اختبار موكلي مقابل اختبار ليفين
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).
تعتبر النماذج الخطية العامة، وعلى رأسها عائلة تحليل التباين (Analysis of Variance – ANOVA)، من أكثر الأدوات الإحصائية رسوخاً واستخداماً في مجالات العلوم السلوكية، والطبية، والاجتماعية، والتربوية. ومع ذلك، فإن القوة الاستدلالية لهذه النماذج لا تنبع من مجرد صياغتها الرياضية الأنيقة، بل ترتبط ارتباطاً وثيقاً بمدى استيفاء البيانات لمجموعة من الافتراضات الصارمة التي تضمن عدم انحياز التقديرات الإحصائية وصحة مستويات الدلالة المحسوبة. إن القفز مباشرة إلى تفسير قيم الدلالة الإحصائية وقيم إحصاء F دون تدقيق منهجي في البنية التحتية لتوزيع البيانات وخصائص تبايناتها يعد من أبرز المنزلقات التي تؤدي إلى ما يُعرف بأزمة قابلية التكرار في البحث العلمي الحديث.
يقف الباحثون ومحللو البيانات في كثير من الأحيان أمام مخرجات الحزم الإحصائية المتقدمة في حيرة مفاهيمية، لا سيما عندما يتعلق الأمر باختبار الفروض المتعلقة بالتباينات المشتركة وتباينات الأخطاء. ومن بين الفحوصات التشخيصية التي تتكرر باستمرار وتثير خلطاً واسعاً يبرز كل من: اختبار موكلي (Mauchly’s Test) واختبار ليفين (Levene’s Test). فعلى الرغم من أن كلا الفحصين يندرج تحت المظلة العامة للتحقق من ثبات التباين واستقراره، إلا أنهما ينتميان إلى فلسفتين مختلفتين تماماً من حيث التصميم التجريبي، والبنية الرياضية لمصفوفات البيانات، والآثار المترتبة على انتهاكهما، وسبل معالجة اختلال شروطهما الإحصائية.
يهدف هذا الدليل المرجعي الشامل إلى تفكيك أوجه الشبه والاختلاف بين اختباري موكلي وليفين، وتزويد الباحث والأكاديمي بفهم رياضي وتطبيقي عميق يمكنه من اختيار الفحص المناسب، وقراءة مخرجاته البرمجية بدقة، واتخاذ القرارات التصحيحية الرصينة عند انتهاك أي من الفروض؛ بما يضمن تعزيز موثوقية الاستنتاجات العلمية والارتقاء بجودة التحليل الإحصائي من مجرد تطبيق آلي للأزرار إلى ممارسة نقدية واعية.
1. المقدمة: تشخيص الفروض الإحصائية في نماذج تحليل التباين
1.1 الإطار العام لاختبارات التحقق من الافتراضات البارامترية
تشترط الاختبارات الإحصائية المعلمية (Parametric Tests)، وخاصة تلك المتفرعة عن النموذج الخطي العام (General Linear Model)، مجموعة متكاملة من الشروط المسبقة لتأكيد صحة الاستدلال الإحصائي. تشمل هذه الشروط التوزيع الطبيعي للأخطاء العشوائية، واستقلالية المشاهدات، واستقرار التباينات عبر مستويات التجربة المختلفة. وتكمن خطورة إهمال هذه الافتراضات في تضخيم الخطأ من النوع الأول (Type I Error Rate)، وهو احتمال رفض الفرضية الصفرية في حين أنها صحيحة واقعياً، أو تضخيم الخطأ من النوع الثاني (Type II Error Rate) مما يقلل من القوة الإحصائية (Statistical Power) للدراسة ويحجب التأثيرات الحقيقية للتدخلات التجريبية.
يحتل كل من اختباري موكلي وليفين موقعاً حاسماً ضمن منظومة الفحوص التشخيصية المسبقة، إذ يمثلان حراس البوابة الذين يحددون ما إذا كان النموذج القياسي لتحليل التباين يمتلك الصلاحية الرياضية لتفسير التباين المفسر وغير المفسر. إن المفهوم الجوهري الذي يستند إليه تحليل التباين برمته يقوم على تفكيك التباين الإجمالي إلى تباين راجع للمعالجة وتباين ناتج عن الخطأ العشوائي. فإذا كان تباين الخطأ يختلف جذرياً عبر المجموعات أو عبر شروط القياس المتكررة، فإن المقام في معادلة حساب إحصاء F يصبح غير متسق ومتحيزاً، الأمر الذي يبطل دقة القيمة الاحتمالية (p-value) المستخرجة من جداول التوزيع النظري.
إن استقرار التباين وتجانسه يمنح الباحث الثقة في أن الفروق الملاحظة بين المتوسطات الحسابية لا تعود إلى خلل في تقلبات البيانات داخل مجموعات معينة دون غيرها. من هذا المنطلق، أصبحت الفحوصات التشخيصية متطلباً لا غنى عنه في المعايير العالمية لكتابة التقارير العلمية؛ إذ أظهرت العديد من الدراسات المنهجية أن نسبة لا يستهان بها من الأبحاث المنشورة تعتمد على استنتاجات خاطئة بسبب تجاهل فحص افتراضات التباين أو بسبب المعالجة غير الصحيحة لانتهاكاتها، مما يجعل التثبت الدقيق من هذه النماذج مسألة محورية في ترسيخ الرصانة الأكاديمية.
1.2 أسباب الخلط الشائع بين اختبار موكلي واختبار ليفين
ينشأ الخلط المتكرر بين اختبار موكلي واختبار ليفين لدى كثير من طلبة الدراسات العليا والباحثين من اشتراك كلا الفحصين في وظيفة فحص التباينات المرتبطة بمتغير تابع كمي. فالأدبيات الإحصائية تطلق على اختبار ليفين اسم “اختبار تجانس التباينات” (Test of Homogeneity of Variances)، وفي الوقت ذاته يُشار إلى الكروية التي يفحصها اختبار موكلي بوصفها نوعاً متخصصاً من تجانس التباين لمصفوفات الفروق. هذا التداخل الاصطلاحي يوهم المبتدئين بأنهما اختباران مترادفان أو بديلان يمكن استبدال أحدهما بالآخر دون مراعاة السياق التجريبي.
يتجسد الالتباس المفاهيمي الآخر في الفارق الدقيق بين مفهوم تجانس التباين الكلاسيكي (Homoscedasticity) ومفهوم الكروية (Sphericity). فتجانس التباين ينصب على استقرار التشتت بين مجموعات عينات مستقلة تماماً، في حين أن الكروية تمثل امتداداً متعدد الأبعاد يفحص التباينات للفروق الزوجية الناتجة عن قياس نفس الأفراد عدة مرات. هذا التمييز الجوهري غالباً ما يغيب عندما لا يكون التصميم التجريبي واضحاً في ذهن المحلل الإحصائي، مما يجعله عاجزاً عن التمييز بين ما يتطلبه عامل “بين المجموعات” (Between-Subjects) وما يتطلبه عامل “داخل المجموعات” (Within-Subjects).
علاوة على ذلك، تلعب البرمجيات الإحصائية الشهيرة مثل SPSS وJASP وحتى مخرجات لغة R دوراً غير مقصود في تعميق هذا الخلط. فعندما ينفذ الباحث تصميماً عاملياً مختلطاً (Mixed ANOVA) يتضمن عاملاً مقاساً عبر الزمن وعاملاً تصنيفياً بين المجموعات، تُنتج البرمجيات كلاً من جدول ليفين وجدول موكلي في جلسة إخراج واحدة وبشكل متتابع. يؤدي هذا الظهور التلقائي المتزامن للجدولين إلى ارتباك الباحث، حيث يقع في فخ التساؤل: أي الاختبارين يجب تفسيره؟ وما هو الترتيب المنطقي للتعامل مع نتائجهما؟ وما أثر رفض فرضية أحدهما دون الآخر؟ إن غياب الخلفية الرياضية الواضحة لطبيعة كل اختبار يجعل عملية الاختيار تبدو وكأنها قائمة على الصدفة أو التخمين بدلاً من الاستناد إلى القواعد المنهجية الرصينة.
