اختبار مربع كاي مقابل تحليل التباين (ANOVA): ما الفرق؟

يحتل الإحصاء الاستدلالي (Inferential Statistics) مكانة المحرك الأساسي في بنية البحث العلمي الحديث، لا سيما في ميادين العلوم النفسية والسلوكية والتربوية والاجتماعية التي تتعامل مع ظواهر إنسانية تتسم بالتعقيد والتشابك والتغير المستمر. إن الانتقال من مجرد الوصف الظاهري للبيانات عبر مقاييس النزعة المركزية والتشتت إلى مرحلة استنباط الأحكام وتعميم النتائج من العينات إلى المجتمعات الأصلية يتطلب صرامة منهجية فائقة وأدوات استدلالية قادرة على فرز التباينات الحقيقية الناتجة عن المعالجات التجريبية والمتغيرات المستقلة عن تلك الفروق العشوائية التي تعزى لخطأ المعاينة (Sampling Error). في هذا الفضاء المعرفي، يقف الباحث الأكاديمي باستمرار أمام معضلة اختيار الاختبار الإحصائي الأدق الذي يتطابق تماماً مع طبيعة بياناته، ومستويات قياس متغيراته، والأسئلة البحثية التي يسعى للإجابة عنها بأعلى درجات المصداقية والموثوقية.

ومن بين الترسانة الإحصائية الواسعة المتاحة لعلماء النفس وباحثي العلوم الاجتماعية، يبرز اختباران استدلاليان بوصفهما الأكثر حضوراً وتطبيقاً واستدعاءً في الأدبيات المحكمة: اختبار مربع كاي (Chi-Square Test)، وتحليل التباين (Analysis of Variance – ANOVA). ورغم أن كلا الاختبارين يشتركان في هدفهما الغائي المتمثل في اختبار الفرضيات الصفرية والكشف عما إذا كانت الأنماط الملاحظة في البيانات تعكس علاقات حقيقية في المجتمع المدروس أم أنها مجرد صدفة إحصائية، إلا أنهما ينتميان إلى مدرستين مختلفتين من حيث المنطق الرياضي، ومستويات قياس المتغيرات التابعة والمستقلة، وطبيعة التوزيعات الاحتمالية التي يستندان إليها. إن الخلط بين هذين الاختبارين، أو استخدامهما في غير سياقهما المنهجي المعتمد، لا يؤدي فقط إلى نتائج مضللة، بل يقوض البناء الاستدلالي للدراسة برمتها ويعطل إمكانية تراكم المعرفة العلمية الرصينة.

يهدف هذا المقال الأكاديمي الشامل إلى تفكيك أوجه الشبه والاختلاف بين اختبار مربع كاي وتحليل التباين (ANOVA) تفكيكاً نظرياً ورياضياً وتطبيقياً عميقاً. سنستعرض الأسس الفلسفية والرياضية لكل منهما، ونماذج صياغة الفرضيات، والشروط والافتراضات المسبقة، وطرائق قراءة وتفسير المخرجات والجداول الإحصائية، مع تدعيم الطرح بنماذج عملية وتطبيقية من صميم البحوث السلوكية، وإرشادات واضحة لاختيار الأداة المثلى وفق شجرة قرار منهجية تلبي أرقى معايير النشر في جمعية علم النفس الأمريكية (APA).

1. مقدمة تأسيسية: دور الإحصاء الاستدلالي في البحوث النفسية والسلوكية

1.1 أهمية اختيار الاختبار الإحصائي المناسب لصحة الفرضيات

إن الركيزة الجوهرية للبحث العلمي التجريبي وشبه التجريبي والوصفي في علم النفس تكمن في القدرة على اتخاذ قرارات دقيقة بشأن الفرضيات العلمية. عندما يصيغ الباحث فرضية حول فاعلية برنامج علاجي جديد لاضطراب كرب ما بعد الصدمة (PTSD)، أو حول العلاقة بين الأنماط المعرفية والرضا الوظيفي، فإنه يحتاج إلى ترجمة هذه الفرضيات المفاهيمية إلى نماذج إحصائية قابلة للاختبار التجريبي الصارم. هنا تبرز الخطورة المنهجية المترتبة على اختيار النموذج الإحصائي؛ إذ إن ملاءمة الاختبار لطبيعة البيانات ليست مجرد تفضيل حسابي، بل هي شرط حاسم للتحكم في معدلات الأخطاء الاستدلالية التي قد تقلب نتائج البحث رأساً على عقب.

تتمثل الخطورة الكبرى في الوقوع في الخطأ من النوع الأول (Type I Error / $\alpha$)، وهو رفض الفرضية الصفرية عندما تكون صحيحة في الواقع (أي الادعاء الخاطئ بوجود أثر أو فروق ذات دلالة إحصائية بينما هي في الحقيقة غير موجودة وتعزى للصدفة)، أو الوقوع في الخطأ من النوع الثاني (Type II Error / $\beta$)، وهو الفشل في رفض الفرضية الصفرية عندما تكون خاطئة في الواقع (أي إغفال أثر أو فروق حقيقية ذات دلالة عملية). إن تطبيق اختبار بارامتري مثل تحليل التباين (ANOVA) على بيانات فئوية منتهكة للافتراضات الأساسية يؤدي إلى تضخيم معدل الخطأ من النوع الأول، مما ينتج عنه نتائج إيجابية كاذبة تضلل المجتمع العلمي. بالمقابل، فإن تحويل المتغيرات المستمرة إلى تصنيفات فئوية مصطنعة لتطبيق اختبار مربع كاي يقلص القوة الإحصائية (Statistical Power: $1 – \beta$) بصورة حادة، مما يرفع احتمال الوقوع في الخطأ من النوع الثاني ويؤدي إلى هدر الجهد التجريبي.

علاوة على ذلك، ترتبط الدقة الإحصائية ارتباطاً وثيقاً بـ أزمة التكرار والموثوقية (Replication Crisis) التي هزت العلوم النفسية والسلوكية في العقد الأخير. تتطلب حركة العلوم المفتوحة صياغة نماذج تحليلية شفافة وقابلة لإعادة الإنتاج، حيث ينبع الاستنتاج السليم مباشرة من التوافق التام بين البنية الرياضية للاختبار والخصائص القياسية للمتغيرات، مما يضمن أن تكون التدخلات النفسية والقرارات التشخيصية المستندة إلى الأدبيات العلمية مبنية على أسس برهانية راسخة لا يرقى إليها الشك.

1.2 نظرة عامة موجزة على اختبار مربع كاي وتحليل التباين (ANOVA)

يُمثل اختبار مربع كاي ($\chi^2$) الأداة الاستدلالية الكلاسيكية الرائدة ضمن عائلة الإحصاء اللامعلمي (Non-parametric Statistics). صُمم هذا الاختبار خصيصاً للتعامل مع البيانات الاسمية (Nominal) والترتيبية (Ordinal) التي تأتي في صورة تكرارات (Frequencies) وفئات وتصنيفات كيفية بدلاً من القياسات العددية الكمية المتصلة. يركز مربع كاي على تحليل جداول التقاطع التكراري للإجابة عن أسئلة من قبيل: هل يتوزع تفضيل الأفراد لنوع معين من العلاج النفسي بنسب متساوية؟ أو هل يوجد اعتماد متبادل وارتباط دال إحصائياً بين التشخيص العيادي للمريض ونمطه السلوكي؟

في المقابل، يُعد تحليل التباين (ANOVA) عماد الإحصاء المعلمي أو البارامتري (Parametric Statistics) الذي طوره عالم الإحصاء الشهير رونالد فيشر (Ronald Fisher). يتخصص هذا النموذج في مقارنة المتوسطات الحسابية لثلاث مجموعات أو أكثر، حيث يكون المتغير التابع متغيراً كمياً مستمراً (مقاساً بمستوى فئوي Interval أو نسبي Ratio)، في حين تكون المتغيرات المستقلة عوامل فئوية تقسم العينة إلى مجموعات متمايزة. يرتكز المنطق التحليلي لتحليل التباين على تجزئة التباين الكلي الملاحظ في الدرجات إلى مكوناته المختلفة، للمقارنة بين التباين العائد للفروق الحقيقية بين المجموعات والتباين الناجم عن الفروق الفردية العشوائية داخل المجموعة الواحدة.

