اختبار F مقابل اختبار T: ما هو الفرق؟

يشكل الاستدلال الإحصائي الركيزة الأساسية التي تقوم عليها الأبحاث العلمية المعاصرة في مختلف الحقول المعرفية، وبخاصة في العلوم السلوكية والنفسية والاجتماعية والتربوية والطبية. فعند دراسة الظواهر المعقدة التي تتسم بالتباين والتغير المستمر، يقف الباحث أمام تحدٍ منهجي يتمثل في استحالة دراسة المجتمع الإحصائي بأكمله نتيجة لمحدودية الموارد والوقت، مما يفرض الاعتماد على عينات ممثلة تستخلص منها مؤشرات كمية تُعرف بالإحصاءات (Statistics)، لتوظيفها في تقدير معالم المجتمع (Parameters) واختبار الفرضيات النظرية عبر براهين رياضية محكمة.

وفي قلب هذا المسار الاستدلالي، تبرز الاختبارات الإحصائية المعلمية (Parametric Tests) بوصفها الأدوات الأكثر كفاءة وقوة وقدرة على رصد الفروق وتفسير التباينات وتحديد الدلالة الإحصائية للنتائج التجريبية وشبه التجريبية. وتعد اختبارات الفروق، ولا سيما اختبار T (Student’s t-test) واختبار F (Fisher’s F-test)، من أكثر الأساليب شيوعاً واستخداماً في معالجة البيانات الكمية، نظراً لدقتهما الرياضية ومرونتهما في الإجابة عن طيف واسع من التساؤلات البحثية المرتبطة بمقارنة المتوسطات الحسابية أو فحص تجانس التشتت والتباين بين المجموعات.

ورغم الشهرة الواسعة لهذين الاختبارين، فإن الواقع التطبيقي في البيئات الأكاديمية والبحثية يشهد في كثير من الأحيان خلطاً مفاهيمياً ومنهجياً بين وظائف كل منهما؛ حيث يقع العديد من الباحثين وطلاب الدراسات العليا في شَرَك المقارنات الخاطئة أو الاستخدام غير المبرر لاختبار دون الآخر، مما يؤدي إلى تضخيم معدلات الخطأ الإحصائي أو استخلاص استنتاجات مضللة قد تعصف بصدق البحث وثبات نتائجه. يستهدف هذا المرجع الشامل تفكيك المفاهيم الرياضية والنظرية الكامنة وراء كل من اختبار F واختبار T، وتقديم مقارنة تحليلية دقيقة بينهما، وتوضيح شروط تطبيقهما، واستعراض العلاقة التكاملية التي تجمعهما، مع تزويد الباحث بدليل عملي متكامل لتطبيقهما وتفسير مخرجاتهما بدقة وموضوعية وفق أحدث المعايير العلمية.

1. مقدمة شاملة حول الاختبارات الإحصائية المعلمية ودورها في البحث العلمي

1.1 أهمية الاستدلال الإحصائي في العلوم النفسية والسلوكية

يمثل الاستدلال الإحصائي (Inferential Statistics) القنطرة المنهجية التي تنقل الباحث من نطاق الوصف المحدود للعينة المدروسة إلى آفاق التعميم العلمي الواسع على المجتمع الإحصائي المستهدف. ففي مجالات علم النفس، والعلوم العصبية، والتربية، والعلوم السلوكية بوجه عام، يتعامل الباحث مع متغيرات بالغة التعقيد مثل الذكاء، والقلق، ومهارات التعلم، والدافعية، وهي سمات لا يمكن قياسها بطريقة مادية مباشرة ومطلقة، بل تستند إلى استجابات سلوكية قابلة للقياس الكمي وتتأثر بعوامل بيولوجية وبيئية متعددة تولّد قدراً كبيراً من التشتت الطبيعي.

يتيح الاستدلال الإحصائي إمكانية اختبار النظريات السيكولوجية عبر تحويل التخمينات والفرضيات العقلية إلى نماذج رياضية قابلة للاختبار والتفنيد (Falsification). فبدلاً من الاكتفاء بملاحظة أن درجات عينة من الأفراد الذين خضعوا لبرنامج علاجي معرفي سلوكي قد تحسنت ظاهرياً مقارنة بمجموعة ضابطة، يمنحنا الاستدلال الإحصائي المعلمي أداة صارمة لتحديد ما إذا كان هذا التحسن الملاحظ يعكس تغيراً حقيقياً وجوهرياً في البنية المعرفية للمشاركين ناتجاً بالفعل عن التدخل التجريبي، أم أنه مجرد تباين عشوائي حدث بمحض الصدفة الإحصائية أو نتيجة لأخطاء المعاينة (Sampling Errors).

علاوة على ذلك، يكتسب اتخاذ القرارات القائمة على الأدلة الكمية (Evidence-Based Decisions) أهمية حاسمة في التطبيقات الإكلينيكية والتربوية؛ حيث يُبنى اعتماد بروتوكول علاجي نفسي جديد، أو تعميم استراتيجية تعليمية في المدارس، على مؤشرات الدلالة الإحصائية وقوة البرهان الرياضي المستمد من الاختبارات المعلمية. وتضمن هذه المنهجية حماية الممارسة المهنية من الانطباعات الذاتية والانحيازات المعرفية للباحث، مما يرسخ مبدأ الموضوعية وقابلية التكرار والتحقق في البحث العلمي الرصين.

1.2 الخلط الشائع بين اختبار F واختبار T لدى الباحثين

يعد الخلط بين اختبار T واختبار F من أكثر الأخطاء المنهجية تواتراً في الإنتاج البحثي، ويرجع ذلك بالدرجة الأولى إلى اشتراكهما في الهدف النهائي العام المتمثل في اختبار الفرضيات الإحصائية وتحديد الدلالة المعنوية (Statistical Significance) للعلاقات والفروق بين المتغيرات. وكثيراً ما يتعامل الباحثون المبتدئون مع هذين الاختبارين كأدوات تبادلية يمكن إحلال إحداهما محل الأخرى دون مراعاة دقيقة للأسس الرياضية وطبيعة البارامتر (المعلمة) الخاضعة للقياس والفحص.

يكمن جوهر اللبس في عدم التمييز الواضح بين مقارنة المتوسطات الحسابية (Means) ومقارنة التباينات أو التشتت (Variances). فاختبار T صُمم في أصله لمقارنة متوسطي مجموعتين وتحديد ما إذا كان الفارق بين مركزَي التوزيعين حقيقياً، بينما يقوم اختبار F على مقارنة نسب التباينات بين مجتمعين، أو مقارنة التباين المفسَّر بين مجموعات متعددة بالتباين غير المفسَّر داخلها كما هو الحال في تحليل التباين (ANOVA). وعندما يجهل الباحث هذا الفارق الوظيفي، فإنه قد يستخدم اختبار T بصورة مكررة في تصاميم تجريبية تحتوي على أكثر من مجموعتين، وهو ما يؤدي إلى كارثة إحصائية تتمثل في التضخم الأسي لمعدل الخطأ من النوع الأول (Family-wise Type I Error Rate).

إن الاختيار الخاطئ للاختبار الإحصائي لا يؤدي فقط إلى رفض فرضيات صفرية صحيحة أو قبول فرضيات بديلة زائفة، بل يمتد أثره السلبي ليقوض القوة الإحصائية (Statistical Power) للدراسة برمتها، مما يؤدي إلى هدر الجهد التجريبي وتقليل موثوقية الاستنتاجات العلمية، وتشويه التراكم المعرفي في الميدان التخصصي الذي تنتمي إليه الدراسة.

1.3 نظرة عامة على معايير الاختيار بين الاختبارين

يتطلب الاختيار المنهجي السليم بين اختبار T واختبار F فهماً عميقاً لثلاثة محددات رئيسية تحكم بنية التصميم التجريبي وطبيعة البيانات المجمعة، وتتلخص هذه المعايير في الآتي:

• طبيعة السؤال البحثي والمعلمة المستهدفة: إذا كان الهدف المباشر للباحث هو التحقق مما إذا كانت درجات مجموعتين تختلفان في نزعتهما المركزية (متوسط الأداء)، فإن اختبار T يمثل الخيار الأنسب. أما إذا كان السؤال يدور حول مدى استقرار أو تشتت الدرجات بين مجموعتين (هل إحدى المجموعتين أكثر تبايناً وتذبذباً من الأخرى؟)، أو إذا كان الهدف هو اختبار الفروق بين متوسطات ثلاث مجموعات أو أكثر دفعة واحدة، فإن اختبار F هو الأداة الإحصائية الصحيحة.
• عدد المجموعات والمتغيرات المستقلة: يقتصر اختبار T على مقارنة عينتين فقط (سواء كانتا مستقلتين أو مترابطتين). وفي المقابل، يمتلك اختبار F مرونة فائقة تتيح له التعامل مع عينتين لفحص التباين، أو التعامل مع ثلاث مجموعات فما فوق في إطار تحليل التباين الأحادي (One-Way ANOVA)، فضلاً عن قدرته على معالجة تصاميم تجريبية معقدة تتضمن متغيرات مستقلة متعددة وتفاعلات بينها عبر تحليل التباين العاملي (Factorial ANOVA).
• طبيعة وتوزيع المتغير التابع: يشترط كلا الاختبارين أن يكون المتغير التابع مقاساً على مستوى كمي فئوي (Interval) أو نسبي (Ratio)، مع ضرورة تحقق افتراض التوزيع الطبيعي بدرجة مقبولة، والتأكد من استقلالية المشاهدات وتجانس التباينات، وهي معايير تحدد الصيغة الرياضية الدقيقة للاختبار المستخدم كما سيتم تفصيله لاحقاً.

