اختبار F في جداول بيانات جوجل (خطوة بخطوة)

يمثل التحليل الإحصائي الركيزة الأساسية التي تقوم عليها موثوقية النتائج في العلوم السلوكية والنفسية والتربوية والاجتماعية. فمن خلال الأدوات الإحصائية المتقدمة، يستطيع الباحث تحويل المشاهدات السلوكية والانفعالية المعقدة إلى بيانات كمية قابلة للقياس والاختبار والتعميم. وفي هذا السياق المعرفي، لا تقتصر المقارنة الإحصائية بين المجموعات التجريبية والضابطة على فحص الفروق بين المتوسطات الحسابية فحسب، بل تمتد لتشمل فحص مستويات التشتت وتباين الأداء والاستجابة، وهو ما يمنح فهماً عميقاً لمدى اتساق أو تشتت الظاهرة النفسية قيد الدراسة.

ويعد اختبار فيشر للتباين المعروف اختصاراً باسم اختبار F (F-Test) أحد أهم الاختبارات المعلمية المصممة لاختبار تجانس التباينات بين مجتمعين إحصائيين مستقلين. فقبل الإقدام على مقارنة المتوسطات عبر اختبار “ت” للعينات المستقلة (Independent Samples t-test) أو النماذج الخطية الأخرى، يبرز اختبار F كشرط منهجي وإحصائي حاسم للتحقق من افتراض تجانس التباين (Homogeneity of Variance)، والذي يضمن سلامة الاستدلال الإحصائي وعدم الوقوع في فخ التقديرات المتحيزة أو الأخطاء التفسيرية المرتبطة بتضخم الخطأ المعياري.

ومع التحول الرقمي المتسارع وشيوع الحوسبة السحابية في الأوساط الأكاديمية، أصبحت منصة جداول بيانات جوجل (Google Sheets) بيئة عمل تحليلية رائدة توفر للباحثين والطلاب وفرق البحث السيكولوجي إمكانات متقدمة لإجراء التحليلات الإحصائية الدقيقة والمعقدة بمرونة فائقة ودون الحاجة لتنصيب برمجيات إحصائية تجارية باهظة الثمن. يقدم هذا الدليل الشامل والمفصل دليلاً متكاملاً وتطبيقياً خطوة بخطوة لكيفية إجراء وفهم وتفسير وتوثيق اختبار F في جداول بيانات جوجل وفق أرقى المعايير المنهجية والأكاديمية العالمية.

1. مقدمة شاملة حول اختبار F (F-Test) ومكانته في التحليل الإحصائي النفسي

1.1 مفهوم اختبار F وتاريخ تطوره العلمي

يُعرَّف اختبار F إحصائياً بأنه اختبار معلمي (Parametric Test) يُستخدم لفحص الفرضيات المتعلقة بنسبة تباين مجتمعين إحصائيين مستقلين يتبعان التوزيع الطبيعي. يهدف هذا الاختبار بالأساس إلى تقييم ما إذا كان التشتت الملاحظ في بيانات المجموعة الأولى يختلف جوهرياً ودالاً إحصائياً عن التشتت الملاحظ في المجموعة الثانية، أم أن الفروق الظاهرية بين التباينين لا تتعدى كونها تقلبات عشوائية ناتجة عن خطأ المعاينة (Sampling Error). ويشكل هذا الاختبار جوهر التحليل الاستدلالي الذي ينقل الباحث من مجرد الوصف السطحي للبيانات إلى استخلاص تعميمات دقيقة حول المجتمعات الأصلية.

يعود الفضل في تطوير هذا الإحصاء الرياضي إلى عالم الإحصاء وعلم الوراثة البريطاني الشهير السير رونالد إيلمر فيشر (Sir Ronald A. Fisher) في بدايات القرن العشرين، حيث ابتكره كجزء من تأسيسه المنهجي لتحليل التباين (Analysis of Variance – ANOVA). ولاحقاً، أطلق عالم الإحصاء جورج سنيديكور (George W. Snedecor) الحرف F على هذا التوزيع والنسبة تكريماً وتقديراً لإسهامات فيشر الاستثنائية في علم الإحصاء الحيوي والتجريبي. ويعتمد التوزيع الاحتمالي لـ F على نسبة مقدري التباين غير المتحيزين، مشكلاً بذلك عائلة كاملة من المنحنيات التوزيعية التي تتحدد معالمها بدقة بناءً على درجات حرية كل من البسط والمقام.

في ميدان القياس النفسي والتقييم السلوكي، تكتسب دراسة التباين أهمية توازي، بل تفوق أحياناً، دراسة المتوسطات الحسابية (Means). فالتباين هو المقياس الكمي المباشر لمدى الفروق الفردية (Individual Differences) بين المفحوصين داخل السمة النفسية المقاسة، سواء كانت ذكاءً، أو قلقاً، أو مهارة معرفية. إن افتراض تشابه أو اختلاف التباين بين مجموعتين يحمل دلالات سيكومترية بالغة العمق تتعلق بمدى استقرار الأداء، ومدى تفاوت استجابة الأفراد للظروف التجريبية والبيئية المختلفة.

1.2 أهمية اختبار F في القياس والبحوث النفسية والسلوكية

تتجلى الأهمية المنهجية لاختبار F في البحوث النفسية عبر عدة محاور استدلالية وتطبيقية؛ يأتي في مقدمتها فحص تجانس التباين (Homogeneity of Variance). يُعد تجانس التباين بين المجموعات المفحوصة شرطاً تأسيسياً لا غنى عنه قبل تطبيق العديد من الاختبارات المعلمية الكلاسيكية، مثل اختبار “ت” لعينتين مستقلتين بنسخته المعيارية (Student’s t-test). إن انتهاك هذا الشرط دون تصحيح إحصائي يؤدي إلى تشويه مستويات الدلالة وزيادة احتمالية ارتكاب أخطاء استدلالية فادحة تحرف استنتاجات الباحث.

وعلاوة على التحقق من الشروط المسبقة، يبرز اختبار F كأداة تشخيصية وتقييمية مستقلة ذات قيمة نوعية في دراسة التدخلات السيكولوجية والبرامج العلاجية السلوكية والمعرفية. فعلى سبيل المثال، عند تطبيق برنامج علاجي للحد من نوبات الهلع، قد لا يقتصر تأثير البرنامج على خفض متوسط حدة النوبات، بل قد يؤدي أيضاً إلى جعل استجابات المرضى أكثر استقراراً وتقارباً (أي تقليل التباين بشكل دال)، أو العكس، حيث قد يستجيب بعض المرضى بقوة بينما لا يظهر آخرون تحسناً، مما يرفع تباين المجموعة التجريبية مقارنة بالمجموعة الضابطة. يساعد اختبار F الباحثين على التقاط هذا التغير في تشتت الاستجابات السلوكية وتفسيره علمياً.

كما يلعب اختبار F دوراً محورياً في فحص استقرار وثبات أدوات القياس والمقاييس السيكومترية عبر العينات والمجتمعات المختلفة (Cross-Sample Invariance). فمن خلال مقارنة تباينات درجات الاختبار بين عينات ذكور وإناث، أو فئات عمرية متباينة، يستطيع علماء النفس التحقق مما إذا كانت أداة القياس تقيس السمة بنفس مستوى التشتت والدقة بين مختلف الفئات الفرعية، مما يسهم في ضبط جودة المقاييس وتجنيبها التحيزات القياسية غير المرغوبة.

1.3 مزايا استخدام جداول بيانات جوجل (Google Sheets) في التحليل الإحصائي

أحدثت منصة جداول بيانات جوجل نقلة نوعية في منهجيات إدارة وتحليل البيانات الأكاديمية والبحثية بفضل بنيتها التحتية السحابية المتطورة. تتيح المنصة إمكانية العمل التعاوني المتزامن والفوري بين فرق البحث العلمي الموزعة جغرافياً، حيث يمكن لعدة باحثين إدخال البيانات ومراجعتها، وتطبيق الدوال الإحصائية، واستخراج النتائج في نفس اللحظة دون الحاجة لتبادل ملفات مكررة أو مواجهة مشكلات تضارب الإصدارات، مما يرفع كفاءة إدارة المشاريع البحثية المشتركة.

تتمتع جداول بيانات جوجل بترسانة غنية وشاملة من الدوال الإحصائية المدمجة عالية الدقة، والتي تتطابق من حيث المخرجات والمعادلات الحسابية المعيارية مع أشهر البرمجيات الإحصائية الاحترافية مثل SPSS و R و SAS. وتوفر دوال مثل FTEST و F.TEST و F.DIST و F.INV للمحلل الإحصائي القدرة على بناء نماذج رياضية مخصصة، وإجراء الحسابات المرحلية والتفصيلية، والتحكم الدقيق في كافة معالم التحليل الإحصائي بكل سهولة ويسر.

