إكسيل: حساب المتوسط الحسابي واستبعاد أعلى وأدنى القيم

تعتبر معالجة البيانات الإحصائية والتحليل الكمي من الركائز الأساسية التي يعتمد عليها متخذو القرار والباحثون الأكاديميون في مختلف التخصصات العلمية والإنسانية. وعند التعامل مع مجموعات البيانات الواقعية، يواجه المحلل بانتظام معضلة القيم المتطرفة أو الشاذة التي تنشأ إما نتيجة أخطاء عفوية في القياس والإدخال، أو تعكس تباينات استثنائية وغير نمطية داخل مجتمع الدراسة. يؤدي وجود هذه الأطراف القصوى والدنيا إلى تشويه مفرط لمقاييس النزعة المركزية التقليدية، لا سيما المتوسط الحسابي البسيط، مما يجعله عاجزاً عن التعبير الصادق عن مركز ثقل البيانات وخصائصها الجوهرية.

من هذا المنطلق، ظهرت الحاجة المنهجية إلى مقاييس إحصائية متينة تجمع بين كفاءة المتوسط الحسابي وقدرة الوسيط على مقاومة الانحياز، وهو ما يتجسد بامتياز في مفهوم “المتوسط الحسابي المشذب” أو المقلم. ويشكل حساب المتوسط مع استبعاد أعلى وأدنى قيمة خطوة حاسمة في تنقية النتائج في مسابقات التحكيم الرياضية، والتقييمات الأكاديمية متعددة المصححين، والبحوث النفسية والسلوكية التي تخضع فيها أزمنة الاستجابة ومقاييس الأداء لتقلبات عشوائية يصعب تبريرها إحصائياً.

يقدم برنامج مايكروسوفت إكسيل ترسانة برمجية وحسابية متطورة تتيح للمحللين والباحثين تنفيذ هذا الاستبعاد بدقة متناهية وبطرق متعددة تلائم مختلف مستويات التعقيد وحجم البيانات. وسيتناول هذا المقال التحليلي الشامل كافة الأبعاد النظرية والتطبيقية لحساب المتوسط الحسابي بعد استبعاد القيم القصوى، بدءاً من الأسس الرياضية للمتوسط المشذب، مروراً بدراسة سلوك دوال إكسيل المتخصصة والمركبة، وانتهاءً بأفضل الممارسات المنهجية والأخلاقية لضمان سلامة الاستدلال وموثوقية النتائج المعالجة.

1. مقدمة نظرية حول مفهوم المتوسط المشذب وأهميته الإحصائية

1.1 تعريف المتوسط المشذب وسياقه الرياضي

يُعرَّف المتوسط المشذب (Trimmed Mean)، والذي يُطلق عليه أحياناً المتوسط المقلم أو المقتطع، بأنه مقياس إحصائي قوي من مقاييس النزعة المركزية، يُحسب عن طريق إزالة نسبة مئوية محددة سلفاً أو عدد معين من المشاهدات الصغرى والكبرى المرتبة تصاعدياً، ثم حساب المتوسط الحسابي الكلاسيكي للقيم المتبقية في متن التوزيع التكراري. ينبع السياق الرياضي لهذا المقياس من الحاجة إلى تقليل حساسية التقدير الإحصائي للتشوهات الطرفية، دون التضحية بالمعلومات الدقيقة التي تقدمها الأرقام الواقعة في صلب العينة.

تتجلى الفروق الجوهرية بين المتوسط الحسابي البسيط والمتوسط المقلم في كيفية تعامل كل منهما مع كامل نطاق الملاحظات؛ فبينما يمنح المتوسط البسيط وزناً ترجيحياً متساوياً لجميع القيم دون استثناء، مما يجعله عرضة للانزياح الشديد بمجرد وجود مشاهدة واحدة شاذة، يعمل المتوسط المشذب على تقييد نطاق التأثير الحسابي عبر تحييد الأطراف. وتعتمد الأسس الإحصائية لهذا الإجراء على اقتطاع نسب متناظرة من ذيلي التوزيع الاحتمالي للبيانات، الأمر الذي يحفظ تماثل التوزيع ولا يخل بمركزه الرياضي الأصلي في حال كانت العينة تتبع توزيعاً طبيعياً معتدلاً.

تبرز الجدوى المنهجية لاستبعاد القيم الطرفية في تعزيز دقة الاستدلال العلمي؛ إذ يتيح للباحثين استخلاص تقديرات معيارية تمتاز بالكفاءة العالية والاستقرار الإحصائي. إن حذف أقصى وأدنى المشاهدات يقلل من الخطأ المعياري للتقدير في البيئات الملوثة بالضوضاء القياسية، مما يجعل المتوسط المشذب بديلاً وسطاً بالغ الدقة يجمع بين الكفاءة الحسابية للمتوسط والصلابة المنيعة للوسيط الإحصائي.

1.2 أثر القيم المتطرفة على المقاييس الإحصائية للنزعة المركزية

تعد حساسية المتوسط الحسابي التقليدي تجاه القيم الشاذة والمتطرفة (Outliers) من أبرز التحديات المنهجية في علم الإحصاء التطبيقي. فالقيمة الشاذة، سواء كانت ناتجة عن خلل في أجهزة القياس أو خطأ في إدخال البيانات أو ظاهرة نادرة الحدوث، تمتلك القدرة على جذب المتوسط الحسابي نحو اتجاهها بصورة لا تعكس بأي حال من الأحوال واقع السواد الأعظم من المشاهدات. وتزداد هذه المشكلة خطورة كلما كان حجم العينة المدروسة صغيراً، حيث يمكن لمفردة واحدة متطرفة أن تقلب وجه الاستنتاجات العلمية رأساً على عقب.

يمتد تشوه القياس إلى ما هو أبعد من مقاييس النزعة المركزية؛ إذ يؤدي وجود القيم المتطرفة إلى تضخيم غير واقعي في قيمة الانحراف المعياري والتباين الإحصائي ومجال البيانات، نظراً لأن هذه المقاييس تعتمد في حسابها على مربعات الفروق بين المشاهدات والمتوسط. ونتيجة لذلك، تبدو البيانات وكأنها تعاني من تشتت هائل، في حين أن هذا التشتت ليس سوى عرض زائف فرضته بضع نقاط متطرفة معزولة لا تنتمي منهجياً إلى السياق العام للتوزيع.

عند مقارنة سلوك المتوسط المشذب مع الوسيط الحسابي، نجد أن الوسيط يمتلك أقصى درجات المقاومة للقيم الشاذة (نقطة انهيار تصل إلى 50%)، إلا أنه يتجاهل تماماً التغيرات الطفيفة والقيم الفعلية للمشاهدات الداخلية لأنه يركز حصرياً على الرتبة الموضعية للقيم. هنا يظهر تفوق المتوسط المشذب؛ إذ يحافظ على الكفاءة الإحصائية للمتوسط عبر أخذ قيم المشاهدات الداخلية في الحسبان، ويكتسب في الوقت ذاته متانة ضد التلوث الإحصائي من خلال بتر الأطراف، مما يقود إلى استقرار فائق في نتائج التحليلات الإحصائية الوصفية والاستدلالية على حد سواء.

1.3 تطبيقات استبعاد القيم القصوى في البحوث السلوكية والنفسية

تحظى تقنية استبعاد القيم القصوى بأهمية استثنائية في سياق البحوث السلوكية والنفسية، حيث تشكل الطبيعة البشرية المعقدة مصدراً غنياً بالتباينات غير المنضبطة مخبرياً. ومن أبرز الأمثلة التطبيقية معالجة أزمنة الاستجابة (Reaction Times) في الاختبارات المعرفية وعلم النفس الإدراكي؛ إذ يسجل المفحوصون أحياناً أزمنة استجابة قصيرة للغاية تعود إلى الضغط العشوائي الاستباقي على أزرار الاختبار، أو أزمنة طويلة جداً ناتجة عن تشتت الانتباه المؤقت أو العوامل البيئية المحيطة، مما يستدعي استبعاد هذه الاستجابات غير المنطقية لحساب زمن الإدراك الحقيقي بدقة.

كما تمتد هذه المنهجية لتشمل تنقية درجات مقاييس الشخصية والاستبيانات السيكومترية واسعة النطاق من آثار عشوائية الإجابة وأنماط الاستجابة المتطرفة غير الجادة، حيث يعمد بعض المشاركين إلى اختيار أقصى درجات المقياس (مثل الدرجة القصوى أو الدنيا بشكل متكرر) دون قراءة متأنية للبنود. يساعد استبعاد هذه الأطراف على استعادة الصدق البنائي للمقاييس ويقلل من الأخطاء العشوائية التي قد تضعف معاملات الارتباط بين المتغيرات النفسية المختلفة.

وفي مجالات التحكيم متعدد الرتب وتقييم الأداء المهني أو الرياضي، يبرز ما يُعرف بنظام التحكيم الأولمبي (Olympic Scoring System)، حيث تشترط اللوائح المنهجية شطب أعلى علامة وأدنى علامة يمنحها الحكام للمتسابق أو الموظف، ثم حساب متوسط العلامات المتبقية. تهدف هذه الممارسة الصارمة إلى تقليص انحياز المحكمين والمقيمين، سواء كان ذلك الانحياز مدفوعاً بالمحاباة المفرطة أو التشدد غير المبرر، مما يضمن معايير صارمة لضبط الجودة ونزاهة القياس في العينات السيكومترية والميدانية المتقدمة.

