كيفية إجراء اختبار نسبة التباين في R (مع مثال)

يُعد التحليل الإحصائي المقارن أحد الركائز الجوهرية التي يستند إليها البحث العلمي الرصين في مختلف الحقول المعرفية، بدءاً من العلوم البيولوجية والطبية وصولاً إلى العلوم السلوكية والاجتماعية والقياس النفسي. وفي حين ينصب الاهتمام الأكبر لدى الباحثين غالباً على مقارنة مقاييس النزعة المركزية، كالمتوسطات الحسابية والوسائط بين المجموعات التجريبية والضابطة للتحقق من فاعلية تدخل معين أو كشف الفروق الجوهرية، فإن دراسة مقاييس التشتت—وعلى رأسها التباين والانحراف المعياري—تمثل في الحقيقة بعداً تحليلياً بالغ الأهمية لا يقل وزناً عن دراسة المتوسطات. إن فهم طبيعة تشتت البيانات وتماثلها أو تباينها بين المجتمعات الإحصائية ليس مجرد متطلب تقني للتحقق من الشروط القبلية للاختبارات المعلمية، بل هو نافذة علمية ثرية لفهم مدى اتساق الظواهر، وتجانس العينات، واستقرار القياسات، وطبيعة الفروق الفردية الكامنة وراء الظواهر المدروسة.

يقف اختبار نسبة التباين، المعروف إحصائياً باختبار إف للتباينات (F-Test for Equality of Two Variances)، في طليعة الأدوات المعلمية الكلاسيكية المصممة لمقارنة تبايني مجتمعين إحصائيين مستقلين. ويتأسس هذا الاختبار على مقارنة النسبة بين تباين العينة الأولى وتباين العينة الثانية بنسبة التباين المتوقعة تحت فرضية العدم، والتي تفترض عادةً تكافؤ التباينين بنسبة تساوي الواحد الصحيح. ومع تعاظم حجم البيانات في البحوث المعاصرة والحاجة الملحة لتحليلها بدقة وكفاءة فائقة، غدت بيئة الحوسبة الإحصائية R البيئة البرمجية القياسية والمثلى لتنفيذ هذه التحليلات واستقراء دلالاتها الرياضية؛ لما توفره من دوال مدمجة متقدمة مثل var.test()، وحزم متخصصة تضمن دقة النتائج، وإمكانية تمثيلها بصرياً وتفسيرها أكاديمياً بما يتوافق مع أعلى المعايير المنهجية العالمية المعمول بها في النشر العلمي الدولي.

يهدف هذا الدليل الموسع والشامل إلى تقديم مرجع علمي وتطبيقي متكامل باللغة العربية حول كيفية إجراء اختبار نسبة التباين في بيئة R. سنستعرض بعمق نظري ورياضي دقيق الأسس التي بنيت عليها إحصائية F، والافتراضات المسبقة الصارمة الواجب استيفاؤها لضمان صدق النتائج، وصياغة الفرضيات الصفرية والبديلة بمختلف اتجاهاتها، مع تقديم دليل عملي برمجي خطوة بخطوة يبدأ من توليد البيانات وتنظيفها، مروراً بتنفيذ الاختبار وتفسير مخرجاته بلغة تقارير الجمعية الأمريكية لعلم النفس (APA Style)، وانتهاءً باستعراض البدائل الإحصائية المتقدمة واختبارات المتانة عند انتهاك افتراض التوزيع الطبيعي للبيانات.

1. مقدمة شاملة حول اختبار نسبة التباين (F-Test for Variances)

1.1 المفهوم الأساسي لاختبار نسبة التباين

يُعرّف اختبار نسبة التباين (F-test of equality of variances) بأنه اختبار إحصائي استدلالي معلمي (Parametric Test) يُستخدم لتحديد ما إذا كان هناك فرق ذو دلالة إحصائية بين تبايني مجتمعين مستقلين يتم سحب عينتين عشوائيتين منهما. وفي شجرة الاختبارات الإحصائية، يقع هذا الاختبار ضمن عائلة مقارنة مقاييس التشتت، حيث يختص بتقييم تشتت الدرجات وانتشارها حول متوسطاتها الحسابية، بخلاف اختبارات مقارنة المتوسطات مثل اختبار ت للطالب (Student’s t-test) أو تحليل التباين الأحادي (ANOVA) التي تركز حصرياً على فحص مواقع مراكز التوزيعات الاحتمالية.

إن طبيعة المقارنة في اختبار F لا تقوم على طرح تباين إحدى العينات من تباين العينة الأخرى كما يحدث في اختبارات الفروق الخطية، بل تقوم على قسمة تباين العينة الأولى على تباين العينة الثانية لاستخراج نسبة عددية تسمى نسبة التباين (Variance Ratio). وإذا كانت العينتان مسحوبتين من مجتمعين متطابقين في التباين، فإن هذه النسبة ستتأرجح حول القيمة (1) الصحيحة بفعل خطأ المعاينة العشوائي فقط. وتكتسب هذه العملية أهمية بالغة في الإحصاء التطبيقي؛ إذ تشكل خطوة استباقية إلزامية للتحقق من فرضية تجانس التباين (Homoscedasticity) التي تعد شرطاً جوهرياً لصحة العديد من النماذج الخطية العامة واختبارات t المستقلة، حيث يؤدي تجاهلها إلى تشويه دقة مستويات الدلالة وزيادة معدلات الوقوع في الأخطاء القرارية.

1.2 السياق التاريخي وتطور إحصائية F

ترتبط إحصائية F ارتباطاً وثيقاً بإسهامات عالم الإحصاء والجينات البريطاني السير رونالد فيشر (Sir Ronald A. Fisher)، الذي وضع اللبنات الأساسية لتحليل التباين وتوزيع النسبة في العقد الثاني من القرن العشرين خلال عمله في محطة روثامستد للتجارب الزراعية. وقد أطلق عالم الإحصاء جورج سنيديكور (George W. Snedecor) لاحقاً الحرف “F” على هذا التوزيع والإحصائية المشتقة منه تكريماً وتقديراً لإسهامات فيشر الخالدة في هذا المجال.

انطلق استخدام اختبار F تاريخياً من التطبيقات الزراعية التي سعت لمقارنة استقرار إنتاجية المحاصيل عبر أصناف مختلفة من الأسمدة، إلا أنه سرعان ما امتد ليشمل العلوم الطبية والاقتصادية، والعلوم السلوكية والاجتماعية والقياس النفسي، حيث أصبح وسيلة محورية لمقارنة تشتت السمات الشخصية والأداء المعرفي بين الفئات السكانية. ومع الثورة الرقمية المعاصرة، تحول التحليل الإحصائي من الاعتماد على الجداول الرياضية المطبوعة وحسابات التقريب اليدوية المعقدة إلى المعالجة الحاسوبية المؤتمتة عبر لغات البرمجة المتقدمة مثل R، مما أتاح استخراج القيم الاحتمالية الدقيقة وفترات الثقة بدقة غير مسبوقة وضمن بيئات تحليلية قابلة للتكرار العلمي الموثوق (Reproducible Research).

1.3 الهدف البحثي والتطبيقي للاختبار

تتعدد الأهداف البحثية والتطبيقية لاختبار نسبة التباين، حيث يتجاوز دوره كونه مجرد أداة تشخيصية مساعدة؛ إذ يُستخدم في سياقات تجريبية عديدة لاختبار فرضيات علمية أصيلة. يتمثل الهدف الأول في تحديد ما إذا كانت التباينات في مجتمعين مختلفين متساوية إحصائياً، وهو ما يعكس استقرار الظاهرة المقاسة عبر المجموعتين، كأن يختبر باحث ما إذا كانت طريقة تدريس جديدة تقلل من الفروق الفردية في التحصيل الأكاديمي للطلاب مقارنة بالطريقة التقليدية.