2. اختبار موكلي (Mauchly’s Test): الأساس النظري والتطبيقي
2.1 التعريف ومفهوم فرضية الكروية (Sphericity)
يُعرف اختبار موكلي، الذي طوره عالم الإحصاء جون موكلي عام 1940، بأنه الاختبار القياسي المخصص لفحص فرضية الكروية (Sphericity) في تصاميم القياسات المتكررة (Repeated Measures ANOVA). وتُعد الكروية مفهوماً إحصائياً متخصصاً يُعنى بخصائص مصفوفة التباين والتباين المشترك (Variance-Covariance Matrix) للمتغيرات التابعة المقاسة عبر الزمن أو عبر شروط تجريبية متعددة للأفراد أنفسهم. فالكروية لا تقتضي فقط تساوي تباينات القياسات عند كل نقطة زمنية، بل تفترض رياضياً أن تباين الفروق بين جميع الأزواج الممكنة من مستويات العامل داخل المجموعات متساوٍ تماماً.
لتوضيح ذلك رياضياً، إذا كان لدينا عامل داخل المجموعات يتضمن ثلاثة مستويات قياس ($A$ و$B$ و$C$)، فإننا نحسب درجات الفرق لكل فرد: $(A – B)$، و$(A – C)$، و$(B – C)$. تشترط الكروية أن يكون التباين النظري لهذه الفروق متطابقاً، أي أن:
$$\sigma^2_{A-B} = \sigma^2_{A-C} = \sigma^2_{B-C}$$
ترتبط الكروية بمفهوم إحصائي أكثر صرامة يُعرف باسم التناظر المركب (Compound Symmetry)، والذي يتحقق عندما تكون جميع تباينات المتغيرات الفردية متساوية على القطر الرئيسي للمصفوفة، وتكون جميع التباينات المشتركة متساوية في العناصر خارج القطر. والجدير بالذكر أن التناظر المركب شرط كافٍ لحدوث الكروية، لكنه ليس شرطاً لازماً؛ فالكروية يمكن أن تتحقق حتى وإن اختلفت التباينات المشتركة طالما ظل تباين الفروق الزوجية ثابتاً عبر كامل المصفوفة.
تتم صياغة الفرضيات الإحصائية في اختبار موكلي على النحو التالي:
- الفرضية الصفرية ($H_0$): تتحقق فرضية الكروية؛ أي أن تباين درجات الفروق بين جميع المستويات الزوجية متساوٍ عبر العينات الإحصائية.
- الفرضية البديلة ($H_1$): فرضية الكروية منتهكة؛ أي يوجد على الأقل زوج واحد من الفروق يختلف تباينه دلالياً عن بقية الأزواج.
إن الفشل في رفض الفرضية الصفرية (الحصول على قيمة احتمالية $p ge 0.05$) يعني أن مصفوفة التباين والتغاير تفي بالشرط الرياضي اللازم لاستخدام إحصاء F القياسي دون تعديل، في حين أن الوصول إلى دلالة إحصائية ($p < 0.05$) يعني الانتهاك الصريح لفرض الكروية، مما يستوجب تدخلاً إحصائياً لتصحيح درجات الحرية.
2.2 سياقات الاستخدام في تصاميم القياسات المتكررة
يطبق اختبار موكلي حصرياً في النماذج الإحصائية التي تشتمل على عوامل داخل المجموعات (Within-Subjects Factors)، وهي التصاميم التي يخضع فيها المشاركون أنفسهم لجميع شروط التجربة أو يتم قياس استجاباتهم عبر نقاط زمنية متعاقبة. ومن الأمثلة التطبيقية على ذلك دراسات التدخلات السريرية التي تقيس مستوى القلق لدى المرضى قبل العلاج، وبعده مباشرة، ثم في متابعة بعد ستة أشهر، كما هو موضح في التصاميم الطولية المتطورة لدراسة تقنيات العلاج النفسي وتأثيرها على استقرار الاستجابات العصبية والانفعالية (de Jongh et al., 2013).
من الشروط الجوهرية لتطبيق اختبار موكلي أن يشتمل العامل المقاس على ثلاثة مستويات على الأقل ($k ge 3$). فإذا كان المتغير المتكرر يضم مستويين فقط (مثل القياس القبلي والبعدي فقط)، فإن فحص الكروية يصبح بلا معنى من الناحية الرياضية، حيث لا يوجد في هذه الحالة سوى فرق زوجي وحيد، ولا يمكن مقارنة تباين وحيد بأي تباين آخر لتقرير تساويهما. وبالتالي، يُعد فرض الكروية مستوفى حكماً وتلقائياً عندما تكون درجات حرية المتغير المستقل مساوية للواحد الصحيح، وتُظهر البرمجيات الإحصائية قيماً مفقودة أو نقاطاً في خانة إحصاء موكلي في مثل هذه الحالات.
عندما تُنتهك الكروية في التصاميم التي تحتوي على ثلاثة مستويات فأكثر، تتأثر مصفوفة تباين الخطأ بشكل حرج، حيث يُصبح تباين الخطأ المستخدم في حساب النسبة F مقدراً بأقل من قيمته الفعلية، الأمر الذي يؤدي بالضرورة إلى تضخيم قيمة F المحسوبة بشكل مصطنع. هذا التضخيم يجعل الباحث يرفض الفرضية الصفرية بتفاؤل غير مبرر، مما يرفع احتمالية الوقوع في الخطأ من النوع الأول لمستويات قد تتجاوز 15% أو 20% بدلاً من المستوى المعتاد البالغ 5%، وهو ما يشوه مصداقية النتائج النفسية والتجريبية التي تعتمد على قياس الاستجابات الحركية والمهارية المستمرة (Bedir & Erhan, 2021).
2.3 الإجراءات التصحيحية عند انتهاك فرض الكروية
عند ثبوت انتهاك فرضية الكروية عبر دلالة اختبار موكلي الإحصائية، لا يلجأ الإحصائيون عادة إلى التخلي التام عن تحليل التباين للقياسات المتكررة، بل يتم اللجوء إلى تعديل درجات الحرية للنموذج. هذا الإجراء الرياضي يهدف إلى خفض درجات حرية كل من البسط والمقام المستخدمين لتحديد قيمة F الحرجة، مما يزيد من صعوبة الوصول إلى الدلالة الإحصائية ويعيد معدل الخطأ من النوع الأول إلى مستواه الاسمي المطلوب (0.05). يعتمد هذا التصحيح على معامل يُعرف بـ إبسيلون ($epsilon$)، والذي تتراوح قيمته بين حد أدنى نظري يساوي $1 / (k – 1)$ وحد أقصى يساوي $1.0$ (وهو ما يعبر عن كروية تامة).
توجد طريقتان رئيسيتان لتصحيح إبسيلون تستخدمان على نطاق واسع في البرمجيات الإحصائية:
- معامل غرينهاوس-غايسر (Greenhouse-Geisser $epsilon$): يُعتبر الخيار الأكثر تحفظاً وأماناً من الناحية الإحصائية. يقوم هذا المعامل بتقدير الانحراف عن الكروية وتخفيض درجات الحرية بنسبة متناسبة مع شدة الانتهاك. ومع ذلك، يؤخذ على هذا التصحيح أنه قد يكون مفرط التحفظ عندما تقترب قيمة إبسيلون من الواحد، مما يقلل القوة الإحصائية وقد يمنع الباحث من رصد فروق حقيقية ذات دلالة.
- معامل هونه-فيلت (Huynh-Feldt $epsilon$): طُوّر هذا المعامل ليكون بديلاً أقل تحفظاً عن تصحيح غرينهاوس-غايسر. يُفضل استخدامه عندما تكون قيمة إبسيلون المحسوبة بواسطة غرينهاوس-غايسر أكبر من 0.75، حيث يوفر قوة إحصائية أعلى دون التضحية بالسيطرة على الخطأ من النوع الأول. تجدر الإشارة إلى أن معادلة هونه-فيلت قد تنتج أحياناً قيماً لإبسيلون تتجاوز الواحد الصحيح، وفي هذه الحالة تقيد البرمجيات القيمة تلقائياً عند 1.0.