2. البنية الرياضية لدالة TRIMMEAN في برنامج إكسيل

2.1 صيغة دالة TRIMMEAN ومتغيراتها الأساسية

تعد دالة TRIMMEAN الأداة الإحصائية القياسية المدمجة داخل برنامج مايكروسوفت إكسيل لحساب المتوسط الحسابي المشذب بصورة برمجية مباشرة وتلقائية. تتسم بنية الجملة البرمجية (Syntax) لهذه الدالة بالبساطة والتركيز، حيث تأخذ الشكل الرياضي التالي: TRIMMEAN(array, percent). تتطلب هذه الدالة وسيطين إلزاميّين لا يمكن إتمام العملية الحسابية في غياب أي منهما، ويمثل كل وسيط بعداً محدداً من أبعاد مصفوفة البيانات المعالجة ونسبة التشذيب المطبقة عليها.

يمثل الوسيط الأول (array) مصفوفة البيانات أو نطاق الخلايا الرقمية المطلوب استخراج متوسطها المشذب، ويشترط في هذا الوسيط أن يحتوي على قيم عددية حقيقية صالحة للعمليات الحسابية. وعند تمرير نطاق يضم نصوصاً أو قيماً منطقية أو خلايا فارغة، يتجاهلها إكسيل تلقائياً في حساب المصفوفة، شريطة وجود حد أدنى كافٍ من الأرقام الصريحة لتنفيذ الاقتطاع. أما الوسيط الثاني (percent)، فيمثل النسبة المئوية العشرية الإجمالية للمشاهدات التي يجب استبعادها من طرفي التوزيع معاً، وهي قيمة كسرية يجب أن تنحصر بدقة ضمن المجال المغلق-المفتوح بين الصفر والواحد الصحيح (0 ≤ percent < 1).

تتضمن الخوارزمية الداخلية للدالة آلية مدمجة للتحقق من صحة المدخلات البرمجية لتفادي أخطاء الحساب الشائعة؛ فإذا تم تحديد نسبة مئوية تقل عن الصفر أو تعادل أو تزيد عن الواحد الصحيح، ترجع الدالة على الفور الخطأ الإحصائي الشهير #NUM!. وبالمثل، إذا كان نطاق البيانات الممرر لا يحتوي على أي أرقام أو كان خالياً تماماً من القيم، فإن الدالة تنتج الخطأ الحسابي المعروف #DIV/0! كنتيجة منطقية لاستحالة القسمة على صفر في علم الرياضيات.

2.2 كيفية تحديد نسبة الاستبعاد الرياضية بدقة

يتطلب التطبيق السليم لدالة TRIMMEAN استيعاباً عميقاً للعلاقة الرياضية بين حجم العينة الإجمالي وعدد المشاهدات المستهدفة بالاستبعاد. إن النسبة المئوية المدخلة في وسيط الدالة لا تعبر عن نسبة الحذف من طرف واحد فقط، بل تمثل النسبة الكلية المقتطعة من كلا الطرفين معاً بالتناصف؛ فإذا تم تعيين النسبة بقيمة 0.20 (أي 20%)، فإن ذلك يعني رياضياً استبعاد 10% من أعلى قيم العينة واستبعاد 10% أخرى من أدنى قيم العينة، وحساب المتوسط لما نسبته 80% من المشاهدات المتبقية في القلب.

يعد هذا التناظر الإلزامي بين الطرفين الأعلى والأدنى قيداً تصميمياً أساسياً في الدالة لحماية الحياد الإحصائي ومنع الباحث من تشويه مركز النزعة المركزية عن طريق التلاعب غير المتكافئ بالأطراف. وعند الرغبة المحددة في استبعاد عدد معين من المفردات الفردية، كأن يرغب المحلل في حذف قيمة واحدة فقط من الحد الأدنى وقيمة واحدة فقط من الحد الأقصى (أي حذف نقطتين بالتمام)، يتحتم عليه صياغة كسر الاقتطاع وفق معادلة دقيقة تربط عدد النقاط المحذوفة الإجمالية بحجم العينة الكلي المتاح في مصفوفة الحساب.

بناءً على ذلك، يتم حساب كسر الاقتطاع الدقيق عند الرغبة في حذف قيمة واحدة فقط من كل طرف عبر قسمة العدد 2 (الذي يمثل مجموع المفردتين: العليا والدنيا) على إجمالي حجم العينة n. ففي عينة تتكون من 10 مشاهدات، يكون الكسر المطلوب إدخاله هو 2/10 أي 0.20، بينما في عينة تتألف من 20 مشاهدة، تصبح النسبة الحسابية المستهدفة هي 2/20 أي 0.10. يؤدي أي خلل في حساب هذه النسبة إلى إخفاق الدالة في استبعاد العدد المرجو نتيجة لقواعد التقريب الرياضي المعقدة التي تطبقها منصة إكسيل داخلياً.

2.3 آلية التقريب الرياضي لعدد النقاط المحذوفة داخل إكسيل

تعتمد دالة TRIMMEAN خوارزمية تقريب داخلية بالغة الأهمية تستند إلى مبدأ التقريب للأدنى إلى أقرب مضاعف صحيح للرقم 2 (Floor to the nearest multiple of 2). والعلة الرياضية من وراء هذه الخوارزمية الصارمة هي الحفاظ على التناظر المتكافئ؛ إذ لا يمكن لإكسيل من الناحية المنهجية أن يقتطع جزءاً من مفردة أو أن يستبعد عدداً فردياً من المشاهدات الإجمالية لأن ذلك سيؤدي حتماً إلى اقتطاع قيم من طرف أكثر من الطرف المقابل، وهو ما ينافي أبجديات المتوسط المشذب المتناظر.

يمكن التعبير عن النمذجة الرياضية لعملية حساب عدد القيم المحذوفة فعلياً بالصيغة الخوارزمية التالية: عدد النقاط المحذوفة = INT(n * percent / 2) * 2، حيث تمثل n الحجم الكلي للمشاهدات الرقمية الصالحة، بينما تشير دالة INT إلى استخلاص الجزء الصحيح الأدنى من حاصل القسمة. يوضح هذا التوصيف الرياضي الدقيق سبب فشل الدالة في استبعاد أي قيمة على الإطلاق إذا كان ناتج ضرب النسبة المئوية في حجم العينة يقل عن الرقم 2، حيث سينتج عن التقريب الداخلي الرقم صفر، وتتحول الدالة حينها بصورة صامتة إلى حساب المتوسط الحسابي العادي دون أي اقتطاع للأطراف.

لتوضيح ذلك عبر تطبيقات عددية: إذا كان لدينا عينة تتكون من 9 قيم وأدخلنا نسبة اقتطاع تعادل 0.20، فإن حاصل ضرب 9 في 0.20 يعطي 1.8. يقوم إكسيل بتطبيق الخوارزمية: 1.8 مقسومة على 2 تساوي 0.9، والجزء الصحيح لها عبر دالة INT هو صفر، وضربه في 2 ينتج صفراً؛ وبذلك لن يتم حذف أي قيمة نهائياً. أما إذا كان حجم العينة 10 قيم مع نفس النسبة 0.20، فإن الناتج هو 2 بالتمام، مما يعني اقتطاع نقطتين فعلياً (واحدة من الأدنى وواحدة من الأعلى). يبرز هذا السلوك الحسابي الحساس ضرورة الضبط المتناهي لوسيط النسبة المئوية عند التعامل مع أحجام عينات متفاوتة.

3. التطبيق العملي للصيغة المحددة: TRIMMEAN(A2:A11, 2/COUNT(A2:A11))

3.1 التفكيك المنطقي لمعامل النسبة (2 مقسوماً على دالة COUNT)

يمثل التعبير الرياضي والبرمجي المركب: TRIMMEAN(A2:A11, 2/COUNT(A2:A11)) الصياغة النموذجية الأكثر مرونة ودقة لحساب المتوسط الحسابي مع استبعاد المشاهدة العليا الواحدة والمشاهدة الدنيا الواحدة تحديداً. يعتمد هذا التركيب على التفكيك المنطقي لمعامل النسبة عبر استبدال القيمة العشرية الثابتة بنسبة ديناميكية متغيرة تتأقلم ذاتياً مع طبيعة النطاق المختار، مما يمنح النموذج الإحصائي قدرة فائقة على مواكبة أي تعديلات تطرأ على البيانات دون الحاجة لإعادة ضبط الصيغ الحسابية يدوياً.

يقوم المحرك الحسابي لدالة COUNT بفحص النطاق المستهدف A2:A11 وإحصاء عدد الخلايا التي تحتوي على بيانات عددية فقط بصورة حصرية، ليمثل هذا الناتج حجم العينة الكلي ويرمز له بالرمز n. وعند وضع العدد 2 في بسط كسر النسبة، فإننا نحدد بشكل قاطع رغبتنا المنهجية في التخلص من نقطتين اثنتين فقط لا غير من مجمل البيانات: نقطة واحدة تمثل الحد الأقصى المطلق، ونقطة أخرى تمثل الحد الأدنى المطلق في المصفوفة، بصرف النظر عن حجم العينة الإجمالي المدرج في الجدول.