أما الهدف الثاني فيتمثل في التحقق من فرضية تجانس التباينات كشرط رياضي قبلي لتطبيق اختبارات المعلمية المتقدمة. إضافة إلى ذلك، يلعب الاختبار دوراً استراتيجياً في ضبط المتغيرات الدخيلة (Extraneous Variables) والتأكد من تكافؤ المجموعات في التصاميم شبه التجريبية والتجريبية قبل إدخال المتغير المستقل، مما يضمن أن التغيرات اللاحقة في المتغير التابع تعزى حصراً للمعالجة التجريبية وليس لعدم تجانس التشتت الأولي بين الأفراد المشاركين.

2. الأسس النظرية والرياضية لإحصائية F

2.1 المعادلة الرياضية لاختبار نسبة التباين

تستند البنية الرياضية لاختبار نسبة التباين إلى قسمة التباين غير المتحيز للعينة الأولى على التباين غير المتحيز للعينة الثانية. وتُصاغ إحصائية F رياضياً وفق المعادلة التالية:

F = s₁² / s₂²

حيث يمثل s₁² تباين العينة الأولى المحسوب وفق الصيغة:

s₁² = Σ(X_1i – X̄₁)² / (n₁ – 1)

ويمثل s₂² تباين العينة الثانية المحسوب وفق الصيغة:

s₂² = Σ(X_2i – X̄₂)² / (n₂ – 1)

وفي هذا السياق، تؤثر طريقة ترتيب التباينات في البسط والمقام على قيمة F المحسوبة؛ حيث ينتج عن وضع التباين الأكبر في البسط دائماً قيمة لـ F أكبر من أو تساوي 1، وهو التقليد المتبع قديماً لتسهيل البحث في الجداول الإحصائية المطبوعة ذات الطرف الأيمن، في حين تحسب البرمجيات الإحصائية كبيئة R النسبة بدقة وفق ترتيب المتغيرات المدخلة مع تحديد درجات الحرية المقابلة لكل من البسط (Numerator Degrees of Freedom: df₁ = n₁ – 1) والمقام (Denominator Degrees of Freedom: df₂ = n₂ – 1).

2.2 خصائص توزيع F الاحتمالي

يتميز توزيع F (F-Distribution) بخصائص رياضية فريدة تجعله متمايزاً عن التوزيع الطبيعي أو توزيع t؛ فهو توزيع احتمالي متصل غير متماثل وموجب الالتواء دائماً نحو اليمين (Positively Skewed). لا يمكن لقيمة F أن تكون سالبة على الإطلاق؛ لأنها ناتجة عن قسمة كميتين مربعتين، مما يجعل مجالها الرياضي يمتد من الصفر إلى موجب ما لا نهاية [0, ∞).

يعتمد شكل منحنى توزيع F كلياً على معلمتين أساسيتين هما درجتا الحرية للبسط df₁ والمقام df₂. وعندما تكون درجات الحرية صغيرة، يكون الالتواء حاداً جداً، ومع زيادة درجات الحرية في البسط والمقام معاً، يقترب التوزيع تدريجياً من التماثل. ويرتبط توزيع F اشتقاقياً بتوزيع كاي-تربيع (χ²)؛ حيث يُعرف توزيع F بأنه النسبة بين متغيرين عشوائيين مستقلين يتبع كل منهما توزيع كاي-تربيع، مقسوماً كل واحد منهما على درجات حريته الخاصة، وفق المعادلة:

F = ( χ₁² / df₁ ) / ( χ₂² / df₂ )

2.3 حساب القيمة الاحتمالية (p-value) وفاصل الثقة للنسبة

يتم اشتقاق القيمة الاحتمالية (p-value) في اختبار F عن طريق حساب المساحة الكامنة تحت منحنى دالة الكثافة الاحتمالية لتوزيع F عند درجات حرية محددة. ففي الاختبار أحادي الذيل الأيمن، تمثل القيمة الاحتمالية تكامل المنحنى من قيمة F المحسوبة إلى ما لا نهاية. أما في الاختبار ثنائي الذيل، فتتطلب الحسابات إيجاد الاحتمال في الذيلين معاً بمراعاة عدم تماثل التوزيع، حيث تضاعف البرمجيات الإحصائية أصغر الاحتمالين المتراكمين أو تحسب المساحة الدقيقة للطرفين المتطابقين في الكتلة الاحتمالية.

أما حساب فاصل الثقة (Confidence Interval) لنسبة التباين الحقيقي بين المجتمعين (σ₁² / σ₂²) عند مستوى ثقة محدد (1 – α) فيتم وفق المعادلة الرياضية الآتية:

[ (s₁² / s₂²) × (1 / F_{1-α/2, df1, df2}) , (s₁² / s₂²) × F_{1-α/2, df2, df1} ]

ويستند اتخاذ القرار الإحصائي المعياري إلى مقارنة القيمة الاحتمالية بمستوى الدلالة المعياري المحدد مسبقاً (عادةً α = 0.05)، أو من خلال فحص ما إذا كانت القيمة (1) تقع داخل حدود فاصل الثقة المستخرج؛ فإذا وقعت القيمة 1 ضمن الفترة اعتُبر الفرق غير دال إحصائياً، والعكس صحيح.

3. صياغة الفرضيات الإحصائية للاختبار

3.1 الفرضية الصفرية (Null Hypothesis – H0)

تمثل الفرضية الصفرية الأساس المنطقي الذي تنطلق منه عملية الاستدلال في اختبار F، حيث تفترض دائماً حالة “اللافرق” أو الوضع القائم في المجتمعين الإحصائيين الأصليين. وتُصاغ الفرضية الصفرية رمزياً على النحو التالي:

H₀: σ₁² = σ₂²   أو   H₀: σ₁² / σ₂² = 1

يعني هذا الافتراض الرياضي أن تباين المجتمع الأول مساوٍ تماماً لتباين المجتمع الثاني، وأن أي اختلاف يتم رصده بين تبايني العينتين (s₁² و s₂²) هو اختلاف طفيف وظاهري يعود فقط إلى خطأ المعاينة العشوائي والتقلبات الصدفية الناتجة عن اختيار عينات محدودة من المجتمعات، وليس لوجود تباين حقيقي بين المجتمعين.

3.2 الفرضية البديلة (Alternative Hypothesis – HA)

تُعبر الفرضية البديلة عن التوقع البحثي أو الفرضية التي يسعى الباحث لإثباتها في حال توفرت لديه أدلة إحصائية كافية تدحض الفرضية الصفرية. وتتخذ الفرضية البديلة في اختبار نسبة التباين ثلاثة أشكال رئيسية تبعاً للخلفية النظرية للدراسة وطبيعة التساؤل البحثي المطروح:

• الاختبار ثنائي الذيل (Two-Tailed): H_A: σ₁² ≠ σ₂² (أو σ₁² / σ₂² ≠ 1). يُستخدم عندما لا يمتلك الباحث افتراضاً مسبقاً حول أي المجتمعين سيكون أكثر تشتتاً من الآخر، ويهمه فقط كشف وجود أي اختلاف جوهري في التباين.
• الاختبار أحادي الذيل الأيمن (Right-Tailed / Greater): H_A: σ₁² > σ₂² (أو σ₁² / σ₂² > 1). يُعتمد عندما تنص النظرية أو الدراسات السابقة على أن تشتت المجتمع الأول أكبر تحديداً من تشتت المجتمع الثاني.
• الاختبار أحادي الذيل الأيسر (Left-Tailed / Less): H_A: σ₁² < σ₂² (أو σ₁² / σ₂² < 1). يُستخدم لاختبار فرضية انخفاض تشتت المجتمع الأول مقارنة بالمجتمع الثاني، كالتحقق من أن برنامجاً تدريبياً ساهم في تقليص تشتت أداء الأفراد.

