ما هو الفرق بين اختبار ت واختبار تحليل التباين؟

يقف الباحث في العلوم النفسية والسلوكية في كثير من الأحيان أمام تساؤل منهجي وإحصائي جوهري عندما يشرع في تحليل البيانات التجريبية أو المسحية: ما هي الأداة الإحصائية الدقيقة القادرة على اختبار فرضياته دون الوقوع في مضلات التفسير أو التضخم الإحصائي للخطأ؟ تتعدد الأدوات الإحصائية وتتنوع نماذجها الرياضية، إلا أن اختبار ت (T-test) واختبار تحليل التباين (ANOVA) يظلان الركيزتين الأساسيتين اللتين لا غنى لأي مشتغل بالبحث العلمي عنهما لمقارنة المتوسطات الحسابية واستكشاف الفروق الجوهرية بين المجموعات التجريبية والضابطة.

على الرغم من أن كلاً من الاختبارين ينتمي إلى عائلة الاختبارات المعلمية (Parametric Tests) ويشتركان في أهداف استدلالية متقاربة تتمثل في فحص دلالة الفروق بين العينات لاستنتاج خصائص المجتمعات الأصلية، إلا أن البنية الرياضية والمنهجية لكل منهما صُممت لمعالجة تصاميم بحثية مختلفة تماماً. فالخلط بين مجالات استخدام اختبار “ت” وتحليل التباين “أنوفا” لا يقتصر على كونه خطأ إجرائياً، بل يمتد ليقوض الصدق الداخلي والخارجي للدراسة، ويرفع احتمالية ارتكاب الخطأ من النوع الأول (Type I Error)، مما يقود إلى قبول فرضيات غير دقيقة علمياً.

يهدف هذا المرجع الأكاديمي الشامل إلى تفكيك الأسس الرياضية والنظرية والتطبيقية لاختباري “ت” و”تحليل التباين”، مستعرضاً الفروق الدقيقة بينهما، وآليات انتقال الباحث من اختبار إلى آخر، مع التركيز على الأمثلة العملية في علم النفس الإكلينيكي والتجريبي، وتوضيح كيفية فحص الافتراضات الإحصائية وحساب حجوم الآثار، وتوثيق النتائج وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition).

1. مدخل إلى الاستدلال الإحصائي والاختبارات المعلمية في علم النفس

1.1 أهمية الاستدلال الإحصائي في الدراسات النفسية والسلوكية

يمثل الإحصاء الاستدلالي (Inferential Statistics) العمود الفقري للبحث العلمي الرصين في حقول علم النفس والعلوم المعرفية والسلوكية؛ إذ يستحيل على الباحثين قياس الظواهر النفسية المعقدة لدى كافة أفراد المجتمع الأصلي كمرضى الاكتئاب السريري، أو الطلبة الموهوبين، أو العاملين المعرضين للاحتراق النفسي في بيئات العمل عالية الضغط. هنا يبرز دور الاستدلال الإحصائي في سد الفجوة بين البيانات الملاحظة المستمدة من عينة احتمالية ممثلة وبين الخصائص العامة المجهولة للمجتمع المستهدف، مما يتيح إصدار تعميمات علمية تتسم بالدقة الرياضية والمصداقية التجريبية.

يتمركز جوهر الاستدلال الإحصائي حول اختبار الفرضيات (Hypothesis Testing)، وتحديداً المفاضلة الدقيقة بين الفرضية الصفرية (Null Hypothesis – H0) التي تفترض انعدام الأثر أو الفروق بين المجموعات، والفرضية البديلة (Alternative Hypothesis – H1) التي تدعي وجود أثر تجريبي أو فرق دال إحصائياً ناجم عن المتغير المستقل. في السياقات الإكلينيكية والتجريبية، يتيح هذا الإجراء للباحث التحقق مما إذا كان التدخل العلاجي، كالعلاج السلوكي المعرفي (CBT) أو التدريب اليقظ، قد أحدث تغييراً حقيقياً في بنية الأعراض، أم أن الفروق الظاهرة مجرد نتاج للتباين العشوائي وأخطاء المعاينة الصدفية.

تكتسب مسألة تحديد دلالة الفروق بين المجموعات أهمية استثنائية عند تقييم التدخلات النفسية والبرامج التربوية؛ فالقرارات العيادية والسياسات الصحية تبنى على الثقة في الدلالة الإحصائية التي تشير إلى أن احتمال الحصول على تلك النتائج بمحض الصدفة يقل عن العتبة المتعارف عليها (غالباً $\alpha = 0.05$). ومع ذلك، يشدد علماء النفس المعاصرون على التمييز الصارم بين الدلالة الإحصائية (Statistical Significance) والدلالة العملية أو الإكلينيكية (Clinical Significance)؛ حيث إن العينات الضخمة قد تظهر فروقاً ذات دلالة إحصائية عالية لكنها تكاد تكون معدومة القيمة في الواقع العملي لتخفيف معاناة المريض أو تحسين جودة حياته اليومية.

1.2 مفهوم الاختبارات المعلمية واشتراطاتها الأساسية

تستند الاختبارات المعلمية (Parametric Tests) إلى فرضية مفادها أن العينات المدروسة قد سُحبت من مجتمعات تخضع لخصائص ومعالم توزيعية محددة وقابلة للتقدير الرياضي، وأبرز هذه المعالم المتوسط الحسابي ($\mu$) والتباين ($\sigma^2$). تتطلب هذه الاختبارات أن تكون البيانات النفسية مقاسة على مستوى مقياسي متقدم، تحديداً المقاييس الفترية (Interval Scales) مثل درجات اختبارات الذكاء واختبارات القلق، أو المقاييس النسبية (Ratio Scales) مثل زمن الرجع بالمللي ثانية ومعدل الاستجابة السلوكية، حيث تتساوى المسافات بين الوحدات وتتوفر شروط المعالجة الجبرية المتقدمة.

يعد افتراض التوزيع الطبيعي (Normality) الركيزة الكبرى للاختبارات المعلمية، حيث يُفترض أن تتوزع درجات المتغير التابع داخل كل مجتمع توزيعاً جرسي الشكل متماثلاً حول المتوسط. يؤدي انتهاك هذا الافتراض، لا سيما في العينات الصغيرة أو في حالات الالتواء الشديد والتفرطح الحاد، إلى تشويه قيمة الخطأ المعياري، مما ينعكس سلباً على القوة الإحصائية (Statistical Power) للاختبار ويزيد من احتمالية اتخاذ قرارات استدلالية خاطئة سواء برفض فرضية صفرية صحيحة أو قبول فرضية صفرية كاذبة.

تتكامل الاختبارات المعلمية مع نظيراتها الاختبارات اللامعلمية (Non-parametric Tests) أو اختبارات التوزيع الحر؛ إذ يلجأ الباحث النفسي إلى الأخيرة في حال قياس المتغيرات بمستويات رتبية (Ordinal) أو اسمية (Nominal)، أو عند حدوث انتهاكات جوهرية للشروط التوزيعية لا يمكن معالجتها بالتحويلات الرياضية. ورغم مرونة الاختبارات اللامعلمية، فإن الاختبارات المعلمية تظل الخيار الأول والأقوى لقدرتها الفائقة على اكتشاف الفروق الحقيقية عندما تتوفر شروطها الإجرائية والرياضية الصارمة.

1.3 الحاجة إلى المقارنة بين المتوسطات في النماذج التجريبية

تنطلق النماذج التجريبية في علم النفس من مبدأ المقارنة المعيارية لعزل الأثر السببي للمتغيرات المستقلة عن الضوضاء الإحصائية الناتجة عن التباين العشوائي والفروق الفردية الكامنة بين المفحوصين. فعند اختبار عقار دوائي نفسي جديد أو أسلوب إرشادي مستحدث، يحتاج الباحث إلى قياس كمي يكشف ما إذا كان متوسط درجات المجموعة التجريبية يبتعد عن متوسط المجموعة الضابطة بمسافة تتجاوز ما يمكن أن تفسره العوامل الصدفية المحضة.

يعد المتوسط الحسابي ($M$) المؤشر الأكثر استخداماً وكفاءة للنزعة المركزية في النماذج المعلمية، نظراً لدخوله في الاشتقاقات الرياضية للتباين والانحراف المعياري، ولكونه يأخذ جميع قيم البيانات في الحسبان. من خلال مقارنة المتوسطات، يستطيع الباحث صياغة نماذج رياضية تنبؤية وتفسيرية تقيم حجم الفاعلية العلاجية بدقة، وتربط التغيرات في السلوك الخارجي بالمعالجات النفسية الخاضعة للضبط التجريبي.

تتصاعد التحديات المنهجية عندما تتوسع الدراسات النفسية لتشمل تصاميم تجريبية معقدة تتجاوز المجموعتين؛ كأن تتضمن مقارنة عدة جرعات علاجية، أو تتبع عدة مراحل زمنية للنمو المعرفي، أو فحص تفاعلات متعددة بين متغيرات الشخصية والبيئة الاجتماعية. في مثل هذه النماذج متعددة المستويات، يصبح الاعتماد على المقارنات البسيطة غير مجدٍ ويخلق تعقيدات إحصائية جمة تتطلب أدوات نمذجة متقدمة تضبط مسارات التباين وتحافظ على دقة القرار الاستدلالي.