تضمن البيئة السحابية لجداول بيانات جوجل الحفظ التلقائي الفوري لكل تعديل وتغيير يطرأ على البيانات عبر ميزة سجل التعديلات (Version History)، مما يمنع نهائياً فقدان البيانات نتيجة الأعطال التقنية المفاجئة. بالإضافة إلى ذلك، فإن قابلية المنصة للربط البرمجي عبر Google Apps Script والتكامل مع أدوات العرض المرئي للبيانات يمنح الباحث النفسي مرونة استثنائية في بناء لوحات تحكم تحليلية ومشاركتها بأمان وفق أحدث معايير حماية وخصوصية البيانات الأكاديمية.

2. الأسس النظرية والرياضية لاختبار F لتساوي التباين

2.1 الاشتقاق الرياضي لإحصاء F ونسبة التباين

يقوم الأساس الرياضي لاختبار F على مقارنة تبايني عينتين عشوائيتين مستقلتين مستخرجتين من مجتمعين موزعين توزيعاً طبيعياً. التباين العيني غير المتحيز (Sample Variance) لكل مجموعة يُحسب بقسمة مجموع مربعات انحرافات الدرجات عن متوسطها الحسابي على درجات الحرية المقابلة ($n – 1$). وتأخذ صيغة التباين العيني الصيغة الرياضية التالية:

$$s^2 = \frac{\sum (X_i – \bar{X})^2}{n – 1}$$

عند فحص فرضية تساوي التباينات، يتم تكوين إحصاء F كنسبة مباشرة بين تباين العينة الأولى ($s_1^2$) وتباين العينة الثانية ($s_2^2$). وفي التطبيق الرياضي الكلاسيكي لاختبار الطرف الواحد (One-tailed test)، يُوضع التباين الأكبر دائماً في البسط والتباين الأصغر في المقام، مما يضمن أن تكون قيمة إحصاء F المحسوبة مساوية دائماً للواحد الصحيح أو أكبر منه ($F ge 1$):

$$F = \frac{s_1^2}{s_2^2} \quad \text{حيث} \quad s_1^2 ge s_2^2$$

يتحدد شكل التوزيع الاحتمالي لـ F تماماً بمعلمتين أساسيتين هما درجات حرية البسط (df1 = n1 – 1) ودرجات حرية المقام (df2 = n2 – 1). ونظراً لأن التباينات هي كميات مربعة موجبة دائماً، فإن توزيع F يتميز بالخصائص الهندسية والرياضية التالية:

• لا يحتوي التوزيع على أي قيم سالبة مطلقاً، ويبدأ مجاله من الصفر ويمتد نظرياً إلى ما لا نهاية الإيجابية ($[0, \infty)$).
• التوزيع غير متماثل وموجب الالتواء (Positively Skewed) بدرجة عالية عند درجات الحرية المنخفضة، ولكنه يقترب تدريجياً من التماثل كلما زادت درجات حرية البسط والمقام مقتربة من اللانهاية.
• يتغير المنحنى الاحتمالي للتوزيع بتغير أي من درجات الحرية للبسط أو المقام، مما يستدعي استخراج قيم حرجة مخصصة لكل تركيبة درجات حرية محددة.

2.2 التوزيع أحادي الذيل مقابل التوزيع ثنائي الذيل في اختبار F

يتوقف الاختيار المنهجي بين استخدام التوزيع أحادي الذيل (One-tailed / One-sided) والتوزيع ثنائي الذيل (Two-tailed / Two-sided) على طبيعة الفرضية البحثية المصاغة مسبقاً من قِبل الباحث السيكولوجي؛ حيث يعكس كل اتجاه هدفاً استدلالياً مختلفاً تماماً:

يُستخدم الاختبار ثنائي الذيل (Two-tailed) عندما تكون الفرضية البحثية غير موجهة، بمعنى أن الباحث يرغب في معرفة ما إذا كان هناك اختلاف عام في التشتت بين المجموعتين دون افتراض مسبق بأن إحداهما ستكون ذات تباين أكبر من الأخرى. في هذا السياق، تتوزع نسبة الخطأ المسموح بها ($\alpha$) على طرفي المنحنى التوزيعي بالتساوي ($\alpha / 2$ في الذيل الأيمن و $\alpha / 2$ في الذيل الأيسر)، وتعتبر دالة FTEST في جداول بيانات جوجل دالة ثنائية الذيل افتراضياً تحسب القيمة الاحتمالية بدقة متناهية معبرة عن هذا الاتجاه غير الموجه.

في المقابل، يُلجأ إلى الاختبار أحادي الذيل (One-tailed) عندما تتوافر لدى الباحث أدلة نظرية قاطعة أو دراسات سابقة تدعم فرضية موجهة محددة؛ كأن يفترض الباحث أن تدريب الاسترخاء سيؤدي بالضرورة إلى جعل تباين مجموعة ممارسي الاسترخاء أصغر بصورة دالة من تباين المجموعة الضابطة التي لم تتلق التدريب. في هذه الحالة، تتركز منطقة الرفض الحرجة ($\alpha$) بالكامل في ذيل واحد محدد من منحنى التوزيع، مما يرفع من الحساسية والقوة الإحصائية للاختبار لرصد هذا الاتجاه الموجه تحديداً، ويستلزم استخدام دوال التوزيع الموجهة مثل F.DIST.RT.

2.3 العلاقة الرياضية بين التباين وتشتت الظواهر النفسية

يعكس التباين إحصائياً وسيكومترياً مقدار الفروق الفردية في الأداء أو السمة النفسية المقاسة بين أفراد العينة؛ فكلما تباعدت درجات الأفراد عن المتوسط الحسابي، اتسع التباين وارتفع الانحراف المعياري، مما يشير إلى عدم تجانس الأفراد في استجابتهم للمثير أو المقياس. أما التباين المنخفض فيعبر عن تقارب شديد وتجانس مرتفع في مستويات السلوك أو القدرة المعرفية لدى أفراد المجموعة.

يؤدي وجود تباينات غير متجانسة (Heteroscedasticity) بين المجموعات المقارنة إلى تضخيم الخطأ المعياري للفروق بين المتوسطات، مما يضعف بشدة من قوة الاستدلال الإحصائي (Statistical Power) ويؤدي إلى تقدير غير دقيق لفترات الثقة. ونتيجة لذلك، قد يقع الباحث في خطأ اتخاذ قرارات متطرفة برفض أو قبول فرضيات جوهرية بناءً على نماذج إحصائية متأثرة بخلل التشتت غير المتكافئ.

في الدراسات التجريبية السلوكية، يساعد رصد التباين الباحثين على معالجة مسألة تفاوت حساسية المفحوصين للبرامج العلاجية والتربوية (Differential Treatment Sensitivity). فإذا كان البرنامج التدريبي يحقق متوسط درجات مرتفع ولكنه في الوقت ذاته يضاعف من تباين الاستجابات، فإن هذا يعد مؤشراً سيكولوجياً هاماً على أن البرنامج يفيد فئة معينة من المشاركين وربما لا يناسب فئة أخرى، وهو استنتاج لا يمكن التوصل إليه بالاعتماد على دراسة المتوسطات الحسابية بمفردها.

3. صياغة الفرضيات الإحصائية لاختبار F في البحوث التجريبية

3.1 صياغة الفرضية الصفرية (Null Hypothesis – H0)

تمثل الفرضية الصفرية نقطة الانطلاق الأساسية في الاستدلال الإحصائي الكلاسيكي، حيث تفترض دائماً عدم وجود أي تأثير حقيقي، أو غياب الفروق بين المعالم الإحصائية للمجتمعات قيد الدراسة. وفي سياق اختبار F لتساوي التباينات، تُصاغ الفرضية الصفرية رياضياً على النحو التالي:

$$H_0: \sigma_1^2 = \sigma_2^2 \quad \text{أو} \quad H_0: \frac{\sigma_1^2}{\sigma_2^2} = 1$$

تفيد هذه الفرضية بأن التباين الحقيقي في المجتمع الأول ($\sigma_1^2$) يساوي تماماً التباين الحقيقي في المجتمع الثاني ($\sigma_2^2$). ومن الناحية السيكولوجية والتجريبية، تعني الفرضية الصفرية أن تشتت درجات المفحوصين ومستويات الفروق الفردية في السمة المقاسة متكافئة تماماً بين المجموعتين، وأن أي اختلاف ظاهر في تباين العينات ($s_1^2$ مقابل $s_2^2$) يعود حصراً إلى المصادفة العشوائية وخطأ المعاينة الطبيعي.

يشكل افتراض التجانس المبدئي هذا الأرضية الصلبة التي تنبني عليها المقارنات الإحصائية اللاحقة؛ حيث ينطلق الباحث من اعتبار التباينات متساوية ما لم تقدم البيانات التجريبية دليلاً إحصائياً قوياً وكافياً يدحض هذا الافتراض ويرغم الباحث على رفض الفرضية الصفرية لصالح الفرضية البديلة.

