مقارنة اختبارات الفرضيات للبيانات المستمرة والثنائية والعددية

تُعد عملية اختبار الفرضيات الإحصائية العمود الفقري للبحث العلمي الرصين في ميدان العلوم النفسية والسلوكية؛ إذ تمثل الجسر المنهجي والرياضي الذي ينقل الباحث من حيز الملاحظات العينية المحدودة إلى فضاء التعميمات المعرفية الدقيقة على مجتمع الظاهرة المدروسة. غير أن المشهد البحثي المعاصر يشهد تحديات إبستمولوجية ومنهجية بالغة التعقيد، تنبع في كثير من الأحيان من سوء تصنيف البيانات المقاسة أو تغييب الخصائص الرياضية الكامنة وراء كل متغير سلوكي، مما يقود بالضرورة إلى تطبيق نماذج اختبارية لا تتوافق بنيوياً مع طبيعة الظاهرة، فتخرج الاستنتاجات العلمية محملة بأخطاء استدلالية قد تعصف بمصداقية النتائج وتطبيقاتها الإكلينيكية والتربوية.

يتناول هذا المقال التأسيسي الشامل مقارنة نقدية ورياضية ومنهجية معمقة بين اختبارات الفرضيات المخصصة للبيانات المستمرة (Continuous Data)، والبيانات الثنائية (Binary Data)، وبيانات العد والتكرار (Count Data). وتكمن الغاية الأساسية في تقديم مرجع تحليلي متكامل يرشد الأكاديميين وعلماء النفس والباحثين السلوكيين إلى استيعاب الفروق الجوهرية بين التوزيعات الاحتمالية الحاكمة لكل نمط بياني، وفهم الشروط المنهجية والافتراضات القبلية التي لا غنى عنها لاختيار الاختبار الإحصائي الأمثل؛ سواء أكان ذلك ضمن النماذج المعلمية الكلاسيكية، أو البدائل اللامعلمية الرتبية، أو أطر النمذجة الخطية المعممة الحديثة.

من خلال استعراض البنية الرياضية، ومؤشرات حجم الأثر، وآليات فحص الافتراضات وتشخيصها، إلى جانب تحليل منزلقات التحليل الإحصائي الشائعة، يضع هذا الدليل بين يدي القارئ خارطة طريق استدلالية متينة مدعومة بأمثلة تطبيقية واقعية وأطر معيارية لصياغة التقارير وفق أحدث توجيهات جمعية علم النفس الأمريكية (APA 7th)، بما يضمن الارتقاء بجودة البحوث التجريبية والإكلينيكية وتعزيز قدرتها التكرارية والتفسيرية.

1. الأسس المنهجية لاختبار الفرضيات في العلوم النفسية والسلوكية

1.1 مفهوم الفرضية الإحصائية وأهداف الاستدلال النفسي

تقوم الفلسفة الكامنة وراء الاستدلال الإحصائي في الأبحاث السلوكية على المفاضلة الصارمة بين فرضيتين متنافستين: الفرضية الصفرية (Null Hypothesis – $H_0$) والفرضية البديلة (Alternative Hypothesis – $H_1$). تُجسد الفرضية الصفرية الموقف الإبستمولوجي القائل بعدم وجود تأثير، أو انعدام الفروق، أو غياب الارتباط بين المتغيرات المقاسة في المجتمع الأصلي، معتبرة أن أي تباين ظاهر في بيانات العينة لا يعدو كونه وليد خطأ المعاينة العشوائي (Sampling Error). في المقابل، تُعبر الفرضية البديلة عن التوقع النظري للباحث بوجود أثر تجريبي حقيقي أو تباين جوهري يتجاوز حدود الصدفة الإحصائية.

يتجلى الهدف الأسمى للاستدلال الإحصائي في تمكين الباحث من تجاوز حدود القياسات المحدودة والمقيدة للعينة البحثية، وبناء تقديرات احتمالية موضوعية حول المعالم الحقيقية لمجتمع الظاهرة النفسية. لا يمكن تحقيق هذا الانتقال الاستدلالي دون إرساء معايير رياضية دقيقة لضبط احتمالات الخطأ، وفي مقدمتها مستوى الدلالة الإحصائية ($\alpha$)، الذي يحدد سلفاً عتبة الرفض للفرضية الصفرية، والتي تُضبط تقليدياً في الدراسات النفسية عند مستوى $0.05$ أو $0.01$. يمثل هذا المستوى الحد الأقصى المقبول لاحتمالية رفض الفرضية الصفرية في حال كانت صحيحة واقعياً، ويرتبط ارتباطاً وثيقاً بمستوى الثقة ($1 – alpha$) وحدود الخطأ المعياري (Standard Error) للتقديرات الإحصائية.

إن الخطوة التأسيسية التي تسبق صياغة أي نموذج استدلالي وتحدد مساره بالكامل تتمثل في التحديد الدقيق لنوعية البيانات ومتغيرات الدراسة؛ إذ إن محاولة اختبار فرضية حول توسط مجتمع درجات القلق تختلف اختلافاً جذرياً في بنيتها الرياضية وتوزيعها العيني عن اختبار فرضيات النسب الثنائية للانتكاس الإكلينيكي أو تكرارات السلوك النمطي المتكرر، مما يجعل الوعي بطبيعة البيانات شرطاً مسبقاً لصحة الاستدلال العلمي.

1.2 أنواع الأخطاء الإحصائية وتأثيرها على القرار السلوكي

ينطوي اتخاذ القرار الإحصائي في البيئات الإكلينيكية والسلوكية على مخاطرة بنيوية تتمثل في الوقوع في أحد نمطين من الأخطاء: الخطأ من النوع الأول (Type I Error – $\alpha$) والخطأ من النوع الثاني (Type II Error – $\beta$). يقع الخطأ من النوع الأول عندما يرفض الباحث الفرضية الصفرية وهي في الواقع صحيحة في مجتمع الدراسة، وهو ما يُعرف بـ “الإيجابية الكاذبة” (False Positive). تنعكس التبعات العلمية لهذا الخطأ بصورة كارثية على تراكم المعرفة النفسية؛ حيث يؤدي إلى تبني وتعميم تدخلات علاجية أو نظريات نفسية غير فعالة في الواقع، مما يهدر الموارد البحثية ويضلل الممارسات الإكلينيكية والتطبيقات المجتمعية.

على الجانب الآخر، يقع الخطأ من النوع الثاني (Type II Error) عندما يفشل الباحث في رفض الفرضية الصفرية غير الصحيحة، وهو ما يُطلق عليه “السلبية الكاذبة” (False Negative). تبرز خطورة هذا النمط في البيئات النفسية الإكلينيكية والتشخيصية عندما يتم التغاضي عن فاعلية علاج نفسي واعد أو إغفال وجود مؤشرات خطر سلوكية حقيقية ذات أهمية سريرية فارقة، نتيجة لضعف حساسية الاختبار أو قلة عدد أفراد العينة.

ترتبط هذه الأخطاء بعلاقة رياضية تبادلية تحكمها القوة الإحصائية (Statistical Power – $1 – beta$)، وهي احتمالية رصد الأثر التجريبي الحقيقي بنجاح عندما يكون موجوداً بالفعل في المجتمع. إن خفض احتمالية الخطأ من النوع الأول عبر تشديد مستوى الدلالة (كالانتقال من$alpha = 0.05$ إلى $\alpha = 0.001$) يقود حتماً، مع ثبات بقية العوامل، إلى تضخيم احتمالية الخطأ من النوع الثاني وتقليص القوة الإحصائية. لذلك، يتعين على الباحث الرصين انتهاج استراتيجيات متقدمة للموازنة بين هذه الأخطاء، من خلال حساب حجم العينة الأمثل قبلياً، وضبط دقة أدوات القياس السيكومتري لتقليل التباين الخطئي، واختيار النموذج الاختباري الأكثر كفاءة وملاءمة للبنية الرياضية للمتغيرات.

