كيفية إيجاد المدى الربيعي (IQR) من المخطط الصندوقي

يُعد استكشاف البيانات الإحصائية وفهم خصائصها التوزيعية حجر الزاوية في أي بحث علمي رصين، لا سيما في ميادين العلوم السلوكية والنفسية والتربوية والطبية. وفي خضم تعامل الباحثين والمحللين مع مجموعات ضخمة من البيانات العددية، تبرز الحاجة الملحة إلى أدوات تمثيل بصري تجمع بين الكفاءة التلخيصية والقدرة على كشف الأنماط الكامنة دون تشويه أو إغفال للخصائص البنيوية لتلك البيانات. هنا يبرز المخطط الصندوقي (Box Plot) كواحد من أعظم الابتكارات في التحليل الاستكشافي، حيث يقدم صورة متكاملة ومكثفة لتوزيع الدرجات عبر معالم واضحة تعكس النزعة المركزية ومقدار التشتت والانتشار والالتواء ووجود القيم الشاذة.

يرتكز المخطط الصندوقي في جوهره الرياضي على مقياس إحصائي بالغة الأهمية يُعرف باسم المدى الربيعي (Interquartile Range – IQR). يمثل المدى الربيعي الفارق الحسابي والهندسي بين الربيع الثالث والربيع الأول، وهو ما يجسد المدى الذي تنتشر فيه نسبة الخمسين بالمائة الوسطى من البيانات. تتجلى القوة المنهجية للمدى الربيعي في كونه مقياساً حصيناً للتشتت لا يتأثر بالقيم المتطرفة أو التوزيعات الملتوية، مما يجعله البديل الأمثل والضروري للانحراف المعياري والمدى الكلي في كثير من السياقات التجريبية والتطبيقية، خاصة عندما تفشل البيانات في استيفاء شروط التوزيع الطبيعي الاعتدالي.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك تحليلي متكامل لكيفية قراءة وفهم واستخراج المدى الربيعي (IQR) مباشرة من المخططات الصندوقية بمختلف أشكالها الهندسية وتطبيقاتها العلمية. سنتناول في هذا المقال الخلفية النظرية للمخطط الصندوقي، وتشريحه الهندسي والإحصائي الدقيق، والخطوات الحسابية والبصرية لاستخراج قيم الربيعيات، وقواعد الكشف عن القيم الشاذة، والمقارنات المنهجية مع مقاييس التشتت الأخرى، إلى جانب أمثلة تطبيقية عميقة مستمدة من القياسات النفسية والسريرية، مع إبراز كيفية الاستفادة من البرمجيات الإحصائية المتقدمة وتفادي الأخطاء التفسيرية الشائعة.

1. مقدمة شاملة: المخطط الصندوقي ومفهوم المدى الربيعي (IQR)

1.1 أهمية الرسوم البيانية التلخيصية في التحليل الإحصائي

تلعب الرسوم البيانية الاستكشافية دوراً محورياً وأساسياً في مرحلة فحص البيانات الأولية، وتحديداً في مجالات العلوم الإنسانية والنفسية والاجتماعية حيث تتسم الاستجابات السلوكية بطبيعة تباينية معقدة. إن الاعتماد الحصري على الأرقام والجداول الوصفية قد يحجب أنماطاً حرجة في التوزيع التكراري، في حين يوفر التمثيل البصري الفوري القدرة على إدراك شكل التوزيع، واكتشاف الانحرافات، وتقييم الفروق الفردية بين العينات بدقة فائقة دون الحاجة إلى افتراضات مسبقة ومقيدة حول شكل المنحنى التكراري.

تتمثل الميزة الفريدة للمخططات البيانية التلخيصية، وعلى رأسها المخطط الصندوقي، في قدرتها على الدمج المتزامن بين مقاييس النزعة المركزية (كالوسيط) ومقاييس التشتت والانتشار (كالمدى الربيعي والمدى العام) في إطار بصري موحد. هذا التكامل يتيح للباحث معاينة التباين داخل المجموعة الواحدة بلمحة سريعة، والتحقق مما إذا كانت الدرجات تتمركز حول نقطة وسطى محددة أم أنها تتشتت على نطاقات متباعدة، فضلاً عن تحديد ما إذا كان التشتت متناظراً حول المركز أو مائلاً نحو أحد الأطراف.

إلى جانب ذلك، يساعد المخطط الصندوقي بشكل مباشر في تقييم مدى مطابقة البيانات لفرضية التوزيع الطبيعي (Normality). فمن خلال مقارنة أطوال نصفي الصندوق، وفحص التماثل بين العارضتين الممتدتين، يستطيع الباحث الحكم المبدئي على اعتدالية التوزيع الإحصائي؛ حيث يشير التناظر الهندسي الكامل إلى اقتراب التوزيع من الاعتدالية، في حين يكشف غياب التناظر عن التواءات إحصائية تتطلب استخدام اختبارات لا معلمية (Non-parametric tests) في المراحل التحليلية اللاحقة.

1.2 التعريف الأساسي للمخطط الصندوقي (Box Plot)

تعود النشأة التاريخية للمخطط الصندوقي إلى عالم الإحصاء الأمريكي الفذ جون توكي (John W. Tukey)، الذي قدمه لأول مرة عام 1977 في كتابه التأسيسي “Exploratory Data Analysis”. هدف توكي من هذا الابتكار إلى تحرير التحليل الإحصائي من القيود الصارمة للمؤشرات البارامترية، وتزويد الباحثين بأداة بصرية سريعة وفعالة تسمح بفحص الهيكل العام للمجموعات العددية وتلخيص خصائصها الجوهرية دون الغرق في التفاصيل الحسابية المعقدة.

يُعرف المخطط الصندوقي هندسياً باسم “الرسم الصندوقي ذي العارضتين” (Box-and-Whisker Plot)، وهو شكل بياني يتألف من مستطيل وسطي مقسوم بخط داخلي، وتنبثق من حافتيه المقابلتين عارضتان (شوارب) تمتدان باتجاه القيم الطرفية للتوزيع. هذا التركيب الهندسي البسيط يختزل توزيعاً كاملاً قد يضم آلاف المفردات في رسم مدمج، مما يجعله أداة استثنائية للمقارنة بين مجموعات متعددة جنباً إلى جنب على محور قياس مشترك دون التضحية بالوضوح.

تتجلى الأهمية الكبرى للمخطط الصندوقي في ضغطه لكثافة البيانات العالية في مساحة بصرية بالغة الصغر، مع الحفاظ التام على المعلومات المتعلقة بالمركز والتشتت والمجال واللاتماثل والشذوذ. وبفضل هذه الخاصية، أصبح المخطط الصندوقي المعيار الذهبي المعتمد في المنشورات الأكاديمية والتقارير البحثية المحكمة عبر مختلف التخصصات العلمية، نظراً لقدرته على إيصال النتائج المعقدة للقارئ بوضوح ودقة متناهية.

1.3 المدى الربيعي (IQR) كمقياس قوي للتشتت

يُعرف المدى الربيعي (Interquartile Range – IQR) إحصائياً بأنه المسافة العددية التي تفصل بين الربيع الأول (المئين 25) والربيع الثالث (المئين 75). ومن الناحية المفاهيمية، يمثل المدى الربيعي نطاق التشتت الذي تقع داخله الكتلة المركزية للبيانات، أي نسبة الخمسين بالمائة (50%) الوسطى من العينة المدروسة بعد استبعاد الربع الأدنى (25% الأدنى) والربع الأعلى (25% الأعلى) من القيم المرصودة.

يمتاز المدى الربيعي بخاصية المناعة الإحصائية أو “الصمود” (Robustness)، وهي ميزة حاسمة تجعله مقاوماً تماماً للتأثر بالقيم الشاذة والمتطرفة (Outliers) مقارنة بمقاييس التشتت التقليدية. فالانحراف المعياري والتباين والمدى الكلي يعتمدون بشكل مباشر على حساب الفروق عن المتوسط الحسابي أو على أقصى قيم في العينة، مما يجعلها عرضة للتضخم الشديد بوجود قيمة شاذة واحدة فقط، في حين يظل المدى الربيعي ثابتاً ومستقراً وممثلاً بدقة للتشتت الحقيقي للنواة الأساسية للبيانات.

تكتسب هذه الخاصية أهمية استثنائية في الأبحاث النفسية والطبية، حيث تشيع الاستجابات المتطرفة الناتجة عن تباين القدرات العقلية، أو اضطرابات المزاج الحادة، أو الأخطاء العشوائية في قياس زمن الرجع. في مثل هذه الظروف، يضمن استخدام المدى الربيعي تقييماً موضوعياً وموثوقاً لمستوى التباين بين المفحوصين دون أن تتأثر النتائج بالدرجات الهامشية الشديدة التي لا تعكس النمط العام للسلوك المدروس.