2. الإطار النظري لاختبار ‘ت’ (T-test) وبنيته الرياضية

2.1 الأسس الرياضية لنظرية توزيع ‘ت’ لستودنت

تعود الجذور التاريخية لتوزيع “ت” إلى مطلع القرن العشرين على يد الإحصائي ويليام سيلي جوسيت (William Sealy Gosset)، الذي نشر أبحاثه تحت الاسم المستعار “Student” عام 1908 أثناء عمله في مصنع غينيس للجعة. نشأت الحاجة إلى هذا التوزيع لحل مشكلة إحصائية بالغة الأهمية: كيف يمكن إجراء استدلالات دقيقة حول متوسطات المجتمعات الأصلية عند التعامل مع عينات صغيرة الحجم ($N < 30$) وحيث يكون التباين المجتمعي ($\sigma^2$) مجهولاً، وهي الحالة الشائعة في معظم البحوث النفسية والتجريبية.

تقوم البنية الرياضية لقيمة “ت” المحسوبة على معادلة كسرية بسيطة في جوهرها، حيث يمثل البسط الفرق الملاحظ بين المتوسطين، بينما يمثل المقام الخطأ المعياري للفرق بين المتوسطين ($SE_{diff}$):

$$t = \frac{\bar{X}_1 – \bar{X}_2}{SE_{(\bar{X}_1 – \bar{X}_2)}}$$

يعكس هذا القانون النسبة بين “الأثر الملاحظ للإشارة” (Signal) و”التشويش الإحصائي العشوائي” (Noise)؛ فكلما زادت المسافة بين متوسطي العينتين وتضاءل الخطأ المعياري الناتج عن الفروق الفردية، ارتفعت قيمة $t$، مما يدعم رفض الفرضية الصفرية القائلة بأن الفرق يساوي صفراً في المجتمع الأصلي.

تلعب درجات الحرية ($df$) دوراً حاسماً في تشكيل منحنى توزيع $t$؛ إذ يتميز هذا التوزيع بأطراف أكثر سمكاً وتفرطحاً (Heavier Tails) مقارنة بالتوزيع الطبيعي المعياري ($Z$)، مما يعكس زيادة عدم اليقين الناتجة عن تقدير الانحراف المعياري للمجتمع من بيانات عينة صغيرة. ومع زيادة درجات الحرية الناتجة عن زيادة حجم العينة، يقترب توزيع $t$ تدريجياً وبصورة مقلوبة من التوزيع الطبيعي القياسي حتى يتطابق معه عملياً عند العينات اللانهائية. يتم بناء القرار الإحصائي بمقارنة قيمة $t$ المحسوبة بالقيمة الحرجة المستخرجة من جداول التوزيع عند مستوى دلالة محدد مسبقاً (مثل $\alpha = 0.05$ أو $\alpha = 0.01$).

2.2 الهدف الأساسي من تطبيق اختبار ‘ت’

يتلخص الهدف الجوهري لاختبار “ت” في التحقق العلمي مما إذا كان الاختلاف الرقمي الملاحظ بين متوسطي عينتين اثنتين فقط يعكس تبايناً حقيقياً في المجتمع الأصلي أم أنه مجرد تذبذب عشوائي ناتج عن الصدفة الإحصائية في سحب العينات. لا يمتلك اختبار “ت” أي قدرة رياضية على التعامل المباشر مع أكثر من مجموعتين في معادلته الأساسية، إذ إنه مصمم حصرياً للمتغيرات المستقلة ذات التصنيف الثنائي (Dichotomous Variables)، مثل مقارنة الذكور بالإناث، أو المجموعة التجريبية بالمجموعة الضابطة.

تقتضي المنهجية النفسية صياغة الفرضيات الإحصائية بدقة قبل الشروع في حساب الاختبار، حيث يختار الباحث بين الفرضية ثنائية الطرف (Two-Tailed Test) والفرضية أحادية الطرف (One-Tailed Test). يستخدم الاختبار ثنائي الطرف عندما لا يمتلك الباحث أساساً نظرياً حاسماً يحدد اتجاه الفرق (مثل: “توجد فروق ذات دلالة إحصائية في مستوى القلق بين الطريقتين العلاجيتين”)، مقسماً منطقة الرفض الحرج للخطأ ($alpha/2$) على طرفي المنحنى. بينما يُطبق الاختبار أحادي الطرف عندما تفترض النظرية النفسية اتجاهاً صريحاً ومحدداً (مثل: “يؤدي التدريب المعرفي إلى رفع متوسط درجات الذاكرة مقارنة بعدم التدريب”)، مما يركز كامل القوة الإحصائية ومنطقة الرفض في طرف واحد من التوزيع.

3. اختبار ‘ت’ للعينات المستقلة: التطبيقات والشروط في علم النفس

3.1 طبيعة العينات المستقلة والتصميم بين المجموعات

يقوم تصميم العينات المستقلة (Independent Samples T-test) أو ما يعرف بالتصميم بين المجموعات (Between-Subjects Design) على مبدأ الانفصال التام وعدم التداخل المنهجي أو الإحصائي بين الأفراد المشاركين في كل مجموعة. يعني هذا رياضياً ومنهجياً أن عضوية الفرد في المجموعة التجريبية تحول دون إمكانية إدراجه في المجموعة الضابطة، وأن درجة أي مفحوص في المجموعة الأولى لا تؤثر ولا ترتبط بأي شكل من الأشكال بدرجة أي مفحوص في المجموعة الثانية.

في الأبحاث النفسية الإكلينيكية، يتجلى هذا النموذج بوضوح عند إجراء تجارب منضبطة معشاة؛ كأن يقوم الباحث بدراسة أثر العلاج السلوكي الجدلي (DBT) على تنظيم الانفعالات، فيتم توزيع المشاركين عشوائياً إلى مجموعتين: تتلقى المجموعة الأولى البروتوكول العلاجي المستهدف لمدة ثمانية أسابيع، بينما توضع المجموعة الثانية على قائمة الانتظار (Waitlist Control Group) مع الاستمرار في تلقي الرعاية الاعتيادية. يضمن التخصيص العشوائي (Random Assignment) التكافؤ المبدئي بين المجموعتين في المتغيرات النفسية والديموغرافية الدخيلة، مثل السمات المزاجية والذكاء والسن، مما يحصر الفروق البعدية في الأثر المباشر للتدخل العلاجي.

تتضمن التصاميم المستقلة أيضاً المتغيرات التصنيفية الطبيعية التي لا تخضع للتحكم التجريبي المباشر (Quasi-experimental)، كالمقارنة بين المصابين باضطراب ما بعد الصدمة (PTSD) والأصحاء في سرعة استرجاع الذكريات الصدمية، أو المقارنة بين طلبة التخصصات العلمية وطلبة التخصصات الإنسانية في مستويات التفكير النقدي. في جميع هذه السياقات، يظل شرط الاستقلالية التامة بين الملاحظات هو الشرط الأشد حساسية لسلامة البنية الرياضية للاختبار.

3.2 افتراض تجانس التباين واختبار ليفين (Levene’s Test)

يعد افتراض تجانس التباين (Homogeneity of Variance) أو ما يعرف بالتماثل التبايني من أهم الشروط المعلمية لتطبيق اختبار “ت” للعينات المستقلة بصيغته التقليدية المجمعة. ينص هذا الافتراض على أن تباين درجات المتغير التابع داخل المجتمع الأول يساوي تباين درجات المجتمع الثاني ($\sigma_1^2 = \sigma_2^2$). تنبع أهمية هذا الشرط من أن حساب الخطأ المعياري المشترك يعتمد على دمج تبايني العينتين في تقدير موحد، فإذا كان التشتت حول المتوسط في إحدى المجموعتين مضاعفاً لتشتت المجموعة الأخرى، فإن دقة تقدير الخطأ المعياري تتدهور بشكل كبير.

للتحقق من هذا الشرط، يعتمد الباحثون بصورة قياسية على اختبار ليفين لتساوي التباينات (Levene’s Test for Equality of Variances). يفحص هذا الاختبار الفرضية الصفرية القائلة بأن التباينات متساوية عبر المجموعات. فإذا كانت القيمة الاحتمالية لاختبار ليفين أكبر من مستوى الدلالة ($p > 0.05$)، يفشل الباحث في رفض فرضية التجانس، ويستنتج تحقق الشرط واستخدام اختبار “ت” المعياري بافتراض تساوي التباينات (Equal variances assumed).

أما إذا كانت القيمة الاحتمالية لاختبار ليفين دالة إحصائياً ($p le 0.05$)، فإن هذا يدل على انتهاك صريح لشرط التجانس. في هذه الحالة، يتجنب الباحث الصيغة التقليدية ويستخدم اختبار ويلش (Welch’s t-test) أو تصحيح ساترثويت، وهو تعديل رياضي يحسب تباين كل مجموعة على حدة ويعدل درجات الحرية بالخفض لتعويض عدم التجانس. تزداد خطورة عدم التجانس إذا ترافقت مع عدم تساوي أحجام العينات (Unbalanced Sample Sizes)؛ حيث إن العينة الأكبر ذات التباين الأكبر تؤدي إلى اختبار متحفظ للغاية يرفع الخطأ من النوع الثاني، في حين تؤدي العينة الأصغر ذات التباين الأكبر إلى تضخيم الخطأ من النوع الأول بشكل يهدد مصداقية النتائج.