تتمثل القاعدة التوجيهية الكلاسيكية التي اقترحها الإحصائي جين غلاس وزملاؤه في فحص قيمة غرينهاوس-غايسر الأولية: إذا كانت $epsilon < 0.75$، فينبغي اعتماد تصحيح غرينهاوس-غايسر لصرامته في معالجة الانتهاك الشديد؛ أما إذا كانت$epsilon ge 0.75$، فيُعتمد تصحيح هونه-فيلت لتجنب التحفظ غير المبرر. كبديل منهجي متقدم، يمكن للباحث الانتقال بالكامل من تحليل التباين أحادي المتغير إلى تحليل التباين متعدد المتغيرات (MANOVA)؛ حيث لا تفترض النماذج متعددة المتغيرات (مثل أثر بيلاي Pillai’s Trace أو لامبدا ويلكس Wilks’ Lambda) كروية مصفوفة التغاير وتتعامل مع القياسات المتكررة كأبعاد متزامنة، غير أن هذه المقاربة تتطلب حجماً كبيراً من العينات ($N ge k + 10$) لتفادي الضعف الحاد في القوة الإحصائية، وهو ما يبرز بوضوح في الدراسات الفسيولوجية التي تبحث أثر المثيرات المعرفية على النوم والمقاييس البيولوجية الحساسة (Cordi et al., 2019).
3. اختبار ليفين (Levene’s Test): الأساس النظري والتطبيقي
3.1 التعريف ومفهوم تجانس التباين (Homoscedasticity)
يُمثل اختبار ليفين، الذي وضعه هوارد ليفين عام 1960، الأداة الكلاسيكية الأكثر انتشاراً لاختبار فرضية تجانس التباين (Homogeneity of Variances / Homoscedasticity) بين المجموعات المستقلة. يختص هذا الاختبار بتقييم ما إذا كان التشتت العشوائي للقيم حول متوسطاتها أو وسيطاتها داخل كل مجموعة تجريبية مستقلاً عن العوامل التصنيفية. ويُعد هذا الفرض متطلباً أساسياً لإجراء اختبارات مقارنة المجموعات المستقلة مثل اختبار t للعينات المستقلة (Independent Samples t-test) وتحليل التباين الأحادي (One-Way ANOVA) والتصاميم العاملية بين المجموعات (Factorial Between-Subjects ANOVA).
تستند الفرضية الصفرية لاختبار ليفين إلى فكرة التطابق الشامل لتباينات المجتمع الأصلي عبر جميع مستويات المتغير المستقل، وتصاغ رياضياً كالآتي:
$$H_0: \sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$$
بينما تنص الفرضية البديلة ($H_1$) على أن تبايناً واحداً على الأقل من هذه المجموعات يختلف جوهرياً عن بقية التباينات. ومن الناحية الحسابية، لا يفحص ليفين الفروق بين تباينات العينات بشكل مباشر عبر نسب متبادلة، بل يعتمد حيلة رياضية ذكية تحول اختبار التباين إلى اختبار فروق بين متوسطات؛ حيث يحسب الاختبار الانحراف المطلق لقيمة كل مفحوص عن مركز مجموعته، ثم يطبق تحليل تباين أحادي كلاسيكي على قيم هذه الانحرافات المطلقة.
في صياغته الأصلية، يُعرف الانحراف المطلق للمشاهدة رقم $j$ في المجموعة $i$ بالمعادلة:
$$Z_{ij} = |Y_{ij} – \bar{Y}_i|$$
حيث تُمثل $\bar{Y}_i$ المتوسط الحسابي للمجموعة. بعد ذلك، يُجرى اختبار F المعتاد على المتغير المحول $Z_{ij}$. فإذا ثبت وجود فروق دالة إحصائياً بين متوسطات هذه الانحرافات، استنتجنا فوراً أن تشتت الدرجات الأصلية غير متساوٍ بين المجموعات، مما يعني انتهاك فرضية تجانس التباين وضرورة اتخاذ تدابير تعديلية ملائمة عند تحليل تجارب التدخلات المقارنة بين مجموعات مستقلة (Herrero et al., 2018).
3.2 المتانة والحساسية للتوزيعات غير الطبيعية
ترجع الشهرة الواسعة لاختبار ليفين وتفضيله في حزم البرمجيات إلى متانته الإحصائية الفائقة (Robustness) ضد انتهاك فرض التوزيع الطبيعي مقارنة بالاختبارات المنافسة، وتحديداً اختبار بارتليت (Bartlett’s Test). يُعرف اختبار بارتليت بأنه اختبار فائق الحساسية للالتواء والتفرطح؛ فإذا انحرفت البيانات أدنى انحراف عن الاعتدالية، قد يسجل اختبار بارتليت دلالة إحصائية زائفة ترجع لعدم الاعتدالية وليس للاختلاف الفعلي في التباينات، مما يجعله غير عملي في بحوث العلوم النفسية والاجتماعية التي تندر فيها البيانات المعتدلة تماماً.
لم يقف التطور عند صياغة ليفين الأصلية؛ ففي عام 1974، قدم الإحصائيان مورتون براون وآلان فورسيث تعديلاً جوهرياً لاختبار ليفين يُعرف اليوم بـ اختبار براون-فورسيث (Brown-Forsythe Test). اقترح الباحثان استبدال المتوسط الحسابي $\bar{Y}_i$ بالوسيط $\tilde{Y}_i$ للمجموعة في معادلة حساب الانحرافات المطلقة:
$$Z_{ij} = |Y_{ij} – \tilde{Y}_i|$$
يتميز استخدام الوسيط بمقاومته الاستثنائية للقيم المتطرفة (Outliers) والالتواء الشديد للبيانات، مما يجعل نسخة براون-فورسيث المعدلة الخيار القياسي والافتراضي في الحزم البرمجية الحديثة مثل لغة R ومكتبات بايثون عند الرغبة في اختبار تجانس التباين لبيانات لا تتبع التوزيع الطبيعي بدقة.
تتضاعف أهمية فحص التباين في ظل العينات غير المتساوية في الحجم ($N_1 ne N_2 ne dots ne N_k$). فإذا كانت أحجام العينات متساوية، يكون تحليل التباين الكلاسيكي متيناً إلى حد مقبول حتى لو اختلف التباين بنسبة تصل إلى $4:1$ بين أعلى وأدنى مجموعة. غير أن الكارثة المنهجية تقع عندما يقترن عدم تساوي التباينات بعدم تساوي أحجام العينات؛ فإذا اقترنت العينة الأصغر بالتباين الأكبر، يؤدي ذلك إلى زيادة خطيرة في معدل الخطأ من النوع الأول وظهور دلالات زائفة، بينما يؤدي اقتران العينة الأكبر بالتباين الأكبر إلى تحفظ النموذج وفقدان حاد في القوة الإحصائية، وهو سيناريو خطير غالباً ما ترصده أبحاث العادات الغذائية وسلوك الأطفال في البيئات التعليمية المتباينة (Hermans et al., 2018).
3.3 الإجراءات والبدائل عند انتهاك تجانس التباين
عندما يسفر اختبار ليفين عن قيمة دالة إحصائياً ($p < 0.05$)، يدرك الباحث أن استخدام النماذج الخطية الكلاسيكية غير المعدلة سينتج أحكاماً استدلالية مضللة. في هذه الحالة، تتوافر للمحلل الإحصائي ثلاثة مسارات علاجية منهجية تتفاوت من حيث الفلسفة والصلابة الرياضية:
- تطبيق التعديلات المعلمية القوية (Robust Parametric Adjustments): يُعتبر اختبار ويلش لتحليل التباين (Welch’s ANOVA) الحل المفضل والمعياري لغالبية الإحصائيين التطبيقيين. يقوم اختبار ويلش بتعديل حساب التباينات وأوزان العينات ودرجات حرية المقام استناداً إلى تباين كل عينة على حدة، دون افتراض وجود تباين مجتمعي موحد. وقد أثبتت الدراسات المحاكية أن اختبار ويلش يحافظ على معدل الخطأ الاسمي (0.05) بكفاءة مذهلة في مختلف ظروف عدم تجانس التباين، متفوقاً في ذلك على اختبار ANOVA التقليدي. كما يُعد اختبار براون-فورسيث لتحليل التباين بديلاً ممتازاً ومكافئاً لويلش، لا سيما في حالات الالتواء العالي.
