دليل لدوال dt و qt و pt و rt في لغة R

تُعد البيئة الإحصائية للغة R إحدى أقوى المنصات البرمجية وأكثرها موثوقية في إجراء التحليلات الكمية المتقدمة ونمذجة البيانات المعقدة في شتى العلوم الإنسانية والتطبيقية. ومن بين الركائز الأساسية التي تعتمد عليها اختبارات الفرضيات البارامترية، يبرز توزيع تي لستيودنت (Student’s t-Distribution) بوصفه حجر زاوية لا غنى عنه، لا سيما عند التعامل مع العينات الصغيرة أو في الحالات التي يكون فيها التباين المجتمعي الحقيقي مجهولاً ويجري تقديره من خلال تباين العينة المتاحة. إن فهم الخصائص الرياضية والسلوكية لهذا التوزيع يُمكّن الباحثين من تجاوز قيود التوزيع الطبيعي المعياري، وتحقيق استدلال إحصائي يتسم بالرصانة والدقة المنهجية العالية.

ولكي تتيح لغة R التعامل السلس والمرن مع هذا التوزيع المحوري، توفر عائلة متكاملة من الدوال الإحصائية القياسية المدمجة ضمن حزمتها الأساسية، وتتمثل في أربع دوال رئيسية: دالة الكثافة الاحتمالية dt()، ودالة التوزيع الاحتمالي التراكمي pt()، ودالة المئين أو القيمة الحرجة المعكوسة qt()، ودالة توليد الأرقام شبه العشوائية rt(). يمثل كل حرف استهلالي في هذه الدوال دلالة رياضية ووظيفية دقيقة تُترجم الاحتياجات التحليلية للباحث، بدءاً من رسم منحنيات الكثافة، ومروراً بحساب القيم الاحتمالية ومستويات الدلالة في اختبارات الفروق، ووصولاً إلى بناء فترات الثقة وإجراء محاكاة مونت كارلو المعقدة لتقييم كفاءة النماذج الإحصائية تحت شروط تجريبية متباينة.

يهدف هذا الدليل الشامل والموسع إلى تقديم مرجع أكاديمي وتطبيقي مفصل لكل باحث ومحلل بيانات يسعى إلى إتقان التعامل مع توزيع تي في لغة R. سنستعرض عبر فصول هذا الدليل الخلفية النظرية العميقة لنشأة التوزيع وخصائصه الهندسية والرياضية، ونفكك البنية البرمجية لكل دالة ومعاملاتها الدقيقة مع توضيح الفروق الجوهرية بين التوزيع المتمركز وغير المتمركز. كما سنتناول التطبيقات العملية في القياس السلوكي والتحليل النفسي المتقدم، مع تقديم أمثلة معيارية وأفضل الممارسات لتفادي الأخطاء التحليلية الشائعة، مما يجعل هذا العمل مرجعاً شاملاً يجمع بين عمق التأصيل النظري ودقة الممارسة البرمجية التطبيقية.

1. مقدمة إلى توزيع تي (Student’s t-Distribution) وأهميته الإحصائية

1.1 الأساس النظري لنشأة توزيع تي وتطوره الإحصائي

تعود الجذور التاريخية لنشأة توزيع تي إلى مطلع القرن العشرين، وتحديداً في عام 1908، حينما كان العالم الكيميائي والإحصائي البريطاني ويليام سيلي جوسيت (William Sealy Gosset) يعمل لدى شركة غينيس للخمور في دبلن. واجه جوسيت معضلة تطبيقية بالغة الأهمية تمثلت في الحاجة إلى مراقبة جودة المواد الخام وتحسين عمليات التخمير بالاعتماد على عينات تجريبية صغيرة جداً نظراً للتكلفة العالية وضيق الوقت. ونظراً لأن سياسات الشركة التجارية كانت تحظر على موظفيها نشر الأبحاث العلمية بأسمائهم الحقيقية حمايةً للأسرار الصناعية، فقد نشر جوسيت ورقته التاريخية الثورية تحت الاسم المستعار ستيودنت “Student”، ومن هنا ارتبط اسم التوزيع به عالمياً.