ورغم هذا التباين الشاسع في بنية المدخلات وطبيعة المعالجة، فإن كلاً من مربع كاي وتحليل التباين يشتركان في هدفهما النهائي الموحد: مساعدة الباحث على استنتاج ما إذا كانت الفروق والأنماط الملاحظة في عينة الدراسة أكبر بكثير مما يمكن توقعه بموجب الصدفة أو خطأ المعاينة، ومن ثم تمكين الباحث من اتخاذ قرار واثق برفض الفرضية الصفرية وقبول الفرضية البديلة ذات المغزى النفسي والنظري.

2. ماهية اختبار مربع كاي (Chi-Square): المفهوم والأسس النظرية

2.1 الأساس النظري والمنطق الإحصائي لمربع كاي

يرجع الفضل في تأسيس اختبار مربع كاي بالشكل الذي نعرفه اليوم إلى الإحصائي البريطاني كارل بيرسون (Karl Pearson) عام 1900. يستند المنطق الإحصائي لهذا الاختبار إلى فكرة بسيطة ولكنها بالغة القوة والعمق: مقارنة ما نلاحظه فعلياً في الواقع الميداني بما يجب أن نتوقعه رياضياً إذا كانت الفرضية الصفرية صحيحة تماماً. يُطلق على البيانات المجمعة من العينة اسم التكرارات الملاحظة (Observed Frequencies – $O$)، في حين تُحسب التكرارات المتوقعة (Expected Frequencies – $E$) بناءً على النموذج النظري للاحتمالات أو وفق فرضية الاستقلال التام بين المتغيرات.

عندما تكون الفروق بين التكرارات الملاحظة والتكرارات المتوقعة طفيفة جداً، فإن قيمة مربع كاي المحسوبة تكون قريبة من الصفر، مما يشير إلى أن أي انحراف بسيط يعود لتقلبات المعاينة العشوائية البحتة. أما إذا كانت الفجوة بين الواقع الفعلي والمصفوفة المتوقعة واسعة وذات دلالة كبيرة، فإن قيمة إحصاء مربع كاي ترتفع لتتجاوز القيمة الحرجة المجدولة. يخضع هذا الإحصاء لـ توزيع مربع كاي الاحتمالي، وهو توزيع غير متماثل وملتوٍ نحو اليمين (Positively Skewed)، يتحدد شكله الرياضي بدقة استناداً إلى معلمة وحيدة هي درجات الحرية (Degrees of Freedom – $df$). ومع تزايد درجات الحرية، يقترب توزيع مربع كاي تدريجياً من التوزيع الطبيعي المتماثل عملاً بنظرية النهاية المركزية (Central Limit Theorem).

يتعامل اختبار مربع كاي حصرياً مع البيانات الاسمية (Nominal) التي تعكس تصنيفات لا تفاضل فيها (مثل: النوع الاجتماعي، الجنسية، نوع العلاج النفسي)، والبيانات الترتيبية (Ordinal) التي تمثل رتباً وتصنيفات متدرجة (مثل: مستويات القلق: منخفض، متوسط، مرتفع) دون افتراض تباعدات متساوية بين الرتب. ولأن الاختبار لا يشترط توزيعاً طبيعياً للدرجات أو تجانساً للتباينات، فإنه يُصنف كأحد أقوى الاختبارات الحرة التوزيع (Distribution-Free Tests) في العلوم الاجتماعية.

2.2 صياغة الفرضيات في اختبارات مربع كاي

تختلف صياغة الفرضيات في اختبار مربع كاي عن الصيغ التقليدية للمتوسطات المستخدمة في الاختبارات المعلمية. تُصاغ الفرضيات هنا بلغة الاحتمالات، وتطابق التوزيعات، واستقلال المتغيرات الفئوية. تتخذ الفرضية الصفرية ($H_0$) أحد شكلين أساسيين وفق طبيعة التطبيق:

• في اختبارات حسن المطابقة: تنص الفرضية الصفرية على أن التوزيع الملاحظ للمتغير الفئوي في العينة يتطابق تطابقاً تاماً مع التوزيع النظري المتوقع مسبقاً (أي لا توجد فروق دالة بين نسب المجموعات).
• في اختبارات الاستقلالية: تنص الفرضية الصفرية على أن المتغيرين الفئويين مستقلان تماماً عن بعضهما البعض في المجتمع الإحصائي؛ بمعنى أن الانتماء إلى فئة معينة في المتغير الأول لا يغير من احتمالية الانتماء إلى أي فئة في المتغير الثاني (غياب الارتباط أو الاقتران).

في المقابل، تُصاغ الفرضية البديلة ($H_1$) لتؤكد وجود عدم تطابق بين التوزيع الملاحظ والتوزيع المتوقع، أو لتشير إلى وجود علاقة اقترانية واعتماد متبادل ذي دلالة إحصائية بين المتغيرين المدروسين في المجتمع الإحصائي. بعد صياغة الفرضيات، يحدد الباحث مستوى الدلالة الإحصائية المقبول (عادة ما يتم تعيين $\alpha = 0.05$ أو $\alpha = 0.01$ في الدراسات النفسية). ثم يقارن الباحث القيمة الاحتمالية الناتجة ($p\text{-value}$) بمستوى $\alpha$ المحدد مسبقاً، أو يقارن قيمة مربع كاي المحسوبة بالقيمة الحرجة المستخرجة من جداول التوزيع عند درجات حرية محددة؛ فإذا كانت القيمة المحسوبة أكبر من الحرجة ($p < \alpha$)، يتم رفض الفرضية الصفرية والاعتراف بوجود نمط اقتراني حقيقي ذي دلالة إحصائية.

3. الأنواع الرئيسية لاختبار مربع كاي وتطبيقاتها

3.1 اختبار حسن المطابقة (Goodness of Fit Test)

يُستخدم اختبار مربع كاي لحسن المطابقة (Chi-Square Goodness of Fit Test) عندما يرغب الباحث في فحص متغير فئوي أحادي (Single Categorical Variable) يتألف من مستويين أو أكثر، لمعرفة ما إذا كانت تكرارات العينة الموزعة عبر هذه الفئات تتوافق مع توزيع نظري مفترض أو محدد سلفاً. يُعد هذا الاختبار بمثابة الأداة المثالية للتحقق من عدالة التوزيع، أو للتأكد من أن عينة البحث تمثل المجتمع تمثيلاً دقيقاً من حيث الخصائص الديموغرافية الأساسية.

في ميدان البحوث النفسية والسلوكية، يبرز تطبيق هذا الاختبار في سياقات متعددة؛ كأن يرغب باحث في فحص ما إذا كانت الأنماط المزاجية الأربعة الكلاسيكية (الصفراوي، الدموي، البلغمي، السوداوي) تتوزع بالتساوي بين طلبة كليات الفنون، أو التحقق مما إذا كان توزيع سمات الشخصية وفق نموذج العوامل الخمسة الكبرى (Big Five Personality Traits) في عينة معينة يطابق التوزيع المعياري المعروف في المجتمع الإحصائي العام. إذا كانت الفرضية تفترض التوزيع المتساوي، فإن التكرار المتوقع لكل خلية يُحسب بقسمة الحجم الكلي للعينة ($N$) على عدد الفئات ($k$):

$$E = \frac{N}{k}$$

أما إذا كانت هناك نسب نظرية متفاوتة مستمدة من مسوح سابقة (مثلاً: 50% للنمط (أ)، 30% للنمط (ب)، 20% للنمط (ج))، فإن التكرار المتوقع لكل فئة يُحسب بضرب النسبة المئوية النظرية ($p_i$) في الحجم الكلي للعينة ($N$). وتُحسب درجات الحرية لهذا الاختبار بالمعادلة البسيطة:

$$df = k – 1$$

حيث يمثل $k$ عدد المستويات أو الفئات داخل المتغير الأحادي.

3.2 اختبار الاستقلالية لمربع كاي (Test of Independence)

يُمثل اختبار الاستقلالية لمربع كاي (Chi-Square Test of Independence)، والمعروف أيضاً باختبار مربع كاي للارتباط أو الاقتران، التطبيق الأكثر شيوعاً وشهرة في العلوم النفسية والاجتماعية. يُوظف هذا الاختبار عندما يجمع الباحث بيانات ثنائية الأبعاد تتضمن متغيرين فئويين لكل مفحوص، والهدف المنهجي هو فحص ما إذا كانت هناك علاقة ارتباطية أو اعتماد متبادل بين المتغيرين، أم أن توزيع أحدهما مستقل تماماً عن توزيع الآخر.