-
التحويلات الرياضية لتثبيت التباين (Variance-Stabilizing Transformations): يمكن محاولة إعادة هيكلة مقياس المتغير التابع باستخدام الدوال الرياضية غير الخطية. تشمل أشهر التحويلات:
- التحويل اللوغاريتمي ($log(Y)$): ملائم جداً للبيانات الملتوية التواءً موجباً شديداً والتي يزيد تباينها طردياً مع متوسطها.
- تحويل الجذر التربيعي ($\sqrt{Y}$): ممتاز لبيانات التكرارات أو المتغيرات التي تتبع توزيع بواسون حيث يتطابق التباين مع المتوسط.
- تحويل مقلوب القيمة ($1/Y$): يُستخدم في قياسات أزمنة الاستجابة ومعدلات الإنجاز.
- تحويل بوكس-كوكس (Box-Cox Transformation): خوارزمية تبحث آلياً عن أفضل معامل أس ($lambda$) يقرب البيانات من شروط الاعتدالية والتجانس التام معاً. غير أن عيب التحويلات يكمن في صعوبة التفسير العملي للدرجات المحولة في التقارير التطبيقية.
- اللجوء إلى الاختبارات اللامعلمية (Non-parametric Tests): عند فشل التحويلات الرياضية، أو عندما تكون البيانات رتبية في أصلها ومصحوبة بانتهاك جسيم للتجانس، يمكن الانتقال إلى اختبار كروسكال-واليس (Kruskal-Wallis Test) كبديل لتحليل التباين الأحادي. ورغم أن هذا الاختبار يتحرر من افتراض التوزيع الطبيعي، إلا أنه يشترط في واقع الأمر تشابهاً شكلياً في توزيعات المجموعات للمقارنة بين الوسيطات، وإلا فإنه يختبر فقط تساوي متوسطات الرتب.
4. الفروق الجوهرية بين اختبار موكلي واختبار ليفين
4.1 التصميم التجريبي وطبيعة العينات المستهدفة
إن الجذر الأساسي للاختلاف بين اختباري موكلي وليفين يكمن في البنية الهيكلية للتصميم التجريبي المتبع ونوع العينات الإحصائية التي يتم جمع البيانات منها. فاختبار موكلي مصمم من الألف إلى الياء لمعالجة البيانات الطولية والقياسات المتكررة (Within-Subjects / Repeated Measures)، حيث يكون كل مفحوص بمثابة ضابط لنفسه، وتكون القياسات المختلفة مرتبطة إحصائياً ونابعة من نفس وحدة المعاينة عبر فترات زمنية أو ظروف تجريبية متغيرة. هذا الارتباط الحتمي بين الملاحظات يجعل الفحص منصباً على استقرار التباين عبر هذه التغيرات الداخلية للأفراد.
في المقابل، يتوجه اختبار ليفين كلياً نحو تصاميم العينات المستقلة (Between-Subjects Designs)، والتي يُفرز فيها المشاركون إلى مجموعات منفصلة تماماً ومستقلة إحصائياً، بحيث لا ينتمي الفرد الواحد إلا لمجموعة واحدة فقط (مثل المقارنة بين الذكور والإناث، أو بين المجموعة الضابطة ومجموعات تجريبية تتلقى جرعات علاجية مختلفة). لا يوجد هنا أي ارتباط بين أفراد المجموعات، وبالتالي فإن الفحص لا يتعامل مع فروق بين القياسات لنفس الفرد، بل يركز فقط على مدى اتساع تشتت درجات أفراد كل مجموعة حول مركزهم الخاص مقارنة بتشتت بقية المجموعات المستقلة.
تتجلى قمة التكامل والتعقيد عند استخدام التصاميم العاملية المختلطة (Mixed Factorial Designs / Split-Plot Designs)، وهي التصاميم التي تحتوي على الأقل على عامل مستقل واحد بين المجموعات وعامل مستقل واحد داخل المجموعات (قياسات متكررة)، كما هو الحال في تجارب مقارنة استجابات الصدمة النفسية عبر الزمن بين مجموعات علاجية مختلفة (ter Heide et al., 2011). في هذه النماذج المختلطة، لا يمكن للباحث الاستغناء بأحد الفحصين عن الآخر؛ بل يجب استدعاء كلا الاختبارين في مواضع مختلفة من شجرة التحليل:
- يُستخدم اختبار ليفين لفحص تجانس تباين درجات الخطأ بين المجموعات المستقلة لكل مستوى زمني على حدة.
- يُستخدم اختبار موكلي لفحص فرض الكروية لمستويات العامل المتكرر عبر الزمن وللتفاعل المشترك بين العامل المتكرر وعامل المجموعات المستقلة.
4.2 البنية الرياضية ومصفوفات البيانات المقاسة
من الناحية الرياضية المجردة، يعمل كلا الاختبارين على بنيات جبرية مختلفة كلياً لمصفوفات البيانات. فاختبار موكلي يتعامل مع مصفوفة التباين والتباين المشترك لمستويات القياس المتكرر، والتي يرمز لها عادة بالرمز $boldsymbol{\Sigma}$. يفحص إحصاء موكلي، الذي يرمز له بـ W، مدى اقتراب مصفوفة التغاير المحولة للفروق المتعامدة من أن تكون مصفوفة كروية، أي مصفوفة تتطابق فيها عناصر القطر الرئيسي وتنعدم فيها تماماً العناصر غير القطرية، وهو ما يتم صياغته بدلالة حاصل ضرب القيم الذاتية (Eigenvalues) للمصفوفة مقسوماً على متوسطها الحسابي المرفوع لأس أبعادها:
$$W = \frac{\prod \lambda_i}{\left(\frac{1}{k-1}\sum \lambda_i\right)^{k-1}}$$
تتراوح قيمة W بين الصفر والواحد الصحيح؛ فكلما اقتربت القيمة من الواحد دل ذلك على التحقق الكامل لفرض الكروية، وكلما اقتربت من الصفر دلت على ابتعاد شديد عن الكروية ووجود تفاوت هائل في تباينات الفروق الزوجية، مما يترتب عليه دلالة إحصائية وحاجة ملحة لتصحيح درجات الحرية.
في المقابل، لا يتعامل اختبار ليفين مع مصفوفات التغاير أو القيم الذاتية على الإطلاق؛ بل يقتصر تحليله على تباينات أحادية البعد تُحسب لكل مجموعة مستقلة بمعزل عن الأخرى. إن درجات الحرية في اختبار ليفين تتحدد ببساطة بعدد المجموعات المستقلة ($k – 1$) في البسط، والعدد الكلي للأفراد مطروحاً منه عدد المجموعات ($N – k$) في المقام. بينما في اختبار موكلي، ترتبط درجات الحرية الخاصة بإحصاء الاختبار بأبعاد مصفوفة الفروق المتعامدة، وتُحسب وفق المعادلة التركيبية:
$$df = \frac{(k-1)(k-2)}{2} – 1$$
هذا التباين الهيكلي يعكس الفارق العميق في طبيعة الأسئلة التي يجيب عنها كل فحص؛ فاختبار ليفين يتساءل: “هل يختلف مدى تشتت المفحوصين حول المتوسط باختلاف انتمائهم الفئوي؟”، بينما يتساءل اختبار موكلي: “هل التباين الكامن في التغير الحاصل بين الشرط التجريبي الأول والثاني يكافئ التباين الكامن في التغير بين الشرط الأول والثالث والشرط الثاني والثالث؟”.