3.3 خطوات الحساب اليدوي واستخراج النتائج في الحزم الإحصائية

تبدأ خطوات الحساب الرياضي لاختبار “ت” للعينات المستقلة بالصياغة المنطقية للفرضية الصفرية ($H_0: \mu_1 – \mu_2 = 0$) والفرضية البديلة ($H_1: \mu_1 – \mu_2 ne 0$). يتبع ذلك استخراج المتوسط الحسابي والانحراف المعياري وحجم العينة لكل من المجموعتين. يُحسب التباين المجمع المشترك ($S_p^2$) بالمعادلة التالية:

$$S_p^2 = \frac{(n_1 – 1)S_1^2 + (n_2 – 1)S_2^2}{n_1 + n_2 – 2}$$

ثم يُحسب الخطأ المعياري للفرق بين المتوسطين عبر التعويض في:

$$SE_{(\bar{X}_1 – \bar{X}_2)} = \sqrt{S_p^2 \left(\frac{1}{n_1} + \frac{1}{n_2}\right)}$$

وتُحدد درجات الحرية الكلية بالعلاقة ($df = n_1 + n_2 – 2$).

عند تنفيذ التحليل في الحزم الإحصائية المتقدمة مثل SPSS أو لغة البرمجة R، يظهر جدول النتائج سطراً خاصاً باختبار ليفين، يتبعه سطران لقيمة $t$: الأول يفترض تجانس التباينات، والثاني يتجاوزه وفق معادلة ويلش. يقرأ الباحث قيمة “ت” المحسوبة، ودرجات الحرية الفعلية أو المعدلة، والقيمة الاحتمالية ثنائية الذيل ($p\text{-value}$)، وفترات الثقة للفرق بين المتوسطين (95% Confidence Intervals)، حيث يشير عدم اشتمال فترة الثقة على الرقم صفر إلى وجود دلالة إحصائية مؤكدة عند مستوى $\alpha = 0.05$.

4. اختبار ‘ت’ للعينات المترابطة والتصاميم داخل الأفراد

4.1 مفهوم القياسات المكررة والبيانات الزوجية

يختص اختبار “ت” للعينات المترابطة (Paired-Samples T-test)، أو ما يسمى باختبار “ت” للقياسات المتكررة (Repeated-Measures) وتصميم داخل الأفراد (Within-Subjects Design)، بمعالجة البيانات التي تنشأ عندما يُقاس نفس المفحوص مرتين تحت شرطين مختلفين، أو في نقطتين زمنيتين متباينتين. يمثل نموذج “القياس القبلي والبعدي” (Pretest-Posttest Design) التطبيق الكلاسيكي الأكثر شيوعاً لهذا الاختبار في علم النفس، حيث يقاس المتغير التابع لدى المشاركين قبل خضوعهم للبرنامج العلاجي أو التدريبي ثم يُعاد قياسه لنفس المشاركين بعد انتهاء البرنامج مباشرة.

يمتد تطبيق هذا الاختبار ليشمل تصاميم الأزواج المتطابقة (Matched-Pairs Design)، حيث يُقرن كل مفحوص في المجموعة التجريبية بمفحوص آخر في المجموعة الضابطة يشبهه بدقة متناهية في متغيرات ضابطة مؤثرة كالعمر، والذكاء، والمستوى الاجتماعي الاقتصادي، وشدة الأعراض القاعدية. بالرغم من وجود شخصين مختلفين في الواقع، إلا أن المطابقة التجريبية الدقيقة تجعل درجاتهما مرتبطة إحصائياً وتُعامل في التحليل كبيانات زوجية من مصدر واحد.

تكمن الميزة المنهجية الجوهرية للتصاميم داخل الأفراد في قدرتها الاستثنائية على خفض التباين الناتج عن الفروق الفردية الكامنة بين الأشخاص؛ فبما أن الفرد يُقارن بذاته، تصبح الخصائص الوراثية والشخصية والذكائية ثابتة عبر شروط التجربة. يترجم هذا الإجراء إحصائياً إلى تنقية مقام الاختبار من التباين بين المفحوصين، مما يؤدي إلى تقليص ملحوظ في الخطأ المعياري وزيادة حساسية وقوة الاختبار في اكتشاف التغيرات الدقيقة الناتجة عن المعالجة التجريبية.

4.2 المعادلة الرياضية لاختبار ‘ت’ للعينات المترابطة

على النقيض من اختبار العينات المستقلة الذي يتعامل مع متوسطين منفصلين، يغير اختبار “ت” للعينات المترابطة زاوية التحليل بالكامل ليركز على “متغير الفروق الفردية” ($D = X_1 – X_2$). يتم حساب الفرق بين الدرجة القبلية والدرجة البعدية لكل مفحوص على حدة، ثم تُجرى العمليات الإحصائية مباشرة على سلسلة هذه الفروق، مما يحول التحليل رياضياً إلى اختبار “ت” لعينة واحدة يقارن متوسط الفروق بالقيمة الصفرية ($H_0: \mu_D = 0$).

تُصاغ المعادلة الرياضية لحساب قيمة “ت” المترابطة على النحو التالي:

$$t = \frac{\bar{D}}{SE_{\bar{D}}} = \frac{\bar{D}}{\frac{S_D}{\sqrt{N}}}$$

حيث تمثل $\bar{D}$ متوسط درجات الفروق لجميع الأزواج، و$S_D$ الانحراف المعياري لسلسلة الفروق، و$N$ عدد الأزواج المرتبطة (أو عدد المشاركين الذين خضعوا للاختبارين). يتم حساب درجات الحرية في هذا النموذج بناءً على عدد الأزواج وليس عدد الملاحظات الكلية، وتساوي حصراً ($df = N – 1$).

يعكس الانحراف المعياري للفروق ($S_D$) مدى اتساق واستقرار الاستجابة للتجربة عبر أفراد العينة؛ فإذا تحسن جميع المشاركين بنسب متقاربة، يكون التشتت صغيراً والخطأ المعياري ضئيلاً للغاية، مما يقود إلى قيمة $t$ مرتفعة ودلالة إحصائية قاطعة. يوضح هذا الاشتقاق لماذا يعد الارتباط الإيجابي القوي بين القياسين القبلي والبعدي عاملاً مضاعفاً لقوة الاختبار في كشف أصغر التحولات السلوكية.

4.3 تطبيقات نفسية على القياس القبلي والبعدي

تتعدد التطبيقات النفسية لاختبار “ت” للعينات المترابطة في مختلف الميادين البحثية والإكلينيكية. في علم النفس المرضي والعيادي، يُستخدم الاختبار بشكل مكثف لتقييم كفاءة بروتوكولات التدخل النفسي، مثل قياس أثر برنامج تدريبي قائم على العلاج المعرفي السلوكي لتقليل حدة أعراض اضطراب القلق العام؛ حيث تُسجل درجات المشاركين على مقياس بيك للقلق قبل بدء الجلسات ثم يعاد القياس فور إتمام البرنامج الممتد لاثني عشر أسبوعاً للتحقق من الانخفاض الإحصائي في المتوسط.

وفي ميدان علم النفس العصبي المعرفي، يُوظف الاختبار لقياس التغير في سعة الذاكرة العاملة (Working Memory) لدى عينة من كبار السن قبل وبعد خضوعهم لبرنامج تحفيز إدراكي حاسوبي يومي لمدة شهر. وفي علم النفس الاجتماعي والتنظيمي، يُستخدم لمقارنة اتجاهات الموظفين نحو التنوع المؤسسي قبل وبعد المشاركة في ورشة عمل توعوية تفاعلية.

رغم القوة المنهجية لهذا التصميم، ينبغي على الباحث النفسي توخي الحذر الشديد إزاء المهددات الكلاسيكية للصدق الداخلي، وأهمها أثر الممارسة والتعلم (Practice Effect) الناتج عن تكرار التعرض لنفس أداة القياس، وأثر النضج البيولوجي والنفسي التلقائي (Maturation) بمرور الزمن، وظاهرة الانحدار نحو المتوسط (Regression to the Mean) لدى الأفراد ذوي الدرجات المتطرفة في القياس القبلي. تتطلب هذه المهددات في كثير من الأحيان تضمين مجموعة ضابطة موازية، مما ينقل التصميم إلى نماذج التباين المختلطة.

5. الإطار النظري لاختبار تحليل التباين (ANOVA) والأسس المنهجية

5.1 النشأة التاريخية ومفهوم نسبة ‘ف’ (F-ratio)

يرجع الفضل الأساسي في ابتكار وتطوير اختبار تحليل التباين (ANOVA – Analysis of Variance) إلى عالم الإحصاء والجينات البريطاني الفذ السير رونالد فيشر (Sir Ronald A. Fisher) في عشرينيات القرن العشرين أثناء عمله في محطة روثامستد للتجارب الزراعية. وسع فيشر الأفق الإحصائي بنقله من مجرد مقارنة متوسطين معزولين إلى إطار رياضي ونظري شامل يتيح فحص التباينات المتعددة وتفكيك مصادر الاختلاف عبر عدة مجموعات وتصاميم تجريبية بالغة التعقيد في عملية استدلالية موحدة.