2. البنية التشريحية للمخطط الصندوقي والملخص الخماسي للأرقام

2.1 عناصر الملخص الخماسي للأرقام (Five-Number Summary)

يقوم البناء الهيكلي لأي مخطط صندوقي على ترجمة بصرية مباشرة لما يُعرف في الإحصاء الوصفي باسم “الملخص الخماسي للأرقام” (Five-Number Summary). يتكون هذا الملخص من خمس معالم إحصائية رئيسية مرتبة تصاعدياً كالتالي: القيمة الصغرى العادية (Minimum)، والربيع الأول (First Quartile – Q1)، والوسيط الإحصائي (Median – Q2)، والربيع الثالث (Third Quartile – Q3)، والقيمة العظمى العادية (Maximum). تشكل هذه النقاط الخمس الهيكل العظمي الذي يحدد أبعاد المخطط على المحور الرقمي.

تمثل القيمة الدنيا (Minimum) أدنى نقطة في مجموعة البيانات تقع ضمن النطاق المقبول الذي لا يُعد شاذاً، وتتطابق مع نهاية العارضة السفلية أو اليسرى. أما الربيع الأول (Q1)، وهو المئين الخامس والعشرون، فيحدد الحافة السفلية (أو اليسرى) لجسم الصندوق، وهو الدرجة التي يقع 25% من البيانات تحتها. والوسيط (Q2) هو المئين الخمسون الذي يقسم التوزيع إلى نصفين متساويين، ويظهر كخط فاصل داخل الصندوق.

أما الربيع الثالث (Q3)، وهو المئين الخامس والسبعون، فيمثل الحافة العلوية (أو اليمنى) لجسم الصندوق، وهي القيمة التي تتجاوز 75% من البيانات. وأخيراً، تمثل القيمة القصوى (Maximum) أعلى نقطة تقع ضمن النطاق الطبيعي للبيانات وتتطابق مع نهاية العارضة العلوية أو اليمنى. يتيح هذا الملخص الخماسي فهماً شاملاً لتوزيع العينة دون الحاجة لمراجعة مصفوفة البيانات الخام بأكملها.

2.2 التكوين الهندسي لجسم الصندوق (The Box Body)

يجسد جسم الصندوق المستطيل في المخطط البياني المسافة الفاصلة بين الربيع الأول (Q1) والربيع الثالث (Q3)، وبالتالي فإن الارتفاع الرأسي (أو العرض الأفقي) للصندوق يمثل بصرياً القيمة الرياضية المطلقة للمدى الربيعي (IQR). كلما زاد طول جسم الصندوق، دلّ ذلك على اتساع المدى الربيعي وزيادة تباين النصف الأوسط من الدرجات؛ وعلى النقيض، كلما كان الصندوق مدمجاً وضيقاً، كان ذلك دليلاً على تجانس وتقارب استجابات أفراد العينة في النطاق المركزي.

يحمل موقع خط الوسيط داخل جسم الصندوق دلالات تحليلية عميقة تتعلق بشكل الالتواء الإحصائي (Skewness) للتوزيع. فإذا استقر خط الوسيط تماماً في منتصف الصندوق، وكان النصف العلوي للمستطيل مساوياً للنصف السفلي، فإن البيانات تتوزع بشكل متناظر تماماً. أما إذا اقترب خط الوسيط من الربيع الأول (الحافة السفلية)، فإن ذلك يشير إلى أن التوزيع ملتوي التواءً موجباً نحو اليمين (Positive Skew)، حيث تتركز معظم الدرجات عند القيم المنخفضة مع استطالة ذيل التوزيع نحو القيم الأعلى.

وعلى العكس من ذلك، إذا تموضع خط الوسيط قريباً من الربيع الثالث (الحافة العلوية للصندوق)، فإن التوزيع يعاني من التواء سالب نحو اليسار (Negative Skew)، مما يعكس كثافة الدرجات عند المستويات المرتفعة واستطالة الذيل نحو القيم الدنيا. كما ترتبط المساحة الكلية للصندوق بالكتلة الاحتمالية المركزية للتوزيع، حيث يحتوي هذا المستطيل دوماً على 50% من جميع المشاهدات، بصرف النظر عن حجم العينة الكلي أو درجة اتساع أطرافها.

2.3 العوارض أو الشوارب (Whiskers) والحدود الخارجية

تمتد العوارض أو الشوارب (Whiskers) كخطوط مستقيمة مستمرة تنطلق من حافتي الصندوق الخارجيتين باتجاه الأطراف الدنيا والقصوى للتوزيع. تمثل هذه العوارض بصرياً النطاق الذي تنتشر فيه الـ 25% الدنيا من البيانات (من Q1 إلى الحد الأدنى) والـ 25% العليا من البيانات (من Q3 إلى الحد الأقصى). تُمكن هذه الخطوط الباحث من تقييم مدى امتداد ذيول التوزيع ودرجة استطالتها في كلا الاتجاهين.

في المخطط الصندوقي المعياري (Tukey Box Plot)، لا تمتد العوارض بالضرورة إلى القيم المطلقة للمتغير إذا وُجدت قيم شاذة، بل يتم تحديد أطوالها القصوى المسموحة استناداً إلى مضاعفات المدى الربيعي، وتحديداً لمسافة تصل إلى 1.5 مرة من قيمة IQR بدءاً من حواف الصندوق. هذا التحديد الرياضي يمنع تشوه المخطط نتيجة القيم الاستثنائية، ويجعل طول العارضة مقياساً دقيقاً لانتشار البيانات الطبيعية خارج نطاق الصندوق المركزي.

تُظهر المخططات الصندوقية تمييزاً بصرياً صارماً بين أطراف البيانات العادية والنقاط الشاذة؛ فالقيم التي تتجاوز نهايات العوارض المسموحة لا تُربط بالخطوط، بل تُرسم كعلامات هندسية منفصلة (كنقاط دائرية أو مربعات أو نجوم) تطفو في الفضاء البياني. هذا الفصل البصري الدقيق ينبه المحلل فوراً إلى وجود مشاهدات غير نمطية تحتاج إلى فحص خاص وتحقق دقيق في سياق جمع البيانات وإدخالها.

3. التعريف الرياضي والإحصائي للمدى الربيعي (IQR)

3.1 المعادلة الرياضية الأساسية للمدى الربيعي

تتسم المعادلة الحسابية للمدى الربيعي بالبساطة والوضوح من الناحية الجبرية، حيث تُعرّف رياضياً بأنها حاصل طرح قيمة الربيع الأول من قيمة الربيع الثالث:

$$\text{IQR} = Q_3 – Q_1$$

حيث يمثل $Q_3$ النقطة المئينية الخامسة والسبعين، بينما يمثل $Q_1$ النقطة المئينية الخامسة والعشرين. يُعبر هذا الفرق الحسابي المباشر عن المسافة الخطية التي تحتضن النصف المركزي من كافة المفردات المرصودة في التوزيع التكراري.

ينبع الاشتقاق الجبري لهذه المعادلة من الرغبة في التخلص من تأثيرات الأطراف؛ فبدلاً من حساب المدى الكلي بطرح الحد الأدنى من الحد الأعلى، يتم اقتطاع الربع السفلي والربع العلوي من البيانات، مما يترك مجالاً تشتتياً صافياً خالياً من التشوهات الهامشية. تنطبق هذه المعادلة بصرامة وثبات سواء كانت البيانات المقاسة تنتمي إلى متغيرات كمية متصلة (Continuous Variables) مثل زمن الرجع والوزن ومعدل الذكاء، أو متغيرات كمية منفصلة (Discrete Variables) مثل عدد الاستجابات الصحيحة في اختبار نفسي.

في حالة المتغيرات المنفصلة، قد تتطابق قيم الربيعيات أحياناً مع قيم عددية صحيحة محددة، أو تتطلب إجراء استيفاء خطي لحساب الكسور، لكن الصيغة الرياضية الأساسية تظل متطابقة. يعطي ناتج هذه المعادلة دائماً قيمة موجبة أو مساوية للصفر (في الحالات النظرية الشديدة التي تتطابق فيها كافة استجابات النصف الأوسط)، مما يجعل تفسيرها سهلاً ومباشراً كدلالة على مقدار الانتشار الداخلي للعينة.

3.2 فهم المئينات والربيعيات في التوزيعات الاحتمالية

تُعد الربيعيات (Quartiles) حالات خاصة من المئينات (Percentiles)، وهي نقاط قطعية تقسم دالة الكثافة الاحتمالية أو التوزيع التكراري التراكمي إلى أربعة أجزاء متساوية في الكتلة الاحتمالية، بحيث يحتوي كل ربع على 25% من إجمالي الملاحظات. يُعرف الربيع الأدنى ($Q_1$) بأنه الدرجة التي يكون احتمال وقوع قيمة عشوائية دونها مساوياً لـ 0.25 ($P(X le Q_1) = 0.25$)، في حين يقع 75% من التوزيع فوق هذه الدرجة.

