تكون الأخطاء مستقلة؛ بل على العكس تماماً، هي تفترض وجود ارتباط وتغاير حتمي بين القياسات المتعاقبة لنفس الأفراد. يكمن العمق الرياضي للكروية في كونها تشترط أن يؤدي أي تحويل متعامد لمصفوفة التغاير إلى مصفوفة قطرية تكون جميع قيم قطرها متساوية تماماً، مما يعني تكافؤاً كلياً في تباين الأبعاد الهندسية المشتقة. وبالتالي، في حين أن تجانس التباين يمثل توازناً في التشتت الأفقي بين مجموعات متباعدة، فإن الكروية تمثل تناظراً دائرياً كروياً متعدد الاتجاهات في فضاء الفروق المترابطة داخل الكيان الفردي الواحد.
4.2 اختلاف التصاميم البحثية وسياقات التطبيق
يرتبط كل افتراض بنوع محدد من التصاميم التجريبية، ولا يمكن استبدال أحدهما بالآخر دون إفساد البناء المنهجي للدراسة. ينحصر تطبيق تجانس التباين في التصاميم بين المجموعات المستقلة (Between-Subjects Designs)، مثل مقارنة مجموعات علاجية مختلفة في أزمنة مفردة؛ كما نجد في تصاميم البحوث التربوية والاجتماعية التي تدرس الفروق بين مجموعات متمايزة من الطلاب أو الأفراد، ومن أمثلة ذلك دراسة Javier Díez-Palomar et al. (2020) حول تحولات اتجاهات التعلم، حيث خضعت مجموعات مستقلة لبيئات تعليمية مختلفة، مما يستوجب فحص استقرار تباين الأخطاء بين تلك المجموعات المنفصلة عبر اختبار ليفين الكلاسيكي.
في المقابل، تفرض الكروية نفسها في تصاميم القياسات المتكررة وداخل الأفراد (Within-Subjects Designs)، التي تشيع في الأبحاث النفسية والتجريبية التي ترصد الاستجابات الزمنية أو المعرفية لنفس المفحوصين تحت ظروف محفزة مختلفة؛ ومن ذلك التجارب العصبية الحيوية، مثل دراسة Amandine M. Van Rinsveld et al. (2020) التي استخدمت قياسات متكررة لتخطيط كهربية الدماغ (EEG) لفصل استخراج المقادير الرياضية والبصرية عبر شروط تجريبية متعاقبة خضع لها كل مشارك.
أما التصاميم المختلطة (Mixed Factorial Designs)، فتجمع بين السياقين معاً؛ إذ تتطلب من الباحث فحص تجانس التباين بين المجموعات المستقلة (عبر اختبار بوكس لمصفوفات التغاير، واختبار ليفين لكل نقطة زمنية)، وفحص الكروية بشكل متزامن للمتغيرات المتكررة داخل الأفراد، وهو التحدي الذي واجهته دراسات تتبعية مطولة مثل دراسة Nicola Botting et al. (2016) التي رصدت التغيرات النمائية في الاكتئاب والقلق من مرحلة المراهقة إلى الرشد بين مجموعات تعاني من اضطرابات لغوية ومجموعات ضابطة، حيث يتطلب هذا التركيب المزدوج فرزاً إحصائياً صارماً للافتراضين.
4.3 أدوات التشخيص وتأثيرات الانتهاك على اختبار F
تختلف حساسية أدوات التشخيص وطريقة تفاعلها مع الانتهاك باختلاف الفرضين. يُفحص تجانس التباين بواسطة اختبارات تقارن التشتت عبر عينات مستقلة، كاختبار ليفين، ويتمثل أثر انتهاكه في تشويه تقدير التباين العام للخطأ (Mean Square Error)، دون أن يمس ذلك درجات الحرية المفترضة للنموذج الرياضي. هذا يعني أن التوزيع النظري لـ $F$ يظل محتفظاً بدرجات حريته الاسمية ($k-1$ و $N-k$)، ولكن النسبة المحسوبة نفسها تصبح منحازة، مما يستوجب إعادة وزن التباينات كإجراء تعديلي أساسي كما في اختبار ويلش.