2. التعريف باختبار F (F-Test): المفاهيم والأسس النظرية

2.1 النشأة التاريخية ومفهوم توزيع F (توزيع سنيكودر)

تعود الجذور التاريخية لاختبار F إلى الإسهامات الرياضية الرائدة لعالم الإحصاء والوراثة البريطاني السير رونالد فيشر (Sir Ronald A. Fisher) في أوائل عشرينيات القرن العشرين، حيث طور هذا المفهوم في سياق أبحاثه الزراعية في محطة روثامستد لتفسير التباينات في إنتاجية المحاصيل بتأثير الأسمدة والمعاملات الزراعية المختلفة. وفي وقت لاحق، قام عالم الإحصاء الأمريكي جورج سنيكودر (George W. Snedecor) بتنظيم وتطوير الجداول الرياضية الخاصة بهذا التوزيع وأطلق عليه اسم “توزيع F” تكريماً وتقديراً لإسهامات فيشر الجليلة في هذا الميدان.

يتميز توزيع F الإحصائي بخصائص رياضية فريدة تميزه جذرياً عن التوزيع الطبيعي المعياري وتوزيع t؛ فهو توزيع احتمالي مستمر غير متماثل (Asymmetrical)، ويمتلك التواءً موجباً واضحاً (Positively Skewed) يمتد طرفه الأيمن نحو اللانهاية الموجبة. وتنبع خاصية اللاتماثل هذه من حقيقة أن قيمة F تمثل نسبة بين تباينين، ونظراً لأن التباين هو كمية مربعة موجبة دائماً، فإن قيمة F المحسوبة لا يمكن أن تكون سالبة على الإطلاق، وتبدأ قيمها النظرية من الصفر وتمتد إلى ما لا نهاية ($0 le F < infty$).

كما يعتمد شكل منحنى توزيع F وتفرطحه الرياضي بصورة مطلقة على مَعلمتين مستقلتين هما درجتا الحرية (Degrees of Freedom): درجة حرية البسط ($df_1 = \nu_1$) ودرجة حرية المقام ($df_2 = \nu_2$). ومع تزايد قيم درجات الحرية في كل من البسط والمقام نحو قيم كبيرة جداً، يقترب توزيع F تدريجياً من التماثل ويقل التواؤه الموجب، مما يجعله نموذجاً رياضياً فائق الدقة في اختبار فرضيات النسب والتباينات في مختلف العلوم التطبيقية.

2.2 الهدف الأساسي لاختبار F: اختبار تجانس وتساوي التباين

يتمثل الهدف النظري والرياضي الأصيل لاختبار F في تقييم ما إذا كان تباين مجتمعين إحصائيين متساويين، أي اختبار الفرضية القائلة بأن التباين الملاحظ في العينة الأولى ($\sigma_1^2$) لا يختلف جوهرياً عن تباين العينة الثانية ($\sigma_2^2$). وتكتسب هذه الوظيفة أهمية محورية في المنهجية الإحصائية لسببين رئيسيين:

أولاً: يُستخدم اختبار F كأداة تشخيصية تمهيدية إلزامية (Diagnostic Tool) للتحقق من تحقق افتراض تجانس التباين (Homogeneity of Variance) قبل تطبيق العديد من الاختبارات المعلمية المتقدمة، وعلى رأسها اختبار T للعينات المستقلة ونماذج الانحدار الخطي؛ حيث إن انتهاك هذا الافتراض يؤدي إلى عدم دقة التقديرات الاحتمالية وحسابات الخطأ المعياري.

ثانياً: يمثل فحص التباين بحد ذاته غاية بحثية أصيلة في العديد من الدراسات السيكومترية والنفسية؛ فعلى سبيل المثال، قد يهتم الباحث النفسي بمعرفة ما إذا كانت استجابات الأفراد على مقياس نفسي معين في بيئة ضاغطة تتسم بتشتت واختلاف أكبر مقارنة باستجاباتهم في بيئة هادئة ومستقرة، حتى وإن تساوى متوسط المجموعتين في الأداء العام. وهنا لا يبحث العالم عن الفروق في المركز، بل عن الفروق في درجة الاتساق والتجانس السلوكي والانفعالي.

2.3 امتداد اختبار F إلى تحليل التباين (ANOVA)

يمثل تحليل التباين (Analysis of Variance – ANOVA) الامتداد الأكثر عبقرية وتطبيقاً لاختبار F في التصاميم التجريبية الحديثة؛ حيث وظف فيشر إحصائية F لمقارنة متوسطات ثلاث مجموعات أو أكثر في خطوة إحصائية واحدة متكاملة دون الحاجة إلى إجراء مقارنات ثنائية متعددة ترفع من احتمالية ارتكاب خطأ النوع الأول وتضخم مستوى الدلالة الكلي للدراسة.

يقوم المنطق الرياضي لتحليل التباين على تجزئة وتفكيك التباين الكلي (Total Variance) الملاحظ في المتغير التابع إلى مصدرين أساسيين:

• التباين بين المجموعات (Between-Groups Variance): ويعكس مقدار الاختلاف بين متوسطات المجموعات التجريبية والمتوسط الحسابي الكلي، ويمثل هذا التباين التأثير المباشر للمتغير المستقل (المعالجة التجريبية) مضافاً إليه أي خطأ تجريبي محتمل.
• التباين داخل المجموعات (Within-Groups Variance): ويعكس الفروق الفردية الطبيعية والتشتت العشوائي بين أفراد المجموعة الواحدة الذين تعرضوا لنفس الظروف التجريبية، ويُطلق عليه التباين الخطئي (Error Variance).

وعند حساب إحصائية F في هذا السياق، يتم قسمة متوسط مربعات التباين بين المجموعات (MSB) على متوسط مربعات التباين داخل المجموعات (MSW). فإذا كان تأثير المتغير المستقل حقيقياً وقوياً، فإن قيمة التباين بين المجموعات ستفوق بكثير قيمة التباين الخطئي، مما ينتج عنه قيمة F مرتفعة ذات دلالة إحصائية تقود الباحث إلى رفض الفرضية الصفرية القائلة بتساوي جميع المتوسطات.

3. التعريف باختبار T (T-Test): المفاهيم والأسس النظرية

3.1 أصل توزيع t لستيودنت (Student’s t-Distribution)

يرجع الفضل في ابتكار اختبار t وتوزيعه الاحتمالي إلى الكيميائي والإحصائي البريطاني ويليام سيلي جوسيت (William Sealy Gosset) في عام 1908. وكان جوسيت يعمل حينها باحثاً في مصنع جينيس للجعيرة في دبلن، ونظراً لسياسات الشركة الصارمة التي كانت تمنع موظفيها من نشر الأبحاث العلمية لحماية الأسرار الصناعية والتجارية، قام بنشر بحثه التاريخي تحت الاسم المستعار “طالب” (Student)، ومن هنا جاءت التسمية التاريخية “توزيع t لستيودنت” (Student’s t-Distribution).

نشأت الحاجة الرياضية لتطوير هذا التوزيع نتيجة لمشكلة واجهت الباحثين عند التعامل مع العينات الصغيرة ($n < 30$)؛ حيث يفشل التوزيع الطبيعي المعياري (Z-Distribution) في إعطاء تقديرات دقيقة للدلالة الإحصائية عندما يكون الانحراف المعياري للمجتمع الإحصائي ($\sigma$) مجهولاً، ويتم استبداله بالانحراف المعياري للعينة ($s$).

يتشابه توزيع t مع التوزيع الطبيعي في كونه توزيعاً مستمراً ومتماثلاً متناسقاً حول نقطة الصفر وله شكل جرسي (Bell-shaped Curve)، إلا أنه يتميز بذيول أكثر سمكاً وتفرطحاً (Heavier Tails) مقارنة بالتوزيع الطبيعي، مما يعني أنه يمنح احتمالية أكبر للقيم المتطرفة في العينات الصغيرة لتعويض عدم التيقن الناتج عن تقدير تباين المجتمع. ومع تزايد حجم العينة واقتراب درجات الحرية ($df = n – 1$) من اللانهاية، تتناقص سماكة ذيول توزيع t تدريجياً، حتى يتطابق رياضياً وبشكل كامل مع التوزيع الطبيعي المعياري Z.

