مخطط الصندوق مشروحاً مع أمثلة

يمثل التحليل الاستكشافي للبيانات (Exploratory Data Analysis) حجر الزاوية في الممارسة الإحصائية والبحثية المعاصرة، إذ يتيح للباحثين والمحللين فحص الخصائص الجوهرية للبيانات قبل الشروع في بناء النماذج المعقدة أو تطبيق الاختبارات الفرضية الصارمة. وفي قلب هذه الممارسة، يبرز مخطط الصندوق ذو العارضتين (Box and Whisker Plot) كواحد من أكثر الابتكارات الرسومية كفاءة وقدرة على تلخيص التوزيعات الاحتمالية والبيانات الكمية المستمرة. يقدم هذا المخطط تمثيلاً بصرياً مكثفاً لا يقتصر فقط على إبراز مقاييس النزعة المركزية، بل يمتد ليكشف بدقة عن أنماط التشتت، ودرجة الالتواء، ووجود القيم الشاذة، مما يجعله أداة لا غنى عنها في العلوم السلوكية، والطبية، والاقتصادية، والهندسية.

تكمن العبقرية الهيكلية لمخطط الصندوق في اعتماده على الإحصاء اللابارامتري القوي المقاوم للتأثيرات المشوهة للقيم المتطرفة، من خلال ما يُعرف باسم “ملخص الأرقام الخمسة”. هذا التلخيص يحرر الباحث من قيود الافتراضات المسبقة حول التوزيع الطبيعي للبيانات، ويوفر نافذة مباشرة لرؤية التباينات الخفية التي قد تعجز المقاييس التقليدية، مثل المتوسط الحسابي والانحراف المعياري، عن إظهارها بمفردها. إن الانتقال من مجرد حساب الأرقام الجافة إلى قراءة وفهم الرسوم البيانية الاستكشافية يمثل نقلة نوعية في قدرة الباحث على استنطاق الظواهر النفسية والاجتماعية المعقدة وتفسير السلوك الإنساني بدقة علمية متناهية.

يهدف هذا الدليل الشامل والمفصل إلى تقديم تفكيك منهجي معمق لمخطط الصندوق من كافة جوانبه النظرية والتطبيقية. سنستعرض الجذور التاريخية والرياضية لهذا المخطط، وتشريحه الهيكلي خطوة بخطوة، وآليات كشف الشذوذ الإحصائي وتشخيص الالتواء، مروراً بكيفية بنائه يدوياً وبرمجياً باستخدام أشهر الحزم الإحصائية (مثل R وSPSS وPython)، وصولاً إلى معالجة أمثلة تطبيقية واقعية في القياس النفسي، ومقارنته بالبدائل الرسومية الحديثة، وضبط معايير توثيقه وفق متطلبات جمعية علم النفس الأمريكية (APA Style).

1. مفهوم مخطط الصندوق (Box Plot) وأهميته في التحليل الإحصائي

1.1 التعريف العلمي والنشأة التاريخية لمخطط الصندوق ذي العارضتين

يرجع الفضل في ابتكار مخطط الصندوق إلى عالم الإحصاء الأمريكي البارز جون توكي (John W. Tukey)، الذي قدمه لأول مرة في عام 1970 ضمن أوراقه البحثية غير المنشورة، ثم رسخه بشكل منهجي وشامل في كتابه الكلاسيكي ذائع الصيت “Exploratory Data Analysis” الصادر عام 1977. كان هدف توكي الأساسي يتمثل في تزويد الباحثين بأداة بصرية سريعة، غير مقيدة بافتراضات التوزيع المعلمي، وقادرة على مقاومة التشوهات الناتجة عن البيانات الملوثة أو غير المتماثلة، مما شكل ثورة حقيقية ضد الهيمنة المطلقة للإحصاء الاستدلالي الكلاسيكي الذي كان يعتمد بشكل شبه حصري على المتوسط الحسابي والتباين.

من الناحية الرياضية، يُعرَّف مخطط الصندوق بأنه تمثيل بياني ترتيبي يعتمد على ملخص الأرقام الخمسة (Five-Number Summary)، وهي: القيمة الصغرى غير الشاذة، والربيع الأول (Q1)، والوسيط (Q2)، والربيع الثالث (Q3)، والقيمة العظمى غير الشاذة. يعتمد المخطط على تقسيم مصفوفة البيانات المرتبة إلى أربعة أجزاء متساوية من حيث التكرار النسبي، حيث يحتوي كل ربع على 25% من المشاهدات. هذه المنهجية الرتبية تمنح المخطط مناعة إحصائية فائقة (Robustness) ضد القيم الشاذة، وتجعله قادراً على عكس الصورة الواقعية للبنية الرياضية للبيانات دون تضخيم ناتج عن أخطاء القياس أو الحالات المتطرفة الفردية.

يحتل مخطط الصندوق موقعاً فريداً يربط بين الإحصاء الوصفي والإحصاء الاستدلالي؛ فهو ليس مجرد أداة لوصف شكل العينة، بل يُستخدم كأداة تشخيصية تمهيدية لاختبار الفروض والتحقق من صلاحية تطبيق الاختبارات البارامترية المتقدمة مثل تحليل التباين (ANOVA) ونماذج الانحدار الخطي. وبالمقارنة مع المدرجات التكرارية (Histograms)، يتفوق مخطط الصندوق في قدرته على تلخيص مئات أو آلاف المشاهدات في حيز مكاني ضيق للغاية، مما يتيح مصفوفة بصرية مدمجة للمقارنة الفورية بين عشرات المجموعات الإحصائية في رسم واحد، وهو ما يعجز المدرج التكراري عن تحقيقه دون حدوث تداخل بصري مشوش.

1.2 القيمة المنهجية للمخطط في مرحلة التحليل الاستكشافي للبيانات (EDA)

تعد مرحلة التحليل الاستكشافي للبيانات (EDA) الخطوة الأكثر أهمية في أي دراسة تجريبية رصينة، حيث تسبق أي محاولة لبناء نماذج تنبؤية أو استخلاص تعميمات استقرائية. يوفر مخطط الصندوق للباحث “لقطة بانورامية” سريعة وشاملة لطبيعة المتغيرات الكمية المستمرة المستهدفة بالدراسة. فمن خلال نظرة بصرية واحدة، يستطيع المحلل استيعاب موضع التمركز، ومدى التشتت، ودرجة عدم التماثل، وحجم الذيل الاحتمالي، ووجود المشاهدات غير النمطية، وكل ذلك في إطار بياني مكثف يختصر آلاف الصفوف من مصفوفات البيانات الأولية.

تتجلى الأهمية المنهجية الكبرى للمخطط في كشف “الألغام المنهجية” والمشكلات الهيكلية في البيانات قبل الاندفاع نحو استخدام الاختبارات البارامترية الصارمة. ففي كثير من الأحيان، تفترض الاختبارات المعلمية، مثل اختبار “ت” (t-test) للعينات المستقلة، أن البيانات تتبع التوزيع الطبيعي المعياري وأن هناك تجانساً في التباين بين المجموعات. يقدم مخطط الصندوق كاشفاً بصرياً فورياً عن مدى انتهاك هذه الافتراضات؛ فإذا أظهر الصندوق انزياحاً شديداً للوسيط، أو تبايناً هائلاً في أطوال الصناديق بين المجموعات التجريبية والضابطة، يدرك الباحث على الفور ضرورة التوقف وإما إجراء تحويل رياضي للبيانات أو التحول إلى البدائل اللابارامترية المناسبة مثل اختبار مان-ويتني أو كروسكال-واليس.

علاوة على ذلك، يسهم المخطط في توفير الوقت والجهد الحسابي من خلال تحديد الأولويات التحليلية؛ إذ يساعد الباحثين في تصنيف المتغيرات بناءً على جودة بياناتها، واستبعاد المتغيرات ذات التشتت المفرط أو الأخطاء المتكررة في جمع البيانات، وتوجيه الاهتمام نحو الحالات الاستثنائية التي تتطلب فحصاً معمقاً على مستوى كل فرد داخل العينة.

1.3 أهمية مخطط الصندوق في العلوم السلوكية والأبحاث النفسية

تتميز العلوم السلوكية والبحوث النفسية بطبيعة خاصة للبيانات، حيث تتعامل مع سمات غير ملموسة تُقاس عبر مقاييس نفسية واستبانات واختبارات أدائية (مثل مقاييس القلق، والاكتئاب، والذكاء، وزمن الرجع العصبي). هذه البيانات نادراً ما تتبع توزيعاً مثالياً، وغالباً ما تتسم بوجود استجابات متطرفة ناتجة عن عوامل فردية متباينة أو تزييف الإجابات أو انخفاض الدافعية. هنا تبرز القيمة الاستثنائية لمخطط الصندوق كأداة قادرة على استيعاب تباين هذه الدرجات النفسية دون التأثر بتلك التشوهات، مما يضمن تقييماً واقعياً للأداء الإنساني.