3.3 الأخطاء الإحصائية من النوع الأول والثاني

تخضع قرارات الاستدلال الإحصائي في اختبار F لاحتمالية الوقوع في نوعين من الأخطاء التي يجب على الباحث موازنتها بدقة منهجية فائقة:

القرار الإحصائي	الفرضية الصفرية (H0) صحيحة في الواقع	الفرضية الصفرية (H0) خاطئة في الواقع
رفض H0 (Reject H0)	خطأ من النوع الأول (Type I Error – α) الادعاء بوجود فرق في التباين بينما هما متساويان.	قرار صائب (قوة الاختبار: 1 – β) اكتشاف الفرق الحقيقي في التباين بنجاح.
الفشل في رفض H0 (Fail to Reject)	قرار صائب (مستوى الثقة: 1 – α) الاعتراف بعدم وجود فرق جوهري بين التباينين.	خطأ من النوع الثاني (Type II Error – β) العجز عن كشف فرق حقيقي موجود في التباين.

ترتبط قوة الاختبار (Statistical Power: 1 – β) ارتباطاً وثيقاً بثلاثة عناصر جوهرية: حجم العينات المستخدمة (n₁ و n₂)، ومقدار حجم التأثير الفعلي (Effect Size) المتمثل في النسبة الحقيقية بين التباينين في المجتمع، ومستوى الدلالة المعياري (α). وتزداد قوة الاختبار كلما زادت أحجام العينات أو كَبُر الفارق الفعلي بين التباينين، مما يقلل من احتمالية ارتكاب الخطأ من النوع الثاني.

4. الشروط والافتراضات المسبقة لإجراء الاختبار

4.1 افتراض التوزيع الطبيعي (Normality Assumption)

يُعد افتراض التوزيع الطبيعي للبيانات في كلا المجتمعين الشرط الأكثر حساسية وحرجاً على الإطلاق عند إجراء اختبار نسبة التباين المعلمي. ويشترط الاختبار أن تتبع المتغيرات المقاسة في كلا المجموعتين توزيعاً طبيعياً معيارياً بدقة، دون وجود انحرافات جوهرية عن هذا النمط التوزيعي.

وعلى عكس اختبارات مقارنة المتوسطات (مثل اختبار t) التي تتسم بمتانة نسبية (Robustness) تجاه الانحرافات الخفيفة إلى المعتدلة عن التوزيع الطبيعي استناداً إلى نظرية النهاية المركزية (Central Limit Theorem) عند أحجام العينات الكبيرة، فإن اختبار F للتباينات حساس للغاية (Extremely Sensitive) لأي قدر من الالتواء (Skewness) أو التفرطح (Kurtosis). فإذا كانت ذيول التوزيع أثقل أو أخف من ذيول التوزيع الطبيعي، تتأثر القيمة الاحتمالية الناتجة عن اختبار F بشدة، مما قد يؤدي إلى تضخم هائل في معدل الخطأ من النوع الأول وظهور فروق وهمية لا أساس لها في الواقع.

4.2 استقلالية المشاهدات (Independence of Observations)

يقضي الافتراض الثاني بضرورة استقلالية المشاهدات استقلالية تامة داخل كل عينة وفيما بين العينتين؛ أي أن قياس أي قيمة لأي فرد في العينة لا يؤثر بأي شكل من الأشكال ولا يتأثر بقيمة أي فرد آخر. ويتحقق هذا الشرط منهجياً عبر تبني أساليب المعاينة العشوائية الحقيقية والحرص على عدم وجود تفاعل أو تأثير متبادل بين المشاركين أثناء إجراء القياسات.

ويستبعد هذا الشرط بشكل قاطع استخدام اختبار F الكلاسيكي في حالات القياسات المتكررة (Repeated Measures) أو البيانات المقترنة (Paired Data)، كأن يُقاس تباين أداء نفس المجموعة من الأفراد قبل إخضاعهم لبرنامج علاجي وبعده؛ إذ يؤدي وجود ارتباط ذاتي (Autocorrelation) أو اعتماد متبادل بين البيانات إلى خفض درجات الحرية الفعلية وإفساد صحة التوزيع الاحتمالي للاختبار بالكامل، مما يستدعي في تلك الحالات استخدام نماذج التباين المقترن مثل اختبار مورغان-بيت Pitman-Morgan Test.

4.3 مستوى القياس ونوع المتغيرات

يتطلب اختبار نسبة التباين نوعية محددة من المتغيرات تتوافق مع بنيته الرياضية والمعلمية، وهي كالتالي:

• المتغير المستقل (Grouping Variable): متغير تصنيفي نوعي (Categorical/Nominal) ثنائي التقسيم يحتوي على مستويين أو مجموعتين مستقلتين فقط (مثل: ذكور/إناث، مجموعة تجريبية/مجموعة ضابطة).
• المتغير التابع (Response Variable): متغير كمي متصل (Continuous Metric) يتم قياسه على مستوى مقياس المسافة (Interval) أو مقياس النسبة (Ratio)، مثل الدرجات على مقياس نفسي، أو زمن الرجع بالمللي ثانية، أو معدلات ضغط الدم.

بالإضافة إلى ذلك، يتأثر تباين العينة بحدة بالغة بالقيم المتطرفة والشاذة (Outliers)؛ فنظراً لاعتماد التباين على حساب مربعات الانحرافات عن المتوسط، فإن وجود قيمة شاذة واحدة فقط قد يضاعف من قيمة التباين المحسوب، مما يولد خللاً كبيراً في نسبة التباين ويقود إلى استنتاجات خاطئة تماماً، الأمر الذي يحتم فحص البيانات استكشافياً قبل البدء في التحليل.

5. أهمية اختبار نسبة التباين في القياس النفسي والعلوم السلوكية

5.1 فحص تجانس استجابات المجموعات التجريبية والضابطة

يمثل اختبار نسبة التباين أداة تحليلية محورية في بحوث القياس النفسي وعلم النفس التجريبي؛ ففي كثير من الدراسات الإكلينيكية، لا يقتصر تأثير العلاج النفسي أو التدخل السلوكي على تحسين متوسط الدرجات الكلية للأفراد فحسب، بل يمتد تأثيره ليظهر في مدى اتساق واستقرار الاستجابات الفردية. فعلى سبيل المثال، قد يؤدي تدخل سلوكي معرفي معين إلى خفض متوسط أعراض القلق لدى أفراد المجموعة التجريبية، ولكن مع إحداث تباين واسع جداً في درجاتهم مقارنة بالمجموعة الضابطة، مما يشير إلى أن بعض الأفراد استجابوا بشكل استثنائي بينما لم يستجب آخرون إطلاقاً.

يساعد اختبار F الباحثين في الكشف عن هذا التباين الكامن ومقارنة تشتت الدرجات على المقاييس النفسية المقننة مثل مقاييس الاكتئاب، والذكاء الوجداني، والصلابة النفسية. ويوفر هذا الفحص رؤية معمقة حول ما إذا كان التدخل يؤدي إلى استجابة متجانسة عبر أفراد العينة كافة، أم أنه يولد استقطاباً في النتائج يتطلب تعديلاً في بروتوكولات العلاج لتناسب الفروق الفردية في القابلية للتغيير.

