إكسل: كيفية حساب المتوسط مع استبعاد القيم المتطرفة

تحظى مقاييس النزعة المركزية بمكانة محورية في تحليل البيانات الكمية وتطبيقات الإحصاء الوصفي والاستدلالي، حيث يُعد المتوسط الحسابي (Arithmetic Mean) المقياس الأكثر شيوعاً واستخداماً لتلخيص الظواهر الرقمية وتمثيل نقطة الارتكاز لمجموعات البيانات في مختلف الحقول العلمية والتطبيقية، بدءاً من العلوم المالية والاقتصادية ووصولاً إلى العلوم الطبية والهندسية. غير أن القوة الرياضية للمتوسط الحسابي وسهولة احتسابه تقترن بنقطة ضعف جوهرية وموثقة في الأدبيات الإحصائية، تتجلى في شدة حساسيته للقيم المتطرفة والشاذة (Outliers) التي قد تجرّ قيمته بصورة حادة نحو الأطراف، مما يترتب عليه تقديم صورة مضللة أو غير دقيقة عن التوزيع الحقيقي للبيانات والمجتمع المستهدف بالدراسة.

في بيئات العمل الحديثة التي تعتمد على برمجية مايكروسوفت إكسل (Microsoft Excel) بوصفها الأداة القياسية لإدارة ومعالجة وتحليل البيانات الضخمة، يواجه الباحثون والمحللون تحدياً يومياً يتمثل في كيفية استخلاص متوسطات حسابية نقية ومعبرة تعكس السلوك النمطي المستقر للظواهر دون الوقوع في شرك التشويه الناتج عن البيانات الشاذة. ولا يقتصر حل هذا الإشكال على الحذف العشوائي أو اليدوي للقيم غير المرغوبة—وهو سلوك يفتقر إلى النزاهة العلمية والأسس المنهجية الرصينة—بل يتطلب الاستناد إلى خوارزميات وقواعد إحصائية صارمة تُمكّن المحلل من أتمتة اكتشاف الشواذ وتحديد مسارات استبعادها بدقة بالغة.

يقدم هذا الدليل المرجعي الشامل تفصيلاً معمقاً وغير مسبوق لكافة المنهجيات والتقنيات الإحصائية والبرمجية المتاحة في إكسل لحساب المتوسط الحسابي مع استبعاد القيم المتطرفة. سنستعرض عبر هذا المقال الأسس النظرية المعمقة، والدوال المتخصصة كدالة TRIMMEAN، وحسابات المدى الربيعي (IQR) بالاقتران مع الدالة الشرطية AVERAGEIFS، وتطبيقات الدرجات المعيارية (Z-Score)، بالإضافة إلى توظيف الدوال المصفوفية الحديثة مثل FILTER وLET، وأتمتة العمليات التحليلية بواسطة محرر استعلامات الطاقة (Power Query)، مدعومة بمقارنات منهجية، ودراسات حالة واقعية، وقواعد أخلاقية ملزمة لتوثيق معالجة البيانات.

1. مدخل نظري: مفهوم القيم المتطرفة وتأثيرها على مقاييس النزعة المركزية في إكسل

1.1 التعريف الإحصائي للقيم الشاذة والمتطرفة في مجموعات البيانات

تُعرّف القيمة المتطرفة (Outlier) في التحليل الإحصائي بأنها نقطة بيانات أو مشاهدة تتباعد بمسافة غير اعتيادية أو جوهرية عن النمط العام والتجمع التكراري الرئيسي لمجمل المشاهدات في العينة أو المجتمع الإحصائي المدروس. هذا التباعد ليس مجرد اختلاف طفيف أو تذبذب طبيعي ناشئ عن الصدفة المحضة، بل هو انزياح كمي حاد يجعل المشاهدة تبدو وكأنها قد تولدت من خلال آلية توليد بيانات مختلفة تماماً عن الآلية التي أنتجت باقي عناصر المجموعة.

من الناحية الأكاديمية والمنهجية، من الأهمية بمكان التمييز الدقيق بين نوعين رئيسيين من المشاهدات الشاذة:

• القيم المتطرفة الناتجة عن أخطاء (Error-induced Outliers): وهي القيم التي تظهر نتيجة أخطاء بشرية أثناء إدخال البيانات (Data Entry Errors)، مثل إضافة صفر زائد إلى رقم الراتب الشهري ليصبح 50,000 بدلاً من 5,000، أو نتيجة أعطال في أجهزة القياس الحساسة، أو تلوث عينات الاختبار في المختبرات، أو سوء فهم المبحوث لمقياس ليكرت المستخدم في الاستبانة. هذه الفئة تتطلب التصحيح الفوري إن أمكن، أو الاستبعاد الحتمي لأنها تمثل بيانات زائفة رياضياً ولا تمت للواقع بصلة.
• القيم المتطرفة الطبيعية أو الحقيقية (Natural or Legitimate Outliers): وهي قيم صحيحة ودقيقة من حيث التسجيل والقياس، لكنها تعكس حالات استثنائية واقعية ونادرة في المجتمع المدروس؛ ومثال ذلك مبيعات استثنائية حققها فرع واحد نتيجة حدث تسويقي فريد، أو ثروة مستثمر ملياردير ضمن عينة عشوائية للدخل الفردي لبلدة صغيرة. هنا يكمن التحدي الأكبر للباحث؛ إذ لا يمكن حذف هذه القيم باستخفاف دون مبرر منهجي معلن، لأن حذفها قد يؤدي إلى إخفاء خصائص حيوية للنظام قيد الدراسة.

تظهر حساسية المتوسط الحسابي المفرطة للقيم المتطرفة عند مقارنته بالمقاييس البديلة للنزعة المركزية، وتحديداً الوسيط (Median) والمنوال (Mode). فبينما يعتمد الوسيط على الترتيب الموقعي للقيم دون الاكتراث بأبعادها العددية المطلقة—مما يجعله مقياساً “مقاومةً” (Resistant Measure) يتمتع بنسبة انهيار (Breakdown Point) تصل إلى 50%—فإن المتوسط الحسابي يعتمد على الجمع الجبري الدقيق لكافة القيم في البسط مقسوماً على عددها. ونتيجة لذلك، تكفي قيمة شاذة واحدة شديدة التطرف في عينة مكونة من آلاف المدخلات لتغيير المتوسط الحسابي بصورة جذرية، وإزاحته بعيداً عن مركز الثقل الحقيقي للبيانات.

يبرز هنا الدور الحاسم لما يُعرف في الإحصاء الحديث بـ “تحليل البيانات الاستكشافي” (Exploratory Data Analysis – EDA)، وهو المنهج الذي رسخه عالم الإحصاء الشهير جون توكي (John Tukey). يفرض هذا المنهج على المحلل فحص البيانات وفهم بنيتها، ودرجة التوائها، وتباينها قبل الشروع في بناء النماذج التنبؤية أو استخراج المؤشرات التلخيصية؛ ذلك أن بناء القرارات على متوسط مشوه يؤدي بالضرورة إلى نتائج غير دقيقة وتوصيات تشغيلية أو بحثية مضللة.

1.2 الآثار المترتبة على شمول القيم المتطرفة في حساب المتوسط

يؤدي شمول المشاهدات المتطرفة دون معالجة أو تنقية إلى إحداث انحياز منهجي (Systematic Bias) يُفسد دلالات مقاييس الأداء الرئيسية في المؤسسات. فعلى سبيل المثال، إذا كانت إدارة الموارد البشرية تسعى لقياس متوسط أجور الموظفين في شركة ناشئة تضم 50 موظفاً، حيث تتراوح رواتب 49 موظفاً منهم بين 3,000 و 5,000 دولار، بينما يتقاضى المدير التنفيذي راتباً قدره 150,000 دولار، فإن المتوسط الحسابي الخام سيتجاوز 7,000 دولار. هذا الرقم، رغم صحته الحسابية الصرفة، لا يمثل راتب أي موظف عادي داخل الشركة، ويقدم انطباعاً خادعاً بأن القوة الشرائية العامة للعاملين مرتفعة للغاية.

يمتد الأثر التخريبي للشواذ إلى المقاييس التابعة المرتبطة بالمتوسط، وعلى رأسها التباين (Variance) والانحراف المعياري (Standard Deviation). وبما أن صيغة الانحراف المعياري تتضمن تربيع الفروق بين كل مشاهدة والمتوسط الحسابي، فإن القيمة المتطرفة لا تؤثر في المتوسط فحسب، بل تُضخم الانحراف المعياري بصورة أسّية. ينتج عن هذا التضخيم مجالات ثقة (Confidence Intervals) واسعة جداً وغير دقيقة، مما يُفقد الباحث القدرة على تقدير المعالم الحقيقية للمجتمع بهامش خطأ مقبول.

علاوة على ذلك، تتأثر اختبارات الفروض الإحصائية الاستدلالية البارامترية، مثل اختبار “ت” (t-test) وتحليل التباين (ANOVA)، تأثراً بالغاً بوجود المشاهدات الشاذة. تفترض هذه الاختبارات عادةً اعتدالية التوزيع وتجانس التباين؛ وعند انتهاك هذه الفروض بفعل القيم المتطرفة، يرتفع معدل ارتكاب الخطأ من النوع الثاني (Type II Error)، وهو الفشل في اكتشاف فروق حقيقية ذات دلالة إحصائية موجودة بالفعل بين المجموعات التجريبية، مما يؤدي إلى رفض فرضيات بحثية صحيحة أو العكس.

تتأسس المبررات العلمية لاستبعاد أو تهذيب القيم المتطرفة على الرغبة في تحسين الكفاءة الإحصائية للمقدرات (Statistical Efficiency)، والوصول إلى مقياس للنزعة المركزية يُعبر بأمانة وموثوقية عن “الحالة المستقرة” أو النمطية للمجموعة. إن الهدف الجوهري ليس تجميل البيانات أو التلاعب بالنتائج للوصول إلى خلاصات مرغوبة سلفاً، وإنما حماية النموذج التحليلي من الانهيار تحت تأثير حالات استثنائية معزولة لا يجوز أن تُملي اتجاه القرارات الإستراتيجية للمنظمة.