بالمقابل، يُعرف الربيع الأعلى ($Q_3$) بأنه النقطة التي تحقق احتمالاً تراكمياً مقداره 0.75 ($P(X le Q_3) = 0.75$)، مما يعني أن 75% من البيانات تقع أسفل هذه القيمة، و25% فقط تتجاوزها. يمثل الوسيط ($Q_2$) نقطة المنتصف الاحتمالي التام ($P(X le Q_2) = 0.50$). وبناءً على هذه التعريفات، فإن المدى الربيعي يمثل المدى المحصور بين الدالتين التراكميتين $F(x) = 0.25$ و $F(x) = 0.75$.

في التوزيعات الاحتمالية النظرية المستمرة، مثل التوزيع الطبيعي المعياري $N(0, 1)$، تتطابق الربيعيات مع قيم ثابتة ومعروفة لدرجات $Z$ المعيارية؛ حيث يقع $Q_1$ عند الدرجة $Z \approx -0.6745$، ويقع $Q_3$ عند الدرجة $Z \approx +0.6745$. ومن ثم، فإن المدى الربيعي للتوزيع الطبيعي المعياري يساوي جبرياً المسافة بينهما: $0.6745 – (-0.6745) \approx 1.349$، مما يوضح الصلة الوثيقة بين الربيعيات ومعالم التوزيعات الاحتمالية الكلاسيكية.

3.3 الخصائص الإحصائية للمدى الربيعي

تُعد خاصية الصمود والمناعة الإحصائية (Statistical Robustness) الخاصية الأكثر تميزاً للمدى الربيعي، ويُقاس ذلك بما يُعرف بنقطة الانهيار (Breakdown Point). تبلغ نقطة انهيار المدى الربيعي 25%، مما يعني أن المحلل يمكن أن يستبدل ما يصل إلى 25% من قيم البيانات بأي أرقام اعتباطية متطرفة للغاية دون أن يؤدي ذلك إلى انفجار قيمة المدى الربيعي أو تغييرها بشكل عشوائي، وهو ما يتفوق بمراحل على الانحراف المعياري الذي تبلغ نقطة انهياره 0% (حيث تكفي قيمة شاذة واحدة لتدمير دقته).

من الخصائص الرياضية المهمة للمدى الربيعي أيضاً أنه يحتفظ بنفس وحدة قياس المتغير الأصلي قيد الدراسة؛ فإذا كانت الدرجات مقاسة بالمللي ثانية أو بالنقاط على مقياس نفسي، فإن IQR يُقاس بالمللي ثانية أو بالنقاط دون أي تعديل أو تحويل تربيعي (على عكس التباين الإحصائي الذي يُقاس بالوحدات المربعة، مما يصعب التفسير المباشر له).

أما فيما يتعلق بسلوك المدى الربيعي تحت تأثير التحويلات الخطية (Linear Transformations)، فإذا تم تحويل المتغير $X$ إلى متغير جديد $Y = aX + b$ (حيث $a$ و $b$ ثوابت عددية)، فإن المدى الربيعي الجديد يتأثر فقط بمعامل الضرب $a$ بالقيمة المطلقة، ولا يتأثر إطلاقاً بثابت الجمع $b$؛ أي أن $\text{IQR}(Y) = |a| \times \text{IQR}(X)$. تعكس هذه الخاصية حقيقة أن إضافة مقدار ثابت لجميع المفردات ينقل التوزيع ككل دون تغيير المسافات النسبية بين الربيعيات، في حين يؤدي الضرب إلى تمدد أو انكماش المدى بمقدار معامل القياس.

4. خطوات استخراج المدى الربيعي مباشرة من المخطط الصندوقي

4.1 الخطوة الأولى: تحديد محور القياس والتدريج

تبدأ عملية استخراج المدى الربيعي من المخطط الصندوقي بالفحص البصري الدقيق للمحور الرقمي المدرج، والذي يمثل المقياس الكمي للمتغير المدروس. قد يكون هذا المحور رأسياً (المحور الصادي $Y$) في المخططات العمودية الأكثر شيوعاً، أو أفقياً (المحور السيني $X$) في المخططات الصندوقية الأفقية. من الضروري جداً التأكد من اتجاه تزايد الأرقام، وتحديد نقطة الأصل، والانتباه لأي فواصل أو قطوع في التدريج قد تؤثر على القراءة البصرية.

يتعين على الباحث بعد ذلك حساب قيمة وحدة التدريج الواحدة بدقة متناهية؛ ويتم ذلك عبر تحديد المسافة بين علامتي ترقيم رئيسيتين وحساب عدد التقسيمات الفرعية بينهما. على سبيل المثال، إذا كانت الأرقام الرئيسية مرسومة عند 20 و 40 وبينهما أربعة أقسام فرعية متساوية، فإن كل علامة فرعية تمثل خمس وحدات قياس ($ (40 – 20) / 4 = 5 $). هذا التحديد الدقيق يضمن تجنب أخطاء التقريب عند قراءة الحواف لاحقاً.

لتسهيل القراءة وضمان أقصى درجات الدقة، يُنصح باستخدام مسطرة أو إسقاط خط وهمي مستقيم وعمودي ينطلق من حواف الصندوق نحو المحور المدرج المقابل. يساعد هذا الإسقاط الهندسي في مطابقة الحواف تماماً مع الدرجات الرقمية، مما يلغي أخطاء الانزياح البصري التي تحدث عند النظر بالعين المجردة فقط، خاصة في المخططات البيانية المزدحمة أو المنشورة بقياسات صغيرة.

4.2 الخطوة الثانية: قراءة قيمة الربيع الأول (Q1) والربيع الثالث (Q3)

بعد ضبط المحور والتدريج، يتجه التركيز البصري نحو جسم الصندوق المستطيل لتحديد حدوده بدقة. في المخطط العمودي، يتم تحديد الحافة السفلية المستقيمة للصندوق وقراءة القيمة الرقمية المقابلة لها تماماً على المحور الرأسي، وتسجيل هذه القيمة باعتبارها الربيع الأول ($Q_1$). أما في المخططات الأفقية، فإن الربيع الأول ($Q_1$) يتطابق مع الحافة اليسرى العمودية للصندوق.

تتكرر نفس العملية لتحديد الربيع الثالث ($Q_3$)؛ ففي المخططات العمودية، يتم رصد الحافة العلوية المستقيمة لجسم الصندوق وقراءة القيمة الرقمية المقابلة لها على المحور الرأسي، بينما في المخططات الأفقية تُمثل الحافة اليمنى للصندوق قيمة الربيع الثالث ($Q_3$). من الأهمية بمكان عدم الخلط بين حواف الصندوق وخط الوسيط الداخلي أو نهايات العوارض الخارجية أثناء هذه الخطوة.

في الحالات التي لا تسقط فيها حافة الصندوق مباشرة فوق علامة تدريج محددة، بل تقع في المسافة البينية بين علامتين، يلزم إجراء تقدير استيفائي بصري (Visual Interpolation). يقوم هذا التقدير على تقسيم المسافة البينية عقلياً إلى أجزاء عشرية لتقدير الكسر بدقة، مثل الحكم على أن الحافة تقع عند ثلث المسافة أو نصفها، وتسجيل القيمة التقديرية بدقة منزلة عشرية واحدة لتفادي الأخطاء التراكمية في الخطوة اللاحقة.

4.3 الخطوة الثالثة: تطبيق عملية الطرح لحساب IQR

بمجرد الحصول على القيمتين الرقميتين للربيعين الأول والثالث، تُنفذ العملية الحسابية المباشرة بطرح قيمة الربيع الأدنى من قيمة الربيع الأعلى وفق الصيغة الأساسية: $\text{IQR} = Q_3 – Q_1$. على سبيل المثال، إذا تمت قراءة $Q_1 = 45$ وقراءة $Q_3 = 78$، فإن ناتج العملية الحسابية يكون: $78 – 45 = 33$ وحدة قياس.

عقب إجراء عملية الطرح، ينبغي القيام بخطوة تحقق بصري وحسابي سريعة للتأكد من منطقية النتيجة. يتم ذلك من خلال مقارنة القيمة المحسوبة مع الطول الإجمالي لجسم الصندوق على الرسم البياني؛ فالناتج المستخرج يجب أن يطابق تماماً المسافة المرئية بين الحافتين عند قياسها بوحدات المحور المدرج. إذا بدا أن الناتج لا يتناسب مع ارتفاع الصندوق الظاهر، فيجب إعادة فحص قراءات $Q_1$ و $Q_3$ للتأكد من عدم وجود خطأ في قراءة التدريج.