5.2 التحقق من شروط تحليل التباين (ANOVA) واختبارات t

يُعد فحص تجانس التباين (Homogeneity of Variance) أحد أهم الإجراءات المنهجية التي تسبق تطبيق النماذج الإحصائية المعلمية الشهيرة، مثل اختبار ت لعينتين مستقلتين (Student’s Two-Sample t-test) وتحليل التباين الأحادي (ANOVA). فإذا كانت التباينات بين المجموعات متساوية ومتجانسة، يكون تطبيق اختبار Student الكلاسيكي آمناً وصحيحاً إحصائياً.

أما في حال أظهر اختبار F وجود عدم تجانس دال إحصائياً بين التباينات، فإن الافتراضات الرياضية المعتمدة لحساب الخطأ المعياري المشترك تنهار، مما يستلزم اللجوء الفوري إلى تعديلات إحصائية بديلة مثل اختبار ويلش لت للعينات المستقلة (Welch’s t-test) الذي يعدل درجات الحرية للتعامل مع عدم تساوي التباينات، مما يحمي الباحث من التضخم الكاذب في مستوى الدلالة وتفادي الاستنتاجات العلمية المضللة.

5.3 دراسة التباين الفردي في القدرات المعرفية

تستخدم دراسات علم النفس المعرفي والنمائي اختبار نسبة التباين للإجابة عن تساؤلات جوهرية تخص استقرار الأداء المعرفي وتشتت العمليات العقلية العليا عبر الفئات العمرية والجنسية المختلفة. فعلى سبيل المثال، تتيح هذه الأداة للباحثين مقارنة تباين زمن الرجع الحركي-المعرفي بين فئة الشباب وفئة كبار السن؛ للتحقق من فرضية زيادة التشتت الفردي للأداء مع التقدم في العمر.

كما يُستخدم الاختبار في دراسات الفروق بين الجنسين لفحص فرضية “التباين الأكبر” (Greater Male Variability Hypothesis) في القدرات المكانية أو الرياضية، علاوة على تطبيقه في سيكولوجيا العمل والمنظمات لمقارنة تشتت مستويات الاحتراق النفسي وضغوط العمل عبر بيئات وظيفية متعددة، مما يعزز من القدرة على تحديد البيئات التي تتسم بتباينات حرجة تستدعي تدخلاً إدارياً وتنظيمياً موجهاً.

6. البنية البرمجية لدالة `var.test()` في لغة R

6.1 الصيغة العامة للدالة والمتغيرات المدخلة (Syntax & Arguments)

توفر لغة R البيئة القياسية المتكاملة لتنفيذ اختبار نسبة التباين من خلال الدالة المدمجة var.test() التابعة لحزمة stats الأساسية. تتيح الدالة استدعاء التحليل بطريقتين رئيسيتين وفقاً لطريقة تنظيم البيانات في مساحة العمل:

الصيغة الأولى: باستخدام المتجهات المستقلة (Default S3 Method):

var.test(x, y, ratio = 1, alternative = c("two.sided", "less", "greater"), conf.level = 0.95, ...)

الصيغة الثانية: باستخدام صيغة النموذج الإحصائي (Formula Interface):

var.test(formula, data, subset, na.action, ...)

حيث تمثل المدخلات والمتغيرات العناصر التالية:

• x, y: متجهات رقمية كمية تمثل قيم المتغير التابع في العينة الأولى والعينة الثانية على التوالي.
• formula: تعبير رمزي يأخذ الشكل response ~ group، حيث يمثل response المتغير التابع الرقمي، ويمثل group المتغير المستقل الفئوي ثنائي المستويات.
• data: إطار البيانات (Data Frame) أو القائمة التي تحتوي على المتغيرات المذكورة في الصيغة.
• ratio: النسبة المفترضة بين التباينين تحت الفرضية الصفرية (σ₁² / σ₂²)، وتكون قيمتها الافتراضية مساوية للواحد الصحيح (1).
• alternative: سلسلة نصية تحدد اتجاه الفرضية البديلة؛ حيث تأخذ إحدى القيم: "two.sided" للاختبار ثنائي الذيل، أو "greater" للاختبار أحادي الذيل الأكبر، أو "less" للاختبار أحادي الذيل الأصغر.

6.2 تخصيص مستوى الثقة ومعاملات الدالة

تمنح دالة var.test() مرونة كاملة للباحث لضبط معاملات الاستدلال وفق أهدافه المنهجية؛ حيث يتيح الوسيط conf.level تعيين مستوى الثقة الإحصائي المطلوب لبناء فاصل الثقة لنسبة التباين، وتبلغ قيمته الافتراضية 0.95 (أي مستوى ثقة 95%)، ويمكن تعديله إلى 0.90 أو 0.99 وفق دقة التحليل المطلوبة.

كما يتحكم الوسيط na.action في كيفية تعامل الدالة مع القيم المفقودة (NA)، حيث يقوم السلوك الافتراضي na.omit باستبعاد الحالات التي تحتوي على بيانات ناقصة لضمان اكتمال المتجهات. وعند تنفيذ الدالة، تُرجع لغة R كائناً برمجياً متقدماً من الصنف htest (Hypothesis Test Object)، يحتوي على مصفوفة كاملة من النتائج تشمل قيمة إحصائية F المحسوبة، ودرجات الحرية في البسط والمقام، والقيمة الاحتمالية الدقيقة، وفترة الثقة، والنسبة المقدرة للتباينين، والفرضيات المختبرة.

6.3 حزم إحصائية مساعدة ومكملة لـ R الأساسي

على الرغم من كفاية الدالة المدمجة var.test() في أداء الاختبار بدقة تامة دون الحاجة إلى تنصيب مكتبات خارجية، فإن دمج الاختبار مع منظومة الحزم الإحصائية الحديثة في R يعزز بشكل كبير من كفاءة سير العمل التحليلي. تبرز هنا حزمة tidyverse (وخاصة مكتبتي dplyr و ggplot2) لتنظيف وتلخيص البيانات وتمثيل التباين بصرياً بأعلى جودة رسومية.

بالإضافة إلى ذلك، توفر حزمة broom دالة قوية تسمى tidy() تقوم بتحويل مخرجات كائن htest الناتج عن var.test() إلى إطار بيانات منظم (Tibble/Data Frame)، مما يسهل تصدير النتائج مباشرة إلى جداول النشر العلمي أو دمجها في تقارير برمجية ديناميكية عبر R Markdown و Quarto. كما توفر حزم متخصصة مثل car و psych أدوات مساعدة متقدمة لحساب المؤشرات الوصفية ومقارنة النتائج ببدائل متينة سنتناولها لاحقاً.

7. دليل عملي خطوة بخطوة: إعداد البيانات واستيرادها في R

7.1 إنشاء مجموعة بيانات تجريبية (Synthetic Data Generation)

لتطبيق هذا الاختبار عملياً، سنقوم أولاً بإنشاء مجموعة بيانات اصطناعية تحاكي دراسة في علم النفس الإكلينيكي تقارن بين طريقتين علاجيتين لتخفيف أعراض القلق النفسي: طريقة العلاج المعرفي السلوكي التقليدي (CBT)، وطريقة العلاج بالقبول والالتزام (ACT). نريد فحص ما إذا كان هناك فرق في تشتت درجات التحسن بين المجموعتين.