أما في حالة الكروية، فإن أداة التشخيص القياسية هي اختبار موشلي للكروية، الذي يختبر الفرضية الصفرية لتماثل مصفوفة التباين للفروق. وعندما يُنتهك افتراض الكروية، لا ينحصر الخلل في انحياز التباين فقط، بل يمتد ليعصف مباشرة بالتوزيع الدقيق لإحصاء $F$ التكراري؛ حيث يفقد بسط ومقام النسبة استقلالهما الإحصائي وتوزيعهما المستقل المقترن بخي-تربيع. هذا الانتهاك يفرض عقاباً مباشراً على درجات الحرية عبر خفضها بمعامل إبسيلون ($epsilon$)، فتتحول درجات الحرية من:
$$df_1 = (k – 1), \quad df_2 = (k – 1)(n – 1)$$
إلى درجات حرية مصححة وأقل:
$$df_1^* = \epsilon (k – 1), \quad df_2^* = \epsilon (k – 1)(n – 1)$$
وهذا التخفيض في درجات الحرية يرفع القيمة الحرجة لإحصاء $F$ المطلوبة للوصول إلى الدلالة الإحصائية، مما يعيد ضبط معدل الخطأ من النوع الأول عند مستواه الصحيح والمطلوب.
4.4 استراتيجيات المعالجة والبدائل الإحصائية المتاحة
تتباين الاستراتيجيات المنهجية المتبعة لمعالجة الانتهاك بين هذين المفهومين. في تجانس التباين المستقل، يتمحور التعديل حول إحصاء الاختبار نفسه عبر استخدام النمذجة الخطية الموزونة (Weighted Least Squares) أو اللجوء إلى اختبار ويلش واختبار براون-فورسيث، أو الاستعانة بتقديرات الأخطاء المعيارية القوية المقاومة لعدم التجانس (Heteroscedasticity-Consistent Standard Errors: HC3 أو HC4).
أما في تصاميم القياسات المتكررة عند انتهاك الكروية، فإن الخيار الإحصائي الأول والأسهل تطبيقاً يتمثل في تعديل درجات الحرية باستخدام مقدرات إبسيلون (Greenhouse-Geisser أو Huynh-Feldt). ومع ذلك، يقف الباحث أمام بديل إحصائي جذري يتجاوز شرط الكروية بالكامل: وهو الانتقال إلى تحليل التباين متعدد المتغيرات (Multivariate Analysis of Variance – MANOVA). يعامل نموذج MANOVA القياسات المتكررة كمتغيرات تابعة متعددة ومترابطة، مستخدماً إحصاءات متعددة المتغيرات مثل أثر بيلاي (Pillai’s Trace) أو لامبدا ويلكس (Wilks’ Lambda)، وهي نماذج لا تتطلب استيفاء الكروية على الإطلاق؛ لأنها تقوم بنمذجة التغايرات الحرة دون فرض أي شرط تماثل على تباينات الفروق.
| وجه المقارنة | تجانس التباين (Homoscedasticity) | الكروية (Sphericity) |
|---|---|---|
| التعريف الأساسي | تساوي تباينات الأخطاء العشوائية عبر مجموعات أو مستويات تجريبية مستقلة. | تساوي تباينات الفروق بين جميع الأزواج الممكنة من مستويات القياس المتكرر. |
| الصيغة الرياضية المحورية | $\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$ | $operatorname{Var}(X_i – X_j) = \sigma_i^2 + \sigma_j^2 – 2\sigma_{ij} = \text{ثابت}$ |
| التصميم التجريبي المعني | تصاميم بين المجموعات المستقلة (Between-Subjects). | تصاميم القياسات المتكررة وداخل الأفراد (Within-Subjects). |
| شرط عدد المستويات التجريبية | ينطبق عندما يكون عدد المجموعات $k ge 2$. | يُفحص وينتهك حصرياً عندما تكون المستويات $k ge 3$. |
| طبيعة مصفوفة التغاير | تعتمد على افتراض مصفوفة قطرية خالية من التباينات المشتركة بين العينات. | تتعامل مع مصفوفة متعددة التغايرات المتشابكة بين شروط القياس لنفس الفرد. |
