حجوم الأثر في الإحصاء

شهدت الممارسة المنهجية في العلوم السلوكية، والاجتماعية، والطبية، والتربوية عبر العقود الأخيرة تحولاً إبستمولوجياً بارزاً في طرائق الاستدلال الإحصائي؛ إذ انتقل التركيز من الاعتماد الحصري على اختبار الدلالة الإحصائية للفرضية الصفرية (Null Hypothesis Significance Testing – NHST) إلى تبني مدخل الاستدلال التقديري القائم على قياس حجم التأثير ومداه. لعقود طويلة، ظل الاسترشاد بالقيم الاحتمالية (p-values) معياراً أوحد للحكم على أهمية النتائج البحثية ووجود الظواهر من عدمها، مما أدى إلى تشوهات معرفية وأزمات منهجية جسيمة عُرفت في الأوساط الأكاديمية بـ “أزمة التكرارية” (Replication Crisis). في هذا السياق، تبرز حجوم الأثر (Effect Sizes) بوصفها الأداة الإحصائية المعيارية التي تتيح للباحثين والممارسين تقدير القوة الحقيقية للظاهرة المدروسة، وتحديد الدرجة العملية للتمايز بين المجموعات أو قوة الارتباط بين المتغيرات بصورة مجردة من التأثير المضلل لحجم العينة.

إن حجم الأثر لا يقدم مجرد إجابة ثنائية على السؤال التقليدي: “هل هناك فرق دال إحصائياً؟”، بل يتجاوز ذلك ليجيب عن الأسئلة الجوهرية الأكثر إلحاحاً في مسيرة بناء المعرفة التراكمية: “ما مدى ضخامة هذا التأثير؟”، و”ما قيمته التطبيقية في السياق الواقعي؟”، و”إلى أي مدى يُمكّننا هذا التدخل من إحداث تغيير ملموس في السلوك البشري أو الحالة الصحية أو الأداء الأكاديمي؟”. ومن هذا المنطلق، لم يعد تقرير حجوم الأثر مجرد ترفٍ إحصائي أو توصية اختيارية، بل غدا متطلباً صارماً تفرضه كبرى الجمعيات العلمية، وفي مقدمتها الجمعية الأمريكية لعلم النفس (APA)، واللجان التحريرية للدوريات المحكمة، بوصفه الركيزة الأساسية لتوليد استنتاجات تتسم بالشفافية وقابلية المقارنة والدمج التلوي عبر دراسات متعددة.

يهدف هذا الدليل المنهجي الشامل إلى تفكيك الأسس النظرية والرياضية لحجوم الأثر في الإحصاء التطبيقي، واستعراض عائلاتها الكبرى، ومقارنة معادلاتها ومحدداتها التطبيقية، فضلاً عن بيان كيفية تفسيرها وتجنب المزالق الشائعة المرتبطة بها، وحسابها عبر البرمجيات الإحصائية المتقدمة. وسواء كنت باحثاً يسعى إلى تخطيط القوة الإحصائية لدراسته بدقة، أو مراجعاً يحلل نتائج الدراسات السابقة في إطار التحليل البعدي (Meta-Analysis)، فإن فهم آليات ومقاييس حجم الأثر يمثل حجر الزاوية للممارسة العلمية الرصينة.

1. مدخل مفاهيمي: ما هو حجم الأثر في الإحصاء وأهميته العلمية؟

1.1 التعريف الرياضي والمفاهيمي لحجم الأثر

يُعرَّف حجم الأثر في الإحصاء الاستدلالي بأنه مقياس كمي وموضوعي يُعبر عن قوة ظاهرة معينة، أو مقدار التباين المفسر في متغير تابع بواسطة متغير مستقل، أو درجة التمايز والانفصال بين توزيعين احتماليين أو أكثر، وذلك بصرف النظر عن حجم العينة الإحصائية المستخدمة في الدراسة. رياضياً، يمكن النظر إلى حجم الأثر باعتباره تقديراً للمعلمة المجتمعية (Population Parameter) الحقيقية التي تعكس درجة ابتعاد فرضية العدم عن الواقع، أو هو القيمة التي تصف النسبة بين الإشارة الإحصائية (Signal) والتشويش العشوائي (Noise) الكامن في البيانات.

وينقسم حجم الأثر بنيوياً إلى نوعين رئيسيين من المقاييس: المقاييس غير المعيارية (Unstandardized Effect Sizes) والمقاييس المعيارية (Standardized Effect Sizes). تُحسب المقاييس غير المعيارية باستخدام وحدات القياس الأصلية للظاهرة، مثل الفارق الخام بين متوسطي درجات مجموعتين في اختبار الذكاء، أو مقدار الانخفاض في ضغط الدم بالمليمتر الزئبقي، أو عدد الكلمات التي يحفظها الطالب في الدقيقة. تتسم هذه المقاييس بوضوحها وسهولة فهمها المباشر عندما تكون أداة القياس موحدة وذات مغزى فيزيائي أو نفسي مفهوم. غير أن إشكاليتها تظهر عند الرغبة في مقارنة نتائج دراسات استخدمت أدوات قياس مختلفة لنفس البناء النفسي أو الظاهرة، وهنا يأتي دور المقاييس المعيارية التي تجرد النتائج من وحدات القياس الخام عبر قسمة الفروق على مقياس تشتت موحد (كالتباعد المعياري)، أو التعبير عنها كنسبة مئوية من التباين، مما يجعلها أرقاماً لا بُعدية قابلة للمقارنة والتعميم عبر مختلف السياقات التجريبية والميدانية.

تتجلى الأهمية الإبستمولوجية لحجم الأثر في قدرته على تجاوز النماذج الاستدلالية العقيمة التي تقتصر على رفض أو قبول الفرضية الصفرية بناءً على عتبات احتمالية مصطنعة. يُسهم حجم الأثر في ترسيخ المعرفة التراكمية، إذ يسمح للباحثين بإجراء المقارنات المباشرة بين التدخلات المتنافسة، ويسهل تجميع النتائج كمياً عبر بحوث التحليل البعدي، كما يعيد توجيه النقاش الأكاديمي من مجرد إثبات وجود أثر غير صفري إلى تقييم جسامة هذا الأثر ووزنه النسبي في شبكة العلاقات السببية والارتباطية.

1.2 السياق التاريخي وتطور الاعتماد على مقاييس حجم الأثر

تعود الجذور التاريخية لحجوم الأثر إلى إسهامات علماء الإحصاء الأوائل مثل كارل بيرسون ورونالد فيشر، إلا أن الفضل الأكبر في تأسيس الإطار النظري والتطبيقي المنهجي لقياس القوة الإحصائية وحجم الأثر يعود إلى عالم النفس والإحصائي الأمريكي جاكوب كوهين (Jacob Cohen). في كتابه الرائد الصادر عام 1969 بعنوان “Statistical Power Analysis for the Behavioral Sciences”، وضع كوهين اللبنات الأولى لتصنيف وتحديد حجوم الأثر لمختلف الاختبارات البارامترية واللابارامترية، وقدم قواعد استرشادية لتعريف التأثيرات الصغيرة والمتوسطة والكبيرة، مبيناً بجلاء أن معظم الدراسات النفسية تعاني من ضعف مزمن في القوة الإحصائية ناتج عن عدم تقدير حجم الأثر المتوقع مسبقاً.

استمرت الدعوات المنهجية لإصلاح الممارسات البحثية طوال العقود اللاحقة، لا سيما مع تنامي الانتقادات الموجهة لاختبار الفرضية الصفرية من قِبل باحثين بارزين مثل جين جلاس (Gene Glass)، وروبرت روزنثال (Robert Rosenthal)، وبول ميهل (Paul Meehl). وفي عام 1999، أصدرت فرقة العمل المعنية بالاستدلال الإحصائي (Task Force on Statistical Inference) التابعة للجمعية الأمريكية لعلم النفس تقريراً تاريخياً شدد على ضرورة تقديم تقديرات حجوم الأثر وفترات الثقة المصاحبة لها في جميع الدراسات التجريبية والارتباطية. وتوج ذلك في الإصدارات المتتالية من دليل نشر الـ APA (خاصة الإصدارين السادس والسابع)، حيث أصبح تضمين حجم الأثر وتفسيره شرطاً غير قابل للتفاوض لقبول الأوراق العلمية ونشرها.

جاءت أزمة التكرارية في العقد الثاني من القرن الحادي والعشرين لتمنح مقاييس حجم الأثر زخماً حاسماً؛ إذ كشفت مشروعات إعادة الإنتاج واسعة النطاق (مثل مشروع Open Science Collaboration عام 2015) أن نسبة هائلة من الدراسات المنشورة ذات القيم الاحتمالية الدالة (p < .05) قد أظهرت حجوم أثر فعلية تقل كثيراً عما تم تقريره أصلاً، أو كانت تقترب من الصفر. وقد أثبت هذا الواقع الميداني أن التعويل الحصري على الدلالة الإحصائية قاد المجتمع العلمي إلى نشر نتائج زائفة وضخمة ظاهرياً نتيجة التحيز للنشر والتنقيب عن البيانات (p-hacking)، مما رسخ قناعة عالمية بأن حجم الأثر هو الصمام المنهجي الأضمن لتقييم مصداقية الكشوف العلمية واستدامتها.

1.3 أنواع البيانات وملاءمة مقاييس حجم الأثر المختلفة

يتطلب الاختيار السليم لمقياس حجم الأثر فهماً عميقاً لطبيعة البيانات ومستويات القياس (المتصلة، الرتبية، الاسمية)، إلى جانب بنية التصميم التجريبي المعتمد. ففي حالة المتغيرات الكمية المتصلة الموزعة توزيعاً طبيعياً، والتي تُقارن فيها المتوسطات بين مجموعتين مستقلتين (مثل مجموعة تجريبية وأخرى ضابطة)، تكون المقاييس المستندة إلى الفروق المعيارية (مثل Cohen’s d أو Hedges’ g) هي الخيار الأمثل لتمثيل التباعد بين التوزيعات.