سنستخدم الدالة set.seed() لضمان إمكانية تكرار النتائج نفسها تماماً، ثم نولد عينتين مستقلتين تتبعان التوزيع الطبيعي باستخدام دالة rnorm() بمعايير تباين مختلفة مسبقاً، ونجمعهما في إطار بيانات منظم (Data Frame):

كود توليد البيانات في R:

# ضبط البذرة العشوائية لضمان تكرارية النتائج
set.seed(42)

# توليد عينة المجموعة الأولى (CBT): الحجم = 40، المتوسط = 50، الانحراف المعياري = 6 (التباين = 36)
cbt_scores <- rnorm(n = 40, mean = 50, sd = 6)

# توليد عينة المجموعة الثانية (ACT): الحجم = 35، المتوسط = 52، الانحراف المعياري = 10 (التباين = 100)
act_scores <- rnorm(n = 35, mean = 52, sd = 10)

# تجميع البيانات في إطار بيانات منظم طويل (Long Format Data Frame)
clinical_data <- data.frame(
  Score = c(cbt_scores, act_scores),
  Group = factor(rep(c("CBT", "ACT"), times = c(40, 35)))
)

من خلال الكود السابق، قمنا ببناء تجربة تتضمن عينتين مستقلتين: الأولى بحجم 40 فرداً وتباين حقيقي قدره 36، والثانية بحجم 35 فرداً وتباين حقيقي قدره 100، مما يجعل النسبة الحقيقية للتباين في المجتمع مساوية لـ (36 / 100 = 0.36).

7.2 استيراد البيانات من ملفات خارجية (CSV / Excel)

في الواقع التطبيقي، غالباً ما يقوم الباحثون بجمع البيانات وتخزينها في ملفات خارجية مثل صيغة CSV أو جداول Excel. لاستيراد هذه البيانات وتحضيرها لاختبار نسبة التباين في R، تُستخدم الدوال المعيارية المتخصصة.

أوامر الاستيراد والفحص الهيكلي:

# لقراءة ملف بصيغة CSV
# clinical_data <- read.csv("anxiety_study_data.csv", header = TRUE)

# لقراءة ملف بصيغة Excel باستخدام حزمة readxl
# library(readxl)
# clinical_data <- read_excel("anxiety_study_data.xlsx")

# فحص البنية الهيكلية للبيانات
str(clinical_data)

# التحقق من خلو البيانات من القيم المفقودة
sum(is.na(clinical_data))

تضمن دالة str() التحقق من أن عمود الدرجات (Score) مصنف كمتغير رقمي متصل (Numeric/Double)، وأن عمود المجموعات (Group) مصنف كعامل فئوي (Factor) يتكون من مستويين بالضبط، وهو الشرط التقني الإلزامي لعمل دالة var.test() بسلاسة.

7.3 الفحص الاستكشافي للبيانات وحساب المقاييس الوصفية

قبل الشروع في تشغيل الاختبار الاستدلالي، يجب استعراض المقاييس الوصفية التلخيصية لتشتت البيانات؛ حيث يساعد حساب المتوسطات، والانحرافات المعيارية، والتباينات لكل مجموعة على نحو منفصل في تكوين رؤية أولية حول حجم الفروق الملاحظة بين العينتين.

كود استخراج الإحصاءات الوصفية:

# حساب المقاييس الوصفية باستخدام الدوال الأساسية
cbt_var <- var(clinical_data$Score[clinical_data$Group == "CBT"])
act_var <- var(clinical_data$Score[clinical_data$Group == "ACT"])
cbt_sd <- sd(clinical_data$Score[clinical_data$Group == "CBT"])
act_sd <- sd(clinical_data$Score[clinical_data$Group == "ACT"])

# طباعة النتائج الوصفية
cat("تباين مجموعة CBT المحسوب:", round(cbt_var, 3), "n")
cat("تباين مجموعة ACT المحسوب:", round(act_var, 3), "n")
cat("النسبة المبدئية للتباينين (CBT/ACT):", round(cbt_var / act_var, 3), "n")

يقوم الكود السابق بحساب تباين العينة والانحراف المعياري لكل مجموعة، فضلاً عن حساب النسبة التجريبية بين التباينين، مما يمهد الطريق للتحقق مما إذا كانت هذه النسبة تختلف اختلافاً جوهرياً عن الواحد الصحيح من الناحية الاستدلالية.

8. تنفيذ اختبار نسبة التباين ثنائي الذيل في R (مثال تطبيقي كامل)

8.1 كتابة وتنفيذ الكود البرمجي الأساسي

بعد إعداد البيانات واستكشاف معالمها الوصفية، يمكننا الآن تنفيذ اختبار نسبة التباين ثنائي الذيل (Two-Tailed F-Test) لاختبار الفرضية الصفرية القائلة بعدم وجود فرق بين تباين مجموعة CBT وتباين مجموعة ACT. سنطبق الاختبار باستخدام صيغة النموذج الإحصائي الأكثر شيوعاً وتنظيماً في تحليل البيانات.

كود تنفيذ الاختبار:

# تنفيذ اختبار F ثنائي الذيل لنسبة التباين
f_test_result <- var.test(Score ~ Group, data = clinical_data, alternative = "two.sided", conf.level = 0.95)

# عرض المخرجات الكاملة للاختبار
print(f_test_result)

يتم تنفيذ الكود دون أي تحذيرات برمجية، حيث تقوم الدالة تلقائياً بتحديد المجموعة الأولى (CBT) في البسط والمجموعة الثانية (ACT) في المقام بناءً على الترتيب الأبجدي لمستويات العامل (Factor Levels) ما لم يتم تحديد خلاف ذلك.

8.2 استعراض مخرجات الكود خطوة بخطوة

عند طباعة كائن النتيجة f_test_result في وحدة التحكم (Console)، تظهر المخرجات الإحصائية على النحو التفصيلي الآتي:

    F test to compare two variances

  Score by Group
F = 0.35418, num df = 39, denom df = 34, p-value = 0.003504
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
 0.1830635 0.7027581
sample estimates:
ratio of variances
         0.3541819

تحليل وتفكيك عناصر المخرجات:

• إحصائية الاختبار (F = 0.35418): تمثل النسبة المحسوبة بين تباين العينة الأولى (CBT) وتباين العينة الثانية (ACT). ونظراً لأن القيمة أقل بكثير من 1، فهذا يشير مبدئياً إلى أن تشتت المجموعة الأولى أقل من تشتت المجموعة الثانية في بيانات العينة.
• درجات الحرية (num df = 39, denom df = 34): درجات حرية البسط للمجموعة الأولى (40 – 1 = 39)، ودرجات حرية المقام للمجموعة الثانية (35 – 1 = 34).
• القيمة الاحتمالية (p-value = 0.003504): قيمة دالة إحصائياً عند المستوى القياسي (α = 0.05)؛ حيث أن 0.003504 < 0.05، مما يبرهن على أن احتمال الحصول على هذه النسبة أو نسبة أكثر تطرفاً بمحض الصدفة البحتة يقل عن 0.35%.
• فاصل الثقة 95% [0.183, 0.703]: يوضح أننا واثقون بنسبة 95% من أن النسبة الحقيقية لتباين المجتمعين تقع بين 0.183 و 0.703. ونلاحظ بجلاء أن القيمة (1) تقع خارج هذا الفاصل تماماً، مما يؤكد رفض فرضية تكافؤ التباينات.
• التقدير النقطي للنسبة (ratio of variances = 0.354): تقدير النسبة التجريبية بين تبايني المجموعتين.

8.3 التمثيل البصري لتوزيع البيانات والتباين

يعد التمثيل البصري أداة بالغة الأهمية لتجسيد الفروق في التشتت وجعلها بديهية وواضحة للقارئ. سنستخدم حزمة ggplot2 لرسم مقارنة متقدمة تتضمن المخطط الصندوقي (Boxplot) ومخطط الكثافة الاحتمالية (Density Plot) لتوضيح الفارق البصري بين تشتت درجات المجموعتين.