سمى فيشر المؤشر المركزي لهذا الاختبار باسم “نسبة التباين” (Variance Ratio)، والتي أطلق عليها الإحصائي جورج سنيديكور لاحقاً اسم “نسبة ف” ($F\text{-ratio}$) تكريماً لرونالد فيشر. يقوم توزيع $F$ على توزيع نظري احتمالي مستمر يختلف جذرياً عن توزيعي $Z$ و$t$؛ فهو توزيع غير متماثل وموجب الالتواء دائماً، ويبدأ من القيمة صفر ويمتد إلى ما لا نهاية موجبة، لأن التباينات المحسوبة قيم مربعة لا يمكن أن تكون سالبة رياضياً.

تتحدد معالم وشكل منحنى توزيع $F$ استناداً إلى زوجين مستقلين من درجات الحرية: درجات حرية البسط المرتبطة بالتباين بين المجموعات ($df_{between}$)، ودرجات حرية المقام المرتبطة بالتباين داخل المجموعات ($df_{within}$). تعبر قيمة $F$ المحسوبة ببساطة عن المعادلة التالية:

$$F = \frac{\text{Mean Square Between (Variance Between)}}{\text{Mean Square Within (Variance Within)}} = \frac{MS_{between}}{MS_{within}}$$

إذا كانت الفرضية الصفرية صحيحة تماماً ولم يكن هناك أي أثر للمتغير المستقل، فإن التباين بين المجموعات سيعكس التباين العشوائي فقط ويتساوى تقريباً مع التباين داخل المجموعات، فتتأرجح قيمة $F$ حول الرقم $1.00$. أما إذا أحدثت المعالجة التجريبية أثراً حقيقياً، فإن التباين بين المجموعات سيفوق التباين العشوائي بكثير، مما يرفع قيمة $F$ المحسوبة بشكل ملحوظ لتتجاوز القيمة الحرجة عند مستوى ألفا المعتمد.

5.2 تجزئة التباين الكلي في البيانات النفسية

تقوم الفلسفة المنهجية لتحليل التباين على مبدأ رياضي أنيق يُعرف باسم “تجزئة التباين” (Partitioning of Variance). يفترض هذا المبدأ أن التشتت الإجمالي للدرجات حول المتوسط العام لجميع المشاركين في التجربة النفسية ($SS_{total}$) ينقسم جبرياً وبشكل مطلق إلى مصدرين مستقلين للتباين لا ثالث لهما:

$$SS_{total} = SS_{between} + SS_{within}$$

يمثل المصدر الأول مجموع المربعات بين المجموعات ($SS_{between}$)، ويقيس مقدار التباعد والاختلاف بين متوسطات المجموعات التجريبية والمتوسط الكلي العام للبيانات. يعكس هذا المكون أثر المعالجة التجريبية للمتغير المستقل (Treatment Effect) مضافاً إليه جزءاً من أخطاء المعاينة العشوائية. فكلما تباينت استجابات المجموعات العلاجية المختلفة عن بعضها، تضخم هذا المكون مشيراً إلى فاعلية المتغير المستقل في صياغة السلوك الملاحظ.

يمثل المصدر الثاني مجموع المربعات داخل المجموعات ($SS_{within}$)، والذي يطلق عليه أيضاً اسم “مجموع مربعات الخطأ” ($SS_{error}$). يقيس هذا المكون مقدار التشتت الداخلي لدرجات أفراد المجموعة الواحدة حول متوسط مجموعتهم الخاصة. بما أن أفراد المجموعة الواحدة قد خضعوا لنفس المعالجة التجريبية والظروف البيئية، فإن أي تباين داخلي بينهم لا يمكن أن يُعزى إلى المتغير المستقل، بل هو نتاج حصري للفروق الفردية الكامنة (Individual Differences)، والتقلبات المزاجية اللحظية، والضوضاء القياسية غير المنضبطة.

لتحويل مجموع المربعات إلى تباينات فعلية (متوسطات المربعات – Mean Squares)، يُقسم كل مجموع مربعات على درجات الحرية الخاصة به:

• درجات الحرية الكلية: $df_{total} = N – 1$ (حيث $N$ هو إجمالي عدد المفحوصين).
• درجات الحرية بين المجموعات: $df_{between} = k – 1$ (حيث $k$ هو عدد المجموعات أو المعالجات).
• درجات الحرية داخل المجموعات: $df_{within} = N – k$.

وبذلك ينتج $MS_{between} = \frac{SS_{between}}{df_{between}}$ و $MS_{within} = \frac{SS_{within}}{df_{within}}$، ومن حاصل قسمتهما تُشتق قيمة $F$ النهائية.

5.3 الهدف الرئيسي لاختبار أنوفا في التجارب متعددة المجموعات

يتمثل الهدف المنهجي الأسمى لاختبار تحليل التباين في فحص الفرضية الصفرية العامة الشاملة (Omnibus Null Hypothesis) التي تنص على التساوي التام لمتوسطات مجتمعات ثلاث مجموعات أو أكثر في تجربة نفسية واحدة في خطوة حسابية واحدة:

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

في مقابل الفرضية البديلة الشاملة التي لا تشترط اختلاف جميع المتوسطات، بل تنص فقط على وجود متوسط واحد مختلف على الأقل عن بقية المتوسطات:

$$H_1: \text{At least one } \mu_j \text{ is different}$$

تتجلى عبقرية تحليل التباين في قدرته على تقييم الصورة التجريبية المتكاملة دون تجزئتها المبتسرة إلى مقارنات ثنائية معزولة؛ فهو يقدم مظلة إحصائية واحدة تختبر ما إذا كان للمتغير المستقل ذي المستويات المتعددة أي تأثير ذي دلالة على الإطلاق، مما يحمي الباحث من التفسيرات المتسرعة للتباينات الهامشية التي تفرزها الصدفة في العينات النفسية الكبيرة والمعقدة.

6. تحليل التباين أحادي الاتجاه (One-Way ANOVA) ومقارنته باختبار ‘ت’

6.1 بنية تصميم تحليل التباين أحادي الاتجاه

يُعرف تحليل التباين أحادي الاتجاه (One-Way ANOVA) بأنه النموذج الإحصائي المعلمي الذي يدرس أثر متغير مستقل تصنيفي واحد (Factor) يحتوي على ثلاثة مستويات (مجموعات) أو أكثر، على متغير تابع كمي متصل مقاس بمستوى فتري أو نسبي. يمثل هذا النموذج الامتداد المنطقي والطبيعي لاختبار “ت” للعينات المستقلة عندما تتجاوز المجموعات حاجز الثنائية.

في أبحاث التدخلات النفسية الإكلينيكية، يتكرر هذا التصميم بصورة واسعة؛ كأن يرغب فريق بحثي في مقارنة كفاءة ثلاثة بروتوكولات مختلفة لعلاج الرهاب الاجتماعي (Social Anxiety): تتلقى المجموعة الأولى علاجاً معرفياً سلوكياً قياسياً (CBT)، وتتلقى المجموعة الثانية تدريباً على تقبل الالتزام واليقظة الذهنية (ACT)، بينما تتلقى المجموعة الثالثة علاجاً وهمياً بالمحادثة غير الموجهة (Placebo Control). بعد انتهاء فترة التدخل المحددة، يُقاس مستوى القلق الاجتماعي لجميع المشاركين باستخدام مقياس ليبويتز للقلق الاجتماعي (LSAS).

يختبر نموذج أنوفا أحادي الاتجاه ما إذا كان نوع التدخل العلاجي ككل يحدث تبايناً حقيقياً في درجات القلق الاجتماعي بين المجموعات الثلاث. إذا أسفر التحليل عن قيمة $F$ دالة إحصائياً ($p < 0.05$)، فإن الباحث يرفض الفرضية الصفرية ويستنتج أن الطرق العلاجية الثلاث ليست متكافئة في كفاءتها، مما يمهد الطريق لإجراء تحليلات لاحقة لكشف أي العلاجات كان الأكثر تفوقاً وتأثيراً.

6.2 العلاقة الرياضية المباشرة بين اختبار ‘ت’ واختبار تحليل التباين أحادي الاتجاه

توجد رابطة رياضية مذهلة وأنيقة تربط بين اختبار “ت” للعينات المستقلة وتحليل التباين أحادي الاتجاه تكشف عن وحدة البنية الجبرية العامة للإحصاء الخطي المعلمي. عندما يُطبق تحليل التباين على تصميم تجريبي يحتوي على مجموعتين اثنتين فقط ($k = 2$)، تتطابق النتائج الاستدلالية لكلا الاختبارين تماماً وتتحقق المعادلة الرياضية الصارمة التالية:

$$F = t^2 \quad Long\leftrightarrow \quad t = \sqrt{F}$$

في هذه الحالة الخاصة ($k = 2$)، تكون درجات حرية البسط لاختبار $F$ مساوية دائماً للواحد الصحيح ($df_1 = 1$)، وتتطابق درجات حرية المقام ($df_2$) تماماً مع درجات حرية اختبار “ت” المستقل ($df = n_1 + n_2 – 2$). علاوة على ذلك، تكون القيمة الاحتمالية الناتجة ($p\text{-value}$) متطابقة حتى آخر خانة عشرية في كلا الاختبارين، مما يؤكد أن اختبار “ت” ليس سوى حالة فرعية مقيدة وخاصة جداً من النموذج العام لتحليل التباين (General Linear Model).