يوفر هذا النهج الديناميكي حماية برمجية متقدمة ضد أخطاء التقريب الداخلي التي أشرنا إليها سابقاً؛ فحاصل قسمة 2 على COUNT(A2:A11) ينتج الكسر الرياضي الأصلي والدقيق للغاية المطلوب للاقتطاع المتناظر. وبذلك، يتجنب المحلل تماماً الانزلاق في فخ الأخطاء الناتجة عن التقدير اليدوي للنسب العشرية، ويتحول النموذج إلى أداة برمجية ذاتية القيادة تعيد ضبط وسيط الاقتطاع تلقائياً حتى لو أضيفت مشاهدات جديدة إلى نطاق الفحص الميداني.

3.2 خطوات إدخال الصيغة خطوة بخطوة في جدول البيانات

لتطبيق هذه الصيغة بنجاح واحترافية داخل جداول بيانات مايكروسوفت إكسيل، يجب اتباع تسلسل إجرائي منتظم يضمن خلو العملية من أي شوائب إدخال أو تعارضات برمجية. تبدأ الخطوة الأولى بتجهيز عمود البيانات التجريبية؛ فلنفترض أن لدينا نطاق قياسات مرتباً ومسجلاً في الخلايا من A2 إلى A11، حيث يحتوي على 10 درجات اختبارات نفسية أو قياسات سريرية، ويجب التأكد المسبق من أن هذه الخلايا منسقة كأرقام وليست كنصوص ميتة حسابياً.

تتمثل الخطوة الثانية في النقر المزدوج على خلية الإخراج المستهدفة، ولتكن الخلية C2، والبدء بكتابة علامة المساواة البرمجية (=) للإشارة إلى بدء إدخال معادلة رياضية. يتبع ذلك كتابة اسم الدالة بالحروف اللاتينية TRIMMEAN متبوعة بقوس مفتوح، ثم يتم تحديد النطاق A2:A11 باستخدام مؤشر الفأرة أو عبر كتابته مباشرة، يليه إدراج الفاصلة المنقوطة أو الفاصلة العادية بحسب الإعدادات الإقليمية لنظام التشغيل المستخدم (Windows Regional Settings).

في الخطوة الثالثة، يتم بناء وسيط النسبة من خلال كتابة التعبير الرياضي 2/COUNT(A2:A11) ثم إغلاق القوس البرمجي للدالة الرئيسية لتصبح الصيغة المكتملة بصيغتها النهائية: =TRIMMEAN(A2:A11, 2/COUNT(A2:A11)). عند الضغط على مفتاح الإدخال Enter، يقوم محرك الحسابات في إكسيل بمعالجة دالة COUNT أولاً لتقييم المقام، ثم حساب كسر النسبة، وتمريره فوراً لدالة TRIMMEAN التي تتولى فرز البيانات وحذف الحدين الأعلى والأدنى وقسمة المتبقي على العدد الصافي، لتظهر النتيجة في خلية الإخراج، والتي يفضل تنسيقها بعد ذلك بعرض منزلتين عشريتين لتعزيز وضوح القراءة.

3.3 التحقق الحسابي اليدوي ومطابقة النتائج الرقمية

تقتضي معايير التدقيق الأكاديمي والمهني إخضاع الصيغ البرمجية الجديدة لعملية تحقق حسابي يدوي متقاطعة (Cross-Validation) للتأكد المطلق من مطابقة النتائج الرقمية الآلية مع المفاهيم النظرية المجردة. ولتطبيق ذلك عملياً، نفترض أن النطاق التجريبي A2:A11 يضم القيم العشر التالية مرتبة ترتيباً عشوائياً: {12، 45، 48، 50، 52، 55، 58، 60، 62، 98}. عند حساب المتوسط الحسابي البسيط لهذه القيم العشر، نجد أن مجموعهما هو 540، ومتوسطهما التقليدي هو 54.0.

عند التدقيق في هذه المصفوفة، نحدد يدوياً الحد الأدنى المطلق للبيانات وهو الرقم (12)، ونعزله تماماً عن دائرة الحساب، كما نحدد الحد الأقصى المطلق وهو الرقم (98)، ونستبعده بدوره من المصفوفة. تتبقى لدينا ثماني مشاهدات داخلية مستقرة هي: {45، 48، 50، 52، 55، 58، 60، 62}. وبجمع هذه القيم المتبقية الثماني، نتحصل على مجموع عددي صافٍ يعادل 430. نقوم بعد ذلك بقسمة هذا المجموع الصافي على حجم العينة المعدل بعد الاستبعاد، وهو (10 – 2 = 8 مشاهدات)، ليكون الناتج الحسابي الدقيق هو 430 مقسومة على 8 وتساوي 53.75.

بالمطابقة التقاطعية، نجد أن إدخال الصيغة =TRIMMEAN(A2:A11, 2/COUNT(A2:A11)) في إكسيل ينتج بدقة متناهية نفس الرقم: 53.75. يُظهر هذا الاختبار العملي بوضوح كيف استطاعت الصيغة عزل القيمة الشاذة المرتفعة جداً (98) والقيمة المنخفضة جداً (12) وحماية المعدل من الانجذاب غير الواقعي، مؤكداً سلامة الصياغة وتطابقها التام مع الأسس المنهجية المعتمدة لحساب المتوسط المشذب.

4. الطرق البديلة المركبة: استخدام دوال AVERAGE و LARGE و SMALL

4.1 استبعاد القيم القصوى باستخدام صيغ الصفوف والمصفوفات

على الرغم من الكفاءة البالغة لدالة TRIMMEAN، إلا أن المحللين الماليين وعلماء البيانات يلجأون أحياناً إلى صياغة حلول بديلة مركبة باستخدام دوال البحث الترتيبي مثل LARGE و SMALL مدمجة مع دالة المتوسط AVERAGE. تنبع أهمية هذه الطرق المركبة من قدرتها على منح المستخدم تحكماً تفصيلياً دقيقاً في بنية الاستبعاد وشروطه، لا سيما عند الرغبة في استبعاد عدد أكبر من القيم المتطرفة مثل أعلى ثلاث قيم وأدنى ثلاث قيم دفعة واحدة عبر منطق رياضي مرئي ومباشر.

تعتمد هذه المنهجية الكلاسيكية على بناء صيغ مصفوفية متقدمة تستخدم تعبيرات الثوابت المصفوفية (Array Constants) مثل الأقواس المعقوفة {1, 2, 3}. فعلى سبيل المثال، لحساب متوسط البيانات مع استبعاد القيمتين الصغريين والقيمتين العظميين، يمكن إنشاء معادلة تستثني هذه الرتب المحددة عبر قيود منطقية متراكبة تعزل المخرجات الناتجة عن LARGE(array, {1, 2}) و SMALL(array, {1, 2}) وتمنعها من الدخول في التجميع النهائي لدالة المتوسط الحسابي.

تتعامل هذه الطرق البديلة مع مجموعات البيانات الكبيرة عبر محاكاة سلاسل الفرز الآلي؛ إلا أنها تتطلب في إصدارات إكسيل القديمة تثبيتاً خاصاً عبر الضغط المتزامن على مفاتيح Ctrl + Shift + Enter للدلالة على أنها صيغ مصفوفية مركبة. ورغم دقة هذه الوسيلة ومرونتها في التعامل مع حالات الاستبعاد المعقدة متعددة الرتب، إلا أنها تزيد من احتمالية حدوث ارتباك لدى المستخدم العادي مقارنة بالبساطة الأنيقة التي تمنحها الدالة المتخصصة TRIMMEAN.

4.2 بناء معادلات المصفوفات الديناميكية في الإصدارات الحديثة

مع إطلاق محرك المصفوفات الديناميكية (Dynamic Arrays) في الإصدارات الحديثة من برنامج مايكروسوفت إكسيل، لا سيما إصدارات Microsoft 365 و Excel 2021، ظهرت أساليب جديدة كلياً تتسم بالذكاء البرمجي والوضوح المنطقي التسلسلي. تتيح هذه التحديثات الجوهرية استخدام دوال معالجة المصفوفات المتطورة مثل الدوال DROP و SORT لإنشاء تدفقات عمل حسابية خطية تستبعد القيم القصوى والدنيا بمرونة غير مسبوقة دون تعقيدات الدوال المصفوفية القديمة.

يمكن للمحلل اليوم صياغة معادلة بديلة فائقة الوضوح تجمع بين ترتيب البيانات واستقطاع هوامشها، وتأخذ الشكل التالي: =AVERAGE(DROP(DROP(SORT(A2:A11), 1), -1)). تعمل هذه المعادلة الرائعة عبر تسلسل منطقي محكم؛ حيث تتولى دالة SORT أولاً فرز مصفوفة الأرقام تصاعدياً من الأصغر إلى الأكبر، ثم تتدخل دالة DROP الداخلية لحذف الصف الأول الذي يمثل الحد الأدنى الصغير (عبر المعامل 1)، ثم تتدخل دالة DROP الخارجية لحذف الصف الأخير الذي يمثل الحد الأقصى الكبير (عبر المعامل -1)، لتستقر القيم المتبقية الصافية مباشرة في أحضان دالة AVERAGE لحساب معدلها.

كما يمكن تعزيز هذه المعادلة عبر دالة SEQUENCE لتحديد رتب المشاهدات المطلوب الاحتفاظ بها بدقة هندسية مطلقة، أو استخدام دالة CHOOSEROWS لاختيار الصفوف المحصورة بين الحدين. تمتاز هذه التركيبات البرمجية الحديثة بميزة الانسكاب التلقائي والتتبع المنطقي السهل أثناء مراجعة الصيغ البرمجية من قبل مدققي النماذج الإحصائية والمالية، مما يمنحها موثوقية عالية جداً في بيئات العمل المؤسسية المعاصرة.