3.2 الهدف الأساسي لاختبار T: مقارنة المتوسطات الحسابية

يتمثل الهدف المباشر والوظيفة المركزية لاختبار T في فحص دلالة الفروق بين متوسطين حسابيين فقط، سواء كان ذلك بمقارنة متوسط عينة واحدة بمتوسط مجتمعي معياري معلوم مسبقاً، أو بمقارنة متوسطي عينتين منفصلتين أو مترابطتين. ويركز الاختبار على الإجابة عن التساؤل المنهجي الجوهري: هل الفارق الملاحظ بين قيمتي المتوسطين الحسابيين يعكس تبايناً وظيفياً حقيقياً بين المجموعتين في المجتمع الأصلي، أم أنه مجرد تذبذب عشوائي ناجم عن خطأ المعاينة الطبيعي؟

يمتلك اختبار T تطبيقات بالغة الأهمية في العلوم النفسية والتطبيقية، لا سيما في تقييم فاعلية التدخلات التجريبية والبرامج الإرشادية؛ حيث يُمكّن الباحث من فحص أثر أسلوب علاجي محدد من خلال مقارنة متوسط درجات الاكتئاب لدى مجموعة تلقت العلاج بمتوسط درجات مجموعة ضابطة تلقت علاجاً وهمياً (Placebo). وتستند عملية المقارنة في جوهرها إلى قياس المسافة بين المتوسطين بوحدات الخطأ المعياري، فكلما زاد الفارق المطلق بين المتوسطين مقارنة بحجم التباين والخطأ، تعززت ثقة الباحث في الأثر الفعلي للمتغير المستقل.

3.3 الأنواع الرئيسية لاختبار T

يتفرع اختبار T إلى ثلاثة أشكال رئيسية تختلف باختلاف طبيعة العينات والتصميم المنهجي المعتمد في جمع البيانات:

• اختبار T لعينة واحدة (One-Sample t-test): يُستخدم لمقارنة المتوسط الحسابي لعينة دراسية واحدة بقيمة معيارية ثابتة أو متوسط معلوم ومحدد مسبقاً في المجتمع الإحصائي (مثل مقارنة متوسط درجات ذكاء عينة من الطلاب الموهوبين بالمتوسط النظري العام البالغ 100 نقطة على مقياس وكسلر).
• اختبار T للعينات المستقلة (Independent-Samples t-test): يُطبق عند مقارنة متوسطي مجموعتين منفصلتين تماماً من الأفراد لا يوجد بينهما أي ارتباط أو تداخل؛ حيث ينتمي كل فرد إلى مجموعة واحدة فقط (مثل مقارنة متوسط درجات التحصيل الأكاديمي بين الذكور والإناث، أو المقارنة بين المجموعة التجريبية والمجموعة الضابطة).
• اختبار T للعينات المترابطة أو القياسات المتكررة (Paired/Dependent-Samples t-test): يُستخدم عندما يتم قياس نفس المجموعة من الأفراد مرتين متتاليتين (مثل التصميم القبلي والبعدي Pre-test/Post-test لقياس مستوى القلق قبل الخضوع لبرنامج تدريبي وبعده)، أو في حالات مطابقة الأزواج (Matched Pairs) حيث يتم إقران كل مشارك في المجموعة الأولى بنظير مكافئ له في المجموعة الثانية بناءً على سمات محددة كالعمر والذكاء.

4. الفرضيات الإحصائية: مقارنة تفصيلية بين اختبار F واختبار T

4.1 صياغة الفرضيات الصفرية والبديلة في اختبار F

تعتمد صياغة الفرضيات في اختبار F على السياق التطبيقي والهدف المنهجي للاختبار، سواء كان متعلقاً بمقارنة التباينات بين مجتمعين، أو بمقارنة المتوسطات في إطار تحليل التباين (ANOVA).

في حالة اختبار تجانس وتساوي التباين بين مجتمعين، تُصاغ الفرضية الصفرية ($H_0$) والفرضية البديلة ($H_1$) رياضياً كالتالي:

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

$$H_1: \sigma_1^2 ne \sigma_2^2 \quad \text{أو} \quad \frac{\sigma_1^2}{\sigma_2^2} ne 1$$

وتعني الفرضية الصفرية هنا أن تباين المجتمع الأول يطابق تباين المجتمع الثاني، في حين تفترض الفرضية البديلة وجود اختلاف جوهري ودال إحصائياً بين تشتت المجتمعين.

أما في سياق تحليل التباين الأحادي (One-Way ANOVA) لمقارنة $k$ من المجموعات ($k ge 3$)، فإن صياغة الفرضيات تتخذ شكلاً يركز على المتوسطات الحسابية على النحو الآتي:

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

$$H_1: \text{يوجد على الأقل متوسطان حسابيان يختلفان عن بعضهما البعض دلالياً}$$

ويلاحظ هنا أن الفرضية البديلة في اختبار F لتحليل التباين هي دائماً فرضية غير اتجاهية وغير محددة لموضع الفرق (Omnibus Test)؛ إذ يقرر الاختبار وجود فروق عامة دون أن يحدد بدقة أي المجموعات تتفوق على الأخرى، مما يستلزم إجراء اختبارات بعدية تتبعية لاحقة.

4.2 صياغة الفرضيات الصفرية والبديلة في اختبار T

تتميز صياغة الفرضيات في اختبار T بتركيزها المباشر والحصري على مقارنة المعالم المركزية (المتوسطات)، وتتيح بنية توزيع t إمكانية صياغة فرضيات ثنائية الذيل (غير اتجاهية) أو أحادية الذيل (اتجاهية) بناءً على الخلفية النظرية والأدبيات السابقة للبحث.

عند استخدام الاختبار ثنائي الذيل (Two-Tailed Test)، تُصاغ الفرضيات لاختبار وجود أي فرق مطلق دون تحديد اتجاهه:

$$H_0: \mu_1 = \mu_2 \quad \text{أو} \quad \mu_1 – \mu_2 = 0$$

$$H_1: \mu_1 ne \mu_2 \quad \text{أو} \quad \mu_1 – \mu_2 ne 0$$

أما إذا كانت النظرية السيكولوجية تدعم بوضوح تفوق مجموعة على أخرى، فيمكن للباحث صياغة فرضية أحادية الذيل (One-Tailed Test) في الاتجاه الأيمن أو الأيسر:

$$H_0: \mu_1 le \mu_2 \quad \text{مقابل} \quad H_1: \mu_1 > \mu_2 \quad (\text{ذيل أيمن})$$

$$H_0: \mu_1 ge \mu_2 \quad \text{مقابل} \quad H_1: \mu_1 < \mu_2 \quad (\text{ذيل أيسر})$$

وتمنح الفرضيات أحادية الذيل قوة إحصائية أعلى لرصد التأثير في اتجاه واحد محدد، إلا أنها تتطلب تبريراً نظرياً قوياً وراسخاً قبل البدء في جمع البيانات وتحليلها.

4.3 طرق اتخاذ القرار الإحصائي ومستوى الدلالة (α)

تتطابق المنهجية العامة لاتخاذ القرار الإحصائي في كلا الاختبارين عبر مقارنة المؤشرات المحسوبة بالقيم الحرجة وتحديد احتمالية الوقوع في الخطأ، وذلك باتباع إحدى الطريقتين التقليدية أو المعاصرة:

طريقة القيمة الحرجة (Critical Value Approach): يقوم الباحث بتحديد مستوى الدلالة المعنوية مسبقاً (والذي يُحدد غالباً في العلوم الإنسانية بـ $\alpha = 0.05$ أو $\alpha = 0.01$). ثم يتم استخراج القيمة الحرجة ($t_{crit}$ أو $F_{crit}$) من الجداول الإحصائية المرجعية بالاعتماد على درجات الحرية ونوع الاختبار (أحادي أو ثنائي الذيل). فإذا كانت القيمة المحسوبة للاختبار أكبر من القيمة الحرجة المقابلة في منطقة الرفض ($|t_{calc}| > t_{crit}$ أو $F_{calc} > F_{crit}$)، يُرفض الفرض الصفري وتُقبل الفرضية البديلة كدليل على وجود أثر حقيقي.