يكمن الفرق الجوهري بين التوزيع الطبيعي المعياري (Standard Normal Distribution) وتوزيع تي في طريقة التعامل مع التباين. ففي حين يفترض التوزيع الطبيعي المعياري أن الانحراف المعياري للمجتمع الأصلي معروف وثابت، نجد أن الواقع التجريبي يفرض علينا في معظم الأحيان الجهل بالقيمة الحقيقية للتباين المجتمعي، مما يضطر الباحث إلى تقديره بالاعتماد على الانحراف المعياري للعينة. هذا التقدير الإضافي يُدخل مصدراً جديداً للخطأ العشوائي وعدم اليقين في الحسابات الإحصائية، خاصة عندما يكون حجم العينة صغيراً، مما يجعل استخدام التوزيع الطبيعي المعياري مؤدياً إلى المبالغة في الثقة وتضخيم احتمالية الوقوع في الخطأ من النوع الأول.

من هذا المنطلق، ظهرت الحاجة الرياضية الصارمة لتطوير توزيع يأخذ في الحسبان هذا التشتت الإضافي الناجم عن تقدير التباين المجهول. وقد أثبت جوسيت رياضياً أنه بقسمة متغير طبيعي معياري على الجذر التربيعي لمتغير يتبع توزيع مربع كاي (Chi-Square) مقسوماً على درجات حريته، ينشأ توزيع احتمالي جديد يتميز بأنه أوسع انتشاراً وأكثر تفلطحاً، وهو ما عُرف لاحقاً بتوزيع تي. لقد مثل هذا الاكتشاف نقلة نوعية في علم الإحصاء الاستدلالي، حيث وفّر الأساس الرياضي الرصين لاختبار الفرضيات في ظروف ندرة البيانات ومحدودية العينات.

1.2 خصائص منحنى توزيع تي والافتراضات المنهجية

يتشابه منحنى توزيع تي ظاهرياً مع منحنى التوزيع الطبيعي المعياري، حيث يتخذ كلاهما شكلاً جرسياً متماثلاً تماثلاً تاماً حول نقطة الصفر، مما يعني أن المتوسط والوسيط والمنوال تتطابق جميعها عند القيمة صفر في التوزيع المتمركز. ومع ذلك، يتميز توزيع تي بخاصية بصرية ورياضية محورية تُعرف بثقل الذيول (Heavy Tails) وانخفاض القمة (Leptokurtic shape). تعني الذيول الثقيلة أن المساحة الاحتمالية الواقعة في الأطراف البعيدة عن المركز تكون أكبر مقارنة بالتوزيع الطبيعي، مما يعكس احتمالية أعلى لظهور القيم المتطرفة كنتيجة مباشرة لعدم اليقين المصاحب لتقدير التباين من عينة صغيرة.

تتحكم معلمة رياضية فريدة تُعرف باسم “درجات الحرية” (Degrees of Freedom – df) في الشكل الهندسي العام لمنحنى توزيع تي. ترتبط درجات الحرية ارتباطاً وثيقاً بحجم العينة المتاحة، فكلما كانت درجات الحرية صغيرة، كان المنحنى أكثر تفلطحاً، وكانت ذيوله أكثر ارتفاعاً وثقلاً، مما يستوجب قيماً حرجة أكبر لرفض الفرضية الصفرية. ولكن مع زيادة حجم العينة وارتفاع درجات الحرية تدريجياً، يبدأ تباين العينة بالاقتراب من التباين الحقيقي للمجتمع وفق قانون الأعداد الكبيرة، مما يؤدي إلى انكماش الذيول وارتفاع القمة، حتى يتطابق توزيع تي تماماً مع التوزيع الطبيعي المعياري عندما تقترب درجات الحرية من اللانهاية الرياضية (عملياً عندما تتجاوز درجات الحرية 120 إلى 200 درجة).