2. الأسس الرياضية والمعايير المعتمدة لكشف وتحديد القيم المتطرفة

2.1 معيار النسب المئوية المشذبة والتشذيب المتماثل

يُمثل معيار التشذيب المتماثل (Symmetric Trimming) إحدى أقدم وأبسط الطرق الرياضية المقاومة للتعامل مع مشكلة ذيول التوزيع الثقيلة والقيم المتطرفة. ترتكز هذه الفلسفة على افتراض مفاده أنه إذا كانت البيانات عرضة لاحتواء شوائب عشوائية في أطرافها القصوى، فإن استبعاد نسبة مئوية ثابتة ومحددة سلفاً (وليكن $k%$) من أدنى البيانات، ونفس النسبة ($k%$) من أعلى البيانات، سيؤدي إلى التخلص من القيم الشاذة سواء كانت موجبة أو سالبة، مع الإبقاء على الكتلة المركزية الصلبة للعينة.

يُعرف المقياس الناتج عن هذه العملية باسم “المتوسط المشذب” (Trimmed Mean). رياضياً، إذا كان لدينا عينة مرتبة تصاعدياً تتكون من $n$ من العناصر:

$$X_{(1)} le X_{(2)} le dots le X_{(n)}$$

وكانت نسبة التشذيب المطلوبة من كل طرف هي $\alpha$ (حيث $0 < alpha < 0.5$)، فإن عدد العناصر الواجب استبعادها من كل طرف هو$g = lfloor n cdot alpha rfloor$. ويُحسب المتوسط المشذب من خلال جمع القيم المتبقية في المنتصف وقسمتها على عددها الفعلي، كما توضح الصيغة الآتية:

$$\bar{X}_{trim} = \frac{1}{n – 2g} \sum_{i=g+1}^{n-g} X_{(i)}$$

يتطلب تحديد النسبة المئوية الملائمة للاستبعاد موازنة دقيقة؛ فالنسب الشائعة في التطبيقات الإحصائية تتراوح عادة بين 5% إلى 20% من كل طرف (أي استبعاد إجمالي قدره 10% إلى 40% من العينة الكلية). فإذا تم اختيار نسبة مفرطة في الارتفاع، مثل 40% من كل طرف، فإن المتبقي في المركز يقترب بشدة من وسيط البيانات، مما يؤدي إلى هدر معلومات حقيقية كان يمكن أن تُسهم في رفع دقة التقدير. في المقابل، إذا كانت النسبة ضئيلة جداً (مثل 1%) في عينة صغيرة الحجم، فقد تفشل في إزالة المشاهدات المتطرفة إن كانت متعددة.

من الضروري هنا التمييز بين التشذيب الكامل (Trimming) والتهذيب أو الفوزرة الإحصائية (Winsorization). في أسلوب التشذيب، يتم حذف القيم الواقعة في الذيول نهائياً من الحسابات، مما يقلل الحجم الفعلي للعينة المستخدمة في حساب المتوسط. أما في أسلوب الفوزرة (Winsorized Mean)، فلا تُحذف القيم، بل يتم استبدال قيم الأطراف الشاذة بأقرب قيمة مقبولة داخل النطاق المحدد (أي استبدال القيم العليا بأعلى قيمة مسموح بها، والقيم الدنيا بأدنى قيمة مسموح بها)، مما يحافظ على حجم العينة الأصلي ($n$) مع كبح جماح التأثير الشاذ للأطراف.

2.2 معيار المدى الربيعي وتحديد السياج الداخلي والخارجي لتفادي التشويه

يُعد معيار المدى الربيعي (Interquartile Range – IQR) أحد أكثر الأساليب اللابارامترية (Non-parametric) رسوخاً وموثوقية في اكتشاف الشواذ، نظراً لعدم اعتماده على أي افتراض مسبق بشأن شكل التوزيع التكراري للبيانات—سواء أكان توزيعاً طبيعياً متماثلاً أم توزيعاً ملتوياً. يقوم هذا الأسلوب على تقسيم رتب البيانات المرتبة إلى أربعة أجزاء متساوية بواسطة ما يُعرف بالربيعيات الإحصائية (Quartiles):

• الربيع الأول ($Q_1$): يمثل نقطة المئين الخامس والعشرين (25th Percentile)، وهو الحد الذي تقع دونه 25% من إجمالي مشاهدات العينة المرتبة.
• الربيع الثاني ($Q_2$): يمثل المئين الخمسين (50th Percentile) أو الوسيط الحسابي الفعلي، الذي يقسم العينة إلى نصفين متساويين تماماً.
• الربيع الثالث ($Q_3$): يمثل نقطة المئين الخامس والسبعين (75th Percentile)، وهو الحد الذي تقع دونه 75% من المشاهدات (وتقع فوقه 25% من القيم العليا).

يُحسب المدى الربيعي ($IQR$) بالعلاقة الرياضية البسيطة:

$$IQR = Q_3 – Q_1$$

يمثل هذا المدى المسافة الفاصلة بين الربيعين الأدنى والأعلى، محتوياً بداخله الـ 50% الوسطى من المشاهدات الأكثر استقراراً وتجمعاً. واستناداً إلى هذا المدى، ابتكر جون توكي قاعدة حواجز أو أسوار التصفية الإحصائية (Tukey’s Fences) لحماية البيانات من التشويه، حيث تُبنى الحدود المقبولة من خلال الخطوات التالية:

نوع الحاجز الإحصائي	المعادلة الرياضية للحد	التصنيف المنهجي للمشاهدات الخارجة
السياج الداخلي السفلي (Lower Inner Fence)	$Q_1 – (1.5 \times IQR)$	قيم متطرفة معتدلة دنيا (Mild Lower Outliers)
السياج الداخلي العلوي (Upper Inner Fence)	$Q_3 + (1.5 \times IQR)$	قيم متطرفة معتدلة عليا (Mild Upper Outliers)
السياج الخارجي السفلي (Lower Outer Fence)	$Q_1 – (3.0 \times IQR)$	قيم شاذة حادة وقصوى دنيا (Extreme Lower Outliers)
السياج الخارجي العلوي (Upper Outer Fence)	$Q_3 + (3.0 \times IQR)$	قيم شاذة حادة وقصوى عليا (Extreme Upper Outliers)

يقوم قرار الاستبعاد الإحصائي الأكثر شيوعاً على اعتبار أي نقطة بيانات تقع خارج نطاق السياج الداخلي—أي المشاهدات الأصغر من $Q_1 – 1.5 \times IQR$ أو الأكبر من $Q_3 + 1.5 \times IQR$—نقطة متطرفة مرشحة للعزل أو الاستبعاد عند احتساب النزعة المركزية النقية. ويستند اختيار المعامل $1.5$ إلى أسس نظرية عميقة؛ فعند تطبيق هذا المعامل على توزيع طبيعي قياسي، فإن احتمال وقوع نقطة ما خارج هذا النطاق عشوائياً لا يتجاوز 0.7% تقريباً (حوالي 7 مشاهدات من كل 1,000)، مما يجعله خط دفاع متزن يوازن بدقة بين تنقية التوزيع وتفادي الحذف الجائر للبيانات السليمة.

3. الطريقة الأولى: حساب المتوسط المشذب باستخدام دالة TRIMMEAN في إكسل

3.1 الصيغة البنائية لدالة TRIMMEAN وآلية عملها الرياضي

تُعد دالة TRIMMEAN الأداة القياسية والمباشرة الأولى المدمجة في مايكروسوفت إكسل المخصصة خصيصاً لحساب المتوسط الحسابي مع استبعاد القيم المتطرفة تلقائياً وفق منهجية التشذيب المتماثل. تتميز هذه الدالة بقدرتها على إنجاز المهمة الحسابية في خطوة واحدة دون الحاجة إلى إنشاء جداول مساعدة أو فرز البيانات مسبقاً.

تتكون البنية التركيبية (Syntax) لدالة TRIMMEAN من وسيطين إجباريين فقط كما يلي:

=TRIMMEAN(array, percent)

• المعامل الأول (array): يمثل نطاق الخلايا الرقمية أو المصفوفة التي تحتوي على المشاهدات المطلوب حساب متوسطها المشذب، مثل A2:A101.
• المعامل الثاني (percent): يمثل النسبة المئوية الإجمالية للمشاهدات التي تقرر حذفها من طرفي النطاق مجتمعين. وتُمرر هذه القيمة كرقم عشري محصور بدقة بين 0 و 1 (مثلاً: 0.2 تمثل 20%)، أو كنسبة مئوية صريحة مثل 20%.

تعتمد الآلية الداخلية لدالة TRIMMEAN على خوارزمية ذكية لاقتسام نسبة الاستبعاد بالتساوي بين الطرف العلوي والطرف السفلي للبيانات. فإذا حدد المستخدم النسبة الإجمالية بـ 20% (أي 0.20)، فإن الدالة ستقوم رياضياً باقتطاع 10% من أعلى قيم النطاق، و10% من أدنى قيمه، ثم تقوم بجمع الـ 80% المتبقية في القلب وحساب متوسطها الحسابي البسيط.

تتضمن الدالة آلية تقريب رياضية صارمة لمنع استبعاد أجزاء كسرية من الخلايا؛ إذ يقوم إكسل بحساب عدد القيم المستهدفة بالحذف بضرب حجم العينة ($n$) في النسبة المئوية المحددة ($percent$)، ثم يقوم بتقريب الناتج تنازلياً إلى أقرب عدد صحيح زوجي مضاعف للعدد 2. وتتضح هذه الآلية عبر الصيغة التالية المستخدمة داخلياً في محرك إكسل:

Number of points to exclude = INT(COUNT(array) * percent / 2) * 2

هذا السلوك يعني أنه إذا كان لديك 35 قيمة في النطاق وحددت نسبة استبعاد قدرها 15%، فإن حاصل الضرب هو $35 \times 0.15 = 5.25$. لا يمكن للدالة استبعاد 5.25 خلية، كما لا يمكنها استبعاد 5 خلايا لأنها لن تتوزع بالتساوي بين الطرفين؛ لذا يقوم إكسل بالتقريب إلى أقرب رقم زوجي أدنى، وهو 4 خلايا. وبالتالي، ستستبعد الدالة خليتين فقط من الطرف الأدنى وخليتين من الطرف الأعلى (بإجمالي 4 خلايا مقتطعة)، ويُحسب المتوسط على أساس الـ 31 خلية المتبقية.