تُنظم البيانات في هذا الاختبار ضمن ما يُعرف بـ جداول الاقتران أو التوافق (Contingency Tables / Cross-tabulations) ذات البعد ($r \times c$)، حيث يمثل $r$ عدد صفوف المتغير الأول، ويمثل $c$ عدد أعمدة المتغير الثاني. لحساب التكرار المتوقع ($E_{ij}$) لكل خلية في مصفوفة الجدول، نستخدم القانون الإحصائي المبني على مبدأ استقلال الاحتمالات:

$$E_{ij} = \frac{(\text{Row } i \text{ Marginal Total}) \times (\text{Column } j \text{ Marginal Total})}{N}$$

أي حاصل ضرب مجموع الصف الخاص بالخلية في مجموع العمود الخاص بها، مقسوماً على المجموع الكلي لجميع المشاهدات ($N$).

من الأمثلة الساطعة على هذا التطبيق في العيادات النفسية: دراسة العلاقة بين “التشخيص الإكلينيكي” (اكتئاب، قلق عام، رهاب اجتماعي) و”الاستجابة لبروتوكول العلاج المعرفي السلوكي” (تحسن كامل، تحسن جزئي، عدم استجابة). من خلال هذا الجدول، يختبر الباحث ما إذا كان معدل الشفاء يعتمد دلالياً على نوع التشخيص الأصلي أم أنه يتوزع بنسب عشوائية متماثلة عبر كافة الاضطرابات. وتُحسب درجات الحرية لجداول الاقتران وفق القاعدة:

$$df = (r – 1) \times (c – 1)$$

4. ماهية تحليل التباين (ANOVA): المفهوم والأسس الرياضية

4.1 المنطق الإحصائي لتحليل التباين ونسبة F

يستند تحليل التباين (ANOVA) إلى رؤية رياضية عبقرية صاغها السير رونالد فيشر، تقوم على فكرة أن التباين الكلي الملاحظ في درجات متغير تابع كمي مستمر يمكن تفكيكه وتجزئته رياضياً إلى مكونات مستقلة ذات دلالة تجريبية. عند إجراء دراسة تجريبية تتضمن تقسيم عينة إلى ثلاث مجموعات علاجية مختلفة، ينشأ التباين الكلي في النتائج من مصدرين رئيسيين:

• التباين بين المجموعات (Between-Group Variance): ويعكس الفروق المنهجية المترتبة على تأثير المعالجة التجريبية أو المتغير المستقل، بالإضافة إلى جزء ضئيل من خطأ المعاينة.
• التباين داخل المجموعات (Within-Group Variance / Error Variance): ويعكس الفروق الفردية العشوائية الطبيعية بين المفحوصين داخل المجموعة الواحدة الذين تعرضوا لنفس الظروف التجريبية تماماً، بالإضافة إلى أخطاء القياس غير المنضبطة.

يقوم الاختبار بحساب متوسط مربعات الانحرافات بين المجموعات ($MS_{\text{between}}$) ومتوسط مربعات الانحرافات داخل المجموعات ($MS_{\text{within}}$)، ثم يستخرج الإحصاء الاختباري الأساسي المعروف بـ نسبة فـ ($F\text{-ratio}$ / Fisher’s $F$) من خلال القسمة المباشرة:

$$F = \frac{MS_{\text{between}}}{MS_{\text{within}}}$$

إذا كانت الفرضية الصفرية صحيحة ولم يكن للمتغير المستقل أي تأثير يذكر، فإن التباين بين المجموعات سيتساوى تقريباً مع التباين داخلها، وتكون قيمة $F$ قريبة من $1.0$. أما إذا كان للمعالجة النفسية أثر حقيقي قوي، فإن التباين بين المجموعات سيتجاوز بكثير التباين العشوائي داخلها، فترتفع قيمة $F$ لتصبح دالة إحصائياً عند مستوى الاحتمالية المعتمد.

يتجاوز تحليل التباين قيود اختبار “ت” للعينات المستقلة (Independent Samples t-test)؛ ففي حال رغب الباحث في مقارنة 4 مجموعات، فإن استخدام اختبار “ت” الثنائي يتطلب إجراء 6 مقارنات زوجية منفصلة. يؤدي هذا التكرار إلى ظاهرة خطيرة تُعرف بـ تضخم خطأ ألفا التراكمي للأسرة (Familywise Error Rate Inflation)، حيث يقفز احتمال ارتكاب خطأ من النوع الأول من 5% إلى أكثر من 26% وفق المعادلة:

$$\alpha_{\text{familywise}} = 1 – (1 – \alpha)^k$$

حيث يمثل $k$ عدد المقارنات. هنا يتدخل تحليل التباين كاختبار كلي موحد (Omnibus Test) يختبر الفروق بين جميع المجموعات في خطوة رياضية واحدة محكمة تحافظ على معدل الخطأ الصارم عند مستوى $\alpha = 0.05$.

4.2 صياغة الفرضيات في تحليل التباين

تركز الفرضيات الإحصائية في تحليل التباين على معالم المجتمع المتمثلة في المتوسطات الحسابية ($\mu$). تنص الفرضية الصفرية ($H_0$) في تحليل التباين الأحادي على المساواة المطلقة بين متوسطات جميع المجموعات السكانية المدروسة:

$$H_0: \mu_1 = \mu_2 = \mu_3 = dots = \mu_k$$

بمعنى أن المتغير المستقل بمستوياته المتعددة لا يُحدث أي تمايز حقيقي في قيم المتغير التابع، وأن كل العينات تنتمي نظرياً إلى مجتمع إحصائي واحد يمتلك نفس المتوسط الحسابي.

في المقابل، تُصاغ الفرضية البديلة ($H_1$) بطريقة دقيقة وحذرة تنص على:

$$H_1: \text{يوجد على الأقل متوسط حسابي واحد يختلف عن بقية المتوسطات}$$

من الضروري التأكيد على أن رفض الفرضية الصفرية في ANOVA يعني فقط وجود فرق دال إحصائياً في مكان ما بين المجموعات، ولكنه لا يحدد بدقة أي المجموعات تتفوق على الأخرى أو أي الأزواج يقع بينها التباين الحقيقي. للإجابة عن هذا التساؤل التفصيلي، يلجأ الباحثون بعد الحصول على قيمة $F$ دالة إلى تطبيق الاختبارات البعدية (Post-Hoc Tests) مثل اختبار توكي للفروق الصادقة ذات الدلالة (Tukey’s HSD)، أو تصحيح بونفيروني (Bonferroni)، أو اختبار شيفيه (Scheffé)، أو اختبار دانيت (Dunnett) في حال مقارنة مجموعات علاجية متعددة بمجموعة ضابطة وحيدة، وذلك لعزل الفروق الدقيقة دون تضخيم الخطأ من النوع الأول.

5. الأنواع الأساسية لتحليل التباين (ANOVA)

5.1 تحليل التباين الأحادي (One-Way ANOVA)

يُعد تحليل التباين الأحادي (One-Way Analysis of Variance) أبسط نماذج ANOVA وأكثرها انتشاراً. يُطبق هذا النموذج عندما يدرس الباحث تأثير متغير مستقل تصنيفي واحد (عامل – Factor) يحتوي على ثلاثة مستويات تجريبية أو فئات تصنيفية أو أكثر، على متغير تابع كمي واحد مقاس بمستوى فتري أو نسبي مستمر. تكمن القوة المنهجية لهذا الاختبار في قدرته على تقييم فعالية تصنيفات متعددة في آن واحد وضبط التباين الكلي بدقة متناهية.

في البحوث النفسية والتربوية، تتعدد سيناريوهات استخدام تحليل التباين الأحادي؛ على سبيل المثال، دراسة لمقارنة مستويات القلق الأكاديمي (المقاسة على مقياس متصل من 0 إلى 100) بين طلاب ينتمون إلى أربعة تخصصات جامعية مختلفة (العلوم الطبية، الهندسة، العلوم الإنسانية، إدارة الأعمال)، أو فحص فاعلية ثلاثة أساليب تدريسية مختلفة في تنمية مهارات التفكير الناقد. تتم قراءة مخرجات جدول ANOVA الأحادي عبر مراجعة مجموع المربعات ($SS$)، ودرجات الحرية ($df$)، ومتوسط المربعات ($MS$)، وصولاً إلى قيمة $F$ ومستوى دلالتها ($p\text{-value}$)، حيث يقرر الباحث بناءً عليها قبول أو رفض الفرضية الصفرية.