2. التصنيف الرياضي للمتغيرات: المستمرة، الثنائية، والعددية

2.1 طبيعة المتغيرات المستمرة في القياس النفسي

تُعرف المتغيرات المستمرة (Continuous Data) بأنها تلك المتغيرات التي يمكن أن تتخذ أي قيمة عددية ضمن فترة زمنية أو مجال محدد، وتتميز بقابليتها اللانهائية للتقسيم والتجزئة الرياضية الدقيقة. تصنف هذه المتغيرات سيكومترياً إما ضمن مقاييس المسافة (Interval Scales)، التي تتميز بوجود وحدات قياس متساوية ولكن بدون صفر مطلق (مثل درجات اختبارات الذكاء المعيارية ودرجات مقاييس القلق والاكتئاب المقننة)، أو ضمن مقاييس النسبة (Ratio Scales) التي تمتلك صفراً حقيقياً مطلقاً يعبر عن الانعدام التام للخاصية (مثل زمن الرجع بالمللي ثانية ومعدل الاستجابة الجلدية الجلفانية).

من الناحية النظرية الرياضية، يُفترض أن تخضع المتغيرات المستمرة لتوزيعات احتمالية مستمرة، وفي طليعتها التوزيع الطبيعي الغوسي (Gaussian Normal Distribution)، الذي يتميز بتماثله التام حول المتوسط الحسابي وتطابق مقاييس نزعته المركزية (المتوسط، الوسيط، المنوال). وتلعب دالة الكثافة الاحتمالية (Probability Density Function) الدور الرئيس في حساب احتمالات وقوع المشاهدات ضمن فترات محددة وليس عند نقاط عددية منفصلة.

تكمن الأهمية السيكومترية للدقة اللانهائية النظرية في تدريج استجابات المقاييس النفسية في إتاحة رصد الفروق الفردية الدقيقة للغاية بين المفحوصين، وتحقيق أعلى درجات الحساسية التشخيصية عند تقييم التغيرات الطفيفة الناتجة عن التدخلات العلاجية أو البرامج التدريبية المتقدمة.

2.2 خصائص المتغيرات الثنائية وتطبيقاتها السلوكية

تمثل البيانات الثنائية (Binary Data)، وتسمى أيضاً المتغيرات التفرعية (Dichotomous Data)، حالة خاصة ومحددة جداً من المتغيرات الاسمية التوزيعية، حيث لا يمكن للظاهرة المقاسة أن تتخذ سوى واحدة من حالتين متبادلتين وشاملتين كلياً (Mutually Exclusive and Exhaustive). تتجلى هذه البنية في النماذج السلوكية والإكلينيكية في صور متعددة، مثل: استجابة المفحوص لبند اختباري (نجاح = 1 / فشل = 0)، أو التشخيص الإكلينيكي للحالة (مصاب = 1 / غير مصاب = 0)، أو نتيجة التدخل السلوكي (انتكاس = 1 / تعافٍ = 0).

تخضع المحاكمة الإحصائية للمتغيرات الثنائية الفردية لتوزيع برنولي (Bernoulli Distribution) بمعلمة واحدة تمثل احتمالية النجاح ($p$)، في حين تتبع مجاميع هذه المتغيرات عبر$n$ من المحاولات المستقلة التوزيع ثنائي الحدين (Binomial Distribution)، الذي يتميز بخصائص رياضية ترتبط فيها القيمة المتوقعة ($E(X) = np$) بالتباين ارتباطاً مباشراً ($Var(X) = np(1-p)$).

تختلف مقاييس الاستدلال في هذا السياق عن البيانات المستمرة؛ حيث يرتكز التحليل على قياس النسب المئوية (Proportions)، واحتماليات الحدوث، ومقارنة نسب الأرجحية (Odds Ratios) والمخاطر النسبية (Relative Risks)، وهي أدوات لا تعتمد على حساب المتوسطات المعيارية بالمعنى الكلاسيكي، بل على تفكيك جداول التوافق ونمذجة لوغاريتم الأرجحية (Logit Models).

2.3 المتغيرات العددية وطبيعة التكرارات المتقطعة

تُعرف بيانات العد (Count Data) بأنها متغيرات كمية منفصلة تتخذ قيماً صحيحة غير سالبة ($0, 1, 2, 3, dots, infty$) تعبر عن عدد مرات حدوث سلوك أو حدث نوعي معين داخل فضاء محدد أو خلال نافذة زمنية محكمة. تشمل الأمثلة السلوكية النموذجية: عدد نوبات الهلع المسجلة أسبوعياً، أو تكرار نوبات الغضب الصادرة عن طفل أثناء الحصة الدراسية، أو عدد مرات تردد المريض على العيادة النفسية خلال العام.

لا تخضع بيانات العد بأي حال من الأحوال لافتراضات التوزيع الطبيعي المتصل، نظراً لطبيعتها المتقطعة وانحصارها عند حاجز الصفر الأدنى (Bounded at Zero)، مما يولد التواءً إيجابياً شديداً في توزيعها العيني. يمثل توزيع بواسون (Poisson Distribution) الأساس الرياضي النظري لتحليل هذه البيانات، مستنداً إلى فرضية محورية صارمة وهي التشتت المتساوي (Equidispersion)، والتي تقتضي تطابق المتوسط الحسابي مع التباين ($\mu = \sigma^2 = \lambda$). وفي حال انتهاك هذا الشرط وظهور تباين يفوق المتوسط، يُستدعى توزيع ذي الحدين السالب (Negative Binomial Distribution) كبديل مرن يستوعب التشتت الزائد.

من الضروري إبستمولوجياً ومنهجياً التمييز الجوهري بين بيانات العد الحقيقية المتقطعة وبين المقاييس المستمرة المجمعة والمقاييس الرتيبية (Ordinal Scales)؛ فبيانات العد تعبر عن أحداث حقيقية قابلة للإحصاء المباشر دون فرضية المسافات المتساوية الكامنة وراء التدريج السيكومتري الكلاسيكي.

3. اختبارات الفرضيات للبيانات المستمرة: الاختبارات المعلمية

3.1 اختبارات ت (t-tests) للمقارنات الأحادية والثنائية

تُعد اختبارات “ت” السيكومترية التي صاغها وليام غوست تحت الاسم المستعار “Student” من أكثر الأدوات المعلمية استخداماً لمقارنة المتوسطات الحسابية عندما تكون المتغيرات التابعة مستمرة وموزعة توزيعاً يقترب من الاعتدال. ينقسم هذا النموذج إلى ثلاثة تصاميم أساسية تلبي أسئلة بحثية مختلفة:

• اختبار “ت” لعينة واحدة (One-Sample t-test): يُستخدم لمقارنة متوسط عينة نفسية بقيمة معيارية محددة مسبقاً أو معيار وطني معروف لمقياس ما ($t = \frac{\bar{X} – \mu_0}{s / \sqrt{n}}$).
• اختبار “ت” للعينات المستقلة (Independent Samples t-test): يُطبق لتقييم الفروق بين متوسطي مجموعتين منفصلتين تماماً، مثل المقارنة بين مجموعة تجريبية تخضع لبرنامج علاج معرفي سلوكي ومجموعة ضابطة. وعند انتهاك فرضية تجانس التباين بين المجموعتين، يتم اللجوء إلزامياً إلى تعديل ويلش (Welch’s t-test) الذي يحرر درجات الحرية من قيود التباين المتساوي.
• اختبار “ت” للعينات المترابطة (Paired Samples t-test): يُخصص لتصاميم القياس القبلي والبعدي (Pre-Post Designs) أو تصاميم الأزواج المتناظرة، حيث يتم اختبار دلالة متوسط الفروق الفردية المحسوبة داخل الأفراد أنفسهم ($t = \frac{\bar{D}}{s_D / \sqrt{n}}$).

لا يقتصر التفسير العلمي لقيمة “ت” على مجرد فحص القيمة الاحتمالية ($p$-value)، بل يستلزم تقديم فترات الثقة (Confidence Intervals) لفرق المتوسطات بدقة $95%$، مما يعكس هامش الخطأ المعياري ويوفر تقديراً لحجم الأثر الموضعي في المجتمع الأصلي.

3.2 تحليل التباين الأحادي والمتعدد (ANOVA)

عندما تتسع رقعة التصميم التجريبي لتشمل مقارنة ثلاثة مستويات تجريبية أو مجموعات علاجية فأكثر، يصبح تطبيق اختبارات “ت” المتكررة خطأً منهجياً فادحاً يؤدي إلى التضخم التراكمي للخطأ من النوع الأول. يبرز هنا تحليل التباين الأحادي (One-Way ANOVA) كنموذج استدلالي متين يقوم على تفكيك إجمالي التباين المشاهد إلى مكونين رياضيين: التباين بين المجموعات (Between-Group Variance) العاكس للأثر التجريبي، والتباين داخل المجموعات (Within-Group Variance) العاكس للخطأ العشوائي، ومقارنتهما عبر النسبة الفائية ($F = \frac{MS_{between}}{MS_{within}}$).