| أبرز اختبارات التشخيص الاستدلالية | اختبار ليفين (Levene)، اختبار براون-فورسيث، اختبار بارتليت (Bartlett). | اختبار موشلي للكروية (Mauchly’s Test of Sphericity – $W$). |
| أثر الانتهاك على درجات الحرية | لا يؤثر بشكل مباشر على درجات الحرية الاسمية لنموذج $F$ الكلاسيكي. | يؤدي إلى خفض مباشر لدرجات حرية البسط والمقام عبر معامل إبسيلون ($epsilon$). |
| أثر الانتهاك على الصدق الإحصائي | تضخم الخطأ من النوع الأول عند اقتران التباين الكبير بالعينات الأصغر، أو فقدان القوة. | تضخم مستمر وشديد للخطأ من النوع الأول وظهور دلالات زائفة في غياب التصحيح. |
| طرق المعالجة القياسية المعتمدة | اختبار ويلش (Welch’s ANOVA)، النماذج الخطية الموزونة، تحويلات البيانات. | تصحيحات درجات الحرية (Greenhouse-Geisser / Huynh-Feldt)، أو نماذج MANOVA. |
| البديل المتقدم المعاصر | النمذجة المعممة (GLM) مع مصفوفات التباين القوية (Robust Sandwich Estimators). | النماذج الخطية المختلطة (Linear Mixed Models – LMM) بنى تغاير غير مقيدة. |
5. أوجه التشابه والتداخل المفاهيمي بين الافتراضين
5.1 الجذور المشتركة في إطار النماذج الخطية العامة (GLM)
على الرغم من التمايزات البنيوية السابقة، يلتقي تجانس التباين والكروية عند نقطة انطلاق رياضية مشتركة تتمثل في نظرية المربعات الصغرى العادية (Ordinary Least Squares – OLS) ضمن إطار النماذج الخطية العامة. يستند كلا الافتراضين إلى الغاية الإحصائية الأساسية: وهي ضمان أن مجموع مربعات الأخطاء العشوائية (Sum of Squares for Error) يُشتق من تباينات متكافئة رياضياً، بما يتيح استخدام صيغة رياضية موحدة ومستقلة لحساب متوسط مربعات الخطأ (Mean Square Error – $MSE$)، وهو المقام الأساسي لحساب نسبة $F$.
علاوة على ذلك، يشترك الافتراضان في اشتراط التوزيع الطبيعي المتعدد أو الأحادي للحدود العشوائية؛ حيث يُفترض في كليهما أن متوسط الأخطاء العشوائية يساوي صفراً ($E[varepsilon] = 0$). يهدف كلا الفرضين، من زاوية الصدق الاستدلالي، إلى تحصين اختبار $F$ من التشويه والتحيز، وضمان أن القيمة الاحتمالية ($p$-value) تمثل الاحتمال الحقيقي لرفض الفرضية الصفرية عندما تكون صحيحة بالفعل، مما يحفظ المعنوية الإحصائية من القرارات الاستنتاجية الخاطئة.
5.2 التكامل الهيكلي في تصاميم القياسات المتكررة المختلطة
يتجلى التداخل المفاهيمي الأعمق عندما يواجه الباحث تصاميم القطاعات المنشقة أو تحليل التباين المختلط (Split-Plot ANOVA / Mixed Repeated Measures). في هذه النماذج المعقدة، كما في دراسة التدخلات السريرية والتطبيقية، يمتلك النموذج عاملاً بين المجموعات (كالمجموعة التجريبية مقابل الضابطة) وعاملاً داخل الأفراد (كالقياس القبلي، والبعدي، والتتبعي بعد 3 و6 أشهر)، كما فحصت دراسة Christian Aljoscha Lukas & Matthias Berking (2017) في تقييم فاعلية التطبيقات الذكية للحد من التسويف والمماطلة.
في مثل هذه الدراسات، لا يمكن عزل تجانس التباين عن الكروية؛ فالنموذج يفترض ما يُعرف باسم “تجانس مصفوفات التباين والتباين المشترك” (Homogeneity of Variance-Covariance Matrices) عبر المجموعات المستقلة. يُقاس هذا الافتراض الهيكلي المشترك بواسطة اختبار إم-بوكس (Box’s M Test)، الذي يتطلب أن تكون مصفوفة التغاير للقياسات المتكررة متماثلة ومتطابقة عبر كافة مستويات المتغير بين المجموعات.