يوضح هذا الإثبات الرياضي أن المفاضلة بين الاختبارين عند مقارنة مجموعتين اثنتين لا تتعلق بالدقة الإحصائية أو القوة الرياضية للنموذج، فكلاهما يوصل إلى نفس القرار تماماً. إلا أن اختبار “ت” يتميز بمرونة إضافية في حالة المجموعتين بتمكينه الباحث من اختبار الفرضيات الموجهة أحادية الطرف ($t$ يمكن أن تكون موجبة أو سالبة)، في حين أن قيمة $F$ المربعة تلغي الإشارة الاتجاهية وتختبر دائماً الفرضيات غير الموجهة ثنائية الأطراف في صيغتها الكلية.

6.3 متى ينتقل الباحث من اختبار ‘ت’ إلى تحليل التباين الأحادي؟

يتعين على الباحث النفسي الانتقال منهجياً وإلزامياً من اختبار “ت” إلى تحليل التباين أحادي الاتجاه بمجرد أن يتضمن تصميمه البحثي متغيراً مستقلاً يحتوي على أكثر من مجموعتين اثنتين ($k ge 3$). لا يعد هذا الانتقال مسألة تفضيلية أو رفاهية منهجية، بل هو ضرورة إحصائية حتمية لحماية سلامة البحث من الانزلاق في أخطاء المقارنات المتعددة وتضخم نسبة الخطأ من النوع الأول.

يتطلب الانتقال إلى “أنوفا” أيضاً عندما يسعى الباحث إلى تقييم التباين الشامل للنموذج وتقدير حجم التباين المفسر كنسبة مئوية من السلوك الكلي، وهو ما توفره مقاييس التباين الكلي في ANOVA ولا يستطيع اختبار “ت” تقديره إلا في نطاق ثنائي ضيق. يضمن هذا الانتقال الاحتفاظ بالقوة الإحصائية القصوى للتجربة وتقديم إطار تحليلي متكامل ومحمي يستند إلى تقدير موحد لتباين الخطأ المشترك عبر كافة المجموعات التجريبية قيد الملاحظة.

7. التصاميم المتقدمة لتحليل التباين (العاملي والقياسات المكررة)

7.1 تحليل التباين العاملي (Factorial ANOVA)

يمثل تحليل التباين العاملي (Factorial ANOVA) قفزة نوعية كبرى في المنهجية النفسية؛ حيث يتيح للباحث دراسة تأثير متغيرين مستقلين تصنيفيين أو أكثر (عاملين أو أكثر) في آن واحد وتفاعلهما المشترك على متغير تابع كمي واحد. يتجاوز هذا التصميم قيود النماذج البسيطة ليعكس الواقع النفسي والسلوكي الحقيقي، حيث تتفاعل محددات السلوك الإنساني في شبكة معقدة من التأثيرات المتبادلة ولا تعمل بمعزل عن بعضها البعض.

يقدم تحليل التباين العاملي نوعين متميزين من المخرجات الإحصائية:

• التأثيرات الرئيسية (Main Effects): تختبر التأثير المستقل والمباشر لكل عامل على حدة بعد عزل وضبط تأثير العوامل الأخرى، مثل قياس الأثر العام لنوع التدخل العلاجي (العامل أ) على خفض نوبات الهلع، والأثر العام لجنس المريض (العامل ب: ذكور مقابل إناث).
• التأثير التفاعلي (Interaction Effect): يمثل الجوهر الأهم في علم النفس، ويختبر ما إذا كان تأثير أحد المتغيرات المستقلة على المتغير التابع يتغير ويختلف باختلاف مستويات المتغير المستقل الآخر. على سبيل المثال، قد يظهر التفاعل أن العلاج الدوائي يتفوق لدى الذكور، بينما يتفوق العلاج المعرفي السلوكي لدى الإناث في خفض نوبات الهلع؛ مما يعني أن فاعلية العلاج “مشروطة” بجنس المشارك، وهو استنتاج إكلينيكي حاسم يستحيل كشفه باختبارات “ت” المنفصلة أو أنوفا الأحادية.

7.2 تحليل التباين للقياسات المكررة (Repeated Measures ANOVA)

يعد تحليل التباين للقياسات المكررة (Repeated Measures ANOVA) الامتداد العام لاختبار “ت” للعينات المترابطة، ويُطبق عندما يُقاس نفس المفحوصين عبر ثلاثة شروط تجريبية أو نقاط زمنية متتالية أو أكثر (مثل: القياس القبلي، القياس البعدي المباشر، وقياس التتبع بعد ستة أشهر). يتيح هذا النموذج دراسة منحنيات التغير والنمو والانتكاس على المدى الطويل مع تقليص حجم العينة المطلوب إلى حده الأدنى، نظراً لمشاركة الأفراد أنفسهم في جميع المراحل.

يتطلب هذا التصميم فحص شرط إحصائي خاص وبالغ الحساسية يُعرف باسم شرط الكروية (Sphericity)، والذي يفترض تساوي تباينات الفروق بين جميع الأزواج الممكنة من مستويات القياس المتكرر. يتم فحص هذا الشرط عبر “اختبار موتشلي للكروية” (Mauchly’s Test of Sphericity). إذا كانت نتيجة اختبار موتشلي غير دالة ($p > 0.05$)، يُقبل افتراض الكروية وتُعتمد نتائج $F$ المعيارية.

أما إذا انتُهك شرط الكروية بدلالة اختبار موتشلي ($p le 0.05$)، فإن درجات الحرية الكلاسيكية تصبح مفرطة في التفاؤل وتضخم الخطأ من النوع الأول بشكل خطير. يلجأ الباحث حينها إلى تطبيق تصحيحات تعديل درجات الحرية نحو الأسفل، وأشهرها تصحيح جرينهاوس-جايسر (Greenhouse-Geisser) وهو الأكثر تحفظاً ومثالي للعينات الصغيرة والانتهاكات الحادة، وتصحيح هونه-فيلت (Huynh-Feldt) وهو أقل تحفظاً ويُفضل عندما يقترب معامل إبسلون ($epsilon$) من القيمة $0.75$ فما فوق.

7.3 تحليل التباين المتعدد (MANOVA) والتحليل المصاحب (ANCOVA)

يقدم التحليل المصاحب للتباين (ANCOVA – Analysis of Covariance) أداة منهجية متطورة تدمج بين تحليل التباين والانحدار الخطي؛ حيث يتيح للباحث النفسي مقارنة متوسطات المجموعات بعد استبعاد وضبط التأثير الخطي لمتغير كمي دخيل أو مصاحب (Covariate) يُعتقد بارتباطه بالمتغير التابع. على سبيل المثال، عند دراسة أثر ثلاثة أساليب تدريسية على التحصيل في الإحصاء، يمكن إدخال درجات الذكاء العام أو مستوى القلق الإحصائي كمتغير مصاحب لـ “تنقية” تباين المتغير التابع من هذه الفروق القاعدية، مما يقلل من حجم تباين الخطأ ($MS_{within}$) ويرفع حساسية الاختبار بشكل هائل.

من جانب آخر، يمثل تحليل التباين متعدد المتغيرات التابعة (MANOVA – Multivariate Analysis of Variance) النموذج الأوسع الذي يتعامل مع متغير مستقل واحد أو أكثر وتأثيره على متغيرين تابعين أو أكثر في خطوة تحليلية موحدة تأخذ في الحسبان مصفوفة الارتباطات والتباينات المشتركة بين تلك المتغيرات التابعة. في علم النفس، تتلازم الظواهر النفسية بطبيعتها؛ فالتدخل الإكلينيكي لا يؤثر على الاكتئاب بمعزل عن القلق واليأس والرضا عن الحياة. بدلاً من إجراء تحليلات أنوفا منفصلة لكل متغير تابع مما يرفع الخطأ الأسري الكلي، يختبر MANOVA الفروق عبر فضاء المتجهات التابعة المتعددة بالاعتماد على مؤشرات إحصائية متعددة مثل أثر بيلاي (Pillai’s Trace) ولامبدا ويلكس (Wilks’ Lambda).