يتوسع هذا الإطار ليشمل تحليل التباين العاملي (Factorial ANOVA)، الذي يتيح اختبار فرضيات التأثيرات الرئيسية (Main Effects) لمتغيرين مستقلين أو أكثر بصورة متزامنة، والأهم من ذلك رصد التأثيرات التفاعلية (Interaction Effects) التي تكشف كيف يتغير أثر أحد العلاجات باختلاف مستويات متغير تصنيفي آخر (مثل تفاعل نوع التدخل العلاجي مع شدة الاضطراب النفسي). كما يُطبق تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) في الدراسات الطولية والتتبعية، متطلباً استيفاء شرط كروية التباين (Sphericity) المفحوص باختبار موشلي (Mauchly’s Test)، وتطبيق تصحيحات Greenhouse-Geisser عند انتهاكه.

عقب الحصول على قيمة $F$ دالة إحصائياً، تقتضي المنهجية إجراء الاختبارات البعدية (Post-Hoc Tests) مثل اختبار توكي (Tukey’s HSD) للمقارنات الزوجية الشاملة المضبوطة، أو تعديل بونفيروني (Bonferroni) لتقييد احتمالية ارتكاب الخطأ العائلي عبر الفرضيات المتعددة، مما يحدد بدقة مواضع الفروق الجوهرية بين المجموعات.

3.3 تحليل التغاير (ANCOVA) وضبط المتغيرات الدخيلة

يجمع تحليل التغاير (Analysis of Covariance – ANCOVA) بين مبادئ تحليل التباين والانحدار الخطي المتعدد، ويهدف بالأساس إلى تعزيز القوة الإحصائية للتجربة عبر عزل وضبط التباين المنسوب لمتغير كمي دخيل ومستمر يُعرف بالمتغير المصاحب (Covariate). في التجارب الإكلينيكية، يُعد قياس خط الأساس (Baseline Score) المتغير المصاحب الأبرز؛ حيث يؤدي إدراجه في النموذج إلى تقليص تباين الخطأ المتبقي (Error Variance) داخل المجموعات، مما يزيد من حساسية النسبة الفائية لرصد الفروق الدقيقة بين العلاجات.

يتطلب تطبيق ANCOVA استيفاء فرضية إحصائية حاسمة تتجاوز متطلبات ANOVA التقليدية، وهي فرضية تجانس خطوط الانحدار (Homogeneity of Regression Slopes). تقضي هذه الفرضية بعدم وجود تفاعل دال إحصائياً بين المتغير المستقل التجريبي والمتغير المصاحب؛ أي أن ميل خط الانحدار المتنبئ بالمتغير التابع يجب أن يكون متوازياً ومتطابقاً عبر جميع المجموعات التجريبية. يؤدي خرق هذه الفرضية إلى بطلان الاستدلال، ويستلزم التحول نحو نماذج أكثر تعقيداً مثل تعديل جونسون-نيمان (Johnson-Neyman Technique) أو النمذجة متعددة المستويات.

تتجلى التطبيقات السريرية لتحليل التغاير في ضبط الفروق القبلية غير المتكافئة طبيعياً بين المجموعات العلاجية عند تعذر إجراء التعيين العشوائي التام (Random Assignment)، مما يمنح الباحث تقديراً غير متحيز لمتوسطات المجموعات المعدلة (Adjusted Means).

4. اختبارات الفرضيات للبيانات المستمرة: البدائل اللامعلمية

4.1 اختبار مان-ويتني (Mann-Whitney U) كبديل لعينات مستقلة

يمثل اختبار مان-ويتني للرتب (Mann-Whitney U Test)، والذي يُكافئ وظيفياً اختبار مجموع الرتب لويلكوكسون (Wilcoxon Rank-Sum)، البديل اللامعلمي الأوسع انتشاراً لاختبار “ت” للعينات المستقلة. يستند الأساس الرياضي للاختبار إلى تحويل البيانات الكمية المستمرة للمفحوصين في المجموعتين معاً إلى رتب تصاعدية مجردة ($1$ إلى $N$)، ثم حساب مجموع الرتب العائد لكل مجموعة، واختبار ما إذا كان التوزيع التراكمي للرتب ينحرف دلالياً عن التوزيع العشوائي المتوقع بموجب الفرضية الصفرية.

يُفضل استخدام اختبار مان-ويتني في الأبحاث النفسية عند انتهاك فرضية التوزيع الطبيعي انتهاكاً جسيماً، أو عند وجود قيم متطرفة شاذة (Outliers) تؤثر جذرياً على المتوسط الحسابي، أو عندما يكون حجم العينة صغيراً جداً ($n < 15$ لكل مجموعة) مما يحول دون التحقق الموثوق من الاعتدالية. ومن الناحية التفسيرية، إذا كان شكلا التوزيع في المجموعتين متماثلين، يختبر مان-ويتني الفروق بين وسيطي المجموعتين (Medians)؛ أما إذا اختلف شكل التوزيع، فإنه يختبر فرضية السيادة العشوائية (Stochastic Dominance) بين التوزيعين.

عند صياغة التقرير الإحصائي لاختبار مان-ويتني، يتعين على الباحث تجنب عرض المتوسطات والانحرافات المعيارية المضللة، واستبدالها بالوسيط ومداه الربيعي (Interquartile Range – IQR)، مع توثيق قيمة إحصاء $U$ وقيمة الدرجة المعيارية المقاربة $Z$ والقيمة الاحتمالية، إلى جانب حساب حجم الأثر الرتبي كمعامل الارتباط النقطي ثنائي التسلسل أو معامل $r = \frac{Z}{\sqrt{N}}$.

4.2 اختبار ويلكوكسون (Wilcoxon Signed-Rank) للبيانات المترابطة

يُعد اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank Test) النظير اللامعلمي المباشر لاختبار “ت” للعينات المترابطة في تصاميم القياس المتكرر (قبل/بعد). ينطلق الإجراء الرياضي للاختبار من حساب الفروق الحسابية الدقيقة بين درجتي كل مفحوص، واستبعاد الفروق الصفرية التي تشير إلى تطابق القياسين، ثم ترتيب القيم المطلقة لتلك الفروق تصاعدياً وإعطائها رتباً عددية، مع إعادة إلحاق الإشارة الأصلية (موجبة أو سالبة) بكل رتبة تِبعاً لاتجاه التغير النفسي أو السلوكي.

يتميز هذا الاختبار بقدرته الفائقة على معالجة البيانات النفسية غير المتماثلة والملتوية التي تتكرر بكثرة في العينات الإكلينيكية المعالجة داخل المصحات؛ حيث تتفاوت سرعة الاستجابة للتدخلات النفسية تفاوتات حادة بين الأفراد. ويتعامل الاختبار بصرامة رياضية مع الرتب المتعادلة (Tied Ranks) عبر حساب متوسط الرتب المشتركة وإدخال معامل تصحيح لمعادلة التباين الخاصة بالدرجة المعيارية $Z$.

يُحسب حجم الأثر لهذا الاختبار عبر قسمة الدرجة المعيارية $Z$ المحسوبة على الجذر التربيعي لإجمالي عدد المشاهدات المستندة إلى الملاحظات ($r = \frac{Z}{\sqrt{2N}}$)، مما يتيح للأخصائي الإكلينيكي فهماً عميقاً لمدى اتساق التغير السلوكي ونمطه، متجاوزاً الانحيازات الناتجة عن القياسات المتطرفة الفردية.

4.3 اختبار كروسكال-واليز (Kruskal-Wallis) وفريدمان (Friedman)

يمثل اختبار كروسكال-واليز (Kruskal-Wallis $H$ Test) امتداداً لاختبار مان-ويتني، ويُعد البديل اللامعلمي لتحليل التباين الأحادي للعينات المستقلة عندما تتجاوز المقارنة مجموعتين. يعتمد الاختبار على دمج كافة مشاهدات المجموعات في مصفوفة واحدة وترتيبها تصاعدياً، ثم حساب إحصاء $H$ الذي يتبع توزيع كاي تربيع بدرجات حرية ($k – 1$):

$$H = \frac{12}{N(N+1)} \sum_{j=1}^k \frac{R_j^2}{n_j} – 3(N+1)$$

حيث يختبر ما إذا كانت العينات المسحوبة مستمدة من مجتمعات متطابقة التوزيعات الرتبية. وفي حال رفض الفرضية الصفرية، يتم تطبيق المقارنات المتعددة البعدية المصححة، مثل اختبار دان (Dunn’s Test) مقترناً بتصحيح بونفيروني أو بنجاميني-هوشبيرغ لضبط معدل الاكتشاف الكاذب (FDR).