3.2 صياغة الفرضية البديلة (Alternative Hypothesis – HA)

تعبر الفرضية البديلة عن التوقع البحثي أو الاحتمال النظري الذي يسعى الباحث لإثباته في حال فشل صحة الفرضية الصفرية. تتخذ الفرضية البديلة في الاختبار غير الموجه (ثنائي الذيل) الصيغة الرياضية التالية:

$$H_A: \sigma_1^2 ne \sigma_2^2 \quad \text{أو} \quad H_A: \frac{\sigma_1^2}{\sigma_2^2} ne 1$$

وتشير هذه الفرضية إلى وجود اختلاف دال إحصائياً بين تباين المجتمعين دون الجزم المسبق بأي المجتمعين يمتلك تشتتاً أعلى. أما في حالة الفرضيات الموجهة (أحادية الذيل)، فتُصاغ الفرضية البديلة بإحدى الصورتين التاليتين بناءً على الخلفية النظرية للمتغيرات:

$$H_A: \sigma_1^2 > \sigma_2^2 \quad \text{أو} \quad H_A: \sigma_1^2 < \sigma_2^2$$

يحمل رفض الفرضية الصفرية وقبول الفرضية البديلة في التجريب النفسي دلالة تطبيقية بالغة الأهمية؛ فهو يؤكد للباحث أن التدخل التجريبي، أو الانتماء الفئوي، قد أحدث تغييراً حقيقياً في بنية تشتت وتماسك الدرجات داخل المجموعة، مما يستلزم اتخاذ مسارات إحصائية تصحيحية دقيقة للتعامل مع عدم تجانس التباين عند اختبار الفروق بين المتوسطات.

3.3 مستويات الدلالة الإحصائية (Alpha Level) وحجم الخطأ

يمثل مستوى الدلالة الإحصائية ($\alpha$) العتبة الاحتمالية المعيارية التي يحددها الباحث مسبقاً قبل جمع البيانات لاتخاذ قرار برفض الفرضية الصفرية. وفي بحوث العلوم النفسية والإنسانية، يُعتمد مستوى الدلالة المعياري $\alpha = 0.05$ كمعيار تقليدي عام، بينما يُلجأ إلى معيار أكثر صرامة وتحفظاً مثل $\alpha = 0.01$ في الدراسات الإكلينيكية والتشخيصية الحساسة التي تتطلب تقليص احتمالية الخطأ إلى أدنى حد ممكن.

يرتبط اختبار الفرضيات بنوعين أساسيين من الأخطاء الإحصائية التي يجب إدارتها بحذر:

• الخطأ من النوع الأول (Type I Error – $\alpha$): وهو رفض الفرضية الصفرية وتأكيد وجود اختلاف في التباينات بينما هي في الحقيقة متساوية في المجتمع الأصلي (الإيجابية الكاذبة). ينجم عن هذا الخطأ تعقيد النماذج الإحصائية واللجوء لتصحيحات غير مبررة قد تخفض من كفاءة التحليل.
• الخطأ من النوع الثاني (Type II Error – $\beta$): وهو الفشل في رفض الفرضية الصفرية وقبول تجانس التباينات بينما هي في الواقع مختلفة ومتفاوتة التشتت (السلبية الكاذبة). يترتب على هذا الخطأ تطبيق اختبارات معلمية غير ملائمة تنتهك شرط التجانس، مما يؤدي إلى نتائج مضللة حول دلالة الفروق بين المتوسطات.

وتُعرف القوة الإحصائية (Statistical Power) بأنها الاحتمال الرياضي لرفض الفرضية الصفرية الخاطئة بشكل صحيح ($1 – \beta$)، وتتأثر القوة الإحصائية لاختبار F تأثراً كبيراً بحجم العينات، ومستوى الدلالة المعتمد، وحجم التباين الفعلي بين المجموعتين في المجتمع.

4. الافتراضات والشروط الأساسية لتطبيق اختبار F بدقة

4.1 افتراض التوزيع الطبيعي للبيانات (Normality Assumption)

يعد افتراض التوزيع الطبيعي (Normal Distribution) للدرجات في كلا المجتمعين المقارنين الشرط الأكثر حساسية وحرجاً عند تطبيق اختبار F التقليدي لتساوي التباين. يفترض هذا الاختبار أن المتغير التابع يتبع التوزيع الاعتدالي على شكل الجرس المتماثل في كلتا المجموعتين قيد الدراسة.

وتجدر الإشارة المنهجية إلى أن اختبار F يُعد شديد الحساسية وغير متسامح (Highly Non-robust) تجاه انتهاك شرط التوزيع الطبيعي مقارنة باختبارات أخرى. فإذا كانت البيانات ملتوية بشدة أو تظهر تفرطحاً حاداً (Leptokurtic أو Platykurtic)، فإن قيمة إحصاء F ومعدلات الخطأ من النوع الأول ($\alpha$) تتأثر وتتضخم بصورة ملحوظة، مما يعطي نتائج مضللة وقيم احتمالية زائفة. ولذلك يتفوق اختبار ليفين (Levene’s Test) على اختبار F الكلاسيكي عند التعامل مع بيانات تنحرف عن الاعتدالية.

لفحص هذا الافتراض داخل جداول بيانات جوجل قبل إجراء الاختبار، يمكن للباحث استخدام المؤشرات والمعادلات التالية:

• حساب معامل الالتواء (Skewness) باستخدام دالة =SKEW(array)؛ حيث تشير القيم المحصورة بين -1 و +1 إلى اقتراب مقبول من الاعتدالية.
• حساب معامل التفرطح (Kurtosis) باستخدام دالة =KURT(array) للتأكد من عدم وجود تسطح أو تدبب مفرط في قمة المنحنى.
• إنشاء المدرج التكراري (Histogram) عبر أدوات الرسم البياني المدمجة في جداول بيانات جوجل للفحص البصري لشكل توزيع البيانات والتأكد من تماثلها.

4.2 استقلالية المشاهدات والعينات (Independence of Observations)

يشترط اختبار F استقلالية تامة بين جميع المشاهدات والأفراد داخل العينة الواحدة وبين العينتين المقارنتين. يعني هذا الشرط المنهجي الصارم أن اختيار أي مشارك في العينة الأولى ودرجته لا يرتبط بأي شكل من الأشكال، ولا يؤثر إطلاقاً على اختيار أو درجة أي مشارك آخر في نفس المجموعة أو في المجموعة المقارنة.

يعد انتهاك هذا الافتراض من أخطر الانتهاكات المنهجية في التصميم التجريبي السلوكي؛ فالقياسات المتكررة لنفس الأفراد (Repeated Measures) أو دراسة أفراد مترابطين (مثل الأزواج، التوائم، أو زملاء الفصل الواحد الذين يتأثرون بتفاعل متبادل) تؤدي إلى وجود ارتباط غير عشوائي بين أخطاء القياس (Correlated Error Terms). لا يجوز تطبيق اختبار F البسيط للعينات المستقلة في مثل هذه الحالات، بل يتعين اللجوء لاختبارات خاصة بالعينات المترابطة.

لضمان استقلالية المشاهدات عملياً، يجب على الباحث النفسي اعتماد إجراءات المعاينة العشوائية الحقيقية (True Random Sampling) والتخصيص العشوائي للمشاركين في المجموعات (Random Assignment)، مع عزل الظروف التجريبية لضمان عدم حدوث أي تواصل أو تأثير بين أفراد المجموعات المختلفة أثناء جلسات القياس.

4.3 حجم العينات وطبيعة البيانات الكمية

من المزايا الرياضية لاختبار F لتساوي التباين أنه لا يشترط تساوي أحجام العينات بين المجموعتين؛ حيث يمكن إجراء الاختبار ومقارنة التباين بكفاءة حتى في حال وجود اختلاف في عدد أفراد المجموعتين ($n_1 ne n_2$). ويقوم التوزيع الاحتمالي لـ F بضبط حساسيته تلقائياً من خلال الاعتماد على درجتي حرية منفصلتين لكل من البسط ($n_1 – 1$) والمقام ($n_2 – 1$).

ومن حيث مستويات القياس (Levels of Measurement)، يشترط الاختبار أن تكون البيانات المقاسة بيانات كمية متصلة أو متقطعة تقع على مقياس فتري (Interval Scale) أو مقياس نسبي (Ratio Scale)؛ مثل درجات مقاييس الشخصية المقننة، أزمنة الرجع (Reaction Times)، أو نتائج الاختبارات المعرفية والتحصيلية. ولا يجوز تطبيق اختبار F على البيانات الاسمية (Nominal) أو الرتبية البحتة (Ordinal) لعدم توفر الخصائص الرياضية لحساب التباين الحقيقي عليها.

ورغم مرونة الاختبار مع العينات المختلفة، إلا أن استخدام عينات صغيرة جداً (مثلاً أقل من 10 أفراد في المجموعة) يقلل بشدة من الاستقرار الرياضي لتقديرات التباين ويجعل نتائج اختبار F عرضة للتأرجح والتقلب الحاد بفعل القيم الشاذة، مما يستدعي توفير أحجام عينات مناسبة وممثلة لتحقيق استدلال إحصائي رصين.