3.2 الخطوات التطبيقية لمعادلة TRIMMEAN خطوة بخطوة

لتطبيق معادلة TRIMMEAN تطبيقاً عملياً سليماً وتدقيق نتائجها بدقة متناهية داخل مصنف إكسل، يُنصح باتباع التسلسل الإجرائي المنهجي التالي:

الخطوة 1: تنظيم وتجهيز نطاق البيانات
قم بوضع المشاهدات الرقمية داخل عمود فردي منتظم، وليكن العمود A في النطاق من الخلية A2 إلى الخلية A51 (مجموعة مكونة من 50 مشاهدة). تأكد تماماً من خلو هذا النطاق من النصوص غير المرئية أو المسافات البادئة أو التنسيقات الخاطئة التي قد تُعامل كصفر أو تُهمل بطرق غير متوقعة.

الخطوة 2: اختيار نسبة التشذيب الملائمة وصياغة الدالة
في خلية مخصصة للنتيجة (ولتكن الخلية C2)، اكتب الصيغة الحسابية بتمرير النطاق ونسبة التشذيب المستهدفة. على سبيل المثال، لاستبعاد 10% كنسبة إجمالية (5% من الأدنى و5% من الأعلى):

=TRIMMEAN(A2:A51, 0.10)

اضغط على مفتاح الإدخال Enter للحصول على المتوسط المشذب النهائي مباشرة.

الخطوة 3: التحقق الرياضي من عدد القيم المستبعدة فعلياً
لتفادي الوقوع في خطأ الاعتماد الأعمى على النسبة دون إدراك تأثير التقريب، يُفضل تخصيص خلية مجاورة للتحقق من عدد العناصر المحذوفة باستخدام المعادلة التالية:

=INT(COUNT(A2:A51) * 0.10 / 2) * 2

في حالة عينة مكونة من 50 عنصراً ونسبة 10%، يكون الحساب: $50 \times 0.10 = 5$. يقربها إكسل للأسفل للعدد الزوجي الأقرب وهو 4. إذن يتم حذف 2 من أصغر القيم، و2 من أكبر القيم، ويُحسب المتوسط على المشاهدات الـ 46 الباقية.

الخطوة 4: المقارنة المعيارية وتقييم حجم التغيير
قارن ناتج دالة TRIMMEAN بالمتوسط الحسابي الخام المحسوب بواسطة الدالة التقليدية =AVERAGE(A2:A51) وكذلك بالوسيط =MEDIAN(A2:A51). إذا كان هناك فارق كبير بين AVERAGE و TRIMMEAN، واقترب الأخير بشكل ملحوظ من MEDIAN، فهذا مؤشر إحصائي حاسم على نجاح الدالة في إزالة الضوضاء والتأثير السلبي للقيم المتطرفة في النطاق.

3.3 حالات الاستخدام الأنسب لدالة TRIMMEAN والقيود المرتبطة بها

تُعد دالة TRIMMEAN الخيار المثالي والحل الأسرع في العديد من السيناريوهات التشغيلية والبحثية، ومن أبرزها:

• المسابقات الرياضية ولجان التحكيم الدولية: كما هو متبع في بطولات الغطس الأولمبي والتزلج الاستعراضي، حيث تُحذف أعلى درجة وأدنى درجة تمنحها لجنة الحكام لاستبعاد أي تحيز شخصي أو خطأ تقديري حاد، ويُعتمد متوسط الدرجات المتبقية.
• تحليل مؤشرات الأداء المالي واستطلاعات الأسعار: عند تسعير المنتجات في الأسواق الاستهلاكية الكبيرة أو تحليل تكلفة الخدمات، حيث تؤدي العروض الترويجية الخاطفة إلى انخفاضات سعرية وهمية، أو تؤدي الاحتكارات اللحظية إلى ارتفاعات مبالغ فيها؛ فيعمل التشذيب على تقديم السعر التوازني المستقر.
• العينات الإحصائية الضخمة المتماثلة: عندما تكون العينات كبيرة الحجم ($n > 100$) وتتبع تقريباً توزيعاً قريباً من التوزيع الطبيعي المتماثل (Symmetric Bell Curve)، مما يبرر منهجياً اقتطاع نسب متساوية من كلا الطرفين.

على الرغم من مزاياها الفائقة، تفرض الدالة قيوداً منهجية جوهرية يجب على المحلل الحصيف الانتباه إليها لتجنب استنتاجات خاطئة:

• فرضية التماثل الإجباري: تعاني الدالة من قصور هيكلي يتمثل في اقتطاع المشاهدات من كلا الطرفين بصورة متطابقة دوماً. فإذا كانت مجموعة البيانات تعاني من التواء إيجابي شديد (Right-skewed) حيث تتركز جميع الشواذ في الطرف الأيمن العلوي فقط، بينما الطرف الأيسر السفلي سليم تماماً ومتناسق، فإن دالة TRIMMEAN ستقتطع قسراً قيماً صحيحة وطبيعية تماماً من الطرف الأدنى لمجرد موازنة الحذف من الطرف الأعلى. هذا التصرف يؤدي إلى خسارة غير مبررة للبيانات السليمة وتشويه رتب التوزيع الأدنى.
• مخاطر فقدان القوة الإحصائية: يؤدي الإفراط في تحديد نسبة مئوية مرتفعة للتشذيب إلى خفض الحجم الفعال للعينة ($n_{eff}$)، مما يقلل من درجات الحرية (Degrees of Freedom) ويضعف القوة الاختبارية للتحليلات اللاحقة، خاصة إذا كانت العينة صغيرة الحجم في الأصل.

4. الطريقة الثانية: استخدام المدى الربيعي (IQR) لحساب المتوسط واستبعاد الشواذ

4.1 حساب الربيعيات باستخدام دوال QUARTILE في برنامج إكسل

تتيح منهجية المدى الربيعي مرونة استثنائية تفوق دالة TRIMMEAN؛ لكونها تضع حدوداً مطلقة مستقلة للقيم المقبولة، مما يُمكّن المحلل من استبعاد القيم المتطرفة من طرف واحد فقط إذا كان التطرف أحادياً، أو من كلا الطرفين إن لزم الأمر، دون المساس بالمشاهدات الطبيعية الواقعة داخل النطاق الآمن.

تبدأ هذه العملية بحساب الربيع الأول والربيع الثالث بدقة. يوفر برنامج إكسل دالتين متمايزتين لحساب الربيعيات، ومن الأهمية بمكان فهم الفارق الإحصائي الدقيق بينهما لاختيار الأنسب للمنهجية المتبعة:

1. دالة QUARTILE.INC (الربيعيات الشاملة – Inclusive):
تستند هذه الدالة إلى مبدأ احتساب الربيعيات باعتبار المئينين 0 و 1 شاملين لكامل فضاء العينة (الحد الأدنى والأقصى). تُحسب رتبة الربيع رياضياً بالعلاقة:

$$Rank = 1 + (n – 1) \cdot p$$

حيث $p$ هي رتبة المئين المطلوبة ($0.25$ للربيع الأول و $0.75$ للربيع الثالث). تُعد هذه الصيغة هي الأكثر توافقاً مع الإحصاءات الكلاسيكية والأداة الافتراضية التاريخية في إكسل (المقابلة للدالة القديمة QUARTILE)، ويُنصح بها عندما تكون العينة صغيرة إلى متوسطة الحجم لضمان بقاء الربيعيات ضمن الحدود المشاهدة فعلياً.

2. دالة QUARTILE.EXC (الربيعيات الحصرية – Exclusive):
تعتمد هذه الدالة على افتراض أن العينة المتاحة هي مجرد جزء مقتطع من مجتمع إحصائي لانهائي، وبالتالي تستبعد القيمتين المتطرفتين (الحدين الأدنى والأقصى) من تحديد النسب المئوية، وتحسب رتبة الربيع بالعلاقة:

$$Rank = (n + 1) \cdot p$$

تميل هذه الدالة إلى توسيع المسافة بين الربيعين قليلاً مقارنة بـ QUARTILE.INC، ولا يمكن تطبيقها إذا كان حجم العينة أقل من 3 مشاهدات للربيع الأول أو أقل من القيم المقابلة إحصائياً. في معظم التطبيقات المؤسسية والأكاديمية المستقرة، يُفضل الباحثون استخدام دالة QUARTILE.INC لضمان استقرار السياج الإحصائي.

لتطبيق الحساب العملي، بافتراض أن البيانات مودعة في النطاق A2:A100:

• صيغة حساب الربيع الأدنى ($Q_1$):
  =QUARTILE.INC(A2:A100, 1)
• صيغة حساب الربيع الأعلى ($Q_3$):
  =QUARTILE.INC(A2:A100, 3)
• صيغة حساب المدى الربيعي ($IQR$) بطرح الخلية الأولى من الثانية مباشرة:
  =QUARTILE.INC(A2:A100, 3) - QUARTILE.INC(A2:A100, 1)

4.2 تحديد الحدود الدنيا والعليا للقيم المقبولة داخل ورقة العمل

بمجرد استخراج قيم الربيعيات والمدى الربيعي، يتم الانتقال إلى خطوة تشييد “أسوار توكي” الإحصائية لترسيم النطاق الرقمي المسموح به للمشاهدات، بحيث تُعد أي قيمة تقع داخل هذا الحيز مقبولة وتدخل في حساب المتوسط، في حين تُصنف أي قيمة تقع خارجه بوصفها قيمة شاذة يجب استبعادها.

لتنظيم ورقة العمل بطريقة معيارية واحترافية قابلة للتدقيق، يُفضل تخصيص منطقة خاصة بالثوابت الإحصائية (مثلاً في الأعمدة D و E):

• الخلية E2 لحساب $Q_1$: =QUARTILE.INC(A2:A100, 1)
• الخلية E3 لحساب $Q_3$: =QUARTILE.INC(A2:A100, 3)
• الخلية E4 لحساب المدى الربيعي $IQR$: =E3 - E2
• الخلية E5 لتثبيت معامل التصفية (Tukey’s Multiplier): القيمة الافتراضية القياسية هي 1.5.