يجب التأكيد دوماً على أن المدى الربيعي هو مقياس مسافة تشتتية، وبالتالي لا يمكن أبداً أن يكون قيمة سالبة. إذا حصل الباحث على رقم سالب، فإن ذلك يشير حتماً إلى حدوث خطأ إجرائي بعكس ترتيب المتغيرات بطرح الربيع الثالث من الربيع الأول، أو وجود قراءة خاطئة للاتجاه التصاعدي للمحور، وهو ما يستدعي تصحيح الخطأ فوراً لضمان سلامة التقرير الإحصائي.

5. قراءة وتحليل الربيع الأول (Q1) والربيع الثالث (Q3) بصرياً

5.1 المخططات الصندوقية العمودية (Vertical Box Plots)

تُعد المخططات الصندوقية العمودية النمط الأكثر انتشاراً واستخداماً في الأوراق البحثية والتقارير العلمية. في هذا النمط، يتم توجيه الصندوق رأسياً ليمتد بمحاذاة المحور الصادي ($Y$) الذي يحتوي على القيم والدرجات العددية، بينما يمثل المحور الأفقي ($X$) التصنيفات أو المجموعات المستقلة المقارنة. يتطلب التحليل البصري هنا توجيه النظر رأسياً من أسفل إلى أعلى لمتابعة تصاعد القيم.

لقراءة الربيع الأول ($Q_1$) بدقة في المخطط العمودي، ننظر إلى القاعدة أو الحد الأفقي السفلي للمستطيل، ونتتبع خطاً أفقياً مستقيماً نحو اليسار (أو نحو المحور $Y$) لمعرفة الدرجة المقابلة. وبالمثل، لقراءة الربيع الثالث ($Q_3$)، نحدد السطح أو الحد الأفقي العلوي للمستطيل ونسقطه أفقياً على المحور $Y$. يمثل الارتفاع الرأسي الصافي للصندوق بصرياً مقدار المدى الربيعي.

تتيح المخططات الصندوقية العمودية للمحلل مقارنة ارتفاعات الصناديق بصرياً بشكل فوري عند وجود مجموعات متعددة؛ فالصندوق الأكثر طولاً وارتفاعاً يشير مباشرة إلى مدى ربيعي أكبر وتباين أوسع في استجابات المجموعة المعنية، في حين يعكس الصندوق القصير انخفاض المدى الربيعي وتركيز الدرجات حول الوسيط بدرجة عالية من التجانس.

5.2 المخططات الصندوقية الأفقية (Horizontal Box Plots)

يُفضل استخدام المخططات الصندوقية الأفقية عندما تكون التسميات النصية للمجموعات أو المتغيرات طويلة، حيث يتيح التوجيه الأفقي كتابتها بوضوح على المحور الرأسي ($Y$) دون تداخل، بينما يمتد المحور الرقمي للدرجات أفقياً على طول المحور السيني ($X$) من اليسار (القيم الصغرى) إلى اليمين (القيم الكبرى).

في هذا النسق، يتطابق الربيع الأول ($Q_1$) مع الحد الرأسي الأيسر للمستطيل؛ حيث نسقط خطاً عمودياً وهمياً من هذه الحافة اليسرى باتجاه الأسفل نحو المحور $X$ لقراءة الدرجة. من ناحية أخرى، يتطابق الربيع الثالث ($Q_3$) مع الحد الرأسي الأيمن للمستطيل، ويتم إسقاطه رأسياً نحو الأسفل لقراءة قيمته. يمثل العرض الأفقي للمستطيل المدى الربيعي ($Q_3 – Q_1$).

يتميز المخطط الأفقي بتوافقه الطبيعي مع حركة العين في القراءة من اليسار إلى اليمين في التفسيرات الرياضية، مما يسهل إدراك مفهوم التشتت كمسافة أفقية ممتدة. وتظل المبادئ الإحصائية لحساب IQR متطابقة تماماً مع المخطط العمودي دون أي تغيير في القوانين أو الدلالات.

5.3 التعامل مع التقدير البصري عند عدم وضوح التدريج

في العديد من المنشورات الأكاديمية والتقارير المطبوعة، قد تفتقر المحاور البيانية إلى شبكات التدريج التفصيلية أو تكون فترات التدريج واسعة جداً (كأن يُكتب 0، 50، 100 فقط)، مما يفرض تحدياً أمام القراءة البصرية الدقيقة لحواف الصناديق. في مثل هذه الحالات، تبرز مهارة “الاستيفاء البصري المنهجي” (Visual Interpolation) لتقليل نسبة الخطأ في التقدير.

لتطبيق الاستيفاء البصري المنهجي، يقوم الباحث بتقسيم المسافة الفاصلة بين أقرب علامتي ترقيم رئيسيتين تحيطان بالحافة إلى نصفين متساويين أولاً (نقطة الـ 50%)، ثم تقسيم كل نصف إلى أجزاء أصغر بصرياً. إذا كانت حافة الربيع الأول تقع بين علامتي 20 و 30 وتتجاوز المنتصف بقليل، يمكن تقديرها بدقة عالية عند 26 أو 27. يُفضل تكرار عملية التقدير مرتين من زوايا نظر مختلفة لتفادي خطأ اختلاف المنظر (Parallax Error).

مع ذلك، يجب التأكيد على أن القراءة البصرية من الرسوم البيانية تظل تقديرية بطبيعتها. فإذا كانت الدراسة تتطلب حسابات إحصائية دقيقة جداً لا تحتمل هامش خطأ بياني، يجب على الباحث الرجوع فوراً إلى الجداول الوصفية المرفقة بالبحث أو طلب مصفوفة البيانات الخام للتحقق من القيم الدقيقة للمئينات قبل بناء استنتاجات سريرية أو علمية حاسمة.

6. أمثلة عملية ونماذج تطبيقية لحساب المدى الربيعي من المخططات الصندوقية

6.1 مثال 1: درجات اختبار الذكاء (IQ Test Scores)

لنفترض أن لدينا دراسة سيكومترية أُجريت على عينة من طلاب المدارس الموهوبين باستخدام مقياس ويكسلر لذكاء الأطفال (WISC-V)، وعُرضت النتائج عبر مخطط صندوقي عمودي مدرج على المحور $Y$ بفترات تبدأ من 70 إلى 140 بمعدل زيادة 5 درجات لكل علامة ترقيم.

عند الفحص البصري للمخطط الصندوقي:

• نسقط الحافة السفلية للصندوق أفقياً على المحور الصادي، فنجد أنها تنطبق تماماً على الدرجة 90، مما يعني أن $Q_1 = 90$.
• نسقط الحافة العلوية للصندوق أفقياً على المحور الصادي، فنجد أنها تقف عند الدرجة 115، مما يعني أن $Q_3 = 115$.
• نطبق معادلة المدى الربيعي: $\text{IQR} = 115 – 90 = 25$ نقطة ذكاء.

التفسير الإحصائي والنفسي: تعني قيمة $\text{IQR} = 25$ أن النصف الأوسط (50%) من أفراد عينة الطلاب تقع درجات ذكائهم ضمن مدى ضيق نسبياً مقداره 25 نقطة محصورة بين 90 و 115. هذا النطاق يعكس تماسك العينة في المستويات المتوسطة وفوق المتوسطة، ويشير إلى أن التباين في النواة المركزية للقدرات العقلية العامة للطلاب ليس شديد التشتت، مما يسهل تصميم برامج تعليمية موحدة لتلك الفئة المركزية.

6.2 مثال 2: زمن الاستجابة في الاختبارات المعرفية (Reaction Times)

في تجربة لعلم النفس المعرفي تبحث في زمن الرجع الحركي البصري للمشاركين تحت تأثير الإجهاد الذهني، رُسمت النتائج باستخدام مخطط صندوقي أفقي، حيث دُرج المحور السيني الأفقي بالمللي ثانية (ms) من 100ms إلى 600ms بفواصل رئيسية كل 50ms.

عند تفحص المخطط الأفقي:

• ننظر إلى الحد الرأسي الأيسر للصندوق ونسقطه على المحور السيني، فنجد أنه يقع عند 250ms، إذن $Q_1 = 250\text{ ms}$.
• ننظر إلى الحد الرأسي الأيمن للصندوق ونسقطه على المحور السيني، فنجد أنه يستقر عند 400ms، إذن $Q_3 = 400\text{ ms}$.
• نحسب المدى الربيعي: $\text{IQR} = 400 – 250 = 150\text{ ms}$.

التفسير المعرفي: يوضح المدى الربيعي البالغ 150 مللي ثانية مقدار التفاوت في السرعة الإدراكية لدى نصف المفحوصين الأوسط. يشير هذا المدى إلى وجود تباين ملحوظ في كفاءة المعالجة المركزية للمعلومات تحت ظروف الإجهاد؛ حيث احتاج ربع المشاركين الأبطأ في النواة المركزية إلى أزمنة تقترب من 400ms، بينما تمكن الربع الأسرع ضمن نفس النواة من الاستجابة عند 250ms، وهو ما يعكس الفروق الفردية الكامنة في زمن المعالجة العصبية.