5. الخطوة الأولى: إعداد وتنظيم البيانات النفسية في جداول بيانات جوجل

5.1 هيكلة البيانات في أوراق العمل وتنسيق الأعمدة

يبدأ التحليل الإحصائي الناجح في جداول بيانات جوجل بالتنظيم الهيكلي السليم لبيانات الدراسة داخل ورقة العمل (Spreadsheet). يتطلب إجراء اختبار F لتساوي التباين ترتيب البيانات في نظام الأعمدة المستقلة (Column-oriented data format)، بحيث تخصص كل مجموعة تجريبية في عمود مستقل تماماً يضم درجات المشاركين التابعين لتلك المجموعة فقط.

يجب تخصيص الصف الأول بالكامل (Row 1) ليكون صف العناوين ورؤوس الأعمدة (Header Row)، مع كتابة تسميات وصفية واضحة وموجزة تعبر عن طبيعة المتغير والمجموعة بدقة؛ مثل كتابة درجات_المجموعة_التجريبية في الخلية $A1$، وكتابة درجات_المجموعة_الضابطة في الخلية $B1$. يسهل هذا التنسيق الإشارة إلى النطاقات الحسابية وضوح قراءة الصيغ الرياضية اللاحقة.

ينبغي التأكد التام من خلو الأعمدة المخصصة للتحليل من أي نصوص تفسيرية إضافية، أو علامات توضيحية، أو صفوف مدمجة (Merged Cells)، أو تباعدات وفراغات عشوائية بين صفوف الدرجات، حيث تبدأ درجات المشاركين مباشرة من الصف الثاني ($A2$ و $B2$) وتمتد تنازلياً حتى آخر مشارك في كل مجموعة.

5.2 تنظيف البيانات والتعامل مع القيم الشاذة (Outliers)

تمتلك القيم الشاذة والمتطرفة (Outliers) أثراً بالغ الخطورة والتشويه على نتائج اختبار F، نظراً لأن التباين يعتمد في حسابه الرياضي على تربيع الانحرافات ($\sum(X – \bar{X})^2$). فوجود درجة واحدة متطرفة جداً كفيل بمضاعفة تباين العينة وتضخيمه اصطناعياً، مما يقود إلى رفض خاطئ للفرضية الصفرية وظهور فروق وهمية في التجانس.

للكشف المنهجي عن القيم الشاذة داخل جداول بيانات جوجل، يمكن للباحث تطبيق أسلوب المدى الربيعي (Interquartile Range – IQR) باستخدام الدوال الإحصائية عبر الخطوات التالية:

• حساب الإئك الأول (Q1) باستخدام الدالة: =QUARTILE(A2:A30, 1)
• حساب الإئك الثالث (Q3) باستخدام الدالة: =QUARTILE(A2:A30, 3)
• حساب المدى الربيعي: $IQR = Q3 – Q1$
• تحديد الحد الأدنى المقبول: $Q1 – (1.5 \times IQR)$
• تحديد الحد الأعلى المقبول: $Q3 + (1.5 \times IQR)$

عند اكتشاف قيم تقع خارج هذه الحدود المسموحة، يجب على الباحث فحص سجلات القياس الأصلية للتأكد من عدم وجود أخطاء في الإدخال الطباعي. وفي حال كانت القيمة الشاذة درجة حقيقية لمشارك فعلي، يتعين على الباحث اتخاذ قرار أكاديمي موثق إما باستبعاد الحالة وفق مسوغات منهجية واضحة، أو تطبيق تحويلات رياضية (مثل التحويل اللوغاريتمي) لتقليص أثر التطرف، مع توثيق كافة الإجراءات بأمانة في تقرير البحث.

5.3 التحقق من أنواع البيانات وصلاحيتها للحسابات الإحصائية

من الأخطاء التقنية الشائعة في جداول بيانات جوجل تخزين بعض الأرقام في صيغة نصية (Text Format)، خاصة عند استيراد البيانات من استبانات إلكترونية مثل Google Forms أو ملفات CSV. يؤدي هذا التنسيق الخاطئ إلى تجاهل الدوال الإحصائية لهذه الخلايا أثناء الحساب، مما يشوه حجم العينة الفعلي ودقة التباين المحسوب.

للتحقق الشامل من صلاحية البيانات العددية داخل ورقة العمل، يمكن استخدام دالة =ISNUMBER(cell) التي تعيد القيمة المنطقية TRUE إذا كانت الخلية تحتوي على رقم صحيح وصالح للحسابات، وتعيد FALSE إذا كان المحتوى نصياً أو يحتوي على مسافات خفية. كما يفضل تحديد عمود البيانات بالكامل واختيار التنسيق العددي القياسي من القائمة: تنسيق > رقم > رقم تلقائي (Format > Number > Number) لضمان تجانس المعالجة الرياضية.

وفيما يتعلق بالقيم المفقودة (Missing Values) الناتجة عن انسحاب مشاركين أو عدم إكمال فقرات المقياس، يجب التأكد من ترك الخلايا فارغة تماماً وتجنب كتابة رموز مثل “NA” أو “-” أو وضع الرقم صفر “0” للتعبير عن الغياب، لأن كتابة الصفر ستُعامل كدرجة فعلية تؤثر على المتوسط والتباين، بينما الخلايا الفارغة تتجاهلها دوال التباين واختبار F تلقائياً دون الإخلال بسلامة التحليل.

6. الخطوة الثانية: تطبيق اختبار F باستخدام دالة FTEST في Google Sheets

6.1 بناء وصيغة دالة FTEST المعيارية

توفر جداول بيانات جوجل دالة إحصائية مباشرة ومتخصصة لإجراء اختبار F بدقة متناهية وسرعة فائقة دون الحاجة لإجراء العمليات الحسابية اليدوية المعقدة. تأخذ الصيغة المعيارية العامة للدالة التركيب التالي:

=FTEST(array1, array2)

تتكون هذه الدالة من وسيطين إلزاميين (Parameters):

• array1: يمثل نطاق الخلايا الذي يحتوي على درجات العينة الأولى (مثل A2:A26).
• array2: يمثل نطاق الخلايا الذي يحتوي على درجات العينة الثانية (مثل B2:B26).

تتميز دالة FTEST بأنها تعيد مباشرة القيمة الاحتمالية ثنائية الذيل (Two-tailed p-value) المرتبطة بفرضية تساوي التباينات. تحسب الدالة داخلياً تباين كل مصفوفة، وتستخرج نسبة F وقيم درجات الحرية المقابلة، ثم تجري التكامل الرياضي على دالة الكثافة الاحتمالية لتوزيع فيشر لترجع احتمال الحصول على نسبة تباين مساوية أو أكثر تطرفاً من النسبة الملاحظة في حال كانت الفرضية الصفرية صحيحة.

6.2 تطبيق الدالة خطوة بخطوة على عينة عملية

لتطبيق اختبار F عملياً عبر دالة FTEST في جداول بيانات جوجل، يمكن اتباع الخطوات الإجرائية التفصيلية التالية:

1. قم بفتح جدول البيانات الذي يحتوي على درجات المجموعتين المرتبة في العمودين A و B.
2. انقر بالفأرة على خلية فارغة جديدة ترغب في ظهور نتيجة التحليل بها (لتكن مثلاً الخلية D2).
3. اكتب علامة المساواة لبدء الصيغة الحسابية: = ثم اكتب اسم الدالة FTEST وافتح القوس الأول: =FTEST(
4. قم بتحديد نطاق بيانات المجموعة الأولى عبر النقر على الخلية A2 والسحب لأسفل حتى الخلية A26، أو اكتب النطاق يدوياً: A2:A26.
5. اكتب الفاصلة (أو الفاصلة المنقوطة ; بحسب الإعدادات الإقليمية لجدول بياناتك).
6. قم بتحديد نطاق بيانات المجموعة الثانية من الخلية B2 إلى الخلية B26 ليصبح شكل الصيغة النهائي: =FTEST(A2:A26, B2:B26)
7. اضغط على مفتاح الإدخال (Enter) في لوحة المفاتيح.

بمجرد الضغط على مفتاح الإدخال، ستظهر في الخلية المختارة قيمة عشرية محصورة بين 0 و 1 (مثل 0.0342). تمثل هذه القيمة الناتجة القيمة الاحتمالية الدقيقة (p-value) للاختبار، والتي يعتمد عليها الباحث في مقارنتها بمستوى الدلالة واتخاذ القرار النهائي.

6.3 استخدام الدالة المحدثة F.TEST والتوافق مع المعايير الحديثة

قامت شركة جوجل، وتماشياً مع المعايير الإحصائية الحديثة وتوافقاً مع صيغ البرمجيات العالمية المحدثة مثل Microsoft Excel 2010 فما بعد، بإدراج الصيغة المحدثة ذات النقطة F.TEST:

=F.TEST(array1, array2)

من الناحية الحسابية والرياضية البحتة، لا يوجد أي اختلاف بين مخرجات دالة FTEST القديمة ومخرجات دالة F.TEST الحديثة؛ فكلاهما يستخدمان نفس الخوارزمية البرمجية ويعيدان نفس القيمة الاحتمالية ثنائية الذيل بنفس مستوى الدقة العشرية.