في مجال تقييم التدخلات العلاجية والبرامج النفسية الإكلينيكية، يُعد مخطط الصندوق الوسيلة المثلى لمقارنة توزيعات الدرجات النفسية في مراحل القياس القبلي، والبعدي، والتتبعي. يتيح المخطط للمعالج النفسي والباحث ملاحظة ليس فقط انخفاض الوسيط الدال على تحسن الأعراض المرضية، بل وأيضاً انكماش المدى الربيعي الذي يعكس تجانس استجابة المرضى للبروتوكول العلاجي المقترح، فضلاً عن رصد الحالات المقاومة للعلاج التي تظهر كقيم شاذة في الطرف الأعلى للمقياس، مما يتطلب تدخلاً فردياً معدلاً.

كذلك، يلعب المخطط دوراً حاسماً في التمييز بين العينات المعيارية السوية (Normative Samples) والعينات الإكلينيكية؛ حيث يُمكن الباحث من وضع التوزيعين جنباً إلى جنب لاكتشاف مناطق التداخل والانفصال بين درجات الأفراد الأسوياء وأولئك الذين يعانون من اضطرابات نفسية، مما يسهم بشكل مباشر في ضبط النقاط الفاصلة (Cut-off Scores) للمقاييس التشخيصية بدقة وموثوقية عالية.

2. التشريح الهيكلي لمخطط الصندوق: المكونات الرياضية والبيانية

2.1 ملخص الأرقام الخمسة (The Five-Number Summary)

يقوم الهيكل الرياضي لمخطط الصندوق على خمس نقاط مرجعية مستخرجة من مصفوفة البيانات المرتبة تصاعدياً. تبدأ هذه المنظومة بـ القيمة الصغرى (Minimum)، والتي لا تعني بالضرورة أصغر رقم مطلق في العينة إذا كانت هناك قيم شاذة، بل تمثل أدنى قيمة تقع ضمن الحدود المقبولة إحصائياً (أي داخل السور السفلي). تليها القيمة المقابلة لـ الربيع الأول (Q1 أو المئين 25)، وهي النقطة التي يقع دونها 25% من مجموع المشاهدات، ويعلوها 75% من البيانات، وتمثل الحافة السفلية لهيكل الصندوق.

النقطة المركزية والجوهرية هي الوسيط (Median أو Q2 أو المئين 50)، وهو القيمة التي تقسم التوزيع إلى نصفين متساويين تماماً، حيث يقع 50% من البيانات أسفلها و50% أعلاها. يتميز الوسيط بمناعته المطلقة ضد التغيرات في القيم القصوى للأطراف. تليه بعد ذلك قيمة الربيع الثالث (Q3 أو المئين 75)، وهي النقطة التي يقع دونها 75% من المشاهدات ويعلوها 25% المتبقية، وتشكل الحافة العلوية للصندوق. وأخيراً، تأتي القيمة العظمى (Maximum)، والتي تعبر عن أعلى قيمة مرصودة في البيانات تقع ضمن النطاق غير الشاذ (داخل السور العلوي).

إن الترابط الرياضي بين هذه الأرقام الخمسة يعكس البنية التوزيعية الدقيقة للظاهرة؛ فالمسافات الفاصلة بين هذه المعالم تترجم الكثافة الاحتمالية للمشاهدات، حيث تدل المسافات الضيقة على تراكم كثيف للدرجات، بينما تدل المسافات المتسعة على تخلخل البيانات وانتشارها عبر مدى واسع.

2.2 جسم الصندوق (The Box) والمدى الربيعي (IQR)

يمثل جسم الصندوق (The Box) العنصر البصري الأكثر بروزاً في المخطط، وهو عبارة عن مستطيل هندسي يمتد رأسياً (أو أفقياً) من الربيع الأول (Q1) إلى الربيع الثالث (Q3). يُطلق على طول هذا المستطيل رياضياً اسم المدى الربيعي (Interquartile Range – IQR)، ويُحسب بالصيغة الجبرية المباشرة:

$$\text{IQR} = Q3 – Q1$$

يحتوي هذا الصندوق دائماً وبشكل قطعي على الـ 50% الوسطى من مجتمع العينة (The Middle 50%). هذه النسبة تمثل “قلب التوزيع” والكتلة الأكثر استقراراً وموثوقية في البيانات، حيث يتم استبعاد الـ 25% الدنيا والـ 25% العليا من الحسابات المباشرة لشكل الصندوق، مما يمنع التشتت الطرفي من التأثير على تقييم الباحث للنزعة العامة للمتغير المدروس.

يحمل طول الصندوق دلالة إحصائية وسلوكية بالغة الأهمية؛ فالصندوق القصير والمضغوط يعكس صغر قيمة المدى الربيعي، مما يعني تجانساً عالياً وتقارباً شديداً في درجات الأفراد حول المركز. في المقابل، يشير الصندوق الطويل والممتد إلى كبر قيمة IQR، مما يدل على وجود تشتت كبير واختلافات فردية واسعة بين المفحوصين، وهو مؤشر حيوي يُعتمد عليه في القياس النفسي لتقييم مدى تباين السمات السلوكية داخل العينة المدروسة.

2.3 العوارض (Whiskers) وحدود البيانات الخارجية

تمتد من حافتي الصندوق خطوط مستقيمة باتجاه الخارج تُعرف بـ العوارض (Whiskers)، وتنتهي بخطوط عمودية صغيرة (أو علامات حافة) تُحدد الحدود القصوى للبيانات الاعتيادية. تُحسب أطوال هذه العوارض وفق المنهجية المعيارية التي أرساها جون توكي بالاعتماد على المدى الربيعي، حيث يُحدد الحد النظري الأقصى لامتداد العارضة بمسافة تعادل $1.5 \times \text{IQR}$ بدءاً من حواف الصندوق.

تُعرف هذه الحدود النظرية بـ “الأسوار” (Fences)، ويتم حسابها وفق المعادلات التالية:

• السور السفلي الداخلي (Lower Inner Fence): $\text{LIF} = Q1 – 1.5 \times \text{IQR}$
• السور العلوي الداخلي (Upper Inner Fence): $\text{UIF} = Q3 + 1.5 \times \text{IQR}$

من الأخطاء المفاهيمية الشائعة الاعتقاد بأن العارضة تمتد دائماً لتصل إلى قيمة السور المحسوب بدقة؛ فالواقع الرياضي هو أن العارضة تمتد فقط لتتصل بـ أبعد نقطة بيانات حقيقية موجودة بالفعل داخل العينة تقع ضمن نطاق السور. بالتالي، إذا كانت أدنى قيمة فعلية في البيانات أكبر من السور السفلي، فإن العارضة السفلية تتوقف عند تلك القيمة الفعلية. تعكس أطوال العوارض شكل “ذيول التوزيع” (Tails)، حيث تشير العوارض المتساوية إلى تماثل الذيلين، بينما تدل استطالة إحدى العوارض دون الأخرى على اتساع ذيل التوزيع في ذلك الاتجاه وزيادة تشتت البيانات في طرفه المقابل.

3. مقاييس النزعة المركزية والتشتت في إطار مخطط الصندوق

3.1 الوسيط مقابل المتوسط الحسابي في مخطط الصندوق

يرتكز مخطط الصندوق في جوهره على الوسيط كمقياس أساسي للنزعة المركزية بدلاً من المتوسط الحسابي التقليدي. يرجع هذا الاختيار المنهجي إلى خاصية المناعة الإحصائية (Robustness)؛ فالوسيط يعتمد على الرتب النسبية للمشاهدات ولا يتأثر إطلاقاً بالقيمة العددية المطلقة للدرجات المتطرفة. فإذا تعرضت درجة واحدة في العينة لتضخم هائل نتيجة خطأ إجرائي أو حالة إكلينيكية نادرة، فإن المتوسط الحسابي سينجرف بقوة نحو تلك الدرجة، معطياً انطباعاً زائفاً بارتفاع المستوى العام للعينة، بينما يظل الوسيط ثابتاً ومحافظاً على تمثيله الحقيقي لمركز الثقل الإحصائي.

على الرغم من ذلك، تتيح العديد من البرمجيات الإحصائية الحديثة خيار إضافة نقطة خاصة (تُرسم عادة كدائرة مفرغة، أو علامة جمع $+$, أو معين صغير) داخل الصندوق لتمثيل المتوسط الحسابي إلى جانب خط الوسيط. هذه الإضافة تمنح الباحث ميزة تحليلية مزدوجة وفائقة الأهمية لمقارنة النزعتين في آن واحد.

يكشف التباعد بين موضع الوسيط وموضع المتوسط الحسابي داخل جسم الصندوق عن طبيعة التوزيع؛ فعندما يتطابق المتوسط الحسابي تماماً مع خط الوسيط، يكون التوزيع متماثلاً تماماً. أما إذا ارتفع المتوسط الحسابي ليتجاوز الوسيط نحو الأعلى (باتجاه Q3)، فهذا دليل قاطع على وجود التواء موجب وقيم مرتفعة تجذب المتوسط نحوها. وعلى العكس، إذا انخفض المتوسط الحسابي دون الوسيط (باتجاه Q1)، فإن ذلك يشير إلى التواء سالب ناجم عن وجود قيم منخفضة تسحب المتوسط نحو الطرف الأدنى.