4.3 مقارنة الكفاءة الحسابية بين TRIMMEAN والمعادلات المصفوفية

تتفاوت الأساليب البرمجية المتنوعة لحساب المتوسط واستبعاد الأطراف في مدى استهلاكها لموارد المعالجة الحاسوبية والذاكرة العشوائية (RAM)، وهو جانب تقني حاسم عند بناء نماذج مالية عملاقة تضم مئات الآلاف من الصفوف والسجلات الرقمية. تتميز دالة TRIMMEAN بأنها دالة مدمجة ومبرمجة داخلياً بلغة منخفضة المستوى ضمن نواة إكسيل الأصلية، مما يجعلها فائقة السرعة وخفيفة جداً على موارد المعالج، حيث تنفذ عمليات الترتيب والاستقطاع داخلياً في خطوة حسابية واحدة مغلقة.

على النقيض من ذلك، فإن المعادلات المصفوفية المركبة التي تدمج دوال مثل AVERAGE و LARGE و SMALL و FILTER تفرض عبئاً حسابياً مضاعفاً على محرك إكسيل؛ إذ يضطر البرنامج إلى استدعاء مصفوفات فرعية متعددة في الذاكرة المؤقتة، وإجراء مقارنات منطقية متكررة لكل صف من صفوف البيانات، مما يؤدي إلى بطء ملحوظ في إعادة حساب النماذج الضخمة (Workbook Recalculation Time) وتجميد محتمل للواجهة في أوراق العمل المعقدة.

ومع ذلك، تتفوق المعادلات المصفوفية المتقدمة في جانب واحد بالغ الأهمية وهو المرونة التشغيلية وقابلية التوسع غير المتناظر؛ فبينما تقيدك دالة TRIMMEAN بنسبة استبعاد متطابقة ومتناظرة حتماً بين القمة والقاع، تتيح لك الصيغ المركبة استبعاد أعلى قيمتين وأدنى أربع قيم، أو العكس، وفقاً لمتطلبات منهجية محددة. ولكن في الحالات القياسية التي تستهدف استبعاداً متماثلاً متكافئاً لأعلى وأدنى القيم، تظل دالة TRIMMEAN الخيار الأمثل والأنقى برمجياً والأسهل في الصيانة وتفادي التعقيدات الهندسية غير الضرورية.

5. الطريقة الجبرية التقليدية: الجمع والطرح المباشر (SUM, MAX, MIN)

5.1 صياغة المعادلة الجبرية: (SUM – MAX – MIN) مقسوماً على (COUNT – 2)

تعتبر الطريقة الجبرية التقليدية القائمة على تقنيات الجمع والطرح المباشر من أقدم وأوسع الطرق انتشاراً بين مستخدمي جداول البيانات المبتدئين والمتوسطين لحساب المتوسط مع استبعاد القيم القصوى. يستند الأساس المنطقي لهذه المعادلة إلى مبدأ جبري أولي وبديهي لا يتطلب أي معرفة إحصائية متقدمة؛ حيث يتم جمع كافة أرقام النطاق أولاً، ثم طرح أعلى قيمة عددية منفردة وأدنى قيمة عددية منفردة من هذا المجموع، ثم قسمة الناتج الصافي على إجمالي عدد المشاهدات مطروحاً منه اثنان تعويضاً عن القيمتين المحذوفتين.

تتم صياغة هذه المعادلة التركيبية في إكسيل بصورة مباشرة كالتالي: =(SUM(A2:A11) – MAX(A2:A11) – MIN(A2:A11)) / (COUNT(A2:A11) – 2). يضمن الجزء الأول من البسط استخراج الكتلة العددية الصافية للقيم الداخلية، بينما يضمن تعديل المقام الحسابي عبر دالة COUNT(A2:A11) – 2 إعادة معايرة حجم العينة الحقيقي ليتوافق مع العدد الفعلي للمشاهدات المتبقية التي ساهمت فعلياً في تكوين ذلك البسط، محققاً بذلك المعادلة التعريفية للمتوسط الحسابي: مجموع القيم مقسوماً على عددها.

تكمن الميزة الكبرى لهذه المعادلة في بساطتها المفاهيمية الساحقة؛ إذ يستطيع أي مدقق مالي أو مراجع إداري قراءة محتواها واستيعاب وظيفتها الرياضية دون الحاجة إلى الرجوع إلى كتيبات المساعدة أو معرفة خوارزميات الدوال الإحصائية الخاصة مثل TRIMMEAN. كما أنها تجعل العمليات الحسابية الوسيطة (المجموع، الحد الأقصى، الحد الأدنى، التعداد) واضحة للعيان، مما يسهل تتبع وتدقيق حركة الأرقام على الورق وبشكل ذهني سريع.

5.2 الحالات التي تتفوق فيها الطريقة الجبرية المباشرة

تظهر الطريقة الجبرية المباشرة تفوقاً عملياً واضحاً في عدد من السيناريوهات التشغيلية الخاصة؛ ويأتي في مقدمتها العمل على إصدارات إكسيل شديدة القدم، أو عند نقل أوراق العمل وتصديرها إلى برامج وتطبيقات جداول بيانات أخرى قد لا تدعم الدوال الإحصائية المتخصصة أو تختلف في طريقة تفسير خوارزميات التقريب الخاصة بها. تضمن الدوال الكلاسيكية (SUM, MAX, MIN, COUNT) توافقية برمجية شاملة بنسبة مائة بالمائة عبر كافة المنصات والأنظمة دون أدنى احتمال لوقوع أخطاء ترجمة برمجية.

كما تتيح هذه الطريقة مرونة استثنائية عند الرغبة في تضمين شروط استثناء إضافية عبر دوال التجميع الحسابي الأساسية؛ إذ يسهل على المحلل دمج شروط فرعية داخل عمليات الطرح والجمع المباشر دون الحاجة إلى الغوص في منطق المصفوفات المعقد. وبالإضافة إلى ذلك، تعالج هذه الصيغة مشكلة الحذف الفردي للمشاهدات بدقة مطلقة دون الوقوع في التباسات التقريب لمضاعفات الرقم 2 التي ترتبط حتماً بدالة TRIMMEAN، مما يجعلها مضمونة النتائج تماماً في مسألة استبعاد نقطة واحدة فقط من كل ذيل.

ومن منظور التواصل الإداري وتفسير النماذج لغير المتخصصين، يفضل الكثير من مستشاري الأعمال والمديرين الماليين الاعتماد على هذه المعادلة الجبرية المباشرة في تقاريرهم الدورية؛ نظراً لأنها تلغي أي غموض مفاهيمي قد يحيط بمصطلح “المتوسط المشذب”، وتقدم بدلاً منه تبريراً حسابياً بسيطاً ومقنعاً للمساهمين ولجان المراجعة مفاده: “لقد قمنا بحساب الإجمالي، وطرحنا أسوأ نتيجة وأفضل نتيجة، وقسمنا الباقي على عدد المحاولات الفعلي”.

5.3 حدود الطريقة الجبرية ومخاطرها التحليلية

على الرغم من جاذبية وبساطة الطريقة الجبرية، إلا أنها تعاني من قيود هيكلية ومخاطر تحليلية جسيمة تجعلها غير مناسبة للنماذج الإحصائية المعقدة أو واسعة النطاق. أول هذه الحدود الصارمة هو صعوبة التوسع البرمجي؛ فإذا طلب الباحث استبعاد أعلى ثلاث قيم وأدنى ثلاث قيم بدلاً من قيمة واحدة، فإن المعادلة الجبرية ستتضخم بشكل غير عملي لتشمل دوال LARGE و SMALL مكررة، مما يفقدها ميزتها التنافسية الأساسية المتمثلة في البساطة وقابلية القراءة السريعة.

يتمثل الخطر الثاني في قابليتها الشديدة للأخطاء البشرية أثناء الكتابة، لا سيما فيما يتعلق بإغفال الأقواس الحسابية وترتيب العمليات الرياضية الأولية؛ فإذا نسي المستخدم وضع البسط بأكمله داخل قوسين مستقلين قبل إشارة القسمة، سيقوم إكسيل بقسمة ناتج دالة MIN فقط على المقام وفقاً لقواعد أسبقية العمليات الحسابية، مما يفرز نتائج كارثية مضللة تماماً قد تمر دون ملاحظة في الجداول المكتظة بالأرقام.

علاوة على ذلك، تبدي الطريقة الجبرية ضعفاً كبيراً في معالجة الخلايا التي تحتوي على نصوص أو قيم منطقية مبعثرة أو أخطاء برمجية وسيطة، حيث لا تستطيع دمج عمليات التطهير الآلي المتاحة في الدوال الأحدث دون إدراج دوال تحقق وقائية مسبقة. والأهم من ذلك كله، تظهر معضلة رياضية وإحصائية حرجة عند وجود تكرارات متطابقة للقيم القصوى أو الدنيا، وهو مأزق تحليلي يستوجب دراسة متأنية لسلوك البرنامج وكيفية معالجته للأرقام المتشابهة.