على الصعيد المقابل، يُطبق اختبار فريدمان (Friedman Test) كبديل لامعلمي لتحليل التباين للقياسات المتكررة على عينة واحدة تُقاس تحت ثلاثة شروط تجريبية أو نقاط زمنية متتابعة فأكثر. يقوم الاختبار بترتيب شروط القياس داخل كل فرد على حدة بصورة مستقلة، مانحاً كل شرط رتبة من $1$ إلى $k$، ثم يختبر تباين مجاميع الرتب عبر الشروط. توفر هذه الاختبارات الرتبية حماية منهجية بالغة الأهمية عند العمل مع العينات الإكلينيكية الصغيرة النادرة، مع الإقرار بتنازل طفيف عن القوة الإحصائية (Asymptotic Relative Efficiency تبلغ حوالي $95.5%$ مقارنة باختبارات ANOVA عندما تكون البيانات طبيعية التوزيع بالفعل).

5. اختبارات الفرضيات للبيانات الثنائية

5.1 اختبار ذي الحدين واختبار النسبة الأحادية

عندما تُصاغ الفرضيات السلوكية حول حدوث سمة ثنائية معينة (نعم/لا، استجابة/عدم استجابة) ومقارنة احتمالية ظهورها بقيمة مرجعية افتراضية ($p_0$)، يبرز اختبار ذي الحدين الدقيق (Exact Binomial Test) كأداة رياضية لا تعتمد على التقريبات التوزيعية، بل تحسب الاحتمالية الدقيقة لظهور $k$ من النجاحات من أصل $n$ من المحاولات بالاعتماد المباشر على دالة التوزيع ثنائي الحدين:

$$P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}$$

تتكامل هذه الأداة مع اختبار النسبة للعينة الواحدة المعتمد على الدرجة المعيارية (One-Sample Z-Test for Proportions)، الذي يُستخدم كتقريب تقاربي فعال عندما يكون حجم العينة كبيراً ويحقق شرط الكفاية ($np_0 ge 10$ و $n(1-p_0) ge 10$).

تجد هذه الاختبارات تطبيقات واسعة في دراسات التفضيل الإدراكي، والتجارب النفسفيزيائية، ومعدلات النجاح الإكلينيكي لمضادات الاكتئاب مقارنة بنسب الدواء الوهمي (Placebo). وتكتسب فترات الثقة للنسب الثنائية أهمية تفوق القيمة الاحتمالية المجردة؛ حيث يوصي المنهجيون بتجنب طريقة والد (Wald Interval) التقليدية لضعف تغطيتها الاحتمالية في العينات الصغيرة والأطراف، واستبدالها بمعادلة ويلسون المصححة (Wilson Score Interval) أو طريقة كلوبر-بيرسون الدقيقة (Clopper-Pearson Exact Interval) لضمان موثوقية الاستدلال السيكومتري.

5.2 اختبار كاي تربيع للاستقلال (Chi-Square Test of Independence)

يُعد اختبار كاي تربيع للاستقلال ($\chi^2$) الأداة الأساسية لدراسة العلاقات والارتباطات بين متغيرين تصنيفيين ثنائيين أو متعددي الفئات، من خلال بناء جداول التوافق (Contingency Tables)، وأبسطها جدول $2 times 2$. يقوم الأساس النظري للاختبار على مقارنة التكرارات الملاحظة فعلياً في خلايا الجدول ($O$) بالتكرارات المتوقعة نظرياً ($E$) بموجب فرضية استقلال المتغيرين تماماً وعدم وجود علاقة ارتباطية بينهما:

$$\chi^2 = \sum \frac{(O – E)^2}{E}$$

حيث تُحسب التكرارات المتوقعة لكل خلية بضرب مجموع صفها في مجموع عمودها مقسوماً على الإجمالي العام للعينة ($E = \frac{R \times C}{N}$).

يشترط لصحة اختبار كاي تربيع واستقرار نتائجه ألا تقل التكرارات المتوقعة في أي خلية عن $1$، وألا تحتوي أكثر من $20%$ من خلايا الجدول على تكرارات متوقعة تقل عن $5$ مشاهدات. وفي جداول $2 times 2$ ذات العينات المتوسطة، يدور نقاش منهجي حول استخدام تصحيح ييتس للاستمرارية (Yates’ Continuity Correction)، الذي يقوم بطرح $0.5$ من الفارق المطلق بين التكرار الملاحظ والمتوقع لتقليص التحيز الناتج عن استخدام توزيع متصل (كاي تربيع) لتقريب بيانات متقطعة، على الرغم من أن هذا التصحيح يميل في كثير من الأحيان إلى التحفظ الزائد وخفض القوة الإحصائية.

5.3 اختبار فيشر الدقيق واختبار ماكنمار

عندما تنهار افتراضات اختبار كاي تربيع نتيجة لصغر حجم العينة الإكلينيكية ووجود تكرارات متوقعة منخفضة جداً في خلايا جدول التوافق ($E < 5$)، يصبح اختبار فيشر الدقيق (Fisher’s Exact Test) الخيار الإلزامي الذي لا غنى عنه. يعتمد هذا الاختبار على التوزيع فوق الهندسي (Hypergeometric Distribution) لحساب الاحتمال الدقيق لظهور التوزيع الملاحظ في الجدول المشاهد مع تثبيت المجاميع الهامشية (Marginal Totals)، مما يجعله مثالياً لدراسة الاضطرابات النفسية النادرة والتأثيرات الجانبية الحرجة للعقاقير النفسية.

أما عندما يتخذ التصميم البحثي طابعاً طولياً أو قياساً قبلياً-بعدياً على بيانات ثنائية لنفس الأفراد (مثل: فحص وجود أعراض كرب ما بعد الصدمة: نعم/لا، قبل وبعد تطبيق تقنية إزالة التحسس وإعادة المعالجة بحركة العين EMDR)، فإن اختبار كاي تربيع التقليدي يفقد صلاحيته لانتهاك فرضية استقلالية المشاهدات. يُطبق هنا اختبار ماكنمار (McNemar’s Test) الذي يركز حصرياً على الخلايا المتنافرة غير المتطابقة في جدول الاقتران الثنائي:

$$\chi^2_{McNemar} = \frac{(|b – c| – 1)^2}{b + c}$$

حيث يمثل $b$ و $c$ عدد الحالات التي تحولت حالتها التشخيصية بين القياسين، مما يوفر مقياساً نقياً لكفاءة التدخل النفسي في إحداث التحول السلوكي المطلوب، مقترناً بمؤشرات حجم الأثر كنسبة الأرجحية للمقارنات المزدوجة.

6. اختبارات الفرضيات لبيانات العد والتكرار

6.1 اختبار جودة المطابقة لكاي تربيع (Goodness-of-Fit)

يُستخدم اختبار جودة المطابقة لكاي تربيع (Chi-Square Goodness-of-Fit Test) كأداة أولية لفحص الفرضيات التوزيعية لبيانات العد المتقطعة؛ حيث يختبر ما إذا كان التوزيع التكراري المشاهد لظاهرة سلوكية يتوافق مع نموذج نظري محدد مسبقاً (مثل افتراض التوزيع المتساوي عبر الفئات، أو التوافق مع النسب المندلية، أو التطابق مع التوزيع النظري لبواسون). تتحدد درجات الحرية في هذا النموذج بعدد الفئات مطروحاً منه واحد ($k – 1$)، مع خفض إضافي لدرجات الحرية في حال تم تقدير معالم التوزيع (كالوسيط أو الانحراف) من بيانات العينة ذاتها.