3.2 تقييم التشتت والانتشار عبر المدى الربيعي والمدى الكلي

يوفر مخطط الصندوق قراءة متكاملة لمستويين مختلفين من مقاييس التشتت: التشتت الكلي والتشتت البؤري المستقر. يتمثل التشتت الكلي في المدى الكلي (Range)، وهو المسافة الشاملة بين أصغر وأكبر مشاهدة في العينة، ويظهر في المخطط من خلال المسافة الإجمالية بين أقصى نقطة شاذة سفلية وأقصى نقطة شاذة علوية، أو بين نهايتي العارضتين في حال خلو البيانات من الشواذ. على الرغم من سهولة حسابه، إلا أن المدى الكلي شديد الحساسية للمشاهدات الفردية المتطرفة، مما يجعله مقياساً مضللاً في تقييم تباين الظاهرة.

في المقابل، يمثل المدى الربيعي (IQR) مقياس التشتت الأكثر متانة واستقراراً، حيث يقيس النطاق الذي تنتشر فيه الـ 50% الوسطى من الحالات. يُعد IQR البديل اللابارامتري المباشر للانحراف المعياري ($s$) في التوزيعات الملتوية وغير المعلمية؛ فبينما يتضخم الانحراف المعياري بصورة تربيعية تحت وطأة القيم المتطرفة، يظل المدى الربيعي ثابتاً ودالاً على مدى تجانس الكتلة الجوهرية للعينة. علاوة على ذلك، فإن فحص انضغاط أو اتساع نصفي الصندوق (المسافة من Q1 إلى Median مقابل المسافة من Median إلى Q3) يزود الباحث بمعلومات حيوية حول تركز التشتت الداخلي، وما إذا كان التباين ناتجاً عن تشتت الفئات الدنيا أم تشتت الفئات العليا من المفحوصين.

3.3 الكثافة الاحتمالية وتمركز البيانات حول الرتب

يتميز مخطط الصندوق بتقسيم البيانات إلى أربعة قطاعات رتبية متساوية التكرار؛ حيث يحتوي كل قطاع (العارضة السفلية، النصف السفلي من الصندوق، النصف العلوي من الصندوق، العارضة العلوية) على 25% بالضبط من إجمالي المشاهدات. هذه الخاصية الهندسية الفريدة تجعل من المسافة الفيزيائية في الرسم مؤشراً عكسياً للكثافة الاحتمالية؛ فكلما كان القطاع الجغرافي للمخطط أقصر وأكثر انضغاطاً، دل ذلك على أن كثافة المشاهدات في تلك المنطقة عالية جداً، حيث تتكدس ربع البيانات في نطاق عددي ضيق للغاية. وعلى العكس، كلما كان القطاع ممتداً، دل ذلك على تخلخل الكثافة وتناثر الحالات عبر مجال رقمي متسع.

لتوسيع هذه الفكرة وتوفير دلالات احتمالية استدلالية حول موثوقية الوسيط، تم تطوير ما يُعرف بـ مخططات الصندوق المثلمة (Notched Box Plots). تعتمد هذه المخططات على إحداث تخوصر أو “ثلمة” (Notch) على جانبي خط الوسيط داخل جسم الصندوق. يمثل اتساع هذه الثلمة فترة ثقة تقريبية بنسبة 95% حول الوسيط، وتُحسب حدودها رياضياً بالصيغة:

$$\text{Notch Limits} = \text{Median} \pm 1.58 \times \frac{\text{IQR}}{\sqrt{n}}$$

حيث يمثل $n$ حجم العينة. إذا لم تتقاطع أو تتداخل الثلمات بين صندوقين يمثلان مجموعتين مستقلتين، فإن ذلك يوفر دليلاً بصرياً قوياً على وجود فرق دال إحصائياً بين وسيطي المجموعتين عند مستوى دلالة $\alpha = 0.05$، مما يضفي على المخطط قوة استدلالية مباشرة تتجاوز مجرد الوصف السطحي.

4. آلية كشف وتشخيص القيم الشاذة والمتطرفة (Outliers)

4.1 الأسس الرياضية لقاعدة 1.5 × IQR للكشف عن الشذوذ

تُعد القيم الشاذة (Outliers) من أكثر القضايا حساسية وإرباكاً في التحليل الإحصائي، إذ يمكن لمشاهدة واحدة خاطئة أو متطرفة أن تُغير نتائج اختبار الفروض وتحول الدلالة الإحصائية من العدم إلى الوجود أو العكس. أسس جون توكي قاعدة معيارية رياضية صلبة لتحديد هذه القيم بشكل موضوعي بعيداً عن التقدير الذاتي، تقوم على استخدام المدى الربيعي كمقياس قياسي للتباعد.

تعتمد هذه القاعدة على احتساب “الأسوار الداخلية” (Inner Fences)؛ حيث تُصنف أي نقطة بيانية تقع خارج هذه الأسوار بوصفها قيمة شاذة تستحق الفحص. تُحسب الأسوار وفق القوانين الرياضية الآتية:

• الحد الأدنى للبيانات الطبيعية (Lower Fence): $\text{Fence}_{\text{lower}} = Q1 – 1.5 \times \text{IQR}$
• الحد الأعلى للبيانات الطبيعية (Upper Fence): $\text{Fence}_{\text{upper}} = Q3 + 1.5 \times \text{IQR}$

المنطق الإحصائي وراء اختيار المعامل $1.5$ يرتبط بنظرية الاحتمالات وخصائص التوزيع الطبيعي المعياري. ففي التوزيع الطبيعي، يمتد المدى الربيعي ليغطي مسافة تقارب $1.349$ من الانحراف المعياري ($\text{IQR} \approx 1.349 \sigma$). بناءً على ذلك، فإن إضافة وطرح $1.5 \times \text{IQR}$ من الربيعين يعادل تقريباً الابتعاد عن المتوسط بمقدار $\pm 2.698 \sigma$، وهو نطاق يغطي حوالي 99.3% من المساحة تحت المنحنى الطبيعي. بالتالي، فإن احتمال وقوع نقطة ما خارج هذا النطاق بالصدفة البحتة في توزيع طبيعي لا يتجاوز 0.7% (أي حوالي 7 حالات من بين كل 1000 مشاهدة)، مما يجعله معياراً فائق الدقة لعزل الشذوذ الحقيقي دون المبالغة في تصنيف البيانات السوية كشواذ.

4.2 التمييز بين القيم الشاذة المعتدلة والمتطرفة جداً

لا تتساوى جميع القيم الشاذة في درجة شذوذها أو خطورتها الإحصائية؛ ولهذا السبب ميز الفكر الإحصائي لتوكي بين درجتين من الشذوذ عبر استحداث مستويين من الأسوار: الأسوار الداخلية (Inner Fences) والأسوار الخارجية (Outer Fences). تُحسب الأسوار الخارجية باستخدام المعامل $3.0$ كالتالي:

• السور الخارجي السفلي (Lower Outer Fence): $\text{LOF} = Q1 – 3.0 \times \text{IQR}$
• السور الخارجي العلوي (Upper Outer Fence): $\text{UOF} = Q3 + 3.0 \times \text{IQR}$

بناءً على هذه المعالم الحسابية، يتم تقسيم الشواذ إلى فئتين رئيسيتين:

• القيم الشاذة المعتدلة (Mild Outliers): هي النقاط البيانية التي تقع خارج الأسوار الداخلية ولكنها تظل محصورة داخل الأسوار الخارجية (أي تقع بين $1.5 \times \text{IQR}$ و $3.0 \times \text{IQR}$ بعيداً عن حواف الصندوق). يُرمز لهذه القيم في معظم الحزم الإحصائية (مثل SPSS) بـ دوائر صغيرة مفرغة ($o$) مصحوبة برقم الحالة في ملف البيانات.
• القيم المتطرفة القصوى (Extreme Outliers): هي النقاط التي تتجاوز الأسوار الخارجية (أي تبعد بأكثر من $3.0 \times \text{IQR}$ عن حواف الصندوق). يُرمز لهذه الحالات الخطيرة بـ علامات النجمة ($*$). تعبر هذه النقاط عن حالات شاذة بدرجة استثنائية (احتمال حدوثها الطبيعي أقل من حالة واحدة في المليون)، وتستدعي تدقيقاً إجرائياً صارماً لمعرفة أسبابها.

4.3 التعامل المنهجي مع القيم الشاذة في البيانات النفسية

عند ظهور القيم الشاذة في مخطط الصندوق لدراسة نفسية أو سلوكية، يجب على الباحث ألا يتسرع بالحذف التلقائي لتلك المشاهدات؛ إذ يمثل الحذف غير المبرر انتهاكاً للأمانة العلمية وربما تشويهاً لخصائص العينة الحقيقية. المنهجية العلمية تقتضي اتباع مسار تشخيصي يبدأ بفحص سجلات البيانات الأولية للتحقق من خلو الحالة من أخطاء الإدخال المادي (Typographical Errors) أو أخطاء الترميز وعكس الموازين التقديرية. فإذا كان الشذوذ ناتجاً عن خطأ كتابي، يتم تصحيحه فوراً.

إذا تبين أن القيمة صحيحة وتمثل استجابة واقعية لمفحوص، يجب تقييم ما إذا كانت الحالة تنتمي بالفعل إلى المجتمع المستهدف بالدراسة أم أنها تمثل حالة خاصة (مثلاً: مفحوص يعاني من تلف عصبي غير معلن في دراسة لزمن الرجع لدى الأسوياء). إذا كانت الحالة تابعة لمجتمع الدراسة، فإن هذا التباين يمثل تبايناً إنسانياً حقيقياً (Genuine Human Diversity)، واستبعادها يؤدي إلى خفض الصدق الإيكولوجي للبحث.