6.3 مثال 3: قياس مستويات القلق والتوتر بمقياس ليكرت

في دراسة سريرية لتقييم حدة القلق لدى مرضى اضطراب الهلع قبل تلقي العلاج المعرفي السلوكي، استُخدم مقياس بيك للقلق (BAI) المكون من درجات تتراوح بين 0 و 63 نقطة، ورُسمت النتائج في مخطط صندوقي عمودي دقيق التدريج.

من خلال استقراء المخطط الصندوقي:

• الحافة السفلية للصندوق تقابل الدرجة 18 على المحور المدرج ($Q_1 = 18$).
• الحافة العلوية للصندوق تقابل الدرجة 34 على المحور المدرج ($Q_3 = 34$).
• خط الوسيط الداخلي يستقر عند الدرجة 26.
• المدى الربيعي يُحسب كالتالي: $\text{IQR} = 34 – 18 = 16$ نقطة.

التفسير الإكلينيكي: يكشف هذا التحليل أن 50% من المرضى في العينة يقعون في نطاق قلق يمتد على مسافة 16 درجة. وبالنظر إلى المعايير التشخيصية لمقياس بيك (حيث يُصنف المدى من 16 إلى 25 كقلق معتدل، ومن 26 فما فوق كقلق شديد)، نلاحظ أن المدى الربيعي يمتد من الحد الأدنى للقلق المعتدل ($Q_1 = 18$) متجاوزاً الوسيط ($Q_2 = 26$) ليصل إلى أعماق نطاق القلق الشديد ($Q_3 = 34$). يبرهن هذا الاتساع في المدى الربيعي على عدم تجانس شدة الأعراض السريرية داخل العينة قبل بدء العلاج، مما يوجه الفريق المعالج إلى ضرورة تخصيص جرعات التدخل العلاجي وفق مستويات التباين المرصودة.

7. دور المدى الربيعي في كشف القيم الشاذة وتحديد الأطراف (Whiskers)

7.1 قاعدة جون توكي للقيم الشاذة (Tukey’s Fences Rule)

لا يقتصر دور المدى الربيعي على قياس التشتت المركزي فحسب، بل يمثل المحرك الحسابي الرئيسي لأشهر خوارزمية إحصائية للكشف عن القيم الشاذة في البيانات، وهي “قاعدة أسوار توكي” (Tukey’s Fences). تعتمد هذه القاعدة على بناء حدود أو أسوار افتراضية غير مرئية تحيط بالصندوق من الأعلى والأسفل، وتُحسب المسافة إليها كدالة مباشرة في قيمة المدى الربيعي (IQR).

تُعرف الأسوار الداخلية (Inner Fences) بالصيغ الرياضية التالية:

• السياج الداخلي الأدنى (Lower Inner Fence): $\text{LIF} = Q_1 – (1.5 \times \text{IQR})$
• السياج الداخلي الأعلى (Upper Inner Fence): $\text{UIF} = Q_3 + (1.5 \times \text{IQR})$

تُصنف أي نقطة بيانية تقع خارج نطاق هذين السياجين الداخليين (سواء كانت أصغر من LIF أو أكبر من UIF) إحصائياً بأنها قيمة شاذة معتدلة أو خفيفة (Mild Outlier).

يتميز معامل التضخيم 1.5، الذي اختاره جون توكي تجريبياً ورياضياً، بقدرته الفائقة على ضبط معدل الخطأ في اكتشاف الشواذ في التوزيعات شبه الطبيعية؛ حيث يضمن هذا الحد أن نسبة ضئيلة جداً فقط من البيانات الطبيعية (أقل من 0.7%) قد تقع بالصدفة خارج الأسوار، مما يجعل أي رصد لقيمة خارج هذا النطاق مؤشراً قوياً على حالة فريدة تستحق الملاحظة والتحليل الخاص.

7.2 تحديد القيم الشاذة المتطرفة (Extreme Outliers)

لتوفير تمييز أكثر عمقاً بين درجات الشذوذ، حدد توكي مستوى ثانياً من الحدود يُعرف باسم “الأسوار الخارجية” (Outer Fences)، وتُحسب بمضاعفة معامل المدى الربيعي إلى ثلاثة أضعاف ($3 \times \text{IQR}$):

• السياج الخارجي الأدنى (Lower Outer Fence): $\text{LOF} = Q_1 – (3.0 \times \text{IQR})$
• السياج الخارجي الأعلى (Upper Outer Fence): $\text{UOF} = Q_3 + (3.0 \times \text{IQR})$

تُعرف أي نقطة بيانات تقع وراء الأسوار الخارجية بأنها قيمة شاذة متطرفة (Extreme Outlier). في التمثيل البصري للمخططات الصندوقية، يتم التمييز بين نوعي القيم الشاذة بوضوح؛ حيث تُرسم القيم الشاذة المعتدلة عادةً على هيئة دوائر مفرغة صغيرة ($circ$)، في حين تُرسم القيم الشاذة المتطرفة على هيئة نجوم أو علامات نجمية ($*$).

إن رصد القيم الشاذة المتطرفة يحمل تداعيات حرجة على خطة التحليل الإحصائي برمتها. فهذه النقاط تملك وزناً ترجيحياً كبيراً قادراً على سحب المتوسط الحسابي وتضخيم التباين وتشويه نتائج الاختبارات البارامترية الحساسة مثل تحليل التباين (ANOVA) ومعامل ارتباط بيرسون. لذا فإن اكتشافها عبر المخطط الصندوقي يفرض على الباحث إما تصحيحها في حال كانت ناتجة عن خطأ في الإدخال، أو اللجوء إلى التحليلات اللامعلمية المصمتة.

7.3 تحديد نهايات العوارض بناءً على المدى الربيعي

ترتبط هندسة العوارض (Whiskers) في المخطط الصندوقي الحديث ارتباطاً وثيقاً بقيمة المدى الربيعي وقاعدة توكي. في النسخة القياسية للمخطط، لا تمتد العارضة إلى الأسوار النظرية ($Q_1 – 1.5\text{IQR}$ أو $Q_3 + 1.5\text{IQR}$)، بل تمتد تحديداً إلى أبعد نقطة بيانات فعلية موجودة داخل حدود تلك الأسوار. هذا يعني أن نهاية العارضة تمثل قيمة حقيقية تم رصدها في العينة، وليست رقماً حسابياً مجرداً.

يوجد فارق منهجي جوهري بين “المخطط الصندوقي المعياري” و”المخطط الصندوقي الممتد للمدى الكلي” (Min-Max Box Plot)؛ ففي الأخير، تمتد العوارض دائماً إلى أدنى وأعلى قيمة مطلقة في البيانات بغض النظر عن وجود قيم شاذة، مما يلغي ميزة المخطط في إبراز الشواذ كنقاط مستقلة. لذلك، فإن النموذج المعتمد على مضاعف $1.5 \times \text{IQR}$ هو الأكثر قبولاً واعتماداً في الأوساط الأكاديمية.

عند فحص أطوال العوارض، نلاحظ في كثير من الأحيان عدم تساوي طولي العارضتين العلوية والسفلية. يرتبط هذا التفاوت مباشرة بدرجة الالتواء الإحصائي في الذيول الخارجية للتوزيع؛ فالعارضة العلوية الطويلة المصحوبة بعارضة سفلية قصيرة تعكس امتداد ذيل التوزيع نحو القيم الكبرى (التواء موجب)، في حين تدل العارضة السفلية الطويلة على انتشار واسع للقيم المتدنية واستطالة الذيل نحو الأسفل (التواء سالب).

8. المدى الربيعي مقابل مقاييس التشتت الأخرى في المخططات البيانية

8.1 مقارنة المدى الربيعي (IQR) بالمدى الكلي (Range)

يُعرف المدى الكلي (Range) بأنه الفارق المباشر بين القيمة العظمى المطلقة والقيمة الدنيا المطلقة في مجموعة البيانات ($\text{Range} = \text{Max} – \text{Min}$). وعلى الرغم من بساطته الحسابية، إلا أنه يُعد مقياساً إحصائياً شديد الهشاشة والضعف؛ نظراً لاعتماده الحصري على نقطتين اثنتين فقط من أصل مئات أو آلاف النقاط في العينة، وهما النقطتان الأكثر عرضة للتطرف والخطأ.

إذا احتوت العينة على استجابة واحدة خاطئة أو متطرفة جداً، فإن المدى الكلي سيتضاعف فوراً ليعطي انطباعاً مضللاً بأن التشتت العام للعينة هائل، في حين قد تكون بقية المشاهدات متكتلة في مساحة بالغة الضيق. هنا تبرز الأفضلية المطلقة للمدى الربيعي ($\text{IQR} = Q_3 – Q_1$)، الذي يركز على الـ 50% الوسطى متجاهلاً تماماً الاضطرابات الهامشية عند القمم والقيعان.