5.2 تحليل التباين الثنائي (Two-Way ANOVA) والتفاعلات

يمثل تحليل التباين الثنائي أو العاملي (Two-Way / Factorial ANOVA) قفزة نوعية في التصميم التجريبي السلوكي؛ إذ يسمح بدراسة التأثير المتزامن لمتغيرين مستقلين فئويين (أو أكثر) على متغير تابع كمي مستمر واحد. لا تقتصر ميزة هذا التصميم على دراسة التأثير المعزول لكل عامل على حدة، بل تمتد للكشف عن تأثير التفاعل (Interaction Effect) المتبادل بين العاملين، وهو مفهوم نفسي عميق يعكس كيف أن تأثير أحد المتغيرات المستقلة على المتغير التابع يتغير ويختلف باختلاف مستويات المتغير المستقل الآخر.

يقدم تحليل التباين الثنائي ثلاثة اختبارات إحصائية لقيمة $F$ في تحليل واحد متكامل:

1. التأثير الرئيسي للعامل الأول (Main Effect of Factor A): كأن نفحص أثر “نوع التدخل العلاجي” (معرفي سلوكي، دوائي، ضابط) على درجات الاكتئاب بغض النظر عن جنس المريض.
2. التأثير الرئيسي للعامل الثاني (Main Effect of Factor B): كأن نفحص أثر “النوع الاجتماعي” (ذكور، إناث) على درجات الاكتئاب بغض النظر عن نوع التدخل العلاجي.
3. تأثير التفاعل المشترك ($A \times B$ Interaction Effect): ويفحص ما إذا كان العلاج المعرفي السلوكي أكثر فاعلية للإناث بينما العلاج الدوائي أكثر فاعلية للذكور. في حال ثبوت دلالة التفاعل إحصائياً، تصبح التأثيرات الرئيسية مضللة بمفردها، ويتعين على الباحث تحليل ما يُعرف بـ التأثيرات البسيطة (Simple Main Effects) لتفسير المشهد السلوكي المعقد بدقة وموضوعية.

5.3 تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)

يُستخدم تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA / Within-Subjects ANOVA) عندما يتم قياس المتغير التابع الكمي لدى نفس العينة من المشاركين عبر نقاط زمنية متعددة (مثل: قبل العلاج، بعد العلاج مباشرة، في مرحلة المتابعة بعد 6 أشهر)، أو تحت ظروف تجريبية متتابعة يخضع لها جميع أفراد العينة. يماثل هذا الاختبار منطق اختبار “ت” للعينات المترابطة، ولكنه يمتد ليشمل ثلاثة قياسات متكررة أو أكثر.

تتمثل الميزة الاستثنائية لهذا التصميم في قدرته الفائقة على عزل واستبعاد الفروق الفردية الأساسية بين المشاركين (Inter-individual Variability) من حد التباين الخطأ ($SS_{\text{error}}$). ونظراً لأن كل مفحوص يعمل كضابط لنفسه عبر مراحل التجربة، فإن هذا يؤدي إلى تقليص هائل في تباين الخطأ العشوائي، مما يرفع القوة الإحصائية للاختبار ويتيح اكتشاف التأثيرات التجريبية الدقيقة حتى مع عينات أصغر حجماً.

ومع ذلك، يفرض هذا الاختبار شرطاً إحصائياً صارماً إضافياً يُعرف بـ شرط الكروية (Sphericity)، والذي ينص على تساوي تباينات الفروق بين جميع الأزواج الممكنة من القياسات المتكررة. يتم التحقق من هذا الشرط عبر اختبار موشلي للكروية (Mauchly’s Test of Sphericity)؛ وإذا تبين انتهاك هذا الافتراض ($p < 0.05$)، يلزم الباحث بتطبيق تصحيحات رياضية لدرجات الحرية لتقليل التضخم في قيمة $F$ ومعدل الخطأ من النوع الأول، ومن أشهر هذه التعديلات المعتمدة عالمياً تصحيح جرينهاوس-جايسر (Greenhouse-Geisser Correction) وتصحيح هوينه-فيلدت (Huynh-Feldt Correction).

6. الفروق الجوهرية بين اختبار مربع كاي وتحليل التباين (ANOVA)

6.1 مستويات القياس وطبيعة المتغيرات المدروسة

يمثل مستوى قياس المتغيرات (Level of Measurement) وفق تصنيف ستيفنز الشهير (Stevens’ Typology) الخط الفاصل الأكثر حسماً بين اختبار مربع كاي وتحليل التباين. يقتصر اختبار مربع كاي بطبيعته البنائية على التعامل مع متغيرات وصفية فئوية (Categorical/Nominal) أو رتبية (Ordinal) في كلا الجانبين؛ فالمعطيات الداخلة في الحساب ليست درجات كمية بل هي أعداد وتكرارات الحالات التي تندرج تحت فئات محددة ومنفصلة تماماً (Mutually Exclusive Categories).

في الطرف المقابل، يفرض تحليل التباين بنية بيانات مزدوجة وصارمة: يجب أن يكون المتغير التابع (Dependent Variable) متغيراً كمياً مقاساً على مستوى فتري متصل (Interval Scale) أو نسبي (Ratio Scale) يمتلك وحدات قياس متساوية ومعنى رياضياً حقيقياً للمتوسطات والانحرافات المعيارية (مثل: درجات الذكاء، زمن الرجع بالمللي ثانية، مستويات الكورتيزول في الدم، الدرجات على مقاييس الشخصية المقننة). أما المتغير المستقل (Independent Variable) في ANOVA فيجب أن يكون عاملاً فئوياً تصنيفياً (مجموعات تجريبية أو ضابطة أو تصنيفات ديموغرافية).

من الأخطاء المنهجية الفادحة التي يقع فيها بعض الباحثين ما يُعرف بـ التصنيف المصطنع للمتغيرات المستمرة (Dichotomization / Categorization of Continuous Variables)؛ كأن يقوم باحث بقياس درجات الاكتئاب كمياً على مقياس بيك (BDI-II)، ثم يعمد إلى تقسيم المشاركين عشوائياً عند نقطة المنتصف (Median Split) إلى فئتين: “مرتفعو الاكتئاب” و”منخفضو الاكتئاب”، ليجري بعد ذلك اختبار مربع كاي بدلاً من استخدام تحليل التباين أو الانحدار. تشير الأدبيات الإحصائية الصارمة، لا سيما دراسات مكالوم وزملائه (MacCallum et al., 2002)، إلى أن هذا التحويل التعسفي يؤدي إلى فقدان هائل في التباين الأصيل للبيانات، ويخفض القوة الإحصائية بنسبة قد تصل إلى الثلث، كما قد يخلق علاقات وهمية مضللة لا وجود لها في الواقع.

6.2 طبيعة السؤال البحثي والهدف من التحليل

تختلف الأسئلة البحثية التي يجيب عنها كل اختبار اختلافاً جذرياً ينبع من فلسفة القياس الإحصائي المتبعة. يتمحور السؤال الجوهري في اختبار مربع كاي حول: “هل يرتبط توزيع النسب والتكرارات في متغير تصنيفي معين بنسب متغير تصنيفي آخر؟” أو “هل يختلف توزيع التكرارات المشاهدة في الواقع عن النمط النظري المتوقع؟”. إن التركيز هنا ينصب كلياً على فحص الاقتران والارتباط والاحتمال الشرطي بين التصنيفات الكيفية، وتلخص النتائج دائماً في جداول اقتران تعكس النسب المئوية والتكرارات المطلقة.

على النقيض من ذلك، يتمحور السؤال المركزي في تحليل التباين (ANOVA) حول: “هل توجد فروق ذات دلالة إحصائية بين المتوسطات الحسابية لعدة مجموعات سكانية؟” و”هل تؤدي المعالجات التجريبية المتمايزة إلى تغيير حقيقي في متوسط الأداء السلوكي أو النفسي؟”. يتعامل ANOVA مع مقاييس النزعة المركزية والتشتت الداخلي، ويسعى إلى عزل تأثير العوامل التجريبية عن تباين الخطأ العشوائي، وتلخص مخرجاته في جداول مقارنة المتوسطات، والأخطاء المعيارية، وفترات الثقة (Confidence Intervals).