8. المقارنة الجوهرية والتحليل التقابلي بين T-test و ANOVA

8.1 جدول المقارنة الشامل بين الاختبارين

يوضح الجدول المقارن التالي الفروق الجوهرية والمعايير المنهجية والإحصائية الدقيقة التي تميز اختبار “ت” عن تحليل التباين في شتى أبعاد التصميم والتحليل:

المعيار المنهجي / الإحصائي	اختبار ‘ت’ (T-test)	تحليل التباين (ANOVA)
عدد المجموعات المسموح بها	مجموعتان اثنتان فقط حصراً ($k = 2$)	مجموعتان أو أكثر ($k ge 2$)، ومثالي لثلاث مجموعات فأكثر
عدد المتغيرات المستقلة	متغير مستقل تصنيفي واحد فقط وثنائي التقسيم	متغير مستقل واحد (أحادي) أو متغيرات مستقلة متعددة (عاملي)
التوزيع الإحصائي المعتمد	توزيع ستودنت $t$ (متماثل حول الصفر، سالب وموجب)	توزيع سنيديكور/فيشر $F$ (موجب الالتواء دائماً، يبدأ من الصفر)
طبيعة النتيجة الاستدلالية	تحدد مباشرة اتجاه وحجم الفرق بين المتوسطين	اختبار كلي شامل (Omnibus) يؤكد وجود فرق دون تحديد موقعه
التعامل مع التأثيرات التفاعلية	عاجز تماماً عن فحص التفاعلات بين المتغيرات	يكتشف ويفكك التأثيرات التفاعلية المعقدة في النماذج العاملية
المعادلة الرياضية للربط	$t = \frac{\bar{X}_1 – \bar{X}_2}{SE_{diff}}$	$F = \frac{MS_{between}}{MS_{within}}$، وحيث $F = t^2$ عند $k = 2$
الحاجة لاختبارات بعدية (Post-Hoc)	لا يحتاج إليها مطلقاً؛ لأن المقارنة ثنائية واضحة	إلزامية عند وجود دلالة إحصائية وثلاث مجموعات فأكثر
مؤشرات قياس حجم الأثر	كوهين د ($Cohen’s d$)، هيدجز جي ($Hedges’ g$)	إيتا مربعة ($\eta^2$)، إيتا الجزئية ($\eta_p^2$)، أوميجا مربعة ($\omega^2$)

8.2 حدود إمكانيات كل اختبار في معالجة التصاميم البحثية

تفرض البنية الرياضية لاختبار “ت” حدوداً منهجية صارمة تعيق استخدامه في التصاميم التجريبية المتطورة؛ فاختبار “ت” عاجز بصورة مطلقة عن نمذجة التفاعلات بين عدة متغيرات مستقلة، وهو ما يجعله غير قادر على الإجابة عن التساؤلات النفسية التي تتناول الشروط الحدية والوسيطة للسلوك الإنساني. كما أن حصر الاختبار في مجموعتين فقط يمنع الباحث من دراسة الجرعات الدوائية المتدرجة أو مراحل النمو النمائي المتعددة في خطوة واحدة متسقة.

في المقابل، يتمتع تحليل التباين بمرونة فائقة تتيح له التوسع ليشمل تصاميم عامليّة ومختلطة ومعقدة، وضبط المتغيرات الدخيلة، ومراقبة التباينات المتعددة. غير أن نقطة الضعف أو الحد المنهجي لتحليل التباين يكمن في طبيعته الشاملة غير المحددة للاتجاه (Non-directional Omnibus Nature)؛ فقيمة $F$ الدالة إحصائياً تخبر الباحث فقط بأن هناك فرقاً موجوداً في مكان ما بين المجموعات، لكنها تعجز بمفردها عن تحديد أي المجموعات تتفوق على الأخرى، مما يفرض خطوة تحليلية إضافية إلزامية تتمثل في المقارنات البعدية، وهو ما لا يحتاجه اختبار “ت” الواضح والمباشر.

8.3 تأثير حجم العينة وقوة الاختبار الإحصائي في كلا النموذجين

ترتبط القوة الإحصائية (Statistical Power – $1 – \beta$)، وهي احتمال رفض الفرضية الصفرية الكاذبة بنجاح واكتشاف الأثر الحقيقي، ارتباطاً وثيقاً بحجم العينة وحجم التباين في كلا النموذجين. في اختبار “ت”، يؤدي التفاوت الحاد في أحجام المجموعتين (مثل $n_1 = 15$ و $n_2 = 120$) إلى انخفاض القوة الإحصائية الفعلية، حيث يتقيد الخطأ المعياري بحجم العينة الأصغر ويهيمن تباينها على التحليل.

أما في تحليل التباين، فإن القوة الإحصائية تستفيد من تجميع درجات الحرية لتباين الخطأ المشترك ($MS_{within}$) عبر كافة المجموعات، مما يمنح النموذج دقة أكبر في تقدير التباين العشوائي مقارنة باختبارات “ت” المنفصلة. ومع ذلك، فإن توزيع العينة الكلية على عدد كبير من الخلايا أو المعالجات في التصاميم العاملية المعقدة دون زيادة إجمالي المشاركين يقود إلى ضعف القوة الإحصائية لاكتشاف التأثيرات التفاعلية الدقيقة، مما يؤكد أهمية حساب حجم العينة المطلوب مسبقاً (A-priori Power Analysis) باستخدام برمجيات متخصصة مثل G*Power.

9. معضلة المقارنات المتعددة ومعدل الخطأ من النوع الأول

9.1 تراكم الخطأ من النوع الأول (Family-wise Error Rate)

يقع كثير من الباحثين المبتدئين في خطأ منهجي فادح عندما يرغبون في مقارنة أربع مجموعات علاجية مثلاً، فيعمدون إلى إجراء سلسلة من اختبارات “ت” الثنائية المستقلة لمقارنة كل زوج من المجموعات على حدة (المجموعة 1 مع 2، 1 مع 3، 1 مع 4، 2 مع 3، 2 مع 4، 3 مع 4). ينطوي هذا الإجراء على كارثة إحصائية تُعرف باسم “تضخم وتراكم الخطأ من النوع الأول” (Inflation of Type I Error Rate) أو ارتفاع معدل الخطأ على مستوى الأسرة التجريبية (Family-wise Error Rate – $\alpha_{FW}$).

يُعرف الخطأ من النوع الأول ($\alpha$) بأنه احتمال رفض الفرضية الصفرية بالخطأ والادعاء بوجود أثر تجريبي حقيقي بينما النتيجة في الواقع مجرد صدفة إحصائية (الإيجابية الكاذبة – False Positive). عند إجراء مقارنة واحدة بمستوى دلالة $\alpha = 0.05$، فإن احتمال عدم ارتكاب هذا الخطأ يساوي $(1 – 0.05) = 0.95$. ولكن عند تكرار المقارنات المستقلة لعدد $c$ من المرات، يتضاءل احتمال النجاة من الخطأ في كافة الاختبارات بصورة أسية وفق المعادلة الاحتمالية التالية:

$$\alpha_{FW} = 1 – (1 – \alpha)^c$$

حيث يُحسب عدد المقارنات الثنائية الزوجية الممكنة بين $k$ من المجموعات بالصيغة التوافقية:

$$c = \frac{k(k – 1)}{2}$$

إذا كان لدى الباحث 4 مجموعات، فإن عدد المقارنات الثنائية يساوي $c = \frac{4(3)}{2} = 6$ مقارنات. وبتطبيق المعادلة، يرتفع معدل الخطأ الفعلي من النوع الأول ليصبح:

$$\alpha_{FW} = 1 – (1 – 0.05)^6 = 1 – (0.95)^6 = 1 – 0.735 = 0.265 \quad (26.5%)$$

يعني هذا الارتفاع الصادم أن الباحث يواجه احتمالية تتجاوز 26% لارتكاب خطأ إيجابي كاذب وإعلان نجاح علاج نفسي لا أساس له من الصحة، وإذا ارتفع عدد المجموعات إلى 5 ($c = 10$)، يقفز معدل الخطأ الكارثي ليتجاوز 40%، مما يدمر البنية العلمية للتجربة برمتها.

9.2 لماذا يعد تحليل التباين حلاً لمشكلة المقارنات المتعددة؟

يقف تحليل التباين كحصن إحصائي متين وحل جذري لمعضلة تراكم الأخطاء الناتجة عن المقارنات المتعددة؛ فهو يختبر الفروق بين كافة المجموعات التجريبية في وقت واحد من خلال اختبار كلي شامل (Omnibus F-test) واحد وثابت، مع الحفاظ الصارم على معدل الخطأ من النوع الأول عند السقف المقبول والمحدد مسبقاً (غالباً $\alpha = 0.05$) للتجربة ككل.

يعمل اختبار “أنوفا” كنظام أمان وحراسة منهجي مزدوج؛ فإذا كانت قيمة $F$ غير دالة إحصائياً ($p > 0.05$)، يتوقف التحليل الإحصائي فوراً وتُقبل الفرضية الصفرية لعدم وجود تباين جوهري يتجاوز الصدفة، مما يمنع الباحث نهائياً من الانجرار وراء التنقيب العشوائي عن الفروق الفردية في البيانات. أما إذا ثبتت دلالة قيمة $F$ الشاملة، ينتقل الباحث إلى مرحلة المقارنات البعدية المجهزة برياضيات متقدمة تضبط الخطأ الأسري، مما يضمن أن تكون كل نتيجة إضافية ناتجة عن برهان إحصائي محكم ومحمي من التضخم الزائف.