6. التعامل مع التكرارات والقيم المتساوية للحدود القصوى والدنيا

6.1 سلوك دالة TRIMMEAN عند وجود قيم متطرفة مكررة

يثير وجود قيم عددية متكررة ومتساوية عند الحدود القصوى أو الدنيا للبيانات تساؤلات إحصائية وبرمجية بالغة الحساسية؛ فكيف يتصرف برنامج إكسيل عندما يشتمل نطاق القياس على درجتين متماثلتين في القمة كلاهما 100، أو درجتين في القاع كلاهما صفر؟ هل تستبعد الدالة كلا القيمتين المتطابقتين، أم تكتفي باستبعاد قيمة واحدة فقط وتحتفظ بالأخرى ضمن متن الحساب؟

يعتمد سلوك دالة TRIMMEAN في هذه الحالة على مبدأ الاستبعاد الموضعي الفيزيائي في مصفوفة الترتيب، وليس على القيمة العددية المجردة في حد ذاتها. يقوم محرك إكسيل داخلياً بفرز كافة المشاهدات تصاعدياً في مصفوفة افتراضية، ويمنح كل مشاهدة رتبة أو موقعاً مستقلاً (Index) بصرف النظر عن تطابق قيمتها مع المشاهدة المجاورة. وعند تحديد نسبة اقتطاع تؤدي رياضياً إلى حذف قيمة واحدة من كل طرف، فإن الدالة تقوم بحذف العنصر الذي يحتل الموقع الأول في الفرز (أدنى موضع) والعنصر الذي يحتل الموقع الأخير (أعلى موضع) فقط لا غير.

يترتب على هذا السلوك البرمجي الدقيق أن الدالة تستبعد نقطة بيانات واحدة فقط فيزيائياً من القاع ونقطة واحدة من القمة، حتى وإن كانت النقطة التالية لها مساوية لها تماماً في القيمة الرقمية. يحافظ هذا المنطق على تماسك حجم العينة المستهدفة وموثوقية العينة المتبقية ومطابقتها للمقام الحسابي المحدد سلفاً، ولكنه في الوقت نفسه يعني منهجياً بقاء إحدى القيمتين المتطرفتين المكررتين داخل العينة المعالجة لتشارك بقوة في تكوين المتوسط الحسابي المشذب النهائي.

6.2 سلوك دوال MAX و MIN في ظل وجود تكرار للأطراف

عند النظر إلى الطريقة الجبرية المباشرة التي تستخدم دوال MAX و MIN، نلاحظ أنها تنتج نفس النتيجة الرقمية الظاهرية ولكن عبر آلية منطقية مختلفة تماماً يجب على المحلل إدراكها بوعي. إن دالتي MAX و MIN تقومان بإرجاع قيمة عددية مفردة تمثل السقف أو القاع الرقمي في النطاق؛ وعند طرح ناتج دالة MAX مرة واحدة من المجموع الكلي، فإننا نقتطع عملياً مكافئاً عددياً لنسخة واحدة فقط من تلك القيمة العظمى، حتى لو كانت تلك القيمة مكررة في خمسة صفوف متطابقة داخل الجدول.

لتوضيح هذه المعضلة بدراسة حالة رقمية واقعية: إذا كانت لدينا عينة صغيرة تتألف من خمس درجات هي: {10، 10، 50، 100، 100}، وأردنا تطبيق صيغة الحذف الجبرية: =(SUM – MAX – MIN) / (COUNT – 2). سيقوم إكسيل بحساب المجموع الكلي وهو 270، ويطرح الحد الأدنى (10) والحد الأقصى (100) ليتبقى 160، ثم يقسمها على (5 – 2 = 3) ليكون المتوسط الناتج هو 53.33. نلاحظ هنا أن القيم الثلاث التي تم حساب متوسطها فعلياً هي {10، 50، 100}.

توضح هذه النتيجة الرقمية أن التكرارات الأخرى للحد الأدنى (الرقم 10 الثاني) والحد الأقصى (الرقم 100 الثاني) ظلت قاطنة بكامل ثقلها داخل العينة المحسوبة، مما جعل أثر القيم المتطرفة مستمراً في تشويه المتوسط الحسابي حتى بعد تطبيق الاستبعاد الظاهري. يشكل هذا السلوك هاجساً منهجياً حقيقياً في العينات الصغيرة ذات التكرار العالي؛ إذ يتوقع الباحث أحياناً وبصورة مغلوطة أن استبعاد الأطراف كفيل بتنقية العينة تماماً من كل أثر للأرقام القصوى، وهو ما لا يتحقق تلقائياً عبر هذه المعادلات التقليدية.

6.3 استراتيجيات متقدمة لحذف التكرارات الطرفية بالكامل

في الحالات الإحصائية الصارمة التي تتطلب استبعاد كافة المشاهدات المساوية للحد الأقصى أو الأدنى دون أي استثناء، يتحتم على المحلل هجر الدوال الكلاسيكية واللجوء إلى استراتيجيات برمجية متقدمة تعتمد على منطق التصفية المشروطة الكاملة. تهدف هذه الاستراتيجيات إلى تفريغ مصفوفة البيانات تماماً من أي وجود مادي لأي قيمة تطابق القيمة القصوى المطلقة أو القيمة الدنيا المطلقة المسجلة في النطاق، بصرف النظر عن عدد مرات تكرارها.

يمكن بناء هذه الصيغة الديناميكية المتقدمة في الإصدارات الحديثة من إكسيل عبر دمج دالة AVERAGE مع دالة التصفية المتقدمة FILTER وشروط عدم المساواة المنطقية المتعددة، وذلك على النحو التالي: =AVERAGE(FILTER(A2:A11, (A2:A11 <> MAX(A2:A11)) * (A2:A11 <> MIN(A2:A11)))). تعمل هذه المعادلة الرائعة على فحص كل خلية في النطاق A2:A11، وتتحقق من استيفائها لشرطين متزامنين عبر معامل الضرب المنطقي (*): ألا تكون الخلية مساوية للحد الأقصى في النطاق، وألا تكون مساوية للحد الأدنى في النطاق؛ ثم تقوم دالة FILTER باستخلاص المشاهدات الصافية فقط لتقوم دالة AVERAGE بحساب متوسطها الحقيقي الدقيق.

وعلى الرغم من القوة الرياضية والتطهير الإحصائي الشامل الذي توفره هذه الطريقة، إلا أن تطبيقها يحمل في طياته مخاطر منهجية حساسة تتعلق بفقدان مفاجئ لحجم العينة (Sample Size Reduction). فإذا احتوت عينة مكونة من 15 مفردة على خمس قيم عليا متطابقة وثلاث قيم دنيا متطابقة، فإن هذا الحذف الشامل سيؤدي إلى إسقاط ثماني مشاهدات دفعة واحدة (أكثر من نصف العينة)، مما قد يضعف القوة الإحصائية للاختبارات اللاحقة ويزعزع موثوقية النتائج، وهو ما يستدعي موازنة منهجية دقيقة قبل تبني هذه الاستراتيجية الصارمة.

7. حساب المتوسط المشذب وفق شروط ومعايير متعددة

7.1 دمج دالة TRIMMEAN مع دالة FILTER لتصفية البيانات مسبقاً

تتجاوز الاحتياجات التحليلية المعاصرة مجرد حساب المتوسط العام لنطاق موحد من البيانات؛ إذ يحتاج الباحثون والمحللون بصورة متكررة إلى حساب المتوسط المشذب المقتطع وفق متغير تصنيفي أو معيار محدد سلفاً، كأن يتم حساب المتوسط مع استبعاد الأطراف لكل قسم إداري، أو لكل مرحلة عمرية، أو لكل مجموعة علاجية على حدة. ونظراً لعدم وجود دالة مدمجة باسم TRIMMEANIFS في برنامج إكسيل حتى الآن، فإن الحل البرمجي المتكامل يكمن في دمج دالة TRIMMEAN مع دالة التصفية الديناميكية FILTER لتنقية المصفوفة قبل تمريرها للحساب.

تأخذ هذه الصياغة المتقدمة البنية التركيبية التالية: =TRIMMEAN(FILTER(نطاق_القيم, نطاق_المعايير = المعيار), النسبة_المئوية). في هذه الصيغة، تتولى دالة FILTER استخلاص مصفوفة فرعية مؤقتة في الذاكرة تحتوي حصرياً على قيم السجلات التي ينطبق عليها المعيار المطلوب، ثم يتم تسليم هذه المصفوفة المصفاة إلى دالة TRIMMEAN لتقوم بدورها بتشذيب الأطراف واستخراج المتوسط الصافي الخاص بتلك الفئة المحددة دون أدنى تدخل من باقي بيانات الجدول الكلي.

ولضمان ديناميكية الاقتطاع الكاملة عبر هذه الطريقة الشرطية، يجب أن يصاغ وسيط النسبة هو الآخر ليعتمد حصرياً على حجم المصفوفة المصفاة، وليس على حجم الجدول الأصلي الكلي. ويتحقق ذلك عبر استبدال النسبة الثابتة بالتعبير الشرطي التالي: 2/COUNT(FILTER(نطاق_القيم, نطاق_المعايير = المعيار)). يوفر هذا الربط الرياضي تكاملاً مطلقاً يضمن اقتطاع قيمة عليا واحدة وقيمة دنيا واحدة من كل مجموعة تصنيفية بشكل مستقل تماماً، وهو تطبيق بالغ الأهمية عند عزل مجموعات التجارب الضابطة عن المجموعات التجريبية في التجارب الإكلينيكية والبحوث الميدانية المتطورة.