أما عندما تكون البيانات رتبية (Ordinal) أو تنتهك افتراضات التوزيع الطبيعي انتهاكاً جسيماً، فإن اللجوء إلى المقاييس المعيارية الكلاسيكية يؤدي إلى تشويه حجم التأثير الحقيقي؛ مما يستدعي توظيف بدائل لابارامترية متينة مثل مقياس Cliff’s Delta، أو معامل الارتباط الرتبي الثنائي (Rank-Biserial Correlation)، أو مقياس احتمالية التفوق (Probability of Superiority). وفي المقابل، تتطلب البيانات الاسمية أو الفئوية (Nominal/Categorical) التي تُعرض في جداول التوافق والاقتران مقاييس خاصة بالاحتمالات والنسب، مثل نسبة الأرجحية (Odds Ratio – OR)، أو المخاطر النسبية (Relative Risk – RR)، أو معامل كرامر (Cramér’s V)، ومعامل فاي (Phi Coefficient).

يمتد هذا التباين إلى التصاميم البحثية المتقدمة؛ ففي النماذج الإحصائية الخطية ونماذج تحليل التباين (ANOVA)، تُستخدم مقاييس نسبة التباين المفسر مثل مربع إيتا الجزئي (Partial $\eta^2$) ومربع أوميغا ($\omega^2$) لعزل تأثير العوامل المتعددة والتفاعلات المعقدة بينها. أما في الدراسات الطولية (Longitudinal Designs) ونماذج النمذجة متعددة المستويات (Multilevel Modeling – MLM)، فتُحسب حجوم الأثر عبر تقدير معاملات التباين بين المستويات (Variance Partitioning Coefficients) وحساب الفروق المعيارية المعدلة زمنياً، مما يضمن تمثيل الديناميات التطورية للسلوك والظواهر عبر الزمن بمرونة إحصائية فائقة وتفادي خلط التباين الفردي بالتباين الجماعي.

2. الفجوة المنهجية بين الدلالة الإحصائية والدلالة العملية والعيادية

2.1 محدودية القيمة الاحتمالية (p-value) في تقييم النتائج

ترتكز القيمة الاحتمالية (p-value) في بنيتها الرياضية على حساب احتمالية الحصول على بيانات مماثلة للبيانات المرصودة أو أكثر تطرفاً منها، بافتراض صحة الفرضية الصفرية تماماً ($H_0$). ومن ثم، فإن هذه القيمة لا تقيس بذاتها احتمالية صدق الفرضية البحثية، ولا تعكس بحال من الأحوال حجم الظاهرة أو أهميتها العملية في الواقع الميداني. وتكمن الإشكالية الكبرى في أن القيمة الاحتمالية دالة مركبة تتأثر بشدة بعاملين رئيسيين: حجم الأثر الفعلي وحجم العينة المتاحة للدراسة، وفق العلاقة الاستدلالية العامة:

إحصاء الاختبار = حجم الأثر × حجم العينة

ونتيجة لهذه التبعية المباشرة، يمكن لأي باحث الحصول على قيمة احتمالية دالة إحصائياً بشكل قاطع (p < .001) لتأثير ضئيل للغاية يكاد ينعدم في الواقع (مثل فارق في درجات الذكاء يبلغ 0.05 نقطة)، وذلك بمجرد تضخيم حجم العينة إلى آلاف المشاركين. وعلى النقيض من ذلك تماماً، قد يفشل باحث يمتلك تدخلاً علاجياً ذا أثر بالغ الجسامة في إثبات دلالته إحصائياً (p > .05) إذا كانت دراسته مبنية على عينة صغيرة الحجم نتيجة محدودية الموارد أو ندرة الحالات المرضية، مما يدفعه عن طريق الخطأ إلى التخلي عن اكتشاف علمي واعد.

تولد هذه الثنائية المغلقة مغالطات منطقية خطيرة في تفسير النتائج، حيث يقع العديد من الباحثين في فخ “مغالطة الدلالة” من خلال افتراض أن التأثير الدال إحصائياً هو بالضرورة تأثير مهم وله وزن تجريبي، وأن التأثير غير الدال إحصائياً يعني الغياب التام للأثر. إن اختبار الدلالة الصفرية هو اختبار لمعرفة ما إذا كان التأثير يختلف تماماً عن الصفر المطلق، وهو معيار ضعيف معرفياً، في حين يركز حجم الأثر على تقدير مدى هذا الاختلاف وأهميته الموضوعية.

2.2 مفهوم الدلالة العملية والأثر التطبيقي للنتائج

تشير الدلالة العملية (Practical Significance) إلى المدى الذي تُحدث فيه نتائج البحث فارقاً حقيقياً ومفيداً في بيئة التطبيق العملي، سواء كان ذلك في فصول التعليم، أو العيادات النفسية، أو بيئات العمل المؤسسي، أو السياسات العامة. وتعتمد الدلالة العملية على وضع حجم الأثر في سياقه الواقعي وتقييم المكاسب المحققة في ضوء التكاليف المالية، والجهد البشري، والمخاطر المحتملة المصاحبة لتطبيق التدخل المقترح.

على سبيل المثال، إذا طوّر فريق بحثي برنامجاً تدريبياً جديداً يرفع درجات الطلاب في اختبارات التحصيل الدراسي بحجم أثر معياري صغير قدره ($d = 0.15$)، فإن تقييم هذا الأثر يتوقف على سياق تنفيذه. فإذا كان البرنامج مكلفاً مالياً ويتطلب إعادة هيكلة شاملة للمناهج وساعات تدريب طويلة للمعلمين، فإن دلالته العملية قد تكون متدنية وغير مبررة اقتصادياً. أما إذا كان هذا التدخل عبارة عن تمرين رقمي خفيف التكلفة وقابل للتطبيق على ملايين الطلاب عبر الإنترنت، فإن هذا الأثر الصغير يترجم في المحصلة الكلية إلى مكاسب معرفية ضخمة على المستوى القومي، مما يمنحه دلالة عملية بالغة القوة.

علاوة على ذلك، تلعب الطبيعة التراكمية للتأثيرات دوراً محورياً في تقييم الدلالة العملية؛ إذ إن التأثيرات السلوكية أو النفسية التي تبدو متواضعة عند قياسها في جلسة اختبارية واحدة قد تتراكم عبر الشهور والسنوات لتحدث تمايزاً نوعياً جذرياً في مسارات حياة الأفراد ورفاههم، مما يحتم على الباحثين الموازنة بين الأثر اللحظي والأثر الممتد طويل المدى عند صياغة التوصيات التطبيقية.

2.3 الدلالة العيادية ومؤشرات التغيير الملموس

في ميدان العلاج النفسي والطب السلوكي، لا تكفي الدلالة الإحصائية ولا المتوسطات الإجمالية لحجوم الأثر لتحديد ما إذا كان المريض قد استعاد عافيته بالفعل. ولهذا الغرض، برز مفهوم الدلالة العيادية (Clinical Significance) الذي يعنى بتحديد ما إذا كان التغير الناتج عن العلاج ذي قيمة حقيقية تجعل المريض ينتقل من الفئة المرضية (Dysfunctional Population) إلى فئة الأفراد الأصحاء (Functional Population).

طور العالمان جاكوبسون وترواكس (Jacobson & Truax, 1991) منهجية قياسية صارمة لتقييم التغير الدال عيادياً تستند إلى معيارين متكاملين:

• مؤشر التغير الموثوق (Reliable Change Index – RCI): وهو مقياس يحدد ما إذا كان مقدار التحسن الذي أظهره المريض يتجاوز خطأ القياس المعياري لأداة التقييم، ويُحسب بقسمة الفارق بين درجات المريض قبل وبعد العلاج على الخطأ المعياري للفروق ($S_{diff}$). فإذا تجاوز مؤشر التغير القيمة الحرجة ($1.96$)، يمكن الجزم بأن التحسن حقيقي وغير ناتج عن التذبذب العشوائي في القياس.
• عتبة الانتقال التوزيعي (Cutoff Points): تحديد نقاط قطع إحصائية فاصلة تفصل بين توزيع الأفراد المصابين وتوزيع الأصحاء، مما يتيح تصنيف المرضى بعد العلاج إلى: متعافين تماماً (Recovered)، أو متحسنين فقط (Improved)، أو مستقرين دون تغير (Unchanged)، أو متدهورين (Deteriorated).

يتكامل هذا الإطار مع مفهوم الحد الأدنى للتغير المهم سريرياً (Minimal Clinically Important Difference – MCID)، وهو أصغر فرق في الدرجات يدركه المريض أو المعالج كتحسن إيجابي وملموس يُبرر الاستمرار في البروتوكول العلاجي أو تعديله، مما ينقل تركيز البحث الإكلينيكي من فضاء المتوسطات المجردة إلى مستوى الفرد والممارسة الطبية الموجهة.

3. التصنيفات الكبرى لمقاييس حجم الأثر الإحصائي

3.1 عائلة الفروق المعيارية بين المتوسطات (عائلة d)

تضم عائلة الفروق المعيارية (The d-family) كافة المقاييس الإحصائية المصممة لقياس التباعد والمسافة النسبية بين متوسطين حسابيين، معبراً عنها بوحدات الانحراف المعياري المشترك. وتعد هذه العائلة الأكثر انتشاراً في الدراسات التجريبية وشبه التجريبية التي تختبر فعالية المعالجات والتدخلات النفسية والتربوية والطبية بمقارنة المجموعة التجريبية بمجموعة ضابطة.

تشمل هذه العائلة مقاييس شهيرة مثل Cohen’s d، وHedges’ g، وGlass’s Delta ($\Delta$). تنطلق فلسفة هذه المقاييس من قسمة الفرق بين متوسطي المجموعتين على تقدير ملائم للتشتت المعياري، مما ينتج مؤشراً يعبر عن عدد الانحرافات المعيارية التي تفصل بين مركزي التوزيعين. وتشترط هذه العائلة تحقق مجموعة من الافتراضات الإحصائية الكلاسيكية، كأن تكون البيانات متصلة وموزعة توزيعاً طبيعياً داخل كل مجموعة، فضلاً عن افتراض تجانس التباين (Homoscedasticity).