كود التمثيل البياني:

library(ggplot2)

# رسم بياني مدمج يوضح الفروق في التشتت والكثافة
p1 <- ggplot(clinical_data, aes(x = Group, y = Score, fill = Group)) +
  geom_boxplot(alpha = 0.5, outlier.color = "red", width = 0.4) +
  geom_jitter(width = 0.1, alpha = 0.4, color = "black") +
  theme_minimal() +
  labs(title = "مقارنة تشتت الدرجات بين المجموعتين (Boxplot)",
       x = "المجموعة العلاجية", y = "درجة التحسن") +
  theme(legend.position = "none")

# رسم منحنيات الكثافة لمقارنة انتشار التوزيعين
p2 <- ggplot(clinical_data, aes(x = Score, fill = Group)) +
  geom_density(alpha = 0.4) +
  theme_minimal() +
  labs(title = "منحنيات الكثافة الاحتمالية للتشتت",
       x = "درجة التحسن", y = "الكثافة", fill = "المجموعة")

# عرض الرسوم البيانية
# print(p1)
# print(p2)

يظهر المخطط الصندوقي بوضوح اتساع المدى الربيعي (IQR) والانتشار الكلي لدرجات مجموعة ACT مقارنة بمجموعة CBT، بينما يوضح منحنى الكثافة الاحتمالية اتساع قاعدة التوزيع وتبططه لمجموعة ACT مقابل التمركز العالي والقمة الحادة لبيانات CBT، مما يعزز الاستنتاج الإحصائي بصرياً.

9. تفسير المخرجات الإحصائية واتخاذ القرار العلمي

9.1 القواعد المنهجية لقبول أو رفض الفرضية الصفرية

تخضع عملية اتخاذ القرار الإحصائي في اختبار نسبة التباين لقواعد استدلالية صارمة تحكمها مقارنة القيمة الاحتمالية (p-value) بمستوى الدلالة النظري المعياري المحدد مسبقاً (α = 0.05):

• الحالة الأولى (p-value < α): إذا كانت القيمة الاحتمالية أصغر من 0.05، يتم رفض الفرضية الصفرية (Reject H₀) وقبول الفرضية البديلة، مما يعني وجود أدلة إحصائية قاطعة على أن التباينين في المجتمعين الأصليين غير متساويين، وأن نسبة التباين تختلف جوهرياً عن الواحد الصحيح.
• الحالة الثانية (p-value ≥ α): إذا كانت القيمة الاحتمالية أكبر من أو تساوي 0.05، نفشل في رفض الفرضية الصفرية (Fail to Reject H₀)، ونستنتج عدم وجود أدلة كافية تدل على اختلاف التباينين، مما يسمح بافتراض تجانس التباين بين المجموعتين واعتبار الفروق الملاحظة مجرد تقلبات معاينة عشوائية.

وبالإضافة إلى معيار القيمة الاحتمالية، يؤدي فحص فاصل الثقة 95% لنسبة التباين النتيجة الاستدلالية ذاتها؛ فإذا شمل فاصل الثقة القيمة 1 (مثلاً [0.85, 1.45])، فلا يمكن رفض الفرضية الصفرية. أما إذا وقع الفاصل بالكامل دون القيمة 1 (كما في مثالنا: [0.183, 0.703]) أو فوقها بالكامل، فإن ذلك يؤكد حتمية رفض الفرضية الصفرية.

9.2 كتابة النتائج وفق المعايير الأكاديمية (APA Style)

تشترط الجمعية الأمريكية لعلم النفس (APA) في دليلها للنشر العلمي (الإصدار السابع) صياغة نتائج الاختبارات الإحصائية بأسلوب منهجي موحد يضمن الشفافية والدقة، بحيث يتضمن توثيق إحصائية الاختبار F، ودرجات حرية البسط والمقام، والقيمة الاحتمالية، والنسبة المقدرة، مصحوبة بالإحصاءات الوصفية الأساسية (المتوسطات والانحرافات المعيارية).

نموذج الصياغة الأكاديمية للنتائج:

“أُجري اختبار نسبة التباين (F-test) لفحص تجانس التباين في درجات التحسن النفسي بين مجموعة العلاج المعرفي السلوكي (CBT: M = 50.12, SD = 5.84) ومجموعة العلاج بالقبول والالتزام (ACT: M = 52.45, SD = 9.82). كشفت النتائج عن وجود فرق ذي دلالة إحصائية في التباين بين المجموعتين، F(39, 34) = 0.354, p = .0035, 95% CI [0.183, 0.703]، حيث كانت نسبة التباين أقل بكثير من الواحد الصحيح، مما يشير إلى أن درجات أفراد مجموعة CBT أظهرت تجانساً واستقراراً أعلى بصورة دالة مقارنة بدرجات مجموعة ACT.”

9.3 الآثار المترتبة على الخطوات التحليلية اللاحقة

يترتب على رفض فرضية تجانس التباين في هذه المرحلة تبعات جوهرية تحدد مسار التحليلات الإحصائية اللاحقة في الدراسة؛ فإذا كان الهدف التالي للباحث هو مقارنة متوسطات درجات التحسن بين المجموعتين لمعرفة أي العلاجين أكثر فاعلية، فإن استخدام اختبار ت الكلاسيكي لعينات مستقلة (Student’s t-test) يصبح غير مبرر منهجياً؛ لانتهاك شرط تجانس التباين.

في هذه الحالة، يجب على الباحث التحول فوراً لتطبيق اختبار ويلش لت (Welch’s t-test) عبر استدعاء الأمر t.test(Score ~ Group, data = clinical_data, var.equal = FALSE) في R، وهو الخيار الافتراضي الآمن في لغة R الذي يعالج أثر عدم تجانس التباينات من خلال تعديل درجات الحرية عبر معادلة ساترثويت (Satterthwaite approximation)، مما يمنع ارتفاع الخطأ من النوع الأول ويحافظ على صدق النتائج.

10. إجراء الاختبار أحادي الذيل وضبط الفرضيات الموجهة

10.1 تطبيق الفرضية الموجهة الأكبر (Greater Alternative)

في العديد من الدراسات السلوكية الموجهة نظرياً، يمتلك الباحث افتراضاً محدداً مسبقاً بأن تباين المجموعة الأولى يفوق حتماً تباين المجموعة الثانية. في مثل هذه الحالات، يُجرى الاختبار أحادي الذيل الأيمن باستهداف الفرضية البديلة (H_A: σ₁² > σ₂²).

لإجراء هذا الاختبار في R، نقوم بتعديل الوسيط alternative = "greater" داخل دالة var.test(). وتقوم هذه الصياغة بتركيز كامل المنطقة الحرجة لمستوى الدلالة (α = 0.05) في الطرف الأيمن لتوزيع F، كما يظهر فاصل الثقة أحادي الحد (One-sided Confidence Interval) الذي يمتد من حد أدنى محدد إلى ما لا نهاية [Lower Bound, ∞).

كود الاختبار أحادي الذيل الأكبر:

# تنفيذ الاختبار أحادي الذيل الأكبر (اختبار ما إذا كان تباين CBT > ACT)
f_test_greater <- var.test(Score ~ Group, data = clinical_data, alternative = "greater")
print(f_test_greater)

في سيناريو بياناتنا، نظراً لأن تباين CBT أقل فعلياً من ACT، ستسفر هذه الدالة عن قيمة احتمالية عالية جداً (p &approx; 0.998)، مما يعني الفشل التام في رفض الفرضية الصفرية لهذا الاتجاه الموجه.

10.2 تطبيق الفرضية الموجهة الأصغر (Less Alternative)

على العكس من الحالة السابقة، إذا كانت النظرية تقترح أن تدخلاً تدريبياً أو علاجياً يؤدي إلى ضبط وتوحيد الأداء، فإن الفرضية تصاغ لاختبار ما إذا كان تباين المجموعة الأولى أقل دلالياً من تباين المجموعة الثانية (H_A: σ₁² < σ₂²).