يُعد هذا الاختبار حيوياً في علم النفس التجريبي لفحص عشوائية الاستجابة، واكتشاف انحيازات التفضيل عند الاختيار من متعدد، والتحقق من نقاء توزيع المجموعات السلوكية. ولاكتمال الفائدة الاستدلالية، لا يكتفي الباحث برفض الفرضية الصفرية الإجمالية، بل يعمد إلى فحص المتبقيات المعيارية المصححة (Adjusted Standardized Residuals) لكل خلية؛ حيث تشير المتبقيات التي تتجاوز القيمة المطلقة $2.0$ إلى أن تلك الفئة السلوكية بعينها هي المسؤولة عن الانحراف الجوهري عن النموذج المتوقع.

6.2 نماذج انحدار بواسون (Poisson Regression)

يمثل انحدار بواسون (Poisson Regression) النموذج المعياري الأساسي ضمن عائلة النماذج الخطية المعممة (Generalized Linear Models – GLM) المصممة خصيصاً للتنبؤ ببيانات العد والتكرار واختبار فرضياتها. يربط هذا النموذج لوغاريتم القيمة المتوقعة للعد ($E(Y) = \mu$) بمجموعة من المتغيرات التفسيرية عبر دالة الربط اللوغاريتمية (Log Link Function):

$$\ln(\mu) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + dots + \beta_k X_k$$

تُفسر معاملات الانحدار المحولة أسياً ($\exp(\beta)$) بأنها نسب معدل الحدوث (Incidence Rate Ratios – IRR)، والتي تعبر عن التغير النسبي المضاعف في تكرار الحدث السلوكي مع كل زيادة بمقدار وحدة واحدة في المتغير المستقل.

من أهم المزايا المنهجية لانحدار بواسون قدرته على نمذجة الفترات الزمنية المتباينة أو المساحات غير المتكافئة للملاحظة بين الأفراد عبر إدراج متغير التعويض (Offset Variable)، وهو القيمة اللوغاريتمية لوقت التعرض لكل مفحوص ($ln(t)$)، مما يضمن حساب معدلات تكرار عادلة وثابتة للمقارنة. غير أن هذا النموذج يظل مقيداً بفرضية التشتت المتساوي الصارمة، والتي يؤدي خرقها في البيئات السلوكية إلى استهانة جسيمة بالأخطاء المعيارية، وتضخيم القيمة الدلالية للنتائج بشكل زائف ومضلل.

6.3 نماذج التشتت الزائد وانحدار ذي الحدين السالب

في الأبحاث النفسية والسلوكية الواقعية، نادراً ما تتحقق فرضية التشتت المتساوي لبواسون؛ إذ غالباً ما يُظهر التوزيع تشتتاً زائداً (Overdispersion) ينجم عن التباين الفردي غير الملاحظ (Unobserved Heterogeneity) أو التجميع العنقودي للملاحظات، مما يجعل التباين الفعلي للبيانات أكبر بكثير من متوسطها الحسابي ($Var(Y) > E(Y)$). لحل هذه المعضلة الرياضية، يُستدعى انحدار ذي الحدين السالب (Negative Binomial Regression)، الذي يدمج معلمة تشتت إضافية ($\alpha$) في مصفوفة التباين ($Var(Y) = \mu + \alpha \mu^2$)، مما يصحح الأخطاء المعيارية للمعاملات ويوفر اختبارات فرضيات دقيقة لنسب معدلات الحدوث دون تزييف الدلالة.

علاوة على ذلك، تواجه القياسات السلوكية تحدياً إضافياً يتمثل في ظاهرة “كثرة الأصفار”، كما في قياس تكرار سلوكيات إيذاء الذات أو نوبات تعاطي المخدرات؛ حيث تتضمن العينة أفراداً لا يُظهرون السلوك مطلقاً بدافع طبيعي إلى جانب أفراد معرضين للسلوك لكنهم لم يمارسوه خلال فترة الملاحظة. تُعالج هذه الظاهرة عبر نماذج التضخم الصفري، مثل نموذج بواسون المتضخم صفرياً (ZIP) أو نموذج ذي الحدين السالب المتضخم صفرياً (ZINB)، والتي تفكك البيانات إلى عمليتين مستقلتين: نموذج لوجستي يفسر احتمالية الانتماء إلى فئة الصفر الهيكلي، ونموذج عد يفسر تكرار السلوك لدى الفئة القابلة للحدوث.

تتم المفاضلة بين هذه النماذج التنافسية بالاعتماد على معايير جودة المطابقة الإحصائية، مثل معيار أكايكي للمعلومات (AIC) ومعيار شوارتز البيزي للمعلومات (BIC)، واختبار فوانغ (Vuong Test) للاختيار الصارم للنموذج الأكثر ملائمة للبنية التوليدية للبيانات.

7. مقارنة منهجية مباشرة بين أنواع البيانات الثلاثة

7.1 جدول المقارنة الشامل للمحددات والخصائص الإحصائية

يوضح الجدول التحليلي التالي الفروق الجوهرية والخصائص الرياضية والمنهجية التي تميز النماذج الإحصائية للبيانات المستمرة والثنائية والعددية في الأبحاث السلوكية:

الخاصية الإحصائية	البيانات المستمرة (Continuous)	البيانات الثنائية (Binary)	بيانات العد والتكرار (Count)
مستوى القياس السيكومتري	مسافة (Interval) أو نسبة (Ratio)	اسمي تفرعي (Nominal Dichotomous)	كمي متقطع غير سالب (Discrete Non-negative)
التوزيع النظري الأساسي	التوزيع الطبيعي الغوسي $N(\mu, \sigma^2)$	توزيع برنولي / ثنائي الحدين $Bin(n, p)$	توزيع بواسون / ذي الحدين السالب $Pois(lambda)$
مقاييس النزعة المركزية والتشتت	المتوسط الحسابي والانحراف المعياري	النسبة المئوية ومعدل الاحتمال ($p$)	معدل الحدوث ($lambda$) والتشتت ($\alpha$)
طبيعة الأسئلة البحثية	هل توجد فروق في مقدار السمة أو زمن الأداء؟	هل يختلف احتمال ظهور السلوك أو التشخيص؟	ما مدى تكرار حدوث الظاهرة السلوكية في الزمن؟
شكل الفرضية الصفرية ($H_0$)	$\mu_1 = \mu_2$ أو $\mu_1 – \mu_2 = 0$	$p_1 = p_2$ أو $OR = 1$	$\lambda_1 = \lambda_2$ أو $IRR = 1$
النموذج الخطي الأساسي	النماذج الخطية العامة (GLM / OLS)	الانحدار اللوجستي الثنائي (Binary Logistic)	انحدار بواسون وذي الحدين السالب
متطلبات حجم العينة الدنيا	تعتمد على حجم الأثر الموضعي ($n ge 30$)	قاعدة أحداث لكل متغير ($EPV ge 10$)	تعتمد على التشتت ومعدل الأساس للحدث

7.2 حساسية الاختبارات وقدرتها التمييزية وتأثير تحويل البيانات

يلجأ بعض الباحثين، مدفوعين بالرغبة في تبسيط التحليل، إلى شطر المتغيرات المستمرة وتصنيفها ثنائياً (Dichotomization) عبر استخدام أسلوب التقسيم عند الوسيط (Median Split) لتحويل درجات القلق أو الاكتئاب المستمرة إلى فئتين: “مرتفع” و”منخفض”. يمثل هذا الإجراء خطأً منهجياً فادحاً أجمعت الأدبيات المنهجية على التحذير منه؛ حيث يتسبب في فقدان هائل في القوة الإحصائية يعادل التضحية بنحو ثلث إلى نصف حجم العينة الفعلي، كما يطمس الفروق الفردية الدقيقة بين المفحوصين الواقعين بالقرب من نقطة القطع، ويصطنع أحياناً علاقات وهمية لا وجود لها في البيانات الأصلية.

على الصعيد ذاته، تنطوي معالجة بيانات العد المتقطعة والملتوية كأنها بيانات مستمرة وتطبيق نماذج المربعات الصغرى العادية (OLS) عليها على مخاطر جسيمة؛ إذ تفترض هذه النماذج استمرارية البيانات وتماثل التوزيع وثبات التباين، وهي شروط تنهار تماماً أمام بيانات العد المقيدة بصفر أدنى، مما يولد تنبؤات غير منطقية بتكرارات سالبة في القيم الطرفية، فضلاً عن تحريف فترات الثقة.