تتميز مقاييس عائلة d بقابليتها للتحويل الرياضي المباشر إلى مقاييس عائلة الارتباط، كما تتميز بسهولة تمثيلها وتصورها الهندسي والتوزيعي، إذ تعكس مباشرة نسبة التداخل والتقاطع بين منحنيات التوزيع الطبيعي للمجموعات المقارنة، مما يجعلها أداة مرنة في صياغة الفرضيات وتحليل المقارنات الثنائية.

3.2 عائلة الارتباط ونسبة التباين المفسر (عائلة r)

تركز عائلة الارتباط والتباين المفسر (The r-family) على قياس قوة الاقتران الخطي والاتجاه التبادلي بين متغيرين أو أكثر، وتقدير النسبة المئوية من التباين في المتغير التابع التي يمكن عزوها وتفسيرها بمعرفة المتغير أو المتغيرات المستقلة. تتسم مقاييس هذه العائلة بمدى عددي محدد يسهل إدراكه؛ إذ تتراوح معاملات الارتباط بين (-1.00 و +1.00)، في حين تتراوح مقاييس التباين المفسر بين (0.00 و 1.00) أو (0% إلى 100%).

تضم هذه الفئة معامل ارتباط بيرسون ($r$)، ومعامل التحديد ($R^2$) في نماذج الانحدار، إلى جانب معاملات تحليل التباين الكلاسيكية مثل مربع إيتا ($eta^2$)، ومربع إيتا الجزئي ($eta_p^2$)، ومربع أوميغا ($omega^2$)، ومقياس كوهين للتباين ($f^2$). وتعد مقاييس هذه العائلة العمود الفقري للبحوث الوصفية والارتباطية ونمذجة المعادلات البنائية (Structural Equation Modeling).

تكمن قوة عائلة r في قدرتها على التعامل مع المتغيرات المتصلة دون الحاجة إلى تقسيم المشاركين اصطناعياً إلى مجموعات، مما يحافظ على كامل التباين والقدرة الإحصائية للمعلومات المرصودة. كما توفر فهماً كلياً للبنية التفسيرية للظواهر المعقدة التي تتداخل فيها مساهمات عوامل تنبؤية متعددة تتفاعل فيما بينها.

3.3 عائلة النسب والاحتمالات للبيانات الفئوية (عائلة المقاييس الفئوية)

تُعنى عائلة مقاييس البيانات الفئوية بتقدير المخاطر والفرص النسبية لحدوث واقعة أو سلوك معين عند وجود عامل محدد مقارنة بغيابه، وهي شائعة الاستخدام في علم الأوبئة النفسية، والدراسات الطبية، وبحوث العدالة الجنائية والعلوم السياسية، حيث تكون المتغيرات التابعة ثنائية التصنيف (مثل: أصيب/لم يصب، نجح/فشل، تكرر احتجازه/لم يتكرر).

تشمل هذه العائلة مقاييس رئيسية هي:

• نسبة الأرجحية (Odds Ratio – OR): النسبة بين فرصة وقوع الحدث في المجموعة المعرضة لعامل معين مقابل فرصة وقوعه في المجموعة غير المعرضة.
• الخطر النسبي (Relative Risk / Risk Ratio – RR): نسبة احتمال حدوث النتيجة في المجموعة التجريبية إلى احتمال حدوثها في المجموعة الضابطة.
• معامل فاي ($phi$) ومعامل كرامر (Cramér’s V): مقاييس قائمة على إحصاء كاي تربيع ($\chi^2$) لتقدير قوة الارتباط التوافقي بين المتغيرات الفئوية الاسمية في جداول التقاطع المزدوجة والمتعددة.

تختلف الخصائص الرياضية لهذه العائلة جذرياً عن عائلتي d و r؛ إذ إن نسب الأرجحية لا تتبع توزيعاً متماثلاً حول الصفر، بل تمتد من الصفر إلى ما لا نهاية حيث تمثل القيمة (1.00) فرضية العدم (تساوي الفرص). ويستدعي التحليل الإحصائي المتقدم تحويل هذه المقاييس إلى الصورة اللوغاريتمية الطبيعية (Log Odds) لتحقيق التماثل الرياضي والتمكن من إدراجها في نماذج الانحدار اللوجستي وبحوث التحليل البعدي.

4. عائلة الفروق المعيارية: الحساب والخصائص والتطبيقات

4.1 مقياس كوهين دي (Cohen’s d): الأسس وطريقة الحساب

يعد مقياس كوهين دي (Cohen’s d) المقياس الأبوي والأكثر شهرة ضمن عائلة الفروق المعيارية. يُعرف المقياس رياضياً بأنه حاصل طرح متوسط المجموعة الثانية ($\bar{X}_2$) من متوسط المجموعة الأولى ($\bar{X}_1$) مقسوماً على الانحراف المعياري المجمع (Pooled Standard Deviation – $S_{pooled}$):

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

ويُحسب الانحراف المعياري المجمع لعينتين مستقلتين بدمج تباين المجموعتين موزوناً بدرجات الحرية الخاصة بكل منهما عبر المعادلة التالية:

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

حيث تمثل $n_1$ و $n_2$ أحجام العينتين، و $S_1^2$ و $S_2^2$ تباين كل مجموعة على التوالي. يعبر الناتج النهائي عن مقدار التباعد بين المتوسطين بوحدات الانحراف المعياري؛ فقيمة $d = 0.50$ تعني أن متوسط المجموعة الأولى أعلى من متوسط المجموعة الثانية بنصف انحراف معياري كامل.

من الضروري التمييز بدقة بين حساب Cohen’s d للعينات المستقلة وحسابه لتصاميم القياسات المتكررة أو العينات المترابطة (Paired Samples). ففي التصاميم المترابطة، يؤدي الارتباط الإيجابي القوي بين القياسين القبلي والبعدي ($r$) إلى تقليص تباين الفروق، ولذلك يقترح علماء المنهجية استخدام الانحراف المعياري لدرجات الفروق ($S_{diff}$) أو الانحراف المعياري للقياس القبلي ($S_{pre}$) بوصفه معياراً للمعايرة لضمان عدم تضخيم حجم الأثر الناتج مقارنة بالدراسات ذات العينات المستقلة.

تتأثر دقة تقدير Cohen’s d تأثراً كبيراً بمدى التزام البيانات بافتراض تجانس التباين. فعندما يكون التباين في المجموعتين غير متساوٍ بصورة حادة مع وجود تفاوت ملحوظ في أحجام المجموعات، يفقد الانحراف المعياري المجمع كفاءته الرياضية، مما يستوجب اللجوء إلى صيغ تصحيحية بديلة تضمن عدم تشويه التقدير الإحصائي.

4.2 تصحيح هيجز جي (Hedges’ g) للعينات الصغيرة

على الرغم من انتشار مقياس Cohen’s d، إلا أنه يعاني من قصور منهجي يتمثل في كونه تقديراً متحيزاً إيجابياً (Positively Biased) لحجم الأثر المجتمعي عندما تكون أحجام العينات المدروسة صغيرة (أقل من 20 مشاركاً في كل مجموعة تقريباً). في هذه الحالات، يميل Cohen’s d إلى المبالغة في تضخيم قيمة الأثر الحقيقي.

لمعالجة هذا التحيز، قدم الإحصائي لاري هيجز (Larry Hedges, 1981) معاملاً تصحيحياً دقيقاً يُعرف بـ Hedges’ g. يقوم هذا التعديل على ضرب قيمة Cohen’s d في معامل تصحيح تقريبي يقلل من التحيز الناتج عن درجات الحرية المحدودة:

$$g \approx d \times \left(1 – \frac{3}{4(n_1 + n_2) – 9}\right)$$

وتُعطي هذه الصيغة تقديراً غير متحيز رياضياً لمعلمة المجتمع الأصلية ($\delta$). كلما زاد حجم العينة الإجمالي، يقترب معامل التصحيح من القيمة (1.00)، وتتطابق قيمتا Hedges’ g و Cohen’s d تماماً في العينات الكبيرة. ولذلك، تنص أدلة التحليل المنهجي والتحليل البعدي الحديثة على ضرورة تفضيل واستخدام Hedges’ g كمعيار افتراضي عند استخراج حجوم الأثر للعينات التجريبية، لضمان أعلى مستويات الدقة الرياضية وتجنب التقديرات المتضخمة.

4.3 مقياس جلاس دلتا (Glass’s Delta) وحالات التباين غير المتجانس

يواجه الباحثون في العلوم السلوكية والإكلينيكية مواقف تجريبية يؤدي فيها التدخل العلاجي نفسه إلى تفكيك استقرار التباين؛ حيث يتفاوت استجابة الأفراد للعلاج بشكل واسع، مما يجعل تباين المجموعة التجريبية بعد التدخل مضاعفاً مقارنة بالمجموعة الضابطة. في هذه الحالة، يصبح دمج التباينين عبر معادلة الانحراف المجمع ($S_{pooled}$) إجراءً مضللاً ينتهك المنطق الإحصائي.

اقترح جين جلاس (Gene Glass, 1976) حلاً لهذه المعضلة من خلال مقياس جلاس دلتا (Glass’s $\Delta$)، والذي يُعرف بأنه الفرق بين متوسطي المجموعتين مقسوماً حصرياً على الانحراف المعياري للمجموعة الضابطة ($S_{control}$):

$$\Delta = \frac{\bar{X}_{experimental} – \bar{X}_{control}}{S_{control}}$$

يستند المبرر النظري لهذا المقياس إلى أن المجموعة الضابطة لم تخضع لأي تأثير أو معالجة تجريبية، وبالتالي فإن تباينها يعكس التشتت الطبيعي والمستقر للظاهرة في المجتمع دون تشويه. يوفر مقياس Glass’s $\Delta$ أداة شديدة المتانة في التجارب الإكلينيكية المعقدة، وفي الدراسات التي تقارن مجموعة علاجية واحدة ببيانات معيارية تاريخية مستقرة ذات تباين محدد مسبقاً.

