درجات الحرية في الإحصاء

تُعد درجات الحرية (Degrees of Freedom) إحدى الركائز الأكثر أهمية وإثارة للجدل الفكري والرياضي في بنية الاستدلال الإحصائي الكلاسيكي والمعاصر. فعلى الرغم من بساطة مظهرها الحسابي الذي يبدو في كثير من الأحيان مجرد طرح رياضي بديهي لوحدات القياس من حجم العينة، إلا أنها تختزل في جوهرها التحولات الفلسفية والرياضية العميقة التي نقلت علم الإحصاء من مرحلة الوصف العددي السطحي إلى مرحلة النمذجة الاحتمالية وتوليد المعرفة الاستقرائية. إنها تمثل الفضاء الهندسي الذي تتحرك فيه البيانات بحرية لتكشف عن التباين الحقيقي الكامن وراء الظواهر الطبيعية والسلوكية، والحد الفاصل بين التقدير الدقيق للمجتمعات الإحصائية والوقوع في شرك التحيز المعرفي أو التشويه الرياضي.

تتجاوز الحاجة لفهم درجات الحرية حدود المعالجة الحسابية الروتينية؛ فهي تعبر عن مقدار المعلومات المستقلة وغير المقيدة المتبقية في منظومة البيانات بعد استنزاف بعض طاقتها في تقدير معالم أو فرض قيود رياضية محددة. وتزداد هذه الأهمية وضوحاً في حقول القياس النفسي والعلوم الاجتماعية والسلوكية، حيث تتداخل المتغيرات وتتعقد مستويات القياس. إن الجهل بطبيعة درجات الحرية أو التعامل معها بوصفها تفصيلاً فنياً ثانوياً يؤدي حتماً إلى تضخيم معدلات الخطأ، وتقدير فترات ثقة مضللة، والوصول إلى استنتاجات علمية تفتقر إلى الصدق الإحصائي والمنهجي وقابلية التكرار.

يقدم هذا المرجع الشامل دراسة أكاديمية معمقة لمفهوم درجات الحرية من منطلقاته الرياضية، والهندسية، والتاريخية، والتطبيقية. سنستعرض عبر فصول هذا المقال البناء النظري لدرجات الحرية، وتحليل أثرها على مقاييس النزعة المركزية والشتات، ونفصل تطبيقاتها الرياضية في اختبارات الفروق، ونماذج التباين، وتحليلات الانحدار، ونمذجة المعادلات الهيكلية، مع تقديم دليل متكامل للتوثيق المنهجي وتجنب المزالق الشائعة في الأبحاث النفسية والتجريبية.

1. مفهوم درجات الحرية في الإحصاء: التأصيل النظري والتعريف الرياضي

1.1 التعريف الأساسي لدرجات الحرية والقيود الرياضية

تُعرّف درجات الحرية في التحليل الإحصائي بأنها عدد القيم أو القطع البيانية المستقلة في عينة إحصائية ما، والتي تمتلك الحرية الكاملة للتغير أو التباين دون أن تخرق أي قيد رياضي أو إحصائي مفروض مسبقاً على المجموعة الكلية. في السياق الرياضي الصارم، لا تمثل البيانات مجرد أرقام معزولة، بل هي متجهات داخل فضاء عيني محكوم بمحددات خطية. عندما نجمع عينة مكونة من $n$ من المشاهدات المستقلة، فإننا نبدأ بـ $n$ من قطع المعلومات الحرة؛ غير أن حساب أي إحصاء استدلالي يستلزم استخدام هذه البيانات لتقدير معالم مجتمعية مجهولة، وكل معلم يتم تقديره من داخل العينة ذاتها يفرض “قيداً خطياً” (Linear Constraint) يقلص من استقلالية القيم المتبقية بمقدار وحدة واحدة.

تأخذ المعادلة الرياضية العامة لدرجات الحرية الصيغة الأساسية التالية:

df = n – r

حيث يمثل $df$ درجات الحرية (Degrees of Freedom)، و$n$ هو الحجم الإجمالي للمشاهدات أو العينة، بينما يشير $r$ إلى عدد القيود الرياضية المستقلة أو المعالم المجتمعية المقدرة استناداً إلى بيانات العينة لتثبيت النظام. يتضح من هذا البناء الرياضي أن درجات الحرية ليست مجرد رقم اعتباطي، بل هي مقياس دقيق لمقدار “المعلومات الصافية” المتبقية لاختبار الفرضيات أو تقدير التباين المتبقي. فالفرق الجوهري بين حجم العينة الإجمالي ودرجات الحرية يكمن في أن الأول يعبر عن عدد الوحدات التي تم جمعها، في حين تعبر الثانية عن عدد الوحدات المستقلة التي تقدم معلومات جديدة غير مشتقة ولا متوقعة جبرياً من بقية المنظومة الإحصائية.

1.2 الجذور التاريخية وتطور المفهوم الإحصائي

لم يظهر مفهوم درجات الحرية بصيغته الرياضية الحالية دفعة واحدة، بل تبلور عبر سجالات علمية وتطورات مفاهيمية امتدت لعقود في أروقة المدرسة الإحصائية البريطانية. تعود الإرهاصات الأولى للمفهوم إلى أعمال عالم الإحصاء الشهير كارل بيرسون (Karl Pearson) في مطلع القرن العشرين، وتحديداً عند صياغته لاختبار جودة المطابقة باستخدام توزيع مربع كاي (Chi-Square) عام 1900. ومع ذلك، ارتكب بيرسون خطأً نظرياً كلاسيكياً حين اعتبر أن درجات الحرية تعادل دائماً عدد الفئات التصنيفية الإجمالي مطروحاً منه فقط حجم العينة الكلي في جداول الاقتران دون خصم القيود الهامشية، مما أسفر عن تضخيم درجات الحرية وتقدير احتمالات غير دقيقة لجودة المطابقة.

شهد المفهوم قفزة نوعية على يد ويليام سيلي جوسيت (William Sealy Gosset)، الذي نشر أبحاثه تحت الاسم المستعار “ستيودنت” (Student) عام 1908 أثناء عمله في مصنع غينيس للبيرة. أدرك جوسيت أن تباين العينة يتقلب بشكل كبير عند التعامل مع عينات صغيرة، وأن استخدام الانحراف المعياري للعينة بدلاً من انحراف المجتمع الحقيقي يؤدي إلى عدم دقة التوزيع الطبيعي المعياري، مما دفعه إلى تطوير توزيع $t$ الذي يتغير شكله بالكامل بناءً على درجات الحرية المتاحة لتقدير التباين.

جاء الحسم الرياضي النهائي على يد السير رونالد فيشر (Ronald A. Fisher) في عشرينيات القرن العشرين. قام فيشر بتصحيح خطأ بيرسون التاريخي في اختبارات مربع كاي، وصاغ الإطار الهندسي والجبري الصارم لدرجات الحرية في سياق تطويره الرائد لتحليل التباين (ANOVA) وتحليل الانحدار. برهن فيشر على أن درجات الحرية تمثل أبعاد الفضاءات الجزئية المتعامدة في الفضاء الإقليدي متعدد الأبعاد، محولاً درجات الحرية من مجرد أداة ضبط حسابية هامشية إلى ركيزة بنيوية يرتكز عليها كامل الاستدلال الإحصائي البارامتري الحديث.

1.3 أهمية درجات الحرية في الاستدلال والقياس النفسي

تكتسب درجات الحرية أهمية محورية واستثنائية في مجالات الاستدلال الإحصائي والقياس النفسي والتربوي؛ إذ إنها تمثل الضامن الرياضي الأساسي لتحويل التقديرات الإحصائية المستخرجة من العينات المحدودة إلى معالم مجتمعية غير متحيزة (Unbiased Estimators). في البحوث السلوكية، نادراً ما يمتلك الباحث إمكانية الوصول إلى المجتمع الإحصائي الكلي، وبالتالي فإن جميع المعالم مثل المتوسطات والتباينات وأوزان الانحدار يتم تقديرها عبر عينات. إذا لم يتم أخذ درجات الحرية المستهلكة بالحسبان، فإن مقاييس التشتت والارتباط تميل بالضرورة إلى التقليل من شأن الخطأ العشوائي الحقيقي الكامن في الظاهرة المدروسة.