في الأبحاث النفسية، التي تتسم بتكرار الحالات الشاذة نتيجة تشتت انتباه بعض المفحوصين أو استجاباتهم العشوائية، يقدم المدى الربيعي تقديراً مستقراً وثابتاً للتباين الحقيقي، مما يجعله الخيار الموثوق لوصف العينات وتجنب الأحكام الخاطئة المستندة إلى المدى الكلي المشوه.

8.2 مقارنة المدى الربيعي بالانحراف المعياري (Standard Deviation)

يُعد الانحراف المعياري (Standard Deviation – $\sigma$) المقياس البارامتري الأكثر هيمنة في الإحصاء الاستدلالي، حيث يقيس متوسط تشتت الدرجات حول المتوسط الحسابي. وفي حالة التوزيع الطبيعي المثالي متساوي التماثل، توجد علاقة رياضية وثيقة وتحويلية مباشرة بين المدى الربيعي والانحراف المعياري، حيث تتحدد العلاقة بالصيغة التقريبية:

$$\text{IQR} \approx 1.34898 \times \sigma \quad \text{أو} \quad \sigma \approx \frac{\text{IQR}}{1.349}$$

تسمح هذه العلاقة للباحث بتقدير الانحراف المعياري بصرياً من المخطط الصندوقي من خلال قسمة ارتفاع الصندوق على 1.35 تقريباً، شريطة التأكد من اعتدالية التوزيع.

مع ذلك، تنشأ الفجوة المنهجية الكبرى عند التعامل مع التوزيعات الملتوية أو البيانات الملوثة بالقيم الشاذة. فالانحراف المعياري يعتمد على تربيع الفروق عن المتوسط الحسابي، مما يضخم أثر أي انحراف متطرف أضعافاً مضاعفة، ويسحب المتوسط والانحراف بعيداً عن حقيقة التوزيع. في المقابل، يظل المدى الربيعي راسخاً وممثلاً أميناً لتشتت العينة، ولذلك توصي الجمعيات العلمية (مثل جمعية علم النفس الأمريكية APA) بتقديم المدى الربيعي والوسيط بدلاً من الانحراف المعياري والمتوسط عند غياب التوزيع الطبيعي.

8.3 مقارنة IQR بمتوسط الانحراف المطلق (MAD)

يُعد مقياس “انحراف الوسيط المطلق” (Median Absolute Deviation – MAD) أحد المقاييس اللامعلمية الصامدة المتقدمة، ويُحسب بإيجاد وسيط الفروق المطلقة لجميع المشاهدات عن وسيط العينة الأصلي:

$$\text{MAD} = \text{median}(|X_i – \text{median}(X)|)$$

يتشابه MAD مع المدى الربيعي (IQR) في تمتعهما بصلابة إحصائية عالية ونقطة انهيار فائقة تجعلهما منيعين أمام القيم الشاذة، مما يجعلهما ركيزتين في التحليل الإحصائي المصمت.

تكمن الميزة التنافسية الكبرى للمدى الربيعي مقارنة بـ MAD في سهولة استخراجه وقراءته البصرية المباشرة من المخططات البيانية. فالمدى الربيعي مجسد هندسياً في جسم الصندوق بحدود واضحة ومباشرة ($Q_1$ و $Q_3$)، بينما يستحيل استخراج قيمة MAD بصرياً من المخطط الصندوقي، بل يتطلب حسابات خوارزمية إضافية مصفوفية مسبقة. تجعل هذه السلاسة البصرية من IQR الأداة الأكثر شعبية وملاءمة في التواصل العلمي وعرض النتائج التلخيصية.

9. تطبيقات المدى الربيعي للمخطط الصندوقي في البحوث النفسية والعلوم السلوكية

9.1 تقييم تباين استجابات الاستبيانات والمقاييس النفسية

في دراسات قياس الشخصية، مثل اختبار العوامل الخمسة الكبرى (Big Five Personality Traits)، يوفر المخطط الصندوقي والمدى الربيعي أداة تشخيصية سريعة لتقييم تماسك وتجانس عينة الدراسة حول سمات محددة كالعصابية أو الانبساطية أو اليقظة الضميرية. يتيح فحص ارتفاع الصندوق لكل سمة معرفة ما إذا كانت العينة متفقة ومتقاربة في استجاباتها أم مشتتة ومتباينة.

إذا أظهر المخطط الصندوقي لسمة “الضمير الحي” صندوقاً ضيقاً جداً بمدى ربيعي صغير ($\text{IQR} = 4$) ووسيط مرتفع، دل ذلك على إجماع واسع وتقارب كبير بين المفحوصين حول هذه السمة. وفي المقابل، إذا أظهر مخطط سمة “الانفتاح على الخبرة” صندوقاً عريضاً وممتداً ($\text{IQR} = 18$)، فإن ذلك يكشف عن تباين جذري وانقسام حاد في الآراء والممارسات بين أفراد العينة.

علاوة على ذلك، يساعد المدى الربيعي في اكتشاف “تحيزات الاستجابة” (Response Biases)؛ مثل تحيز الإجابة المركزية (Central Tendency Bias) الذي ينتج عنه صناديق مضغوطة للغاية حول الدرجة المحايدة بمقياس ليكرت بمدى ربيعي يقترب من الصفر، أو تحيز الاستجابة المتطرفة (Extreme Response Bias) الذي يولد صناديق عريضة جداً ذات عوارض مقطوعة، مما يوجه المحلل السيكومتري لضبط أدوات القياس ومعايرتها بدقة.

9.2 تحليل الأداء في الاختبارات السيكومترية

يُعد المدى الربيعي أداة بالغة الأهمية في مجال القياس والتقويم التربوي وتحليل نتائج الاختبارات المعيارية والتحصيلية. عند مقارنة أداء مدارس أو مناطق تعليمية متعددة، توفر المخططات الصندوقية المتجاورة قدرة فريدة على قراءة الفجوة التعليمية؛ فالمدارس التي تملك صناديق مرتفعة وضيقة تحقق كفاءة تعليمية عالية ومتقاربة بين كافة طلابها، بينما تشير الصناديق الواسعة ذات المدى الربيعي الكبير إلى وجود فجوة تحصيلية وتفاوت طبقي أو تعليمي حاد داخل المدرسة الواحدة.

كما يُستخدم المخطط الصندوقي في تقييم الخصائص السيكومترية لفقرات الاختبارات النفسية والتحصيلية، وتحديداً في حساب “القدرة التمييزية” (Item Discrimination). فالفقرات التي تنتج مدى ربيعياً متوازناً لدى عينات التقنين تسهم في التمييز الفعال بين مستويات القدرة العقلية والمعرفية المختلفة للمفحوصين، على عكس الفقرات المشبعة بالسهولة أو الصعوبة القصوى التي تؤدي إلى انهيار قيمة IQR وانكماش المخطط.

يستفيد الباحثون أيضاً من المدى الربيعي في المقارنات العمرية النمائية؛ حيث يتم تتبع تغير قيمة IQR عبر الفئات العمرية المختلفة لمراقبة نضج الوظائف التنفيذية والمعرفية، والتي تتجه تاريخياً نحو الاستقرار وانخفاض التشتت الربيعي مع التقدم في مراحل النمو العقلي والرشد.

9.3 مراقبة التغيرات العلاجية في التجارب الإكلينيكية

في تجارب التدخل العلاجي النفسي والطبي، تُعد المخططات الصندوقية وسيلة أساسية لمراقبة استجابة المرضى عبر مراحل القياس المتكرر: قبل التدخل (Pre-test)، وبعد التدخل (Post-test)، وفي مرحلة المتابعة (Follow-up). يقدم المدى الربيعي هنا مؤشراً دقيقاً على “تجانس الاستجابة للعلاج” واستقرار التحسن الإكلينيكي عبر الوقت.

عند نجاح البروتوكول العلاجي، لا يتوقع المعالج انخفاض قيمة الوسيط (لمؤشرات الاكتئاب مثلاً) فحسب، بل يتطلع أيضاً إلى ملاحظة انكماش تدريجي في المدى الربيعي (IQR) بين القياس القبلي والبعدي. يعكس انكماش الصندوق تقارب استجابة المرضى وتحسن الغالبية العظمى منهم، مما يؤكد أن التدخل العلاجي ذو فاعلية عامة ومستقرة وليست مقتصرة على فئات فردية محدودة.

إلى جانب ذلك، يوفر المخطط الصندوقي البعدي رصداً بصرياً فورياً للحالات المستعصية التي تظهر كنقاط شاذة علوية منفصلة فوق العارضة بعد انتهاء البرنامج العلاجي. تلفت هذه المخططات انتباه الطبيب أو المعالج النفسي فوراً إلى ضرورة عدم إغلاق ملفات تلك الحالات وإخضاعها لبروتوكولات علاجية مخصصة ومكثفة تتناسب مع طبيعة مقاومتها للتدخل القياسي.