5. عائلة الارتباط والتباين المفسر: المقاييس الخطية ونماذج التباين

5.1 معامل ارتباط بيرسون (r) ومعامل التحديد (R²)

يُمثل معامل ارتباط بيرسون ($r$) المقياس الأساسي لحجم الأثر في العلاقات الخطية الثنائية بين المتغيرات الكمية. وتعود جاذبيته المنهجية إلى كونه معيارياً بطبيعته ولا يتطلب أي عمليات حسابية إضافية للمعايرة، حيث تتراوح قيمته بين (-1.00 و +1.00). وتعبر القيمة الصفرية عن غياب أي ارتباط خطي، في حين تشير القيم (+1.00) و (-1.00) إلى ارتباط طردي أو عكسي تام بين المتغيرين.

عند تربيع معامل الارتباط، نحصل على معامل التحديد ($R^2$)، وهو المقياس الأكثر استخداماً في نماذج الانحدار الخطي البسيط والمتعدد. يمثل $R^2$ النسبة المئوية من التباين الكلي في المتغير التابع التي يستطيع المتغير المستقل تفسيرها والتنبؤ بها مباشرة. فعلى سبيل المثال، إذا كان معامل الارتباط بين الدافعية والتحصيل الدراسي هو $r = 0.40$، فإن معامل التحديد هو $R^2 = 0.16$، مما يعني أن 16% من التباين في تحصيل الطلاب يعزى إلى مستويات دافعيتهم، في حين تظل الـ 84% المتبقية من التباين راجعة إلى متغيرات أخرى أو إلى الخطأ العشوائي.

من المخاطر المنهجية الجسيمة التي تواجه الباحثين عند تفسير معامل الارتباط كحجم أثر ظاهرة تقييد المدى (Range Restriction). تحدث هذه المشكلة عندما تُجمع البيانات من عينة ذات تجانس استثنائي تفتقر إلى التنوع التوزيعي الطبيعي (مثل دراسة العلاقة بين درجات الذكاء والإبداع لدى طلاب برامج الموهوبين فقط). يؤدي تقييد المدى إلى انخفاض حاد ومصطنع في قيمة معامل الارتباط المحسوب مقارنة بالقيمة الحقيقية في المجتمع المفتوح، مما يستوجب تطبيق معادلات التصحيح الإحصائي لتقييد المدى (مثل صيغة ثورنديك للتصحيح) لاستعادة التقدير السليم لحجم الأثر.

5.2 مربع إيتا (Eta-squared – η²) ومربع إيتا الجزئي (Partial η²)

في إطار نماذج تحليل التباين (ANOVA) بمختلف مستوياتها، يُستخدم مربع إيتا ($\eta^2$) لتقدير نسبة التباين الكلي في المتغير التابع المنسوبة إلى تأثير عامل تجريبي معين. يُحسب مربع إيتا بقسمة مجموع مربعات التأثير المعني ($SS_{effect}$) على مجموع المربعات الكلي في النموذج ($SS_{total}$):

$$\eta^2 = \frac{SS_{effect}}{SS_{total}}$$

غير أن إشكالية $\eta^2$ الكلاسيكي تبرز في تصاميم تحليل التباين متعدد العوامل (Factorial ANOVA)؛ حيث يتأثر مقامه بالمجموع الكلي للتباين الذي يشمل كافة العوامل الأخرى والتفاعلات بينها، مما يجعل قيمة $\eta^2$ لنفس التأثير تنخفض آلياً كلما أضاف الباحث عوامل تجريبية إضافية إلى التصميم. ولتجاوز هذا العيب، تم تطوير مربع إيتا الجزئي (Partial $\eta^2$ – $\eta_p^2$)، والذي يُحسب باستبعاد تباين العوامل الأخرى من المقام، وحصر المقارنة بين تباين التأثير وتباين الخطأ العشوائي المتبقي ($SS_{error}$):

$$\eta_p^2 = \frac{SS_{effect}}{SS_{effect} + SS_{error}}$$

تكمن المعضلة الكبرى في مربع إيتا الجزئي في إمكانية تضخم قيمه بصورة غير منطقية؛ إذ يمكن لمجموع قيم $\eta_p^2$ لجميع العوامل والتفاعلات داخل النموذج الواحد أن يتجاوز 1.00 (أو 100%)، مما يجعله مقياساً خادعاً إذا فُسر بوصفه حصة حقيقية من التباين الإجمالي، فضلاً عن صعوبة مقارنته بين دراسات استخدمت تصاميم تجريبية متباينة في عدد المتغيرات المدرجة.

5.3 مربع أوميغا (Omega-squared – ω²) ومقياس كوهين إف (Cohen’s f²)

نظراً لأن مقاييس إيتا تعتمد على مجاميع المربعات المحسوبة من العينة مباشرة، فإنها تعاني من تحيز تفاؤلي يميل إلى تضخيم التباين المفسر في المجتمع، ولا سيما في الدراسات ذات العينات المحدودة. وهنا يبرز مربع أوميغا ($\omega^2$) بوصفه البديل الأفضل والأكثر دقة ومحافظة؛ إذ يصحح هذا المقياس التحيز عن طريق إدراج متوسط المربعات للخطأ ($MS_{error}$) ودرجات الحرية في صياغته الرياضية لتقدير التباين الحقيقي في المجتمع الأصلي:

$$\omega^2 = \frac{SS_{effect} – (df_{effect} \times MS_{error})}{SS_{total} + MS_{error}}$$

يولد $\omega^2$ قيماً أقل عددياً من $\eta^2$، لكنها تمثل الحقيقة الإحصائية المجتمعية بأمانة وموثوقية بالغة. وعلى صعيد نماذج الانحدار الخطي المتعدد والنمذجة متعددة المستويات، يُستخدم مقياس كوهين إف التربيعي ($f^2$) لتقييم الحجم النسبي لمساهمة مجموعة من المتغيرات التنبؤية عند إضافتها إلى النموذج الأساسي، ويُحسب بالمعادلة التالية:

$$f^2 = \frac{R_{AB}^2 – R_A^2}{1 – R_{AB}^2}$$

حيث يمثل $R_A^2$ التباين المفسر بالنموذج الأولي، ويمثل $R_{AB}^2$ التباين المفسر بعد إضافة كتلة المتغيرات الجديدة. يُعد مقياس $f^2$ الأداة المعيارية المعتمدة لحساب القوة الإحصائية وتحديد حجم العينة لنماذج الانحدار والانحدار الهرمي في البرمجيات المتخصصة مثل G*Power.

6. مقاييس حجم الأثر للبيانات الفئوية والترتيبية وجداول الاقتران

6.1 نسبة الأرجحية (Odds Ratio) والمخاطر النسبية (Relative Risk)

في تصاميم الجداول التوافقية الثنائية ($2 times 2$)، يُعد مقياسا نسبة الأرجحية (Odds Ratio – OR) والخطر النسبي (Relative Risk – RR) الركيزتين الأساسيتين لحساب حجم الأثر. يُقاس الخطر النسبي بقسمة احتمالية حدوث النتيجة لدى المعرضين على احتمالية حدوثها لدى غير المعرضين، وهو مقياس بديهي يُستخدم في الدراسات التتبعية المستقبلية (Prospective Cohort Studies). أما نسبة الأرجحية فتُحسب بقسمة أرجحية وقوع الحدث إلى عدم وقوعه في المجموعة الأولى على نفس الأرجحية في المجموعة الثانية، وهي المقياس الأمثل لدراسات الحالات والشواهد (Case-Control Studies) ونماذج الانحدار اللوجستي.

لتوضيح الفرق، إذا كان احتمال الإصابة بمرض في مجموعة معينة هو 20% ($p = 0.20$)، فإن الخطر هو 0.20، في حين أن الأرجحية هي نسبة الإصابة إلى عدم الإصابة أي $0.20 / 0.80 = 0.25$ (أو 1 إلى 4). عندما تكون الظاهرة المدروسة نادرة الحدوث في المجتمع (أقل من 5% عادة)، فإن قيمتي نسبة الأرجحية والخطر النسبي تتقاربان وتتطابقان رياضياً، ولكن عندما تكون الظاهرة شائعة، تميل نسبة الأرجحية إلى الابتعاد عن القيمة الحيادية وتضخيم تقدير الخطر مقارنة بـ RR.

تتطلب المعالجة الإحصائية المتقدمة تحويل نسب الأرجحية إلى لوغاريتم الأرجحية الطبيعي (Natural Log of Odds Ratio – $ln(OR)$). يحل هذا التحويل معضلة عدم التماثل؛ إذ تتحول القيمة الحيادية من (1.00) إلى (0.00)، وتصبح التأثيرات الوقائية ممثلة بقيم سالبة تمتد إلى ($-\infty$)، والتأثيرات الخطرة ممثلة بقيم موجبة تمتد إلى ($+\infty$)، مع توزيع خطأ معياري مقارب للتوزيع الطبيعي يسهل دمجه في خوارزميات التحليل البعدي.

6.2 معامل فاي (Phi Coefficient) ومعامل كرامر (Cramér’s V)

عند تحليل الارتباط بين متغيرين فئويين اسميين، يُشتق معامل فاي ($phi$) مباشرة من إحصاء كاي تربيع ($\chi^2$) في الجداول الثنائية ($2 times 2$) من خلال الصيغة التالية:

$$\phi = \sqrt{\frac{\chi^2}{N}}$$

حيث يمثل $N$ العدد الإجمالي للمشاركين. يتطابق معامل فاي رياضياً ومفاهيمياً مع معامل ارتباط بيرسون ($r$) المحسوب لمتغيرين ثنائيي التصنيف المشفرين بالقيمتين (0 و 1)، ويتراوح مداه العددي بين (0 و 1) في جداول التوافق غير الاتجاهية.