تؤثر درجات الحرية بصورة مباشرة على ضبط خطأ النوع الأول (Type I Error) – أي رفض الفرضية الصفرية وهي صحيحة – وعلى تحديد القيمة الاحتمالية ($p$-value) ومستوى الدلالة بدقة متناهية. كلما انخفضت درجات الحرية، اتسعت الذيول الاحتمالية للتوزيعات الاختبارية (مثل توزيع$t$ وتوزيع $F$)، مما يفرض قيماً حرجة أعلى لرفض الفرض الصفر، ويحمي الباحث من الوقوع في فخ الاستنتاجات الزائفة. أما في سياق القياس النفسي وتطوير الاختبارات والمقاييس، فإن درجات الحرية تحدد كفاءة التحليل العاملي التوكيدي، ودرجة مطابقة النماذج النظرية للشخصية والسلوك مع الواقع الميداني، مما يجعلها معياراً لا غنى عنه للتحقق من الصدق البنائي والاتساق الداخلي للظواهر المقاسة.

2. التفسير الهندسي والبديهي لمفهوم درجات الحرية

2.1 المثال التوضيحي الكلاسيكي لاختيار القيم المقيدة

لتوضيح المفهوم البديهي لدرجات الحرية بعيداً عن التعقيد الرياضي المجرد، يمكن الاستعانة بالمثال الكلاسيكي لتثبيت المجموع الحسابي. لنفترض أن باحثاً طلب من مفحوص اختيار خمسة أرقام عشوائية ($n = 5$)، ولكن بشرط رياضي مسبق (قيد) وهو أن يكون المتوسط الحسابي لهذه الأرقام الخمسة مساوياً للعدد 10 بالضبط، وهو ما يعني جبرياً أن يكون مجموع الأرقام الخمسة مساوياً للعدد 50 ($\sum X = 50$).

في هذه الحالة، يمتلك المفحوص الحرية الكاملة والمطلقة لاختيار الرقم الأول (مثلاً 12)، والرقم الثاني (مثلاً 8)، والرقم الثالث (مثلاً 15)، والرقم الرابع (مثلاً 5). حتى هذه اللحظة، تم استهلاك أربع قيم بحرية تامة دون أي مانع رياضي؛ غير أنه بمجرد تحديد هذه القيم الأربع التي يبلغ مجموعها 40، تصبح القيمة الخامسة والأخيرة مجبرة رياضياً ولا تملك أي حرية في الاختيار، إذ يجب أن تكون حتماً مساوية لـ (50 – 40 = 10) حتى يتحقق القيد المفروض مسبقاً. بناءً على ذلك، نقول إن لدينا 4 درجات حرية فقط ($df = 5 – 1 = 4$).

يوضح هذا المثال الحسابي البسيط كيف أن فرض معلومة واحدة مسبقة حول العينة (وهي المتوسط الحسابي هنا) يُلغي درجة واحدة من الحرية الاستقلالية للمشاهدات. هذا المبدأ ذاته ينتقل من الأمثلة الأحادية إلى مصفوفات البيانات المركبة في النماذج الإحصائية المتعددة؛ فكلما أضفنا قيداً خطياً، مثل تقدير ميل انحدار أو تثبيت مجموع صفوف في جدول تكراري، فإننا نسحب من بنك البيانات درجة حرية موازية تقلل من فضاء التباين المتاح.

2.2 التمثيل الهندسي في الفضاء متعدد الأبعاد

يعد التمثيل الهندسي الفضائي الطريقة الأكثر دقة وعمقاً لاستيعاب درجات الحرية كما صاغها رونالد فيشر. عندما نجمع عينة حجمها $n$ من المشاهدات لمتغير ما، يمكن تمثيل هذه العينة كمتجه نقطي واحد $\mathbf{x} = (x_1, x_2, dots, x_n)$ يقع داخل الفضاء الإقليدي ذي الأبعاد النونية ($\mathbb{R}^n$). في هذا الفضاء، يمتلك المتجه $n$ من المحاور المستقلة للتحرك بحرية في جميع الاتجاهات، وهو ما يعادل $n$ من درجات الحرية الكلية للبيانات الخام.

عندما نقوم بحساب المتوسط الحسابي للعينة $\bar{x}$، فإننا في الواقع نقوم بإسقاط المتجه $\mathbf{x}$ عمودياً على متجه الوحدة المتساوي الأبعاد $\mathbf{1} = (1, 1, dots, 1)$، وهو فضاء جزئي أحادي البعد ($\mathbb{R}^1$) يمثل تباين المتوسط. المتجه المتبقي الذي يعبر عن انحرافات المشاهدات عن المتوسط ($\mathbf{x} – \bar{x}\mathbf{1}$) يصبح بالضرورة متعامداً (Orthogonal) تماماً مع فضاء المتوسط. وبما أن الفضاء الكلي ذو أبعاد $n$، وفضاء المتوسط يستهلك بعداً واحداً فقط، فإن فضاء الانحرافات أو البواقي المتبقية ينحصر بالضرورة داخل فضاء جزئي ذي أبعاد تبلغ ($n – 1$).

من هنا، تتضح الرؤية الهندسية الصارمة: درجات الحرية هي بالضبط أبعاد الفضاء الخطي الجزئي (Dimensionality of the Subspace) المتاح للبواقي والتباينات العشوائية بعد إسقاط النماذج المقدرة. إن خاصية التعامد الرياضي بين هذه الفضاءات هي الأساس الذي يضمن الاستقلالية الإحصائية التامة بين المتوسط المحسوب وتباين العينة في ظل التوزيع الطبيعي، وهي التي تتيح لنا تجزئة مجموع المربعات الكلية إلى مكونات تباين مستقلة تخضع لتوزيعات احتمالية معلومة بدقة.

3. درجات الحرية في مقاييس النزعة المركزية وحساب التباين

3.1 حساب تباين العينة وتصحيح بيسل (Bessel’s Correction)

يبرز مفهوم درجات الحرية بصورة عملية وفارقة عند الانتقال من حساب تباين المجتمع إلى حساب تباين العينة. يُعرف تباين المجتمع الإحصائي ($\sigma^2$) بأنه متوسط مربعات انحرافات القيم عن متوسط المجتمع الحقيقي ($\mu$)، وتُعطى صيغته الرياضية بالقسمة على الحجم الكلي للمجتمع $N$:

σ² = ∑(X – μ)² / N

لكن في التطبيقات الواقعية، يكون متوسط المجتمع $\mu$ مجهولاً تماماً للباحث، مما يضطره إلى استخدام متوسط العينة ($\bar{X}$) كبديل تقديري. تكمن المعضلة الرياضية هنا في أن انحرافات قيم العينة عن متوسطها الحسابي الخاص بها تكون دائماً أصغر في مجموع مربعاتها من انحرافات نفس القيم عن أي رقم آخر، بما في ذلك متوسط المجتمع الحقيقي $\mu$. هذا يعني رياضياً أن:

∑(X_i – X̄)² < ∑(X_i – μ)²

إذا قمنا بحساب تباين العينة عبر قسمة مجموع المربعات على حجم العينة $n$، فإن التقدير الناتج سيكون متحيزاً نحو الأسفل بصورة نمطية (Systematically Underestimated)، أي أنه سيقلل دائماً من مقدار التباين والتشتت الحقيقي في المجتمع. للتغلب على هذا القصور المعرفي والرياضي، أدخل عالم الرياضيات فريدريش بيسل ما يُعرف بـ تصحيح بيسل (Bessel’s Correction)، والذي يقضي بقسمة مجموع مربعات الانحرافات على درجات الحرية ($n – 1$) بدلاً من $n$، لتصبح صيغة التباين غير المتحيز للعينة ($s^2$):

s² = ∑(X – X̄)² / (n – 1)

تثبت البراهين الرياضية لنظرية القيمة المتوقعة أن $E(s^2) = \sigma^2$ فقط عند استخدام المقام ($n – 1$). يعكس هذا التصحيح حقيقة أننا استهلكنا معلومة واحدة مستقلة لتقدير المتوسط $\bar{X}$، ولم يتبق لدينا سوى ($n – 1$) من المعلومات المستقلة لتقدير التشتت. في الأبحاث النفسية والسلوكية التي تعتمد على عينات صغيرة (مثل $n = 10$ أو $15$ في الدراسات الإكلينيكية النادرة)، يؤدي إهمال تصحيح بيسل إلى تشويه جسيم في تقدير التباين قد يتجاوز 10%، مما يقود إلى تضخيم زائف للدلالة الإحصائية.