بناءً على هذه المدخلات، تُحسب الحدود المعيارية كما يلي:

1. معادلة الحد الأدنى المقبول (Lower Bound – الخلية E6):
نطرح ناتج ضرب المدى الربيعي في المعامل الإحصائي من الربيع الأول:

=E2 - (E5 * E4)

أو بصيغة مدمجة ومباشرة بالكامل في خلية واحدة دون الاعتماد على خلايا وسيطة:

=QUARTILE.INC(A2:A100, 1) - (1.5 * (QUARTILE.INC(A2:A100, 3) - QUARTILE.INC(A2:A100, 1)))

2. معادلة الحد الأعلى المقبول (Upper Bound – الخلية E7):
نضيف ناتج ضرب المدى الربيعي في المعامل الإحصائي إلى الربيع الثالث:

=E3 + (E5 * E4)

أو بصيغة مدمجة شاملة:

=QUARTILE.INC(A2:A100, 3) + (1.5 * (QUARTILE.INC(A2:A100, 3) - QUARTILE.INC(A2:A100, 1)))

من الضروري إدراك أن استخدام المعامل 1.5 ليس قانوناً رياضياً صارماً لا يقبل التعديل، بل هو معيار عرفي رصين اقترحه توكي ليناسب معظم التوزيعات شبه المستقرة؛ فإذا رغب الباحث في تطبيق معيار تصفية أكثر تسامحاً يستبعد فقط الشواذ الحادة والقصوى (Extreme Outliers) مع الإبقاء على القيم المتطرفة المعتدلة، فيمكنه ببساطة استبدال القيمة 1.5 بالمعامل 3.0 في الخلية E5.

4.3 حساب المتوسط الحسابي المشروط باستخدام دالة AVERAGEIFS

بعد تحديد عتبات السياج الإحصائي (الحد الأدنى في الخلية E6 والحد الأعلى في الخلية E7)، يأتي دور الدالة الشرطية متعددة المعايير AVERAGEIFS. تتيح هذه الدالة استخراج المتوسط الحسابي للمشاهدات التي تحقق شرطين متزامنين: أن تكون المشاهدة أكبر من أو مساوية للحد الأدنى، وفي الوقت ذاته أصغر من أو مساوية للحد الأعلى.

تتطلب صياغة دالة AVERAGEIFS دقة تركيبية خاصة عند الربط المنطقي بين علامات المقارنة الرياضية ومراجع الخلايا؛ إذ يجب وضع المعاملات المنطقية (مثل >= أو <=) بين علامتي اقتباس مزدوجتين، ثم استخدام رمز الربط النصي (Ampersand &) لدمج المعامل مع الخلية المرجعية الحاوية للحد المحسوب.

تُكتب الصيغة المتكاملة في خلية احتساب المتوسط النهائي كالتالي:

=AVERAGEIFS(A2:A100, A2:A100, ">=" & E6, A2:A100, "<=" & E7)

تحليل أجزاء المعادلة:

• A2:A100 (الوسيط الأول): يمثل نطاق الأرقام الفعلي المراد جمعها واحتساب متوسطها (Average_range).
• A2:A100 (الوسيط الثاني): نطاق المعيار الأول، وهو نفس عمود البيانات حيث سنختبر كل قيمة فيه (Criteria_range1).
• ">=" & E6 (الوسيط الثالث): الشرط الأول؛ حيث يقوم إكسل بتقييم القيمة داخل E6 ويتحقق من أن الرقم المرشح أكبر من أو يساوي الحد الأدنى للسياج الداخلي.
• A2:A100 (الوسيط الرابع): نطاق المعيار الثاني (Criteria_range2).
• "<=" & E7 (الوسيط الخامس): الشرط الثاني؛ للتأكد التام من أن الرقم لا يتجاوز سقف الحد الأعلى للسياج الداخلي.

في حال رغبة المحلل في اختصار ورقة العمل بالكامل وكتابة صيغة مصفوفية عبقرية مستقلة بذاتها دون أي خلايا مساعدة، يمكن كتابة معادلة واحدة تعتمد على المنطق البولياني؛ ولكن يُفضل دائماً في بيئات الأعمال التدقيقية الإبقاء على الخلايا المرجعية المنفصلة لتمكين المدققين الماليين والأكاديميين من التحقق من صحة الحدود الموضوعة ومراجعة عدد الحالات المستبعدة بسهولة.

5. الطريقة الثالثة: استخدام الدرجة المعيارية (Z-Score) لتنقية البيانات قبل حساب المتوسط

5.1 الأساس النظري للدرجات المعيارية في كشف الانحرافات المتطرفة

تنتمي طريقة الدرجة المعيارية (Z-Score) إلى فئة المقاييس البارامترية (Parametric Methods) التي تستند إلى افتراض أن مجتمع البيانات يتبع التوزيع الطبيعي المعياري (Standard Normal Distribution) أو يقترب منه إلى حد كبير، حيث يتخذ شكل المنحنى الجرسي متماثل الطرفين حول المتوسط الحسابي.

تُعرّف الدرجة المعيارية بأنها مقياس يحدد موقع النقطة العددية من خلال التعبير عن بعدها النسبي عن المتوسط الحسابي بوحدات الانحراف المعياري. وتُحسب رياضياً لكل مشاهدة $X_i$ عبر المعادلة التالية:

$$Z_i = \frac{X_i - \mu}{\sigma}$$

حيث تمثل $\mu$ المتوسط الحسابي للمجموعة، بينما تمثل $\sigma$ الانحراف المعياري. وفي حالة التعامل مع عينة إحصائية مستخرجة من مجتمع، تُستبدل المعالم بمتوسط العينة ($\bar{X}$) وانحرافها المعياري ($s$):

$$Z_i = \frac{X_i - \bar{X}}{s}$$

تتميز الدرجة المعيارية بتحويل البيانات الأصلية بمقاييسها المختلفة (سواء كانت بالدولار، أو بالكيلوغرام، أو بالدرجات) إلى مقياس موحد ومجرد ذي متوسط يساوي صفراً وانحراف معياري يساوي واحداً صحيحاً ($Z sim N(0, 1)$). يسمح هذا التجريد بتطبيق قواعد القطع الإحصائية القياسية المستمدة من "القاعدة التجريبية" (Empirical Rule):

• تقع حوالي 68.27% من جميع المشاهدات ضمن نطاق درجة معيارية واحدة حول المتوسط ($-1 le Z le +1$).
• تقع حوالي 95.45% من المشاهدات ضمن نطاق درجتين معياريتين حول المتوسط ($-2 le Z le +2$).
• تقع حوالي 99.73% من المشاهدات ضمن نطاق ثلاث درجات معيارية حول المتوسط ($-3 le Z le +3$).

استناداً إلى هذا التوزيع، يُعد المعيار الإحصائي الصارم هو اعتبار أي نقطة تتجاوز درجتها المعيارية المطلقة القيمة 3 ($|Z| > 3$) قيمة شديدة الشذوذ والتطرف؛ إذ إن احتمال ظهور مثل هذه النقطة في ظل التوزيع الطبيعي بالصدفة يقل عن 0.27% (أي أقل من 3 حالات في الألف). وفي بعض التطبيقات الميدانية أو العلوم الاجتماعية ذات التباين المرتفع، قد يتسامح الباحثون باعتماد عتبة قطع عند درجتين معياريتين ($|Z| > 2.0$ أو $|Z| > 2.5$) لاستبعاد الشواذ بصورة أكثر حزماً.

5.2 تطبيق دالة STANDARDIZE لحساب Z-Score لكل مشاهدة

يوفر برنامج إكسل دالة مدمجة فائقة الكفاءة تُدعى STANDARDIZE تقوم بتنفيذ معادلة التحويل المعياري مباشرة لكل نقطة بيانات. لتطبيق هذه الطريقة بصورة منظمة، نتبع الخطوات العملية الموضحة أدناه:

1. استخراج المعالم الإحصائية للعينة:
بافتراض أن البيانات الرقمية مصفوفة في النطاق A2:A100، نقوم بحساب المتوسط والانحراف المعياري للعينة في خلايا مستقلة ومثبتة:

• المتوسط العام للعينة في الخلية D2:
  =AVERAGE($A$2:$A$100)
• الانحراف المعياري للعينة في الخلية D3 (مع ضرورة استخدام STDEV.S الخاصة بالعينات وليس STDEV.P الخاصة بالمجتمعات التامة):
  =STDEV.S($A$2:$A$100)

2. بناء عمود الدرجات المعيارية المساعد:
نقوم بإنشاء عمود جديد مجاور للبيانات في العمود B ونعنونه باسم "Z-Score". في الخلية B2 المقابلة لأول مشاهدة في A2، نكتب صيغة الدالة مع تثبيت مراجع المتوسط والانحراف المعياري باستخدام علامة الدولار ($) لضمان عدم انزياحها عند السحب:

=STANDARDIZE(A2, $D$2, $D$3)

تقبل الدالة ثلاثة معاملات بالترتيب: الخلية المراد تحويلها (x)، والمتوسط الحسابي (mean)، والانحراف المعياري (standard_dev). بعد كتابة المعادلة، نسحب مقبض التعبئة التلقائي (Fill Handle) من الخلية B2 نزولاً حتى B100 لتطبيق الصيغة على مجمل المشاهدات.

3. فرز وفحص القيم الشاذة بالتنسيق الشرطي:
لتسليط الضوء على الحالات المتطرفة بصرياً، نقوم بتظليل النطاق B2:B100 والانتقال إلى تبويب الشريط الرئيسي (Home) -> التنسيق الشرطي (Conditional Formatting) -> قاعدة جديدة (New Rule)، واختيار صيغة لتحديد الخلايا وتمرير الشرط الآتي:

=ABS(B2) > 3

وتطبيق تنسيق بلون تعبئة أحمر فاتح. ستتلون فوراً كل خلية تتجاوز قيمتها 3 انحرافات معيارية في الاتجاه الموجب أو تقل عن -3 في الاتجاه السالب، مما يمنح المحلل القدرة على فحص هذه الحالات ومراجعتها فردياً.