10. الافتراضات الإحصائية وشروط تطبيق الاختبارين وكيفية التحقق منها

10.1 الافتراضات المشتركة بين اختبار ت وتحليل التباين

يشترك اختبار “ت” وتحليل التباين “أنوفا” في حزمة صارمة من الافتراضات الإحصائية المعلمية التي تمثل الشروط المسبقة لصحة واشتقاق النماذج الرياضية، وتتلخص هذه الافتراضات الأساسية في أربعة محاور:

1. مستوى قياس المتغير التابع: يجب أن يكون المتغير التابع كمياً متصلاً مقاساً على مستوى المقاييس الفترية (Interval) أو النسبية (Ratio)، مما يضمن شرعية العمليات الحسابية لحساب المتوسطات والتباينات.
2. استقلالية الملاحظات (Independence of Observations): في التصاميم المستقلة، يشترط أن تكون استجابة كل مفحوص معزولة تماماً ولا تتأثر بمفحوص آخر، ويعد هذا الشرط هو الأشد خطورة، إذ لا يمكن معالجة انتهاكه بأي تحويلات رياضية ويفسد الاستدلال مباشرة.
3. التوزيع الطبيعي (Normality): يفترض أن تتوزع درجات المتغير التابع داخل كل مجموعة أو مستوى توزيعاً طبيعياً معيارياً. يتم التحقق من هذا الافتراض عبر الاختبارات الإحصائية الرسمية كاختبار شابيرو-ويلك (Shapiro-Wilk Test) للعينات الصغيرة ($N < 50$) واختبار كولموجروف-سميرنوف (Kolmogorov-Smirnov Test) للعينات الكبيرة، إلى جانب الفحص البصري للمدرجات التكرارية (Histograms) ومخططات الاحتمال الطبيعي (Q-Q Plots) ومعاملات الالتواء والتفرطح (Skewness & Kurtosis ضمن المدى المقبول $\pm 1.5$).
4. تجانس التباين (Homoscedasticity): يفترض تساوي تباينات المجتمعات التي سُحبت منها المجموعات، ويتم فحصه دورياً عبر اختبار ليفين (Levene’s Test).

10.2 قوة الاختبارات وقدرتها على تحمل انتهاك الافتراضات (Robustness)

تتمتع الاختبارات المعلمية بدرجة معينة من “المتانة الإحصائية” (Robustness)؛ وهي القدرة المنهجية للاختبار على الحفاظ على معدل دقيق للخطأ من النوع الأول وقوة إحصائية جيدة حتى عند حدوث انتهاكات معتدلة وغير كارثية لافتراضات معينة. فعلى سبيل المثال، وبفضل نظرية النهاية المركزية (Central Limit Theorem)، يعتبر كل من اختبار “ت” و”أنوفا” قويين للغاية ضد انتهاكات التوزيع الطبيعي عندما تكون أحجام العينات كبيرة نسبياً ($n ge 30$ في كل مجموعة)، حيث تتخذ توزيعات المتوسطات العينية شكلاً طبيعياً تلقائياً بغض النظر عن شكل المجتمع الأصلي.

تظل متانة الاختبارين عالية أيضاً ضد انتهاك شرط تجانس التباين إذا وفقط إذا كانت أحجام المجموعات متساوية بدقة (Equal Group Sizes / Balanced Design). أما إذا اقترن عدم تجانس التباين مع عدم تساوي أحجام العينات بصورة حادة، تنهار المتانة الإحصائية للاختبارين التقليديين وتنتج قرارات استدلالية مضللة تماماً. يلجأ الباحثون في هذه السيناريوهات إما إلى التحويلات الرياضية للبيانات الأصلية (مثل التحويل اللوغاريتمي $log(X)$ أو تحويل الجذر التربيعي $\sqrt{X}$) لاستعادة التجانس والاعتدالية، أو اعتماد تصحيحات ويلش وتعديلات درجات الحرية كبدائل معلمية متينة وموثوقة.

10.3 البدائل اللامعلمية عند فشل الافتراضات في البحوث النفسية

عندما تفشل محاولات تحويل البيانات في تصحيح الانتهاكات الحادة لشروط الاعتدالية، أو عند التعامل مع متغيرات تابعة مقاسة بمستويات رتبية كأوزان مقاييس ليكرت الخماسية أو السباعية غير المتصلة وعينات بالغة الصغر، يصبح الانتقال إلى عائلة الاختبارات اللامعلمية حتمية علمية. يقابل كل اختبار معلمي بديل لا معلمي مباشر ومكافئ يعتمد على تحويل الدرجات الخام إلى رتب (Ranks):

• بديل اختبار “ت” للعينات المستقلة: اختبار مان-ويتني (Mann-Whitney U Test)؛ يقارن مجموع الرتب والوسيط بين مجموعتين مستقلتين دون افتراض التوزيع الطبيعي.
• بديل اختبار “ت” للعينات المترابطة: اختبار ويلكوكسون للرتب الموقعة (Wilcoxon Signed-Rank Test)؛ يختبر اتجاه وحجم الفروق الرتبية داخل الأزواج المقترنة.
• بديل تحليل التباين أحادي الاتجاه: اختبار كروسكال-واليس (Kruskal-Wallis H Test)؛ يقارن رتب ثلاث مجموعات مستقلة أو أكثر في آن واحد.
• بديل أنوفا للقياسات المكررة: اختبار فريدمان (Friedman Test)؛ يختبر الفروق الرتبية لثلاث قياسات متكررة أو أكثر لنفس المفحوصين دون الحاجة لشرط الكروية.

11. المقارنات البعدية وحجم الأثر في T-test و ANOVA

11.1 اختبارات المقارنات البعدية (Post-Hoc Tests) في ANOVA

عندما يسفر اختبار تحليل التباين الكلي الشامل (Omnibus ANOVA) عن قيمة $F$ ذات دلالة إحصائية في تصميم يتضمن ثلاث مجموعات أو أكثر، يواجه الباحث التساؤل المنهجي الحاسم: أين تكمن الفروق التفصيلية بدقة؟ هل تختلف المجموعة الأولى عن الثانية، أم الثانية عن الثالثة، أم أن الأولى تختلف عن المجموعتين معاً؟ هنا تأتي ضرورة اختبارات المقارنات البعدية (Post-Hoc Tests) التي تقوم بإجراء مقارنات زوجية متعددة بين كافة المجموعات مع دمج خوارزميات رياضية صارمة تضبط الخطأ الأسري الكلي وتبقيه دون مستوى $\alpha = 0.05$.

تتعدد الاختبارات البعدية وتتنوع في درجات تحفظها الإحصائي واستخداماتها:

• اختبار توكي للفروق ذات الدلالة الحقيقية (Tukey’s HSD): الخيار الأكثر شيوعاً وتوازناً في الدراسات النفسية لإجراء كافة المقارنات الزوجية الممكنة، ويشترط تساوي التباينات وتساوي أحجام العينات تقريباً.
• تصحيح بونفيروني (Bonferroni Adjustment): إجراء بالغ التحفظ يقسم مستوى ألفا العام على عدد المقارنات ($\alpha / c$)؛ مثالي عندما يكون عدد المقارنات المخططة مسبقاً قليلاً، لكنه يزيد من الخطأ من النوع الثاني في المقارنات الكثيرة.
• اختبار شيفيه (Scheffé Test): الاختبار الأكثر تحفظاً ومرونة على الإطلاق؛ يتيح إجراء المقارنات الزوجية البسيطة وكذلك المقارنات المركبة والتوليفات الخطية المعقدة (مثل مقارنة متوسط المجموعتين العلاجيتين 1 و 2 بمتوسط المجموعة الضابطة 3)، مع توفير حماية مطلقة ضد الخطأ من النوع الأول تحت أي ظرف.
• اختبار جيمس-هاول (Games-Howell Test): الاختبار المثالي والواجب استخدامه عندما ينتهك شرط تجانس التباين مع عدم تساوي أحجام المجموعات، حيث لا يفترض تساوي التباينات ويعتمد على تعديلات ويلش للدرجات الحرة لكل زوج منفصل.

11.2 حساب وتفسير حجم الأثر (Effect Size)

لم يعد التقرير الإحصائي الحديث في العلوم النفسية يكتفي بذكر القيمة الاحتمالية ($p\text{-value}$)، نظراً لاعتمادها الشديد على حجم العينة وتأثرها بالعينات الضخمة التي قد تبرز فروقاً تافهة. من هنا أصبح حساب حجم الأثر (Effect Size) معياراً إلزامياً ومستقلاً يوضح القوة العملية والعيادية للظاهرة المدروسة ويعكس النسبة الحقيقية للتباين المفسر بالمتغير المستقل.

بالنسبة لاختبار “ت”، يُعد مؤشر كوهين د (Cohen’s d) المؤشر المعياري الأكثر استخداماً، ويقيس المسافة بين المتوسطين بوحدات الانحراف المعياري المجمع ($d = \frac{\bar{X}_1 – \bar{X}_2}{S_{pooled}}$). وضع جاكوب كوهين معاييره الإرشادية الشهيرة لتفسير قيمة $d$ في البحوث السلوكية: أثر صغير ($d = 0.2$)، أثر متوسط ($d = 0.5$)، وأثر كبير ($d = 0.8$).

أما في نماذج تحليل التباين، فتستخدم عائلة نسب التباين المفسر (Variance Explained Indices):

• إيتا مربعة ($\eta^2$ – Eta Squared): تمثل النسبة المئوية من التباين الكلي للمتغير التابع التي يفسرها المتغير المستقل ($\eta^2 = \frac{SS_{between}}{SS_{total}}$)، إلا أنها تميل إلى المبالغة والتضخم الطفيف في العينات الصغيرة.
• إيتا مربعة الجزئية ($\eta_p^2$ – Partial Eta Squared): المؤشر الافتراضي في برمجيات مثل SPSS عند تطبيق النماذج العاملية، وتقيس نسبة التباين المفسر بالعامل بعد استبعاد تباين العوامل الأخرى ($ eta_p^2 = frac{SS_{effect}}{SS_{effect} + SS_{error}} $).
• أوميجا مربعة ($\omega^2$ – Omega Squared): التقدير غير المتحيز والأنقى للتباين المفسر على مستوى المجتمع الأصلي؛ حيث تأخذ درجات الحرية وتباين الخطأ في الحسبان لتصحيح التضخم العيني، وتعد المعيار الذهبي عند الرغبة في تعميم حجم الأثر. تصنف معايير كوهين لـ $\eta^2$ و $\omega^2$ على النحو التالي: أثر صغير ($0.01$)، أثر متوسط ($0.06$)، وأثر كبير ($0.14$).