أما في الجداول التوافقية الأكبر حجماً التي تزيد مستوياتها عن تصنيفين ($r \times c$، مثل مقارنة ثلاثة برامج علاجية بأربعة تشخيصات إكلينيكية مختلفة)، يفقد معامل فاي حدوده المعيارية وقد يتجاوز القيمة 1.00. ولحل هذه المشكلة، يُستخدم معامل كرامر (Cramér’s V) الذي يصحح الحساب بناءً على أبعاد الجدول وفق المعادلة:

$$V = \sqrt{\frac{\chi^2}{N \times \min(r – 1, c – 1)}}$$

حيث تمثل $min(r – 1, c – 1)$ القيمة الأصغر بين عدد الصفوف مطروحاً منها واحد أو عدد الأعمدة مطروحاً منها واحد. يضمن هذا التصحيح بقاء قيمة كرامر محصورة دائماً بين الصفر والواحد الصحيح، مما يسمح بتفسيرها الموحد بغض النظر عن تعقيد جدول الاقتران أو أبعاده.

6.3 مقاييس حجم الأثر اللابارامترية (Non-parametric Effect Sizes)

عندما تكون المتغيرات رتبية أو تنتهك التوزيع الطبيعي بدرجة تمنع تطبيق الاختبارات المعلمية، يلجأ الباحثون إلى اختبارات الرتب مثل اختبار مان-ويتني للمجموعات المستقلة (Mann-Whitney U) واختبار ويلكوكسون للإشارات المتراتبة (Wilcoxon Signed-Rank). لحساب حجم الأثر المستند إلى هذه الاختبارات، يُستخدم المقياس المعياري $r$ المشتق من الإحصائي الزائي ($Z$):

$$r = \frac{Z}{\sqrt{N}}$$

حيث يُفسر الناتج بنفس معايير معامل الارتباط الكلاسيكي لبيرسون. ومن المقاييس الحديثة المتينة في هذا السياق مقياس كليف دلتا (Cliff’s Delta – $d_{cliff}$)، وهو مقياس لابارامتري يحسب درجة التباعد بين توزيعين عبر فحص كافة المقارنات الزوجية الممكنة بين أفراد المجموعتين لتحديد احتمالية أن تكون درجة فرد من المجموعة الأولى أعلى من درجة فرد من المجموعة الثانية مطروحاً منها العكس:

$$d_{cliff} = \frac{#(X_1 > X_2) – #(X_1 < X_2)}{n_1 \times n_2}$$

يتراوح مقياس $d_{cliff}$ بين (-1.00 و +1.00)، ويمتاز بحصانته الكاملة ضد القيم المتطرفة والشاذة. ويرتبط بهذا المفهوم مقياس احتمالية التفوق (Probability of Superiority / Common Language Effect Size – CLES)، وهو مؤشر يصف بلغة بديهية النسبة المئوية لاحتمال أن يكون فرد يتم اختياره عشوائياً من المجموعة التجريبية قد سجل درجة أفضل من فرد يتم اختياره عشوائياً من المجموعة الضابطة، مما يجعله وسيلة إيضاح ممتازة لغير المتخصصين.

7. معايير التفسير المرجعية: مبادئ كوهين والبدائل السياقية الحديثة

7.1 معايير جاكوب كوهين التقليدية (صغير، متوسط، كبير)

اقترح جاكوب كوهين عام 1988 مجموعة من العتبات الاسترشادية لتصنيف حجوم الأثر بهدف مساعدة الباحثين في تقييم النتائج في ظل غياب المعايير الميدانية المتخصصة. وقد قسم كوهين التأثيرات إلى ثلاثة مستويات وصفية رئيسية لمختلف العائلات الإحصائية كما يوضح الجدول المفاهيمي التالي:

• عائلة الفروق المعيارية ($d$,$g$):
  • أثر صغير: $d = 0.20$ (يمثل تداخلاً توزيعياً كبيراً بنسبة تقارب 85% بين التوزيعين).
  • أثر متوسط: $d = 0.50$ (يمثل تأثيراً ملحوظاً للعين المجردة مع تداخل يقارب 67%).
  • أثر كبير: $d = 0.80$ (يمثل انفصالاً واضحاً بين المجموعتين بنسبة تداخل تقل عن 53%).
• عائلة الارتباط والتباين ($r$,$R^2$,$eta^2$):
  • أثر صغير: $r = 0.10$ ($R^2 = 0.01$ أو 1% من التباين المفسر).
  • أثر متوسط: $r = 0.30$ ($R^2 = 0.09$ أو 9% من التباين المفسر).
  • أثر كبير: $r = 0.50$ ($R^2 = 0.25$ أو 25% من التباين المفسر).

شدد كوهين بنفسه مراراً وتكراراً على أن هذه القيم المرجعية تمثل قواعد تقريبية مجردة وُضعت للعلوم السلوكية بصفة عامة، وحذر بشدة من استخدامها كـ “وصفات سحرية” جامدة أو معايير مطلقة دون تأمل طبيعة المتغيرات وسياق الدراسة الخاص.

7.2 إعادة تقييم معايير الأثر في علم النفس المعاصر

في ضوء حركات الإصلاح المنهجي وتحليلات البيانات الضخمة التلوية خلال العقد الأخير، تعرضت معايير كوهين التقليدية لمراجعات نقدية جذرية. فقد أثبتت دراسات رائدة، مثل دراسة فندر وأوزير (Funder & Ozer, 2019) ودراسة بوشمان وكوجيلاريس (2020)، أن معايير كوهين وضعت سقفاً مرتفعاً وغير واقعي لحجوم الأثر في العلوم السلوكية.

تتميز الظواهر الإنسانية والنفسية بتعقدها الشديد وتعددية محدداتها السببية (Multi-causality)، مما يجعل من غير المعتاد أن ينجح متغير نفسي منفرد في تفسير 25% من التباين ($r = 0.50$). وبناءً على مسوح شاملة لآلاف الدراسات المنشورة في كبرى الدوريات المحكمة، اقترح الباحثون معايير محدثة وتوزيعية أكثر واقعية لعلم النفس والعلوم الاجتماعية؛ حيث اعتبروا أن:

• معامل ارتباط $r = 0.10$ يمثل تأثيراً صغيراً ذي أهمية تطبيقية محتملة على المدى البعيد.
• معامل ارتباط $r = 0.20$ يمثل تأثيراً متوسطاً نموذجياً في الظواهر السلوكية.
• معامل ارتباط $r = 0.30$ يمثل تأثيراً كبيراً وقوياً وقليل الحدوث في الدراسات المعقدة.
• معامل ارتباط $r ge 0.40$ هو تأثير نادر جداً في البحوث الأساسية وقد يشير أحياناً إلى تكرار مفاهيمي أو تداخل بين أدوات القياس (Tautology).

تؤكد هذه المراجعات أن التأثيرات التي كان يُنظر إليها خطأً على أنها “صغيرة ومهملة” وفق تصنيفات كوهين القديمة، هي في حقيقتها تأثيرات قوية ووازنة ضمن الطبيعة الديناميكية للسلوك البشري.

7.3 التفسير المرتكز على السياق ومجال البحث (Context-Specific Benchmarking)

يقود الاتجاه المعاصر في الإحصاء التطبيقي نحو التخلي التدريجي عن المعايير العامة العابرة للمجالات، والاعتماد بدلاً من ذلك على التفسير المرتكز على السياق (Context-Specific Benchmarking). بموجب هذا المدخل، يُقارن حجم الأثر المستخرج بحجوم الأثر المرصودة في الأدبيات والدراسات السابقة التي استخدمت نفس التصميم ونفس المتغيرات وأدوات القياس ذات الخصائص السيكومترية المماثلة.

يتطلب هذا التفسير أخذ دقة وثبات أدوات القياس بعين الاعتبار؛ فالأدوات ذات الثبات المنخفض تُضعف حجم الأثر وتخفضه بصورة منهجية (Attenuation Bias)، مما يعني أن حجماً صغيراً محسوباً بأداة ذات معامل ثبات $0.60$ قد يعكس أثراً حقيقياً مساوياً لأثر كبير محسوب بأداة ثباتها $0.90$.

كما يبرز دور التأثيرات التراكمية عبر الزمن (Cumulative Effects) في تعزيز قيمة التأثيرات السياقية. ففي دراسات التدخلات الطبية الوقائية (مثل استخدام الأسبرين لتقليل النوبات القلبية)، بلغ حجم الأثر ارتباطياً قيمة ضئيلة للغاية تقارب ($r = 0.03$) ومع ذلك أدى هذا الأثر إلى إنقاذ حياة آلاف المرضى عند تطبيقه مجتمعياً، مما يثبت أن الأهمية العلمية للأثر لا تُقاس بمجرده الرقمي، بل بما يترتب عليه من عواقب واقعية.

8. فترات الثقة لحجوم الأثر والاستدلال التقديري

8.1 أهمية بناء فترات الثقة لحجم الأثر بدلاً من التقدير النقطي

يمثل حساب حجم الأثر من العينة تقديراً نقطياً واحداً (Point Estimate) لمعلمة المجتمع الأصلية، وهو تقدير عُرضة حتماً لتقلبات خطأ المعاينة العشوائي (Sampling Error). ولهذا السبب، فإن تقديم قيمة حجم الأثر مجردة دون إرفاق فترة الثقة (Confidence Interval – CI) الخاصة بها يعطي انطباعاً زائفاً باليقين المطلق والدقة المتناهية.

تعبر فترة الثقة (وليكن بمستوى ثقة 95%) عن نطاق من القيم الرياضية التي يُتوقع أن تحتوي داخل حدودها القيمة الحقيقية لمعلمة المجتمع بنسبة 95% في حال تكرار إجراء التجربة وسحب العينات عدداً لا نهائياً من المرات تحت نفس الشروط. توضح فترة الثقة بدقة مدى اتساع أو ضيق عدم اليقين المحيط بالتقدير؛ ففترة الثقة الضيقة (مثل: $d = 0.50, 95% \text{ CI} [0.42, 0.58]$) تشير إلى تقدير دقيق وموثوق نتج عن عينة ضخمة وقوة إحصائية كافية، بينما فترة الثقة الواسعة (مثل: $d = 0.50, 95% \text{ CI} [0.05, 0.95]$) تكشف عن ضعف حاد في الدقة وهشاشة إحصائية تستوجب الحذر في تبني النتائج.