يوضح الجدول المقارن التالي الفروق الهيكلية المباشرة بين مخرجات كلا الاختبارين وطبيعة المعالجة الإحصائية لكل منهما:

وجه المقارنة	اختبار مربع كاي ($\chi^2$)	تحليل التباين (ANOVA)
طبيعة المتغير التابع	فئوي اسمي أو رتبي (تكرارات وتصنيفات)	كمي متصل (فتري أو نسبي)
طبيعة المتغير المستقل	فئوي اسمي أو رتبي	فئوي تصنيفي (مستويان أو أكثر)
الوحدة الإحصائية الأساسية	تكرارات الخلايا والنسب الاحتمالية	المتوسطات الحسابية والتباينات
التصنيف العام للاختبار	لامعلمي (Non-parametric) حر التوزيع	معلمي (Parametric) مقيد بافتراضات
الإحصاء الاختباري الرئيسي	إحصاء $\chi^2$ (Chi-Square Statistic)	نسبة فـ ($F\text{-ratio}$) لفيشر
مقاييس حجم الأثر الشائعة	معامل فاي ($phi$)، في لكرامر ($V$)، نسبة الأرجحية ($OR$)	إيتا مربعة ($\eta^2$)، إيتا مربعة الجزئية ($\eta_p^2$)، أوميغا مربعة ($\omega^2$)

6.3 المعاملات الإحصائية وحجم الأثر (Effect Size)

لم يعد الإبلاغ عن القيمة الاحتمالية الدالة ($p < 0.05$) كافياً في الأبحاث النفسية المعاصرة وفق أدلة النشر الصادرة عن APA؛ إذ إن القيمة الاحتمالية تتأثر تأثراً شديداً بحجم العينة ($N$). فمع عينة ضخمة جداً، يمكن لأي فرق تافه لا يحمل أي قيمة إكلينيكية أو عملية أن يكتسب دلالة إحصائية زائفة. من هنا يبرز دور حجم الأثر (Effect Size) كمؤشر كمي موضوعي يقيس قوة العلاقة أو مقدار التباين المفسر بمعزل تام عن حجم العينة.

في اختبار مربع كاي، تعتمد مقاييس حجم الأثر على أبعاد جدول الاقتران المستخدم:

• معامل فاي ($phi$ – Phi Coefficient): يُستخدم حصرياً في جداول الاقتران الرباعية ($2 \times 2$)، ويماثل في تفسيره معامل ارتباط بيرسون، حيث يتراوح بين 0 و1 (أو -1 إلى +1).
• معامل V لكرامر (Cramér’s $V$): يُعد المقياس القياسي الأعم لجداول الاقتران الأكبر من ($2 \times 2$)، كالجداول ذات الأبعاد ($3 \times 3$) أو ($2 \times 4$). يُحسب بالمعادلة:
  $$V = \sqrt{\frac{\chi^2}{N \times \min(r – 1, c – 1)}}$$
  وتُفسر قيمه بالاستناد إلى درجات الحرية الصغرى في الجدول وفق معايير جاكوب كوهين (Jacob Cohen).
• نسبة الأرجحية (Odds Ratio – $OR$): مقياس وبائي وعيادي فائق الأهمية في جداول ($2 \times 2$) يوضح مضاعفات احتمالية حدوث ظاهرة معينة (كالانتكاسة النفسية) لدى مجموعة معرضة مقارنة بمجموعة غير معرضة.

في المقابل، يعتمد تحليل التباين (ANOVA) على مقاييس تجزئة التباين المفسر:

• إيتا مربعة ($\eta^2$ – Eta Squared): تمثل النسبة المئوية من التباين الكلي في المتغير التابع التي يفسرها المتغير المستقل، وتُحسب بقسمة مجموع مربعات التأثير على المجموع الكلي للمربعات ($SS_{\text{effect}} / SS_{\text{total}}$). تشير القيم 0.01 و0.06 و0.14 إلى آثار صغيرة ومتوسطة وكبيرة على التوالي.
• إيتا مربعة الجزئية ($\eta_p^2$ – Partial Eta Squared): هي المقياس الافتراضي في حزم مثل SPSS للتصاميم العاملية، حيث تقيس نسبة التباين المفسر بواسطة عامل معين بعد استبعاد تباين العوامل الأخرى ($SS_{\text{effect}} / [SS_{\text{effect}} + SS_{\text{error}}]$).
• أوميغا مربعة ($\omega^2$ – Omega Squared): مقياس أكثر تحفظاً ودقة من إيتا مربعة؛ لأنه يقدم تقديراً غير منحاز لحجم الأثر في المجتمع الإحصائي عبر تصحيح خطأ المعاينة، ويُوصى به بشدة في العينات الصغيرة.

7. الافتراضات الإحصائية والشروط المسبقة لكل اختبار

7.1 شروط وافتراضات اختبار مربع كاي

على الرغم من تصنيف اختبار مربع كاي كاختبار لا معلمي يتمتع بمرونة عالية، إلا أن تطبيقه السليم يستوجب استيفاء مجموعة من الشروط الرياضية والمنهجية الصارمة لضمان موثوقية النتائج وتجنب التقديرات الاحتمالية المشوهة:

1. استقلالية المشاهدات (Independence of Observations): يجب أن يسهم كل مفحوص في العينة بمشاهدة واحدة فقط تقع في خلية واحدة لا غير داخل جدول الاقتران. لا يجوز إطلاقاً استخدام اختبار مربع كاي لبيانات القياسات القبلية والبعدية لنفس الأفراد، أو لبيانات تتضمن استجابات متعددة لنفس المشارك؛ حيث يؤدي انتهاك هذا الشرط إلى تدمير البنية الاحتمالية للاختبار بالكامل. (في حالات القياسات المتكررة للبيانات الفئوية الثنائية، يكون البديل المعتمد هو اختبار ماكنيمار McNemar’s Test).
2. حجم التكرارات المتوقعة (Expected Cell Frequencies – معيار كوتكران): استناداً إلى إرشادات الإحصائي ويليام كوتكران (William Cochran)، يجب ألا يقل التكرار المتوقع ($E$) في أي خلية عن 1، كما يجب ألا يقل التكرار المتوقع عن 5 في أكثر من 20% من خلايا جدول الاقتران. في الجداول الصغيرة ($2 \times 2$)، يعني هذا عملياً ضرورة ألا يقل التكرار المتوقع في جميع الخلايا الأربع عن 5 على الإطلاق.
3. البيانات في صورة تكرارات خام (Raw Counts): يجب أن تُدخل البيانات في صورة تكرارات عددية فعلية للمشاركين، ولا يجوز إطلاقاً إجراء اختبار مربع كاي على نسب مئوية أو متوسطات حسابية أو درجات معيارية محولة.

عند انتهاك شرط حجم التكرارات المتوقعة في جداول ($2 \times 2$) نتيجة صغر حجم العينة أو ندرة حدوث الظاهرة السلوكية المدروسة، يصبح اختبار مربع كاي الكلاسيكي غير صالح، ويبرز اختبار فيشر الدقيق (Fisher’s Exact Test) كبديل رياضي لا معلمي معتمد يستخرج الاحتمال الدقيق لجدول الاقتران مباشرة باستخدام التوزيع الفوق هندسي (Hypergeometric Distribution) دون الحاجة للتقريب عبر توزيع مربع كاي.

7.2 شروط وافتراضات تحليل التباين (ANOVA)

باعتباره نموذجاً معلمياً متقدماً، يقوم تحليل التباين (ANOVA) على منظومة من الافتراضات الرياضية المحورية التي يجب فحصها والتحقق منها تجريبياً قبل الوثوق بقرارات قيمة $F$ الإحصائية:

1. الاعتدالية والتوزيع الطبيعي (Normality): يُفترض أن تتوزع درجات المتغير التابع توزيعاً طبيعياً داخل كل مجموعة من مجموعات المتغير المستقل، أو بصورة أدق أن تتوزع بواقي النموذج (Residuals) توزيعاً طبيعياً. يتم التحقق من هذا الافتراض عبر اختبارات إحصائية متخصصة مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test)، أو اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test)، جنباً إلى جنب مع الفحص البصري للمخططات البيانية مثل مخططات الاحتمال الطبيعي (Q-Q Plots) ومدرجات التكرار (Histograms). يتميز ANOVA بمتانة معتدلة (Robustness) ضد الانحرافات الطفيفة عن التوزيع الطبيعي إذا كانت أحجام المجموعات متساوية وكبيرة نسبياً ($N > 30$ لكل خلية) استناداً لنظرية النهاية المركزية.
2. تجانس التباين (Homogeneity of Variances – Homoscedasticity): يفترض الاختبار أن تكون تباينات المجتمعات التي سُحبت منها المجموعات متساوية ومتجانسة ($\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$). يتم فحص هذا الشرط عبر اختبار ليفين لتجانس التباين (Levene’s Test). إذا كان اختبار ليفين دالاً ($p < 0.05$)، فإن هذا يعني انتهاك التجانس؛ وفي هذه الحالة، إذا كانت أحجام العينات غير متساوية، تصبح قيمة $F$ التقليدية غير موثوقة تماماً. يُعالج هذا الانتهاك باللجوء إلى تعديلات معلمية متينة مثل اختبار ويلش (Welch’s ANOVA) أو اختبار براون-فورسايث (Brown-Forsythe Test).
3. استقلالية المشاهدات (Independence of Observations): يُعد هذا الافتراض الأكثر حساسية وحرجاً على الإطلاق؛ إذ يجب ألا ترتبط درجات أي مشارك بدرجات مشارك آخر في التصاميم بين المجموعات. لا تصحح التعديلات الرياضية انتهاك الاستقلالية الناتج عن أخطاء التصميم التجريبي أو أخذ العينات العنقودية غير المضبوطة.
4. خلو البيانات من القيم المتطرفة الشاذة (Absence of Outliers): تؤثر القيم المتطرفة بشدة على حساب المتوسطات الحسابية ومجموع المربعات، مما قد يؤدي لرفع التباين داخل المجموعات بشكل مصطنع وخفض قيمة $F$.