في مثل هذه المواقف، يمتلك الباحث عدة خيارات منهجية رصينة للتعامل مع الشذوذ دون اللجوء للحذف الجائر:

• استخدام الاختبارات اللابارامترية: الاعتماد على اختبارات الرتب (مثل ويلكوكسون أو كروسكال-واليس) التي لا تتأثر بالقيم الشاذة.
• تطبيق التحويلات الرياضية (Data Transformations): مثل التحويل اللوغاريتمي ($log(X)$) أو تحويل الجذر التربيعي ($\sqrt{X}$) لتقليص الذيول وسحب القيم المتطرفة نحو المركز.
• تقليم أو فوزرة البيانات (Winsorization / Trimming): استبدال القيمة الشاذة بأقرب قيمة مقبولة ضمن حدود السور المعياري، مع ضرورة الإفصاح الكامل عن ذلك في منهجية البحث.
• التقرير المزدوج: إجراء التحليل الإحصائي مرتين (مع الشواذ وبدونها) وإظهار النتائج ومقارنتها بشفافية في تقرير البحث للتأكيد على متانة الاستنتاجات.

5. قراءة وتفسير الالتواء والتوزيع الإحصائي للبيانات

5.1 تشخيص التوزيع المتماثل (Symmetric Distribution)

يعد تشخيص شكل التوزيع الخطوة التمهيدية الأولى التي يبني عليها الباحث قراره باختيار النماذج الإحصائية. يعكس مخطط الصندوق التوزيع المتماثل (Symmetric Distribution) بصرياً بأعلى درجات الوضوح والتوازن الهندسي. في هذا النمط، تتطابق الخصائص الشكلية للمخطط مع معالم منحنى التوزيع الطبيعي المعياري ذي الشكل الجرسي (Bell Curve).

يتميز التوزيع المتماثل في مخطط الصندوق بالخصائص الآتية:

• تموضع الوسيط: يقع خط الوسيط بدقة متناهية في منتصف جسم الصندوق المستطيل، بحيث تكون المسافة بين الربيع الأول والوسيط ($Q2 – Q1$) مساوية تماماً للمسافة بين الوسيط والربيع الثالث ($Q3 – Q2$).
• تساوي العوارض: يتساوى طول العارضة السفلية الممتدة نحو الحد الأدنى مع طول العارضة العلوية الممتدة نحو الحد الأعلى، مما يشير إلى أن الذيول الاحتمالية للتوزيع متكافئة الامتداد والتلاشي على كلا الجانبين.
• تطابق المتوسط والوسيط: إذا تم إدراج علامة المتوسط الحسابي، فإنها تنطبق تماماً فوق خط الوسيط داخل الصندوق.
• توزيع الشواذ: في حال وجود قيم شاذة نادرة، فإنها تظهر بتناظر متكافئ على كلا الطرفين العلوي والسفلي.

عند تحقق هذه المعالم البصرية، يطمئن الباحث إلى أن بياناته لا تعاني من مشاكل الالتواء، مما يمهد الطريق لتطبيق مقاييس النزعة والتشتت المعلمية واختبارات الفروض البارامترية بثقة تامة.

5.2 تفسير الالتواء الإيجابي / نحو اليمين (Positive / Right Skewness)

يحدث الالتواء الإيجابي (أو الالتواء نحو اليمين – Positive / Right Skewness) عندما تتكدس غالبية درجات أفراد العينة عند المستويات المنخفضة من المقياس، بينما تمتد قلة قليلة من المشاهدات لتسجل درجات مرتفعة جداً، مما يؤدي إلى سحب ذيل التوزيع الطويل باتجاه اليمين (نحو القيم الموجبة المرتفعة). يكثر هذا النمط في القياسات السلوكية الخاصة بالمتغيرات المرضية؛ مثل درجات مقاييس الاكتئاب أو القلق لدى عامة الناس من غير المرضى، حيث يسجل الأغلبية درجات متدنية أو تقترب من الصفر.

تظهر معالم الالتواء الإيجابي على مخطط الصندوق من خلال الأنماط الهندسية التالية:

• انزياح الوسيط لأسفل: ينحاز خط الوسيط بشكل ملحوظ نحو قاع الصندوق مقترباً من الربيع الأول ($Q1$)، مما يجعل النصف السفلي من الصندوق ضيقاً ومضغوطاً دلالة على الكثافة العالية للدرجات المنخفضة.
• اتساع النصف العلوي للصندوق: تكون المسافة من الوسيط إلى الربيع الثالث ($Q3 – Q2$) أكبر بكثير من المسافة من $Q1$ إلى الوسيط.
• استطالة العارضة العلوية: تمتد العارضة العلوية لمسافة طويلة جداً مقارنة بالعارضة السفلية التي تبدو منكمشة أو قصيرة للغاية.
• ظهور الشواذ في الطرف العلوي: تتركز جميع القيم الشاذة والمتطرفة (إن وجدت) فوق العارضة العلوية حصراً.
• موضع المتوسط: ينجرف المتوسط الحسابي ليتمركز أعلى خط الوسيط بشكل واضح بفعل سحب الذيل العلوي.

5.3 تفسير الالتواء السلبي / نحو اليسار (Negative / Left Skewness)

يمثل الالتواء السلبي (أو الالتواء نحو اليسار – Negative / Left Skewness) الحالة المعاكسة تماماً؛ حيث تتجمع الغالبية العظمى من درجات المفحوصين عند النطاقات العليا المرتفعة للمقياس، بينما تندر الحالات التي تسجل درجات منخفضة، مما يتسبب في استطالة ذيل التوزيع باتجاه اليسار (نحو القيم المنخفضة أو السالبة). من الأمثلة السلوكية النموذجية لهذا النمط: درجات مقاييس الرضا عن الحياة لدى عينات تتمتع برفاهية عالية، أو نتائج اختبارات التحصيل الدراسي السهلة التي يحصل فيها معظم الطلاب على درجات مرتفعة وشبه كاملة (ظاهرة السقف – Ceiling Effect).

تتم قراءة الالتواء السلبي على مخطط الصندوق عبر المؤشرات التالية:

• انزياح الوسيط لأعلى: يرتفع خط الوسيط نحو قمة الصندوق مستقراً بالقرب من الربيع الثالث ($Q3$)، مما يجعل النصف العلوي من الصندوق مضغوطاً وقصيراً دلالة على تكدس الدرجات العالية.
• اتساع النصف السفلي للصندوق: تتسع المسافة الفاصلة بين الربيع الأول والوسيط ($Q2 – Q1$) مقارنة بالمسافة العلوية.
• استطالة العارضة السفلية: تمتد العارضة السفلية لمسافات طويلة باتجاه القيم الدنيا معبرة عن الذيل السالب الممتد.
• تركز الشواذ في القاع: تظهر النقاط الشاذة أسفل المخطط، دون وجود شواذ في الأعلى.
• موضع المتوسط: ينخفض المتوسط الحسابي ليقع بوضوح أسفل خط الوسيط نتيجة تأثير الذيل السفلي المتخلخل.

6. خطوات بناء ورسم مخطط الصندوق رياضياً وبرمجياً

6.1 الحساب اليدوي التدريجي لعينة بيانات نموذجية

لفهم الآلية الداخلية لكيفية عمل مخطط الصندوق، سنقوم بتطبيق خطوات الحساب اليدوي خطوة بخطوة على عينة تجريبية تتألف من درجات $N = 15$ مفحوصاً على مقياس تقدير الضغوط النفسية:

البيانات الأولية غير المرتبة: $18, 22, 15, 45, 24, 20, 19, 21, 23, 16, 25, 22, 28, 14, 38$.

الخطوة الأولى: الترتيب التصاعدي للمشاهدات:
$$14, 15, 16, 18, 19, 20, 21, 22, 22, 23, 24, 25, 28, 38, 45$$

الخطوة الثانية: حساب معالم ملخص الأرقام الخمسة:

• الوسيط (Median / Q2): بما أن $N = 15$ (عدد فردي)، فإن رتبة الوسيط هي $\frac{N+1}{2} = \frac{16}{2} = 8$. القيمة في الرتبة الثامنة هي: $22$.
• الربيع الأول (Q1): هو وسيط النصف الأدنى من البيانات المكون من 7 قيم ($14, 15, 16, 18, 19, 20, 21$). رتبة وسيط هذا النصف هي الرابعة، وهي القيمة: $18$.
• الربيع الثالث (Q3): هو وسيط النصف الأعلى المكون من 7 قيم ($22, 23, 24, 25, 28, 38, 45$). رتبة وسيط هذا النصف هي الرابعة فيه، وهي القيمة: $25$.
• المدى الربيعي (IQR): $\text{IQR} = Q3 – Q1 = 25 – 18 = 7$.

الخطوة الثالثة: تحديد الأسوار وفحص القيم الشاذة:

• السور السفلي الداخلي: $\text{LIF} = Q1 – 1.5 \times \text{IQR} = 18 – (1.5 \times 7) = 18 – 10.5 = 7.5$.
• السور العلوي الداخلي: $\text{UIF} = Q3 + 1.5 \times \text{IQR} = 25 + (1.5 \times 7) = 25 + 10.5 = 35.5$.
• السور العلوي الخارجي (للشواذ القصوى): $\text{UOF} = Q3 + 3.0 \times \text{IQR} = 25 + (3 \times 7) = 46$.