جدول المقارنة الجوهرية بين اختباري موكلي وليفين
يوضح الجدول المنهجي التالي المقارنة الشاملة والدقيقة بين الاختباريْن عبر جميع الأبعاد التصميمية والرياضية والتحليلية المعتمدة في المراجع الإحصائية المتقدمة:
| البُعد المقارن (Aspect) | اختبار موكلي (Mauchly’s Test) | اختبار ليفين (Levene’s Test) |
|---|---|---|
| نوع التصميم التجريبي المستهدف | تصاميم داخل المجموعات / القياسات المتكررة (Within-Subjects / Repeated Measures). | تصاميم بين المجموعات المستقلة (Between-Subjects Designs). |
| الافتراض الإحصائي المفحوص | فرضية الكروية (Sphericity) وتساوي تباينات الفروق الزوجية. | تجانس التباينات (Homoscedasticity) لدرجات المتغير التابع. |
| صياغة الفرضية الصفرية ($H_0$) | $$\sigma_{D_1}^2 = \sigma_{D_2}^2 = dots = \sigma_{D_m}^2$$ (تساوي تباينات جميع أزواج الفروق الممكنة). | $$\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$$ (تساوي تباين المجتمع عبر المجموعات المستقلة). |
| الحد الأدنى لمستويات المتغير | يتطلب 3 مستويات على الأقل ($k ge 3$). للمستويين ($k=2$) تكون الكروية مستوفاة حكماً. | يتطلب مجموعتين مستقلتين على الأقل ($k ge 2$). |
| البنية الرياضية الخاضعة للفحص | مصفوفة التباين والتباين المشترك ($boldsymbol{\Sigma}$) وتحويلاتها المتعامدة. | الانحرافات المطلقة للقيم الفردية عن المتوسط أو الوسيط داخل كل خلية. |
| الأثر الاستدلالي المباشر للانتهاك | تضخيم إحصاء F للقياسات المتكررة وزيادة معدل الخطأ من النوع الأول. | تشوه المقام في إحصاء F وانهيار موثوقية اختبارات المقارنات المتعددة. |
| الحلول الإحصائية التعديلية المعيارية | تعديل درجات الحرية عبر معامل إبسيلون (Greenhouse-Geisser أو Huynh-Feldt). | استخدام اختبار ويلش (Welch’s ANOVA) أو اختبار براون-فورسيث. |
| البدائل غير المعلمية والحديثة المتاحة | اختبار فريدمان (Friedman)، أو التحول للنماذج الخطية المختلطة (LMM/MANOVA). | اختبار كروسكال-واليس (Kruskal-Wallis)، أو التحويلات غير الخطية للبيانات. |
| طبيعة التعديل المجرى على النموذج | لا يُغير قيمة إحصاء F المحسوبة مطلقاً، بل يقلص درجات الحرية المقابلة لها فقط. | يُعيد احتساب قيمة إحصاء النموذج كلياً (إحصاء F لويلش يختلف عن F القياسي). |
4.3 طبيعة الحلول التعديلية وبدائل النمذجة
يبرز اختلاف منهجي دقيق في الكيفية التي يعالج بها المحلل الإحصائي انتهاك كل من الاختبارين. فعند انتهاك اختبار موكلي، يظل جوهر معادلة تحليل التباين ثابتاً لا يتغير؛ حيث تبقى قيمة النسبة المحسوبة لإحصاء F (والتي تساوي متوسط مربعات المعالجة مقسوماً على متوسط مربعات الخطأ) كما هي تماماً. يتركز التعديل حصرياً في ضرب درجات حرية البسط ودرجات حرية المقام في معامل إبسيلون المقدر ($\hat{\epsilon}$)، مما يؤدي إلى خفض درجات الحرية، وبالتالي زيادة قيمة F الجدولية المطلوبة للوصول إلى العتبة الاحتمالية ($p < 0.05$). هذا الإجراء الذكي يُصحح التحيز المتفائل دون الحاجة لتغيير هيكل الاختبار الأساسي.
في المقابل، لا يتعامل الإحصائيون مع انتهاك اختبار ليفين بمجرد تعديل درجات الحرية لنفس الصيغة التقليدية لـ ANOVA (إلا بشكل جزئي داخل اختبار ويلش)، بل يستدعي الأمر إعادة بناء الصيغة الرياضية لحساب إحصاء الاختبار برمته. فاختبار ويلش يقوم بوزن كل مجموعة بمقلوب تباينها الخاص ($w_i = n_i / s_i^2$) بدلاً من استخدام متوسط مربعات الخطأ المجمع ($MS_{within}$)، مما يولد قيمة جديدة كلياً لإحصاء F تختلف عن القيمة الناتجة من تحليل التباين الكلاسيكي. هذا يعني أن علاج ليفين يغير قيمة الإحصاء المحسوب ودرجات الحرية معاً، بينما يكتفي علاج موكلي بتقليص درجات الحرية لنفس القيمة المحسوبة سلفاً.
يمتد هذا الاختلاف إلى مسألة القوة الإحصائية ومستوى التحفظ. فعندما يلجأ الباحث لتصحيح غرينهاوس-غايسر لعلاج انتهاك موكلي، فإنه يدفع ثمناً واضحاً من القوة الإحصائية للنموذج عبر تقليص درجات الحرية، خاصة إذا كانت العينة صغيرة. لكن هذا التحفظ يظل ضمن حدود النموذج المعلمي التكراري نفسه. أما في حالة ليفين، فإن اللجوء للتحويلات غير الخطية (مثل تحويلات اللوغاريتم أو تحويل الجذر) قد يحل مشكلة التباين، ولكنه قد يخلق تشوهات في شكل التوزيع، أو يغير طبيعة العلاقات التفاعلية بين المتغيرات المستقلة من علاقات خطية جمعية إلى علاقات ضربية معقدة يصعب تفسيرها نظرياً، مما يجعل اختبار ويلش دائماً الخيار الأكثر جاذبية وموثوقية في الأدبيات المعاصرة (Vaghi et al., 2017).
5. أوجه التشابه والتداخل الإحصائي بين الاختبارين
5.1 الهدف المشترك وموقع الاختبار في شجرة القرارات
رغم التباينات الهيكلية العميقة في التصميم والمعالجة الرياضية، يشترك اختبارا موكلي وليفين في فلسفة إحصائية موحدة تتمثل في كونهما فحوصات تشخيصية أولية (Diagnostic Gatekeepers). فكلا الاختبارين لا يهدف في حد ذاته إلى اختبار فرضيات البحث الجوهرية المتعلقة بالفروق بين الظواهر أو فاعلية التدخلات، بل يمثلان مرحلة استكشافية وقائية لا غنى عنها تسبق فحص التأثيرات الرئيسية (Main Effects) والتفاعلية (Interaction Effects) للنموذج الخطي العام.
يسعى كلا الاختبارين لحماية النموذج الإحصائي من التشوه في تقدير تباين الخطأ التجريبي (Error Variance). ففي النماذج الخطية العامة، يمثل تباين الخطأ المقياس المعياري الذي نزن به الفروق المرصودة؛ وإذا كان هذا المقياس معطوباً أو غير مستقر عبر الشروط التجريبية، فإن الاستنتاج الاستدلالي برمته يفقد مصداقيته. من هنا، يعمل كلا الاختبارين كصمام أمان يحول دون الوقوع في شرك الاستنتاجات العلمية الزائفة أو تعميم نتائج لم تراعِ حدود الصدفة والتشتت العشوائي.
يتشابه الاختباران أيضاً في القاعدة الاستدلالية المعتمدة لتقرير “النجاح” في استيفاء الفرضية. فبينما يبحث الأكاديمي في فرضياته الأصلية عن دلالة إحصائية ($p < 0.05$) لإثبات وجود تأثير لمتغيره المستقل، فإنه في اختباري موكلي وليفين يأمل ويشترط العكس تماماً؛ أي الفشل في رفض الفرضية الصفرية وتحقيق قيمة احتمالية غير دالة إحصائياً ($p ge 0.05$). إن الحصول على قيمة غير دالة يمنح الباحث الضوء الأخضر للمضي قدماً في تفسير النتائج باستخدام الصيغ المعيارية المباشرة لتحليل التباين دون الحاجة لتحفظات أو معاملات تصحيحية مرهقة، وهو ما يشكل الأساس النظري لاستقرار التحليلات العصبية المتقدمة التي تقارن الاستجابات الانفعالية تحت الضغوط الحادة (Tomova et al., 2016).