ومع ذلك، يُوصى دائماً من الناحية الأكاديمية والتقنية باستخدام الصيغة المحدثة F.TEST في الأبحاث الحديثة، نظراً لأن الهيئات القياسية لتطوير البرمجيات تتجه تدريجياً لاعتماد تسميات الدوال التي تفصل بين تصنيف الدالة ونوعها بنقطة. كما يضمن استخدام الدالة الحديثة أقصى درجات التوافق عند تصدير ورقة العمل كملف Excel أو استيرادها عبر منصات سحابية أخرى دون مواجهة أخطاء عدم توافق الصيغ.

7. الحساب التفصيلي والمرحلي لإحصاء F ودرجات الحرية يدوياً في Google Sheets

7.1 حساب التباين ودرجات الحرية لكل عينة باستخدام الدوال الأساسية

على الرغم من سهولة وسرعة دالة F.TEST المباشرة، إلا أن إجراء الحسابات المرحلية والتفصيلية يمنح الباحث فهماً عميقاً لبنية البيانات، ويتيح له استخراج إحصاء F المحسوب الفعلي (F-statistic) وقيم درجات الحرية اللازمة للتوثيق الأكاديمي الرسمي وفق معايير APA، والتي لا تظهرها الدالة المباشرة بمفردها.

لإجراء الحسابات المرحلية، نبدأ بحساب المؤشرات الإحصائية الأساسية لكل مجموعة في خلايا منفصلة كالتالي:

• حساب حجم العينة الأولى ($n_1$): في الخلية $D5$ نكتب: =COUNT(A2:A26)
• حساب حجم العينة الثانية ($n_2$): في الخلية $E5$ نكتب: =COUNT(B2:B26)
• حساب تباين العينة الأولى غير المتحيز ($s_1^2$): في الخلية $D6$ نكتب: =VAR.S(A2:A26)
• حساب تباين العينة الثانية غير المتحيز ($s_2^2$): في الخلية $E6$ نكتب: =VAR.S(B2:B26)
• حساب درجات حرية العينة الأولى ($df_1$): في الخلية $D7$ نكتب: =D5 - 1
• حساب درجات حرية العينة الثانية ($df_2$): في الخلية $E7$ نكتب: =E5 - 1

يجب التنبيه بشدة إلى ضرورة استخدام دالة VAR.S المخصصة لعينات البحوث (Sample Variance) التي تقسم على ($n – 1$)، وتجنب استخدام دالة VAR.P التي تخص المجتمعات الكاملة وتقسم على ($N$)، لأن استخدام الأخيرة يؤدي إلى خفض قيمة التباين وظهور إحصاء F غير دقيق.

7.2 حساب القيمة الفعلية لإحصاء F المحسوب (F-Calculated)

بعد استخراج تباين كل مجموعة على حدة، يتم حساب قيمة إحصاء F المحسوب (F-Calculated) من خلال إجراء عملية قسمة مباشرة في خلية مخصصة (ولتكن الخلية $D9$). وتطبيقاً للقاعدة الرياضية للاختبار أحادي الاتجاه أو عند ترتيب النسب، نضع التباين الأكبر في البسط والتباين الأصغر في المقام:

إذا كان تباين المجموعة الأولى في الخلية $D6$ أكبر من تباين المجموعة الثانية في الخلية $E6$، تكون الصيغة:

=D6 / E6

أما إذا رغب الباحث في جعل الصيغة ديناميكية وتلقائية تماماً بغض النظر عن أي المجموعتين أكبر تبايناً، فيمكن استخدام صيغة الشرط المنطقية التالية في جداول بيانات جوجل:

=MAX(D6, E6) / MIN(D6, E6)

إن القيمة الناتجة عن هذه القسمة تمثل النسبة الفعلية لتشتت البيانات بين المجموعتين. فإذا كانت قيمة F المحسوبة تساوي 1.00 تماماً، فهذا يعني تطابقاً مطلقاً بين تبايني المجموعتين. وكلما ارتفعت قيمة F مبتعدة عن الواحد الصحيح (مثلاً 2.45 أو 3.80)، كلما دل ذلك على اتساع الفجوة في التشتت بين المجموعتين واقتراب النتيجة من الدلالة الإحصائية.

7.3 استخراج القيمة الحرجة والاحتمالية باستخدام دوال التوزيع F.DIST و F.INV

لاكتمل البناء الاستدلالي للتحليل الإحصائي اليدوي، يحتاج الباحث إلى استخراج القيمة الحرجة (F-Critical) من جداول توزيع فيشر، وحساب القيمة الاحتمالية الدقيقة المقابلة لإحصاء F المحسوب. تتيح جداول بيانات جوجل دوال توزيع عكسية ومباشرة متطورة تغني تماماً عن الجداول الورقية القديمة:

أولاً: استخراج القيمة الحرجة لاختبار F (F-Critical):

لحساب القيمة الحرجة للذيل الأيمن عند مستوى دلالة $\alpha = 0.05$، نستخدم دالة التوزيع العكسي F.INV.RT مع تزويدها بمستوى الدلالة ودرجات الحرية:

=F.INV.RT(0.05, D7, E7)

حيث تمثل $D7$ درجات حرية البسط ($df_1$)، وتمثل $E7$ درجات حرية المقام ($df_2$). تعيد هذه الدالة الرقم الحرج الذي يشكل الحد الفاصل لمنطقة رفض الفرضية الصفرية على منحنى التوزيع.

ثانياً: حساب القيمة الاحتمالية دقيقة الاتجاه (p-value):

لحساب القيمة الاحتمالية المرتبطة بقيمة F المحسوبة المستخرجة في الخلية $D9$، نستخدم دالة التوزيع التراكمي للذيل الأيمن F.DIST.RT كالتالي:

=F.DIST.RT(D9, D7, E7)

عند الرغبة في الحصول على القيمة الاحتمالية ثنائية الذيل (Two-tailed) لمقارنتها بالناتج التلقائي لدالة FTEST، نقوم بضرب ناتج دالة الذيل الأيمن في 2 كالتالي: =2 * F.DIST.RT(D9, D7, E7). وسيلاحظ الباحث التطابق التام والمطلق بين هذا الناتج المرحلي وناتج الدالة المباشرة، مما يرسخ الفهم العميق لآلية عمل الاختبار الإحصائي.

8. تفسير نتائج اختبار F واتخاذ القرار الإحصائي الأكاديمي

8.1 مقارنة القيمة الاحتمالية (p-value) بمستوى الدلالة المعياري (Alpha)

يعد مدخل القيمة الاحتمالية (p-value approach) الأسلوب الأكثر شيوعاً واعتماداً في التقارير والأبحاث السيكولوجية الحديثة لاتخاذ القرار الإحصائي حول الفرضيات. يعتمد هذا الأسلوب على مقارنة قيمة $p$ المستخرجة من جداول بيانات جوجل بالعتبة الاحتمالية المحددة مسبقاً (مستوى الدلالة $\alpha = 0.05$) وفق القواعد الإجرائية الصارمة التالية:

• قاعدة الرفض: إذا كانت القيمة الاحتمالية أصغر من مستوى الدلالة المعياري ($p < 0.05$)، يتخذ الباحث قراراً قاطعاً بـ رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_A$). يعني هذا القرار وجود فرق دال إحصائياً بين تباين المجموعتين، وأن التباينات غير متجانسة (Heterogeneous Variances).
• قاعدة القبول (عدم الرفض): إذا كانت القيمة الاحتمالية أكبر من أو مساوية لمستوى الدلالة ($p ge 0.05$)، يتخذ الباحث قراراً بـ الفشل في رفض الفرضية الصفرية (Fail to Reject $H_0$). ويعني ذلك عدم وجود أدلة كافية لإثبات وجود فرق في التشتت، مما يدعم تحقق فرضية تجانس التباين (Homogeneity of Variance).

فعلى سبيل المثال، إذا أظهرت دالة F.TEST قيمة $p = 0.0234$، ونظراً لأن $0.0234 < 0.05$، فإننا نرفض الفرضية الصفرية ونستنتج أن المجموعتين تختلفان اختلافاً جوهرياً في مستوى تشتت درجاتهما النفسية بمستوى ثقة يتجاوز 95%.

8.2 المقارنة المباشرة بين قيمة F المحسوبة وقيمة F الحرجة (Critical Value)

يمثل أسلوب القيمة الحرجة (Critical Value approach) المدخل الكلاسيكي الموازي لمدخل القيمة الاحتمالية، حيث يوفر تمثيلاً هندسياً ومكانياً واضحاً لموقع النتائج التجريبية على منحنى توزيع فيشر الاحتمالي. ينقسم منحنى التوزيع إلى منطقتين رئيسيتين يفصل بينهما خط القيمة الحرجة ($F_{critical}$):

• منطقة القبول (منطقة عدم الرفض): وتقع على يسار القيمة الحرجة باتجاه المركز، وتشمل جميع قيم F المحسوبة التي تكون أصغر من أو مساوية للقيمة الحرجة ($F_{calculated} le F_{critical}$).
• منطقة الرفض الحرجة (Rejection Region): وتقع في أقصى الذيل الأيمن لمنحنى التوزيع، وتشمل القيم التي تكون فيها قيمة F المحسوبة أكبر تماماً من القيمة الحرجة ($F_{calculated} > F_{critical}$).