أما بخصوص التحويلات الرياضية الكلاسيكية للبيانات (Data Transformations)، كالتحويل اللوغاريتمي ($log(Y)$) أو تحويل الجذر التربيعي ($\sqrt{Y}$)، فإنها وإن كانت تنجح جزئياً في كبح التواء التوزيع وتجنيسه في بعض الحالات، إلا أنها تفشل بنيوياً عند وجود قيم صفرية حقيقية تتطلب معالجات اصطناعية مشوهة (مثل إضافة ثابت $log(Y + 1)$)، مما يعقد التفسير السيكومتري لمعاملات الأثر؛ ولذلك يظل الانتقال إلى النماذج التوزيعية الأصلية ضمن عائلة النمذجة الخطية المعممة هو المسار الرياضي والمنهجي الأكثر سلامة وموثوقية في البحث السلوكي الحديث.

8. الافتراضات الإحصائية وشروط الصلاحية لكل نموذج

8.1 فحص اعتدالية التوزيع وتجانس التباين في البيانات المستمرة

تستند النماذج المعلمية الكلاسيكية لاختبار الفرضيات المستمرة إلى افتراضين محوريين: اعتدالية التوزيع داخل المجتمعات المقارنة وتجانس التباين بينها. لفحص الاعتدالية، تتوفر ترسانة من الأدوات الإحصائية التشخيصية؛ يبرز من بينها اختبار شابيرو-ويلك (Shapiro-Wilk Test) كأقوى الاختبارات الاستدلالية حساسية للعينات الصغيرة والمتوسطة ($N < 50$)، متفوقاً على اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov) الذي يتسم بنقص القوة وميله للتحفظ المفرط.

غير أن الاعتماد الحصري على الاختبارات الدلالية لفحص الاعتدالية ينطوي على محاذير منهجية؛ إذ تصبح هذه الاختبارات حساسة بشكل مفرط للانحرافات الطفيفة غير المؤثرة في العينات الكبيرة، وتفقد حساسيتها في العينات الصغيرة. من هنا يتعين الجمع بينها وبين الفحص البصري للمدرجات التكرارية ورسوم التجزيء الطبيعي (Q-Q Plots)، إلى جانب تقييم قيم الالتواء (Skewness) والتفرطح (Kurtosis)؛ حيث يُعد وقوع الدرجة المعيارية للالتواء بين $[-2, +2]$ مؤشراً كافياً لتحقق الاعتدالية التقاربية في العلوم السلوكية.

لفحص تجانس التباين بين المجموعات التجريبية، يُعد اختبار ليفين (Levene’s Test) المعيار الذهبي المفضل لتفوقه على اختبار بارتليت في عدم حساسيته المفرطة للانحراف عن التوزيع الطبيعي. وفي حال انتهاك هذا الافتراض ورفض الفرضية الصفرية لتجانس التباين، يتعين تجنب اختبار “ت” التقليدي واستبداله باختبار ويلش (Welch’s t)، أو استخدام تحويلات بوكس-كوكس (Box-Cox Transformations) لتثبيت التباين، أو اللجوء إلى نماذج الاستنماء الذاتي (Bootstrapping) لتوليد فترات ثقة متينة تجريبياً وخالية من الافتراضات التوزيعية المقيدة.

8.2 افتراضات الاستقلالية والتوزيع في البيانات الثنائية والعددية

يمثل افتراض استقلالية المشاهدات (Independence of Observations) الشرط الأكثر حرجاً وخطورة في بنية النماذج الإحصائية قاطبة؛ حيث يؤدي انتهاكه إلى تشويه مصفوفة التباين وتضخيم معدلات الخطأ الاستدلالي بصورة لا يمكن لأي تحويل رياضي تصحيحها. يتجلى هذا الانتهاك بوضوح في البيانات السلوكية التي تُجمع في بيئات عنقودية (كأن يُقاس تلاميذ ينتمون لنفس الفصول الدراسية) أو في تصاميم القياس المتكرر عبر الزمن؛ مما يقتضي استخدام نماذج التأثيرات المختلطة (Mixed-Effects Models) أو معادلات التقدير المعممة (Generalized Estimating Equations – GEE) لنمذجة الارتباط الداخلي بوضوح.

بالنسبة للبيانات الثنائية، يتطلب نموذج الانحدار اللوجستي استيفاء فرضية الخطية في مقياس لوجيت (Linearity in the Logit) للمتغيرات المستمرة التفسيرية، والتي يتم التحقق منها عبر اختبار بوكس-تيدويل (Box-Tidwell Test)، بالإضافة إلى شرط كفاية الأحداث لكل متغير ($EPV ge 10$) لتجنب مشكلات التحيز الكامل وظاهرة الانفصال الشبكي (Quasi-complete Separation) في التقديرات.

أما في بيانات العد، فيتطلب نموذج بواسون فحصاً صارماً لافتراض التشتت المتساوي، ويتم ذلك إما بحساب نسبة إحصاء كاي تربيع للانحراف على درجات الحرية ($\frac{\text{Deviance}}{df} \approx 1$)، أو بإجراء اختبار مضاعف لاجرانج (Lagrange Multiplier Test) أو اختبار كاميرون-تريفيدي لفحص دلالة التشتت الزائد؛ فإن ثبت وجوده، بات التحول نحو توزيع ذي الحدين السالب التزاماً رياضياً وأخلاقياً لضمان سلامة القرار الإحصائي.

9. حساب القوة الإحصائية وتحديد حجم العينة المناسب

9.1 تخطيط القوة المسبق (A Priori Power Analysis) للبيانات المستمرة

يمثل التخطيط المسبق لحجم العينة وحساب القوة الإحصائية (A Priori Power Analysis) الركيزة الأخلاقية والمنهجية الأولى لضمان كفاءة التصميم التجريبي ورصانته في العلوم النفسية. يستند هذا التخطيط إلى صياغة علاقة رياضية دقيقة تربط بين أربعة معالم أساسية: مستوى الدلالة المقبول ($\alpha$)، والقوة الإحصائية المستهدفة ($1 – beta$، وتُحدد معيارياً بـ $0.80$ أو $0.90$)، وحجم العينة المطلوب ($N$)، وحجم الأثر المتوقع في المجتمع (Effect Size).

في سياق البيانات المستمرة، يُعبر عن حجم الأثر لمقارنة متوسطين بمؤشر كوهين $d$ (Cohen’s $d$)، الذي يُعرف بالمسافة المعيارية بين المتوسطين مقسومة على الانحراف المعياري المجمع:

$$d = \frac{\bar{X}_1 – \bar{X}_2}{s_{pooled}}$$

أو بمؤشر مربع إيتا الجزئي ($\eta_p^2$) في نماذج تحليل التباين. وتوفر برمجيات القياس المعيارية مثل G*Power إمكانية احتساب حجم العينة الدقيق بناءً على هذه المؤشرات وتصاميم القياس المختلفة.

يتأثر حجم العينة المطلوب تأثراً بالغاً بدرجة دقة أدوات القياس السيكومتري؛ فاستخدام مقاييس نفسية تعاني من ضعف الاتساق الداخلي والصدق يضخ في البيانات تباين خطأ عشوائي (Measurement Noise) يقلص حجم الأثر المشاهد، مما يفرض زيادة تعويضية كبيرة في عدد المفحوصين لبلوغ القوة الإحصائية المستهدفة، وهو ما ينبغي موازنته بعناية مع قيود التكلفة والجهد الميداني للباحث.

9.2 تحديد حجم العينة للنسب الثنائية وبيانات التكرار

يختلف تخطيط القوة الإحصائية للبيانات الثنائية والعددية في تعقيده الرياضي عن النماذج المستمرة؛ إذ يرتبط التباين في هذه التوزيعات ارتباطاً وثيقاً بالقيمة المتوقعة ذاتها. عند التخطيط لمقارنة نسبتين مستقلتين ($p_1, p_2$) في بيانات ثنائية، يُحسب حجم العينة بناءً على تحويل قوس الجيب (Arcsin Transformation) لأحجام الأثر، أو بالاستناد إلى حجم الأثر المعياري $w$ أو معامل فاي ($phi$) في اختبارات كاي تربيع:

$$w = \sqrt{\sum \frac{(P_{0i} – P_{1i})^2}{P_{0i}}}$$

وفي النماذج الإكلينيكية التي تدرس أحداثاً ثنائية نادرة (كالوفاة بالانتحار أو الإصابة بذهان مفاجئ)، يتطلب اكتشاف الفروق العلاجية أحجام عينات ضخمة للغاية تصل إلى آلاف المشاركين لتحقيق قوة إحصائية متكافئة.