3.2 درجات الحرية في حساب الانحراف المعياري والخطأ المعياري

ينتقل الأثر الجبري لدرجات الحرية مباشرة من معادلة التباين إلى حساب الانحراف المعياري للعينة ($s$)، بوصفه الجذر التربيعي الموجب للتباين غير المتحيز:

s = √[ ∑(X – X̄)² / (n – 1) ]

وعلى الرغم من أن الجذر التربيعي للتقدير غير المتحيز للتباين لا يعطي من الناحية الرياضية الصرفة تقديراً غير متحيز تماماً للانحراف المعياري (بسبب عدم خطية دالة الجذر وتحدبها وفق متباينة جنسن)، إلا أن استخدام درجات الحرية ($n – 1$) يظل التقدير المعياري الأفضل والأكثر اتساقاً واستقراراً في الاستدلال الإحصائي التطبيقي.

يمتد هذا التأثير الحاسم إلى حساب الخطأ المعياري للمتوسط (Standard Error of the Mean – $SE_{\bar{x}}$)، وهو المؤشر الذي يقيس مدى تشتت متوسطات العينات المتكررة حول متوسط المجتمع، ويُحسب وفق المعادلة:

SE_X̄ = s / √n

ترتبط دقة تقدير الخطأ المعياري وموثوقيته بمدى استقرار الانحراف المعياري $s$ المحسوب استناداً لدرجات الحرية ($n – 1$). عند بناء فترات الثقة لمتوسطات الدرجات في الاختبارات النفسية (مثل مقاييس الذكاء أو الكفاءة الذاتية)، يعتمد اتساع فترة الثقة على القيمة الحرجة المستخرجة من توزيع $t$ لدرجات حرية محددة بـ ($df = n – 1$). كلما انخفضت درجات الحرية، زادت قيمة $t$ واتسعت فترة الثقة لتعكس حالة عدم التيقن الناتجة عن قلة المشاهدات المستقلة المتاحة للتقدير.

4. حساب وتطبيق درجات الحرية في اختبارات “ت” (t-Tests)

4.1 اختبار “ت” للعينة الواحدة (One-Sample t-Test)

يُستخدم اختبار “ت” للعينة الواحدة عندما يرغب الباحث في مقارنة متوسط عينة مفردة بقيمة ثابتة معلومة مسبقاً أو معيار مرجعي نظري أو مجتمعي ($\mu_0$). في هذا التصميم الإحصائي، يمتلك الباحث عينة حجمها $n$ وملاحظات خاضعة للقياس الكمي. تُحسب القيمة الاختبارية لـ $t$ بقسمة الفرق بين متوسط العينة والمتوسط المرجعي على الخطأ المعياري لمتوسط العينة:

t = (X̄ – μ₀) / (s / √n)

تخضع هذه القيمة الاختبارية لتوزيع $t$ لستيودنت بدرجات حرية تُحسب تحديداً بالصيغة:

df = n – 1

يعود استهلاك درجة حرية مفردة في هذا الاختبار إلى ضرورة تقدير معلمة مجهولة واحدة من بيانات العينة، وهي التباين المجتمعي $\sigma^2$ الذي تم استبداله بتباين العينة $s^2$، والذي تطلب بدوره حساب المتوسط الحسابي للعينة $\bar{X}$. أما القيمة المرجعية $\mu_0$ فهي رقم ثابت مفروض خارجياً من النظرية أو المجتمع المرجعي، وبالتالي لا تستهلك أي درجات حرية من العينة المدروسة.

تطبيق عملي: إذا أجرى باحث نفسي دراسة على عينة من 25 مريضاً بالاكتئاب ($n = 25$) لتقييم مستويات القلق ومقارنتها بالمعيار الوطني العام البالغ 50 نقطة، فإن درجات الحرية المتاحة لاختبار دلالة الفروق هي $df = 25 – 1 = 24$. بناءً على هذه القيمة ($df = 24$)، يتم الرجوع إلى جدول توزيع $t$ لتحديد القيمة الحرجة عند مستوى دلالة $\alpha = 0.05$، والتي تبلغ 2.064 للاختبار ثنائي الطرف، وهي قيمة أعلى من القيمة الحرجة للتوزيع الطبيعي المعياري (1.96)، لتعويض النقص في درجات الحرية الناتج عن حجم العينة.

4.2 اختبار “ت” للعينات المستقلة (Independent Samples t-Test)

يُطبق اختبار “ت” للعينات المستقلة لمقارنة متوسطي مجموعتين منفصلتين تماماً من الأفراد (مثل مجموعة تجريبية وأخرى ضابطة). عند تحقق افتراض تجانس التباين بين المجموعتين (Homogeneity of Variance)، يتم دمج تبايني المجموعتين لحساب التباين المجمع المشترك ($s_p^2$). في هذه الحالة الكلاسيكية، تُحسب درجات الحرية الكلية للاختبار وفق الصيغة التالية:

df = (n₁ – 1) + (n₂ – 1) = n₁ + n₂ – 2

حيث يمثل $n_1$ حجم العينة الأولى، و$n_2$ حجم العينة الثانية. إن سبب طرح الرقم (2) هنا يرجع إلى أن الباحث يستهلك درجتي حرية مستقلتين: الأولى لتقدير متوسط المجموعة الأولى ($\bar{X}_1$) بهدف حساب انحرافات تباينها، والثانية لتقدير متوسط المجموعة الثانية ($\bar{X}_2$) لحساب تباين مجموعتها.

ومع ذلك، إذا انتهك افتراض تجانس التباين ($s_1^2 \neq s_2^2$)، يصبح استخدام التباين المجمع ودرجات الحرية الكلاسيكية أمراً مضللاً يقود إلى خطأ كبير في الدلالة الإحصائية. في هذا الموقف، يُطبق تعديل ويلش-ساترثويت (Welch-Satterthwaite Correction)، والذي يعيد حساب درجات الحرية لتصبح معادلة معقدة تعتمد على أحجام العينات وتباين كل عينة على حدة:

df_Welch = [ (s₁²/n₁ + s₂²/n₂)² ] / [ ( (s₁²/n₁)² / (n₁ – 1) ) + ( (s₂²/n₂)² / (n₂ – 1) ) ]

ينتج عن تصحيح ويلش دائماً درجات حرية كسرية (Fractional Degrees of Freedom) تكون أصغر من أو مساوية لـ ($n_1 + n_2 – 2$). إن هذا الخفض الصارم في درجات الحرية يعكس التكلفة الرياضية لعدم اليقين الناتج عن عدم تجانس التباينات، مما يضمن دقة وصحة الاستدلال الإحصائي للنتائج دون تضخيم مفرط للقوة الاختبارية.

4.3 اختبار “ت” للعينات المترابطة (Paired Samples t-Test)

في تصاميم القياس المتكرر أو العينات المتطابقة زوجياً (مثل قياس مستوى الأداء لنفس الأفراد قبل المعالجة وبعدها)، يتغير المنطق الإحصائي لحساب درجات الحرية جذرياً. في هذا الاختبار، لا يتم التعامل مع القياسات القبلية والبعدية كمجموعتين مستقلتين، بل يتم تحويل البيانات إلى متغير جديد واحد يمثل الفروق الفردية لكل زوج من القياسات ($D_i = X_{post, i} – X_{pre, i}$).