5.2 مشكلة الحساسية لحجم العينة والاعتماد المفرط على الدلالة
تتمثل إحدى أهم المشكلات المنهجية المشتركة بين اختباري موكلي وليفين في اعتمادهما المفرط على الدلالة الإحصائية الاسمية ($p-value$)، وتأثرهما الحاد بحجم العينة الخاضعة للدراسة ($N$). يُعرف هذا الخلل في الإحصاء التطبيقي بـ مفارقة حجم العينة (Sample Size Paradox)، والتي تظهر تجلياتها في طرفي المعادلة المعاينية:
- في العينات الكبيرة جداً ($N > 300$): يكتسب كلا الاختبارين قوة إحصائية فائقة وغير مبررة، مما يجعلهما يرفضان الفرضية الصفرية ($p < 0.05$) عند وجود انحرافات طفيفة وهامشية للغاية في التباينات أو الكروية؛ وهي انحرافات ضئيلة لا تؤثر على الإطلاق في قوة وصلاحية تحليل التباين الكلاسيكي المتين بطبعه للتذبذبات الخفيفة. هذا الرفض المفرط يدفع الباحثين إلى تطبيق تعديلات تصحيحية بالغة التحفظ تقلل دون مبرر من قدرتهم على اكتشاف الفروق الحقيقية ذات المعنى العملي.
- في العينات الصغيرة جداً ($N < 30$): يعاني كلا الاختبارين من ضعف شديد في القوة الإحصائية (Low Statistical Power). وفي هذه الحالة، قد تسجل البرمجيات قيماً احتمالية غير دالة إحصائياً ($p > 0.05$) توحي بسلامة البيانات واستيفائها للفروض، في حين أن البيانات تتضمن انتهاكات جسيمة وخطيرة تؤدي عملياً إلى تشويه حسابات F وتضخيم الخطأ من النوع الأول. إن عدم وجود دلالة هنا يعكس عجز الاختبار عن الرصد وليس سلامة البيانات الإحصائية الفعلية، كما هو الحال الشائع في الدراسات السريرية العصبية المعقدة التي يصعب فيها الحصول على عينات ضخمة لمرضى الحالات النادرة (Holmes et al., 2017).
لتجاوز هذا المأزق المنهجي، تؤكد التوصيات الإحصائية الحديثة على ضرورة عدم الاكتفاء بالقيمة الاحتمالية الناتجة عن اختباري موكلي وليفين بشكل أعمى. يجب على المحلل الحصيف الجمع بين الفحص الدلالي الرسمي والمؤشرات البصرية والتشخيصية التكميلية، مثل:
- مراجعة نسب التباين بين أعلى وأدنى مجموعة، حيث تُعتبر النسبة المقبولة التي تدل على متانة النموذج الكلاسيكي أقل من $1.5:1$ (أو حتى $3:1$ في العينات المتساوية).
- فحص المخططات الصندوقية (Boxplots) للمجموعات المستقلة لرصد التشتت الموضعي ووجود القيم الشاذة والمتطرفة بوضوح.
- تفحص مخططات المتبقيات مقابل القيم المتنبأ بها (Residuals vs. Fitted Plot) للتأكد من غياب الأشكال البصرية المشوهة كالقمع أو البوق التي تفضح عدم ثبات التباين.
- مراجعة قيمة إبسيلون في تصاميم القياسات المتكررة؛ فإذا كانت قريبة جداً من الواحد الصحيح ($epsilon > 0.90$)، فإن الانتهاك الطفيف في اختبار موكلي لا يستدعي قلقاً استدلالياً كبيراً.
6. دليل الاستخدام العملي وسياقات التطبيق الإحصائي
6.1 شجرة اتخاذ القرار لاختيار الفحص المناسب
لتوجيه الباحث والمحلل خطوة بخطوة نحو التحديد المنهجي الصحيح للاختبار التشخيصي الواجب اعتماده، تم بناء مصفوفة اتخاذ القرار الإحصائي وفقاً لطبيعة التصميم وهيكل المتغيرات المستقلة:
-
تحديد طبيعة المتغير المستقل الأساسي:
- إذا كان المتغير المستقل يُقسّم الأفراد إلى مجموعات مستقلة غير متداخلة (مثل: المجموعة الضابطة مقابل المجموعة التجريبية، أو تصنيف الأفراد حسب الفئات العمرية)، فإن الفحص المطلوب حصرياً هو اختبار ليفين (Levene’s Test) لفحص تجانس التباينات.
- إذا كان المتغير المستقل عبارة عن شروط تجريبية متعددة يخضع لها نفس المفحوصين، أو نقاط زمنية متتابعة لنفس الأفراد (مثل: قياس قبلي، قياس بعدي، قياس تتبعي)، ننتقل للخطوة التالية.
-
تحديد عدد مستويات المتغير داخل المجموعات:
- إذا كان المتغير المتكرر يتكون من مستويين فقط ($k = 2$): لا تقم بتطبيق اختبار موكلي، فالكروية متحققة رياضياً بشكل كامل وتلقائي. انتقل مباشرة لتفسير نتائج القياسات المتكررة دون الحاجة لأي تصحيح.
- إذا كان المتغير المتكرر يتكون من ثلاثة مستويات أو أكثر ($k ge 3$): يجب تطبيق اختبار موكلي (Mauchly’s Test) لفحص الكروية قبل الشروع في قراءة نتائج التأثير الرئيسي للتكرار.
-
التعامل مع التصاميم العامليّة المختلطة (عامل بيني + عامل متكرر):
- قسّم الفحوص التشخيصية بدقة تامة؛ طبق اختبار ليفين على كل قياس زمني بين المجموعات المستقلة للتأكد من استقرار تباين الخطأ المشترك.
- طبق اختبار موكلي على العامل الزمني الداخلي وتفاعله مع المجموعات المستقلة لضمان استيفاء فرضية الكروية لمصفوفة الفروق.
يتيح هذا الترتيب المنطقي الصارم تجنب التخبط المنهجي في التحليلات الطولية والتجارب الإكلينيكية التي تتابع استراتيجيات التنظيم الانفعالي لدى اليافعين عبر جلسات متكررة وفئات عمرية متباينة (Volkaert et al., 2019).
6.2 قراءة المخرجات الإحصائية وتفسيرها في البرمجيات المتخصصة
تتطلب القراءة العلمية السليمة لمخرجات البرمجيات الإحصائية فهم الدلالة الدقيقة لكل جدول وعمود رقمي ينتجه البرنامج. وفيما يلي تفصيل منهجي لكيفية قراءة وتفسير نتائج كلا الاختبارين في برنامجي SPSS ولغة R الإحصائية:
أولاً: قراءة مخرجات اختبار موكلي في برنامج SPSS:
عند تشغيل تحليل القياسات المتكررة عبر المسار (Analyze -> General Linear Model -> Repeated Measures)، يُنتج البرنامج جدولاً رئيساً يحمل عنوان Mauchly’s Test of Sphericity. يتضمن هذا الجدول عدة أعمدة محورية:
- عمود Within Subjects Effect: يوضح اسم العامل داخل المجموعات الخاضع للتقييم.
- عمود Mauchly’s W: يمثل قيمة إحصاء الاختبار المحسوبة؛ وكلما اقتربت هذه القيمة من 1.0 دل ذلك على اقتراب المصفوفة من الكروية المثالية.
- عمود Approx. Chi-Square وdf: يمثلان قيمة كاي-تربيعي التقريبية ودرجات الحرية المقابلة لها المستخدمة في تحديد المعنوية.
- عمود الدلالة Sig.: هو القيمة الاحتمالية (p-value). إذا كانت القيمة $Sig. ge 0.05$، فإننا نقبل الفرضية الصفرية وننتقل إلى جدول Tests of Within-Subjects Effects ونعتمد الصف الأول المعنون بـ Sphericity Assumed. أما إذا كانت $Sig. < 0.05$، فإننا نرفض الكروية ونتجاهل صف Sphericity Assumed تماماً.
- أعمدة Epsilon ($epsilon$): تتضمن قيم Greenhouse-Geisser وHuynh-Feldt وLower-bound. عند انتهاك الكروية، ننظر إلى قيمة Greenhouse-Geisser؛ فإذا كانت أقل من 0.75 نعتمد الصف المعنون بـ Greenhouse-Geisser في جدول التأثيرات ونوثق درجات الحرية وقيمة الدلالة الواردة فيه. أما إذا كانت القيمة أكبر من 0.75، فنعتمد الصف المقابل لـ Huynh-Feldt.