أما في نماذج انحدار بواسون وبيانات العد، فإن حساب حجم العينة المطلوب لا يرتبط فقط بنسبة معدل الحدوث المتوقعة ($IRR$)، بل يعتمد بالأساس على معدل الأساس للحدث (Baseline Event Rate) وفترة التعرض للملاحظة، إضافة إلى معامل التشتت الزائد المتوقع في النموذج. إن إغفال التشتت الزائد أثناء مرحلة التخطيط المسبق يقود إلى تقدير ناقص لحجم العينة المطلوب، مما يجعل الدراسة السلوكية عرضة لقصور القوة الإحصائية والفشل في رصد التأثيرات الإكلينيكية الجوهرية.

10. المنزلقات التحليلية والأخطاء الشائعة في اختيار الاختبارات

10.1 أخطاء تصنيف المقاييس السيكومترية وتحويل الرتب

تشهد الأدبيات السيكومترية جدلاً مستمراً حول طبيعة مقياس ليكرت (Likert Scale)؛ حيث يعمد كثير من الباحثين إلى معاملة بنود ليكرت الفردية ذات الخيارات الخمسة أو السبعة كبيانات مستمرة موزعة توزيعاً طبيعياً، وحساب المتوسطات والانحرافات المعيارية لها، وتطبيق اختبارات “ت” و ANOVA عليها. يمثل هذا السلوك تبسيطاً مخلاً؛ فالبنود الفردية لمقياس ليكرت هي في حقيقتها بيانات رتبية (Ordinal Data) لا تضمن تساوي المسافات السيكولوجية بين فئات الاستجابة، مما يجعل الاختبارات اللامعلمية أو نماذج الاستجابة للمفردة (IRT) البديل الرياضي السليم لها. غير أنه يمكن التسامح في معاملة الدرجة الكلية التجميعية لمقياس مركب يتألف من عدة بنود كمتغير يقترب من الاستمرار إذا أظهر التوزيع اعتدالاً معقولاً ومؤشرات ثبات مرتفعة.

من المنزلقات الكارثية الأخرى الخلط الشائع بين الترددات النسبية (Proportions) كبيانات مستمرة تقع بين $[0, 1]$ وبين التكرارات المطلقة الحقيقية كبيانات عد؛ فتطبيق انحدار المربعات الصغرى على نسب مئوية محصورة يخرق شرط النطاق المفتوح للتوزيع الغوسي، ويتطلب بدلاً من ذلك تطبيق انحدار بيتا (Beta Regression). كما أن شطر المتغيرات المستمرة عند المتوسط واصطناع متغيرات تصنيفية ثنائية يظل من أبرز الممارسات الخاطئة التي تدمر البنية الإحصائية للعلاقات وتنتج نتائج بحثية زائفة لا تصمد أمام محاولات إعادة الإنتاج العلمي.

10.2 أخطاء التطبيق والاستدلال الإحصائي المشتركة

يقع باحثون كثر في فخ إجراء اختبارات “ت” المتعددة عند وجود ثلاثة مستويات تجريبية فأكثر، بدلاً من تطبيق تحليل التباين الشامل (ANOVA)، مما يؤدي إلى تضخيم معدل الخطأ العائلي التراكمي (Family-wise Error Rate) وفق المعادلة ($1 – (1-alpha)^c$)، حيث يقفز احتمال ارتكاب خطأ من النوع الأول إلى قرابة $14%$ عند إجراء ثلاث مقارنات فقط بمستوى دلالة $0.05$.

ينعكس خطأ مماثل في ميدان بيانات العد عند تجاهل التشتت الزائد والإصرار على تطبيق انحدار بواسون البسيط أو الانحدار الخطي الكلاسيكي، مما يفرز أخطاء معيارية متدنية تعطي انطباعاً زائفاً بدقة النتائج وقوتها الدلالية. يضاف إلى ذلك المنزلق الإبستمولوجي المتمثل في الارتكاز الأعمى على القيمة الاحتمالية ($p < 0.05$) كمعيار وحيد للحقيقة العلمية، وتجاهل تقدير حجم الأثر الإكلينيكي وفترات الثقة؛ فالقيمة الاحتمالية ترتبط بحجم العينة ويمكن أن تصبح دالة إحصائياً لفروق تافهة لا قيمة سريرية لها في العينات الضخمة، في حين قد تحجب العينات الصغيرة تأثيرات علاجية بالغة الأهمية. وأخيراً، يبرز الخلط المزمن بين الدلالة الإحصائية للارتباط في المتغيرات الثنائية والسببية الحتمية كواحد من أكثر العيوب الاستدلالية تأثيراً على الممارسة النفسية التطبيقية.

11. تفسير النتائج، وحجم الأثر، وصياغة التقارير وفق معايير APA

11.1 مؤشرات حجم الأثر وفترات الثقة للبيانات المستمرة والثنائية والعددية

تماشياً مع توصيات الإصدار السابع لدليل الجمعية الأمريكية لعلم النفس (APA 7th Edition)، لم يعد كافياً مجرد تقرير الدلالة الإحصائية، بل بات إلزامياً تضمين مؤشرات حجم الأثر المناسبة لكل نمط بياني مرفقة بفترات الثقة بدقة $95%$ كدليل على جودة ودقة التقدير الإحصائي. تتوزع هذه المؤشرات تِبعاً لنوع البيانات وفق ما يلي:

• البيانات المستمرة: يُستخدم مؤشر كوهين $d$ للمقارنات الزوجية، مع تفضيل مؤشر هيدجز $g$ (Hedges’ $g$) في العينات الصغيرة لكونه يصحح التحيز الإيجابي الطفيف لكوهين. أما في تحليلات التباين، فيُعتمد مربع إيتا الجزئي ($eta_p^2$) أو مربع أوميغا ($omega^2$) بوصفه تقديراً غير متحيز لحجم التباين المفسر في المجتمع.
• البيانات الثنائية: تمثل نسبة الأرجحية (Odds Ratio – OR) والمخاطر النسبية (Relative Risk – RR) المؤشرات المحورية في الدراسات الارتباطية والتدخلية، بالإضافة إلى معامل فاي ($phi$) ومعامل كرامر ($V$) لجداول التوافق متسعة الخلايا، مع ضرورة تدوين فترات الثقة اللوغاريتمية المحولة أسياً للنسب.
• بيانات العد: تُعد نسبة معدل الحدوث (Incidence Rate Ratio – IRR) المؤشر المعياري الأساسي في نماذج بواسون وذي الحدين السالب، وتُفسر كنسبة مضاعفة لمعدل تكرار السلوك لكل تغير بوحدة واحدة في المتغير التنبؤي، مرفقة بحدود فترة الثقة ($95% text{ CI for IRR}$).

11.2 معايير كتابة التقارير الإحصائية وفق دليل الجمعية الأمريكية لعلم النفس (APA 7th)

تقتضي معايير APA صياغة دقيقة ومحكمة لنتائج اختبارات الفرضيات تتضمن الحرف المائل الممثل للإحصاء، ودرجات الحرية بين قوسين، وقيمة الإحصاء المحسوبة بدقة منزلتين عشريتين، والقيمة الاحتمالية الدقيقة بدقة ثلاث منازل، وحجم الأثر وفترة الثقة. نورد فيما يلي نماذج لصياغة التقارير تِبعاً لأنماط البيانات:

• تقرير اختبار “ت” مستقل (بيانات مستمرة):
  “أظهرت النتائج وجود فرق دال إحصائياً بين درجات القلق لدى المجموعة التجريبية ($M = 24.35$, $SD = 4.12$) والمجموعة الضابطة ($M = 31.80$, $SD = 5.23$)، $t(58) = 6.13$، $p < .001$، $d = 1.58$، $95% text{ CI } [1.02, 2.14]$."
• تقرير اختبار كاي تربيع للاستقلال (بيانات ثنائية):
  “أشارت نتائج جدول التوافق إلى وجود ارتباط دال إحصائياً بين نوع التدخل العلاجي ومعدل الشفاء من الاضطراب، $\chi^2(1, N = 120) = 8.54$، $p = .003$، $phi = .27$، $OR = 3.12$، $95% text{ CI } [1.45, 6.72]$.”
• تقرير انحدار ذي الحدين السالب (بيانات عد):
  “أظهر نموذج انحدار ذي الحدين السالب أن التدخل السلوكي ارتبط بانخفاض دال في تكرار نوبات الغضب الشهرية، $B = -0.45$، $SE = 0.14$، $\text{Wald } \chi^2(1) = 10.28$، $p = .001$، $IRR = 0.64$، $95% text{ CI } [0.49, 0.84]$.”