طريقة القيمة الاحتمالية (p-value Approach): مع الاعتماد الواسع على الحزم الإحصائية الحاسوبية، يرتكز القرار بصورة رئيسية على مقارنة القيمة الاحتمالية الدقيقة ($p$) بمستوى الدلالة الاسمي ($alpha$):

• إذا كانت $p le \alpha$ (مثلاً $p le 0.05$): تُرفض الفرضية الصفرية ($H_0$)، وتُعتبر النتيجة ذات دلالة إحصائية معنوية (Statistically Significant).
• إذا كانت $p > \alpha$ (مثلاً $p > 0.05$): تفشل البيانات في رفض الفرضية الصفرية (Fail to Reject $H_0$)، وتُعزى الفروق الملاحظة إلى الصدفة وأخطاء المعاينة العشوائية.

5. المعادلات الرياضية وطريقة حساب الإحصائية لكلا الاختبارين

5.1 الحساب الرياضي لقيمة F الإحصائية

في اختبار المقارنة بين تبايني عينتين مستقلتين، تُحسب قيمة F كنسبة مباشرة بين تباين العينة الأولى ($s_1^2$) وتباين العينة الثانية ($s_2^2$). واصطلاحاً لتسهيل استخدام الجداول الإحصائية موجبة الذيل، يوضع التباين الأكبر في البسط والتباين الأصغر في المقام وفق المعادلة الآتية:

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

وتكون درجات الحرية المرتبطة بهذا الاختبار هي $df_1 = n_1 – 1$ للبسط، و$df_2 = n_2 – 1$ للمقام، حيث يمثل $n_1$ و$n_2$ حجم العينتين الأولى والثانية على التوالي.

أما في إطار تحليل التباين الأحادي (One-Way ANOVA)، فإن حساب إحصائية F يمر بسلسلة من الخطوات الرياضية المنظمة لتفكيك مجموع المربعات (Sum of Squares – SS):

• مجموع المربعات الكلي (SST): يقيس التشتت الكلي لجميع المشاهدات عن المتوسط العام:
  $$SST = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X}_{\cdot\cdot})^2, \quad df_{total} = N – 1$$
• مجموع المربعات بين المجموعات (SSB): يقيس تباعد متوسطات المجموعات عن المتوسط العام:
  $$SSB = \sum_{j=1}^{k} n_j (\bar{X}_{\cdot j} – \bar{X}_{\cdot\cdot})^2, \quad df_{between} = k – 1$$
• مجموع المربعات داخل المجموعات (SSW): يقيس تشتت القيم الفردية داخل كل مجموعة حول متوسط مجموعتها:
  $$SSW = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X}_{\cdot j})^2, \quad df_{within} = N – k$$

وبعد حساب متوسطات المربعات بقسمة كل مجموع مربعات على درجة حريته الخاصة ($MSB = \frac{SSB}{k-1}$ و $MSW = \frac{SSW}{N-k}$)، تُحسب إحصائية F النهائية بالمعادلة المركزية:

$$F = \frac{MSB}{MSW} = \frac{\text{متوسط المربعات بين المجموعات}}{\text{متوسط المربعات داخل المجموعات}}$$

5.2 الحساب الرياضي لقيمة T الإحصائية للعينات المستقلة

تُحسب إحصائية t للعينات المستقلة بقسمة الفرق الملاحظ بين متوسطي العينتين ($\bar{X}_1 – \bar{X}_2$) على الخطأ المعياري المجمع للفرق بين المتوسطين ($SE_{\bar{X}_1 – \bar{X}_2}$). وتعتمد الصيغة الرياضية المحددة على تحقق افتراض تجانس التباين بين المجموعتين:

أولاً: في حالة تجانس التباينات المتساوية ($\sigma_1^2 = \sigma_2^2$): يُحسب التباين المجمع (Pooled Variance – $s_p^2$) أولاً بالمعادلة:

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

ثم تُحسب قيمة t الإحصائية بالصيغة القياسية:

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

بدرجات حرية كلية مقدارها: $df = n_1 + n_2 – 2$.

ثانياً: في حالة عدم تجانس التباين ($\sigma_1^2 ne \sigma_2^2$): يُطبق اختبار ويلش (Welch’s t-test) الذي لا يدمج التباينات، وتُحسب قيمة t بالصيغة المعدلة:

$$t = \frac{\bar{X}_1 – \bar{X}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$$

ويتم تعديل درجات الحرية عبر معادلة ويلش-ساترثويت (Welch-Satterthwaite Equation) المعقدة لتفادي التضخم في خطأ النوع الأول:

$$df’ = \frac{\left(\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}\right)^2}{\frac{(s_1^2 / n_1)^2}{n_1 – 1} + \frac{(s_2^2 / n_2)^2}{n_2 – 1}}$$

5.3 الحساب الرياضي لقيمة T للعينات المرتبطة

في تصاميم القياسات المتكررة أو الأزواج المترابطة، يتم التخلص من تأثير الفروق الفردية من خلال حساب متغير جديد يمثل الفروق الفردية المباشرة ($D_i$) بين درجتي كل فرد في القياسين القبلي والبعدي ($D_i = X_{i1} – X_{i2}$).

ويتم حساب متوسط هذه الفروق ($\bar{D}$) والانحراف المعياري لفروق الدرجات ($s_D$) وفق الصيغ التالية:

$$\bar{D} = \frac{\sum D_i}{n}$$

$$s_D = \sqrt{\frac{\sum (D_i – \bar{D})^2}{n – 1}} = \sqrt{\frac{\sum D^2 – \frac{(\sum D)^2}{n}}{n – 1}}$$

ثم تُحسب قيمة t للعينات المرتبطة بقسمة متوسط الفروق على خطئه المعياري الخاص ($SE_{\bar{D}} = \frac{s_D}{\sqrt{n}}$):

$$t = \frac{\bar{D} – \mu_D}{\frac{s_D}{\sqrt{n}}} = \frac{\bar{D}}{\frac{s_D}{\sqrt{n}}} \quad (\text{بافتراض أن } \mu_D = 0 \text{ في الفرضية الصفرية})$$

وتعتمد درجات الحرية في هذا الاختبار على عدد الأزواج أو عدد أفراد العينة الواحدة مطروحاً منه واحد ($df = n – 1$)، وليس على عدد المشاهدات الكلية للقياسين.

6. الافتراضات والشروط المسبقة لتطبيق كل من اختبار F واختبار T

6.1 افتراض التوزيع الطبيعي واستقلالية المشاهدات

تستند الاختبارات المعلمية إلى افتراضات رياضية دقيقة يجب التحقق من استيفائها لضمان صحة الاستنتاجات وموثوقية النتائج. ويشترك اختبار F واختبار T في شرطين جوهريين:

افتراض التوزيع الطبيعي (Normality Assumption): يُشترط أن تكون درجات المتغير التابع موزعة توزيعاً طبيعياً اعتدالياً في المجتمعات المسحوبة منها العينات. ويمكن للباحث فحص هذا الافتراض عبر المؤشرات الإحصائية الوصفية مثل معاملي الالتواء (Skewness) والتفرطح (Kurtosis)؛ حيث يُعتبر التوزيع طبيعياً إذا وقعت قيمهما ضمن المدى المسموح ($\pm 1$ أو $\pm 2$). كما يُستدل عليه عبر الاختبارات الاستدلالية المخصصة مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) المناسب للعينات الصغيرة والمتوسطة ($N < 50$)، واختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test) للعينات الكبيرة، فضلاً عن الفحص البصري للمخططات البيانية مثل مدرج التكرار (Histogram) ومخطط الاحتمال الطبيعي (Q-Q Plot).

افتراض استقلالية المشاهدات (Independence of Observations): يعد هذا الشرط من أكثر الشروط صرامة وأهمية على الإطلاق؛ حيث يجب أن تكون استجابة أي فرد في العينة مستقلة تماماً ولا تتأثر باستجابات الأفراد الآخرين، وأن يتم اختيار أفراد المجموعات المستقلة بأسلوب عشوائي سليم. ولا يمكن معالجة انتهاك هذا الافتراض إحصائياً، بل يجب ضبطه وتلافيه عبر التصميم المنهجي الدقيق للبحث وإجراءات جمع البيانات الميدانية.

6.2 افتراض تجانس التباين (Homoscedasticity)

يتطلب تطبيق اختبار T للعينات المستقلة وتحليل التباين F ضرورة تساوي وتجانس تباينات المجموعات المقارنة في المجتمع الأصلي ($\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$). ويعني هذا الافتراض أن تشتت الدرجات حول المتوسط متكافئ ومتماثل عبر جميع المجموعات التجريبية والضابطة، مما يضمن أن الخطأ المعياري المجمع يمثل تشتت البيانات تمثيلاً أميناً وغير منحاز.

يتم التحقق من هذا الشرط تطبيقياً من خلال إجراء اختبارات إحصائية متخصصة، من أبرزها اختبار ليفين لتجانس التباين (Levene’s Test)، واختبار بارتليت (Bartlett’s Test)، واختبار براون-فورسيث (Brown-Forsythe Test). وفي حال أسفرت هذه الاختبارات عن قيمة $p > 0.05$، فإن ذلك يدل على تحقق شرط التجانس، مما يسمح بتطبيق اختبار T أو F بالصيغ الكلاسيكية القياسية.