عند الانتهاك الجسيم والمتزامن لافتراضي الاعتدالية وتجانس التباين، وبخاصة مع العينات الصغيرة وغير المتساوية، يتحول الباحث إلى البديل اللامعلمي المباشر لتحليل التباين الأحادي، وهو اختبار كروسكال-واليس (Kruskal-Wallis H Test)، الذي يعتمد على تحليل الرتب بدلاً من المتوسطات الحسابية الخام.

8. خطوات الحساب والمعادلات الإحصائية وتفسير المخرجات

8.1 تفكيك معادلة مربع كاي وتفسير المخرجات

يقوم الحساب اليدوي والبرمجي لاختبار مربع كاي على معادلة بيرسون الكلاسيكية المباشرة، والتي تجمع الانحرافات النسبية المربعة عبر جميع خلايا الجدول:

$$\chi^2 = \sum \frac{(O – E)^2}{E}$$

حيث يمثل $O$ التكرار الملاحظ الفعلي في كل خلية، ويمثل $E$ التكرار المتوقع المقابل لنفس الخلية. يتضح من بنية المعادلة أن طرح المتوقع من الملاحظ ($O – E$) يقيس حجم الفجوة بين الواقع والنظرية؛ وتربيع هذا الفرق ($(O – E)^2$) يمنع إلغاء الفروق الموجبة والسالبة لبعضها البعض ويمنح وزناً أكبر للانحرافات الكبرى؛ ثم تتم القسمة على $E$ لمعايرة هذا الانحراف بالنسبة لحجم التكرار المتوقع أصلاً في تلك الخلية.

لحساب درجات الحرية في جداول الاقتران ثنائية الأبعاد، تُطبق الصيغة $df = (r – 1)(c – 1)$. عند استخراج المخرجات من البرمجيات الإحصائية المتقدمة مثل SPSS أو بيئة R الإحصائية، يظهر جدول مربع كاي عدة صفوف، أبرزها:

• Pearson Chi-Square: وهو السطر الأساسي الذي يحتوي على قيمة الإحصاء، ودرجات الحرية، ومستوى الدلالة المقاربة ذي الاتجاهين (Asymptotic Significance 2-sided). إذا كانت القيمة الاحتمالية أقل من $0.05$، يُرفض فرض العدم.
• Continuity Correction (تصحيح ييتس للاستمرارية): يظهر في جداول ($2 \times 2$) ويقوم بطرح $0.5$ من الفروق المطلقة قبل التربيع لتقليل التقدير المفرط للدلالة في العينات الصغيرة.
• Likelihood Ratio: بديل إحصائي لمربع كاي يعتمد على نسب الإمكانية، ويستخدم بكثرة في نماذج الانحدار اللوجستي والنماذج اللوغاريتمية الخطية (Log-linear Models).

8.2 تفكيك جدول تحليل التباين وحساب نسبة F

تعتمد المعالجة الحسابية لتحليل التباين على ملء جدول تحليل التباين (ANOVA Summary Table)، والذي يمثل قمة التنسيق الهيكلي للبيانات الإحصائية. يبدأ الحساب بحساب ثلاثة مجاميع للمربعات:

• مجموع المربعات الكلي ($SS_{\text{Total}}$): يقيس التشتت الإجمالي لجميع الدرجات حول المتوسط الحسابي العام للعينة الكلية ($\bar{X}_{\text{grand}}$):
  $$SS_{\text{Total}} = \sum (X – \bar{X}_{\text{grand}})^2, \quad df_{\text{Total}} = N – 1$$
• مجموع المربعات بين المجموعات ($SS_{\text{Between}}$): يقيس تشتت متوسطات المجموعات التجريبية حول المتوسط العام موزوناً بحجم كل مجموعة ($n_j$):
  $$SS_{\text{Between}} = \sum n_j (\bar{X}_j – \bar{X}_{\text{grand}})^2, \quad df_{\text{Between}} = k – 1$$
• مجموع المربعات داخل المجموعات ($SS_{\text{Within}}$ أو $SS_{\text{Error}}$): يقيس التشتت العشوائي للدرجات الفردية حول متوسط مجموعتها الخاصة:
  $$SS_{\text{Within}} = \sum (X – \bar{X}_j)^2, \quad df_{\text{Within}} = N – k$$

تتحقق العلاقة الجمعية الصارمة: $SS_{\text{Total}} = SS_{\text{Between}} + SS_{\text{Within}}$ وكذلك $df_{\text{Total}} = df_{\text{Between}} + df_{\text{Within}}$. بعد استخراج مجموع المربعات، يُحسب متوسط المربعات (Mean Square – $MS$) بقسمة كل مجموع مربعات على درجات الحرية الخاصة به:

$$MS_{\text{Between}} = \frac{SS_{\text{Between}}}{k – 1}, \quad MS_{\text{Within}} = \frac{SS_{\text{Within}}}{N – k}$$

أخيراً، تُستخرج قيمة نسبة فيشر: $F = \frac{MS_{\text{Between}}}{MS_{\text{Within}}}$. تُقارن هذه القيمة بالتوزيع النظري لـ $F$ عند درجات حرية البسط ($k – 1$) والمقام ($N – k$) لاستخراج القيمة الاحتمالية ($p\text{-value}$)، والتي يُبنى عليها قرار رفض أو قبول الفرضية الصفرية.

9. دراسات حالة وأمثلة تطبيقية في علم النفس

9.1 حالة تطبيقية لمربع كاي: العلاقة بين الاضطراب النفسي ونمط التدخل العلاجي

لنفترض أن فريقاً من الباحثين في علم النفس الإكلينيكي أراد فحص ما إذا كان هناك ارتباط دال إحصائياً بين نوع الاضطراب النفسي التشخيصي (اكتئاب رئيسي، قلق عام، وسواس قهري) ونمط التدخل العلاجي المفضل لدى المريض (علاج معرفي سلوكي CBT، علاج بالقبول والالتزام ACT، علاج دوائي فقط). تم جمع بيانات من عينة عشوائية مؤلفة من $N = 300$ مريض موزعين عبر العيادات النفسية.

تم تفريغ البيانات في جدول اقتران ذي أبعاد ($3 \times 3$). كانت التكرارات الملاحظة ($O$) كما يلي:
من بين 100 مريض بالاكتئاب: اختار 40 CBT، واختار 30 ACT، واختار 30 العلاج الدوائي.
من بين 100 مريض بالقلق العام: اختار 50 CBT، واختار 35 ACT، واختار 15 العلاج الدوائي.
من بين 100 مريض بالوسواس القهري: اختار 30 CBT، واختار 20 ACT، واختار 50 العلاج الدوائي.

بحساب المجاميع الهامشية: بلغ مجموع مستخدمي CBT الكلي 120، ومجموع ACT الكلي 85، ومجموع الدوائي 95. تم حساب التكرارات المتوقعة ($E$) لكل خلية عبر ضرب مجموع الصف في مجموع العمود وقسمته على 300. على سبيل المثال، التكرار المتوقع لخلية (اكتئاب $\times$ CBT) هو $(100 \times 120) / 300 = 40$. وبالمثل تم استخراج كافة التكرارات المتوقعة لجميع الخلايا التسع، وتبين أن جميعها تفوق 5 بكثير، مما يؤكد استيفاء شروط كوتكران.