إن انتهاك تجانس التباين بين المجموعات أو انتهاك الكروية داخل الأفراد في هذه التصاميم الهجينة لا يؤدي فقط إلى تشويه اختبار $F$ للتأثيرات الرئيسية، بل يُحدث تشويهاً كارثياً في اختبار التفاعل (Interaction Effect: Group $\times$ Time)، وهو التأثير الأكثر حساسية وأهمية في الأبحاث التجريبية. علاوة على ذلك، يمتد هذا التأثير المشوه ليصيب تقديرات حجم التأثير (Effect Sizes) مثل مربع إيتا الجزئي ($\eta_p^2$)، حيث يؤدي التقدير المتحيز لمربعات الخطأ إلى تضخيم أو تقليص القوة التفسيرية للتدخل التجريبي على نحو غير واقعي.
6. دليل اتخاذ القرار المنهجي: متى يُطبق كل افتراض وكيف يُعالج؟
6.1 شجرة القرار لتشخيص افتراضات النماذج المعلمية
لضمان التنفيذ المنهجي السليم، يجب على الباحث اتباع بروتوكول تسلسلي صارم لتشخيص الافتراضات واختيار النماذج، كما توضحه خطوات شجرة القرار التالية:
- الخطوة الأولى: تحديد طبيعة المتغير المستقل وتصميم البحث:
- إذا كانت المقارنة بين مجموعات مستقلة وأفراد مختلفين تماماً: التوجه مباشرة لفحص تجانس التباين.
- إذا كانت المقارنة لنفس الأفراد عبر نقاط زمنية أو شروط مختلفة: التوجه لفحص الكروية، بشرط أن تكون المستويات $k ge 3$.
- إذا كان التصميم هجيناً (مختلطاً): يجب إجراء الفحصين بالتوازي؛ تجانس التباين للمتغير التصنيفي، واختبار الكروية واختبار بوكس لمصفوفات التغاير للمتغير المتكرر.
- الخطوة الثانية: مسار التعامل مع تجانس التباين (تصاميم المجموعات المستقلة):
- تطبيق اختبار ليفين القائم على الوسيط (Brown-Forsythe).
- إذا كانت القيمة الاحتمالية غير دالة ($p > 0.05$): يُقبل الفرض ويُعتمد اختبار ANOVA الكلاسيكي.
- إذا كانت القيمة الاحتمالية دالة ($p le 0.05$): يُرفض الفرض؛ ويُنصح بالانتقال المباشر إلى اختبار ويلش (Welch’s ANOVA) دون الحاجة لتحويل البيانات، خاصة في حالة عدم تساوي أحجام المجموعات.
- الخطوة الثالثة: مسار التعامل مع الكروية (تصاميم القياسات المتكررة):
- إذا كان عدد القياسات $k = 2$: تجاوز اختبار الكروية تلقائياً واعتماد المخرجات المباشرة (الكروية متحققة رياضياً).
- إذا كان $k ge 3$: فحص إحصاء موشلي للكروية ($W$).
- إذا كانت القيمة غير دالة ($p > 0.05$): يُعتمد اختبار $F$ غير المعدل (Sphericity Assumed).
- إذا كانت القيمة دالة ($p le 0.05$): تطبيق تصحيح درجات الحرية استناداً إلى قيمة معامل إبسيلون التقديرية.
6.2 المفاضلة بين تصحيحات درجات الحرية ونماذج MANOVA
عندما يُرفض افتراض الكروية في تصاميم القياسات المتكررة، يواجه المحلل الإحصائي معضلة الاختيار بين تصحيح درجات الحرية (Greenhouse-Geisser مقابل Huynh-Feldt) أو التخلي تماماً عن التحليل أحادي المتغير والتحول إلى تحليل التباين متعدد المتغيرات (MANOVA). تحكم هذه المفاضلة معايير وقواعد عملية مستقرة في القياس القياسي:
- قاعدة القطع لمعامل إبسيلون ($epsilon$ Cutoff Rule):
- إذا كانت قيمة معامل إبسيلون لغرينهاوس-غايسر المقدرة أصغر من 0.75 ($hat{epsilon}_{text{GG}} < 0.75$)، فهذا يشير إلى انتهاك جسيم للكروية؛ وهنا يُنصح باعتماد تصحيح غرينهاوس-غايسر (Greenhouse-Geisser) لضمان أقصى درجات التحفظ وحماية النموذج من تضخم الخطأ من النوع الأول.