بمقارنة المشاهدات مع هذه الأسوار: نجد أن القيمتين $38$ و $45$ تتجاوزان السور العلوي الداخلي ($35.5$)، وتقعان تحت السور الخارجي ($46$)، وبالتالي تُصنفان كـ قيمتين شاذتين معتدلتين (Mild Outliers). أدنى قيمة تقع داخل السور السفلي هي $14$ (القيمة الصغرى للعارضة)، وأعلى قيمة تقع داخل السور العلوي هي $28$ (القيمة العظمى للعارضة).

الخطوة الرابعة: الرسم على خط الأعداد:
يُرسم محور رقمي مدرج بدقة، ثم يُرسم مستطيل قاعدته السفلية عند $18$ وقاعدته العلوية عند $25$. يُرسم خط أفقي مصمت داخل الصندوق عند الرقم $22$. تمتد العارضة السفلية من قاعدة الصندوق ($18$) لتنتهي بخط عند $14$. تمتد العارضة العلوية من قمة الصندوق ($25$) لتنتهي عند $28$. وتُرسم النقطتان $38$ و $45$ كدائرتين منفصلتين فوق العارضة العلوية.

6.2 إنشاء مخطط الصندوق باستخدام الحزم الإحصائية (SPSS & R)

في بيئة العمل الإحصائي التطبيقي، يعتمد الباحثون على البرمجيات المتخصصة لتوليد مخططات الصندوق بجودة عالية. في برنامج SPSS، يمكن استخراج المخطط بسهولة من خلال مسارين رئيسيين:

• مسار التحليل الاستكشافي: Analyze -> Descriptive Statistics -> Explore، حيث يتم وضع المتغير التابع في مربع Dependent List، والمتغير التصنيفي في Factor List، ثم اختيار Plots -> Factor levels together. يولد هذا الأمر ملخصاً رقمياً شاملاً مع تمييز دقيق لأرقام الحالات الشاذة.
• مسار منشئ الرسوم: Graphs -> Chart Builder -> Gallery -> Boxplot، ويتيح تحكماً أكبر في الألوان، وتدوير المحاور، والتنسيقات البصرية.

أما في بيئة لغة البرمجة الإحصائية R، فتتوفر إمكانيات غير محدودة للتحكم البياني. يمكن إنشاء مخطط صندوق بسيط في الحزمة الأساسية عبر الدالة المباشرة:

boxplot(Score ~ Group, data = my_data, col = "lightblue", main = "Group Comparisons", xlab = "Treatment", ylab = "Scores")

وللحصول على مخرجات رسومية فائقة الجودة متوافقة مع معايير النشر في المجلات الدولية المصنفة، تُستخدم حزمة ggplot2 الشهيرة. تتيح الحزمة بناء طبقات بيانية تراكمية تحدد الألوان، وإضافة المتوسطات، وتعديل الثيمات، وتوزيع البيانات الفردية فوق الصناديق عبر دمج دوال مثل geom_boxplot() مع stat_summary() لحساب المتوسطات وإظهارها بنقاط متباينة الأشكال والألوان.

6.3 توليد المخطط بلغة Python وجداول Excel

في علوم البيانات والذكاء الاصطناعي، تعد لغة Python الخيار الأول للتحليل البصري من خلال مكتبتي Matplotlib و Seaborn. تقدم مكتبة Seaborn دالة متطورة تسمى sns.boxplot() تمكن المحلل من ربط إطارات البيانات (Pandas DataFrames) مباشرة، وتوليد مخططات صناديق متعددة المستويات، وضبط عوامل التمايز البصري (Hue) لدراسة التفاعلات الثنائية بين المتغيرات بأسلوب أنيق وسلس.

بالنسبة للمحللين والباحثين المبتدئين أو في البيئات الإدارية، توفر جداول Microsoft Excel (بدءاً من إصدار 2016 فصاعداً) خياراً مباشراً لإنشاء مخطط الصندوق من خلال تحديد عمود البيانات ثم اختيار Insert -> Insert Statistic Chart -> Box and Whisker. يتيح إكسل تعديل خيارات التنسيق الداخلي عبر قائمة خصائص السلسلة (Series Options)، والتي تمكن المستخدم من إظهار أو إخفاء نقاط المتوسط الحسابي، وخطوط المتوسط المتصلة، ونقاط البيانات الفردية، وتحديد نمط احتساب الشواذ.

نقطة منهجية بالغة الأهمية يجب الانتباه إليها عند استخدام هذه البرمجيات تتعلق بـ طريقة احتساب الربيعيات؛ حيث تعتمد البرمجيات طريقتين رياضيتين: طريقة التضمين (Inclusive Percentiles) وطريقة الاستبعاد (Exclusive Percentiles). ينتج عن طريقة الاستبعاد مدى ربيعي أوسع قليلاً في العينات الصغيرة، بينما تتقارب النتائج تماماً في العينات الكبيرة. لذا، يجب على الباحث التحقق من الخيار الافتراضي للبرنامج ومطابقته لبروتوكول تحليله الإحصائي لضمان قابلية تكرار النتائج بدقة.

7. مقارنة المجموعات الإحصائية المتعددة عبر مخطط الصندوق

7.1 المقارنة البصرية لمتغيرات الفئات (Group Comparisons)

تتجلى القوة التحليلية القصوى لمخطط الصندوق عند استخدامه لمقارنة متغير كمي مستمر عبر فئات متعددة لمتغير تصنيفي مستقل (Group Comparisons). من خلال محاذاة الصناديق جنباً إلى جنب على محور أفقي مشترك ومقياس رأسي موحد، يتحول المخطط إلى منصة متكاملة للمقارنة التعددية المتزامنة، متفوقاً على مجرد قراءة جداول المتوسطات والانحرافات المعيارية الصماء.

تتم عملية المقارنة المنهجية عبر تقييم ثلاثة أبعاد رئيسية:

• مقارنة مراكز الثقل (المستويات الوسيطية): تتبع الارتفاع والانخفاض النسبي لخطوط الوسيط عبر المجموعات، مما يعطي حكماً أولياً سريعاً حول الفروق الجوهرية في الأداء أو السمات بين الفئات المدروسة.
• مقارنة أحجام التشتت والتباين: مقارنة أطوال الصناديق المستطيلة (IQR) وامتدادات العوارض؛ فإذا كانت بعض الصناديق شديدة القصر والبعض الآخر بالغ الاستطالة، دل ذلك على تفاوت كبير في تجانس المجموعات الداخلية.
• مقارنة أشكال التوزيع والالتواء: رصد كيفية تغير شكل التوزيع بتغير الفئة؛ فقد تكون المجموعة الضابطة ذات توزيع متماثل تماماً، بينما تُظهر المجموعة التجريبية التواءً موجباً حاداً نتيجة استجابة استثنائية من بعض الأفراد.

7.2 التحقق البصري من تجانس التباين (Homogeneity of Variance)

يعد افتراض تجانس التباين (Homogeneity of Variance أو Homoscedasticity) أحد الشروط الأساسية التي لا غنى عنها لصلاحية الاختبارات المعلمية مثل تحليل التباين الأحادي (One-Way ANOVA) واختبار “ت” للعينات المستقلة. يفترض هذا الشرط أن تباينات المتغير التابع متساوية تقريباً عبر جميع مستويات المتغير المستقل. يوفر مخطط الصندوق أداة استكشافية بصرية أولية ممتازة للتحقق من هذا الافتراض كبديل مكمل لاختبار ليفين الإحصائي (Levene’s Test).

عند فحص المخطط المتعدد، يبحث المحلل عن مدى التماثل في الارتفاعات الرأسية للصناديق وأطوال العوارض بين المجموعات المختلفة؛ فإذا كانت أطوال الصناديق متقاربة إلى حد كبير، فإن ذلك يدعم بصرياً تحقق شرط تجانس التباين. أما إذا لاحظ الباحث تبايناً فجاً، كأن يكون طول صندوق إحدى المجموعات يعادل ثلاثة أو أربعة أضعاف طول صندوق مجموعة أخرى، فهذا إنذار بصري صريح بانتهاك فرضية التجانس.

إن الكشف المبكر عن عدم تجانس التباين عبر مخطط الصندوق يحمي الباحث من الوقوع في الخطأ من النوع الأول (رفض الفرضية الصفرية وهي صحيحة)، ويوجهه لاتخاذ المعالجات الإحصائية المعتمدة؛ مثل استخدام تصحيح ويلش (Welch’s ANOVA) أو التحول إلى النماذج الخطية المعممة أو الاختبارات اللابارامترية المكافئة.

7.3 استخدام مخططات الصندوق المثلمة (Notched Box Plots) لاختبار الدلالة

تقدم مخططات الصندوق المثلمة (Notched Box Plots) دعماً استدلالياً بصرياً لا يُقدر بثمن عند مقارنة أوساط المجموعات. تعتمد الثلمات المحفورة حول الوسيط على نظرية التقدير بفترات الثقة؛ حيث يُحسب امتداد الثلمة بحيث يعكس فترة ثقة بنسبة 95% حول الوسيط الرياضي الحقيقي للمجتمع.