5.3 استخراج المتوسط النهائي بعد استبعاد المشاهدات المتطرفة معيارياً

بوجود عمود الدرجات المعيارية المحسوبة، يُمكن استخلاص المتوسط المنقى النهائي للبيانات عبر استخدام دالة AVERAGEIFS مع توجيه الشروط إلى عمود Z-Score بدلاً من عمود البيانات الأصلي، مما يُسهل توظيف المعايير المعيارية بدقة.

بافتراض أن عتبة القطع الإحصائية المعتمدة هي 2.5 انحراف معياري (أي استبعاد أي مشاهدة تقع خارج النطاق $[-2.5, +2.5]$)، نكتب صيغة المتوسط الحسابي المنقى في خلية مستقلة كالتالي:

=AVERAGEIFS(A2:A100, B2:B100, ">=" & -2.5, B2:B100, "<=" & 2.5)

إذا رغب المستخدم في استخراج النتيجة دون إنشاء العمود المساعد B على الإطلاق داخل إصدارات مايكروسوفت إكسل الحديثة (Excel 365 / Excel 2021)، يمكن توظيف دالة FILTER المتقدمة بصيغة مصفوفية ديناميكية واحدة تحسب الدرجة المعيارية في الذاكرة الحية:

=AVERAGE(FILTER(A2:A100, ABS((A2:A100 - AVERAGE(A2:A100)) / STDEV.S(A2:A100)) <= 2.5))

من الجوانب الجوهرية التي يجب مراعاتها عند المقارنة بين طريقة $Z$-Score وطريقة المدى الربيعي $IQR$، هي ظاهرة "القناع الإحصائي" (Masking Effect)؛ فالمتوسط والانحراف المعياري المستخدمان في بسط ومقام معادلة $Z$-Score يتأثران في الأصل بالقيم المتطرفة نفسها؛ مما يعني أن وجود قيمة فائقة التطرف قد يرفع الانحراف المعياري للعينة ككل بشكل ضخم، مما يؤدي إلى خفض قيم $Z$-Score للمشاهدات المتطرفة الأخرى وجعلها تبدو داخل الحدود الطبيعية على غير الحقيقة. لذلك، في العينات ذات الالتواء الشديد والتلوث المرتفع بالشواذ، يتفوق المدى الربيعي تفوقاً ساحقاً على طريقة الدرجة المعيارية الكلاسيكية.

6. بناء نماذج حسابية ديناميكية باستخدام الدوال المصفوفية الحديثة في إكسل

6.1 توظيف دالتي FILTER و AVERAGE لإنشاء حلول مرنة وخالية من الأعمدة المساعدة

أحدثت البيئة الحسابية لمحرك الدوال المصفوفية الديناميكية (Dynamic Array Engine) في إصدارات Excel 365 ثورة نوعية في أسلوب معالجة البيانات، حيث مكنت المستخدمين من الاستغناء التام عن الأعمدة المساعدة والصيغ المعقدة التي تتطلب التكرار عبر الصفوف.

تتصدر دالة FILTER هذه المنظومة الحديثة؛ إذ تقوم بتصفية مصفوفة البيانات وإرجاع القيم التي تحقق شروطاً منطقية معينة ككتلة رقمية تتدفق مباشرة إلى أي دالة تجميعية لاحقة. عند دمجها مع دالة AVERAGE، يمكننا تمرير مصفوفة منقاة من الشواذ مباشرة دون أن تترك أي أثر وسيط على ورقة العمل.

لتحقيق ذلك بالاعتماد على المنطق البولياني (Boolean Logic)، نستخدم علامة الضرب (*) بين الأقواس الشرطية لتطبيق المعامل المنطقي AND. تتجسد صيغة استخراج المتوسط باستبعاد القيم الخارجة عن نطاق المدى الربيعي كالتالي:

=AVERAGE(FILTER(A2:A100, (A2:A100 >= QUARTILE.INC(A2:A100, 1) - 1.5 * (QUARTILE.INC(A2:A100, 3) - QUARTILE.INC(A2:A100, 1))) * (A2:A100 <= QUARTILE.INC(A2:A100, 3) + 1.5 * (QUARTILE.INC(A2:A100, 3) - QUARTILE.INC(A2:A100, 1)))))

تتميز هذه المعادلة بالديناميكية المطلقة؛ فبمجرد إضافة مشاهدات جديدة إلى النطاق (أو استخدام جدول إكسل المهيكل Table1[Data])، يقوم إكسل بتحديث الربيعيات، وإعادة احتساب المدى، وتطبيق التصفية، واستخراج المتوسط الفوري بلمح البصر دون أي تدخل يدوي.

6.2 استخدام دالة LET لتبسيط المعادلات الإحصائية المعقدة ورفع كفاءة المعالجة

على الرغم من القوة الرياضية للصيغة السابقة، إلا أنها تعاني من مشكلة رئيسية تتعلق بكفاءة الأداء؛ فبرنامج إكسل يضطر إلى احتساب دالة QUARTILE.INC(A2:A100, 1) و QUARTILE.INC(A2:A100, 3) عدة مرات داخل نفس المعادلة، مما يتسبب في إبطاء المصنفات المالية الضخمة التي تضم مئات الآلاف من الصفوف. هنا تبرز أهمية دالة LET التي تتيح إسناد أسماء برمجية لنتائج الحسابات الوسيطة داخل نطاق المعادلة المحلية.

تُمكننا دالة LET من تخزين النطاق والربيعيات والحدود في متغيرات مؤقتة تُحسب مرة واحدة فقط في الذاكرة، مما يرفع سرعة المعالجة بصورة دراماتيكية ويزيد من مقروئية المعادلة وسهولة صيانتها مستقبلاً. نورد فيما يلي النموذج البرمجي الأمثل والأكثر احترافية لحساب المتوسط مع استبعاد الشواذ باستخدام المدى الربيعي عبر دالة LET:

=LET(
    data, A2:A100,
    q1, QUARTILE.INC(data, 1),
    q3, QUARTILE.INC(data, 3),
    iqr, q3 - q1,
    lower, q1 - 1.5 * iqr,
    upper, q3 + 1.5 * iqr,
    clean_data, FILTER(data, (data >= lower) * (data <= upper)),
    AVERAGE(clean_data)
)

شرح البنية المعمارية لهذه المعادلة المتقدمة:

• data, A2:A100: قمنا بتعريف المتغير data ليمثل نطاق البيانات الأصلي. لتغيير النطاق مستقبلاً، يكفي تعديل هذا المرجع لمرة واحدة فقط في بداية الصيغة.
• q1 و q3: احتساب الربيعين الأدنى والأعلى وتخزينهما في متغيرين.
• iqr: احتساب المدى الربيعي مباشرة من المتغيرين السابقين دون استدعاء أي دالة إضافية.
• lower و upper: بناء سياج توكي الإحصائي الداخلي وتخزينه كعتبات مقارنة مطلقة.
• clean_data: تصفية البيانات بالاعتماد على المتغيرات المحسوبة مسبقاً وتوليد مصفوفة نقية تماماً من الشواذ.
• AVERAGE(clean_data): السطر الأخير هو نتيجة الدالة، حيث يتم تمرير المصفوفة النقية إلى دالة المتوسط الحسابي.

يمثل هذا النموذج قمة الاحترافية في التحليل المالي والإحصائي على إكسل، إذ يجمع بين الدقة الرياضية، والسرعة الفائقة، والتوثيق البرمجي الداخلي الذاتي الذي يفهمه أي محلل بيانات آخر بمجرد النظر إلى الصيغة.

7. التمثيل البصري واستكشاف القيم المتطرفة بي بيانياً قبل الاستبعاد

7.1 إنشاء وتفسير مخطط الصندوق وطرفيه (Box and Whisker Plot)

قبل اتخاذ القرار المنهجي باستبعاد أي مشاهدة عددية من حسابات النزعة المركزية، يفرض التحليل الاستكشافي المتقدم فحص التوزيع بصرياً للتأكد من نمط التطرف وتكرار المشاهدات المنعزلة. يُعد مخطط الصندوق والساعدين (Box and Whisker Plot) الأداة البيانية المعيارية الأولى عالمياً لتشخيص التوزيعات وتحديد القيم الشاذة بدقة فائقة.

أتاحت مايكروسوفت بدءاً من إصدار إكسل 2016 إدراج هذا المخطط المتقدم بنقرة زر واحدة عبر الخطوات التالية:

1. تظليل عمود البيانات الرقمية المراد فحصها (مثل A1:A100 مع رأس العمود).
2. التوجه إلى تبويب إدراج (Insert) في الشريط العلوي.
3. النقر على أيقونة المخططات الإحصائية (Statistical Charts) واختيار صندوق وطرفاه (Box and Whisker).

يقوم إكسل تلقائياً برسم المخطط استناداً إلى خوارزمية أسوار توكي الربيعية المذكورة سابقاً. ويتكون المخطط من العناصر البصرية المحورية الآتية:

• الصندوق المركزي (The Box): يمثل جسم الصندوق المدى الربيعي المحصور بين $Q_1$ (قاع الصندوق) و $Q_3$ (سقف الصندوق)، وهو يعكس موضع النصف الأوسط من البيانات (50% من المجتمع).
• خط الوسيط وعلامة المتوسط: يقسم خط أفقي داخل الصندوق العينة عند قيمة الوسيط، في حين تظهر علامة "$\times$" صغيرة تشير إلى موضع المتوسط الحسابي الخام. تباعد علامة $\times$ عن خط الوسيط يعطي دلالة بصرية فورية على مقدار تشويه البيانات وحجم التوائها بفعل الشواذ.
• الشعيرات أو الطرفان (Whiskers): خطوط عمودية تمتد من طرفي الصندوق لتصل إلى أدنى وأعلى قيمة تقع ضمن نطاق السياج الداخلي ($1.5 \times IQR$).
• نقاط القيم المتطرفة (Outlier Points): الميزة الأبرز في هذا المخطط هي أن إكسل يعزل تلقائياً أي قيمة تتجاوز أسوار المدى الربيعي ويرسمها كنقاط حرة معزولة تطفو خارج حدود الشعيرات في الأعلى أو الأسفل.

تتيح قراءة هذا المخطط للمحلل التحقق المسبق من عدد الشواذ؛ فإذا ظهرت نقاط معزولة عديدة في جانب واحد، يؤكد ذلك وجود التواء حاد يفرض استخدام طريقة المدى الربيعي أو تصفية أحادية، ويحذر من استخدام دالة TRIMMEAN التي ستقتطع من الجانب الآخر المتوازن بشكل خاطئ.