بتطبيق معادلة بيرسون $\sum \frac{(O-E)^2}{E}$، بلغت قيمة مربع كاي المحسوبة $\chi^2 = 31.42$. درجات الحرية تُحسب كالتالي: $df = (3 – 1)(3 – 1) = 2 \times 2 = 4$. بالرجوع إلى الجداول الإحصائية عند مستوى دلالة $\alpha = 0.05$ و $df = 4$، وُجد أن القيمة الحرجة هي $9.488$. وبما أن القيمة المحسوبة ($31.42$) تتجاوز بكثير القيمة الحرجة ($p < 0.001$)، نرفض الفرضية الصفرية ونستنتج وجود علاقة اقترانية ذات دلالة إحصائية عالية بين التشخيص الإكلينيكي ونمط العلاج المفضل. وبلغ حجم الأثر (كرامر $V$) ما قيمته $V = \sqrt{31.42 / (300 \times 2)} = 0.229$، مما يشير إلى أثر اقتراني متوسط القوة. وفق دليل النشر الأكاديمي لجمعية علم النفس الأمريكية (APA 7th)، يُوثق هذا الاستنتاج بالشكل التالي:

“أظهر اختبار مربع كاي للاستقلالية وجود علاقة ارتباطية ذات دلالة إحصائية بين نوع الاضطراب التشخيصي ونمط التدخل العلاجي المفضل لدى المرضى، $\chi^2(4, N = 300) = 31.42, p < .001, V = .23$."

9.2 حالة تطبيقية لتحليل التباين: فاعلية ثلاثة برامج تدريبية في خفض الضغط النفسي

في دراسة تجريبية مضبوطة، قام باحث نفسي باختبار فاعلية ثلاثة برامج تدخلية مختلفة في خفض درجات الضغط النفسي المدرك لدى طلبة الدراسات العليا. تم توزيع $N = 45$ طالباً عشوائياً وبأعداد متساوية ($n = 15$ لكل مجموعة) على ثلاثة شروط تجريبية: (1) برنامج اليقظة الذهنية (Mindfulness Based Stress Reduction)، (2) برنامج الاسترخاء العضلي التدريجي (PMR)، (3) مجموعة ضابطة في قائمة الانتظار (Waitlist Control). بعد انتهاء فترة التدخل التي استمرت 8 أسابيع، تم قياس درجات الضغط النفسي عبر مقياس الضغط المدرك (PSS – Perceived Stress Scale)، وهو مقياس متصل تتراوح درجاته بين 0 و40.

أظهرت الإحصاءات الوصفية الأولية النتائج التالية:
مجموعة اليقظة الذهنية: المتوسط الحسابي $M = 14.20$، الانحراف المعياري $SD = 3.10$.
مجموعة الاسترخاء العضلي: المتوسط الحسابي $M = 18.60$، الانحراف المعياري $SD = 3.45$.
المجموعة الضابطة: المتوسط الحسابي $M = 26.80$، الانحراف المعياري $SD = 4.12$.

تم التحقق المسبق من الافتراضات الإحصائية؛ حيث أكد اختبار شابيرو-ويلك اعتدالية التوزيع داخل المجموعات الثلاث ($p > 0.05$)، كما أكد اختبار ليفين تجانس التباين بين المجموعات ($F(2, 42) = 1.12, p = 0.336$). أُجري تحليل التباين الأحادي (One-Way ANOVA)، وأسفرت النتائج الحسابية عن:
مجموع المربعات بين المجموعات $SS_{\text{Between}} = 1243.20$ مع درجات حرية $df = 3 – 1 = 2$، ليصبح متوسط المربعات $MS_{\text{Between}} = 621.60$.
مجموع المربعات داخل المجموعات $SS_{\text{Within}} = 541.80$ مع درجات حرية $df = 45 – 3 = 42$، ليصبح متوسط مربعات الخطأ $MS_{\text{Within}} = 12.90$.
وبقسمة $MS_{\text{Between}}$ على $MS_{\text{Within}}$، بلغت قيمة نسبة فيشر المحسوبة $F(2, 42) = 48.19, p < 0.001$. كما بلغت قيمة حجم الأثر (إيتا مربعة) $\eta^2 = 1243.20 / 1785.00 = 0.696$، وهو حجم أثر هائل يشير إلى أن ما يقارب 70% من التباين في درجات الضغط النفسي يعزى إلى نوع البرنامج التدريبي.

بما أن الاختبار الكلي ($F$) جاء دالاً، تم إجراء اختبار المقارنات البعدية لتوكي (Tukey’s HSD) عند مستوى دلالة $0.05$. كشفت المقارنات أن مجموعة اليقظة الذهنية حققت انخفاضاً دالاً في الضغط مقارنة بالمجموعة الضابطة ($p < .001$)، وانخفاضاً دالاً مقارنة بمجموعة الاسترخاء العضلي ($p = .003$). كما تفوقت مجموعة الاسترخاء العضلي بدلالة إحصائية على المجموعة الضابطة ($p < .001$). يُصاغ تقرير هذه النتائج وفق نمط APA 7th كالتالي:

“أشار تحليل التباين الأحادي إلى وجود فروق ذات دلالة إحصائية جوهرية بين البرامج التدريبية في خفض مستويات الضغط النفسي المدرك، $F(2, 42) = 48.19, p < .001, \eta^2 = .70$. وكشفت مقارنات توكي البعدية أن برنامج اليقظة الذهنية ($M = 14.20, SD = 3.10$) كان الأكثر فاعلية مقارنة بالاسترخاء العضلي ($M = 18.60, SD = 3.45$) والمجموعة الضابطة ($M = 26.80, SD = 4.12$)."

10. الأخطاء الشائعة وسوء الفهم المنهجي لدى الباحثين

10.1 الخلط بين نوع البيانات والاختبار غير الملائم

يقع عدد غير قليل من الباحثين وطلبة الدراسات العليا في أخطاء منهجية متكررة تنبع من القصور في فهم مستويات القياس وعلاقتها بالبنية الرياضية للاختبارات الإحصائية. يتجلى الخطأ الأول في اللجوء المتعسف لتحويل البيانات الرقمية المتصلة إلى فئات كيفية مصطنعة؛ كأن يقيس الباحث زمن الرجع السلوكي بالمللي ثانية، ثم يقوم بتقسيم المفحوصين إلى “سريعي الاستجابة” و”بطيئي الاستجابة” لتطبيق اختبار مربع كاي. هذا الإجراء يهدر التباين الطبيعي الغني للبيانات ويقلل من دقة القياس، مما يؤدي إلى هبوط حاد في القوة الإحصائية وصعوبة اكتشاف الآثار الحقيقية.

على الجانب الآخر، يبرز خطأ شائع ومعاكس يتمثل في التطبيق الأعمى لتحليل التباين (ANOVA) على استجابات مقاييس ليكرت الترتيبية البسيطة (مثل بند مفرد يتدرج من: 1=غير موافق بشدة إلى 5=موافق بشدة) دون التحقق مما إذا كانت هذه الدرجات تشكل مقياساً فئويات متصلاً مستوفياً لشروط التوزيع الطبيعي والتجانس. إن التعامل مع الرتب الترتيبية المنفصلة كأنها متغيرات فترية مستمرة دون فحص التوزيعات يمثل انتهاكاً لافتراضات ANOVA البارامترية، وقد ينتج عنه مخرجات مضللة تماماً حول الفروق بين المجموعات.

10.2 أخطاء التفسير وتجاهل الفروض الإحصائية

تمتد الأخطاء الشائعة لتشمل مرحلة تفسير النتائج وكتابة التقارير العلمية. يكمن الخطأ الأكثر انتشاراً عند تفسير نتائج اختبار مربع كاي للاستقلالية في الخلط بين الارتباط والسببية (Conflating Correlation with Causation)؛ حيث يعمد بعض الباحثين إلى القول بأن “الانتماء للفئة (أ) أدى إلى إحداث الاستجابة (ب)”، متناسين أن مربع كاي يكشف فقط عن وجود اقتران أو اعتماد احتمالي متبادل بين المتغيرات الفئوية دون أن يثبت أي علاقة سببية أحادية الاتجاه ما لم يكن التصميم التجريبي مضبوطاً زمنياً وإجرائياً بصورة صارمة ومحكمة.

وفي سياق تحليل التباين، يتمثل الخلل المنهجي الأبرز في تجاهل فحص افتراض تجانس التباين والاعتماد الكلي والحصري على القيمة الاحتمالية الناتجة عن جدول ANOVA التقليدي. إذا كان تباين المجموعات غير متجانس وأحجام العينات غير متساوية، فإن قيمة $F$ تكون متحيزة تماماً، مما يقتضي استخدام إحصاء ويلش كبديل إلزامي. يضاف إلى ذلك إهمال واسع في الإبلاغ عن مقاييس حجم الأثر الإحصائي ($\eta_p^2, \omega^2, V$)، والاكتفاء بعبارة “دال إحصائياً عند $p < .05$"، وهو ما يتعارض كلياً مع التوجهات المعاصرة للمجلات العلمية المفهرسة الرصينة، والتي تشترط تقديم صورة متكاملة تجمع بين الدلالة الإحصائية والدلالة العملية والعيادية للنتائج.