تستند قراءة الدلالة الإحصائية في هذه المخططات إلى قاعدة عدم التداخل (The Non-Overlap Rule):

• إذا كانت الثلمات المحيطة بوسيطي مجموعتين مستقلتين لا تتداخلان إطلاقاً على المحور الرأسي (أي أن الحد الأعلى لثلمة المجموعة الأولى يقع بالكامل تحت الحد الأدنى لثلمة المجموعة الثانية)، فإن الباحث يستنتج بـ ثقة إحصائية تقارب 95% أن هناك فرقاً جوهرياً ودالاً إحصائياً بين وسيطي هاتين المجموعتين ($p < 0.05$).
• إذا حدث تداخل جزئي أو كلي بين الثلمتين، فلا يمكن الجزم بوجود فرق دال إحصائياً بمجرد النظر، ويتعين على الباحث الرجوع إلى الاختبارات الإحصائية الصارمة لحسم القرار.

توفر هذه الميزة للباحثين والمقيمين الإكلينيكيين أداة تشخيصية سريعة أثناء العروض العلمية والمؤتمرات؛ حيث يمكن للمتلقي استنتاج الفروق الدالة بين بروتوكولات العلاج النفسي أو المجموعات السلوكية دون الحاجة إلى فحص مصفوفات الجداول الرقمية المعقدة.

8. أمثلة تطبيقية شاملة لمخطط الصندوق في القياس النفسي

8.1 مثال 1: مقارنة مستويات القلق والاحتراق النفسي لدى المعلمين

في دراسة مسحية استهدفت فحص أثر الخبرة المهنية على الضغوط المهنية، طُبق مقياس ماسلاش للاحتراق النفسي (MBI) ومقياس بيك للقلق (BAI) على عينة من $N = 240$ معلماً، تم تصنيفهم إلى ثلاث مجموعات حسب سنوات الخبرة: معلمون مبتدئون (أقل من 5 سنوات)، معلمون متوسطو الخبرة (5-15 سنة)، ومعلمون متمرسون (أكثر من 15 سنة).

أظهر مخطط الصندوق المقارن لدرجات مقياس الاحتراق النفسي النتائج التحليلية الآتية:

• المعلمون المبتدئون: أظهر الصندوق وسيطاً مرتفعاً ($Mdn = 38$)، وصندوقاً شديد القصر يمتد من $Q1 = 34$ إلى $Q3 = 41$ ($IQR = 7$)، مع عوارض قصيرة للغاية. يعكس هذا النمط تجانساً عالياً في معاناتهم من مستويات إجهاد انفعالي مرتفعة ومتقاربة نتيجة صدمة الواقع المهني في السنوات الأولى.
• المعلمون متوسطو الخبرة: أظهر المخطط وسيطاً منخفضاً ($Mdn = 24$)، ولكن الصندوق كان متسعاً جداً ($IQR = 16$) ويمتد من $16$ إلى $32$ مع عوارض طويلة. يدل هذا التشتت الكبير على تباين استراتيجيات التكيف الفردية؛ حيث نجح بعض المعلمين في إدارة الضغوط بينما استمر آخرون في المعاناة.
• المعلمون المتمرسون: استقر الوسيط عند مستوى منخفض ومستقر ($Mdn = 18$)، مع وجود ثلاث قيم شاذة متطرفة في الأعلى ($*$) لمعلمين تجاوزت درجاتهم $42$. تم فحص هذه الحالات الشاذة وتبين ارتباطها بتكليفهم بمهام إدارية إضافية ضاغطة خارج نطاق التدريس.

8.2 مثال 2: فاعلية بروتوكول العلاج المعرفي السلوكي (CBT) في خفض الاكتئاب

أُجريت تجربة إكلينيكية لتقييم فاعلية برنامج علاجي معرفي سلوكي مكثف على عينة قوامها $N = 45$ مريضاً تم تشخيصهم باضطراب الاكتئاب الجسيم، باستخدام مقياس بيك للاكتئاب (BDI-II). تم تتبع المرضى ورسم مخططات الصندوق عبر ثلاث فترات زمنية متتابعة: ما قبل العلاج (Pre-test)، ما بعد العلاج مباشرة (Post-test)، ومرحلة المتابعة بعد 6 أشهر (Follow-up).

قدم الفحص البصري التتبعي لمخططات الصندوق الثلاثة المتجاورة قصة علاجية متكاملة:

• مرحلة ما قبل العلاج: كان الصندوق متموضعاً في أعلى المقياس ($Mdn = 36$, $IQR = 8$)، مما يؤكد شدة الأعراض الاكتئابية وتجانس العينة المرضية قبل التدخل السلوكي.
• مرحلة ما بعد العلاج: شهد المخطط هبوطاً دراماتيكياً للوسيط نحو الأسفل ($Mdn = 12$)، مترافقاً مع انكماش ملحوظ في المدى الربيعي ($IQR = 5$)، مما يثبت نجاح البروتوكول العلاجي في خفض الأعراض وتوحيد مستوى التحسن الإيجابي لدى غالبية المرضى. وظهرت حالة شاذة واحدة في الأعلى ($Score = 28$) لم تستجب للبرنامج.
• مرحلة المتابعة: حافظ المخطط على انخفاض وسيطه ($Mdn = 14$)، مع اتساع طفيف في الصندوق والعوارض ($IQR = 9$)، مما يشير إلى أن غالبية المرضى حافظوا على مكاسبهم العلاجية، مع وجود فروق فردية طبيعية بدأت تظهر في استدامة التحسن على المدى الطويل.

8.3 مثال 3: دراسة الفروق في زمن الرجع العصبي النفسي حسب الفئات العمرية

في دراسة فيزيولوجية عصبية معرفية، تم قياس زمن الرجع البسيط (Simple Reaction Time) بالميلي ثانية (ms) عبر مهمة استجابة حاسوبية محوسبة طُبقت على أربع فئات عمرية: الأطفال (8-12 سنة)، الشباب (18-25 سنة)، منتصف العمر (40-50 سنة)، وكبار السن (65-75 سنة).

كشفت مخططات الصندوق عن الخصائص التوزيعية والنمائية التالية:

• فئة الشباب: سجلت أدنى وسيط لزمن الرجع ($Mdn = 210 \text{ ms}$) مع أصغر صندوق تشتت ($IQR = 35 \text{ ms}$)، وتوزيع متماثل تقريباً وخالٍ تماماً من الشواذ، دلالة على الكفاءة العصبية والتركيز العالي.
• فئة الأطفال وفئة كبار السن: أظهرت المخططات ارتفاعاً واضحاً في الأوساط ($Mdn = 340 \text{ ms}$ للأطفال و $380 \text{ ms}$ لكبار السن)، مع اتساع كبير في الصناديق، مما يعكس عدم اكتمال النضج العصبي الحركي لدى الأطفال وبدء التراجع الحركي الإدراكي لدى كبار السن.
• ظاهرة الالتواء الموجب والشواذ اللحظية: أظهرت جميع المخططات في مختلف الفئات العمرية التواءً موجباً معتدلاً، مع ظهور نقاط شاذة في الطرف الأعلى لزمن الرجع. فُسرت هذه الشواذ العلوية عصبياً بلحظات التشتت الذهني والانتباهي العابر (Lapses of Attention) التي تحدث حتماً أثناء الاختبارات المحوسبة المستمرة، مما جعل مخطط الصندوق أداة مثالية لعزل هذه الومضات التشتتية دون تلويث وسيط الأداء الحقيقي للمفحوصين.

9. المقارنة المعمقة بين مخطط الصندوق والرسوم البيانية الإحصائية البديلة

9.1 مخطط الصندوق مقابل المدرج التكراري (Histogram)

يعد المدرج التكراري (Histogram) الأداة الرسومية الكلاسيكية الأكثر شيوعاً لتصوير التوزيعات التكرارية. تكمن القوة المطلقة للمدرج التكراري في قدرته الفريدة على إظهار الشكل التفصيلي للتوزيع بدقة؛ فهو يكشف بوضوح عن التوزيعات ثنائية أو متعددة القمم (Bimodal / Multimodal Distributions)، حيث تظهر فجوات التكرار والقمم المنفصلة بوضوح لا يمكن للمخطط الصندوقي البسيط إبرازه بنفس التفصيل.

في المقابل، يتفوق مخطط الصندوق تفوقاً ساحقاً في سيناريوهات المقارنة المتعددة؛ فإذا كان لدى الباحث دراسة تتضمن مقارنة درجات الذكاء عبر 8 تخصصات جامعية مختلفة، فإن محاولة رسم 8 مدرجات تكرارية متداخلة أو متجاورة ستؤدي إلى فوضى بصرية وصعوبة بالغة في المقارنة والفرز. بينما يستطيع مخطط الصندوق رصف المجموعات الثماني في مساحة رسومية أنيقة، موضحاً بلمحة بصرية واحدة الفروق في الأوساط، والتشتت، والشواذ. لذا، فإن الممارسة المنهجية المثلى تقتضي الجمع بينهما: استخدام المدرج التكراري في الفحص الأولي الشامل للمتغير الفردي، واستخدام مخطط الصندوق لمقارنة التوزيعات عبر الفئات المتعددة.