10. مقارنة المجموعات وتفسير الفروق باستخدام المدى الربيعي في المخططات المتعددة

10.1 المخططات الصندوقية المتجاورة (Side-by-Side Box Plots)

تُعد المخططات الصندوقية المتجاورة (Side-by-Side Box Plots) التصميم البصري الأكثر فاعلية للمقارنة المباشرة بين مستويات المتغير التابع عبر مجموعات مستقلة متعددة (مثل: المجموعة التجريبية مقابل المجموعة الضابطة، أو عبر فئات تشخيصية مختلفة). في هذا التصميم، تُعرض الصناديق متوازية على محور قياس رأسي مشترك، مما يتيح مقارنة فورية للربيعيات والوسائط والأطراف لكل فئة على حدة.

يتيح هذا التوازي للمحلل استخراج وقراءة المدى الربيعي ($\text{IQR}_i$) لكل مجموعة بشكل مستقل ودقيق؛ حيث يمكن بمجرد النظر مقارنة الارتفاعات النسبية للصناديق للحكم على مدى تحقق فرضية “تجانس التباين” (Homogeneity of Variance). إذا بدت الصناديق المتجاورة ذات أطوال وارتفاعات متقاربة جداً، دل ذلك على تجانس التشتت بين المجموعات، وهو شرط أساسي لتطبيق الاختبارات الإحصائية المعلمية مثل تحليل التباين الأحادي.

أما إذا كشفت المقارنة البصرية عن تباين صارخ في أطوال الصناديق، كأن يكون المدى الربيعي للمجموعة التجريبية ثلاثة أضعاف المدى الربيعي للمجموعة الضابطة، فإن ذلك يشير إلى انتهاك واضح لفرضية تجانس التباين، مما يوجه الباحث فوراً لاستخدام تصحيحات إحصائية مثل اختبار ويلش (Welch’s ANOVA) أو الاختبارات اللامعلمية المقابلة.

10.2 تفسير التداخل بين الصناديق (Overlap of IQRs)

يحمل مقدار التداخل الرأسي (أو الأفقي) بين أجسام الصناديق دلالات جوهرية تتعلق بقوة الفروق الإحصائية وحجم الأثر (Effect Size) بين المجموعات المقارنة. إذا كان هناك انفصال تام وغياب كامل للتداخل بين صناديق المجموعتين (أي أن الحد الأدنى للصندوق الأول $Q_{1\text{(A)}}$ أعلى بكثير من الحد الأعلى للصندوق الثاني $Q_{3\text{(B)}}$)، فإن هذا يوفر دليلاً بصرياً قاطعاً على وجود فروق جوهرية وذات دلالة إحصائية مرتفعة بين المجموعتين.

في المقابل، عندما يظهر تداخل جزئي أو كامل بين نطاقات المدى الربيعي للصناديق، بحيث يغطي جسم الصندوق الأول مساحة كبيرة من جسم الصندوق الثاني، فإن ذلك يشير إلى تشابه كبير في النواة المركزية للدرجات بين المجموعتين، ويقلل من احتمالية وجود فروق إحصائية حاسمة ما لم يكن حجم العينة كبيراً جداً بما يكفي لرصد الفروق الطفيفة.

يرتبط هذا التقييم البصري مباشرة باختبارات المقارنة اللامعلمية، وعلى رأسها اختبار مان-ويتني (Mann-Whitney U Test). فغياب التداخل بين الصناديق وتراتبية الوسائط يعزز الثقة في رفض الفرضية الصفرية وتأكيد تباين التوزيعات الرتبية بين المجموعات التجريبية والضابطة بدرجة موثوقية عالية.

10.3 تحليل تباين التشتت والالتواء المشترك عبر المجموعات

يتجاوز التحليل المقارن بالمخططات الصندوقية مجرد مقارنة المتوسطات أو الوسائط، ليتيح فحص التأثيرات التفاعلية المعقدة (Interaction Effects) على شكل التشتت والالتواء المشترك. فقد تتساوى مجموعتان تجريبيتان في قيمة الوسيط تماماً ($Q_{2\text{(A)}} = Q_{2\text{(B)}}$)، لكن المخطط يكشف أن المجموعة (A) تملك مدى ربيعياً ضيقاً والتواءً متناظراً، في حين تملك المجموعة (B) مدى ربيعياً واسعاً والتواءً موجباً شديداً.

هذا الاختلاف الجوهري في شكل الصندوق وقيمة IQR يكشف للمحلل أن المعالجة التجريبية في المجموعة (B) لم تؤثر في متوسط الاستجابة فحسب، بل أحدثت تفككاً وتشتتاً في استجابات الأفراد، مما جعل بعضهم يستجيب بقوة فائقة بينما ظل البعض الآخر عند المستويات الدنيا. لا يمكن اكتشاف هذه الأنماط التحليلية المعقدة بالاعتماد على الجداول الرقمية الكلاسيكية وحدها.

يوفر التحليل المشترك لمواضع الوسائط داخل الصناديق ذات الـ IQR المتماثل استنتاجات متقدمة؛ حيث يشير اختلاف موقع خط الوسيط داخل صندوقين متساويين في الطول إلى اختلاف نمط الكثافة التوزيعية للدرجات ضمن النصف المركزي للبيانات، مما يثري التقرير الإحصائي ببيانات وصفية متعمقة حول الطبيعة السلوكية للمفحوصين.

11. الأخطاء الشائعة وسوء التفسير عند قراءة المدى الربيعي من المخطط الصندوقي

11.1 الخلط بين الوسيط والوسط الحسابي داخل الصندوق

يُعد الخلط بين الخط الداخلي القاسم للصندوق والمتوسط الحسابي (Mean) أحد أكثر الأخطاء الإحصائية شيوعاً بين الطلاب والباحثين المبتدئين. يعود المخطط الصندوقي في أصله الرياضي إلى الإحصاء الترتيبي (Ordinal Statistics)، وبالتالي فإن الخط المرسوم داخل جسم الصندوق يمثل دائماً وبشكل قطعي الوسيط الإحصائي (Median / Q2)، وهو النقطة التي تقسم عدد المشاهدات إلى نصفين متساويين تماماً.

يؤدي هذا الخلط إلى استنتاجات خاطئة حول شكل التوزيع؛ فالاعتقاد بأن الخط هو المتوسط قد يقود الباحث إلى افتراض اعتدالية البيانات خطأً عند توسط الخط للصندوق، أو تفسير انزياحه كتحرك للمتوسط الحسابي وليس كانحراف لرتب المشاهدات المركزية. إذا رغب الباحث في عرض المتوسط الحسابي على المخطط، فإن البرمجيات الإحصائية تتيح إضافة رمز خاص ومنفصل تماماً (غالباً ما يكون علامة زائد $+$ أو نقطة مفرغة سوداء أو ماسة صغيرة) للتمييز البصري بينهما.

عند ظهور رمز المتوسط الحسابي منزاحاً عن خط الوسيط داخل الصندوق، فإن المسافة الفاصلة بينهما تقدم مؤشراً بصرياً إضافياً على شدة الالتواء الإحصائي؛ حيث ينجذب المتوسط الحسابي دائماً نحو اتجاه الذيل الطويل والقيم الشاذة، بينما يظل الوسيط ثابتاً في موقعه الممثّل لرتبة النصف المركزي.

11.2 الخلط بين طول العوارض وقيمة المدى الربيعي

يقع بعض المحللين في خطأ قراءة فادح يتمثل في جمع أطوال العوارض الخارجية (Whiskers) مع ارتفاع جسم الصندوق عند محاولة استخراج المدى الربيعي، أو الاعتقاد بأن المدى الربيعي يقيس المسافة الكلية بين طرفي العارضتين. هذا الخلط يلغي التمايز الإحصائي بين مفهوم “المدى الكلي المشذوب” (Trimmed Range) ومفهوم “المدى الربيعي” (IQR).

يجب التأكيد الحاسم على أن المدى الربيعي يتطابق حصرياً مع الطول الرأسي (أو الأفقي) لجسم المستطيل فقط ($Q_3 – Q_1$)، دون احتساب أي جزء من العوارض الممتدة خارج الصندوق. فالعوارض تمثل الربعين الخارجيين (الـ 25% الدنيا والـ 25% العليا)، واحتسابها يؤدي إلى تضخيم قيمة IQR بمقدار الضعف أو أكثر وإفساد التحليل بالكامل.

كما لا تعني استطالة العوارض بالضرورة اتساع المدى الربيعي؛ فقد نجد مخططاً صندوقياً يمتلك صندوقاً ضيقاً جداً (مما يدل على تركيز هائل وتجانس لنصف البيانات الأوسط حول الوسيط) مع عوارض شديدة الطول ناتجة عن تباين كبير في الذيول والأطراف فقط. الفصل البصري الصارم بين جسم الصندوق وشواربه هو المفتاح الأساسي للقراءة الإحصائية السليمة.