يجسد هذا التوجه الانتقال المعرفي من منطق الفرضية الصفرية القائم على “الكل أو لا شيء” إلى منطق الاستدلال التقديري التراكمي (Estimation Statistics)، حيث تسلط حدود الثقة الضوء على أسوأ السيناريوهات وأفضلها لقوة التدخل، مما يساعد صناع القرار على تقييم المخاطر والمكاسب بواقعية منهجية.

8.2 الأسس الرياضية للتوزيعات غير المركزية (Non-central Distributions)

تعتمد فترات الثقة الكلاسيكية للمتوسطات الحسابية على التوزيعات المتماثلة المعيارية (مثل توزيع $t$ وتوزيع $Z$)، والتي تفترض مركزية التوزيع حول الصفر ($H_0: mu = 0$). غير أن فترات الثقة لحجوم الأثر المعيارية (مثل Cohen’s d ومربع إيتا) تخضع لبنية رياضية مغايرة كلياً تتطلب استخدام التوزيعات غير المركزية (Non-central Distributions)، مثل توزيع $t$ غير المركزي (Non-central $t$-distribution) وتوزيع$F$ غير المركزي.

في هذه التوزيعات، ينشأ التواء وعدم تماثل في شكل المنحنى التوزيعي كلما ابتعد حجم الأثر الحقيقي عن الصفر. ويُعبر عن درجة هذا الانزياح والالتواء من خلال ما يُعرف رياضياً بـ معلمة عدم المركزية (Non-centrality Parameter – $lambda$ أو $\delta$). لحساب حدود الثقة الدقيقة لحجم الأثر، يجب أولاً إيجاد قيم معلمة عدم المركزية الصغرى والكبرى عبر خوارزميات البحث التكراري الرقمي (Iterative Numerical Algorithms)، ومن ثم تحويل هذه الحدود العكسية إلى وحدات مقياس الأثر الأصلي.

نظراً لتعقيد هذه العمليات الحسابية وصعوبة إجرائها يدوياً، ظلت فترات الثقة لحجوم الأثر مهملة لعقود، حتى أتاحت البرمجيات الإحصائية الحديثة ولغات البرمجة خوارزميات الاستمثال الرقمي لتوليد فترات الثقة بدقة فائقة وفورية، مما أزال أي مبرر منهجي لتجاهل تقريرها في البحوث الحديثة.

8.3 طرق إعادة المعاينة (Bootstrapping) لحساب فترات الثقة

عندما تعاني البيانات من التواءات شديدة أو انحرافات جسيمة عن افتراض التوزيع الطبيعي المتعدد، تفقد التوزيعات غير المركزية كفاءتها النظرية. في هذه المواقف، تمثل طرق إعادة المعاينة (Bootstrapping) الأسلوب اللابارامتري الأمثل لبناء فترات ثقة موثوقة لحجوم الأثر دون الحاجة إلى وضع أي افتراضات مسبقة حول الشكل التوزيعي للمجتمع الأصلي.

تقوم فلسفة البوتستراب على التعامل مع العينة المتاحة بوصفها مجتمعاً مصغراً، حيث يقوم الحاسوب بسحب آلاف العينات العشوائية المتكررة (مثلاً 5000 إلى 10000 عينة بوتستراب) مع الإحلال (With Replacement)، وحساب حجم الأثر لكل عينة منها، لتكوين التوزيع التجريبي الفعلي لحجم الأثر. وتتعدد أساليب استخراج فترات الثقة من هذا التوزيع التجريبي:

• طريقة المئينات البسيطة (Percentile Bootstrap): تعتمد ببساطة على اقتطاع المئين 2.5 والمئين 97.5 لتحديد حدود ثقة 95%.
• طريقة التصحيح للتحيز والتسارع (BCa – Bias-Corrected and Accelerated): وهي الطريقة الأكثر متانة ودقة؛ إذ تُعدل حدود الثقة رقمياً لتعويض التحيز الناتج عن عدم تناظر العينة الأصلية وظاهرة التسارع في التباين، مما يجعلها المعيار الذهبي في نمذجة العلاقات المعقدة مثل حجوم أثر الوساطة الإحصائية (Mediation Effects) والاعتدال (Moderation).

9. تحليل القوة الإحصائية وتحديد حجم العينة بالاعتماد على حجم الأثر

9.1 العلاقة الرباعية في التصميم الإحصائي للتجارب

يرتكز التصميم المنهجي الرصين لأي بحث كمي على شبكة العلاقات الرياضية التبادلية التي تجمع بين أربعة عناصر إحصائية لا تنفصل، وتُعرف بالرباعية الإحصائية للتصميم:

• مستوى الدلالة المعنوية ($\alpha$): احتمالية ارتكاب خطأ من النوع الأول (رفض الفرضية الصفرية وهي صحيحة)، وعادة ما يُحدد بـ 0.05.
• القوة الإحصائية ($1 – beta$): احتمالية رفض الفرضية الصفرية واكتشاف الأثر الحقيقي بنجاح عندما يكون موجوداً بالفعل في المجتمع، والمعيار الموصى به عموماً هو 0.80 أو 0.90.
• حجم العينة الإجمالي ($N$): عدد وحدات المعاينة أو المشاركين الخاضعين للتجربة والقياس.
• حجم الأثر المتوقع ($ES$): مقدار التباعد أو قوة العلاقة المفترضة بين المتغيرات.

تتفاعل هذه العناصر ميكانيكياً؛ فإذا ثبتت ثلاثة منها، تتحدد القيمة الرابعة رياضياً بصورة حتمية. وتظهر المعادلة بجلاء أنه كلما كان حجم الأثر المفترض في المجتمع صغيراً، تطلب ذلك قفزة هائلة في حجم العينة المطلوب ($N$) للحفاظ على قوة إحصائية كافية (0.80). وتؤدي الدراسات ضعيفة القوة الإحصائية (Underpowered Studies) إلى عواقب وخيمة؛ ليس فقط لأنها تفشل في رصد التأثيرات الحقيقية (أخطاء من النوع الثاني)، بل لأنها عندما تنجح مصادفة في تحقيق دلالة إحصائية، فإنها تقدم تقديراً متضخماً وخادعاً لحجم الأثر الحقيقي، وهي الظاهرة الإحصائية المعروفة بـ “لعنة الفائز” (Winner’s Curse).

9.2 تحليل القوة القبلي (A Priori Power Analysis) لتحديد حجم العينة

يُمثل تحليل القوة القبلي (A Priori Power Analysis) الخطوة المنهجية والأخلاقية الأهم التي يجب تنفيذها قبل الشروع في جمع أي بيانات ميدانية. يستهدف هذا التحليل الإجابة عن السؤال المحوري: “كم مشاركاً أحتاج لاكتشاف حجم أثر ذي أهمية علمية معينة بثقة إحصائية كافية؟”.

ينبغي للباحث أن يتجنب الاعتماد على التوقعات العشوائية أو محاولة السعي وراء حجوم أثر ضخمة غير واقعية لتقليص العينة المطلوبة. ويتمثل البديل المنهجي الاحترافي في تحديد أصغر حجم أثر ذي أهمية علمية وتطبيقية (Smallest Effect Size of Interest – SESOI). يتم استنباط الـ SESOI عبر مراجعة دقيقة للأدبيات السابقة، أو بالاستناد إلى الاعتبارات النظرية والعيادية، مما يضمن أن الدراسة مصممة بقوة تكفي لاكتشاف حتى أصغر أثر يستحق الالتفات إليه علمياً.

في المقابل، يجمع خبراء الإحصاء والقياس على رفض ما يُسمى بـ تحليل القوة البعدي (Post-hoc / Observed Power Analysis)، وهو التحليل الذي يُجرى بعد انتهاء الدراسة باستخدام حجم الأثر المرصود من العينة ذاتها لتبرير النتائج غير الدالة. إن تحليل القوة البعدي ليس سوى تحويل رياضي عقيم للقيمة الاحتمالية المرصودة نفسها، ولا يقدم أي معلومة جديدة حول القوة الحقيقية للدراسة، ويعد من الممارسات الإحصائية الرديئة التي يجب التخلي عنها نهائياً.

9.3 حجم الأثر الحساس (Sensitivity Analysis) وحجم الأثر التوفيقي (Compromise)

في كثير من السياقات البحثية الواقعية، يواجه الباحث قيوداً لوجستية أو مالية أو أخلاقية صارمة تمنعه من الوصول إلى حجم العينة المثالي المحدد مسبقاً (مثل صعوبة الوصول إلى مرضى باضطراب عصبي نادر جداً). في هذه السيناريوهات المعقدة، يوفر تحليل القوة الحساس (Sensitivity Power Analysis) حلاً استدلالياً بديلاً.

يعمل تحليل الحساسية بالعكس؛ حيث يُدخل الباحث حجم العينة الفعلي المتاح وثابت القوة المستهدف (مثلاً: $N = 40$, $\text{Power} = 0.80, \alpha = 0.05$)، ليحسب البرنامج أصغر حجم أثر تستطيع هذه العينة المحدودة اكتشافه بدقة. تتيح هذه الخطوة للباحث الشفافية التامة في تقرير قيود دراسته، وتوضيح أن دراسته تمتلك حساسية لاكتشاف التأثيرات الكبيرة فقط، وأنها غير مهيأة لرصد التأثيرات الدقيقة.

أما في الحالات التي لا يمكن فيها ترجيح كفة تجنب الخطأ من النوع الأول ($\alpha$) على حساب الخطأ من النوع الثاني ($\beta$)، يُستخدم تحليل القوة التوفيقي (Compromise Power Analysis)، والذي يقوم على موازنة احتمالية الخطأين وتحديد العتبات وفقاً لنسبة الأهمية النسبية المحددة نظرياً بينهما، مع توثيق هذه القرارات بشفافية مسبقة في خطط التسجيل المسبق للبحوث (Pre-registration) عبر منصات مثل Open Science Framework (OSF).