يجب أن تتكامل هذه الصياغات النصية مع جداول إحصائية مصممة بأناقة وخالية من الخطوط الرأسية تِبعاً لدليل APA، ورسوم بيانية بيانية توضح التوزيعات بدقة كأشكال الأشرطة المرفقة بأعمدة الخطأ المعياري، أو رسوم الصندوق والشاربين (Boxplots) للمتغيرات الرتبية والملتوية.

12. شجرة اتخاذ القرار الإحصائي: خارطة طريق الباحث النفسي

12.1 الخوارزمية المنهجية لاختيار الاختبار الإحصائي المناسب

لتمكين الباحث من اختيار الاختبار الإحصائي الأمثل بدقة وحسم منهجي، تمثل الخوارزمية المنهجية التالية مساراً منطقياً متتابعاً يتألف من أربع مراحل استدلالية حاسمة:

المرحلة الأولى: تشخيص طبيعة المتغير التابع وسيكومترية القياس:

• إذا كان المتغير كمياً متصلاً على مقياس مسافة أو نسبة $\leftarrow$ ينتقل الباحث إلى مسار البيانات المستمرة.
• إذا كان المتغير تصنيفياً نوعياً يتخذ حالتين فقط (0/1) $\leftarrow$ ينتقل الباحث إلى مسار البيانات الثنائية.
• إذا كان المتغير تكرارات متقطعة لأحداث غير سالبة مقيدة بزمن $\leftarrow$ ينتقل الباحث إلى مسار بيانات العد.

المرحلة الثانية: تحديد بنية التصميم التجريبي وعدد المجموعات:

• هل التصميم يتضمن عينات مستقلة (مقارنة بين أفراد مختلفين) أم عينات مترابطة/متكررة (مقارنة نفس الأفراد عبر شروط مختلفة)؟
• ما عدد المجموعات أو شروط القياس المقارنة (مجموعة واحدة معيارية، مجموعتان، ثلاثة مستويات فأكثر)؟

المرحلة الثالثة: فحص وتحقيق الافتراضات الإحصائية:

• في المسار المستمر: فحص التوزيع الطبيعي وتجانس التباين.
• في المسار الثنائي: فحص كفاية التكرارات المتوقعة في جداول التوافق ($E ge 5$) واستقلالية الخلايا.
• في مسار العد: فحص التشتت المتساوي ووجود التضخم الصفري.

المرحلة الرابعة: الاختيار النهائي للاختبار:

• المسار المستمر: استيفاء الشروط $\leftarrow$ اختبارات $t$،$ANOVA$،$ANCOVA$. خرق الشروط$leftarrow$ اختبارات مان-ويتني، ويلكوكسون، كروسكال-واليز، فريدمان، أو النماذج المعممة المتينة.
• المسار الثنائي: عينات مستقلة كافية $\leftarrow$ اختبار كاي تربيع. عينات صغيرة $\leftarrow$ اختبار فيشر الدقيق. عينات مزدوجة $\leftarrow$ اختبار ماكنمار. نمذجة تنبؤية $\leftarrow$ الانحدار اللوجستي.
• مسار العد: تشتت متساوٍ $\leftarrow$ انحدار بواسون. تشتت زائد $\leftarrow$ انحدار ذي الحدين السالب. تضخم صفري $\leftarrow$ نماذج ZIP و ZINB.

12.2 دراسات حالة تطبيقية ونماذج إرشادية في الأبحاث السلوكية

لتجسيد هذه الخوارزمية في الواقع التطبيقي، نستعرض ثلاث دراسات حالة سلوكية تمثل مختلف الأنماط البيانية وكيفية توجيه القرار الإحصائي فيها:

دراسة الحالة 1 (بيانات مستمرة): رغب باحث في قياس أثر برنامج علاجي سلوكي معرفي لتقليل درجات الاكتئاب المقاسة بمقياس بيك (BDI-II، درجات مستمرة من 0 إلى 63) لدى عينة من 40 مريضاً تم قياسهم قبل وبعد البرنامج. أظهرت الفروق القبلية-البعدية توزيعاً طبيعياً متماثلاً دون قيم متطرفة عبر اختبار شابيرو-ويلك ($p = .42$). وبما أن البيانات مستمرة، والتصميم يتضمن قياسين متكررين لنفس الأفراد، والافتراضات مستوفاة، كان القرار الإحصائي المنهجي هو تطبيق اختبار “ت” للعينات المترابطة (Paired Samples t-test) وحساب حجم الأثر بهيدجز $g$.

دراسة الحالة 2 (بيانات ثنائية): أجرى أخصائي إكلينيكي دراسة لتقييم معدل الانتكاس السلوكي (نعم = 1 / لا = 0) بعد ستة أشهر من التعافي لدى مجموعتين من المدمنين: مجموعة تلقت رعاية لاحقة رقمية ($n = 25$) ومجموعة ضابطة تلقت الرعاية التقليدية ($n = 25$). نتج عن جدول التوافق خلية تكرار متوقع بلغت قيمتها $3.8$ (وهي أقل من 5). وبما أن المتغير ثنائي والمجموعات مستقلة مع خرق لشرط كفاية كاي تربيع، كان القرار الإحصائي الصارم هو استخدام اختبار فيشر الدقيق (Fisher’s Exact Test) وحساب نسبة الأرجحية (Odds Ratio) مع فترة ثقتها بدقة $95%$.

دراسة الحالة 3 (بيانات عد): اهتم فريق بحثي بدراسة تكرار نوبات إيذاء الذات غير الانتحاري (NSSI) المسجلة شهرياً لدى 100 مراهق يراجعون عيادات الطب النفسي بالاعتماد على عدة متغيرات تنبؤية. أظهر الفحص الأولي أن تباين التكرارات ($Var = 14.2$) يفوق المتوسط الحسابي للعينات ($M = 3.1$) بنسبة كبيرة، مما أكد وجود تشتت زائد دال إحصائياً عبر اختبار مضاعف لاجرانج ($p < .001$). وبناءً على خرق افتراض التشتت المتساوي لبواسون، تم استبعاد انحدار بواسون والانحدار الخطي وتطبيق انحدار ذي الحدين السالب (Negative Binomial Regression)، وتقرير نسب معدلات الحدوث ($IRR$) لكل متغير تفسيري.

خاتمة

إن اختبار الفرضيات في العلوم النفسية والسلوكية ليس قالباً إجرائياً جامداً أو مجرد معادلات آلية تنفذها الحزم البرمجية، بل هو عملية معرفية ومنهجية تقتضي وعياً إبستمولوجياً عميقاً بطبيعة المتغيرات المقاسة وخصائصها الرياضية الكامنة. لقد برهن التحليل المقارن في هذا المقال على أن الطريق نحو استدلال نفسي صادق وموثوق يمر حتماً عبر المواءمة الصارمة بين نوع البيانات—سواء أكانت مستمرة، أم ثنائية، أم تكرارات عددية متقطعة—وبين النموذج التوزيعي المناسب لها. إن التخلي عن الممارسات المشوهة لشطر البيانات، واليقظة تجاه افتراضات النماذج المعلمية وبدائلها اللامعلمية، والتمسك بتقدير أحجام الآثار وفترات الثقة بدلاً من الانقياد الأعمى خلف دلالة القيمة الاحتمالية، يمثل السبيل الأمثل للارتقاء بالبحث السلوكي وتجاوز أزمة التكرارية المعاصرة، بما يخدم تطوير المعرفة الإنسانية والممارسات الإكلينيكية والتربوية القائمة على الدليل العلمي الرصين.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0470463637
• Cameron, A. C., & Trivedi, P. K. (2013). Regression analysis of count data (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9781139013567
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
• Faul, F., Erdfelder, E., Lang, A. G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175–191. https://doi.org/10.3758/BF03193146
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hilbe, J. M. (2011). Negative binomial regression (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511973420
• 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
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.