11.3 إغفال حجم العينة وتأثيره على شكل المخطط

ينشأ خطأ إدراكي بصري متكرر عند مقارنة مجموعات مختلفة الحجم، حيث يميل البعض إلى افتراض أن المخطط الصندوقي ذو المساحة الهندسية الكبيرة أو الصندوق العريض يمثل عينة ذات حجم أكبر ($N$)، في حين أن الصندوق الصغير يمثل عينة ذات عدد أفراد قليل. هذا الافتراض خاطئ تماماً ومخالف للمبادئ البنائية للمخطط الصندوقي.

يمثل المخطط الصندوقي دوماً نسباً مئوية ثابتة (25%، 50%، 75%) بصرف النظر عما إذا كان حجم العينة يتكون من 20 مشاركاً فقط أو 200,000 مشارك. المساحة الواسعة للصندوق تعكس حصرياً تبايناً وتشتتاً كبيراً في الدرجات المحسوبة، وليس كثرة عددية للأفراد. بل على العكس تماماً، تؤدي العينات الضخمة في كثير من الأحيان إلى انكماش المدى الربيعي واستقراره حول المعالم المركزية للمجتمع.

لتفادي هذا اللبس الإحصائي في الأبحاث المنشورة، تفرض معايير التوثيق الأكاديمي الصارمة (مثل دليل APA) ذكر حجم العينة ($N$) بوضوح إما أسفل تسمية كل مجموعة على المحور البياني أو داخل وسيلة الإيضاح المرفقة (Legend). كما تلجأ بعض البرمجيات المتقدمة إلى استخدام تقنية “المخططات الصندوقية متغيرة العرض” (Variable-Width Box Plots)، حيث يتناسب عرض الصندوق هندسياً مع الجذر التربيعي لحجم العينة ($\sqrt{N}$) لتوفير دلالة بصرية إضافية على حجم المفردات.

12. استخدام البرمجيات الإحصائية لحساب وعرض المدى الربيعي والمخططات الصندوقية

12.1 إنشاء المخططات واستخراج IQR في برنامج SPSS

يُعد برنامج IBM SPSS Statistics أحد أكثر الحزم الإحصائية استخداماً في البحوث النفسية والاجتماعية. لاستخراج المدى الربيعي وإنشاء مخططات صندوقية عالية الدقة في SPSS، يتجه الباحث إلى القوائم الرئيسية عبر المسار التالي:

Analyze > Descriptive Statistics > Explore...

في نافذة التحليل، يتم إدراج المتغير التابع الكمي في مربع Dependent List، وإدراج المتغير المستقل التصنيفي (إن وجد) في مربع Factor List. من خلال النقر على زر Plots، يتم تفعيل خيار Factor levels together تحت قسم Boxplots، والضغط على Continue ثم OK.

يُنتج البرنامج جدول تلخيص وصفي شامل (Descriptives Table) يتضمن قيمة المدى الربيعي (Interquartile Range) بصورة رقمية دقيقة جاهزة للقراءة الفورية، إلى جانب قيم الوسيط والانحراف المعياري. وتظهر في مخرجات الرسم البياني مخططات صندوقية احترافية تُبرز حدود الصندوق، مع تمييز دقيق للقيم الشاذة التي يقوم SPSS بترقيمها وفقاً لرقم الصف (Case Number) في مصفوفة البيانات، مما يسهل الوصول إليها وتدقيقها يدوياً.

كما يتيح منشئ الرسوم البيانية Graphs > Chart Builder خيارات متقدمة لتخصيص الألوان والمحاور وعرض المتوسط الحسابي كرمز مضاف داخل الصندوق، مما يمنح الباحث تحكماً كاملاً في الإخراج البصري للمخطط ليتوافق مع متطلبات النشر العلمي.

12.2 البرمجة الإحصائية المتقدمة بلغة R

توفر بيئة الحوسبة الإحصائية R مرونة برمجية مطلقة للتعامل مع المخططات الصندوقية وحساب المدى الربيعي. لحساب IQR مباشرة في بيئة R الأساسية، تُستخدم الدالة المباشرة IQR(x)، والتي تتيح للمستخدم تحديد نوع خوارزمية حساب المئين عبر معامل type (حيث تدعم لغة R تسع خوارزميات مئينية مختلفة، ويُعد Type 7 هو الافتراضي والمتطابق مع SPSS، بينما يُفضل بعض الإحصائيين Type 8 للتوزيعات المستمرة الخالية من المعالم).

لرسم مخطط صندوقي كلاسيكي في لغة R، يُستخدم الأمر المباشر boxplot(x) أو لمقارنة المجموعات: boxplot(DV ~ IV, data = df). ومع ذلك، يفضل غالبية الباحثين استخدام الحزمة الرائدة ggplot2 لإنشاء رسوم بيانية فائقة الجودة وفق المعايير الأكاديمية العالمية، وذلك عبر بنية الأوامر الطبقية التالية:

library(ggplot2)
ggplot(data = df, aes(x = Group, y = Score, fill = Group)) +
  geom_boxplot(width = 0.5, outlier.color = "red", outlier.shape = 16) +
  theme_classic() +
  labs(title = "مقارنة المدى الربيعي بين المجموعات", y = "الدرجة", x = "المجموعة")

تتيح حزمة ggplot2 دمج نقاط البيانات الفردية أو التوزيعات الكمثرية (Violin Plots) مع المخطط الصندوقي، مما يمنح المخطط ثراءً بصرياً يوضح الكثافة الاحتمالية وتوزيع البيانات بدقة متناهية.

12.3 تحليل البيانات النفسية باستخدام Python (Matplotlib & Seaborn)

في بيئة لغة بايثون (Python) لتحليل البيانات وعلم النفس الحسابي، تُستخدم مكتبة SciPy لحساب المدى الربيعي بدقة عبر الدالة scipy.stats.iqr(data). أما للتمثيل البصري عالي المستوى، فإن مكتبة Seaborn المبنية فوق مكتبة Matplotlib تُعد الخيار القياسي لإنتاج مخططات صندوقية مهيأة للنشر العلمي المباشر.

يمكن إنشاء مخطط صندوقي متطور يوضح الفروق بين المجموعات عبر الشيفرة التالية:

import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="ticks")
sns.boxplot(x="Group", y="Score", data=df, palette="Blues", width=0.4)
sns.stripplot(x="Group", y="Score", data=df, color="black", alpha=0.3, jitter=0.2)
plt.title("Box Plot with Stripplot Overlay")
plt.show()

تتيح إضافة دالة stripplot فوق المخطط الصندوقي (Jittered Data Points) رؤية تموضع كل حالة فردية داخل الصندوق والعوارض كنقاط شبه شفافة، مما يجمع بين الميزة التلخيصية الصامتة للمدى الربيعي والشفافية الكاملة في عرض حجم العينة وتوزيعها الفعلي. كما توفر بايثون تصدير الرسوم بتنسيقات متجهة عالية الاستبانة (Vector Graphics مثل PDF و SVG) بدقة 300+ DPI تفي بمتطلبات دور النشر التابعة لـ APA و Elsevier و Springer.

خاتمة

يمثل المخطط الصندوقي (Box Plot) والمدى الربيعي (IQR) ثنائياً تحليلياً استثنائياً لا غنى عنه لأي باحث أو محلل بيانات يسعى إلى فهم عميق وموضوعي للبيانات الإحصائية. فمن خلال دمج معالم الملخص الخماسي في مساحة بصرية واحدة، يتيح المخطط الصندوقي استقراء النزعة المركزية ودرجة التشتت والالتواء والكشف عن القيم الشاذة بلمحة بصرية فائقة الكفاءة.

تتجلى القوة المنهجية للمدى الربيعي في صموده الإحصائي ومناعته الفائقة ضد التأثر بالقيم الشاذة والانحرافات التوزيعية، مما يجعله المعيار الذهبي لقياس تشتت النواة المركزية للبيانات في مجالات العلوم النفسية والطبية والتربوية. إن إتقان قراءة الربيعين الأول والثالث واستخراج الفارق الحسابي بينهما، مع الإلمام بالقواعد الهندسية لأسوار توكي وفهم دلالات التداخل بين المجموعات، يزود الباحث بالأدوات اللازمة لاتخاذ قرارات إحصائية رصينة وبناء تفسيرات علمية ذات موثوقية عالية.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• McGill, R., Tukey, J. W., & Larsen, W. A. (1978). Variations of box plots. The American Statistician, 32(1), 12–16. https://doi.org/10.2307/2683468
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley Publishing Company.
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4
• Wilcox, R. R. (2017). Introduction to robust estimation and hypothesis testing (4th ed.). Academic Press. https://doi.org/10.1016/C2015-0-00813-1