يتم ضبط ذلك في R عبر تحديد alternative = "less". وفي هذا الاختبار، ترتكز منطقة الرفض بالكامل في الطرف الأيسر من التوزيع، وينتج فاصل ثقة يبدأ من الصفر ويمتد حتى حد أعلى محدد [0, Upper Bound].

كود الاختبار أحادي الذيل الأصغر:

# تنفيذ الاختبار أحادي الذيل الأصغر (اختبار ما إذا كان تباين CBT < ACT)
f_test_less <- var.test(Score ~ Group, data = clinical_data, alternative = "less")
print(f_test_less)

قراءة مخرجات الاختبار الأصغر: ستعطي الدالة قيمة احتمالية تساوي نصف القيمة الاحتمالية الناتجة عن الاختبار ثنائي الذيل تقريباً (p-value = 0.00175)، مع فاصل ثقة 95% يأخذ الشكل [0, 0.627]؛ مما يقدم دليلاً إحصائياً قاطعاً على أن تباين مجموعة CBT أقل بشكل جوهري من تباين مجموعة ACT.

10.3 مقارنة النتائج بين الاختبار الموجه وغير الموجه

توضح المقارنة الإحصائية بين التحليل ثنائي الذيل والتحليل أحادي الذيل أن الأخير يتمتع بقوة إحصائية أعلى (Higher Statistical Power) لكشف الفروق في الاتجاه المحدد؛ لأن تركيز مستوى الدلالة α في ذيل واحد يخفض من قيمة العتبة الحرجة المطلوبة لرفض الفرضية الصفرية في ذلك الاتجاه.

ومع ذلك، ينطوي استخدام الاختبارات أحادية الذيل على محاذير منهجية وأخلاقية بالغة الخطورة؛ حيث يُحظر تماماً اختيار الاتجاه أحادي الذيل بعد معاينة البيانات واستكشاف اتجاه الفروق الفعلية (وهي الممارسة غير العلمية المعروفة باسم HARKing: Hypothesizing After the Results are Known). إن التحول نحو الاختبار أحادي الذيل يجب أن يستند حصراً إلى تبرير نظري ومنطقي صارم موثق قبل جمع البيانات وتحليلها؛ تجنباً لتضخيم الدلالات الإحصائية الوهمية.

11. فحص افتراض التوزيع الطبيعي قبل اعتماد نتائج الاختبار

11.1 الاختبارات الإحصائية للتوزيع الطبيعي في R

نظراً لأن اختبار F لنسبة التباين شديد الحساسية لافتراض اعتدالية البيانات، فإن الخطوة المنهجية التي لا غنى عنها قبل اعتماد قراراته تتمثل في فحص التوزيع الطبيعي لكل مجموعة على حدة عبر الاختبارات الإحصائية المعيارية المخصصة لذلك.

يُعد اختبار شابيرو-ويلك (Shapiro-Wilk Test) الاختبار الأكثر قوة وموثوقية للعينات الصغيرة والمتوسطة (حتى بضعة آلاف من المشاهدات). سنطبقه في R باستخدام دالة shapiro.test() لكل مجموعة بشكل منفصل:

كود اختبار شابيرو-ويلك في R:

# فحص التوزيع الطبيعي لمجموعة CBT
shapiro_cbt <- shapiro.test(clinical_data$Score[clinical_data$Group == "CBT"])
print(shapiro_cbt)

# فحص التوزيع الطبيعي لمجموعة ACT
shapiro_act <- shapiro.test(clinical_data$Score[clinical_data$Group == "ACT"])
print(shapiro_act)

تفترض الفرضية الصفرية لاختبار شابيرو-ويلك أن البيانات تتبع التوزيع الطبيعي؛ وبالتالي، فإن الحصول على قيمة احتمالية (p-value > 0.05) في كلا الاختبارين يشير إلى الفشل في رفض الاعتدالية، مما يعزز الثقة في صلاحية استخدام اختبار F. أما إذا كانت العينات ضخمة جداً، فيمكن الاستعانة باختبار كولموجوروف-سميرنوف عبر دالة ks.test() مع مراعاة حساسيته الشديدة للانحرافات الطفيفة جداً في العينات الكبيرة.

11.2 الفحص البصري للاعتدالية (Visual Diagnostics)

لا يُنصح بالاعتماد الحصري على الاختبارات الإحصائية الصماء لتقييم التوزيع الطبيعي، بل يجب إقرانها بالفحص البصري التشخيصي. يُعد مخطط الاحتمال الطبيعي (Q-Q Plot) والمدرج التكراري المدمج مع المنحنى المعياري أفضل الأدوات البصرية المتاحة في R للتحقق من استيفاء شرط الاعتدالية.

كود الفحص البصري وحساب الالتواء والتفرطح:

# رسم مخططات Q-Q Plot للمجموعتين
par(mfrow = c(1, 2)) # تقسيم نافذة الرسم إلى عمودين

qqnorm(clinical_data$Score[clinical_data$Group == "CBT"], main = "Q-Q Plot: CBT Group")
qqline(clinical_data$Score[clinical_data$Group == "CBT"], col = "blue", lwd = 2)

qqnorm(clinical_data$Score[clinical_data$Group == "ACT"], main = "Q-Q Plot: ACT Group")
qqline(clinical_data$Score[clinical_data$Group == "ACT"], col = "red", lwd = 2)

par(mfrow = c(1, 1)) # إعادة ضبط نافذة الرسم

# حساب مؤشرات الالتواء والتفرطح باستخدام حزمة e1071
# library(e1071)
# skewness(clinical_data$Score[clinical_data$Group == "CBT"])
# kurtosis(clinical_data$Score[clinical_data$Group == "CBT"])

عندما تنتظم النقاط التجريبية بدقة على طول الخط المستقيم القطري في مخطط Q-Q، فإن ذلك يؤكد بصرياً أن البيانات تتبع التوزيع الطبيعي دون انحرافات حادة في الذيول أو المركز.

11.3 عواقب انتهاك التوزيع الطبيعي على موثوقية اختبار F

إذا أظهرت الفحوص الإحصائية أو البصرية انتهاكاً لافتراض التوزيع الطبيعي—سواء بوجود التواء إيجابي أو سلبي قوي، أو تفرطح ذي ذيول ثقيلة (Leptokurtic)—فإن النتائج المستخلصة من اختبار F لنسبة التباين تصبح غير موثوقة وفاقدة للمصداقية العلمية.

تؤدي الذيول الثقيلة إلى تضخيم تباين العينة وتشويه توزيع نسبة F، مما يجعل معدل الخطأ الفعلي من النوع الأول يقفز من المستوى الاسمي المحدد 5% إلى مستويات خطيرة قد تصل إلى 20% أو 30% أحياناً، مما يعني أن الباحث سيرفض الفرضية الصفرية ويدعي وجود فروق في التشتت بينما هي في حقيقتها ناجمة فقط عن شكل التوزيع غير الطبيعي، الأمر الذي يفرض التحول إلى بدائل إحصائية متينة لا تعتمد على هذا الافتراض الحرج.

12. البدائل الإحصائية المتقدمة عند انتهاك الافتراضات

12.1 اختبار ليفين لتجانس التباين (Levene’s Test)

عند انتهاك افتراض التوزيع الطبيعي، يُعد اختبار ليفين (Levene’s Test) البديل الإحصائي الأكثر شهرة واستخداماً عالمياً لمقارنة تباينات المجموعات. يتميز اختبار ليفين بمتانته الكبيرة (Robustness) ضد عدم اعتدالية البيانات؛ حيث يعتمد في نسخته الكلاسيكية على حساب الانحرافات المطلقة عن متوسط المجموعة.