ثانياً: قراءة مخرجات اختبار ليفين في برنامج SPSS:
في اختبارات العينات المستقلة ومقارنة المتوسطات، يظهر جدول Levene’s Test for Equality of Variances:
- في مخرجات اختبار t للعينات المستقلة (Independent Samples t-test)، يظهر فحص ليفين في أول عمودين. إذا كانت قيمة $Sig. ge 0.05$، نعتمد الصف العلوي المعنون Equal variances assumed. أما إذا كانت $Sig. < 0.05$، نعتمد الصف السفلي المعنون Equal variances not assumed (وهو التعديل المعروف باختبار ويلش-ساترثوايت).
- في مخرجات تحليل التباين الأحادي (One-Way ANOVA)، يظهر جدول منفصل يُدعى Test of Homogeneity of Variances يعرض أربع قيم بناءً على: المتوسط (Based on Mean)، والوسيط (Based on Median)، والوسيط مع تعديل درجات الحرية، والمتوسط المشذب. يُفضل دائماً الاعتماد على القيمة المبنية على الوسيط (Based on Median) لمتانتها العالية. فإذا كانت $Sig. < 0.05$، يجب على الباحث التوجه إلى خانة الخيارات المتقدمة (Options) واختيار إحصاء Welch وتوثيقه كبديل نهائي لـ ANOVA التقليدي.
ثالثاً: التنفيذ البرمجي عبر لغة R:
توفر بيئة لغة R حزماً إحصائية رائدة لإجراء هذه الفحوصات التشخيصية بأعلى درجات الدقة:
-
لاختبار ليفين: تُستخدم الدالة القياسية
leveneTest()المتاحة داخل مكتبةcar. يتميز التنفيذ البرمجي في هذه الحزمة باعتماد الوسيط كخيار افتراضي (مما يحقق اختبار براون-فورسيث تلقائياً):صيغة الأمر:
car::leveneTest(dependent_variable ~ group, data = my_data, center = median)يُنتج هذا الأمر جدول تحليل تباين للانحرافات يتضمن إحصاء F ودرجات الحرية وقيمة Pr(>F) التي تدل على معنوية الاختلاف في التباين.
-
لاختبار موكلي والقياسات المتكررة: توفر حزمة
rstatixدالة متكاملة وذكية تُدعىanova_test()تقوم بفحص موكلي وتطبيق تعديل غرينهاوس-غايسر وهونه-فيلت تلقائياً بمجرد تحديد العامل المتكرر:صيغة الأمر:
rstatix::anova_test(data = my_data, dv = score, wid = subject_id, within = time)تُنتج هذه الدالة تقريراً يوضح قيمة إحصاء موكلي، والقيمة الاحتمالية، وقيمة إبسيلون التقديرية، وتعدل جدول تحليل التباين آلياً في حال ثبوت الانتهاك، مما يوفر على الباحث عناء الحسابات اليدوية.
7. الأسئلة الشائعة حول اختباري موكلي وليفين
7.1 هل يمكن تطبيق اختبار موكلي إذا كان للمتغير المتكرر مستويان فقط؟
الإجابة القاطعة هي: لا، من المستحيل رياضياً ومنطقياً تطبيق اختبار موكلي على متغير داخل المجموعات يتضمن مستويين فقط ($k = 2$). يرجع هذا الامتناع الرياضي إلى أن فرضية الكروية تعتمد في جوهرها على مقارنة تباينات درجات الفروق الزوجية المتعددة. فعندما يكون للمتغير مستويان اثنان فقط (مثل: قياس قبلي وقياس بعدي)، لا يتولد عن البيانات إلا متغير فرق وحيد ناتج عن طرح القياس الثاني من القياس الأول ($D = Y_2 – Y_1$).
بما أن لدينا متغيراً واحداً فقط للفروق، فإن له تبايناً حسابياً واحداً ($\sigma_D^2$). ومن ثم، لا يوجد تباين فرق آخر لنقارنه به ونسأل ما إذا كان مساوياً له أم مختلفاً عنه. في هذا السياق، تتحقق فرضية الكروية حكماً وتلقائياً وبنسبة 100%؛ إذ لا يمكن لشيء أن يختلف عن ذاته. هذا هو التفسير العلمي الدقيق لسبب ظهور خانة إحصاء موكلي ودرجات الحرية ومستوى الدلالة فارغة تماماً، أو احتواؤها على نقاط (.) أو رموز مفقودة (NaN) في مخرجات برنامج SPSS وبقية الحزم الإحصائية المتقدمة. وبالتالي، في تصاميم القياس القبلي والبعدي، يتخطى الباحث فحص موكلي كلياً ويعتمد نتائج اختبار القياسات المتكررة المباشرة أو اختبار t للعينات المترابطة بثقة مطلقة ودون الحاجة لأي تصحيح لإبسيلون.
7.2 ماذا يفعل الباحث إذا انتهك كلا الافتراضين في تصميم مختلط؟
يواجه الباحثون في الدراسات التجريبية المختلطة (التي تضم عينات مستقلة مقاسة عبر ثلاث فترات زمنية أو أكثر) في بعض الحالات مأزقاً إحصائياً مركباً يتمثل في: انتهاك اختبار ليفين لدرجات المتغير التابع بين المجموعات، وانتهاك اختبار موكلي للقياسات المتكررة عبر الزمن في آن واحد. إن التعامل الكلاسيكي المنفرد مع كل انتهاك قد يظل قاصراً عن معالجة التفاعل المشوه بين العاملين. وفي هذا الموقف المتقدم، يوصي الإحصائيون باتباع التدرج الإجرائي التالي:
- تطبيق التصحيح المزدوج في إطار ANOVA: يتم تطبيق تصحيح غرينهاوس-غايسر أو هونه-فيلت على العامل المتكرر والتفاعل الزمني-الفئوي لمعالجة انتهاك موكلي، بالتزامن مع تطبيق اختبارات المقارنات البعدية المتينة لعدم تجانس التباين (مثل اختبار Games-Howell بدلاً من Tukey HSD) لمعالجة انتهاك ليفين بين المجموعات. ومع ذلك، يظل هذا الحل حلاً ترقيعياً قد يعاني من قيود استدلالية.
- الانتقال إلى النماذج الخطية المختلطة (Linear Mixed-Effects Models – LMM): يمثل هذا النهج الحل المعياري الذهبي والأكثر رصانة في الإحصاء الحديث. تتيح النماذج الخطية المختلطة للباحث نمذجة مصفوفة التغاير للبيانات بحرية ومرونة فائقة، دون فرض كروية مسبقة، ودون اشتراط تجانس تباين متطابق عبر المجموعات. يستطيع الباحث تحديد بنية تغاير غير مقيدة (Unstructured) أو بنية ذاتية الانحدار (Autoregressive AR(1)) تتسع لاختلاف التباينات عبر الزمن وتسمح باختلاف تباين الخطأ لكل مجموعة مستقلة على حدة، مما يزيل الآثار السلبية لكلا الانتهاكين معاً بضربة واحدة.
- استخدام أساليب إعادة أخذ العينات والتمهيد الإحصائي (Bootstrapping): تُعد طريقة التمهيد الإحصائي أسلوباً حاسوبياً قوياً لا يعتمد على أي افتراضات مسبقة حول الكروية أو تجانس التباين؛ حيث تقوم الخوارزمية بإنشاء آلاف العينات العشوائية التكرارية من بيانات الدراسة الأصلية لتوليد فترات ثقة تجريبية دقيقة غير معلمية لجميع التأثيرات والتفاعلات.
7.3 هل يغني اختبار موكلي عن اختبار ليفين في تصاميم القياسات المتكررة؟
الإجابة العلمية الواضحة هي: لا، لا يمكن لأي من الاختبارين أن يغني عن الآخر أو يحل محله في تصاميم القياسات المتكررة التي تتضمن عينات مقارنة. يرجع ذلك إلى أن كل فحص يستهدف جانباً مستقلاً تماماً من بنية التباين في النموذج الخطي، ويمكن إيضاح حدود عمل كل منهما وفق الآتي:
- اختبار موكلي يختص حصرياً بالتباينات داخل المفحوص الواحد عبر تغير الشروط الزمنية أو التجريبية؛ فهو يراقب هل التغيرات الذاتية للأفراد تتذبذب بنفس المعدل التبايني عبر المحطات المختلفة أم لا. وهو أعمى تماماً عن الفروق التشتتية بين مجموعات الأفراد المختلفة.