- إذا كانت قيمة المعامل أكبر من أو تساوي 0.75 ($\hat{\epsilon}_{\text{GG}} ge 0.75$)، فإن هذا يدل على اقتراب مصفوفة التغاير من الكروية؛ وهنا يُنصح باعتماد تصحيح هيونه-فيلدت (Huynh-Feldt)؛ لأن تصحيح غرينهاوس-غايسر سيكون مفرطاً في التحفظ مما يتسبب في إضعاف القوة الإحصائية للاختبار دون مبرر.
- المفاضلة مع نماذج MANOVA:
يمتلك نموذج MANOVA ميزة بنيوية جوهرية تتمثل في تحرره المطلق من قيد الكروية، حيث يسمح للتباينات والتغايرات بالاختلاف الحر. ومع ذلك، لا يُعد MANOVA دائماً البديل المتفوق؛ إذ يتفوق MANOVA على تحليل القياسات المتكررة المصحح فقط عندما يكون حجم العينة كبيراً نسبياً (حيث تتجاوز درجات حرية المقام متطلبات الاختبار: $n ge k + 10$)، وعندما يكون الانتهاك للكروية حاداً للغاية ($epsilon < 0.60$). أما في العينات الصغيرة أو المتوسطة (مثل$n < 30$)، فإن القوة الإحصائية لـ MANOVA تنهار بصورة ملحوظة مقارنة بنموذج ANOVA التكراري المصحح عبر غرينهاوس-غايسر، ولذلك يظل تطبيق تصحيحات إبسيلون على تحليل التباين للقياسات المتكررة (RM-ANOVA) هو الخيار الأفضل والأكثر موثوقية في أغلب التطبيقات البحثية.
6.3 النماذج الخطية المختلطة (Linear Mixed Models) كإطار حديث متقدم
مع التطور الهائل في البرمجيات الإحصائية والخوارزميات العددية، شهدت العقود الأخيرة تحولاً إبستيمولوجياً ومنهجياً من الاعتماد الحصري على النماذج التكرارية الكلاسيكية وتصحيحات درجات الحرية إلى تبني النماذج الخطية المختلطة (Linear Mixed Models – LMM / Multilevel Models). تمثل النماذج المختلطة إطاراً متطوراً وفائق المرونة يتجاوز قيود وافتراضات التحليل التقليدي من خلال التعامل المباشر مع التغاير بدلاً من التعامل معه كخلل يُعاقب بتخفيض درجات الحرية.
تتميز النماذج الخطية المختلطة بقدرتها الفائقة على نمذجة هياكل التغاير غير المتجانسة وغير الكروية مباشرة داخل معادلة التقدير؛ حيث يستطيع الباحث اختيار بنية التباين والتباين المشترك التي تطابق السلوك الفعلي للبيانات، مثل:
- بنية الانحدار الذاتي من الدرجة الأولى (Autoregressive – AR(1)): التي تفترض تضاؤل الارتباط بين القياسات كلما تباعدت الفترات الزمنية بينها، وهو النمط الأكثر واقعية في الدراسات التتبعية المستمرة مقارنة بنمط التناظر المركب الصارم.
- البنية غير المقيدة (Unstructured – UN): التي تتيح للنموذج تقدير كل تباين وكل تباين مشترك بشكل حر ومستقل تماماً، دون فرض أي شكل مسبق للكروية أو التجانس.
- بنية توبليتز (Toeplitz): التي تفترض أن القياسات المتساوية في المسافة الزمنية تمتلك نفس التباين المشترك بغض النظر عن موقعها الزمني.