7.2 استخدام دوال التجميع الشرطي لحساب المتوسط واستبعاد الأطراف

في بيئات العمل التي تعتمد على إصدارات إكسيل التقليدية التي تفتقر إلى دالة FILTER الحديثة، يمكن للمحللين تطويع دوال التجميع الشرطي الكلاسيكية لبناء معادلة متوسط مشذب فئوي متعدد المتغيرات في خطوة برمجية واحدة. يتم ذلك عبر تكييف الطريقة الجبرية المباشرة لتصبح شرطية بالكامل باستخدام الرباعي المتقدم: SUMIFS و COUNTIFS و MAXIFS و MINIFS لحساب المتوسط الفئوي بعد إسقاط أعلى وأدنى قيمة لكل فئة مستقلة بدقة بالغة.

تتم كتابة هذه المعادلة الفئوية المركبة لتقييم فئة محددة مسجلة في الخلية D2، بالصيغة الهيكلية التالية: =(SUMIFS(A:A, B:B, D2) – MAXIFS(A:A, B:B, D2) – MINIFS(A:A, B:B, D2)) / (COUNTIFS(B:B, D2) – 2). حيث يمثل العمود A درجات القياس المستهدفة، بينما يمثل العمود B مصفوفة المتغير التصنيفي (مثل أسماء الفروع أو التخصصات). تقوم هذه المعادلة المعجزة بحساب المجموع الخاص بالفئة المحددة فقط، وتطرح منه السقف الأعلى والقاع الأدنى لتلك الفئة حصرياً، ثم تقسم الناتج على تعداد أفراد تلك الفئة بعد خصم المفردتين الطرفيتين.

تضمن هذه الصياغة الشرطية سلامة ونزاهة العمليات الرياضية عند التعامل مع فئات غير متكافئة الأحجام؛ فإذا كان قسم التسويق يضم 15 موظفاً بينما يضم قسم المحاسبة 8 موظفين فقط، فإن كل فئة تُعامل وفق حجم عينتها الفعلي ومجال درجاتها الخاص دون أي تداخل إحصائي غير مشروع. وتعتبر هذه الصيغة حجر الزاوية في بناء تقارير الرواتب والأداء الإداري والمالي المقارن التي تشترط تحييد الدرجات الاستثنائية لضمان العدالة في توزيع الحوافز والمكافآت السنوية.

7.3 حالات تطبيقية على بيانات مقسمة ديموغرافياً وسيكومترياً

لتجسيد القيمة العلمية والعملية لهذه المعادلات المركبة، نستعرض دراسة حالة تطبيقية في ميدان البحوث السيكومترية تتعلق بقياس مستويات القلق والاكتئاب لدى شرائح ديموغرافية مختلفة. عند فحص درجات مقياس القلق المطبق على ثلاث فئات عمرية (الشباب، منتصف العمر، كبار السن)، يلاحظ الباحث دائماً وجود حالات فردية تسجل درجات ذعر متطرفة جداً نتيجة نوبات هلع عارضة، وحالات أخرى تسجل أصفاراً مطلقة تعود لإنكار الأعراض، مما يجعل المتوسط البسيط لكل شريحة عمرية عرضة للتضليل والتشويش المنهجي.

بتطبيق معادلات المتوسط المشذب الشرطي على هذه البيانات المقسمة، استطاع الباحثون استبعاد أطراف الدرجات لكل فئة عمرية على حدة وبشكل منعزل؛ مما أدى إلى كشف تباينات جوهرية دقيقة لم تكن واضحة في التحليل التقليدي. فقد انخفض متوسط درجات القلق لدى فئة الشباب بشكل ملحوظ بعد تحييد القيم المتطرفة الشاذة، مما أظهر أن السواد الأعظم من الشباب يتمتع بمستويات قلق معتدلة، وأن المتوسط العام المرتفع سابقاً كان ناتجاً فقط عن قلة محدودة جداً من الحالات الحادة المنعزلة.

يمتد هذا النجاح التطبيقي إلى بحوث الإدارة وتحليل زمن حل المشكلات التقنية؛ حيث يؤدي تقسيم الموظفين وفق مستويات التعليم والخبرة واستبعاد القيم الشاذة إلى تقييم عادل لزمن الاستجابة الحقيقي لكل فئة مهنية. يوثق هذا التحليل الفروق الإحصائية الحقيقية بين المجموعات الفرعية بعد تحييد التشوهات، ويوفر للإدارة العليا أدلة تجريبية رصينة تدعم اتخاذ قرارات تدريبية وتطويرية مدروسة تستند إلى دراسة مركز ثقل الأداء وليس إلى استثناءاته الهامشية.

8. معالجة الأخطاء الشائعة واستكشاف المشكلات البرمجية وإصلاحها

8.1 تشخيص ومعالجة خطأي #DIV/0! و #NUM! في إكسيل

يواجه مستخدمو النماذج الإحصائية في إكسيل ظهور رموز أخطاء برمجية قد تربك سير التحليل وتوقف تدفق البيانات في لوحات المؤشرات. ويعد الخطآن #DIV/0! و #NUM! من أكثر الأخطاء تواتراً عند التعامل مع دالة TRIMMEAN أو صيغ الحساب الجبرية المركبة؛ لذا فإن تشخيص الجذور المسببة لهذين الخطأين يمثل الخطوة الأولى والأساسية في بناء نماذج جداول بيانات احترافية وقوية ضد الانهيار.

يظهر الخطأ الحسابي الشهير #DIV/0! بصورة حتمية عندما يصبح مقام معادلة القسمة مساوياً للصفر. ويحدث هذا في دالة TRIMMEAN عندما يتم توجيه الدالة إلى نطاق بيانات فارغ تماماً أو نطاق يحتوي حصرياً على نصوص، حيث تقوم دالة COUNT بإرجاع القيمة صفر فيصبح كسر النسبة 2/0 عملية قسمة مستحيلة رياضياً. كما يظهر نفس الخطأ في الطريقة الجبرية =(SUM-MAX-MIN)/(COUNT-2) إذا كان النطاق يحتوي على نقطتي بيانات فقط أو أقل؛ لأن ناتج COUNT(A2:A3) سيكون 2، وطرح 2 منه يجعل المقام صفراً مطلقاً، مما يطلق الخطأ فوراً لعدم إمكانية حساب متوسط بعد استبعاد كامل مفردات العينة.

أما الخطأ الإحصائي #NUM!، فينحصر ظهوره البرمجي في خلل وسيط النسبة المئوية داخل دالة TRIMMEAN؛ ويحدث ذلك تحديداً عند إدخال قيمة نسبة سالبة (أقل من صفر)، أو قيمة تعادل أو تتجاوز الواحد الصحيح (percent ≥ 1). ولتأمين مخرجات الجداول وعرض رسائل تنبيهية راقية للمستخدمين بدلاً من هذه الرموز البرمجية المزعجة، ينصح دائماً بتطويق الصيغ البرمجية بدالة الحماية المتقدمة IFERROR، وذلك عبر الصياغة الوقائية التالية: =IFERROR(TRIMMEAN(A2:A11, 2/COUNT(A2:A11)), “بيانات غير كافية للاستبعاد”)؛ مما يضمن استمرار عمل النموذج وسهولة توجيه مدخلي البيانات لمعالجة النقص العددي.

8.2 تأثير الخلايا الفارغة والنصوص والمسافات المخفية

تعتبر مشكلات جودة البيانات المدخلة وتلوث الخلايا بالشوائب غير المرئية من أخطر العوامل التي تقود إلى نتائج إحصائية صامتة ومضللة لا يرافقها ظهور أخطاء برمجية واضحة. تتجاهل دالة COUNT ودالة TRIMMEAN الخلايا الفارغة تماماً والخلايا التي تحتوي على نصوص صريحة، إلا أن المأزق الأكبر يكمن في الأرقام المخزنة كنصوص (Numbers Stored as Text) والمسافات البادئة أو اللاحقة المخفية التي تتسرب غالباً عند تصدير التقارير من قواعد البيانات الكبرى وأنظمة إدارة الموارد (ERP).

عندما يُخزن الرقم كنص، فإنه يبدو للعين البشرية كأي رقم عادي، ولكنه يسقط تماماً من حسابات دالة COUNT ومن مصفوفة الترتيب في دالة TRIMMEAN. يترتب على ذلك انخفاض وهمي في قيمة المتغير n الذي يمثل حجم العينة، مما يؤدي إلى تشويه كسر النسبة واقتطاع بيانات داخلية غير مستهدفة، أو الفشل في استبعاد القيم الطرفية الحقيقية التي قد تكون قاطنة في إحدى تلك الخلايا النصية المهملة دون أن يعلم المحلل بذلك.

لتلافي هذه الفخاخ التحليلية، يتحتم إخضاع البيانات لمرحلة تنقية وتدقيق مسبقة باستخدام دوال الفحص والتحويل؛ حيث يمكن استخدام دالة ISNUMBER للتحقق من سلامة الخلايا الرقمية، وتطبيق دالة TRIM النصية لتطهير النطاق من كافة المسافات الفارغة المخفية، واستخدام دالة VALUE أو إجراء عملية ضرب حسابية في الرقم واحد (Data * 1) لإجبار إكسيل على تحويل النصوص الرقمية إلى أرقام حقيقية صالحة للمعالجة. يضمن هذا الإجراء المنهجي اتساق مصفوفة الإدخال وحماية الاستدلال الإحصائي من التشويه الخفي.