بناءً على هذا التحويل، يُعامل الاختبار رياضياً وكأنه اختبار “ت” لعينة واحدة مطبق على عمود الفروق ($D$). وبالتالي، تُحسب درجات الحرية استناداً إلى عدد الأزواج ($N_{pairs}$) وفق المعادلة:

df = N_pairs – 1

تتجلى هنا كفاءة التصاميم المترابطة مقابل التصاميم المستقلة؛ فإذا كان لدينا 40 قياساً موزعة على 20 فرداً خضعوا لاختبارين قبلي وبعدي ($N_{pairs} = 20$)، فإن درجات الحرية تكون ($df = 19$). في المقابل، لو استخدمنا 40 فرداً مختلفاً موزعين على مجموعتين مستقلتين تحتوي كل منهما 20 فرداً، لكانت درجات الحرية ($df = 38$). على الرغم من أن درجات الحرية في العينات المستقلة هنا أكبر، إلا أن اختبار العينات المترابطة يعوض هذا النقص الحسابي في درجات الحرية من خلال إزالة التباين بين الأفراد (Inter-individual Variation) من مقام الاختبار، مما يزيد من الحساسية والقوة الإحصائية لرصد التأثيرات العلاجية النفسية بدقة فائقة.

5. درجات الحرية في تحليل التباين الأحادي والمتعدد (ANOVA)

5.1 تحليل التباين الأحادي (One-Way ANOVA)

يمثل تحليل التباين (ANOVA) الإطار الرياضي الأوسع لتجزئة التباين الكلي في البيانات إلى مكونات مستقلة ومتعامدة. في تحليل التباين الأحادي لمقارنة متوسطات عدة مجموعات مستقلة ($k$)، يتم تفكيك مجموع المربعات الكلية ($SS_{Total}$) ودرجات الحرية الكلية إلى جزأين أساسيين: التباين بين المجموعات ($SS_{Between}$) والتباين داخل المجموعات أو الخطأ ($SS_{Within}$).

تخضع درجات الحرية في هذا التحليل لقاعدة التجميع الإضافي الخطي (Additive Property)، حيث تتكامل المكونات رياضياً كما يلي:

• درجات الحرية بين المجموعات (Between-Groups df):

  df_between = k – 1

  حيث تمثل $k$ عدد المجموعات أو مستويات المعالجة المستقلة. يعكس هذا القيمة عدد المتوسطات المستقلة للمجموعات القابلة للتغير حول المتوسط الكلي العام (Grand Mean).

• درجات الحرية داخل المجموعات / الخطأ (Within-Groups / Error df):

  df_within = N – k

  حيث يمثل $N$ الحجم الكلي للمفحوصين عبر جميع المجموعات ($N = \sum n_i$). تمثل هذه القيمة تباين الأفراد حول متوسطات مجموعاتهم الخاصة، ويتم فيها خصم درجة حرية واحدة لكل مجموعة بسبب تقدير متوسطها المستقل.

• درجات الحرية الكلية (Total df):

  df_total = N – 1 = df_between + df_within

تتجلى الأهمية الجوهرية لدرجات الحرية في حساب “متوسط المربعات” (Mean Squares – $MS$)، حيث لا يمكن استخدام مجموع المربعات ($SS$) مباشرة للمقارنة لاختلاف أبعاد الفضاءات، بل يجب تحويلها إلى تباينات مقاسة عبر قسمة كل مجموع مربعات على درجات الحرية المقابلة له:

MS_between = SS_between / df_between

MS_within = SS_within / df_within

وعلى هذا الأساس تُحسب النسبة الفائية للاختبار: F = MS_between / MS_within، والتي تخضع لتوزيع $F$ المحدد بزوج درجات الحرية: $(df_{between}, df_{within})$.

5.2 تحليل التباين العاملي (Factorial ANOVA)

في التصاميم العاملية المعقدة التي تدرس تأثير متغيرين مستقلين أو أكثر في آن واحد، تتوسع تجزئة درجات الحرية لتشمل التأثيرات الأساسية (Main Effects) وتأثيرات التفاعل المشترك (Interaction Effects). لنفترض تصميماً عاملياً ثنائياً من النوع ($A \times B$)، حيث يحتوي العامل الأول $A$ على $a$ من المستويات، ويحتوي العامل الثاني $B$ على $b$ من المستويات، مع حجم عينة إجمالي قدره $N$.

يتم توزيع درجات الحرية في هذا النموذج العاملي بدقة جبرية وفق الآتي:

• درجات حرية التأثير الأساسي للعامل A: df_A = a – 1
• درجات حرية التأثير الأساسي للعامل B: df_B = b – 1
• درجات حرية التفاعل المشترك (A × B): df_A×B = (a – 1) × (b – 1)
• درجات حرية الخطأ العشوائي (Error): df_error = N – (a × b)
• درجات الحرية الكلية: df_total = N – 1

مثال تطبيقي: في دراسة نفسية تبحث تفاعل ثلاثة أنواع من العلاج النفسي ($a = 3$) مع نوعين للجنس ($b = 2$) في خفض أعراض اضطراب كرب ما بعد الصدمة، باستخدام عينة إجمالية من 60 مريضاً ($N = 60$ بمعدل 10 أفراد في كل خلية تجريبية):

• درجات حرية العلاج: $df_{العلاج} = 3 – 1 = 2$
• درجات حرية الجنس: $df_{الجنس} = 2 – 1 = 1$
• درجات حرية التفاعل (العلاج × الجنس): $df_{التفاعل} = 2 \times 1 = 2$
• درجات حرية الخطأ: $df_{الخطأ} = 60 – (3 \times 2) = 60 – 6 = 54$

يتم اختبار كل تأثير فائي $F$ بقسمة متوسط مربعاته الخاص على متوسط مربعات الخطأ ($MS_{error}$)، وتُحدد دلالة كل تأثير استناداً لدرجات حرية بسطه الخاصة ودرجات حرية مقام الخطأ المشترك ($df_{error} = 54$).

5.3 تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)

عند تعريض نفس الأفراد لعدة معالجات عبر الزمن، يتم فصل التباين الكلي إلى تباين بين الأفراد (Between-Subjects) وتباين داخل الأفراد (Within-Subjects). لنفترض تجربة تتضمن $n$ من المفحوصين خضعوا جميعاً لـ $k$ من مستويات القياس المتكرر، بحيث يكون إجمالي عدد المشاهدات الكلي $N_{obs} = n \times k$.

تُفصل درجات الحرية في هذا النموذج إلى:

• درجات الحرية بين المفحوصين: df_subjects = n – 1
• درجات حرية المعالجة / الزمن: df_treatment = k – 1
• درجات حرية خطأ القياس المتكرر (المتبقي): df_error = (n – 1) × (k – 1)
• درجات الحرية الإجمالية: df_total = (n × k) – 1

يواجه تحليل القياسات المتكررة تحدياً إحصائياً بنيوياً يتمثل في افتراض الكروية (Sphericity)، والذي يشترط تساوي تباينات الفروق بين جميع الأزواج الممكنة من مستويات القياس. عند انتهاك هذا الافتراض، تصبح القيمة الاختبارية لـ $F$ مفرطة في الإيجابية (تضخيم خطأ النوع الأول) بسبب عدم صحة درجات الحرية الاسمية المستخدمة.

لعلاج هذا الخلل، يتم ضرب كل من درجات حرية البسط ($df_{treatment}$) ودرجات حرية المقام ($df_{error}$) بمعامل تصحيح يرمز له بـ إبسيلون ($epsilon$)، حيث تقع قيمته بين حد أدنى يمثل أسوأ انتهاك $1/(k-1)$ وحد أقصى هو 1 (عند تحقق الكروية التامة). أشهر هذه التعديلات المعتمدة عالمياً:

1. تعديل غرينهاوس-غايسر (Greenhouse-Geisser ε): وهو تعديل محافظ يوصى به عندما تكون قيمة إبسيلون التقديرية أقل من 0.75.
2. تعديل هيونه-فيلدت (Huynh-Feldt ε): وهو تعديل أقل تحفظاً وأكثر ملاءمة عندما تقترب قيمة إبسيلون من 0.75 أو تتجاوزها.

يؤدي هذا التصحيح إلى تحويل درجات الحرية إلى قيم كسرية أصغر حجماً، مما يرفع القيمة الحرجة المطلوبة لتحقيق الدلالة ويعيد ضبط معدل الخطأ إلى مستواه الاسمي الصحيح.