علاوة على ذلك، تحل النماذج المختلطة إحدى أكبر معضلات تصاميم القياسات المتكررة التقليدية: وهي مشكلة البيانات المفقودة (Missing Data). في النموذج التقليدي (RM-ANOVA)، يؤدي فقدان نقطة قياس واحدة لدى مفحوص ما إلى حذفه بالكامل من التحليل وفق قاعدة الحذف القائم على الحالات الكاملة (Listwise Deletion)، مما يتسبب في هدر هائل للبيانات وضعف القوة الإحصائية. أما في النماذج الخطية المختلطة، فيتم تضمين جميع البيانات المتاحة لكل فرد عبر خوارزميات الإمكانية الأعظمية المقيدة (Restricted Maximum Likelihood – REML)، مما يجعل هذه النماذج الخيار المعياري الذهبي المعتمد حالياً في التجارب الإكلينيكية المعاصرة والمتابعات الميدانية الطويلة.
7. الأسئلة الشائعة (FAQ)
7.1 هل تُفحص الكروية عندما يتضمن التصميم المتكرر مستويين فقط؟
الإجابة القاطعة هي: لا، لا تُفحص الكروية مطلقاً ولا معنى لاختبارها في التصاميم التي تتضمن مستويين فقط ($k = 2$). ويعود السبب في ذلك إلى الطبيعة الرياضية للافتراض ذاته؛ فالكروية تُعرَّف بأنها تساوي تباينات الفروق بين جميع الأزواج الممكنة من شروط المعالجة. عندما يحتوي العامل المتكرر على مستويين فقط (مثل الاختبار القبلي والبعدي لنفس المجموعة)، لا يتوفر لدينا سوى فرق زوجي واحد فقط ($X_1 – X_2$)، وبالتالي لا يوجد سوى تباين وحيد لهذا الفرق ($operatorname{Var}(X_1 – X_2)$).
من المستحيل رياضياً الحديث عن “تساوي تباينات” مع وجود تباين منفرد لا يوجد تباين آخر ليقارن به، ولذلك تعتبر الكروية متحققة بالضرورة وبشكل تلقائي وتام ورياضي ($epsilon = 1.0$) في هذا السياق. في هذه الحالة، يجب على الباحث أن يوجه اهتمامه التشخيصي بالكامل نحو فحص التوزيع الطبيعي لدرجات الفروق والتأكد من خلوها من القيم المتطرفة الجسيمة، بالإضافة إلى فحص تجانس التباين إذا كان التصميم يتضمن مقارنة بين مجموعتين مستقلتين خضعتا لهذين القياسين.
7.2 ما هو الإجراء السليم إذا كان حجم العينة صغيراً وفشل اختبار موشلي في الكشف عن الانتهاك؟
تعد هذه الحالة من أشهر المصائد المنهجية التي يقع فيها الباحثون؛ فاختبار موشلي للكروية يعاني من ضعف حاد في القوة الإحصائية (Low Statistical Power) عندما يكون حجم العينة صغيراً (مثل $N < 20$)، مما يعني أنه قد يعطي قيمة غير دالة إحصائياً ($p > 0.05$) رغم أن الانتهاك الفعلي للكروية جسيم ومؤثر في مجتمع الدراسة. إن الاعتماد الأعمى على النتيجة غير الدالة لاختبار موشلي في العينات الصغيرة يؤدي إلى تطبيق اختبار$F$ غير المعدل، وبالتالي تضخيم الخطأ من النوع الأول.
الإجراء السليم والموصى به أكاديمياً في مثل هذه الظروف هو:
- تجاهل القيمة الاحتمالية لاختبار موشلي وفحص القيمة الوصفية لمعامل إبسيلون لغرينهاوس-غايسر ($\hat{\epsilon}_{\text{GG}}$).
- إذا كانت قيمة $\hat{\epsilon}_{\text{GG}}$ أقل من 0.90 أو 0.85، فإن هذا مؤشر جوهري على وجود انحراف ملحوظ عن الكروية، بغض النظر عن عدم دلالة اختبار موشلي.
- في هذه الحالة، يجب على الباحث تطبيق تصحيح غرينهاوس-غايسر أو هيونه-فيلدت كإجراء احترازي وقائي لحماية الصدق الإحصائي للنتائج، والإفصاح عن ذلك بوضوح في تقرير البحث المنهجي.