أما عند انتهاك شرط تجانس التباين ($p le 0.05$)، يلجأ الباحث إلى البدائل الرياضية المصممة للتعامل مع التباينات غير المتساوية، مثل استخدام صيغة ويلش لاختبار T (Welch’s t-test)، أو تطبيق تعديل ويلش وأساب لاختبار F (Welch’s ANOVA / Brown-Forsythe ANOVA)، والتي تقوم بتعديل درجات الحرية لضبط معدلات الخطأ والحفاظ على رصانة الاستدلال الإحصائي.

6.3 حساسية الاختبارين لانتهاك الافتراضات الإحصائية

تتباين الحساسية الإحصائية (Robustness) لكل من اختبار T واختبار F تجاه انتهاك الافتراضات المنهجية، وهو ما ينبغي للباحث إدراكه بعمق عند تفسير نتائجه:

متانة اختبار T: يُعد اختبار T اختباراً متيناً وقوياً (Robust) في مواجهة الانحرافات المتوسطة والطفيفة عن التوزيع الطبيعي، لا سيما عندما تكون أحجام العينات كبيرة ($N ge 30$ في كل مجموعة) استناداً إلى نظرية النهاية المركزية (Central Limit Theorem)، وبشرط أن تكون حجوم المجموعات متساوية ($n_1 = n_2$). ومع ذلك، تنهار متانة الاختبار وتتأثر دقته بشدة إذا اقترن عدم الاعتدالية بوجود تباينات غير متجانسة مع أحجام عينات شديدة التفاوت.

حساسية اختبار F الكلاسيكي لمقارنة التباين: يمتلك اختبار F البسيط لمقارنة تبايني عينتين ($F = \frac{s_1^2}{s_2^2}$) حساسية مفرطة وقابلية شديدة للتأثر بأي انحراف عن التوزيع الطبيعي؛ حيث إن عدم اعتدالية التوزيع حتى في العينات الكبيرة يؤدي إلى تضخيم كبير في معدل الخطأ من النوع الأول، ولذلك يُفضل تجنب استخدامه لفحص تجانس التباين والاستعاضة عنه باختبار ليفين أو براون-فورسيث.

أثر القيم المتطرفة (Outliers): تؤثر القيم المتطرفة والمنعزلة تأثيراً بالغاً على حسابات المتوسطات والتباينات في كلا الاختبارين، حيث ترفع من قيمة التباين الخطئي وتقلل من القوة الإحصائية لرصد التأثيرات الحقيقية، مما يستوجب فحص البيانات وتنظيفها قبل إجراء التحليلات النهائية.

7. تطبيقات واستخدامات اختبار T في البحث النفسي والتربوي

7.1 دراسة الفروق بين الجنسين في السمات النفسية

تحظى دراسات الفروق الفردية باهتمام واسع في ميادين علم النفس التطبيقي وعلم النفس الفارق؛ حيث يُعد اختبار T للعينات المستقلة الأداة المنهجية المعيارية لفحص التباينات بين الذكور والإناث في مختلف الأبعاد السلوكية والوجدانية والمعرفية.

فعلى سبيل المثال، عند دراسة مستويات الذكاء الانفعالي (Emotional Intelligence) أو مهارات التعاطف الوجداني لدى طلبة الجامعة، يقوم الباحث بتطبيق مقياس مقنن على عينة من الذكور وعينة من الإناث. ومن خلال حساب اختبار T للعينات المستقلة، يستطيع الباحث التحقق مما إذا كانت الفروق الملاحظة بين متوسطي الجنسين ذات دلالة إحصائية تعكس اختلافات نمائية وسيكولوجية حقيقية أم أنها تقع ضمن حدود التباين العشوائي المتوقع.

ويمتد هذا التطبيق إلى فحص الفروق بين الجنسين في معدلات انتشار الاضطرابات النفسية الشائعة كالقلق العام، ونوبات الهلع، والاكتئاب، مما يسهم في بناء نماذج تشخيصية دقيقة تراعي الخصوصية الجندرية في الممارسة الإكلينيكية، مع ضرورة اقتران الدلالة الإحصائية بتفسير سياقي يستند إلى النظريات التطورية والاجتماعية المفسرة للسلوك.

7.2 تقييم فاعلية البرامج العلاجية والتدخلات النفسية

يحتل اختبار T للعينات المترابطة (Paired-Samples t-test) موقع الصدارة في تقييم مخرجات التدخلات الإكلينيكية والبرامج التربوية والعلاجية القائمة على التصاميم التجريبية ذات القياس القبلي والبعدي (Pretest-Posttest Designs).

في دراسة نموذجية لتقييم فاعلية برنامج علاجي يستند إلى العلاج السلوكي المعرفي (CBT) في خفض حدة الرهاب الاجتماعي (Social Phobia)، يخضع المشاركون لمقياس الرهاب قبل بدء الجلسات العلاجية (القياس القبلي)، ثم يُعاد تطبيق نفس المقياس عليهم بعد استكمال البرنامج العلاجي (القياس البعدي). ويتيح اختبار T للعينات المرتبطة مقارنة أداء كل فرد بذاته عبر الزمن، مما يعزل أثر التباين بين الأفراد (Inter-individual Variability) ويزيد من كفاءة القياس.

ولا يكتفي الباحث النفسي المعاصر بتقرير قيمة $t$ والدلالة الإحصائية $p$، بل يتعين عليه حساب حجم الأثر (Effect Size) باستخدام مؤشر “د لكوهين” (Cohen’s d) وفق المعادلة:

$$d = \frac{\bar{D}}{s_D} \quad \text{أو} \quad d = \frac{\bar{X}_{post} – \bar{X}_{pre}}{s_{pooled}}$$

حيث يُفسر حجم الأثر كدلالة عملية وإكلينيكية تعكس المقدار الحقيقي للتحسن (صغير: $0.2 le d < 0.5$، متوسط: $0.5 le d < 0.8$، كبير:$d ge 0.8$).

7.3 مقارنة المجموعات التجريبية بالضابطة

يمثل التصميم التجريبي الكلاسيكي القائم على مجموعتين (المجموعة التجريبية التي تتلقى المعالجة والمجموعة الضابطة التي تُحرم منها أو تتلقى تدخلاً بديلاً) حجر الزاوية في البرهنة على العلاقات السببية في العلوم السلوكية والطب النفسي التجريبي.

يُستخدم اختبار T للعينات المستقلة في هذا الإطار لمقارنة درجات المجموعتين بعد انتهاء فترة التجربة للتأكد من أن الأثر الإيجابي المرصود يُعزى حصرياً إلى المتغير المستقل (مثل تقنية تدريب الذاكرة العاملة أو عقار مضاد للقلق). ويقتضي هذا التطبيق ضبط المتغيرات الدخيلة (Extraneous Variables) عبر التعيين العشوائي (Random Assignment) للتأكد من التكافؤ المبدئي بين المجموعتين قبل تطبيق المعالجة، مما يضمن أن الفروق اللاحقة بين المتوسطات تعبر عن علاقة سببية مباشرة وذات موثوقية علمية عالية.

8. تطبيقات واستخدامات اختبار F في تحليل التباين والبحوث النفسية

8.1 مقارنة فاعلية بروتوكولات علاجية متعددة (تحليل التباين الأحادي)

عندما تتسع الفرضيات البحثية لتشمل مقارنة ثلاثة تدخلات علاجية أو أكثر في تجربة سريرية واحدة (مثل: مجموعة العلاج المعرفي السلوكي، ومجموعة العلاج الدوائي، ومجموعة العلاج بالقبول والالتزام، ومجموعة ضابطة على قائمة الانتظار)، يفقد اختبار T صلاحيته المنهجية، ويبرز تحليل التباين الأحادي القائم على اختبار F (One-Way ANOVA) كأداة لا غنى عنها.

يقوم اختبار F الشامل (Omnibus F-test) باختبار الفرضية العامة حول وجود اختلاف ذي دلالة بين المتوسطات الأربعة دفعة واحدة بمستوى خطأ مضبوط ($\alpha = 0.05$). وعندما تسفر إحصائية F عن دلالة معنوية، ينتقل الباحث إلى مرحلة المقارنات المتعددة البعدية (Post-Hoc Tests) لتحديد أي الأزواج بالتحديد يختلف عن الآخر بدقة؛ حيث تُستخدم اختبارات متخصصة مثل:

• اختبار توكي للفرق المعنوي الصادق (Tukey’s HSD): يُعد الاختبار المثالي عند تساوي أحجام العينات بين المجموعات لإجراء جميع المقارنات المزدوجة الممكنة مع التحكم الصارم في معدل الخطأ العائلي.
• اختبار شيفيه (Scheffé’s Test): الاختبار الأكثر تحفظاً ومرونة، ويُفضل استخدامه عند عدم تساوي أحجام العينات أو عند الرغبة في إجراء مقارنات مركبة ومعقدة بين مجموعات من المتوسطات.
• اختبار بونفيروني (Bonferroni Correction): يقوم بتعديل مستوى الدلالة عبر قسمة $\alpha$ على عدد المقارنات المنجزة ($p_{adj} = \frac{\alpha}{m}$)، ويتميز بقوته وصرامته المنهجية.