وعليه، فإذا كانت قيمة F المحسوبة المستخرجة يدوياً في جدول البيانات هي $F = 3.12$، بينما بلغت القيمة الحرجة المستخرجة بدالة F.INV.RT عند درجات الحرية المقابلة $F_{critical} = 2.15$، ونظراً لأن $3.12 > 2.15$، فإن النتيجة تقع عميقاً داخل منطقة الرفض، مما يؤكد رفض الفرضية الصفرية لتساوي التباينات والتأكيد على عدم تكافؤ التشتت بين العينتين.

8.3 الاستنتاج السيكولوجي والتفسير المفاهيمي للنتائج

لا تنتهي مهمة الباحث النفسي عند استخراج الأرقام الإحصائية واتخاذ قرار الرفض أو القبول الرياضي، بل تبدأ المهمة الأكثر أهمية المتمثلة في تحويل هذه الأرقام إلى تفسيرات سيكولوجية وسلوكية ذات معنى تسهم في فهم الظاهرة موضع الدراسة وتجيب عن أسئلة البحث.

إن ثبوت عدم تجانس التباين (رفض $H_0$) يحمل دلالات جوهرية حول طبيعة الفروق الفردية داخل العينة؛ فقد يشير التباين المرتفع في المجموعة التجريبية الخاضعة لبرنامج علاجي إلى أن هذا التدخل يحدث تأثيراً متفاوتاً بشدة، حيث يستفيد منه بعض المرضى بدرجة فائقة بينما يظل آخرون دون تحسن ملموس. هذا التفاوت يوجه المعالج النفسي إلى ضرورة البحث في المتغيرات الوسيطة (Moderating Variables) مثل سمات الشخصية أو الدعم الاجتماعي التي قد تفسر سبب تباين الاستجابة السلوكية.

أما على الصعيد المنهجي الإجرائي، فإن قرار اختبار F يحدد بشكل مباشر الخطوة الإحصائية التالية للباحث: فإذا ثبت تجانس التباين ($p ge 0.05$)، يواصل الباحث تحليله باستخدام اختبار “ت” القياسي للعينات المستقلة (Student’s t-test). أما إذا ثبت عدم تجانس التباين ($p < 0.05$)، يتوجب على الباحث فوراً التحول إلى اختبار ويلش (Welch's t-test) المعدل لتباينات غير متساوية لضمان عدم الوقوع في أخطاء استدلالية عند مقارنة المتوسطات الحسابية.

9. تطبيقات اختبار F وعلاقته بالاختبارات الإحصائية الأخرى في علم النفس

9.1 اختبار F كشرط مسبق لاختبار t للعينات المستقلة (Student’s t-test)

يرتبط اختبار F ارتباطاً عضوياً باختبار “ت” للعينات المستقلة (Two-sample independent t-test)؛ حيث يُعد اختبار F بمثابة “حارس البوابة” (Gatekeeper) الإحصائي الذي يحدد أي نموذج رياضي يجب تطبيقه لمقارنة متوسطي المجموعتين. يفترض اختبار “ت” الكلاسيكي تباينات متساوية (Equal Variances Assumed)، ويستخدم تقديراً مشتركاً للتباين المجمع (Pooled Variance):

$$s_p^2 = \frac{(n_1 – 1)s_1^2 + (n_2 – 1)s_2^2}{n_1 + n_2 – 2}$$

وعندما يظهر اختبار F عبر جداول بيانات جوجل أن التباينات غير متساوية ($p < 0.05$)، يصبح استخدام التباين المجمع غير جائز رياضياً، ويتعين على الباحث استخدام اختبار ويلش للتباينات غير المتساوية (Welch’s t-test). يقوم اختبار ويلش بتعديل درجات الحرية عبر معادلة ويلش-ساترثويت (Welch–Satterthwaite equation) لحماية مستوى الدلالة من التضخم الكاذب.

في جداول بيانات جوجل، يمكن للباحث تطبيق اختبار “ت” بنوعيه بسلاسة فائقة عبر دالة T.TEST من خلال تحديد الوسيط الرابع المخصص لنوع التباين:

• إذا أظهر اختبار F تجانس التباينات، نطبق اختبار “ت” القياسي بالصيغة: =T.TEST(array1, array2, 2, 2) (الرقم 2 الأخير يرمز إلى تباينات متساوية Homoscedastic).
• إذا أظهر اختبار F عدم تجانس التباينات، نطبق اختبار ويلش بالصيغة: =T.TEST(array1, array2, 2, 3) (الرقم 3 يرمز إلى تباينات غير متساوية Heteroscedastic).

9.2 اختبار F في إطار تحليل التباين أحادي الاتجاه (One-Way ANOVA)

من الضروري للباحث المبتدئ التمييز المفاهيمي الدقيق بين استخدام اختبار F لمقارنة تباين مجموعتين فقط، وبين استخدام إحصاء F داخل نموذج تحليل التباين أحادي الاتجاه (One-Way ANOVA). فبينما يهدف الأول إلى فحص تشتت مجتمعين، يهدف الثاني إلى فحص دلالة الفروق بين ثلاثة متوسطات حسابية أو أكثر في آن واحد.

يقوم تحليل التباين (ANOVA) على تجزئة التباين الكلي للدرجات (Total Variance) إلى مكونين أساسيين:

• التباين بين المجموعات (Between-group Variance): ويعكس التغير الناتج عن أثر المعالجة التجريبية والمتغير المستقل.
• التباين داخل المجموعات (Within-group Variance / Error Variance): ويعكس الفروق الفردية العشوائية وأخطاء القياس غير المنضبطة.

ويُحسب إحصاء F في ANOVA كنسبة بين متوسط مربعات التباين بين المجموعات إلى متوسط مربعات التباين داخل المجموعات ($F = MS_{between} / MS_{within}$). ويمكن للباحثين إجراء تحليل التباين الشامل في جداول بيانات جوجل باستخدام الإضافات المتقدمة (Add-ons) مثل XLMiner Analysis ToolPak لتوليد جداول ANOVA المتكاملة ومصفوفات المقارنات البعدية بدقة متناهية.

9.3 مقارنة اختبار F باختبارات التجانس الأخرى (Levene و Bartlett)

على الرغم من الأناقة الرياضية لاختبار F لتساوي التباين، إلا أن الأدبيات المنهجية المعاصرة تشير إلى بعض القيود الهامة عند مقارنته باختبارات التجانس البديلة، لا سيما في سياق البيانات النفسية الواقعية التي نادراً ما تتبع التوزيع الطبيعي المثالي:

يتميز اختبار ليفين (Levene’s Test) بأنه الاختبار الأكثر متانة وقوة ومقاومة لانتهاك التوزيع الطبيعي (Robust Test). يعتمد اختبار ليفين على تحويل الدرجات الأصلية إلى انحرافات مطلقة عن المتوسط أو الوسيط ($|X_i – \text{Median}|$) ثم إجراء تحليل تباين عليها. ويُفضل استخدام ليفين كمعيار أساسي لتجانس التباين في البرمجيات الإحصائية المتقدمة عند الشك في اعتدالية التوزيع أو وجود التواء في البيانات.

أما اختبار بارتليت (Bartlett’s Test)، فيُستخدم لمقارنة التباين بين أكثر من مجموعتين، ولكنه يشبه اختبار F في حساسيته الشديدة لانتهاك التوزيع الطبيعي. لذلك، يُعد اختبار F مثالياً وكافياً تماماً في جداول بيانات جوجل عندما تكون البيانات مستوفية لشروط الاعتدالية ومقتصرة على مجموعتين مستقلتين، بينما يُفضل اللجوء للبدائل اللامعلمية أو اختبار ليفين عند الانحراف الواضح عن التوزيع الطبيعي.

10. دراسة حالة نفسية تطبيقية: مقارنة تباين الاستجابة للضغط النفسي

10.1 توصيف التجربة وفرضيات البحث السيكولوجي

لتجسيد كافة الخطوات النظرية والرياضية السابقة في سياق تطبيقي واقعي، نفترض إجراء دراسة في علم النفس الإكلينيكي والصحي تهدف إلى فحص أثر برنامج قائم على تدريب اليقظة الذهنية (Mindfulness-Based Stress Reduction – MBSR) على استقرار واستجابة الضغط النفسي لدى عينة من الموظفين المعرضين للاحتراق النفسي المهني.