6. درجات الحرية في اختبارات مربع كاي (Chi-Square Tests)

6.1 اختبار حسن المطابقة (Chi-Square Goodness of Fit)

يُستخدم اختبار مربع كاي لحسن المطابقة لاختبار مدى اتفاق توزيع تكراري تجريبي تم جمعه من عينة مع توزيع نظري مفترض مسبقاً عبر مجموعة من الفئات التصنيفية الاسمية أو الرتبية ($k$). تُعطى الصيغة الرياضية الكلاسيكية لدرجات الحرية في هذا الاختبار بالمعادلة:

df = k – 1

يعود طرح الرقم (1) هنا إلى القيد الهامشي الإلزامي الذي يفرضه ثبات المجموع الإجمالي للتكرارات الملاحظة ($\sum O_i = N$)، والذي يجب أن يتطابق حتماً مع مجموع التكرارات المتوقعة ($\sum E_i = N$). فإذا عرفنا التكرارات المتوقعة لـ ($k – 1$) من الفئات، فإن تكرار الفئة الأخيرة يتحدد جبرياً وتلقائياً دون أي خيار مستقل.

تطرأ حالة خاصة متقدمة على حساب درجات الحرية إذا تطلب حساب التكرارات المتوقعة ($E_i$) تقدير معالم إضافية من بيانات العينة ذاتها (مثل تقدير المتوسط $\bar{X}$ أو الانحراف المعياري $s$ لاختبار مطابقة العينة للتوزيع الطبيعي). في هذه الحالة، تتوسع صيغة درجات الحرية لتصبح:

df = k – 1 – m

حيث يمثل $m$ عدد المعالم المجتمعية الإضافية المقدرة من العينة. فإذا اختبرنا مطابقة توزيع سلوكي لتوزيع بواسون وتطلب الأمر تقدير معلمة المعدل ($lambda$) من العينة ($m=1$) عبر 6 فئات تصنيفية ($k=6$)، فإن درجات الحرية المتاحة تنخفض إلى: $df = 6 – 1 – 1 = 4$.

6.2 اختبار الاستقلالية وجداول الاقتران (Contingency Tables)

في اختبار مربع كاي للاستقلالية وجداول الاقتران ثنائية البعد ($r \times c$)، حيث يمثل $r$ عدد الصفوف (مستويات المتغير الأول) و$c$ عدد الأعمدة (مستويات المتغير الثاني)، تُشتق درجات الحرية بالمعادلة الأساسية التالية:

df = (r – 1) × (c – 1)

يرتكز الأساس الرياضي الصارم لهذا الاشتقاق على عدد الخلايا الحرة القابلة للتغير في الجدول التكراري مع بقاء المجاميع الهامشية لجميع الصفوف (Row Marginals) وجميع الأعمدة (Column Marginals) والمجموع الكلي ($N$) ثابتة دون تغيير. عند تثبيت مجاميع الصفوف، نفقد درجة حرية واحدة لكل صف ($r – 1$)، وعند تثبيت مجاميع الأعمدة، نفقد درجة حرية واحدة لكل عمود ($c – 1$).

في الجداول التكرارية متعددة الأبعاد (Three-way and Four-way Contingency Tables) المستخدمة في النمذجة اللوغاريتمية الخطية (Log-Linear Models)، تتوسع درجات الحرية وفق قيود النماذج الهرمية المفروضة. ففي جدول ثلاثي الأبعاد ($r \times c \times l$)، تكون درجات حرية نموذج الاستقلال التام بين المتغيرات الثلاثة:

df = r × c × l – (r – 1) – (c – 1) – (l – 1) – 1

محددات العينات الصغيرة: عندما تنخفض درجات الحرية في جداول ($2 times 2$) بحيث يصبح$df = 1$ مع صغر حجم العينة والتكرارات المتوقعة الأقل من 5، يفقد توزيع مربع كاي المتصل تقاربه الدقيق مع التوزيع المنفصل للتكرارات، مما يستوجب تطبيق “تصحيح ييتس للاستمرارية” (Yates’s Correction for Continuity) أو الانتقال المباشر إلى اختبار فيشر الدقيق (Fisher’s Exact Test) لتفادي تضخيم الدلالة.

7. درجات الحرية في تحليل الانحدار الخطي البسيط والمتعدد

7.1 الانحدار الخطي البسيط (Simple Linear Regression)

يهدف تحليل الانحدار الخطي البسيط إلى نمذجة العلاقة بين متغير تابع كمي ($Y$) ومتغير مستقل تنبؤي واحد ($X$) عبر معادلة الخط المستقيم:$hat{Y} = beta_0 + beta_1 X$. يتم في هذا التحليل تجزئة مجموع المربعات الكلية للمتغير التابع ($SS_{Total}$) إلى مجموع مربعات الانحدار المفسر بالنموذج ($SS_{Regression}$) ومجموع مربعات البواقي أو الخطأ غير المفسر ($SS_{Residual}$).

تتوزع درجات الحرية في الانحدار البسيط وفق الهيكلية التالية:

• درجات حرية الانحدار / النموذج (df_regression): تساوي دائماً 1 في الانحدار البسيط، لأن النموذج يشتمل على متغير مستقل تنبؤي واحد فقط، وهو ما يستهلك معلمة واحدة لتقدير معامل الميل ($\beta_1$).
• درجات حرية البواقي / الخطأ (df_residual): تُحسب بالصيغة:

  df_residual = n – 2

  حيث يمثل $n$ حجم العينة الكلي. يعود خصم الرقم (2) إلى أننا استهلكنا درجتي حرية لتقدير معلمتين أساسيتين في معادلة المستقيم: الثابت أو المقطع الصادي ($\beta_0$) وميل الانحدار ($\beta_1$).

• درجات الحرية الكلية (df_total): تساوي n – 1، وتمثل تباين المتغير التابع حول متوسطه العام.

توجد علاقة جبرية متطابقة تماماً بين اختبار دلالة ميل الانحدار البسيط باستخدام النسبة الفائية ($F$ بدرجات حرية 1 و $n-2$) واختبار دلالة معامل ارتباط بيرسون ($r$) باستخدام اختبار “ت” بدرجات حرية ($df = n – 2$). ففي كلتا الحالتين، تكون$t^2 = F$، وكلاهما يعتمدان بدقة على نفس درجات حرية البواقي لاختبار وجود علاقة حقيقية بين المتغيرين.

7.2 الانحدار الخطي المتعدد ونماذج التنبؤ (Multiple Regression)

عند بناء نماذج انحدار متعدد تتضمن عدداً قدره $k$ من المتغيرات المستقلة للتنبؤ بمتغير تابع مفرد، تتوسع منظومة درجات الحرية لتأخذ الصيغ الرياضية التالية:

• درجات حرية النموذج الكلي: df_model = k
• درجات حرية البواقي أو الخطأ: df_residual = n – k – 1
• درجات الحرية الكلية: df_total = n – 1

يشير الرقم (1) الإضافي المطروح في درجات حرية البواقي إلى معلمة الثابت ($\beta_0$)، بينما يمثل $k$ عدد معالم الميول الجزئية المقدرة لكل متغير تنبؤي ($\beta_1, \beta_2, dots, \beta_k$).

تبرز الأهمية النقدية لدرجات الحرية في الانحدار المتعدد من خلال ظاهرة التضخيم المصطنع لمعامل التحديد ($R^2$). فكلما أضاف الباحث متغيراً تنبؤياً جديداً إلى النموذج، يرتفع معامل $R^2$ الحسابي تلقائياً حتى لو كان المتغير المضاف مجرد أرقام عشوائية لا تحمل أي قيمة تنبؤية حقيقية. لمعالجة هذا التضليل، تم تطوير “معامل التحديد المعدل” (Adjusted R-squared – $R^2_{adj}$)، الذي يدمج درجات الحرية مباشرة في صلب حسابه لمعاقبة النموذج على استهلاك المتغيرات غير المفيدة:

R²_adj = 1 – [ ( (1 – R²) × (n – 1) ) / (n – k – 1) ]

إذا كانت الزيادة في التباين المفسر أقل من التكلفة الناتجة عن خسارة درجة حرية واحدة في المقام ($n – k – 1$)، فإن قيمة $R^2_{adj}$ ستنخفض حتماً، مما يكشف عدم جدوى إضافة المتغير. كما تحذر الأدبيات المنهجية من خطر فرط التخصيص (Overfitting) عند استنزاف درجات حرية البواقي؛ وتنص القواعد الإرشادية في القياس النفسي (مثل قاعدة هاريل وقاعدة جرين) على ضرورة توفير ما لا يقل عن 15 إلى 20 مشاهدة لكل متغير مستقل ($n/k ge 15-20$) لضمان استقرار درجات حرية البواقي وقابلية النموذج للتعميم.