10. حجم الأثر كحجر زاوية في بحوث التحليل البعدي (Meta-Analysis)

10.1 توحيد مقاييس النتائج وتجميع حجوم الأثر عبر الدراسات

تُعد بحوث التحليل البعدي (Meta-Analysis) ذروة هرم الأدلة العلمية في البحث الكمي، وهي تعتمد بنيوياً بصورة كلية على حجوم الأثر. تتمثل الوظيفة الأولى للتحليل البعدي في استخراج حجوم الأثر من الدراسات الأولية الفردية التي تناولت نفس الفرضية، وتحويلها رياضياً إلى مقياس أثر معياري موحد (Metric Synchronization)، مثل تحويل كافة الفروق والارتباطات إلى مقياس Hedges’ g أو لوغاريتم نسبة الأرجحية ($ln(OR)$)، ليصبح الدمج التلوي ممكناً ومنطقياً.

بعد توحيد المقاييس، يُحسب متوسط حجم الأثر الإجمالي الموزون (Weighted Average Effect Size). لا يُعامل التحليل البعدي كافة الدراسات بالتساوي؛ بل تُعطى كل دراسة وزناً إحصائياً يتناسب طردياً مع دقتها وحجم عينتها، وذلك باستخدام طريقة مقلوب التباين (Inverse Variance Weighting):

$$W_i = \frac{1}{SE_i^2}$$

حيث يمثل $SE_i$ الخطأ المعياري لحجم الأثر في الدراسة رقم $i$. تنقسم النماذج الإحصائية للدمج إلى قسمين رئيسيين:

• نموذج التأثيرات الثابتة (Fixed-effects Model): يفترض أن كافة الدراسات تشترك في حجم أثر حقيقي واحد ثابت في المجتمع، وأن الفروق المرصودة تعود فقط لخطأ المعاينة العشوائي.
• نموذج التأثيرات العشوائية (Random-effects Model): يفترض أن هناك توزيعاً من حجوم الأثر الحقيقية يختلف من دراسة لأخرى بسبب التباين في خصائص المشاركين وطرق التدخل، وهو النموذج الأكثر ملاءمة وواقعية في العلوم السلوكية والإنسانية.

10.2 تقييم التباين وعدم التجانس بين حجوم الأثر (Heterogeneity)

لا يقتصر هدف التحليل البعدي على حساب متوسط حجم الأثر فحسب، بل يمتد إلى دراسة مدى التشتت والتباين بين حجوم الأثر عبر الدراسات، وهي الظاهرة الإحصائية المعروفة بـ عدم التجانس (Heterogeneity). وتُستخدم مجموعة من المؤشرات القياسية لتقييم هذا التباين:

• إحصاء كوشران (Cochran’s Q): اختبار دلالة يفحص الفرضية الصفرية القائلة بأن جميع الدراسات تتشارك في نفس حجم الأثر الحقيقي، غير أنه شديد الحساسية لعدد الدراسات المدرجة.
• إحصاء ($I^2$): يمثل النسبة المئوية للتباين الكلي بين حجوم الأثر التي تعود إلى اختلافات حقيقية بين الدراسات وليست ناتجة عن خطأ المعاينة بالصدفة. وتُصنف قيمه عموماً إلى: منخفضة (25%)، ومتوسطة (50%)، وعالية (75%).
• إحصاء تاو التربيعي ($\tau^2$ / Tau-squared): التقدير المباشر لتباين حجوم الأثر الحقيقية في نموذج التأثيرات العشوائية بوحدات مقياس الأثر نفسه.

عندما يثبت وجود عدم تجانس إحصائي مرتفع، ينطلق الباحث في إجراء تحليل المتغيرات المعدلة (Moderator Analysis) والانحدار البعدي (Meta-Regression) لاختبار الفرضيات التفسيرية حول أسباب هذا التباين، مثل فحص ما إذا كان حجم الأثر يختلف بناءً على الفئة العمرية للمشاركين، أو جرعة التدخل العلاجي، أو جودة المنهجية المتبعة في كل دراسة.

10.3 كشف تحيز النشر وتأثيره على تضخم حجوم الأثر التجميعية

يُمثل تحيز النشر (Publication Bias) التهديد الأكبر لصحة وموثوقية حجوم الأثر المجمعة في التحليل البعدي. ينبع هذا التحيز من ميل الدوريات العلمية والباحثين إلى نشر الدراسات التي تسفر عن نتائج دالة إحصائياً وحجوم أثر كبيرة، في حين تُهمل الدراسات ذات النتائج غير الدالة أو التأثيرات الصغيرة وتُحفظ في الأدراج، وهي الأزمة المعروفة بـ “مشكلة درج الملفات” (File Drawer Problem).

لتشخيص وجود تحيز النشر ومكافحته، يوظف التحليل البعدي مجموعة من التقنيات الرقابية المتقدمة:

• مخطط القمع (Funnel Plot): رسم بياني يربط بين حجوم الأثر المرصودة في المحور الأفقي والدقة الإحصائية (أو الخطأ المعياري) في المحور الرأسي. في غياب التحيز، تتوزع الدراسات بشكل هرمي متماثل يشبه القمع المقلوب، بينما يشير غياب الدراسات الصغيرة في أحد جانبي القمع إلى تحيز النشر.
• اختبار إيجر (Egger’s Regression Test): اختبار انحداري خطي يقيم عدم التماثل في مخطط القمع إحصائياً ورياضياً.
• طريقة القص والملء (Duval & Tweedie’s Trim and Fill): خوارزمية استدلالية متقدمة تقوم بتقدير عدد الدراسات المفقودة بسبب التحيز، وإضافتها افتراضياً إلى التحليل البعدي لإعادة حساب حجم الأثر المعدل والخالي من التضخم.
• تحليل منحنى بي (P-curve Analysis): فحص التوزيع التكراري للقيم الاحتمالية الدالة لتقييم ما إذا كانت المجموعة البحثية تتضمن قيمة إثباتية حقيقية أم أنها نتاج تلاعب وتنقيب عن البيانات (p-hacking).

11. المزالق المنهجية والأخطاء الشائعة في حساب وتفسير حجم الأثر

11.1 أخطاء الحساب والخلط بين الصيغ الرياضية المختلفة

يقع العديد من الباحثين في أخطاء حسابية جسيمة ناتجة عن الخلط بين المعادلات المخصصة للتصاميم التجريبية المتنوعة. من أبرز هذه الأخطاء استخدام صيغة Cohen’s d للعينات المستقلة لتحليل بيانات دراسات القياسات المتكررة (قبل/بعد العلاج)؛ إذ إن هذا الخلط يتجاهل معامل الارتباط الداخلي بين القياسين، مما يؤدي إلى تشويه فترات الثقة وإساءة تقدير التباين الحقيقي.

ومن الأخطاء الشائعة أيضاً استخدام Cohen’s d الكلاسيكي بدلاً من Hedges’ g المصحح في الدراسات الاستكشافية التي تعتمد على عينات صغيرة ($N < 20$)، وهو ما يقود إلى تضخيم متحيز لحجم الأثر المنشور. كذلك يبرز الخلط الشديد في أبحاث تحليل التباين بين مربع إيتا الكلي ($\eta^2$) ومربع إيتا الجزئي ($\eta_p^2$)؛ حيث يقوم بعض الباحثين بنقل قيمة $\eta_p^2$ وتفسيرها على أنها النسبة المئوية المطلقة من التباين الكلي في الظاهرة، مما يعطي انطباعاً خادعاً بأن النموذج يفسر حجماً من التباين يفوق الواقع الفعلي بمراحل.

ولتفادي هذه الانزلاقات، يجب على الباحث التحقق الصارم من ملاءمة الصيغة الرياضية لهيكل البيانات، وتحديد نوع الانحراف المعياري المستخدم في المعايرة بدقة متناهية وتوثيق ذلك في قسم المنهجية الإحصائية بالبحث.

11.2 أخطاء التفسير والمبالغة في استنتاج الأهمية العملية

ينزلق قطاع واسع من الباحثين إلى فخ “التقديس الأعمى للأرقام”؛ حيث يفترضون تلقائياً أن حجم الأثر “الكبير” وفق تصنيفات كوهين ($d ge 0.80$) يعني حتماً نجاحاً باهراً وأهمية تطبيقية استثنائية، وأن الأثر “الصغير” لا يستحق الاهتمام. هذا التفسير الميكانيكي يغفل التفاعل المعقد مع السياق؛ فقد يكون التدخل ذو الأثر الكبير عديم الجدوى إذا كان التغيير المحقق مؤقتاً أو مرتبطاً بأعراض جانبية حادة أو تكاليف باهظة تجعل تعميمه مستحيلاً.

علاوة على ذلك، يميل الباحثون إلى تجاهل تأثير خطأ القياس (Measurement Error)؛ إذ يؤدي استخدام مقاييس ذات معاملات ثبات منخفضة إلى تخفيض مصطنع في حجوم الأثر المرصودة، في حين يؤدي تضخيم التباين عبر العينات الانتقائية إلى تضخيم الأثر بصورة زائفة. كما يمثل التعامل مع عتبات كوهين كـ “حدود قطعية فاصلة” خطأً منهجياً فادحاً، إذ لا يوجد فارق جوهري أو سحري بين أثر قدره $d = 0.49$ وأثر قدره $d = 0.50$ يستدعي تصنيف الأول كـ “صغير” والآخر كـ “متوسط”.

يجب أن يستند التفسير المتزن إلى الجمع بين قيمة حجم الأثر، ودقة فترة الثقة، وتكلفة التدخل، وقابليته للاستدامة، وأهمية المتغير التابع في منظومة الحياة اليومية للمشاركين.