8.2 دراسة التفاعلات المعقدة بين المتغيرات (تحليل التباين العاملي)

تتميز الظواهر الإنسانية بعدم خضوعها لتأثيرات خطية معزولة، بل تتشكل عبر تضافر وتفاعل متغيرات متعددة في آن واحد. وهنا تظهر القوة الفائقة لاختبار F من خلال تحليلات التباين العاملية (Factorial ANOVA مثل التصميم $2 times 2$ أو $2 times 3$).

يتيح تحليل التباين العاملي للباحث اختبار ثلاثة نماذج من الفرضيات عبر قيم F مستقلة في تحليل إحصائي واحد:

• التأثير الرئيسي للمتغير المستقل الأول (Main Effect of Factor A): مثل فحص الأثر الإجمالي لنوع التدخل النفسي بغض النظر عن جنس المشاركين.
• التأثير الرئيسي للمتغير المستقل الثاني (Main Effect of Factor B): مثل فحص الأثر الإجمالي لشدة الاضطراب (خفيف، متوسط، شديد) على نتائج التحسن.
• تأثير التفاعل بين المتغيرين (Interaction Effect $A \times B$): وهو السؤال الأعمق سيكولوجياً؛ حيث يختبر ما إذا كانت فاعلية نوع العلاج تتغير وتتفاوت بناءً على مستوى شدة الاضطراب لدى المريض.

ويتم التعبير عن التفاعل رياضياً ون بيانياً بتقاطع الخطوط البيانية الدالة على مسارات المتوسطات؛ حيث يشير عدم توازي الخطوط إلى وجود تفاعل إحصائي دال يستدعي إجراء تحليلات التأثيرات البسيطة (Simple Main Effects) لتفكيك هذا التفاعل المعقد وفهمه سياقياً.

8.3 التحقق من تجانس أدوات القياس النفسي

يمتد توظيف اختبار F إلى الدراسات السيكومترية المتقدمة لتقييم كفاءة وموثوقية أدوات القياس النفسي؛ حيث يُستخدم لمقارنة تباينات بنود الاختبار أو تباين الدرجات الكلية عبر ثقافات وبيئات مختلفة للتحقق من تكافؤ القياس (Measurement Invariance).

كما يُوظف اختبار F في فحص التكافؤ الإحصائي للصور المتكافئة (Parallel Forms) للاختبارات النفسية؛ حيث يُشترط لاعتبار صورتين متكافئتين أن تتساوى متوسطاتهما وتبايناتهما الحقيقية وأخطاء القياس المرتبطة بهما. ويساعد اختبار F السيكومتريين على التأكد من اتساق واستقرار تشتت درجات المفحوصين عبر عينات التقنين المختلفة، مما يدعم صدق البناء وثبات الأدوات المستخدمة في التقييم والتشخيص النفسي.

9. أوجه الاختلاف الجوهرية والمقارنة المباشرة بين الاختبارين

9.1 جدول المقارنة الشاملة للخصائص الإحصائية

يلخص الجدول التحليلي التالي أبرز الفروق الجوهرية والخصائص الرياضية والمنهجية التي تميز بين اختبار T واختبار F في التطبيق الإحصائي:

وجه المقارنة	اختبار T (T-Test)	اختبار F (F-Test)
المعلمة المستهدفة بالدراسة	المتوسطات الحسابية فقط ($\mu$).	التباينات ($\sigma^2$) ونسب التباين في ANOVA.
عدد المجموعات المسموح بها	مجموعتان كحد أقصى (أو عينة واحدة مع معيار).	عينتان (للتباين)، أو 3 مجموعات فأكثر (ANOVA).
طبيعة وشكل التوزيع الاحتمالي	متماثل وجرسي حول الصفر (ذو اتجاهين).	ملتوٍ التواءً موجباً وغير متماثل، يبدأ من الصفر.
إشارة القيمة المحسوبة	قد تكون موجبة أو سالبة ($-\infty < t < +\infty$).	موجبة دائماً وغير سالبة إطلاقاً ($0 le F < +infty$).
درجات الحرية (df)	درجة حرية واحدة ($df = n – 1$ أو $n_1 + n_2 – 2$).	درجتا حرية مختلفتان للبسط والمقام ($df_1, df_2$).
طبيعة الفرضيات البديلة	يمكن أن تكون أحادية الذيل أو ثنائية الذيل.	دائماً اختبار شامل وغير اتجاهي في ANOVA.
التصميمات المعقدة والتفاعلات	لا يدعم تحليل التفاعلات بين متغيرات مستقلة.	يدعم بكفاءة تحليل التباين العاملي والتفاعلات.
الاستخدام التشخيصي	اختبار نهائي للفروق بين المتوسطات.	يُستخدم تشخيصياً لفحص التجانس (Levene’s).

9.2 الفروق في الحساب وتفسير القيم الناتجة

ينعكس الاختلاف الرياضي بين الاختبارين بصورة واضحة على دلالة القيم الرقمية المستخرجة وكيفية تفسيرها:

تفسير قيمة t: تحمل إشارة قيمة t (سواء كانت موجبة أو سالبة) دلالة تفسيرية مباشرة لاتجاه الفرق بين المتوسطين؛ فالإشارة الموجبة تعني أن متوسط المجموعة الأولى أكبر من متوسط المجموعة الثانية ($\bar{X}_1 > \bar{X}_2$)، بينما تشير القيمة السالبة إلى العكس. وتُفسر قيمة t كعدد لوحدات الخطأ المعياري التي تفصل بين المتوسطين، مما يجعل موقعها سهلاً ومباشراً على منحنى التوزيع المتماثل.

تفسير قيمة F: تُحسب قيمة F كنسبة تباين، وبالتالي فإنها تظل موجبة دائماً ولا تحمل أي إشارة سالبة لترشد إلى الاتجاه. وتشير قيمة $F = 1$ (أو قريبة من الواحد) إلى تطابق التباين بين المجموعات مع التباين الخطئي، مما يعني عدم وجود أي أثر للمتغير المستقل. وكلما ابتعدت قيمة F عن الواحد الصحيح تصاعدياً باتجاه قيم كبيرة، دل ذلك على أن التباين بين المجموعات يفوق التباين الخطئي العشوائي بدرجة تتجاوز حدود الصدفة، مما يقود إلى رفض الفرضية الصفرية.

9.3 معايير اختيار الاختبار بناءً على نوع البيانات والتصميم

لتجنب القرارات الخاطئة، يسترشد الباحث بالقواعد المنهجية الصارمة التالية لتحديد الأداة المناسبة للتطبيق:

• استخدام اختبار T حصراً: عندما يشتمل التصميم التجريبي على متغير مستقل تصنيفي يحتوي على مستويين فقط (مجموعتين) مع متغير تابع كمي، ويكون الهدف هو فحص دلالة الفرق بين متوسطي هاتين المجموعتين.
• استخدام اختبار F للتباين: عندما يكون الهدف فحص استقرار وتكافؤ التشتت بين عينتين قبل دمج البيانات أو قبل استخدام نماذج إحصائية تشترط تجانس التباين.
• استخدام اختبار F لتحليل التباين (ANOVA): في كل تصميم يشتمل على ثلاث مجموعات فأكثر، أو يشتمل على متغيرين مستقلين فأكثر، حيث يحظر استخدام اختبارات T الثنائية المتكررة لمنع تضخيم الخطأ العشوائي.

10. العلاقة الرياضية والترابط الإحصائي بين اختبار T واختبار F

10.1 العلاقة الجبرية بين الإحصائيتين: F = t²

على الرغم من التمايز الظاهري بين اختباري T وF، إلا أنهما ينبثقان من إطار رياضي موحد ضمن النموذج الخطي العام (General Linear Model – GLM). وتتجسد هذه الوحدة في علاقة جبرية رياضية دقيقة ومثبتة تبرز عند مقارنة مجموعتين اثنتين فقط ($k = 2$):

عند إجراء اختبار T للعينات المستقلة على مجموعتين متجانستي التباين، وإجراء تحليل التباين الأحادي (ANOVA) القائم على اختبار F على نفس المجموعتين والبيانات ذاتها، نجد أن:

$$F = t^2$$

حيث يكون مربع قيمة t المحسوبة مساوياً تماماً لقيمة F المحسوبة، كما تتطابق القيمة الاحتمالية الدقيقة ($p\text{-value}$) الناتجة من كلا الاختبارين تطابقاً رياضياً مطلقاً.