9.2 مخطط الصندوق مقابل المخطط الشريطي (Bar Chart)

شهدت السنوات الأخيرة تحذيرات منهجية متكررة من جمعيات علم النفس العالمية ولجان النشر في APA ضد الاعتماد المفرط على المخططات الشريطية (Bar Charts) لعرض البيانات الكمية المستمرة، وتحديداً ما يُعرف بسلوك “مخططات الأعمدة مع أشرطة الخطأ” (Dynamite Plots). تكمن المشكلة الكارثية للمخطط الشريطي في ما يسمى “فخ المتوسطات”؛ فالعمود الصامت يُخفي تماماً شكل التوزيع الداخلي، ويوحي بوجود كتلة بيانات صلبة تحت العمود، بينما يعجز عن إظهار الالتواء، أو تباين الكثافة، أو القيم المتطرفة.

يوفر مخطط الصندوق بديلاً علمياً متفوقاً ينقل كثافة معلوماتية هائلة تفوق المخطط الشريطي بأضعاف مضاعفة؛ فبدلاً من رؤية نقطة واحدة تمثل المتوسط الحسابي، يقدم مخطط الصندوق تلخيصاً خماسي المعالم، ويكشف عن الفروق اللابارامترية، ويوضح النطاق الربيعي والشواذ. بناءً على ذلك، تلزم المجلات العلمية المحكمة الباحثين بالتحول الصريح من الأعمدة التقليدية إلى مخططات الصندوق أو المخططات التوزيعية الحديثة لضمان الشفافية الإحصائية التامة.

9.3 مخطط الصندوق مقابل مخطط الكمان (Violin Plot)

يعد مخطط الكمان (Violin Plot) تطويراً هندسياً حديثاً يدمج بين مزايا مخطط الصندوق وتقدير كثافة النواة الاحتمالية (Kernel Density Estimation – KDE). يتكون مخطط الكمان من مخطط صندوقي مدمج في مركزه، وتحيط به مساحة منحنية متماثلة يعكس عرضها كثافة وتكرار البيانات عند كل نقطة عددية على طول المقياس.

يتفوق مخطط الكمان في كشف تفاصيل التفرطح والتعدد النمطي والالتواءات الموضعية المعقدة التي قد تختفي داخل صندوق توكي التقليدي. ومع ذلك، يظل مخطط الصندوق الكلاسيكي محتفظاً بمكانته المفضلة في كثير من التقارير الأكاديمية وصنع القرار نظراً لبساطته البصرية، وسهولة تفسيره من قِبل غير المتخصصين في الإحصاء، وعدم اعتماده على معاملات التجانس الرياضي (Bandwidth Parameters) التي قد تؤثر في شكل منحنى الكمان وتؤدي إلى تشويه التقديرات التوزيعية إذا لم تُضبط بدقة بالغة.

10. الأنماط المتقدمة والتعديلات الحديثة لمخططات الصندوق

10.1 مخطط الصندوق المتغير العرض (Variable Width Box Plot)

من العيوب المنهجية لمخطط الصندوق التقليدي أنه يرسم جميع الصناديق بنفس العرض الأفقي بغض النظر عن حجم العينة الممثلة لكل مجموعة، مما قد يوحي للمتلقي بتكافؤ القوة الإحصائية بين المجموعات. لمعالجة هذا القصور، ابتكر علماء الإحصاء نمط مخطط الصندوق المتغير العرض (Variable Width Box Plot).

في هذا النمط المتقدم، يتم تعديل العرض الأفقي لجسم الصندوق بحيث يتناسب طردياً مع الجذر التربيعي لحجم العينة ($\sqrt{n}$) لتلك المجموعة. تبرز فائدة هذا التعديل بوضوح في المقارنات الإكلينيكية والوبائية غير متكافئة الأحجام؛ فإذا كانت دراسة تقارن بين عينة مرضية نادرة تتكون من $n = 25$ مريضاً وعينة معيارية ضابطة قوامها $n = 400$ شخص، سيظهر صندوق المجموعة الضابطة عريضاً وممتلئاً بصرياً دلالة على قوة وموثوقية تقديراته، بينما يظهر صندوق العينة المرضية نحيفاً وضيّقاً، ليعطي تنبيهاً بصرياً فورياً للمحلل حول تفاوت الدقة الاستدلالية وحجم الخطأ المعياري بين المجموعتين.

10.2 مخطط الصندوق مع تراكب النقاط (Raincloud & Strip Plots)

استجابة للدعوات المتزايدة للشفافية المطلقة في عرض البيانات العلمية، نشأت اتجاهات حديثة تقوم على تراكب البيانات الفردية (Raw Data Points) مباشرة فوق أو بجوار مخطط الصندوق. من أشهر هذه الأساليب ما يُعرف بـ مخطط السحابة الماطرة (Raincloud Plot) و المخطط الشريطي النقطي المبعثر (Jittered Strip Plot).

يتم في هذه المخططات تطبيق خوارزمية تبعثر عشوائي طفيف (Jittering) على النقاط لمنع تراكبها فوق بعضها البعض، ثم تُدمج مع الصندوق ومنحنى الكثافة. يحل هذا الأسلوب مشكلتين رئيسيتين: أولاً، يقضي على إخفاء حجم العينة الإجمالي؛ وثانياً، يكشف عن الأنماط والتجمعات الدقيقة والتراكيب غير المرئية داخل جسم الصندوق نفسه. تحظى هذه المخططات بشعبية جارفة حالياً في مجالات علم النفس العصبي، والتصوير بالرنين المغناطيسي الوظيفي (fMRI)، والعلوم الوراثية السلوكية.

10.3 مخطط الصندوق ثنائي التغير والمخططات الشبكية (Faceted Boxplots)

عندما تتعقد التصاميم التجريبية لتشمل دراسة تفاعلات بين متغيرين مستقلين أو أكثر (Factorial Designs)، يتم توظيف مخططات الصندوق ثنائية التغير والتخطيط الشبكي المتقاطع (Faceted / Panel Boxplots). يتيح هذا النمط تصنيف البيانات وفق بعدين في آن واحد؛ مثل فحص مستويات الاكتئاب عبر متغير “نوع التدخل العلاجي” (معرفي سلوكي مقابل دوائي) مصنفاً ومقسماً داخلياً حسب متغير “الجنس” (ذكور وإناث).

يتم تطبيق ذلك إما عن طريق تشفير الألوان المزدوج (Grouped Boxplots)، حيث يوضع لكل فئة علاجية صندوقان متلاصقان بلونين مختلفين يمثلان الجنسين، أو عبر التقسيم الشبكي (Faceting)، حيث يُنشأ صف أو عمود من المخططات المنفصلة ولكن المشتركة في المحاور القياسية. يمكن هذا التحليل الباحث من التقاط “أثر التفاعل” (Interaction Effect) بصرياً؛ كأن يلاحظ أن التدخل المعرفي السلوكي يحقق انخفاضاً حاداً في الصندوق لدى الإناث، بينما يحقق التدخل الدوائي أثراً أكبر لدى الذكور، مما يثري التفسير النظري للظاهرة المدروسة.

11. المحاذير والأخطاء الشائعة في تفسير مخطط الصندوق

11.1 الخلط بين التوزيع ثنائي القمة والتوزيع الموحد

أحد أخطر المحاذير المنهجية التي يجب أن يعيها كل محلل بيانات هو “العمى النمطي” لمخطط الصندوق الكلاسيكي تجاه التوزيعات متعددة القمم (Multimodal Distributions). فقد تبدو مجموعة بيانات تحتوي على قمتين منفصلتين تماماً (Bimodal Distribution) على شكل صندوق متماثل ومثالي لا يمكن تمييزه بصرياً عن بيانات تتبع توزيعاً طبيعياً وحيد القمة أو حتى توزيعاً منتظماً موحداً (Uniform Distribution).

يحدث هذا التضليل لأن ملخص الأرقام الخمسة يركز على الرتب والمساحات التراكمية، ويتجاهل الفجوات والتجاويف التكرارية الواقعة بين الربيعات. فإذا كان هناك استقطاب حاد في درجات مقياس نفسي (نصف العينة درجاتهم متدنية جداً والنصف الآخر مرتفعة جداً دون وجود حالات وسطية)، سيستقر الوسيط في المنتصف الفراغي الفارغ من البيانات، وسيمتد الصندوق ليغطي الفجوة، موحياً بوجود توزيع متماثل متصل! لتفادي هذا الفخ الكارثي، يجب على الباحث فحص المدرج التكراري أو منحنى الكثافة الاحتمالية جنباً إلى جنب مع مخطط الصندوق للتأكد من أحادية القمة قبل بناء الاستنتاجات النهائية.

11.2 سوء فهم تأثير حجم العينة (Sample Size Issues)

يتولد خطأ منهجي شائع آخر عند تطبيق مخطط الصندوق على عينات صغيرة الحجم جداً (مثلاً: أقل من 10 إلى 15 مشاهدة). في مثل هذه العينات المحدودة، تفقد الربيعيات والأسوار الحسابية استقرارها الرياضي، وتصبح مواقع الصناديق والعوارض شديدة الحساسية للتذبذبات العشوائية، مما يولد رسوماً مضللة قد توحي بوجود شواذ أو التواءات هي في الحقيقة مجرد ضجيج إحصائي ناتج عن صغر العينة.