7.2 تطبيق التنسيق الشرطي لتمييز القيم الشاذة في جداول البيانات الكبيرة

في قواعد البيانات والجداول الممتدة التي تضم آلاف السجلات، يحتاج المحلل إلى تمييز بصري سريع ومباشر للقيم المتطرفة في خلاياها الأصلية قبل المضي في الحذف أو التصفية الحسابية، وذلك لإجراء مراجعة ميدانية مع مدخلي البيانات.

لتحقيق هذا التمييز باستخدام التنسيق الشرطي القائم على المدى الربيعي، نطبق الإجراءات الآتية:

1. قم بتحديد النطاق الرقمي للبيانات بالكامل، من الخلية A2 إلى A100.
2. من تبويب الشريط الرئيسي (Home)، اختر تنسيق شرطي (Conditional Formatting) ثم انقر على قاعدة جديدة (New Rule).
3. حدد الخيار الأخير في النافذة: استخدام صيغة لتحديد الخلايا التي سيتم تنسيقها (Use a formula to determine which cells to format).
4. في حقل إدخال الصيغة، اكتب المعادلة التالية مع الانتباه الصارم لتثبيت نطاق الربيعيات وترك خلية المقارنة الأولى A2 نسبية لتتحرك مع كل صف:

   =OR(A2 < QUARTILE.INC($A$2:$A$100, 1) - 1.5 * (QUARTILE.INC($A$2:$A$100, 3) - QUARTILE.INC($A$2:$A$100, 1)), A2 > QUARTILE.INC($A$2:$A$100, 3) + 1.5 * (QUARTILE.INC($A$2:$A$100, 3) - QUARTILE.INC($A$2:$A$100, 1)))

5. انقر على زر تنسيق (Format)، واختر تعبئة باللون البرتقالي التحذيري أو الأحمر الفاتح مع خط غامق، ثم اضغط موافق (OK).

بمجرد اعتماد القاعدة، ستتحول كافة الخلايا الحاوية لقيم شاذة إلى اللون المميز فوراً. يتيح ذلك للمحلل استخدام أدوات التصفية الافتراضية في إكسل لتصفية البيانات حسب اللون (Filter by Color)، لعزل الحالات الملونة في جدول مراجعة مستقل والتأكد من أسباب تطرفها وتوثيقها رسمياً قبل المضي في استخراج التقارير المركزية للمؤسسة.

8. المقارنة التحليلية الشاملة بين منهجيات استبعاد القيم المتطرفة في إكسل

8.1 الموازنة بين طريقة TRIMMEAN وطريقة المدى الربيعي IQR

يتطلب اتخاذ قرار منهجي واعٍ بالمفاضلة بين استخدام دالة TRIMMEAN أو استخدام منهجية المدى الربيعي IQR وزناً دقيقاً لعدة معايير إحصائية وتقنية، ترتبط مباشرة بطبيعة الظاهرة المدروسة وخصائص توزيعها التكراري:

وجه المقارنة	دالة TRIMMEAN (التشذيب المتماثل)	منهجية المدى الربيعي IQR (أسوار توكي)
طبيعة التوزيع المفضلة	التوزيعات المتماثلة وشبه الطبيعية حيث يتساوى احتمال التطرف في الطرفين.	التوزيعات الملتوية وغير المتماثلة، وكافة التوزيعات الحرة غير المقيدة.
مرونة الاستبعاد	استبعاد متماثل إجباري (يقتطع من اليمين واليسار بنفس المقدار حتماً).	استبعاد مرن ومتكيف (يمكن أن يقتطع من طرف واحد فقط إذا تركزت الشواذ فيه).
سهولة التطبيق	فائقة السهولة؛ دالة واحدة مدمجة برمجياً دون الحاجة لأي معادلات مساعدة.	متوسطة إلى متقدمة؛ تتطلب حساب الربيعيات واستخدام دوال شرطية مثل AVERAGEIFS.
التأثر بحجم العينة	تتأثر سلباً في العينات الصغيرة بسبب تقريب عدد الخلايا المحذوفة تنازلياً لزوجي.	أكثر استقراراً في العينات الصغيرة والمتوسطة لاعتمادها على الرتب الموقعية.
استقرار المقياس	ينتج متقدماً شديد الاستقرار والتقارب مع الوسيط عند رفع النسبة.	يحافظ على أعلى تمثيل للبيانات المركزية السليمة دون المساس بها مطلقاً.

يتضح من الموازنة السابقة أن استخدام TRIMMEAN يمثل الخيار التشغيلي الأمثل عند الحاجة لتقارير دورية سريعة على مجموعات بيانات قياسية متناسقة، في حين تمثل طريقة IQR المعيار الذهبي المعتمد في الأبحاث العلمية والتحليلات الإحصائية المتقدمة نظراً لمناعتها الفائقة ضد الالتواء وتكيفها مع السلوك الفعلي لكل طرف على حدة.

8.2 الموازنة بين الطرق البارامترية (Z-Score) واللابارامترية (IQR)

تمثل المقارنة بين الدرجة المعيارية والمدى الربيعي الصراع الكلاسيكي في علم الإحصاء بين النماذج المعلمية (البارامترية) والنماذج اللامعلمية (اللابارامترية). تعتمد الأولى على تقدير معالم التوزيع (المتوسط والانحراف المعياري)، بينما تعتمد الثانية على رتب المشاهدات وترتيبها التصاعدي.

تتجلى نقطة الضعف القاتلة في طريقة الدرجة المعيارية الكلاسيكية في أنها تعاني من دائرية الاستدلال؛ فالهدف من استبعاد الشواذ هو استخراج متوسط وانحراف معياري نقيين، ولكن لتحديد هذه الشواذ نضطر لاستخدام المتوسط والانحراف المعياري المشوهين بالأساس! هذا التناقض الرياضي يجعل عتبات $Z$-Score تتقلب بعنف في العينات الملوثة. فعند دخول قيمة متطرفة هائلة إلى العينة، يقفز الانحراف المعياري إلى قيمة ضخمة، مما يجعل المسافة المحسوبة بين باقي المشاهدات والمتوسط تبدو صغيرة مقسومة على انحراف كبير، فتفشل الطريقة في رصد مشاهدات متطرفة واضحة للعيان.

على النقيض من ذلك، تتمتع مقاييس الترتيب الموقعي (الربيعيات والوسيط) بحصانة طبيعية كاملة ضد هذا التشويه؛ فالربيع الأول والربيع الثالث لا يكترثان مطلقاً بالقيمة العددية لأكبر رقم في العينة، سواء كان 1,000 أو 1,000,000؛ فالقيمة الرتبية تظل ثابتة تماماً والمسافة بين الربيعين تظل مستقرة وممثلة لحيز الـ 50% الوسطى الحقيقية. بناءً على هذا الواقع، يُجمع الخبراء الإحصائيون على أن منهجية المدى الربيعي $IQR$ تُعد الخيار الأكثر أماناً ومصداقية عند التعامل مع بيانات العالم الحقيقي غير الخاضعة للرقابة المعملية الصارمة.

9. الأخطاء الشائعة أثناء حساب المتوسط واستبعاد الشواذ وكيفية تصحيحها

9.1 الأخطاء الرياضية والمنهجية في تحديد وتطبيق نسب الاستبعاد

يقع العديد من الممارسين ومحللي البيانات المبتدئين في أخطاء منهجية ورياضية فادحة تؤدي إلى تشويه نتائج التحليل بدلاً من تنقيتها. من أبرز هذه الأخطاء وأكثرها تكراراً:

1. سوء فهم وسيط النسبة المئوية في دالة TRIMMEAN:
يفترض بعض المحللين خطأً أن تمرير النسبة 0.10 يعني حذف 10% من الطرف الأدنى و 10% من الطرف الأعلى (بإجمالي 20%). في واقع الأمر، معامل الدالة يمثل إجمالي نسبة الحذف المقتطعة من الطرفين معاً؛ وبالتالي فإن تمرير 0.10 يحذف 5% فقط من كل طرف. هذا اللبس يدفع بعض المستخدمين الذين يرغبون في استبعاد 10% فقط إلى كتابة 0.05 كنسبة في المعادلة، مما يؤدي إلى استبعاد 2.5% فقط من كل جانب، وربما الفشل التام في إزالة الشواذ بسبب التقريب الزوجي التنازلي التلقائي في إكسل.

2. استبعاد الشواذ بقرارات تعسفية دون توثيق مبرر:
يُعد قيام المحلل بحذف أرقام معينة بمجرد أنها "تبدو كبيرة" أو "لا تتوافق مع التوقعات" خرقاً صريحاً للأمانة العلمية. يجب أن تستند عملية الاستبعاد دوماً إلى قاعدة رياضية محددة وثابتة مسبقاً (A Priori Rule)، مثل قاعدة $1.5 \times IQR$ أو عتبة $Z > 3$، وتطبيق هذه القاعدة بصرامة وبصورة متسقة على كامل مجموعات البيانات دون انتقائية أو تحيز شخصي.

3. إهمال التحقق من أسباب التطرف والخلط بين الخطأ والفرصة:
تجاهل البحث في سبب تطرف المشاهدة قد يحرم المنظمة من اكتشافات جوهرية. في دراسات مراقبة الجودة، قد تشير القيمة المتطرفة إلى بداية تآكل جزء ميكانيكي حرج في خط الإنتاج؛ وفي أبحاث التسويق، قد تعكس شريحة جديدة غير مكتشفة من العملاء ذوي القوة الشرائية الهائلة. إن استبعاد هذه البيانات من حساب المتوسط التشغيلي العام أمر صائب إحصائياً، ولكن حذفها نهائياً من سجلات المؤسسة دون تحليل استقصائي يمثل خطأً استراتيجياً فادحاً.