11. شجرة القرار: كيف تختار بثقة بين اختبار مربع كاي وتحليل التباين؟

11.1 مخطط انسيابي خطوة بخطوة لتحديد الاختبار المناسب

لتيسير اتخاذ القرار المنهجي الصحيح وتوجيه الباحثين نحو الأداة الإحصائية الصائبة، نوضح فيما يلي مساراً انسيابياً منطقياً يتألف من خطوات متسلسلة ودقيقة تمكن الباحث من حسم اختياره الإحصائي بثقة مطلقة:

الخطوة الأولى: فحص وتحديد مستوى قياس المتغير التابع (DV)

• إذا كان المتغير التابع وصفياً فئوياً (اسمي Nominal أو رتبي Ordinal مثل: التشخيص، الجنسية، التفضيل، النجاح/الرسوب): يتجه المسار فوراً وبشكل قاطع نحو اختبارات عائلة مربع كاي ($\chi^2$) أو الاختبارات اللامعلمية المناظرة (مثل فيشر أو ماكنيمار).
• إذا كان المتغير التابع كمياً متصلاً (فتري Interval أو نسبي Ratio مثل: درجات مقياس القلق، درجات الذكاء، التحصيل الأكاديمي، زمن الاستجابة): انتقل إلى الخطوة الثانية.

الخطوة الثانية: تحديد بنية المتغير المستقل (IV) والتصميم التجريبي

• إذا كان المتغير المستقل فئوياً يتضمن مجموعتين فقط (مثل: ذكور مقابل إناث، أو علاج تجريبي مقابل ضابط): يُستخدم اختبار “ت” (t-test).
• إذا كان المتغير المستقل فئوياً يتضمن ثلاث مجموعات أو أكثر: يتجه القرار نحو تحليل التباين (ANOVA)؛ حيث يُستخدم تحليل التباين الأحادي (One-Way) في حال وجود متغير مستقل واحد، أو التحليل العاملي (Factorial ANOVA) في حال وجود متغيرين مستقلين أو أكثر لدراسة التفاعل، أو تحليل القياسات المتكررة (Repeated Measures) إذا كان التصميم داخل نفس العينة عبر الزمن.

الخطوة الثالثة: التحقق من الافتراضات البارامترية

• في مسار ANOVA: إذا كانت البيانات توزع توزيعاً طبيعياً وتتباين تباينات متجانسة، يتم تنفيذ تحليل التباين المعلمي القياسي مع الاختبارات البعدية المناسبة. أما إذا انتهكت افتراضات الاعتدالية والتجانس بشدة، يتم الانتقال إلى البديل اللامعلمي المباشر (اختبار كروسكال-واليس Kruskal-Wallis للتصاميم الأحادية، أو اختبار فريدمان Friedman للتصاميم المتكررة).

11.2 جدول مقارنة سريع وشامل لجميع المعايير الإحصائية

يقدم الجدول المنهجي الشامل أدناه مرجعاً سريعاً ومكثفاً يلخص الفوارق الإجرائية، والمدخلات، والمخرجات، والشروط، والبرمجيات المتخصصة المعتمدة لتنفيذ كلا الاختبارين بأعلى درجات الدقة:

المعيار الإحصائي	اختبار مربع كاي ($\chi^2$)	تحليل التباين (ANOVA)
طبيعة الفرضية الأساسية	استقلال المتغيرات الفئوية أو حسن مطابقة التوزيع	تساوي المتوسطات الحسابية لعدة مجموعات
طبيعة مدخلات البيانات	تكرارات الحالات داخل الخلايا (Frequencies/Counts)	درجات عددية مستمرة لكل مشارك عبر المجموعات
أبرز الافتراضات المسبقة	استقلالية المشاهدات، وتكرار متوقع $ge 5$ في أغلب الخلايا	التوزيع الطبيعي، تجانس التباين، استقلالية البواقي
البدائل اللامعلمية عند انتهاك الشروط	اختبار فيشر الدقيق (Fisher’s Exact)، اختبار ماكنيمار	اختبار كروسكال-واليس (Kruskal-Wallis)، اختبار فريدمان
المعالجة البعدية بعد الدلالة	تحليل البواقي المعيارية المعدلة (Adjusted Standardized Residuals)	اختبارات توكي (Tukey HSD)، بونفيروني، شيفيه، دانيت
التنفيذ عبر البرمجيات الإحصائية	SPSS (Crosstabs / Chi-square) R (chisq.test()) Python (scipy.stats.chi2_contingency) Jamovi (Frequencies – Contingency Tables)	SPSS (Compare Means – One-Way / General Linear Model) R (aov() / anova_test()) Python (statsmodels.api.formula.ols) Jamovi (ANOVA – One-Way / Repeated Measures)

12. خلاصة وتوصيات منهجية للباحث النفسي

12.1 أهمية التخطيط الإحصائي القبلي للبحث النفسي

إن الركيزة الحقيقية للبحث العلمي الرصين لا تبدأ بعد جمع البيانات وتفريغها في الحزم البرمجية، بل تتأسس في مرحلة التصميم والتخطيط القبلي للبحث. يجب على الباحث النفسي والسلوكي أن يحدد مسبقاً نوع النماذج الإحصائية التي سيستخدمها لاختبار فرضياته قبل النزول إلى الميدان، مع إيلاء عناية فائقة لـ تحليل القوة الإحصائية القبلية (A Priori Power Analysis) باستخدام برمجيات متخصصة ورائدة مثل برنامج G*Power. يتيح هذا التحليل تحديد حجم العينة الأدنى المطلوب لاكتشاف حجم أثر مفترض بدقة معينة ومستوى خطأ ألفا محدد سلفاً، مما يجنب الدراسة خطر الوقوع في فخ العينات غير الكافية إحصائياً.

كما يُوصى الباحثون بتسجيل بروتوكولاتهم المنهجية والإحصائية مسبقاً (Preregistration) عبر منصات العلوم المفتوحة مثل Open Science Framework (OSF)؛ حيث يوثق الباحث فرضياته، ومعايير استبعاد البيانات الشاذة، وخططه التحليلية المعتمدة لاختبارات مربع كاي أو تحليل التباين، مما يقضي تماماً على ممارسات التحيز الاستكشافي غير المعلن مثل ظاهرة التصيد الإحصائي أو ما يُعرف بـ (p-hacking / HARKing)، ويعزز مصداقية الاستنتاجات العلمية المنشورة.

12.2 الاتجاهات الحديثة في الإحصاء السلوكي والنفسي

تشهد الممارسة الإحصائية في العلوم النفسية تحولاً منهجياً عميقاً نحو تبني الإحصاء البايزي (Bayesian Statistics) كمنظور تكميلي متقدم يثري النماذج الكلاسيكية التقليدية المتكررة (Frequentist Statistics). في إطار هذا التحول، لم يعد الباحثون يكتفون بمجرد رفض الفرضية الصفرية عبر قيمة $p$-value في اختبارات مربع كاي أو تحليل التباين، بل يدمجون معها حساب عامل بايز (Bayes Factor – $BF_{10}$ / $BF_{01}$)، والذي يقدم دليلاً كمياً مباشراً يقارن قوة دعم البيانات المرصودة للفرضية البديلة مقابل الفرضية الصفرية، مما يتيح التمييز العلمي الحاسم بين “غياب الأثر التجريبي” و”عدم حساسية البيانات والقصور في كشفه”.

تتكامل هذه الاتجاهات مع الدعوة المتزايدة لاستخدام البرمجيات الإحصائية المفتوحة والمجانية مثل لغة البرمجة R، وبيئة Jamovi، وبرنامج JASP، والتي تدعم الشفافية، ومشاركة الشيفرات البرمجية وقواعد البيانات الخام، والتوثيق التفاعلي للنتائج. إن تبني هذه المعايير الحديثة يضمن للباحث النفسي المعاصر ليس فقط الإتقان التقني للفروق بين اختبار مربع كاي وتحليل التباين، بل والارتقاء بأبحاثه لتنافس وتستقر في أرقى المنصات والمجلات العلمية العالمية المحكمة.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19–40. https://doi.org/10.1037/1082-989X.7.1.19
• Mauchly, J. W. (1940). Significance test for sphericity of a normal $n$-variate distribution. The Annals of Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731909
• Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.