تم اختيار عينة عشوائية مكونة من 50 موظفاً، وتوزيعهم عشوائياً وبشكل مستقل إلى مجموعتين متساويتين ($n_1 = 25, n_2 = 25$):

• المجموعة التجريبية (Mindfulness Group): خضعت لبرنامج مكثف في اليقظة الذهنية لمدة 8 أسابيع.
• المجموعة الضابطة (Control Group): وُضعت على قائمة الانتظار دون تلقي التدريب.

بعد انتهاء البرنامج، خضع جميع المشاركين لمقياس إدراك الضغط النفسي المقنن (Perceived Stress Scale – PSS)، حيث تشير الدرجات الأعلى إلى مستويات ضغط نفسي أكبر. يفترض الباحث السيكولوجي أن تدريب اليقظة الذهنية لن يكتفي بخفض متوسط درجات الضغط فحسب، بل سيعمل على تنظيم استجابات المشاركين الانفعالية مما يجعل تباين درجاتهم أكثر تجانساً واستقراراً (أقل تشتتاً) مقارنة بالمجموعة الضابطة التي تتسم استجابات أفرادها بتفاوت حاد. صيغت الفرضيات الإحصائية كالتالي:

• $H_0: \sigma_{\text{تجريبية}}^2 = \sigma_{\text{ضابطة}}^2$ (لا توجد فروق دالة في تباين الضغط النفسي بين المجموعتين).
• $H_A: \sigma_{\text{تجريبية}}^2 ne \sigma_{\text{ضابطة}}^2$ (توجد فروق دالة إحصائياً في تباين الضغط النفسي بين المجموعتين).

10.2 التطبيق العملي الكامل داخل جداول بيانات جوجل

تم إدخال درجات مقياس الضغط النفسي (PSS) للمشاركين في جدول بيانات جوجل؛ حيث وُضعت درجات المجموعة التجريبية الـ 25 في النطاق A2:A26، ودُرجات المجموعة الضابطة الـ 25 في النطاق B2:B26. تم تنفيذ التحليل الإحصائي الكامل من خلال تطبيق الصيغ التالية في خلايا جدول البيانات:

المؤشر الإحصائي	الصيغة المستخدمة في Google Sheets	المجموعة التجريبية	المجموعة الضابطة
حجم العينة ($n$)	=COUNT(A2:A26) | =COUNT(B2:B26)	25	25
المتوسط الحسابي ($M$)	=AVERAGE(A2:A26) | =AVERAGE(B2:B26)	18.40	28.60
التباين العيني ($s^2$)	=VAR.S(A2:A26) | =VAR.S(B2:B26)	12.25	31.85
الانحراف المعياري ($SD$)	=STDEV.S(A2:A26) | =STDEV.S(B2:B26)	3.50	5.64
درجات الحرية ($df$)	$n – 1$	24	24

لحساب إحصاء F التفصيلي، تم وضع التباين الأكبر (المجموعة الضابطة = 31.85) في البسط والتباين الأصغر (المجموعة التجريبية = 12.25) في المقام عبر الصيغة =31.85 / 12.25، لتنتج قيمة إحصاء F المحسوبة: F = 2.60.

ثم تم استخراج القيمة الاحتمالية المباشرة لاختبار F في الخلية D12 عبر الدالة: =F.TEST(A2:A26, B2:B26) والتي أسفرت عن نتيجة دقيقة بلغت: p = 0.0214. وللتأكيد تم حساب القيمة الحرجة عند $\alpha = 0.05$ بالصيغة: =F.INV.RT(0.05, 24, 24) فبلغت: F_crit = 1.98.

10.3 تحليل وتفسير النتائج السلوكية ومناقشتها

بمقارنة القيمة الاحتمالية الناتجة بمستوى الدلالة المعياري ($p = 0.0214 1.98$)، يتخذ الباحث قراراً إحصائياً قاطعاً بـ رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_A$)، مما يؤكد وجود فرق دال إحصائياً بين تباين درجات الضغط النفسي لدى ممارسي اليقظة الذهنية والمجموعة الضابطة.

يقود التحليل السيكولوجي لهذه النتيجة إلى استنتاجين جوهريين:

• الأثر التنظيمي لليقظة الذهنية: إن انخفاض تباين المجموعة التجريبية ($s^2 = 12.25$) بنسبة تتجاوز النصف مقارنة بالمجموعة الضابطة ($s^2 = 31.85$) يشير بوضوح إلى أن تدريب اليقظة الذهنية لم يخفض فقط المتوسط العام للضغط، بل أسهم في خلق “استقرار انفعالي جماعي” وقارب بين مستويات استجابة الأفراد للضغوط، مما قلص الفروق الفردية الحادة في الشعور بالتوتر.
• التوجيه المنهجي للتحليل البعدي: بناءً على ثبوت عدم تجانس التباينات، يُمنع الباحث منهجياً من استخدام اختبار “ت” التقليدي لمقارنة متوسطي المجموعتين، ويتعين عليه استخدام اختبار ويلش (Welch’s t-test) عبر الصيغة =T.TEST(A2:A26, B2:B26, 2, 3) لضمان الحصول على استدلال غير متحيز حول دلالة الفروق بين المتوسطين (18.40 مقابل 28.60).

11. الأخطاء الشائعة واستكشاف المشكلات وإصلاحها في جداول بيانات جوجل

11.1 معالجة أخطاء الصيغ الإحصائية الشائعة (#DIV/0!, #VALUE!, #NUM!)

أثناء تطبيق اختبار F في جداول بيانات جوجل، قد يواجه الباحث بعض رسائل الخطأ التقنية التي تعيق ظهور النتائج. نوضح فيما يلي أسباب هذه الأخطاء وكيفية معالجتها برمجياً:

• خطأ القسمة على صفر #DIV/0!: يظهر هذا الخطأ عندما يكون تباين إحدى المجموعتين مساوياً للصفر تماماً ($s^2 = 0$)، وهو ما يحدث إذا تطابقت جميع درجات المفحوصين داخل العينة في نفس الرقم دون أي اختلاف. لعلاج ذلك، يجب فحص البيانات والتأكد من إدخال درجات حقيقية ومتنوعة تعكس الفروق الفردية.
• خطأ القيمة #VALUE!: يظهر عندما يتضمن نطاق الخلايا المحدد قيماً نصية، أو أحرفاً غير رقمية، أو مسافات فارغة مخفية داخل النص. يُعالج هذا الخطأ بفحص الأعمدة باستخدام دالة =ISNUMBER() وتحويل كافة مدخلات النطاق إلى التنسيق العددي الصافي.
• خطأ الرقم غير الصالح #NUM!: يظهر عادة عند استخدام دوال التوزيع العكسية مثل F.INV.RT إذا تم إدخال قيمة احتمالية سالبة أو قيمة تتجاوز الواحد الصحيح ($\alpha le 0$ أو $\alpha ge 1$)، أو إدخال درجات حرية تساوي صفراً أو سالبة. يتم الحل بضبط قيمة مستوى الدلالة لتكون ضمن المدى المسموح ($0 < \alpha < 1$) والتأكد من أن أحجام العينات أكبر من 1.

11.2 أخطاء اختيار النطاق وتفاوت أحجام العينات

من الأخطاء الإجرائية المتكررة قيام الباحث بتضمين صف رؤوس الأعمدة (Header Cells) عن طريق الخطأ ضمن مصفوفة دالة FTEST؛ مثل كتابة =FTEST(A1:A26, B1:B26) بدلاً من البدء من الصف الثاني A2. يؤدي هذا التضمين النصي إما إلى ظهور خطأ #VALUE! أو إلى تجاهل الصف الأول مما يقلل من حجم العينة الفعلي بدرجة واحدة دون انتباه الباحث.

وعند مقارنة عينات غير متساوية الحجم ($n_1 = 30$ و $n_2 = 45$)، يخطئ البعض بتحديد نطاق متساوٍ للمجموعتين متضمناً خلايا فارغة في المجموعة الأصغر (مثل تحديد A2:A46 للمجموعة الأولى بينما تنتهي بياناتها عند A31). وعلى الرغم من أن جداول بيانات جوجل تتجاهل الخلايا الفارغة في الغالب، إلا أن وجود أي مسافة غير مرئية في تلك الخلايا الفارغة سيؤدي إلى احتسابها كأصفار مما يشوه التحليل تماماً. الحل الأمثل هو تحديد النطاق الفعلي المطابق تماماً لعدد بيانات كل مجموعة: =FTEST(A2:A31, B2:B46).

لضمان التحديث التلقائي للصيغ عند إضافة مشاركين جدد مستقبلاً إلى الدراسة، يمكن استخدام النطاقات المفتوحة المدمجة مع دالة التصفية FILTER لضمان استبعاد الخلايا الفارغة ديناميكياً:

=F.TEST(FILTER(A2:A, ISNUMBER(A2:A)), FILTER(B2:B, ISNUMBER(B2:B)))

11.3 المحاذير المنهجية في تفسير دالة FTEST

يقع بعض الباحثين في خلط منهجي ومفاهيمي خطير بين دلالة اختبار تباين F ودلالة اختبار متوسطات t؛ حيث يعتقد البعض خطأً أن الحصول على قيمة $p < 0.05$ في دالة FTEST يعني تلقائياً تفوق إحدى المجموعتين على الأخرى في متوسط السمة المقاسة. يجب التأكيد دائماً على أن اختبار F في هذا السياق يفحص تشتت وتجانس البيانات فقط، ولا يقدم أي استدلال حول اتجاه أو تفوق المتوسطات الحسابية.