8. العلاقة الديناميكية بين درجات الحرية والتوزيعات الاحتمالية

8.1 توزيع “ت” وتغير شكله بتغير درجات الحرية

يمثل توزيع $t$ لستيودنت عائلة كاملة من التوزيعات الاحتمالية المتصلة المتناظرة والمتمركزة حول الصفر، وتتميز بأن شكلها الهندسي ومقدار تفلطحها ودقة ذيولها يتحدد حصرياً عبر معلمة وحيدة هي درجات الحرية ($df$). دالة كثافة الاحتمال لتوزيع $t$ تُعطى رياضياً بالصيغة:

f(t) = [ Γ((ν + 1)/2) ] / [ √(νπ) Γ(ν/2) ] × [ 1 + t²/ν ]^-(ν+1)/2

حيث يمثل $\nu$ درجات الحرية ($df$)، و$\Gamma$ هي دالة غاما الرياضية.

عندما تكون درجات الحرية منخفضة جداً (مثل $df = 1$ أو $df = 3$)، يمتلك توزيع $t$ ذيولاً ثقيلة وسميكة جداً (Heavy Tails)، ويكون قمته أكثر تسطحاً مقارنة بالتوزيع الطبيعي. يترجم هذا الامتلاء في الذيول احتمالية أعلى لظهور القيم المتطرفة والتقلبات العينية العشوائية الناتجة عن صغر العينة وصعوبة التيقن من التباين الحقيقي.

مع زيادة درجات الحرية التدريجية، يخضع توزيع $t$ لظاهرة التقارب المقارب (Asymptotic Convergence) نحو التوزيع الطبيعي المعياري ($Z$). فعندما تقترب درجات الحرية من اللانهاية ($nu to infty$)، يصبح التوزيعان متطابقين تماماً. عملياً، عندما تتجاوز درجات الحرية$df = 120$، تصبح الفروق بين القيم الحرجة لتوزيع$t$ والتوزيع الطبيعي متناهية في الصغر وتكاد لا تذكر، مما يوضح كيف تعمل درجات الحرية كمعامل أمان احتمالي يتسع تلقائياً لحماية الباحثين عند التعامل مع العينات المحدودة.

8.2 توزيع ف (F-Distribution) وزوج درجات الحرية

ينشأ توزيع $F$ الرياضي من النسبة بين متغيرين عشوائيين مستقلين يتبع كل منهما توزيع مربع كاي مقسوماً على درجات حريته الخاصة. بناءً على هذا البناء التأسيسي، فإن توزيع $F$ لا يعتمد على معلمة مفردة، بل يتم تعريفه وتشكيله بناءً على “زوج مستقل من درجات الحرية”: درجات حرية البسط ($\nu_1 = df_1$) ودرجات حرية المقام ($\nu_2 = df_2$).

تحدد درجات حرية البسط ($\nu_1$) في المقام الأول مقدار الالتواء الموجب والشكل البدائي للمنحنى بالقرب من نقطة الأصل؛ فإذا كانت $\nu_1 = 1$، يتخذ التوزيع شكلاً مقوساً متناقصاً بصورة حادة يبدأ من اللانهاية عند الصفر. أما عندما تكون $\nu_1 > 2$، فإن المنحنى يرتفع تدريجياً ليصل إلى قمة نمطية وحيدة قبل أن ينحدر التواءً نحو اليمين.

من جانب آخر، تؤدي درجات حرية المقام ($\nu_2$) الدور الحاسم في استقرار التقدير ودقة تباين الخطأ في المقام؛ حيث تُحسب القيمة المتوقعة لتوزيع $F$ بالصيغة:

E(F) = ν₂ / (ν₂ – 2)     (لكل ν₂ > 2)

يتضح من هذه المعادلة أن المتوسط النظري لتوزيع $F$ يقترب من الواحد الصحيح فقط عندما تصبح درجات حرية المقام كبيرة جداً. عند قراءة الجداول الإحصائية لتحديد القيمة الحرجة ($F_{critical}$)، يتقاطع عمود درجات حرية البسط مع صف درجات حرية المقام؛ وكلما ازدادت درجات حرية المقام، انخفضت القيمة الحرجة المطلوبة لرفض الفرضية الصفرية، مما يعكس زيادة دقة الاختبار وحساسيته.

8.3 توزيع مربع كاي وتغير خصائصه الإحصائية

يُعرف توزيع مربع كاي ($\chi^2$) بدرجات حرية $k$ بأنه التوزيع الاحتمالي الناتج عن مجموع مربعات $k$ من المتغيرات العشوائية المستقلة والمعيارية التي تتبع التوزيع الطبيعي المعياري $Z sim N(0, 1)$:

χ² = ∑_i=1^k Z_i²

تتميز الخصائص اللحظية لتوزيع مربع كاي بارتباطها المباشر والفريد بدرجات الحرية ($df = k$):

• المتوسط الحسابي / القيمة المتوقعة: E(χ²) = k = df
• التباين الإحصائي: Var(χ²) = 2k = 2 × df

تتحكم درجات الحرية في التحول الهندسي الجذري لتوزيع مربع كاي؛ فعندما تكون $df = 1$ أو $df = 2$، يكون التوزيع ملتوياً التواءً موجباً فائق الشدة ومرتفعاً بصورة لا نهائية عند الصفر. مع ارتفاع درجات الحرية ($df = 5, 10, 20$)، يبدأ المنحنى بالابتعاد عن الصفر وتتراجع حدة الالتواء. وعندما تتجاوز درجات الحرية $df = 30$ إلى $50$، واستناداً إلى نظرية النهاية المركزية، يقترب شكل توزيع مربع كاي بصورة مذهلة من شكل التوزيع الطبيعي المتماثل بمتوسط $\mu = k$ وانحراف معياري $\sigma = \sqrt{2k}$.

9. تأثير درجات الحرية على القوة الإحصائية ودقة التقدير

9.1 العلاقة المباشرة بالقوة الإحصائية (Statistical Power)

تُعرّف القوة الإحصائية ($1 – beta$) بأنها احتمالية نجاح الباحث في رفض الفرضية الصفرية الخاطئة ورصد التأثيرات أو الفروق الحقيقية الموجودة فعلياً في المجتمع. ترتبط القوة الإحصائية ارتباطاً طردياً وثيقاً بدرجات الحرية المتاحة في النموذج الإحصائي؛ إذ إن كل زيادة في درجات الحرية تؤدي مباشرة إلى تضييق أخطاء التقدير المعيارية، وخفض القيم الحرجة للجداول الإحصائية، وزيادة كثافة توزيع الفرض البديل في منطقة الرفض.

يعد تحليل القوة الإحصائية القبلي (A Priori Power Analysis) أداة تخطيطية لا غنى عنها في البحوث التجريبية والنفسية المعاصرة. يتم عبر هذا التحليل إدخال حجم التأثير المتوقع ومستوى الدلالة ($\alpha$) والقوة المرغوبة (عادة 0.80 أو 0.90) لتحديد حجم العينة الأدنى المطلوب، والذي يترجم مباشرة إلى تحديد درجات الحرية اللازمة للنموذج. تكمن خطورة إجراء دراسات نفسية بدرجات حرية متدنية (Underpowered Studies) في أنها لا تؤدي فقط إلى الفشل في رصد الظواهر الحقيقية (تضخيم خطأ النوع الثاني $\beta$)، بل تسهم أيضاً فيما يُعرف بـ “لعنة الفائز” (Winner’s Curse)، حيث تكون التأثيرات المكتشفة بالصدفة في العينات ذات درجات الحرية الصغيرة مبالغاً فيها بدرجة هائلة وتفتقر إلى إمكانية إعادة الإنتاج والتحقق المستقل.