على الطرف النقيض، يواجه الباحثون في عصر البيانات الضخمة (Big Data) إشكالية معاكسة في العينات العملاقة جداً (عشرات الآلاف من الحالات). ففي العينات الضخمة، ونظراً لطبيعة قاعدة $1.5 \times \text{IQR}$ التي تفترض احتمال استبعاد 0.7% من الحالات السوية، سيؤدي وجود 100,000 مشاهدة إلى ظهور مئات النقاط المصنفة تلقائياً كقيم شاذة أسفل وأعلى المخطط، مما يجعل أطراف الرسم تبدو مشوهة ومزدحمة بنقاط سوداء صماء، رغم أن هذه النقاط تقع ضمن التوزيع الطبيعي المتوقع للعينة الكبيرة. في هذه الحالات، يجب تعديل معايير كشف الشذوذ برمجياً أو استخدام مقاييس كشف تستند إلى مسافات مئينية أكثر صرامة تتناسب مع ضخامة المجتمع الإحصائي.

11.3 الخلط بين مقاييس النزعة والتشتت في التقارير الأكاديمية

تكشف المراجعات العلمية للأطروحات والأوراق البحثية عن أخطاء مفاهيمية متكررة يقع فيها بعض الباحثين عند صياغة التفسيرات النصية المصاحبة لمخطط الصندوق. من أبرز هذه الأخطاء قراءة الخط الأفقي الداخلي للصندوق وتفسيره على أنه “المتوسط الحسابي” بدلاً من إدراك كونه “الوسيط”، وما يترتب على ذلك من استنتاجات خاطئة حول دلالة الفروق.

كذلك، يخلط البعض بين حدود الصندوق العلوية والسفلية ومفهوم الانحراف المعياري، حيث يفسرون طول الصندوق خطأً بأنه يمثل $\pm 1 \text{ SD}$ حول المتوسط، في حين أنه يمثل المدى الربيعي ($Q1$ إلى $Q3$). يمتد هذا الخلط إلى كتابة نصوص التقارير؛ حيث يشير الباحث في المتن إلى قيم المتوسط والانحراف المعياري، بينما يُرفق في الشكل البياني مخطط صندوق يرتكز على الوسيط والمدى الربيعي، مما يحدث فجوة وعدم تطابق منهجي بين التقرير اللفظي والتمثيل البصري. التوثيق العلمي الرصين يتطلب المواءمة التامة بين المقياس المستخدم في النص والمعلم الموضح في الرسم البياني.

12. دليل إعداد تقارير مخطط الصندوق وفق معايير النشر العلمي (APA)

12.1 معايير تصميم وتنسيق المخطط ليتوافق مع دليل APA الإصدار السابع

يضع الدليل الإرشادي لجمعية علم النفس الأمريكية في نسخته السابعة (APA 7th Edition) معايير بصرية دقيقة لضمان أعلى مستويات الوضوح، وقابلية القراءة، وإمكانية الوصول عند إدراج الأشكال والرسوم البيانية في الأوراق العلمية والأطروحات الأكاديمية.

تشمل المعايير التصميمية الرئيسية لمخطط الصندوق ما يلي:

• رقم الشكل وعنوانه: يوضع رقم الشكل في أعلى الرسم بخط عريض، مثل: Figure 1، يليه في السطر التالي مباشرة عنوان وصفي واضح ومائل بأحرف كبيرة للكلمات الرئيسية (Title Case)، مثل: Distribution of Anxiety Scores Across Professional Experience Levels.
• الخطوط والتباين: استخدام خطوط معيارية واضحة ومقروءة (مثل Arial أو Calibri أو Times New Roman) بحجم يتراوح بين 8 و 14 نقطة داخل الرسم. يجب أن تكون الخلفية بيضاء تماماً وخالية من خطوط الشبكة المزعجة (Gridlines) أو التظليلات الرمادية ثلاثية الأبعاد غير المبررة.
• تسمية المحاور والوحدات: تسمية المحور الرأسي والمحور الأفقي بدقة لا تقبل اللبس، مع تضمين وحدة القياس بين قوسين (مثلاً: Reaction Time (ms) أو Score on BDI-II (0–63)).
• الرموز والمفتاح: في حال استخدام ألوان أو تظليلات لتمييز المجموعات أو الرموز الخاصة بالقيم الشاذة والمتوسطات، يجب تضمين مفتاح واضح ومختصر داخل الرسم أو شرح دلالات تلك الرموز بالتفصيل داخل الحاشية السفلية للشكل (Figure Note).

12.2 صياغة النصوص التفسيرية المصاحبة للمخطط في قسم النتائج

لا يكتمل التمثيل البياني في البحث العلمي دون صياغة نصية أكاديمية محكمة تربط المخرجات البصرية بالفرضيات البحثية والاختبارات الإحصائية ذات الصلة. يجب أن يتضمن قسم النتائج تقريراً رقمياً يحدد معالم ملخص الأرقام الخمسة لكل مجموعة، مع التركيز على الوسيط والمدى الربيعي، متبوعاً بقيمة الاختبار الإحصائي المقابل وقيم الدلالة وحجم الأثر.

نموذج تطبيقي لصياغة النتائج وفق أسلوب APA:
“أظهر الفحص البصري لتوزيع درجات الاحتراق النفسي عبر مجموعات الخبرة المهنية (انظر الشكل 1) انخفاضاً تدريجياً في مستويات الإجهاد الانفعالي بزيادة سنوات الخبرة. سجل المعلمون المبتدئون أعلى وسيط للدرجات ($Mdn = 38.00$, $IQR = 7.00$)، مقارنة بالمعلمين متوسطي الخبرة ($Mdn = 24.00$, $IQR = 16.00$) والمعلمين المتمرسين ($Mdn = 18.00$, $IQR = 8.00$). وقد أيد اختبار كروسكال-واليس اللابارامتري دلالة هذه الفروق التوزيعية بين المجموعات الثلاث، $H(2) = 45.32$, $p < .001$, $\eta^2 = .19$، مما يشير إلى حجم أثر كبير يربط بين تراكم الخبرة المهنية وانخفاض الاحتراق النفسي.”

12.3 قائمة التحقق النهائية (Checklist) للباحثين قبل تسليم المخطط

لضمان خلو الورقة البحثية من الأخطاء الشكلية والإحصائية قبل إرسالها للتحكيم في المجلات العلمية المرموقة، ينبغي على الباحث مراجعة قائمة التحقق المنهجية التالية:

المجال	بند التحقق المنهجي	الحالة
التطابق الرقمي	تتطابق قيم الوسيط والربيعات الممثلة بيانياً في الصندوق بدقة 100% مع الجداول الإحصائية المرفقة.	[مكتمل]
تسمية المحاور	المحاور الرأسية والأفقية تحمل مسميات واضحة ومحددة مع ذكر وحدات القياس بوضوح.	[مكتمل]
القيم الشاذة	تم فحص وتبرير جميع القيم الشاذة المكتشفة إجرائياً، وتوضيح كيفية التعامل معها في المتن.	[مكتمل]
تنسيق APA	الترقيم والعنوان وملاحظات الشكل (Figure Notes) مصممة وفق أحدث معايير الإصدار السابع.	[مكتمل]
الاستقلالية البصرية	المخطط قادر على نقل رسالته العلمية وفروق المجموعات بشكل ذاتي ومستقل دون إلزام القارئ بالرجوع للنص.	[مكتمل]

خاتمة واستنتاجات ختامية

يمثل مخطط الصندوق ذو العارضتين (Box Plot) تحفة إحصائية وبيانية حقيقية تجسد التوازن المثالي بين البساطة البصرية والعمق الرياضي الرصين. إن قدرته الفائقة على اختصار مصفوفات البيانات الضخمة في ملخص الأرقام الخمسة المقاوم للتشوه، جعلت منه أداة قياسية لا غنى عنها في مختلف مراحل البحث العلمي، بدءاً من مرحلة التحليل الاستكشافي للبيانات، مروراً بكشف الشذوذ وتشخيص الالتواء وتجانس التباين، وصولاً إلى المقارنات الاستدلالية بين المجموعات التجريبية والإكلينيكية المتعددة.

مع التطور التقني المتسارع وظهور أدوات بصرية متقدمة مثل مخططات الكمان والمخططات السحابية والشبكية، يظل مخطط الصندوق هو الأساس الهيكلي المتين الذي تُبنى عليه تلك الابتكارات. إن إتقان الباحثين والمحللين لكيفية بناء، وقراءة، وتفسير، وتوثيق مخطط الصندوق وفق أرقى المعايير الأكاديمية لا يرفع فقط من جودة وموثوقية أوراقهم العلمية، بل يضمن أيضاً ترجمة أمينة ودقيقة للظواهر الإنسانية والسلوكية المعقدة بما يسهم في إثراء المعرفة العلمية 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
• Beck, A. T., Steer, R. A., & Brown, G. K. (1996). Manual for the Beck Depression Inventory-II. Psychological Corporation.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Krzywinski, M., & Altman, N. (2014). Visualizing samples with box plots. Nature Methods, 11(2), 119–120. https://doi.org/10.1038/nmeth.2813
• McGill, R., Tukey, J. W., & Larsen, W. A. (1978). Variations of box plots. The American Statistician, 32(1), 12–16. https://doi.org/10.1080/00031305.1978.10479236
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4
• Wilkinson, L. (2005). The grammar of graphics (2nd ed.). Springer.