ومن المحاذير أيضاً الاعتماد الأعمى على مخرجات دالة FTEST دون الفحص المسبق لاعتدالية التوزيع واستقلالية المشاهدات. ففي حال كانت البيانات ملتوية بشدة، فإن القيمة الاحتمالية الناتجة عن دالة FTEST تصبح غير موثوقة ويجب استبدالها باختبار ليفين أو تطبيق التحويلات المعيارية المناسبة.

وأخيراً، ينبغي تجنب الاكتفاء بذكر القيمة الاحتمالية $p$ في التقرير العلمي دون توضيح قيم التباينات الفعلية لكل مجموعة والانحرافات المعيارية وإحصاء F المحسوب؛ فالاستدلال العلمي المتكامل يتطلب تقديم الحجم المطلق للتشتت ومقارنته بالدلالة الاحتمالية المستخرجة لتوفير صورة علمية كاملة ومقنعة للقارئ والمحكم الأكاديمي.

12. دليل كتابة وتوثيق نتائج اختبار F وفق معايير الجمعية الأمريكية لعلم النفس (APA 7)

12.1 الصيغة المعيارية لكتابة النتائج الإحصائية لاختبار F في المتن

تضع الجمعية الأمريكية لعلم النفس في دليلها السابع (APA 7th Edition Publication Manual) قواعد تنسيقية واضحة وصارمة لتوثيق نتائج اختبار F داخل متن التقرير البحثي. تأخذ الصيغة المعيارية العامة الشكل التالي:

F(df_بسط, df_مقام) = [قيمة F المحسوبة], p = [القيمة الاحتمالية]

تتضمن القواعد الطباعية المعيارية لـ APA 7 ما يلي:

• كتابة الحروف اللاتينية الدالة على المعالم الإحصائية بخط مائل مائل (Italicized)؛ مثل: F, p, M, SD, df.
• تقريب قيمة إحصاء F والانحرافات المعيارية والمتوسطات إلى منزلتين عشريتين (مثل 2.60).
• كتابة القيمة الاحتمالية بدقة حتى ثلاث منازل عشرية دون وضع الصفر قبل الفاصلة العشرية في اللغة الإنجليزية (مثل: p = .021) لأن القيمة الاحتمالية لا يمكن أن تتجاوز الواحد الصحيح، مع كتابة p < .001 إذا كانت النتيجة متناهية الصغر.
• فصل درجات الحرية بفاصلة ووضعها بين قوسين ملاصقين لحرف F مباشرة.

أمثلة نصية عملية للتوثيق في تقرير البحث:

الصياغة باللغة العربية:
“أظهرت نتائج اختبار فيشر لتساوي التباين وجود فرق دال إحصائياً في تشتت درجات الضغط النفسي بين المجموعتين، F(24, 24) = 2.60، p = .021؛ حيث أظهرت المجموعة التجريبية تبايناً أقل واستقراراً أعلى في الاستجابات (M = 18.40, SD = 3.50) مقارنة بالمجموعة الضابطة (M = 28.60, SD = 5.64)، مما يؤكد عدم تحقق افتراض تجانس التباين واستلزم تطبيق اختبار ويلش لمقارنة المتوسطات.”

الصياغة المطابقة باللغة الإنجليزية:
“An F-test for equality of variances revealed a statistically significant difference in the variance of perceived stress scores between the two groups, F(24, 24) = 2.60, p = .021. The mindfulness group exhibited significantly lower variance (M = 18.40, SD = 3.50) compared to the control group (M = 28.60, SD = 5.64), violating the assumption of homogeneity of variance.”

12.2 تصميم الجداول والمخططات البيانية لعرض التباينات في Google Sheets

يشترط دليل APA 7 تصميم جداول إحصائية نظيفة وخالية من الخطوط الرأسية المعقدة (Vertical Lines)، مع الاكتفاء بثلاثة خطوط أفقية رئيسية تفصل رأس الجدول، وعناوين المتغيرات، ونهاية الجدول. يمكن للباحث بناء وتنسيق هذه الجداول بدقة داخل جداول بيانات جوجل وتصديرها مباشرة إلى مستندات Google Docs أو Microsoft Word.

ولتمثيل التباين والتشتت بصرياً داخل جداول بيانات جوجل، تبرز أداتان رئيسيتان:

• مخطط الصندوق والطرفين (Box and Whisker Plot): يعد الرسم البياني الأمثل لتمثيل التباين؛ حيث يعرض بوضوح الوسيط، والمدى الربيعي (حجم الصندوق المعبر عن تشتت 50% من البيانات)، والحدود الدنيا والعليا، بالإضافة إلى تمثيل القيم الشاذة كنقاط منفصلة خارج الطرفين.
• أعمدة الخطأ المعياري (Error Bars): عند إنشاء رسم بياني عمودي لمقارنة المتوسطات، يتيح محرر الرسوم في جداول بيانات جوجل إضافة أشرطة الخطأ المخصصة (Custom Error Bars) وربطها بقيم الانحراف المعياري ($SD$) لكل مجموعة لتوضيح مدى تباين وتشتت الدرجات حول المتوسط بشكل مرئي أنيق.

12.3 دمج نتائج اختبار F في قسم مناقشة النتائج والقيود البحثية

يمثل قسم المناقشة (Discussion) المساحة العلمية التي يربط فيها الباحث نتائجه الإحصائية بالإطار النظري الأوسع؛ فعند مناقشة نتائج اختبار F، يجب التطرق إلى النقاط المنهجية التالية:

أولاً: ربط التشتت بالأهداف السلوكية: يجب توضيح كيف يسهم تقليص أو زيادة التباين في دعم النظريات النفسية؛ ففي التدخلات التربوية والعلاجية، غالباً ما يكون الهدف المزدوج هو تحسين المتوسط وتقليص التباين لضمان وصول كافة المفحوصين إلى مستوى متقارب من الكفاءة والتوافق النفسي.

ثانياً: استعراض القيود المنهجية (Methodological Limitations): ينبغي على الباحث الاعتراف بأي قيود قد تكون أثرت على تباين البيانات؛ مثل طبيعة العينة المتاحة، أو وجود متغيرات دخيلة لم يتم ضبطها كالفروق الفردية في الدافعية أو التاريخ الشخصي للمشاركين، والتي قد تؤدي إلى تضخم التباين في إحدى المجموعات دون الأخرى.

ثالثاً: توصيات البحوث المستقبلية: توجيه الباحثين في الدراسات اللاحقة إلى ضرورة استخدام تصميمات تجريبية قادرة على ضبط التباين العشوائي، مثل استخدام تصميم القياسات المتكررة (Repeated Measures) أو مطابقة الأزواج (Matched-Pairs Design)، مع التوصية باختبار أدوات قياس متعددة للتأكد من استقرار تباين القياس عبر مختلف السياقات التطبيقية.

خاتمة

يعد اختبار F لتساوي التباين في جداول بيانات جوجل أداة إحصائية منهجية رفيعة المستوى تمنح الباحثين في العلوم النفسية والسلوكية والتربوية القدرة على فحص الفروق الفردية وتشتت البيانات بكفاءة ودقة استثنائية. ومن خلال الفهم العميق للأسس الرياضية للاختبار، واستيفاء شروطه المسبقة، وإتقان تطبيق دواله السحابية المباشرة والمرحلية (مثل F.TEST و F.INV.RT)، يستطيع الباحث بناء نماذج استدلالية رصينة وتجنب الأخطاء الشائعة في مقارنة المجموعات. إن الجمع بين قوة التحليل الإحصائي ومرونة العمل التعاوني في جداول بيانات جوجل والالتزام بمعايير التوثيق الأكاديمي الصارمة وفق APA 7 يمثل المسار الاحترافي الأمثل لإنتاج بحوث علمية موثوقة تسهم بفاعلية في تطوير المعرفة الإنسانية.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Google. (2023). Google Sheets function list: F.TEST. Google Docs Editors Help. https://support.google.com/docs/answer/3094065
• Hayes, A. F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: An introduction and software implementation. Behavior Research Methods, 39(4), 709–722. https://doi.org/10.3758/BF03192961
• Levene, H. (1960). Robust tests for equality of variances. In I. Olkin, S. G. Ghurye, W. Hoeffding, W. G. Madow, & H. B. Mann (Eds.), Contributions to probability and statistics: Essays in honor of Harold Hotelling (pp. 278–292). Stanford University Press.
• Snedecor, G. W., & Cochran, W. G. (1989). Statistical methods (8th ed.). Iowa State University Press.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.