9.2 حجم التأثير وعرض فترات الثقة (Confidence Intervals)

لا يقتصر تأثير درجات الحرية على اختبارات الفرضيات الثنائية ($p$-values)، بل يمتد بعمق إلى دقة التقدير المجالي وحساب أحجام التأثير (Effect Sizes). عند حساب فترات الثقة لأي معلمة إحصائية (مثل الفرق بين متوسطين)، يُحدد اتساع فترة الثقة بالعلاقة:

CI = التقدير النقطي ± [ القيمة الحرجة(df) × الخطأ المعياري ]

مع ارتفاع درجات الحرية، تنخفض القيمة الحرجة ويصغر الخطأ المعياري معاً، مما يؤدي إلى تضييق عرض فترة الثقة وزيادة دقتها المعرفية في حصر المعلم الحقيقي للمجتمع ضمن نطاق ضيق وحاسم.

وفي سياق حساب أحجام التأثير في تحليلات التباين، يؤدي إهمال درجات الحرية في معامل “إيتا المربعة” الجزئي التقليدي ($\eta_p^2$) إلى تضخيم مقدار التباين المفسر في العينة. لذلك، يُلزم المنهجيون المعاصرون الباحثين بحساب أحجام التأثير المعدلة لدرجات الحرية، مثل “أوميغا المربعة” ($\omega^2$) و”إبسيلون المربعة” ($\epsilon^2$):

ω² = [ df_effect × (F – 1) ] / [ df_effect × (F – 1) + N ]

تستخدم هذه المؤشرات المتقدمة درجات الحرية لتجريد حجم التأثير من التحيز العيني، مما يوفر تقييماً صادقاً للأهمية العملية والتطبيقية للنتائج السلوكية بعيداً عن التشوهات الرياضية الناتجة عن أحجام العينات.

10. درجات الحرية في النماذج الإحصائية المتقدمة والقياس النفسي

10.1 نمذجة المعادلة الهيكلية (Structural Equation Modeling – SEM)

في نمذجة المعادلة الهيكلية والتحليل العاملي التوكيدي (CFA)، يتغير مفهوم حساب درجات الحرية بشكل جذري؛ حيث لا تُحسب درجات الحرية استناداً إلى عدد الأفراد أو المفحوصين ($N$)، بل تُشتق حصرياً من الفرق بين عدد قطع المعلومات المستقلة في مصفوفة التباين والتغاير للمتغيرات الملاحظة وعدد المعالم الحرة المطلوب تقديرها في النموذج النظري.

إذا كان لدى الباحث عدد $p$ من المتغيرات المقاسة أو الملاحظة، فإن عدد العناصر الفريدة وغير المكررة في مصفوفة التباين والتغاير ($S$) يُحسب بالمعادلة:

عدد المعلومات المتاحة = p(p + 1) / 2

وبالتالي، تُحسب درجات حرية النموذج البنائي الإجمالي بالصيغة:

df_SEM = [ p(p + 1) / 2 ] – q

حيث يمثل $q$ عدد المعالم الحرة المجهولة التي يسعى النموذج إلى تقديرها (وتشمل أوزان التشبعات العاملية، وتباينات الأخطاء، والتغايرات بين المتغيرات الكامنة).

يقود هذا الحساب إلى ثلاثة تصنيفات رياضية حاسمة لتحديد النموذج (Model Identification):

1. نموذج دون التحديد (Under-identified / Under-determined): عندما تكون $df < 0$ ($q > p(p+1)/2$). النموذج هنا يحتوي على مجاهيل أكثر من المعلومات المتاحة، ويكون من المستحيل رياضياً التوصل إلى حل فريد لمعالم النموذج.
2. نموذج محدد تماماً (Just-identified / Saturated): عندما تكون $df = 0$. في هذه الحالة، تتطابق المعالم مع المعلومات بالتمام، ويكون حل النموذج ممكناً ولكنه يفتقر إلى أي درجات حرية متبقية لاختبار جودة المطابقة.
3. نموذج فوق التحديد (Over-identified): عندما تكون $df > 0$. هذا هو الوضع العلمي المثالي الوحيد الذي يتيح درجات حرية موجبة كافية لاختبار الفرضيات وتقييم مدى مطابقة النموذج النظري للبيانات الواقعية.

تعتمد معظم مؤشرات حسن المطابقة العالمية المتقدمة في النمذجة البنائية على درجات الحرية؛ فمؤشر جذر متوسط مربع خطأ الاقتراب (RMSEA) يدمج درجات الحرية في مقامه لمعاقبة النماذج المعقدة غير الاقتصادية:

RMSEA = √[ max( (χ² – df) / (df × (N – 1)), 0 ) ]

كما تُستخدم نسبة مربع كاي إلى درجات الحرية ($\chi^2/df$) كمعيار تقليدي شهير، حيث تشير القيم المحصورة بين 1 و 3 إلى مطابقة مقبولة وممتازة للنموذج المقترح.

10.2 النماذج الخطية متعددة المستويات (Multilevel Modeling)

تفرض النماذج الخطية متعددة المستويات (Multilevel Modeling – MLM) والنماذج الخطية الهرمية (HLM) تحديات رياضية استثنائية في تحديد درجات الحرية واختبار الدلالة لمعاملات الثوابت والانحدار؛ نظراً لأن البيانات تكون متداخلة هرمياً (مثل طلاب متداخلين داخل فصول دراسية، وفصول متداخلة داخل مدارس). في هذه البنى، تفقد الملاحظات الفردية استقلاليتها التامة، مما يؤدي إلى وجود تباينات عند مستويات متعددة ودرجات حرية متفاوتة لكل مستوى.

لا تتطابق درجات الحرية لمعاملات المستوى الفردي (المستوى الأول) مع درجات حرية معاملات المستوى المجموعاتي (المستوى الثاني). وقد أثبتت الدراسات الرياضية أن استخدام درجات الحرية الكلية التقليدية للبيانات يقود إلى تضخيم مروع في معدلات خطأ النوع الأول. لحل هذه المعضلة الحسابية، طُوّرت طرق تقريب متقدمة لحساب درجات الحرية الفعلية، من أبرزها:

• تقريب ساترثويت (Satterthwaite Approximation): والذي يطابق عزم التباين المقدر مع توزيع مربع كاي لتوليد درجات حرية مستمرة ومعدلة للمقام.
• تقريب كينوارد-روجر (Kenward-Roger Method): وهي الطريقة الأكثر دقة ورصانة في الإحصاء المعاصر، حيث تقوم بتعديل مصفوفة التغاير للعينات الصغيرة وتنتج درجات حرية كسرية معدلة تعالج التحيز في الأخطاء المعيارية لمعاملات الانحدار الثابتة والعشوائية.

11. الأخطاء الشائعة والمفاهيم المغلوطة حول درجات الحرية

11.1 المفاهيم الخاطئة في التفسير والتطبيق

تسود بين بعض الباحثين وطلاب الدراسات العليا مجموعة من المفاهيم المغلوطة الراسخة حول درجات الحرية، والتي تنعكس سلباً على جودة الأبحاث المنشورة. من أبرز هذه المفاهيم الخاطئة الاعتقاد السائد بأن درجات الحرية تعادل دائماً حجم العينة مطروحاً منه واحد ($n – 1$) بصورة مطلقة في جميع التحليلات. هذا التعميم يغفل تماماً حقيقة أن خصم الرقم (1) يرتبط فقط بتقدير معلمة واحدة كالمتوسط، بينما يتضاعف الخصم مع كل معلمة إضافية يتم استخراجها من العينة في النماذج المتعددة.

ومن الأخطاء الشائعة أيضاً الخلط الجوهري بين درجات حرية النموذج (Model $df$) ودرجات حرية الخطأ أو البواقي (Residual/Error $df$). فبينما تعبر الأولى عن عدد المتغيرات أو المعالجات المفحوصة وتمثل “البسط” في اختبارات النسب، تعبر الثانية عن التباين العشوائي غير المفسر وتشكل “المقام” الضامن لقوة الاختبار. إن أي خطأ في التمييز بينهما يقود إلى استخراج قيم احتمالية خاطئة تماماً من الجداول وتشويه الدلالة العلمية للبحث.