11.3 مشاكل الشفافية والتقرير الإحصائي غير المكتمل

تتمثل إحدى العوائق الكبرى أمام تراكم المعرفة العلمية في الممارسات الانتقائية وغير المكتملة في تقرير النتائج الإحصائية (Selective Reporting). يقوم بعض الباحثين باختيار مقاييس حجم الأثر التي تمنح قيماً رقمية أعلى في المخرجات وتجاهل المقاييس الأكثر تحفظاً لتحسين المظهر العام لنتائجهم وفرص نشرها.

كما يعاني الأدب البحثي من ظاهرة نشر قيم حجوم الأثر مجردة دون ذكر فترات الثقة المرافقة لها، أو دون الإفصاح عن المعادلات الدقيقة والبرمجيات التي استُخدمت في استخراجها. ويزداد الأمر سوءاً عند إهمال تقرير الإحصاءات الوصفية الأساسية، مثل المتوسطات الحسابية الخام، والانحرافات المعيارية لكل مجموعة، ومصفوفات الارتباط الثنائية، وأحجام المجموعات الدقيقة؛ إذ يحرم هذا الإغفال باحثي المراجعات المنهجية والتحليل البعدي من القدرة على إعادة حساب وتدقيق حجوم الأثر ودمجها مستقبلاً.

تقتضي معايير النزاهة العلمية المعاصرة الالتزام الكامل بدليل نشر الـ APA ومعايير MARS (Meta-Analysis Reporting Standards) للإفصاح الشامل والشفاف عن كافة المؤشرات الإحصائية الخام والمعيارية.

12. التطبيق العملي: حساب حجوم الأثر وتفسيرها بالبرمجيات الإحصائية

12.1 الحساب والتفسير باستخدام برمجية SPSS و Jamovi

أدخلت برمجية IBM SPSS في إصداراتها الحديثة (الإصدار 27 وما بعده) تحسينات جذرية تدعم الاستخراج المباشر لمقاييس عائلة d وفترات الثقة المصاحبة لها ضمن مخرجات اختبارات $t$ للعينات المستقلة والمترابطة، إلى جانب توفير خيارات حساب مربع إيتا ومربع إيتا الجزئي ومربع أوميغا ضمن قوائم تحليل التباين (GLM & ANOVA).

في المقابل، تقدم برمجية Jamovi مفتوحة المصدر واجهة مستخدم بديهية وديناميكية تتفوق في دمج حجوم الأثر وفترات ثقتها تلقائياً في كافة الاختبارات الأساسية والمتقدمة. فعند إجراء اختبار $t$ للمجموعات المستقلة في Jamovi، يكفي تفعيل خيار “Effect Size” ليقوم البرنامج بعرض قيمة Cohen’s d أو Hedges’ g أو Glass’s $\Delta$ مع فترة ثقة 95% المحسوبة بدقة عبر التوزيعات غير المركزية، فضلاً عن تقديم اختبارات كليف دلتا اللابارامترية بضغطة زر واحدة.

وفقاً لدليل الجمعية الأمريكية لعلم النفس في إصداره السابع (APA 7th)، تُصاغ نتائج تحليل الفروق المعيارية في التقرير النهائي بالصيغة القياسية التالية:

“أظهرت النتائج تفوقاً دالاً إحصائياً للمجموعة التجريبية ($M = 45.20, SD = 5.10$) مقارنة بالمجموعة الضابطة ($M = 38.60, SD = 4.90$) في مستوى التحصيل، $t(58) = 5.11, p < .001, g = 1.30, 95% \text{ CI } [0.75, 1.85]$.”

تضمن هذه الصياغة توفير الحجم النقطي للأثر وفترة عدم اليقين المحيطة به، مما يمنح القارئ صورة متكاملة حول الدلالتين الإحصائية والعملية.

12.2 الحساب المتقدم باستخدام لغة البرمجة R

توفر بيئة الحوسبة الإحصائية R المنظومة الأكثر قوة ومرونة على الإطلاق لحساب وتصور ونمذجة حجوم الأثر بمختلف تعقيداتها. وتبرز حزمة effectsize التابعة لمنظومة easystats بوصفها الأداة القياسية الأحدث التي تتيح استخراج وتحويل وتوحيد كافة مقاييس الأثر وفترات ثقتها بدقة رياضية متناهية لكافة نماذج الانحدار والنماذج الخطية المختلطة (LMMs).

كما تُعد حزمة metafor وحزمة esc الركيزتين الأساسيتين لبحوث التحليل البعدي في R؛ حيث تتكفل الدوال المتخصصة (مثل دالة escalc) بحساب وتوحيد العشرات من مقاييس الأثر المعقدة من البيانات الخام أو الملخصة، وإجراء تحويلات فيشر ($r\text{-to-}z$) وتعديل لوغاريتم الأرجحية آلياً. ويتكامل ذلك مع حزمة ggplot2 لتوليد الرسوم البيانية الاستدلالية المتقدمة مثل مخططات الغابة (Forest Plots) ومخططات القمع المصححة، وتصور التداخل التوزيعي بين المجموعات عبر منحنيات الكثافة المظللة، مما يعزز التفسير البصري للبيانات.

يتيح التوثيق البرمجي في R عبر نصوص الأوامر (R Scripts) تحقيق أعلى مستويات قابلية إعادة الإنتاج والشفافية العلمية (Reproducibility)، حيث يمكن لأي مراجع إعادة توليد كافة التحليلات وفترات الثقة بدقة متطابقة.

12.3 حساب القوة وحجم الأثر باستخدام برمجية G*Power

تُعد برمجية G*Power الأداة المجانية الأكثر موثوقية واستخداماً عالمياً لتخطيط القوة الإحصائية وحساب أحجام العينات لمختلف التصاميم المنهجية. تتطلب الواجهة التفاعلية للبرنامج تحديد عائلة الاختبار الإحصائي (مثل: عائلة $t$,$F$,$chi^2$) ونوع تحليل القوة المطلوب (قبلي، بعدي، حساس، توفيقي).

يوفر البرنامج أدوات مساعدة مدمجة (Effect Size Drawers) فائقة الفعالية؛ حيث تتيح للباحث إدخال المتوسطات والانحرافات المعيارية المتوقعة من الأدبيات السابقة ليقوم البرنامج بحساب قيمة حجم الأثر المعياري تلقائياً ($d$ أو $f$ أو $w$) وإدراجه في حقل التحليل. بعد تحديد مستوى الدلالة ($alpha = .05$) والقوة المطلوبة ($1 – beta = .80$)، يقوم البرنامج بحساب حجم العينة الإجمالي بدقة وتوزيعها الأمثل بين المجموعات.

علاوة على ذلك، يتيح برنامج G*Power استخراج وتصدير منحنيات القوة الإحصائية (Power Curves) التفاعلية، وهي رسوم بيانية توضح مسار القوة الإحصائية مقابل التغير في حجم العينة أو حجم الأثر، مما يجعلها وثيقة منهجية أساسية يجب إدراجها ضمن مقترحات البحوث ورسائل الماجستير والدكتوراه لتوثيق الرصانة المنهجية للتصميم.

خاتمة

لم تعد حجوم الأثر مجرد إضافة شكلية إلى التقارير الإحصائية، بل غدت عصب الاستدلال العلمي الحديث والضمانة الأساسية لتجاوز القيود المتأصلة في اختبارات الدلالة الصفرية والقيم الاحتمالية المجردة. إن الممارسة العلمية الواعية تتطلب من الباحثين الإلمام بالفروق الجوهرية بين عائلات مقاييس الأثر، وحساب التقديرات غير المتحيزة (مثل Hedges’ g و $\omega^2$)، وإرفاق فترات الثقة الدقيقة دائماً لتمثيل عدم اليقين الإحصائي، وربط التفسير بالسياق النوعي للظاهرة وتكلفتها الواقعية بدلاً من الاسترشاد الآلي بالقواعد العامة.

إن تبني ثقافة الاستدلال التقديري القائم على حجوم الأثر وتحليل القوة القبلي يمثل الخطوة المنهجية الأولى نحو بناء علم مفتوح، تراكمي، وقابل للتكرار؛ علم لا يكتفي بإثبات وجود الفروق، بل يرسم ملامحها ويقيس أبعادها بدقة تسهم في تطوير المعرفة الإنسانية وتطبيقاتها العملية لخدمة المجتمع.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Borenstein, M., Hedges, L. V., Higgins, J. P. T., & Rothstein, H. R. (2021). Introduction to meta-analysis (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/9781119558354
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Cohen, J. (1994). The earth is round (p < .05). American Psychologist, 49(12), 997–1003. https://doi.org/10.1037/0003-066X.49.12.997
• Cumming, G. (2012). Understanding the new statistics: Effect sizes, confidence intervals, and meta-analysis. Routledge. https://doi.org/10.4324/9780203807002
• 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
• Fritz, C. O., Morris, P. E., & Richler, J. J. (2012). Effect size estimates: Current use, calculations, and interpretation. Journal of Experimental Psychology: General, 141(1), 2–18. https://doi.org/10.1037/a0024338
• Funder, D. C., & Ozer, D. J. (2019). Evaluating effect size in psychological research: Sense and nonsense. Advances in Methods and Practices in Psychological Science, 2(2), 156–168. https://doi.org/10.1177/2515245919847202
• Glass, G. V. (1976). Primary, secondary, and meta-analysis of research. Educational Researcher, 5(10), 3–8. https://doi.org/10.3102/0013189X005010003
• Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.3102/10769986006002107
• Jacobson, N. S., & Truax, P. (1991). Clinical significance: A statistical approach to defining meaningful change in psychotherapy research. Journal of Consulting and Clinical Psychology, 59(1), 12–19. https://doi.org/10.1037/0022-006X.59.1.12
• Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863
• Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), Article 33267. https://doi.org/10.1525/collabra.33267
• Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), Article aac4716. https://doi.org/10.1126/science.aac4716
• Rosenthal, R. (1979). The file drawer problem and tolerance for null results. Psychological Bulletin, 86(3), 638–641. https://doi.org/10.1037/0033-2909.86.3.638
• Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594