ويكمن التفسير الرياضي لهذا التطابق في أن توزيع F بدرجة حرية واحدة في البسط ($df_1 = 1$) ودرجة حرية $df_2$ في المقام، يمثل بالضرورة توزيعاً لمربعات قيم توزيع t بدرجة حرية $df_2$ ($F_{(1, df_2)} \equiv t_{(df_2)}^2$). ويؤكد هذا البرهان أن تحليل التباين ثنائي المجموعات واختبار T هما وجهان لعملة رياضية واحدة، وأن اختبار T ما هو إلا حالة خاصة ومحدودة من اختبار F الأوسع والأشمل.

10.2 تكامل الاختبارين في تسلسل التحليل الإحصائي

لا تعمل الاختبارات الإحصائية في معزل عن بعضها، بل تتكامل في إطار تسلسلي منطقي يضمن سلامة التحليل الاستدلالي. وتتضح هذه العلاقة التكاملية في التطبيق النموذجي لاختبار T للعينات المستقلة:

تبدأ عملية التحليل المنهجي بإجراء اختبار ليفين لتجانس التباين، وهو اختبار يستند في بنيته الرياضية إلى إحصائية F. وتوجه نتيجة هذا الاختبار مسار الباحث:

• إذا كانت قيمة F لاختبار ليفين غير دالة إحصائياً ($p > 0.05$): يطمئن الباحث إلى تحقق شرط تجانس التباين، ويعتمد قراءة قيمة اختبار t الكلاسيكي ومستوى درجات حريته التقليدية ($df = n_1 + n_2 – 2$).
• إذا كانت قيمة F لاختبار ليفين دالة إحصائياً ($p le 0.05$): يوجه البرنامج الإحصائي الباحث تلقائياً نحو استخدام صيغة t لويلش المصممة للتباينات غير المتساوية مع تعديل درجات الحرية.

وهكذا، يمثل اختبار F البوابة التشخيصية الإلزامية التي توجه وتحدد الصيغة الرياضية الصحيحة لتطبيق اختبار T.

10.3 التحويل بين المقاييس وحساب حجوم الأثر المشتركة

تتيح العلاقة الرياضية بين التوزيعين إمكانية التحويل الجبري المباشر بين مؤشرات حجم الأثر الخاصة بكل اختبار، مما يسهل عمليات التحليل التلوي أو التراكمي (Meta-Analysis) للأبحاث المنشورة.

ففي تحليل التباين، يُعد مؤشر “إيتا تربيع” ($\eta^2$) ومؤشر “إيتا تربيع الجزئي” ($\eta_p^2$) من أبرز معايير قياس نسبة التباين المفسر في المتغير التابع بواسطة المتغير المستقل، وتُحسب كالتالي:

$$\eta^2 = \frac{SSB}{SST} = \frac{F \times df_{between}}{F \times df_{between} + df_{within}}$$

وفي حالة التصميم الثنائي للمجموعات ($df_{between} = 1$)، يمكن الربط المباشر بين مؤشر إيتا تربيع ومؤشر $r^2$ المشتق من اختبار t:

$$\eta^2 = r_{pb}^2 = \frac{t^2}{t^2 + df}$$

كما يمكن التحويل المباشر بين قيمة Cohen’s d المشتقة من اختبار T وقيمة إيتا تربيع وفق الصيغة الجبرية:

$$d = \frac{2r}{\sqrt{1 – r^2}} = \frac{2\sqrt{\eta^2}}{\sqrt{1 – \eta^2}}$$

وتسهم هذه المعادلات في تعميق الفهم الإحصائي للباحث، وتمنحه القدرة على قراءة مخرجات البرامج الإحصائية بعين نقدية وربط المؤشرات ببعضها بسلاسة.

11. الأخطاء الشائعة وسوء التفسير لنتائج اختبار F واختبار T

11.1 إجراء اختبارات T متعددة بدلاً من اختبار F الأحادي

يعد إجراء اختبارات T ثنائية متعددة لمقارنة ثلاثة متوسطات أو أكثر من أفدح الأخطاء المنهجية التي يقع فيها الباحثون المبتدئون؛ حيث يؤدي هذا الإجراء إلى ظاهرة التضخم التراكمي لمعدل الخطأ من النوع الأول (Inflation of Type I Error Rate)، وهو خطأ رفض الفرضية الصفرية وهي صحيحة (الادعاء الكاذب بوجود أثر).

يُحسب معدل الخطأ العائلي الكلي ($\alpha_{family}$) عند إجراء عدد $m$ من المقارنات الثنائية المستقلة بالمعادلة الاحتمالية:

$$\alpha_{family} = 1 – (1 – \alpha)^m \quad \text{حيث} \quad m = \frac{k(k – 1)}{2}$$

فعلى سبيل المثال، إذا كان لدى الباحث 5 مجموعات تجريبية، فإن عدد المقارنات الثنائية المطلوبة لمقارنة كل مجموعة بالأخرى هو $m = \frac{5(4)}{2} = 10$ مقارنات. فإذا طُبق اختبار T عشر مرات بمستوى دلالة $\alpha = 0.05$ لكل اختبار، فإن معدل الخطأ التراكمي الحقيقي يصبح:

$$\alpha_{family} = 1 – (1 – 0.05)^{10} = 1 – (0.95)^{10} \approx 1 – 0.5987 = 0.4013 \quad (40.13%)$$

وهذا يعني أن هناك احتمالية تزيد عن 40% للحصول على نتيجة دالة إحصائياً كاذبة بالصدفة البحتة، مما يفقد البحث مصداقيته العلمية بالكامل. ويكمن الحل المنهجي الوحيد في تطبيق اختبار F الشامل عبر تحليل التباين، متبوعاً باختبارات المقارنات البعدية التي تضبط معدل الخطأ العائلي الصارم عند مستوى 5%.

11.2 تجاهل فحص الافتراضات الأساسية للاختبارين

يقوم التحليل الإحصائي الرصين على احترام الافتراضات البارامترية؛ ومع ذلك، يتجاهل بعض الباحثين فحص التوزيع الطبيعي وتجانس التباين، ويشرعون في تطبيق اختبار T أو F مباشرة على بيانات تتسم بالالتواء الشديد أو تحتوي على قيم متطرفة مفرطة، مما يؤدي إلى تشويه خطأ المعاينة والحصول على قرارات إحصائية مضللة.

كما يغفل البعض عن فحص تجانس التباين في اختبار T للعينات المستقلة، ويعتمدون تلقائياً على سطر النتائج الأول في برنامج SPSS الخاص بالتباينات المتساوية (Equal variances assumed)، حتى وإن كان اختبار ليفين دالاً إحصائياً، مما يقوض صحة النتائج، لا سيما في حالات العينات غير المتكافئة الحجم ($n_1 ne n_2$).

إن الخطوة المنهجية الواجبة تقتضي إجراء الفحوص الاستكشافية الاستباقية للبيانات، وتطبيق التحويلات الرياضية لتعديل الالتواء (مثل التحويل اللوغاريتمي Log Transformation أو تحويل الجذر التربيعي Square Root)، أو الانتقال بثقة إلى البدائل اللامعلمية عند ثبوت عدم ملائمة النماذج المعلمية.

11.3 الخلط بين الدلالة الإحصائية والدلالة العملية أو الإكلينيكية

يقع كثير من الباحثين في مغالطة معرفية تتمثل في اختزال نجاح البحث وأهميته في الحصول على قيمة احتمالية دالة إحصائياً ($p < 0.05$). وتتأثر القيمة الاحتمالية تأثراً كبيراً ومباشراً بحجم العينة ($N$)؛ فعندما يكون حجم العينة ضخماً جداً (مئات أو آلاف المشاركين)، فإن أي فرق طفيف وهامشي وغير ذي بال بين المتوسطات سيتحول رياضياً إلى فرق دال إحصائياً بقيمة$p$ منخفضة للغاية.

وهنا يبرز التمييز الحاسم بين الدلالة الإحصائية (Statistical Significance) والدلالة العملية أو الإكلينيكية (Practical/Clinical Significance). فالأولى تخبرنا فقط عما إذا كان الفرق ناتجاً عن الصدفة أم لا، في حين توضح الدلالة العملية حجم هذا الفرق وأهميته وتطبيقاته الواقعية في حياة الأفراد.

ولمعالجة هذا القصور، تشدد جمعية علم النفس الأمريكية (APA) في معاييرها التحريرية على ضرورة إرفاق القيم الاحتمالية دوماً بحساب حجم الأثر (مثل Cohen’s d أو $\eta_p^2$) وتقديم فترات الثقة (Confidence Intervals – CIs) بنسبة 95%؛ حيث تعكس فترة الثقة مدى الدقة في تقدير المعلمة وتمنح متخذ القرار رؤية واضحة للمدى الذي يتأرجح فيه التأثير الحقيقي في المجتمع.