11.2 الممارسات المنهجية الخاطئة والحلول المقترحة

ترتبط درجات الحرية ارتباطاً وثيقاً بأزمة الثقة وقابلية التكرار في العلوم السلوكية من خلال ممارسات التلاعب المنهجي غير النزيه المعروفة بـ الصيد الاحتمالي (p-hacking) أو “درجات حرية الباحث” (Researcher Degrees of Freedom). تشير هذه الممارسة إلى استغلال الباحث لمرونة القرارات التحليلية، مثل تجربة تقسيم العينة إلى مجموعات فرعية متعددة، أو إضافة وحذف متغيرات ضابطة بصورة استرجاعية متكررة حتى الوصول إلى قيمة $p < 0.05$. إن هذه المحاولات المتكررة تستهلك فعلياً درجات حرية خفية من بنك البيانات دون الإفصاح عنها، مما يحول مستوى الدلالة الاسمي الحقيقي من 5% إلى مستويات تضليلية قد تتجاوز 50% من النتائج الإيجابية الزائفة.

لمواجهة هذه الانحرافات المنهجية وضمان سلامة درجات الحرية، يوصي المجتمع العلمي باتباع التدابير الصارمة التالية:

• التسجيل المسبق للدراسات (Preregistration): توثيق خطة التحليل وحساب درجات الحرية وحجم العينة المستهدف على منصات معتمدة (مثل Open Science Framework) قبل البدء بجمع البيانات لمنع التلاعب بالمتغيرات.
• فحص الاستقلالية والارتباط الذاتي: التأكد من عدم وجود اعتمادية متداخلة بين المشاهدات (مثل الملاحظات المتكررة لنفس المفحوصين دون نمذجة)، وتطبيق التعديلات الحسابية اللازمة لدرجات الحرية عند انتهاك الاستقلالية.
• المراجعة الحسابية المتقاطعة: التحقق الصارم من تطابق درجات الحرية المذكورة في نصوص التقارير مع جداول النتائج وأحجام العينات المعلنة لكشف أي تناقض حسابي غير مبرر.

12. دليل التوثيق الأكاديمي لدرجات الحرية وفق معايير جمعية علم النفس الأمريكية (APA)

12.1 قواعد كتابة درجات الحرية في المتن والجداول (APA 7th Edition)

وضعت جمعية علم النفس الأمريكية في الإصدار السابع من دليل النشر (APA 7th Edition) قواعد توثيق صارمة ودقيقة لعرض النتائج الإحصائية، تلزم الباحثين بتضمين درجات الحرية الدقيقة بين قوسين بجوار الرمز الإحصائي مباشرة. نورد فيما يلي الصيغ المعيارية المعتمدة لأشهر الاختبارات الإحصائية:

• اختبار “ت” (t-Test):

  يُكتب الرمز الإحصائي متبوعاً بدرجات الحرية بين قوسين، ثم القيمة المحسوبة، ومستوى الدلالة، وحجم التأثير:

  t(48) = 2.74, p = .009, d = 0.78

  وفي حال استخدام تصحيح ويلش للعينات المستقلة مع ظهور درجات حرية كسرية، يجب توثيق القيمة الكسرية المقربة إلى منزلتين عشريتين دون جبر قسري:

  t(32.41) = 2.15, p = .039

• تحليل التباين (ANOVA):

  يتم توثيق زوج درجات الحرية بين قوسين مفصولين بفاصلة؛ حيث تُمثل القيمة الأولى درجات حرية البسط (المعالجة) والقيمة الثانية درجات حرية المقام (الخطأ):

  F(2, 87) = 5.42, p = .006, η_p² = .11

  وفي تصاميم القياسات المتكررة المصححة بغرينهاوس-غايسر، تُكتب درجات الحرية الكسرية الناتجة عن التصحيح:

  F(1.64, 45.92) = 4.18, p = .027

• اختبار مربع كاي (Chi-Square):

  تُكتب درجات الحرية وحجم العينة الكلي بين قوسين بجانب رمز كاي المربع:

  χ²(2, N = 150) = 8.91, p = .012

• معامل ارتباط بيرسون (Correlation):

  تُذكر درجات الحرية المحسوبة كـ ($N – 2$) بين قوسين بجوار رمز الارتباط:

  r(78) = .36, p = .001

• الانحدار الخطي المتعدد (Multiple Regression):

  يتم تقرير دلالة النموذج الإجمالي عبر اختبار $F$ مع ذكر درجات حرية النموذج والبواقي معاً:

  F(3, 116) = 12.45, p < .001, R² = .24, R²_adj = .22

12.2 أفضل الممارسات لتعزيز الشفافية وقابلية التكرار في الأبحاث

للارتقاء بجودة التقارير الأكاديمية والامتثال لمبادئ العلم المفتوح (Open Science)، يتعين على الباحثين تجنب الاكتفاء بذكر النتائج النهائية المعزولة، والالتزام بتقديم صورة هيكلية كاملة لمنظومة البيانات. يتضمن ذلك توفير جداول تحليل التباين الكاملة (ANOVA Tables) التي توضح بوضوح تفكيك مجموع المربعات ($SS$)، ودرجات الحرية المقابلة لكل مصدر من مصادر التباين، ومتوسط المربعات ($MS$).

كما يُنصح بشدة بنشر الشيفرات البرمجية ومخرجات الحزم الإحصائية المفتوحة المصدر مثل لغة R (عبر دوال summary() و anova()) وبرمجيات Jamovi و JASP كوثائق تكميلية ضمن ملاحق البحث. يتيح هذا النهج الشفاف للمحكمين والقراء التحقق المستقل من صحة استهلاك درجات الحرية، والتأكد من عدم وجود بيانات مفقودة لم يتم الإفصاح عنها، وضمان الاتساق الرياضي الكامل بين العينات المستخدمة والاستنتاجات النظرية المعلنة.

خلاصة واستنتاجات ختامية

إن درجات الحرية في التحليل الإحصائي ليست مجرد تفصيل حسابي هامشي أو إجراء شكلي يتم استيفاؤه لملء الجداول الاختبارية، بل هي المقياس الرياضي الحقيقي لحجم المعلومات الصافية والمستقلة المتاحة للباحث لاستكشاف العالم واستنطاق البيانات. من تصحيح بيسل في تباين العينة، مروراً بالفضاءات المتعامدة في تحليل التباين، ووصولاً إلى نماذج التحديد في المعادلات البنائية والنماذج الهرمية، تظل درجات الحرية هي الضابط الرياضي الصارم الذي يحمي المعرفة العلمية من الانزلاق وراء التحيزات العينية والمؤشرات الاحتمالية الزائفة.

يتطلب الارتقاء بجودة البحوث النفسية والسلوكية والتجريبية استيعاباً عميقاً للأبعاد النظرية والهندسية لدرجات الحرية، وإدراكاً واعياً لتكلفتها الرياضية عند تصميم التجارب وبناء النماذج التنبؤية. إن الإدارة الرشيدة لدرجات الحرية – عبر التخطيط القبلي لحجم العينة، والاقتصاد في استهلاك المعالم، والشفافية التامة في التوثيق الأكاديمي وفق معايير APA – تمثل الأساس المتين لتعزيز الصدق المنهجي، وبناء استدلال إحصائي رصين، وضمان قابلية النتائج العلمية للتكرار والتراكم المعرفي الموثوق.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Bessel, F. W. (1816). Untersuchungen über die scheinbare und wahre Bahn des im Jahre 1807 erschienenen grossen Kometen. Königsberger Archiv für Naturwissenschaften und Mathematik, 1, 21–26.
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Fisher, R. A. (1922). The interpretation of χ² from contingency tables, and the calculation of P. Journal of the Royal Statistical Society, 85(1), 87–94. https://doi.org/10.2307/2340521
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
• Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69–82. https://doi.org/10.2307/1164736
• Kenward, M. G., & Roger, J. H. (1997). Small sample inference for fixed effects from restricted maximum likelihood. Biometrics, 53(3), 983–997. https://doi.org/10.2307/2533558
• Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press.
• 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. Philosophical Magazine Series 5, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• Satterthwaite, F. E. (1946). An approximate distribution of estimates of variance components. Biometrics Bulletin, 2(6), 110–114. https://doi.org/10.2307/3002019
• Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological Science, 22(11), 1359–1366. https://doi.org/10.1177/0956797611417632
• Student [Gosset, W. S.]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.1093/biomet/6.1.1
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika, 34(1/2), 28–35. https://doi.org/10.1093/biomet/34.1-2.28