8.3 أخطاء تقريب النسب في TRIMMEAN وكيفية تلافيها عملياً

تشكل خوارزمية التقريب الداخلي لمضاعفات الرقم 2 الأدنى في دالة TRIMMEAN مصدراً مستمراً لأخطاء التحليل الميداني، لا سيما لدى الباحثين الذين يعتمدون على كتابة نسب مئوية عشرية تقريبية بصورة يدوية دون إدراك للتبعات الرياضية المترتبة على ذلك. ففي كثير من الأحيان، يعتقد المحلل أن كتابة النسبة 0.10 كافية لاستبعاد أعلى وأدنى قيمة في عينة تتكون من 15 مفردة، ليكتشف لاحقاً أن البرنامج لم يقم باستبعاد أي قيمة على الإطلاق.

تفسير ذلك رياضياً هو أن حاصل ضرب 15 في 0.10 يعطي 1.5، وبما أن خوارزمية الدالة تقرب الناتج للأدنى إلى أقرب مضاعف للرقم 2، فإن أقرب مضاعف أدنى للعدد 1.5 هو الصفر؛ وبناءً عليه يكون عدد النقاط المحذوفة صفراً، وتفشل العملية الحسابية في تحقيق غايتها المنهجية تماماً. وتتفاقم هذه المعضلة عند التعامل مع العينات الصغيرة جداً التي يقل حجمها عن 5 مشاهدات، حيث تصبح حساسية خوارزمية التقريب شديدة الإقصاء لأي محاولة استبعاد غير محسوبة بدقة متناهية.

تكمن الاستراتيجية الذهبية لتلافي هذه السقطات البرمجية في التخلي التام عن إدخال النسب العشرية اليدوية المقربة، والاعتماد الحصري والمطلق على الصيغة الكسرية الديناميكية: 2/COUNT(النطاق). تجبر هذه الصيغة إكسيل على التعامل مع النسبة الدقيقة هندسياً التي ينتج عن ضربها في حجم العينة الرقم 2 بالتمام والكمال دائماً وأبداً (حيث إن n * (2/n) = 2)، مما يضمن تنشيط خوارزمية الحذف واستبعاد مفردة واحدة من كل طرف بصورة قطعية ومستقرة عبر كافة أحجام العينات التي تزيد عن نقطتين.

9. الاعتبارات المنهجية والأخلاقية لاستبعاد القيم الشاذة

9.1 التمييز بين أخطاء الإدخال والتباين الطبيعي في العينات

يضع علم الإحصاء المتقدم والمنهجية العلمية الرصينة قيوداً أخلاقية ومعيارية صارمة على ممارسة استبعاد المشاهدات من البيانات الخام؛ فالأرقام ليست مجرد رموز حسابية مجردة، بل هي انعكاس لظواهر واقعية وخصائص بشرية أو طبيعية قيد الملاحظة. ومن هنا ينشأ التمييز الجوهري الحاسم بين نوعين من القيم المتطرفة: القيم الشاذة الناتجة عن أخطاء إدخال وقياس فنية، وتلك التي تعبر عن تباين واقعي أصيل داخل مجتمع الدراسة.

إن تسجيل باحث لمعدل ضربات قلب يبلغ 300 نبضة في الدقيقة أثناء الراحة لشخص سليم هو خطأ قياس أو إدخال واضح يستوجب الاستبعاد أو التصحيح الحتمي لاستحالة حدوثه فسيولوجياً. ولكن في المقابل، فإن تسجيل دخل سنوي استثنائي لمدير تنفيذي أو تسجيل زمن حل مسائل عبقري لطالب متفوق يمثل تبايناً حقيقياً يعكس التوزيع الاحتمالي الطبيعي ذو الذيول الثقيلة (Heavy-tailed Distributions). إن الخطر العلمي الأكبر يكمن في استسهال الباحث لحذف هذه التباينات الواقعية لمجرد تحسين مظهر البيانات الإحصائي أو خفض التشتت ليتماشى مع فرضيات بحثية مؤطرة مسبقاً.

يؤدي الحذف الانتقائي والعشوائي وغير المبرر للقيم المتطرفة إلى تشويه التوزيع الاحتمالي للظاهرة وارتكاب ما يعرف بالانحياز التأكيدي (Confirmation Bias). وهنا تتجلى قوة التأصيل المنهجي لاستخدام المتوسط المشذب المتناظر، حيث يلتزم الباحث سلفاً وبشكل موضوعي ومحايد باستبعاد نسبة متكافئة من كلا الطرفين بناءً على خوارزمية رياضية ثابتة، وليس بناءً على انتقاء كيفي تحكمي، مما يحمي النزاهة العلمية للباحث ويجنبه شبهة التلاعب المتعمد بالنتائج لدعم فرضياته.

9.2 التوثيق والإفصاح الأكاديمي في تقارير البحوث والدراسات

تفرض المعايير الصارمة لجمعيات البحث العلمي المرموقة، وفي مقدمتها الجمعية الأمريكية لعلم النفس (APA) في دليل النشر العلمي الصادر عنها، متطلبات إفصاح شفافة وغير قابلة للمساومة عند اللجوء إلى تقنيات تنقية البيانات واستبعاد المشاهدات الطرفية. لا يجوز للباحث الأكاديمي أو المحلل المؤسسي تحت أي ظرف من الظروف تطبيق المتوسط المشذب أو استبعاد القيم العظمى والصغرى بشكل صامت دون توثيق مفصل لخطوات هذه المعالجة ضمن قسم المنهجية وإجراءات التحليل في التقرير النهائي.

يشترط هذا التوثيق الأكاديمي الإفصاح الصريح عن حجم العينة الكلي قبل تطبيق الاستبعاد (Original N)، وحجم العينة الصافي الفعلي الذي دخل في الحساب النهائي بعد الاقتطاع (Effective N). كما يجب على الباحث تقديم تبرير منهجي وإحصائي مقنع يوضح أسباب تفضيل استخدام المتوسط المشذب على المتوسط البسيط في دراسته المحددة، مع تبيان الصيغ الرياضية والبرمجية المستخدمة في برنامج إكسيل للوصول إلى تلك التقديرات لتمكين الباحثين الآخرين من تكرار التجربة والتحقق من موثوقيتها (Replicability).

ومن أفضل الممارسات المنهجية التي تعزز مصداقية النشر العلمي تضمين جداول النتائج مقارنة إحصائية تقاطعية تعرض كلاً من المتوسط الحسابي الأصلي والانحراف المعياري المقترن به إلى جانب المتوسط المشذب الجديد. يتيح هذا العرض المزدوج للقراء والمدققين قياس حجم الفجوة الناتجة عن استبعاد القيم المتطرفة بدقة، وتقدير مدى تأثير تلك النقاط الطرفية على المسار العام للاستدلال العلمي، مما يرسخ مبادئ الشفافية والأمانة العلمية في مجتمع المعرفة.

9.3 أثر حجم العينة على حساسية استبعاد القيم المتطرفة

ترتبط حساسية وموثوقية إجراءات استبعاد القيم المتطرفة ارتباطاً وثيقاً بالحجم الإجمالي للعينة قيد الدراسة؛ فالتأثير النسبي المترتب على اقتطاع مفردتين يختلف اختلافاً جذرياً عندما ننتقل من عينة مجهرية تتألف من 6 مفردات إلى عينة ضخمة تضم 6000 مفردة. في العينات الصغيرة، يمثل حذف نقطة واحدة من القاع ونقطة واحدة من القمة اقتطاعاً لثلث حجم العينة الإجمالي (33.3%)، مما يؤدي إلى تغيير راديكالي في بنية البيانات ودرجات الحرية (Degrees of Freedom) المتاحة للاختبارات الإحصائية.

إن التناقص الحاد في درجات الحرية في العينات الصغيرة يضعف القوة الإحصائية للاختبارات الاستدلالية اللاحقة (مثل اختبارات t أو تحليل التباين ANOVA)، ويجعل مستويات الدلالة الإحصائية شديدة التقلب وعرضة للخطأ من النوع الثاني (فشل اكتشاف الفروق الحقيقية). لذا تضع التوجيهات الإحصائية الرصينة حداً أدنى لا ينبغي النزول عنه لتطبيق خوارزميات الاقتطاع الرياضي، ويوصى عموماً بألا يقل حجم العينة عن 10 إلى 15 مشاهدة على الأقل قبل التفكير في استبعاد أعلى وأدنى المشاهدات لضمان بقاء كتلة عددية متماسكة قادرة على تمثيل التوزيع الأصلي.

أما في العينات الكبيرة جداً، فإن حذف أعلى وأدنى مشاهدة مفردة (باستخدام نسبة 2 مقسومة على n) يمارس تأثيراً ضئيلاً جداً يكاد لا يذكر على المتوسط، نظراً لأن وزن النقطتين المحذوفتين يذوب في بحر المشاهدات المتراكمة. وفي مثل هذه البيئات واسعة النطاق، يتحول المحللون المنهجيون من مجرد استبعاد أعلى وأدنى نقطة فردية إلى تطبيق نسب تشذيب مئوية ثابتة وشاملة (مثل 5% أو 10% من كلا الطرفين) لضمان تنقية فعالة لذيل التوزيع بما يتناسب طردياً مع حجم التوزيع وتفرطحه (Kurtosis) والتواءه (Skewness).