7.3 هل يمكن الجمع بين انتهاك تجانس التباين وانتهاك الكروية في نفس الدراسة؟
نعم، وبشكل متكرر للغاية؛ يحدث هذا التزامن السلبي في تصاميم القياسات المتكررة المختلطة (Mixed Factorial Designs) التي تدمج بين عوامل مستقلة بين المجموعات وعوامل متكررة داخل الأفراد، وهي تصاميم واسعة الانتشار في البحوث التجريبية والسريرية. ومن أمثلة ذلك دراسة تأثير استراتيجيات التعامل الوجداني والمزاح عبر فترات زمنية متلاحقة بين مجموعات مختلفة في تجارب علم النفس الانفعالي مثل دراسة Andrea Christiane Samson et al. (2014).
في مثل هذه التصاميم، قد يُنتهك تجانس التباين بين المجموعات المستقلة (حيث تكون تباينات الاستجابة في المجموعة التجريبية مختلفة تماماً عن تباينات المجموعة الضابطة عبر نقاط المتابعة)، وفي الوقت نفسه يُنتهك افتراض الكروية للقياسات المتكررة لنفس الأفراد عبر الزمن (بحيث لا تتساوى تباينات الفروق الزمنية عبر الأزواج).
إن الجمع بين هذين الانتهاكين يمثل أسوأ السيناريوهات الإحصائية؛ حيث يؤدي هذا التفاعل إلى جعل اختبارات الدلالة لتأثير التفاعل (Group $\times$ Time) غير موثوقة بالمرة وعرضة لانحيازات مضاعفة. للتعامل مع هذا التحدي المركب، تفشل التصحيحات الأحادية البسيطة (مثل تطبيق تصحيح غرينهاوس-غايسر بمفرده)؛ إذ تظل تباينات المجموعات غير متكافئة. الحل المنهجي الصارم والوحيد المعتمد في هذه الحالة هو مغادرة إطار ANOVA التقليدي بالكامل والانتقال إلى النماذج الخطية المختلطة (Linear Mixed Models)؛ حيث تتيح هذه النماذج تحديد بنية تباين مستقلة لكل مجموعة تجريبية بالتوازي مع تحديد بنية تغاير زمنية مرنة داخل الأفراد، مما يوفر ضبطاً إحصائياً دقيقاً وموثوقاً لكلا الانتهاكين في آن واحد.
8. الخاتمة: رؤية تكاملية لضبط الجودة الإحصائية
8.1 خلاصة التمايز الإبستيمولوجي والعملي بين المفهومين
في ختام هذا التحليل المنهجي المعمق، يتضح جلياً أن تجانس التباين والكروية، رغم اشتراكهما في الانتماء إلى عائلة افتراضات النماذج الخطية العامة لحماية دقة التوزيع الاحتمالي لـ $F$، يمثلان كيانين إحصائيين متمايزين هيكلياً وتطبيقياً. يلخص الجدول المفاهيمي الفارق الأساسي: تجانس التباين هو استقرار أفقي لتشتت المشاهدات الفردية عبر وحدات تجريبية منفصلة ومستقلة، في حين تمثل الكروية توازناً متناظراً في فضاء هندسي متعدد المتغيرات يتناول متجهات الفروق الزوجية داخل الوحدات ذاتها عبر شروطها المتتابعة.
إن استيعاب البنية الهندسية للبيانات وتحديد طبيعة العلاقات التغايرية الكامنة بين الملاحظات يجب أن يسبق دائماً تشغيل الخوارزميات التحليلية في البرمجيات الإحصائية. إن النماذج الإحصائية ليست صناديق سوداء تُلقى فيها الأرقام لتفرز قيماً احتمالية عشوائية، بل هي أطر استدلالية مشروطة؛ فإذا انهارت الافتراضات التأسيسية التي أقيمت عليها المعادلات، فإن النتائج المستخلصة تفقد قيمتها العلمية وقدرتها على تمثيل الواقع، مما يعرض التراكم المعرفي العلمي للخلل والتناقض.