9.2 الأخطاء التقنية وصيغ إكسل البرمجية وطرق معالجتها

عند بناء المعادلات المركبة داخل بيئة العمل في إكسل، تتكرر مجموعة من الأخطاء البرمجية الشائعة التي تُعطل عمل الدوال أو تؤدي إلى نتائج غير منطقية. نوضح أهم هذه الأخطاء وطرق علاجها الفورية:

1. الخطأ في صياغة الشروط النصية والربط في دالة AVERAGEIFS:
من أشهر الأخطاء التقنية كتابة المرجع الخلوي داخل علامات الاقتباس، مثل كتابة AVERAGEIFS(A2:A100, A2:A100, ">=E6"). في هذه الحالة، يبحث إكسل حرفياً عن خلايا تحتوي على النص المكتوب "E6" وليس القيمة الرقمية المخزنة داخل الخلية E6، مما يؤدي إلى إرجاع خطأ القسمة على صفر #DIV/0!. التصحيح البرمجي الصائب هو فصل معامل المقارنة عن الخلية وربطهما برمز العطف النصي: ">=" & E6.

2. نسيان التثبيت المرجعي المطلق للمصفوفات ($):
عند كتابة معادلات في عمود مساعد وتمريرها رأسياً، مثل معادلة STANDARDIZE(A2, D2, D3)، يؤدي عدم تثبيت خلايا المتوسط والانحراف المعياري إلى انزياح المراجع في الصف التالي لتصبح D3 و D4، مما ينتج عنه حسابات خاطئة تماماً وأخطاء من نوع #NUM! أو #VALUE!. يجب دائماً استخدام المراجع المطلقة: STANDARDIZE(A2, $D$2, $D$3).

3. التعامل مع أخطاء القسمة على صفر (#DIV/0!):
يظهر خطأ #DIV/0! في دالة AVERAGEIFS أو معادلة FILTER إذا كانت الشروط الموضوعة صارمة جداً بحيث استبعدت جميع البيانات في النطاق ولم تتبق أي قيمة مقبولة لحساب متوسطها. لتفادي انهيار واجهات التقارير ولوحات التحكم (Dashboards)، يُوصى بتغليف معادلة المتوسط دائماً بدالة الحماية IFERROR على النحو الآتي:

=IFERROR(AVERAGEIFS(A2:A100, A2:A100, ">=" & E6, A2:A100, "<=" & E7), "لا توجد بيانات صالحة")

4. الخلايا الفارغة والنصوص المختبئة:
تقوم دالة AVERAGE العادية بتجاهل الخلايا الفارغة والنصوص تلقائياً، ولكن عند استخدام مقارنات منطقية معقدة أو استيراد بيانات ملوثة، قد تُعامل بعض المسافات الفارغة كنصوص مسببة أخطاء #VALUE!. ينبغي تطهير النطاق مسبقاً باستخدام أداة "الانتقال إلى خاص" (Go To Special -> Blanks) أو تمرير دالة ISNUMBER لفلترة الأرقام الحقيقية فقط.

10. أتمتة تنقية البيانات وحساب المتوسطات المشذبة باستخدام Power Query

10.1 استيراد البيانات وبناء خطوات التصفية الإحصائية داخل محرر Power Query

يمثل محرر استعلامات الطاقة (Power Query) الأداة الأقوى داخل إكسل لبناء مسارات تحويل وتطهير بيانات متقدمة (ETL Pipelines). وتتجلى فائدته العظمى في قدرته على أتمتة حسابات المدى الربيعي وتنقية البيانات من الشواذ كخطوة متكررة تتكيف تلقائياً بمجرد تغذية الملف بملفات دورية جديدة دون لمس ورقة العمل أو صياغة معادلات خلوية.

لبناء نموذج تصفية ديناميكي متكامل للقيم المتطرفة باستخدام لغة M داخل Power Query، نتبع الإجراءات المنهجية الآتية:

الخطوة 1: تحميل البيانات وتحديد نوع المتغيرات
حدد جدول البيانات في إكسل، وانتقل إلى تبويب بيانات (Data) -> من ورقة/نطاق (From Sheet/Table) ليُفتح محرر Power Query. تأكد من ضبط نوع عمود البيانات الرقمي إلى عدد عشري (Decimal Number) أو عدد صحيح (Whole Number) لضمان إجراء الحسابات الرياضية دون تعارض.

الخطوة 2: استخراج الربيعيات وإنشاء المقاييس الإحصائية
يمكن حساب الربيعيات مباشرة في Power Query باستخدام دوال القوائم المتقدمة بلغة M. من خلال التوجه إلى محرر المقتطفات المتقدمة (Advanced Editor) أو إضافة خطوة مخصصة (Custom Step)، يمكن استدعاء دالتي المئينات لإنشاء سجل بالحدود الإحصائية للعمود المسمى Amount:

Q1 = List.Percentile(Source[Amount], 0.25),
Q3 = List.Percentile(Source[Amount], 0.75),
IQR = Q3 - Q1,
LowerFence = Q1 - (1.5 * IQR),
UpperFence = Q3 + (1.5 * IQR)

الخطوة 3: تطبيق التصفية الشرطية لاستبعاد الشواذ
في خطوة التصفية التالية، نقوم بتطبيق تصفية الصفوف (Filter Rows) للاحتفاظ فقط بالمشاهدات المحصورة بين السياجين المحسوبين:

FilteredRows = Table.SelectRows(Source, each [Amount] >= LowerFence and [Amount] <= UpperFence)

الخطوة 4: تجميع البيانات وحساب المتوسط المنقى
بعد استبعاد الصفوف المتطرفة بدقة خوارزمية تامة، نتوجه إلى تبويب تحويل (Transform) -> تجميع حسب (Group By)، ونختار العملية Average على عمود Amount لاستخراج المتوسط النهائي الصافي، أو نقوم بتحميل الجدول المصفى بالكامل إلى ورقة العمل عبر خيار إغلاق وتحميل إلى (Close & Load To) لحساب مؤشرات متعددة عليه في واجهة إكسل المعتادة.

10.2 مزامنة التحديثات والحفاظ على مسار تدقيق أكاديمي للبيانات

يوفر استخدام Power Query في استبعاد الشواذ ميزتين استثنائيتين تفوقان العمل بالمعادلات التقليدية، لا سيما في البيئات المؤسسية الخاضعة للمراجعة والتدقيق القانوني:

1. التحديث التلقائي المرن (One-Click Refresh):
عند تحديث مصدر البيانات الأساسي (سواء كان ملف CSV خارجي، أو قاعدة بيانات SQL، أو جدول إكسل يتم إدخال مبيعات جديدة فيه)، لا يحتاج المحلل لإعادة كتابة الصيغ أو سحب المعادلات أو توسيع النطاقات؛ فكل ما يتطلبه الأمر هو النقر على زر تحديث الكل (Refresh All) في تبويب البيانات، ليقوم محرك الاستعلامات بإعادة جلب البيانات الجديدة، وإعادة حساب الربيعيات والأسوار من الصفر، وتصفية الشواذ الجديدة فوراً، وتحديث المتوسط النهائي في كسر من الثانية.

2. توثيق مسار التدقيق الصارم (Audit Trail):
من أكبر عيوب التصفية اليدوية أو الحذف المباشر في خلايا إكسل فقدان البيانات الأصلية واستحالة إثبات عدم التلاعب بالأرقام. في Power Query، تُحفظ البيانات الأصلية الخام كما هي دون أدنى تغيير في المصدر الأساسي، وتُسجل كل عملية تنقية كـ "خطوة مطبقة" (Applied Step) في شريط خطوات الاستعلام بترتيب زمني محكم ومقروء. يُمكّن هذا المسار أي مدقق حسابات خارجي أو محكم أكاديمي من مراجعة كل خطوة تصفية، والاطلاع على الأكواد المطبقة، والتأكد بنسبة 100% من أن استبعاد الحالات المتطرفة جرى وفق معايير رياضية معلنة ومبررة ولم يمس سلامة السجلات الأصلية للمنظمة.

11. حالات دراسية وتطبيقات عملية متقدمة في بيئات بحثية ومهنية

11.1 تطبيق عملي: تحليل نتائج استبانات وأزمنة استجابة المقاييس السلوكية

في الأبحاث النفسية، والتسويقية، ودراسات تجربة المستخدم (UX Research)، يُقاس زمن استجابة المشاركين (Response Times) بالمللي ثانية عند تفاعلهم مع واجهات التطبيقات أو إجابتهم على فقرات المقاييس السلوكية عبر الإنترنت. تواجه هذه البيانات تلوثاً متكرراً بنوعين من المشاهدات المتطرفة:

• أزمنة استجابة متطرفة دنيا (Fast Outliers): ناتجة عن نقر المشارك عشوائياً وبسرعة خاطفة (أقل من 200 مللي ثانية) دون قراءة السؤال لتجاوز الاستبانة سريعاً والحصول على المكافأة.
• أزمنة استجابة متطرفة عليا (Slow Outliers): ناتجة عن تشتت انتباه المشارك، أو تركه شاشة الحاسوب مفتوحة للرد على الهاتف أو إعداد كوب قهوة ثم العودة لإرسال الإجابة بعد ربع ساعة.

لتحليل عينة حقيقية تتكون من 200 مشارك مسجلة أزمنتهم بالثواني في النطاق B2:B201:

أظهرت الحسابات الأولية أن المتوسط الخام للبيانات يبلغ 42.8 ثانية مع انحراف معياري ضخم قدره 68.4 ثانية، والوسيط يبلغ 18.5 ثانية. هذا التباعد الهائل بين المتوسط والوسيط يشير بوضوح إلى تشوه بالغ ناجم عن أزمنة التشتت الطويلة.

تم تطبيق خوارزمية المدى الربيعي اللابارامترية لعزل الشواذ عبر الدوال المركبة:

• حساب الربيع الأول $Q_1$: =QUARTILE.INC(B2:B201, 1) فأعطى 12.0 ثانية.
• حساب الربيع الثالث $Q_3$: =QUARTILE.INC(B2:B201, 3) فأعطى 26.0 ثانية.
• المدى الربيعي $IQR$: $26.0 - 12.0 =$ 14.0 ثانية.
• السياج الأدنى: $12.0 - (1.5 \times 14.0) = -9.0$ (وبما أن الزمن لا يمكن أن يكون سالباً، فإن أي زمن أكبر من الصفر يُعد مقبولاً من الأسفل ما لم يحدد الباحث حداً فسيولوجياً أدنى كـ 1 ثانية).
• السياج الأعلى: $26.0 + (1.5 \times 14.0) =$ 47.0 ثانية.