10. أفضل الممارسات المتقدمة وأتمتة العمليات في جداول إكسيل

10.1 استخدام الجداول الديناميكية الرسمية (Excel Tables)

يمثل التحول من استخدام نطاقات الخلايا التقليدية الثابتة (مثل A2:A11) إلى الجداول الديناميكية الرسمية (Excel Tables) قفزة نوعية في بناء النماذج الإحصائية الاحترافية المؤتمتة. يمكن للمستخدم تحويل أي نطاق بيانات عادي إلى جدول ديناميكي بضغطة زر واحدة عبر تحديد النطاق والضغط على الاختصار الشهير Ctrl + T، مما يمنح الجدول اسماً هيكلياً فريداً (مثل Table1) ويحول أعمدته إلى كيانات برمجية ذكية تتوسع وتتقلص تلقائياً مع حركة البيانات.

تكمن القوة الهائلة للجداول الرسمية في دعمها لنظام التسميات الهيكلية المنظمة (Structured References) في كتابة المعادلات الرياضية. وبناءً على ذلك، تتم إعادة صياغة دالة المتوسط المشذب لتصبح بالشكل البرمجي البديع التالي: =TRIMMEAN(Table1[الدرجة], 2/COUNT(Table1[الدرجة])). يقرأ هذا السطر البرمجي بسلاسة تامة تعبر عن المحتوى الحقيقي للبيانات، مما يلغي تماماً الغموض المرتبط بإحداثيات الخلايا الصماء ويسهل عمليات التدقيق المؤسسي اللاحقة.

والأهم من ذلك كله هو ميزة الاستيعاب التلقائي للبيانات الجديدة؛ فعندما يقوم مدخل البيانات بإضافة عشرات القياسات الجديدة في نهاية عمود [الدرجة]، يتوسع الجدول الديناميكي فورياً إلى الأسفل، وتقوم دالة COUNT المدمجة داخل وسيط النسبة بتحديث تعداد العينة n في أجزاء من الثانية، ليعاد حساب المتوسط المشذب بدقة لحظية تستبعد أعلى وأدنى قيمة من النطاق الموسع دون أي حاجة لإعادة صياغة المعادلة أو سحب المقابض يدوياً، مما يوفر بيئة عمل خالية تماماً من أخطاء التحديث الشائعة.

10.2 بناء دالة مخصصة قابلة لإعادة الاستخدام عبر دالة LAMBDA

وفرت التحديثات الأخيرة في مايكروسوفت إكسيل ثورة برمجية حقيقية عبر تقديم دالة LAMBDA، والتي تسمح للمحللين ببناء دوال مخصصة خاصة بهم دون الحاجة إلى كتابة سطر برمجي واحد بلغة الفيجوال بيسك للتطبيقات (VBA) أو القلق بشأن تنسيقات الماكرو المحظورة أمنياً. يتيح هذا الابتكار تغليف الصيغة المركبة لحساب المتوسط المشذب داخل دالة أنيقة سهلة الاستدعاء يمكن مشاركتها عبر كامل مصنف العمل.

لبناء هذه الدالة المخصصة، يقوم المحلل بفتح نافذة إدارة الأسماء (Name Manager) من تبويب الصيغ، وإنشاء اسم جديد وليكن TRIM_EDGES، ثم إدخال كود LAMBDA التالي في حقل المرجع: =LAMBDA(data_range, TRIMMEAN(data_range, 2/COUNT(data_range))). يقوم هذا الكود البرمجي بتعريف متغير وسيط يسمى data_range، ثم يمرره تلقائياً إلى تركيبة دالتي TRIMMEAN و COUNT لحساب النتيجة بدقة مطلقة واستبعاد أعلى وأدنى قيمة في طرفة عين.

بمجرد حفظ هذا الاسم، تصبح الدالة TRIM_EDGES دالة أصلية مدمجة داخل المصنف؛ ويستطيع أي محلل مبتدئ استدعاؤها في أي ورقة عمل بمجرد كتابة: =TRIM_EDGES(A2:A100) تماماً كما يستدعي دالة SUM أو AVERAGE التقليدية. يقضي هذا التجريد البرمجي المتقدم على أخطاء كتابة الصيغ المركبة لدى الموظفين غير المتخصصين، ويوحد المعايير الحسابية المتبعة عبر كافة أقسام المؤسسة، ويعكس أرقى مستويات الاحتراف البرمجي في إدارة جداول البيانات الإحصائية المعاصرة.

10.3 تصميم لوحات تحكم بصرية تعرض المقارنة بين المقاييس

تكتمل منظومة التحليل الإحصائي بتحويل المخرجات الرقمية الجافة إلى رؤى بصرية تفاعلية تسهم في تسريع عملية اتخاذ القرار الاستراتيجي عبر لوحات التحكم (Dashboards). لا ينبغي أن تظل خلية المتوسط المشذب معزولة في جدول، بل يجب ربطها بنظام مقارنة بصري ذكي يوضح للمدراء والباحثين حجم الفجوة بين المتوسط الحسابي العام والمتوسط المشذب المنقى بنظرة خاطفة واحدة.

يبدأ التصميم الاحترافي بتطبيق التنسيق الشرطي (Conditional Formatting) على عمود البيانات الأساسي؛ حيث يتم إنشاء قاعدتي تنسيق مستقلتين لتمييز أطراف البيانات تلقائياً، بحيث تلون الخلية المطابقة للحد الأقصى =MAX($A$2:$A$11) بلون أحمر شفاف دلالة على استبعادها، وتلون الخلية المطابقة للحد الأدنى =MIN($A$2:$A$11) بلون برتقالي، بينما تظل القيم المستقرة الداخلية بلونها الطبيعي. يمنح هذا التمييز البصري الفوري ثقة للمستخدم في أن الاستبعاد قد تم بنجاح ويحدد بدقة مواقع القيم المعزولة.

يتوج هذا العمل بإنشاء بطاقات مؤشرات أداء رئيسية (KPI Cards) تعرض جنباً إلى جنب: المتوسط البسيط، المتوسط المشذب، ونسبة الفارق المئوي بينهما، مع تدعيم ذلك برسوم بيانية تفاعلية من نوع المخطط الصندوقي (Box Plot) أو المخططات العمودية المزدوجة التي تبرز الفروق بوضوح. يسهم هذا الإخراج البصري الراقي في تبسيط البيانات الإحصائية المعقدة للقيادات الإدارية، ويسلط الضوء على الأثر الحقيقي لتنقية البيانات من الشوائب المتطرفة، مما يعزز تبني القرارات القائمة على البيانات الرصينة والمحررة من الانحياز.

خاتمة

يمثل حساب المتوسط الحسابي مع استبعاد أعلى وأدنى القيم أداة إحصائية وتحليلية محورية لا غنى عنها لكل من يتعامل مع البيانات الكمية في التطبيقات الأكاديمية والمهنية. ومن خلال الجمع بين كفاءة المتوسط الحسابي ومتانة الوسيط، يقدم المتوسط المشذب حلاً رياضياً متوازناً يحمي مقاييس النزعة المركزية من التشويه الفادح الذي تحدثه القيم الشاذة والمتطرفة، مما يمنح متخذي القرار والباحثين تقديراً معيارياً يعكس بأمانة مركز الثقل الحقيقي للظواهر المدروسة.

لقد استعرضنا عبر هذا الدليل الشامل مختلف الطرق والأدوات التي يوفرها برنامج مايكروسوفت إكسيل لتنفيذ هذا الاستبعاد؛ بدءاً من الدالة القياسية المتخصصة TRIMMEAN بالصيغة الديناميكية المتقنة: =TRIMMEAN(array, 2/COUNT(array))، مروراً بالمعادلات الجبرية المباشرة والحلول المصفوفية الحديثة باستخدام دوال SORT و DROP، وصولاً إلى استراتيجيات التصفية المتقدمة عبر دالة FILTER لمعالجة التكرارات وتحقيق التشذيب الفئوي المشروط. إن الاختيار الواعي بين هذه الأساليب يتوقف دائماً على طبيعة البيانات، وحجم العينة، والإصدار البرمجي المستخدم، ومستوى المرونة المطلوب في النماذج التحليلية.

ختاماً، يجب التأكيد على أن استبعاد القيم المتطرفة ليس مجرد مهارة تقنية تطبق بصورة آلية في جداول البيانات، بل هو قرار منهجي وأخلاقي أصيل يتطلب تمييزاً دقيقاً بين أخطاء القياس العشوائية والتباين الطبيعي في العينات، وإفصاحاً أكاديمياً كاملاً يضمن شفافية البحث العلمي ونزاهته. إن توظيف أفضل الممارسات المتقدمة عبر الجداول الديناميكية ودوال LAMBDA المخصصة ولوحات التحكم البصرية يكفل للمحلل بناء نماذج تحليلية ذكية، تتسم بالدقة الرياضية المتناهية، وقابلية الصيانة البرمجية، والمصداقية العلمية الرفيعة في عالم يتجه بثبات نحو تعظيم القيمة الاستراتيجية للبيانات المنقاة والموثوقة.

المراجع

• Abu-Bader, S. H. (2021). Using statistical methods in social science research: With a complete SPSS guide (3rd ed.). Oxford University Press.
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
• Alexander, M., Kusleika, R., & Walkenbach, J. (2019). Excel 2019 bible. John Wiley & Sons.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Marr, B. (2020). Data-driven HR: How to use analytics and metrics to drive performance (2nd ed.). Kogan Page.
• Microsoft Corporation. (n.d.). TRIMMEAN function. Microsoft Support. https://support.microsoft.com/en-us/office/trimmean-function-d90c98e3-9b96-4896-8437-ba25dedab9ed
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wilcox, R. R. (2017). Introduction to robust estimation and hypothesis testing (4th ed.). Academic Press.