8.2 توصيات منهجية للباحثين ومحللي البيانات
بناءً على المعطيات التحليلية والاستدلالية المفصلة في هذا المقال، نورد حزمة من التوصيات المنهجية والتطبيقية الموجهة للباحثين، ومحللي البيانات، ومحكمي الدوريات العلمية:
- الشفافية التامة في إعداد التقارير الإحصائية: يجب على الباحثين تجنب إخفاء نتائج فحص الافتراضات؛ يتعين الإفصاح الكامل في متن البحث عن القيم الرقمية لاختبارات موشلي وليفين، وتضمين قيم معاملات إبسيلون المقدرة ($\hat{\epsilon}_{\text{GG}}$ و $\hat{\epsilon}_{\text{HF}}$)، مع التوضيح الصريح للبديل التصحيحي المعتمد وأسباب اختياره.
- الحذر من المخرجات التلقائية للبرمجيات الإحصائية: تقوم البرمجيات الإحصائية الشائعة مثل SPSS بإخراج جداول متعددة تضم نتائج “افتراض الكروية” والنتائج المصححة؛ إن واجب الباحث العلمي يقتضي عدم القفز مباشرة لقراءة مخرجات الصف الأول (Sphericity Assumed) دون التحقق الواعي من دلالة اختبار موشلي وقيم إبسيلون المرافقة.
- التحرر من متلازمة “القيمة الاحتمالية لاختبارات الفحص”: نظراً لأن اختبارات موشلي وليفين شديدة التأثر بحجم العينة والتفرطح، يجب موازنة قرارات الفحص الاستدلالي بالفحص البصري للمخططات البيانية والمؤشرات الوصفية لمعاملات إبسيلون، واعتماد التصحيح الوقائي عندما تكون العينات صغيرة أو الانتهاك مرئياً بوضوح.
- التحول نحو النمذجة الحديثة: يُوصى الباحثون المعاصرون بالانتقال التدريجي من الاعتماد التقليدي على تحليل التباين للقياسات المتكررة (RM-ANOVA) إلى تبني النماذج الخطية المختلطة (Linear Mixed Models) ونماذج تقدير المعادلات المعممة (GEE). توفر هذه النماذج الحديثة حلاً جذرياً مرناً يتجاوز تماماً متطلبات الكروية الصلبة ويتعامل بكفاءة بالغة مع البيانات المفقودة، مما يرتقي بجودة البحوث العربية إلى مصاف المعايير المنهجية العالمية الرصينة.
المراجع
Díez-Palomar, J., García-Carrión, R., Hargreaves, L. M., & García Vieites, M. (2020). Transforming students’ attitudes towards learning through the use of successful educational actions. PLoS ONE. https://doi.org/10.1371/journal.pone.0240292
Van Gordon, W., Shonin, E., Dunn, T. J., García‐Campayo, J., & Griffiths, M. D. (2016). Meditation awareness training for the treatment of fibromyalgia syndrome: A randomized controlled trial. British Journal of Health Psychology. https://doi.org/10.1111/bjhp.12224
Byun, J.-I., Shin, Y. Y., Chung, S.-E., & Shin, W. C. (2018). Safety and Efficacy of Gamma-Aminobutyric Acid from Fermented Rice Germ in Patients with Insomnia Symptoms: A Randomized, Double-Blind Trial. Journal of Clinical Neurology. https://doi.org/10.3988/jcn.2018.14.3.291
Van Rinsveld, A. M., Guillaumé, M., Kohler, P. J., Schiltz, C., Gevers, W., & Content, A. (2020). The neural signature of numerosity by separating numerical and continuous magnitude extraction in visual cortex with frequency-tagged EEG. Proceedings of the National Academy of Sciences. https://doi.org/10.1073/pnas.1917849117
Botting, N., Toseeb, U., Pickles, A. R., Durkin, K., & Conti‐Ramsden, G. (2016). Depression and Anxiety Change from Adolescence to Adulthood in Individuals with and without Language Impairment. PLoS ONE. https://doi.org/10.1371/journal.pone.0156678
Lukas, C. A., & Berking, M. (2017). Reducing procrastination using a smartphone-based treatment program: A randomized controlled pilot study. Internet Interventions. https://doi.org/10.1016/j.invent.2017.07.002
Samson, A. C., Glassco, A., Lee, I. A., & Gross, J. J. (2014). Humorous Coping and Serious Reappraisal: Short-Term and Longer-Term Effects. Europe’s Journal of Psychology. https://doi.org/10.5964/ejop.v10i3.730