12. دليل الباحث العملي لتطبيق وتفسير الاختبارين عبر البرامج الإحصائية

12.1 تنفيذ الاختبارين في برنامج SPSS وقراءة الجداول

يمثل برنامج الحزمة الإحصائية للعلوم الاجتماعية (IBM SPSS) الأداة الأكثر شيوعاً في معالجة البيانات النفسية والتربوية. وفيما يلي تفصيل الخطوات العملية لتنفيذ الاختبارين وتفسير مخرجاتهما:

تنفيذ اختبار T للعينات المستقلة:

1. من القائمة الرئيسية، نختار: Analyze > Compare Means > Independent-Samples T Test.
2. ننقل المتغير الكمي التابع إلى خانة Test Variable(s)، والمتغير المستقل التصنيفي إلى خانة Grouping Variable مع تعريف المجموعتين عبر زر Define Groups (مثلاً 1 للذكور و2 للإناث).
3. عند قراءة جدول المخرجات الرئيسي (Independent Samples Test)، نفحص أولاً قسم Levene's Test for Equality of Variances:
   • إذا كانت قيمة Sig. أكبر من 0.05، نقرأ نتائج السطر الأول: Equal variances assumed.
   • إذا كانت قيمة Sig. أقل من أو تساوي 0.05، نتجاهل السطر الأول ونقرأ نتائج السطر الثاني: Equal variances not assumed (اختبار ويلش).
4. نحدد قيمة $t$ ودرجات الحرية $df$ والقيمة الاحتمالية ثنائية الذيل Sig. (2-tailed) لاتخاذ القرار الإحصائي.

تنفيذ تحليل التباين الأحادي (One-Way ANOVA):

1. من القائمة الرئيسية: Analyze > Compare Means > One-Way ANOVA.
2. نضع المتغير التابع في خانة Dependent List والمتغير المستقل في خانة Factor.
3. من زر Post Hoc، نختار اختبار Tukey (في حال تجانس التباين) أو Games-Howell (في حال عدم التجانس). ومن زر Options، نُفعل Descriptives وHomogeneity of variance test.
4. في جدول ANOVA، نقرأ قيمة $F$ المحسوبة ومستوى الدلالة Sig.؛ فإذا كانت $p le 0.05$، نتجه فوراً لجدول Multiple Comparisons لقراءة الفروق بين الأزواج المحددة.

طريقة التوثيق والتدوين الأكاديمي وفق دليل APA (الإصدار السابع):

• توثيق اختبار T للعينات المستقلة:
  “أشارت النتائج إلى وجود فروق ذات دلالة إحصائية في مستوى القلق بين الذكور ($M = 24.50, SD = 4.20$) والإناث ($M = 28.30, SD = 3.90$); $t(58) = -3.63, p < .001, d = 0.94, 95% \text{ CI } [-5.89, -1.71]$."
• توثيق تحليل التباين F:
  “أظهرت نتائج تحليل التباين الأحادي وجود تأثير دال إحصائياً لنوع التدخل العلاجي على أعراض الاكتئاب، $F(2, 87) = 8.45, p < .001, \eta_p^2 = .16$. وكشفت مقارنات توكي البعدية أن مجموعة العلاج السلوكي المعرفي ($M = 14.20$) حققت انخفاضاً جوهرياً في الأعراض مقارنة بالمجموعة الضابطة ($M = 22.10, p < .001$)."

12.2 شجرة اتخاذ القرار لاختيار الاختبار الإحصائي المناسب

يوضح المسار الانسيابي التالي الخطوات المنطقية التي يتبعها الباحث لتحديد الاختبار الإحصائي الدقيق بناءً على معطيات دراسته:

1. تحديد طبيعة السؤال الإحصائي:
   • هل الهدف هو مقارنة التباين والتشتت بين مجتمعين؟ $\rightarrow$ اختبار F لتساوي التباين (F-test for Equality of Variances).
   • هل الهدف هو مقارنة المتوسطات الحسابية؟ $\rightarrow$ الانتقال للخطوة التالية.
2. تحديد عدد المجموعات المقارنة:
   • مجموعة واحدة مقارنة بمعيار ثابت: $\rightarrow$ اختبار T لعينة واحدة (One-Sample t-test). [البديل اللامعلمي: اختبار ويلكوكسون للإشارة والرتب].
   • مجموعتان اثنتان فقط:
     • عينات مستقلة: $\rightarrow$ اختبار T للعينات المستقلة (Independent t-test). [البديل اللامعلمي: اختبار مان-ويتني U].
     • عينات مترابطة (قياسات متكررة): $\rightarrow$ اختبار T للعينات المترابطة (Paired t-test). [البديل اللامعلمي: اختبار ويلكوكسون للمشاهدات المزدوجة].
   • ثلاث مجموعات فأكثر:
     • متغير مستقل واحد: $\rightarrow$ تحليل التباين الأحادي F (One-Way ANOVA). [البديل اللامعلمي: اختبار كروسكال-واليس H].
     • متغيران مستقلان أو أكثر: $\rightarrow$ تحليل التباين العاملي F (Factorial ANOVA).
     • قياسات متكررة لأكثر من مرتين: $\rightarrow$ تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA). [البديل اللامعلمي: اختبار فريدمان].

12.3 توصيات منهجية للباحثين في علم النفس والعلوم السلوكية

لضمان أعلى معايير الجودة والشفافية في البحوث الكمية، يوصى بالالتزام بالمبادئ المنهجية التالية:

• التخطيط المسبق لحجم العينة (A-priori Power Analysis): يجب ألا يخضع حجم العينة للتقديرات العشوائية، بل يتعين حسابه مسبقاً قبل جمع البيانات باستخدام برمجيات متخصصة مثل برنامج G*Power؛ حيث يتم تحديد حجم العينة المطلوب بدقة بناءً على مستوى الدلالة المستهدف ($\alpha = 0.05$)، والقوة الإحصائية المرغوبة ($1 – beta ge 0.80$)، وحجم الأثر المتوقع استناداً للدراسات السابقة.
• الشفافية في الإفصاح المنهجي: يجب على الباحث تقديم تقرير مفصل وشفاف حول كيفية فحص افتراضات الاعتدالية وتجانس التباين، وتوضيح كيفية التعامل مع القيم المتطرفة والبيانات المفقودة (Missing Data)، وتبرير استخدام الصيغ المعدلة كاختبار ويلش دون مواربة.
• التكامل بين الإحصاء الوصفي والاستدلالي: لا يمكن عزل الأرقام الاستدلالية عن سياقها الوصفي؛ ولذلك يجب دائماً تضمين المتوسطات الحسابية والانحرافات المعيارية والوسيط وفترات الثقة في جداول منسقة تعكس صورة كاملة ودقيقة لملامح الظاهرة النفسية المدروسة.

خاتمة

يمثل اختبار T واختبار F ركيزتين جوهريتين في صرح الإحصاء المعلمي الحديث؛ ورغم تباين أهدافهما المباشرة بين مقارنة المتوسطات لفحص التأثيرات المركزية (اختبار T) ومقارنة التباينات لتشخيص التشتت وتحليل النماذج المتعددة والعاملية (اختبار F)، إلا أنهما يلتقيان في إطار نظري ورياضي موحد تحكمه معادلات النموذج الخطي العام.

إن التمييز المنهجي الدقيق بين هذين الاختبارين، واستيعاب الافتراضات الصارمة التي تحكم تطبيق كل منهما، وتجنب الأخطاء الشائعة مثل إجراء المقارنات المتعددة غير المضبوطة أو الخلط بين الدلالة الإحصائية والأهمية العملية، يمثل شرطاً لازماً لإنتاج بحوث نفسية وتربوية تتسم بالرصانة العلمية والموثوقية التطبيقية. ولا تقتصر مهارة الباحث المعاصر على القدرة على استخراج المخرجات الرقمية من البرمجيات الإحصائية، بل تتجلى في قدرته النقدية على فهم البنية الرياضية للاختبار، وتفسير دلالاته السيكولوجية، وربط نتائجه بالواقع النظري والعملي لدعم القرارات القائمة على الأدلة العلمية الراسخة.

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.
• Faul, F., Erdfelder, E., Lang, A. G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175–191. https://doi.org/10.3758/BF03193146
• 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.
• Glass, G. V., & Hopkins, K. D. (1996). Statistical methods in education and psychology (3rd ed.). Allyn & Bacon.
• Gosset, W. S. [Student]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.1093/biomet/6.1.1
• Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (2nd ed.). The Guilford Press.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall.
• 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.
• Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika, 34(1/2), 28–35. https://doi.org/10.2307/2332510