12. دليل اتخاذ القرار الإحصائي وكيفية كتابة النتائج وفق أسلوب APA

12.1 شجرة اتخاذ القرار لاختيار التحليل الإحصائي الملائم

لتسهيل المهمة المنهجية للباحثين والمحللين، تقدم شجرة القرار الإحصائي التالية خوارزمية منطقية متسلسلة تقود لاختيار الاختبار الأمثل بناءً على طبيعة التصميم التجريبي ومستويات القياس والافتراضات التوزيعية:

المرحلة 1: فحص طبيعة المتغير التابع والشروط التوزيعية:

• إذا كان المتغير التابع رتبياً أو اسمياً، أو كمياً مع انتهاك حاد للاعتدالية في عينة صغيرة $\rightarrow$ انتقل إلى الاختبارات اللامعلمية.
• إذا كان المتغير التابع كمياً متصلاً وتوزيعه طبيعي $\rightarrow$ انتقل إلى الاختبارات المعلمية (المرحلة 2).

المرحلة 2: فحص عدد المتغيرات المستقلة ومستوياتها:

• متغير مستقل واحد بمستويين فقط ($k = 2$):
  • عينات مستقلة تماماً $\rightarrow$ اختبار ت للعينات المستقلة (Independent T-test). (مع التحقق من ليفين: إن تحقق التجانس تُعتمد الصيغة الكلاسيكية، وإن انتُهك يُعتمد تصحيح ويلش).
  • نفس العينة قِيسَت مرتين (قبلي/بعدي) أو أزواج متطابقة $\rightarrow$ اختبار ت للعينات المترابطة (Paired T-test).
• متغير مستقل واحد بثلاثة مستويات فأكثر ($k ge 3$):
  • مجموعات مستقلة ومفحوصين مختلفين $\rightarrow$ تحليل التباين أحادي الاتجاه (One-Way ANOVA). (مع مقارنات بعدية: توكي في حال تجانس التباين، أو جيمس-هاول في حال عدم التجانس).
  • نفس المفحوصين عبر 3 فترات زمنية أو شروط تجريبية $\rightarrow$ تحليل التباين للقياسات المكررة (Repeated Measures ANOVA). (مع فحص الكروية وتصحيح جرينهاوس-جايسر عند انتهاكها).
• متغيران مستقلان تصنيفيان أو أكثر:
  • تصميم تجريبي عاملي يدرس التأثيرات الرئيسية والتفاعلية $\rightarrow$ تحليل التباين العاملي (Factorial ANOVA) (مثل $2 \times 2$ أو $2 \times 3$).
• وجود متغير كمي دخيل مرغوب في ضبطه:
  • ضبط أثر المتغير المصاحب إحصائياً $\rightarrow$ تحليل التباين المصاحب (ANCOVA).
• وجود عدة متغيرات تابعة مترابطة كمياً:
  • دراسة الحزمة التابعة مجتمعة $\rightarrow$ تحليل التباين المتعدد (MANOVA).

12.2 معايير وإرشادات كتابة النتائج الإحصائية وفق جمعية علم النفس الأمريكية (APA 7th)

تشترط جمعية علم النفس الأمريكية (APA Style – الإصدار السابع) أسلوباً دقيقاً وموحداً لتوثيق التحليلات الإحصائية، يتضمن كتابة الرموز الإحصائية بخط مائل (Italicized مثل: M, SD, t, F, p, d, $\eta_p^2$)، وتوثيق درجات الحرية بين قوسين بجوار رمز الاختبار مباشرة، وكتابة القيمة الاحتمالية بالدقة المحددة دون وضع صفر قبل الفاصلة العشرية إذا كانت القيمة لا تتجاوز الواحد (مثل p = .018 بدلاً من 0.018)، مع ذكر حجم الأثر الإلزامي وفترات الثقة.

نموذج توثيق اختبار ت للعينات المستقلة وفق أسلوب APA:

“أظهرت النتائج وجود فرق ذي دلالة إحصائية بين المجموعة التجريبية التي تلقت العلاج السلوكي المعرفي (M = 22.40, SD = 4.15) والمجموعة الضابطة (M = 31.85, SD = 5.20) في خفض درجات القلق، t(48) = 7.11, p < .001, 95% CI [7.78, 11.12]، مع حجم أثر كبير بلغ كوهين d = 2.01.”

نموذج توثيق تحليل التباين أحادي الاتجاه وفق أسلوب APA:

“كشف تحليل التباين أحادي الاتجاه عن وجود أثر دال إحصائياً لنوع التدخل العلاجي على تحسين مهارات الذاكرة، F(2, 57) = 6.45, p = .003, $\eta_p^2$ = .18. وأظهرت المقارنات البعدية باستخدام اختبار توكي (Tukey’s HSD) تفوق مجموعة التدريب المعرفي المكثف (M = 78.30, SD = 8.10) بدلالة إحصائية (p = .002) على المجموعة الضابطة (M = 66.50, SD = 9.40)، في حين لم يظهر فرق دال بين مجموعة التدريب الذاتي والمجموعة الضابطة (p = .245).”

12.3 الأخطاء الشائعة في التطبيق والتفسير لدى باحثي علم النفس

تقع شريحة واسعة من الباحثين في منزلقات منهجية متكررة تشوه استنتاجات الدراسات النفسية، ويأتي في مقدمتها الاستسهال الإجرائي وإجراء اختبارات “ت” ثنائية متكررة على تصاميم ثلاثية أو رباعية بدلاً من تطبيق ANOVA، مما يؤدي إلى تضخم الخطأ الإيجابي الكاذب ونشر نتائج مضللة. ومن الأخطاء الجسيمة أيضاً إهمال الفحص الصارم والمسبق لافتراضات الاعتدالية وتجانس التباين، والاعتماد الأعمى على النتائج الافتراضية للحزم البرمجية دون فحص مخرجات اختبار ليفين أو تطبيق تصحيحات ويلش وجيمس-هاول عند اللزوم.

علاوة على ذلك، يخلط بعض الباحثين بين التباين داخل المجموعات والتباين بين المجموعات؛ فيفسرون الدلالة الإحصائية لقيمة $F$ على أنها دليل على تباعد جميع المجموعات عن بعضها دون الرجوع للمقارنات البعدية لتفكيك العلاقات التفصيلية. وأخيراً، يظل التركيز الأحادي على الدلالة الإحصائية ($p\text{-value}$) وتجاهل توثيق وتفسير حجم الأثر ($\eta^2$ أو $d$) والأهمية العيادية من أشد العيوب تأثيراً؛ إذ يقود ذلك إلى تضخيم آثار نفسية طفيفة لا تقدم أي فائدة علاجية حقيقية في الميدان الإكلينيكي والتربوي.

خاتمة استنتاجية شاملة

يمثل الاستيعاب العميق للفروق الرياضية والمنهجية بين اختبار ت (T-test) واختبار تحليل التباين (ANOVA) حجر الزاوية للممارسة البحثية الرصينة في علم النفس والعلوم السلوكية الحديثة. فبينما يقدم اختبار “ت” أداة رشيقة ونافذة مباشرة ومحددة لمقارنة متوسطين اثنين فقط سواء في العينات المستقلة أو التصاميم المترابطة داخل الأفراد، يوفر تحليل التباين إطاراً نظرياً وإحصائياً متكاملاً يتسع للمقارنات متعددة المستويات، والتصاميم العاملية المعقدة، واستكشاف التفاعلات السلوكية المتشابكة، مع توفير مظلة وقاية صارمة ضد التضخم الكارثي للخطأ من النوع الأول الناتج عن معضلة المقارنات المتعددة.

إن الانتقال من مجرد حساب القيم الاحتمالية الجافة إلى الفهم الشامل لبنية تباين الظواهر، والتحقق المنهجي من الافتراضات التوزيعية، والاستعانة بالبدائل اللامعلمية عند الضرورة، والتوثيق الدقيق لحجوم الآثار وفق معايير APA؛ يمثل المسار العلمي الأوحد لضمان الصدق الداخلي والخارجي للنتائج السيكولوجية، والارتقاء بالبحث النفسي العربي إلى مصاف المعايير المنهجية العالمية الرائدة.

References

• American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• 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.
• Gosset, W. S. [Student]. (1908). The Probable Error of a Mean. Biometrika, 6(1), 1–25. https://doi.org/10.2307/2331554
• Gravetter, F. J., Wallnau, L. B., Forzano, L. B., & Witnauer, J. E. (2020). Essentials of Statistics for the Behavioral Sciences (10th ed.). Cengage Learning.
• Howell, D. C. (2013). Statistical Methods for Psychology (8th ed.). Wadsworth, Cengage Learning.
• 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
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.