- اختبار ليفين يختص حصرياً بالتباينات بين المجموعات المستقلة؛ فهو يفحص هل تشتت درجات أفراد المجموعة الضابطة حول متوسطهم يماثل تشتت درجات أفراد المجموعة العلاجية حول متوسطهم عند كل قياس زمني مستقل. ولا يمتلك أي آلية لمعرفة مدى ارتباط القياسات المتكررة للأفراد أنفسهم أو كروية مصفوفة تغايرها.
بناءً على ذلك، في التصاميم المختلطة (Mixed Factorial Designs)، يجب تضمين تقرير كلا الاختبارين في قسم النتائج الإحصائية. فالتقرير المنهجي الرصين يستلزم الإشارة إلى قيمة ليفين لبيان سلامة مقارنة المجموعات، والإشارة إلى قيمة موكلي لبيان سلامة متابعة التغيرات الطولية عبر الزمن والتفاعلات المشتركة بينها؛ وإهمال أحدهما يُعد قصوراً تشخيصياً يضعف ثقة المحكمين والباحثين في الصلاحية الإحصائية للدراسة.
8. الخاتمة: استخلاص منهجي وتوصيات الممارسة التحليلية
8.1 خلاصة المقارنة وأثرها على جودة البحث الأكاديمي
تُظهر المقارنة التفصيلية المتعمقة بين اختبار موكلي واختبار ليفين أنهما لا يمثلان اختبارين متنافسين، بل أداتان تشخيصيتان متكاملتان يخدم كل منهما بنية تجريبية محددة بدقة داخل مظلة النماذج الخطية العامة. فاختبار ليفين هو الحارس الأمين على صحة استدلالات الفروق بين العينات المستقلة ومجموعات المعالجة المفصولة، بينما يمثل اختبار موكلي صمام الأمان الحاسم لصدقية استدلالات التغيرات الداخلية للأفراد عبر الزمن والشروط التكرارية المرتبطة.
إن الالتزام الصارم بتطبيق هذه الفحوصات التشخيصية قبل الشروع في تفسير التأثيرات الرئيسية لا يمثل مجرد ترف أكاديمي أو متطلب شكلي للمجلات العلمية، بل هو الضامن الحقيقي لعصمة الباحث من الوقوع في تضخيم الخطأ من النوع الأول أو إهدار القوة الإحصائية لدراسته. لقد ساهم الاستخدام السطحي وغير الواعي للحزم الإحصائية في تعميم استنتاجات خاطئة في العديد من المجالات السلوكية والصحية، حيث يتم الركون إلى قيم F التقليدية دون التحقق من ثبات التباين ومصفوفات الفروق. ومن هنا، فإن التحول من الممارسة الآلية العمياء إلى الفهم التفكيكي الواعي لبنية التباين يُعد حجر الزاوية في تجاوز أزمة التكرار وتعزيز موثوقية المعرفة العلمية الرصينة.
8.2 توصيات منهجية للباحثين ومحللي البيانات
بناءً على الأطر النظرية والتطبيقية المعروضة في هذا الدليل، نضع بين يدي الباحثين ومحللي البيانات مجموعة من التوصيات الإجرائية لضمان أعلى معايير الجودة في ممارساتهم التحليلية:
- التوثيق الإحصائي الكامل والشامل: يجب التوقف التام عن الاكتفاء بعبارات عامة مثل “تم التحقق من الفروض المسبقة وكانت مستوفاة”. يُلزم الباحث بالتوثيق الرقمي الدقيق لنتائج الفحص وفق معايير جمعية علم النفس الأمريكية (APA)؛ من خلال كتابة إحصاء الاختبار ودرجات الحرية والقيمة الاحتمالية بدقة (مثال: Mauchly’s $W = 0.78, \chi^2(2) = 6.45, p = 0.040, \epsilon_{GG} = 0.81$).
- تطبيق التعديلات التصحيحية بوعي نقدي: عند انتهاك الكروية في اختبار موكلي، يجب اعتماد تصحيح Greenhouse-Geisser إذا كانت $epsilon < 0.75$ وتصحيح Huynh-Feldt إذا كانت $epsilon ge 0.75$، وتوثيق درجات الحرية المعدلة بصيغتها الكسرية الصريحة. وعند انتهاك ليفين، يجب اعتماد إحصاء ويلش (Welch’s F) وتجنب ANOVA التقليدي.
- المزاوجة الحتمية بين الاختبارات الدلالية والمؤشرات البصرية: نظراً لحساسية اختباري موكلي وليفين الشديدة لحجم العينة، يجب عدم الاعتماد المنفرد على القيمة الاحتمالية. ينبغي دائماً فحص مخططات البواقي، والرسوم الصندوقية، ومخططات الانتشار لرصد التشتت الشاذ واستقرار التباين بصرياً، خاصة في العينات الكبيرة جداً أو الصغيرة جداً.
- التبني المتزايد للنماذج الخطية المختلطة (LMM): يُنصح الباحثون ومراكز البحوث المتقدمة بالانتقال تدريجياً من نماذج ANOVA الكلاسيكية للقياسات المتكررة إلى النماذج الخطية المختلطة؛ لما تتمتع به من قدرة فائقة على تجاوز قيود الكروية وتجانس التباين معاً، وقدرتها الاستثنائية على التعامل مع البيانات المفقودة (Missing Data) والقياسات غير المتوازنة التي تعجز عنها النماذج التقليدية.
المراجع
Bedir, D., & Erhan, S. E. (2021). The Effect of Virtual Reality Technology on the Imagery Skills and Performance of Target-Based Sports Athletes. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2020.02073
Cordi, M. J., Ackermann, S., & Rasch, B. (2019). Effects of Relaxing Music on Healthy Sleep. Scientific Reports. https://doi.org/10.1038/s41598-019-45608-y
de Jongh, A., Ernst, R., Marques, L., & Hornsveld, H. K. (2013). The impact of eye movements and tones on disturbing memories involving PTSD and other mental disorders. Journal of Behavior Therapy and Experimental Psychiatry. https://doi.org/10.1016/j.jbtep.2013.07.002
Hermans, R. C. J., van den Broek, N., Nederkoorn, C., Otten, R., Ruiter, E. L. M., & Johnson‐Glenberg, M. C. (2018). Feed the Alien! The Effects of a Nutrition Instruction Game on Children’s Nutritional Knowledge and Food Intake. Games for Health Journal. https://doi.org/10.1089/g4h.2017.0055
Herrero, R., Mira, A., Cormo, G., Etchemendy, E., Baños, R., García‐Palacios, A., et al. (2018). An Internet based intervention for improving resilience and coping strategies in university students: Study protocol for a randomized controlled trial. Internet Interventions. https://doi.org/10.1016/j.invent.2018.03.005
Holmes, S. E., Girgenti, M. J., Davis, M. T., Pietrzak, R. H., DellaGioia, N., Nabulsi, N., et al. (2017). Altered metabotropic glutamate receptor 5 markers in PTSD: In vivo and postmortem evidence. Proceedings of the National Academy of Sciences. https://doi.org/10.1073/pnas.1701749114
ter Heide, F. J. J., Mooren, T. T. M., Kleijn, W. C., de Jongh, A., & Kleber, R. J. (2011). EMDR versus stabilisation in traumatised asylum seekers and refugees: results of a pilot study. European Journal of Psychotraumatology. https://doi.org/10.3402/ejpt.v2i0.5881
Tomova, L., Majdandžić, J., Hummer, A., Windischberger, C., Heinrichs, M., & Lamm, C. (2016). Increased neural responses to empathy for pain might explain how acute stress increases prosociality. Social Cognitive and Affective Neuroscience. https://doi.org/10.1093/scan/nsw146
Vaghi, M. M. S., Luyckx, F., Sule, A., Fineberg, N. A., Robbins, T. W., & De Martino, B. (2017). Compulsivity Reveals a Novel Dissociation between Action and Confidence. Neuron. https://doi.org/10.1016/j.neuron.2017.09.006
Volkaert, B., Wante, L., Van Beveren, M., Vervoort, L., & Braet, C. (2019). Training Adaptive Emotion Regulation Skills in Early Adolescents: The Effects of Distraction, Acceptance, Cognitive Reappraisal, and Problem Solving. Cognitive Therapy and Research. https://doi.org/10.1007/s10608-019-10073-4