باستخدام دالة AVERAGEIFS المشروطة بالنطاق $[1, 47]$:

=AVERAGEIFS(B2:B201, B2:B201, ">=1", B2:B201, "<=47")

أنتجت المعادلة متوسطاً منقى قدره 19.2 ثانية مع تقليص الانحراف المعياري للبيانات الصالحة إلى 8.7 ثوانٍ فقط، واستبعاد 14 حالة تشتت عليا وحالتي نقر عشوائي أدنى. أدى هذا الاستبعاد العلمي إلى إنقاذ مصداقية المقياس السلوكي ورفع معامل الثبات (Cronbach's Alpha) من 0.48 (مستوى غير مقبول بحثياً) إلى 0.82 (مستوى ممتاز)، مما يعكس الأثر الجوهري لتنقية البيانات على جودة القرارات البحثية.

11.2 تطبيق عملي: تقييم الأداء المالي والمبيعات الفصلية لتفادي أثر الطفرات

في إدارات الرقابة المالية وتقييم الأداء المؤسسي، يُطلب من المحللين حساب "المتوسط التشغيلي المستقر" لقيم فواتير المبيعات اليومية لشبكة فروع تجارية لتقدير التدفقات النقدية المتوقعة وتحديد أهداف البيع الدورية (Targets). تكمن المشكلة في أن إجمالي الفواتير الفصلية يتضمن أحياناً صفقات نادرة جداً وغير متكررة؛ كأن يشتري عميل مؤسسي كميات جملة غير عادية في يوم واحد لحدث سنوي، أو أن تتوقف المبيعات تماماً نتيجة عطل تقني مفاجئ في بوابات الدفع الإلكتروني.

لدينا سجل مبيعات فصلي يضم 90 يوماً في النطاق C2:C91. المتوسط الخام المحسوب عبر AVERAGE(C2:C91) يبلغ 15,400 دولار. أظهر الفحص البصري وجود فاتورتين استثنائيتين بقيمة 120,000 و 95,000 دولار بسبب مشتريات موسمية لمؤسسة حكومية لا تتكرر، مما أدى إلى رفع المتوسط وتوليد ضغط وهمي على مديري الفروع بتحقيق أرقام يومية تتجاوز الواقع التشغيلي المعتاد.

نظراً لأن حجم العينة معتدل والتوزيع يقترب من التماثل العام باستثناء الطفرات المعزولة في الذيول، تم تطبيق أسلوب التشذيب المتماثل بنسبة 10% إجمالاً (استبعاد 5% من أعلى البيانات و 5% من أدناها) باستخدام دالة TRIMMEAN:

=TRIMMEAN(C2:C91, 0.10)

قام إكسل باستبعاد 4 فواتير من الأدنى و 4 فواتير من الأعلى (إجمالي 8 أيام مقتطعة، بناءً على حساب $INT(90 \times 0.10 / 2) \times 2 = 8$). استقر المتوسط المشذب الناتج عند 11,850 دولاراً. مكن هذا المقياس النقي الإدارة المالية من صياغة موازنات تقديرية متوازنة تعكس القدرة الحقيقية المستدامة للفروع دون المبالغة في تقدير السيولة التشغيلية، كما حمى تقييمات موظفي المبيعات من التشوهات الناتجة عن الصدف والمواسم الشاذة.

12. المعايير الأخلاقية والممارسات المنهجية الفضلى لتوثيق استبعاد البيانات

12.1 قواعد الشفافية الأكاديمية والتقرير النزيه عن معالجة البيانات

يضع مجتمع البحث العلمي والجمعيات الأكاديمية العالمية، مثل جمعية علم النفس الأمريكية (APA) وجمعية الإحصاء الملكية (RSS)، معايير أخلاقية ومنهجية صارمة تحكم عمليات معالجة واستبعاد القيم المتطرفة من مجموعات البيانات. لا يُقبل في الأعراف العلمية الرصينة إجراء تنقية صامتة للبيانات وتقديم المتوسطات المعدلة على أنها القياسات الأصلية المأخوذة من الميدان.

تفرض الشفافية المنهجية الالتزام بالقواعد والإفصاحات التالية في قسم المنهجية ومناقشة النتائج:

• التصريح المسبق بالمعيار: الإفصاح الكامل عن القاعدة الرياضية أو الإحصائية المعتمدة للكشف عن القيم المتطرفة (مثل: "تم تحديد الشواذ بالاعتماد على معيار المدى الربيعي لتوكي بمعامل 1.5"، أو "تم استخدام الدرجة المعيارية بعتبة قطع $|Z| > 3$").
• الإفصاح عن كمية ونسبة البيانات المستبعدة: ذكر عدد المشاهدات الدقيق التي جرى حذفها ونسبتها المئوية من حجم العينة الكلي (مثال: "تم استبعاد 6 مشاهدات تمثل 3% من العينة الإجمالية لتجاوزها حدود السياج العلوي").
• العرض المزدوج للمؤشرات (Double Reporting): عرض جدول مقارن يتضمن المتوسط والانحراف المعياري قبل المعالجة (البيانات الخام) وبعد المعالجة (البيانات المنقاة)، مما يتيح للقارئ والمحكم المستقل تقييم حجم الأثر الناتج عن استبعاد هذه الحالات بنفسه.
• حظر "التشذيب الانتقائي" (P-Hacking): يُعد التلاعب بنسب التشذيب أو تغيير معاملات التصفية بشكل متكرر بهدف وحيد هو الوصول بالقيمة الاحتمالية (p-value) إلى مستوى الدلالة الإحصائية المنشود ($p < 0.05$) خرقاً جسيماً للنزاهة العلمية وتزويراً للحقائق الموضوعية.

12.2 دليل إرشادي لاختيار الاستراتيجية المثلى وفق خصائص ملف البيانات

لمساعدة المحلل والباحث في اتخاذ القرار المنهجي الصحيح والمناسب لبيئته التحليلية، يُلخص المخطط الإرشادي التالي المعايير الحاسمة لاختيار التقنية المثلى لحساب المتوسط مع استبعاد القيم المتطرفة في إكسل:

1. متى تختار دالة TRIMMEAN؟

• عندما تكون البيانات تتبع توزيعاً شبه طبيعي متماثل حول المركز.
• عندما تتوقع وجود تشويش محتمل في كلا الطرفين (الأدنى والأعلى) بنسب متقاربة، كما في دراسات التقييم والمسابقات.
• عند الحاجة إلى معادلة مفردة وبسيطة وسريعة لا تتطلب بناء أسوار حسابية إضافية في ورقة العمل.

2. متى تختار منهجية المدى الربيعي (IQR + AVERAGEIFS / LET)؟

• عندما تكون البيانات مجهولة التوزيع، أو تعاني من التواء واضح في أحد الاتجاهين (وهي الحالة السائدة في الأجور، والمبيعات، وأزمنة الانتظار).
• عندما ترغب في استبعاد القيم المتطرفة الفعلية فقط دون المساس بالمشاهدات السليمة في الطرف المقابل.
• عند الحاجة إلى وضع حدود مطلقة واضحة ومقروءة يمكن فحصها وتدقيقها محاسبياً وأكاديمياً.

3. متى تختار طريقة الدرجة المعيارية (Z-Score)؟

• عند التيقن من اعتدالية التوزيع الأصلي عبر اختبارات صريحة مثل اختبار شابيرو-ويلك (Shapiro-Wilk) أو كولموجوروف-سميرنوف.
• عند الحاجة للمقارنة بين مجموعات بيانات متعددة ذات وحدات قياس ومقاييس مختلفة على معيار موحد.
• عندما تكون العينة كبيرة الحجم بما يكفي لتقليل ظاهرة قناع الانحراف المعياري.

4. متى يجب التخلي تماماً عن المتوسط واستخدام الوسيط (MEDIAN)؟

• إذا كانت نسبة القيم المتطرفة في العينة تتجاوز 15% إلى 20%، مما يدل على أن التوزيع بحد ذاته شديد الشذوذ أو متعدد القمم (Multimodal).
• عند التعامل مع بيانات ترتيبية (Ordinal Data) مثل استطلاعات الرأي القائمة على مقاييس ليكرت، حيث تفقد الفروق العددية المطلقة دلالتها الحسابية الدقيقة.

---

في الختام، يُشكل حساب المتوسط مع استبعاد القيم المتطرفة في مايكروسوفت إكسل ركيزة جوهرية من ركائز التحليل الكمي الرصين ونمذجة الأعمال الموثوقة. إن الانتقال من الاعتماد العفوي على دالة AVERAGE الكلاسيكية إلى توظيف الأدوات المتقدمة مثل TRIMMEAN، وأسوار المدى الربيعي باستخدام AVERAGEIFS و LET، ومسارات التصفية التلقائية في Power Query، يُمثل فارقاً نوعياً بين التحليل السطحي المضلل والتحليل المؤسسي الاحترافي. يضمن الالتزام بالأسس الإحصائية السليمة والمعايير الأخلاقية المعلنة حماية صناع القرار من الانخداع بالطفرات اللحظية والشواذ العابرة، وتوجيه السياسات والاستراتيجيات بناءً على مؤشرات نزعة مركزية نقية تعكس بدقة وشفافية نبض الواقع الميداني للبيانات.

المراجع

• Barnett, V., & Lewis, T. (1994). Outliers in Statistical Data (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/Outliers+in+Statistical+Data%2C+3rd+Edition-p-9780471930945
• Microsoft Support. (2023). TRIMMEAN function. Microsoft Corporation. https://support.microsoft.com/ar-sa/office/trimmean-function-d90c9878-a119-4746-88fa-63d988f511d3
• Microsoft Support. (2023). QUARTILE.INC function. Microsoft Corporation. https://support.microsoft.com/ar-sa/office/quartile-inc-function-1bbacc80-5075-42f1-a310-46d16640d9d2
• Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley Publishing Company. https://www.pearson.com/en-us/subject-catalog/p/exploratory-data-analysis/P200000006371
• Wilcox, R. R. (2012). Introduction to Robust Estimation and Hypothesis Testing (3rd ed.). Academic Press. https://doi.org/10.1016/C2010-0-67044-1