وتوفر النسخة المعدلة من الاختبار، المعروفة باسم اختبار براون-فورسيز (Brown-Forsythe Test)، متانة استثنائية أكبر من خلال حساب الانحرافات المطلقة عن الوسيط (Median) بدلاً من المتوسط الحسابي. يمكن تطبيق هذا الاختبار بكل سهولة في R باستخدام حزمة car عبر الدالة leveneTest().

كود تطبيق اختبار ليفين وبراون-فورسيز في R:

library(car)

# تطبيق اختبار براون-فورسيز المتين (الاعتماد على الوسيط - الخيار الافتراضي الأفضل)
levene_robust <- leveneTest(Score ~ Group, data = clinical_data, center = median)
print(levene_robust)

# تطبيق اختبار ليفين الكلاسيكي (الاعتماد على المتوسط الحسابي)
levene_classic <- leveneTest(Score ~ Group, data = clinical_data, center = mean)
print(levene_classic)

إذا أظهر اختبار براون-فورسيز قيمة احتمالية أقل من 0.05، فإن ذلك يؤكد عدم تجانس التباينات حتى مع غياب التوزيع الطبيعي، مما يجعله بديلاً فائق الجودة والاعتمادية.

12.2 اختبار بارتليت (Bartlett’s Test) واختبار فليجنر (Fligner-Killeen)

تزخر بيئة R بحزمة متكاملة من الاختبارات المتخصصة لفحص التباين عبر دوالها المدمجة، والتي تلبي مختلف السيناريوهات التوزيعية للبيانات:

• اختبار بارتليت (Bartlett’s Test): يُنفذ عبر الدالة bartlett.test(Score ~ Group, data = clinical_data). يشبه اختبار F في كونه فائق القوة المعلمية ولكنه يشترط التوزيع الطبيعي التام للبيانات ولا يتحمل أي انحرافات عنه.
• اختبار فليجنر-كيلين (Fligner-Killeen Test): يُنفذ عبر الدالة fligner.test(Score ~ Group, data = clinical_data). يُعد أحد أقوى الاختبارات غير المعلمية (Non-parametric) على الإطلاق لمقارنة التباينات، ويتميز بكونه مقاوماً بالكامل للقيم المتطرفة والشاذة والالتواءات الحادة في البيانات.

جدول مقارنة منهجي لاختيار الاختبار الإحصائي المناسب لمقارنة التباين:

الاختبار الإحصائي	الدالة في R	شرط التوزيع الطبيعي	حساسية القيم المتطرفة	الاستخدام الموصى به
اختبار نسبة التباين (F-test)	var.test()	صارم جداً	عالية جداً	مجموعتان فقط، وتوزيع طبيعي مؤكد تماماً.
اختبار بارتليت (Bartlett)	bartlett.test()	صارم جداً	عالية جداً	أكثر من مجموعتين مع توافر التوزيع الطبيعي.
اختبار ليفين / براون-فورسيز	car::leveneTest()	متين (لا يشترط)	منخفضة (عند استخدام الوسيط)	الخيار القياسي المفضل في العلوم الاجتماعية والسلوكية.
اختبار فليجنر-كيلين	fligner.test()	غير معلمي تماماً	شديد المقاومة للقيم الشاذة	البيانات غير المتماثلة بشدة مع وجود قيم متطرفة.

12.3 أساليب إعادة المعاينة (Bootstrap Approaches)

تمثل أساليب إعادة المعاينة الحاسوبية، وتحديداً أسلوب التمهيد الإحصائي (Bootstrapping)، البديل المعاصر الأكثر تقدماً ومرونة لتقدير فترات الثقة لنسبة التباين واختبار فرضياتها دون الحاجة للاعتماد على أي افتراضات مسبقة حول الشكل الرياضي لتوزيع المجتمع الأصلي.

يقوم هذا الأسلوب على سحب آلاف العينات العشوائية التكرارية من البيانات المتاحة مع الإحلال (Resampling with replacement)، وحساب نسبة التباين في كل تكرار، مما يبني توزيعاً تجريبياً حراً لإحصائية النسبة. يمكن تطبيق ذلك باحترافية في R عبر حزمة boot المتقدمة.

كود تطبيق التمهيد لنسبة التباين:

library(boot)

# دالة مخصصة لحساب نسبة التباين عبر عينات البوتستراب
boot_ratio <- function(data, indices) {
  d <- data[indices, ]
  v1 <- var(d$Score[d$Group == "CBT"])
  v2 <- var(d$Score[d$Group == "ACT"])
  return(v1 / v2)
}

# تنفيذ 2000 تكرار تمهيدي
boot_results <- boot(data = clinical_data, statistic = boot_ratio, R = 2000)

# استخراج فاصل الثقة المصحح والمعدل (BCa Interval)
boot_ci <- boot.ci(boot_results, type = "bca")
print(boot_ci)

يوفر فاصل الثقة المستخرج بأسلوب البوتستراب دقة استدلالية فائقة، لاسيما في الدراسات النفسية والسلوكية المعقدة التي تعاني من صغر أحجام العينات أو الانحرافات التوزيعية الشديدة التي تعجز الطرق الكلاسيكية عن معالجتها بكفاءة.

خاتمة

يظل اختبار نسبة التباين (F-test for variances) ركيزة إحصائية ومعلمية كلاسيكية لا غنى عنها في ترسانة الباحث العلمي ومحلل البيانات في بيئة R. إن الفهم المعمق للأبعاد الرياضية لإحصائية F، والوعي الصارم بافتراض التوزيع الطبيعي الشديد الحساسية، يمثلان صمام الأمان لمنع الوقوع في الأخطاء الاستدلالية المضللة والقرارات العلمية الزائفة. تتيح دالة var.test() تنفيذاً برمجياً سلساً وفائق الدقة للفرضيات ثنائية وأحادية الذيل مع توفير فواصل ثقة دقيقة، في حين تضمن حزم R المكملة مثل ggplot2 و car و boot منظومة عمل متكاملة تبدأ من الفحص البصري والاستكشافي، مروراً بتطبيق البدائل المتينة كاختبار ليفين وبراون-فورسيز وأساليب إعادة المعاينة، وانتهاءً بتوثيق النتائج وفق أعلى المعايير الأكاديمية الدولية الرصينة.

References

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000

Bartlett, M. S. (1937). Properties of sufficiency and statistical tests. Proceedings of the Royal Society of London. Series A, Mathematical and Physical Sciences, 160(901), 268–282. https://doi.org/10.1098/rspa.1937.0109

Brown, M. B., & Forsythe, A. B. (1974). Robust tests for the equality of variances. Journal of the American Statistical Association, 69(346), 364–367. https://doi.org/10.1080/01621459.1974.10482955

Davison, A. C., & Hinkley, D. V. (1997). Bootstrap methods and their application. Cambridge University Press. https://doi.org/10.1017/CBO9780511802843

Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.

Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). SAGE Publications. https://socialsciences.mcmaster.ca/jfox/Books/Companion/

Levene, H. (1960). Robust tests for equality of variances. In I. Olkin, S. G. Ghurye, W. Hoeffding, W. G. Madow, & H. B. Mann (Eds.), Contributions to probability and statistics: Essays in honor of Harold Hotelling (pp. 278–292). Stanford University Press.

R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/

Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611. https://doi.org/10.2307/2333709

Snedecor, G. W., & Cochran, W. G. (1989). Statistical methods (8th ed.). Iowa State University Press.

Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4