لكي يكون تطبيق توزيع تي في الاستدلال الإحصائي صحيحاً وموثوقاً، يجب أن تستوفي البيانات المدروسة مجموعة من الافتراضات المنهجية الأساسية. أول هذه الافتراضات هو استقلالية المشاهدات (Independence of Observations)، بحيث لا يؤثر وجود قيمة معينة على احتمالية ظهور قيمة أخرى. وثانيها هو افتراض التوزيع الطبيعي التقريبي للمجتمع الأصلي المسحوبة منه العينة، وهو افتراض بالغ الأهمية عند التعامل مع العينات الصغيرة (أقل من 30 مشاهدة)، في حين يمكن التسامح النسبي مع انتهاكات طفيفة لهذا الافتراض في العينات الكبيرة استناداً إلى نظرية النهاية المركزية (Central Limit Theorem).

1.3 أهمية توزيع تي في النمذجة الإحصائية والتحليل النفسي

يحتل توزيع تي مكانة مركزية في حقل النمذجة الإحصائية والقياس النفسي والتربوي والسلوكي، حيث تواجه الدراسات الإكلينيكية والتجريبية في كثير من الأحيان صعوبات بالغة في تجنيد أعداد ضخمة من المشاركين نظراً لندرة الحالات المرضية أو تعقيد الإجراءات المعملية وارتفاع تكاليفها. في مثل هذه البيئات البحثية، يتيح توزيع تي للباحثين بناء فترات ثقة (Confidence Intervals) دقيقة لمتوسطات الدرجات على مقاييس الشخصية، أو القدرات المعرفية، أو مستويات القلق والاكتئاب، مما يوفر تقديراً واقعياً لمجال التباين دون الوقوع في شرك المبالغة في دقة التقدير.

علاوة على ذلك، يمثل توزيع تي الأساس الرياضي الذي تُبنى عليه اختبارات تي الشهيرة بمختلف أنواعها: اختبار تي للعينة الواحدة لمقارنة متوسط العينة بمعيار مرجعي، واختبار تي للعينات المستقلة لمقارنة مجموعات تجريبية وضابطة، واختبار تي للعينات المترابطة لتقييم فاعلية التدخلات العلاجية والبرامج التدريبية عبر القياسين القبلي والبعدي. تمتد هذه الأهمية أيضاً إلى تحليل الانحدار الخطي المتعدد (Multiple Linear Regression)، حيث يُستخدم توزيع تي لاختبار الدلالة المعنوية لكل معامل انحدار على حدة (Individual Slope Coefficients)، مما يساعد في تحديد المتغيرات المستقلة ذات القدرة التنبؤية الحقيقية بالسلوك الإنساني.

تتجلى أهمية التوزيع كذلك في قدرته على توفير حلول متقدمة عند التعامل مع مشكلة عدم تجانس التباين بين المجموعات (Heteroscedasticity)، كما هو الحال في اختبار ويلش (Welch’s t-test)، والذي يقوم بتعديل درجات الحرية بشكل غير صحيح (كسري) لتعويض عدم تكافؤ التباينات دون الإخلال بمعدل الخطأ من النوع الأول. إن هذا التكيف المرن يجعل توزيع تي أداة لا غنى عنها في القياس النفسي لتقدير الخطأ المعياري للقياس، وبناء أدوات تشخيصية تتسم بالحساسية والنوعية المطلوبة لاتخاذ القرارات السريرية المصيرية.

2. نظرة عامة على عائلة دوال توزيع تي في بيئة لغة R

2.1 الهيكلية القياسية لدوال التوزيعات الاحتمالية في R

تعتمد لغة R فلسفة برمجية غاية في الأناقة والاتساق عند التعامل مع التوزيعات الاحتمالية المختلفة، حيث تخصص لكل توزيع عائلة مكونة من أربع دوال تشترك في الجذر الاسمي للتوزيع وتتمايز في الحرف الاستهلالي الذي يحدد العملية الرياضية المطلوبة. في حالة توزيع تي، فإن الجذر الاسمي هو الحرف t، وتسبقه أربعة أحرف وظيفية قياسية هي: d لحساب الكثافة الاحتمالية (Density)، و p لحساب الاحتمال التراكمي (Probability)، و q لحساب القيم المئينية المعكوسة (Quantile)، و r لتوليد المتغيرات العشوائية (Random Generation).

تتماثل هذه الهيكلية بالكامل مع التوزيعات الأخرى، مثل التوزيع الطبيعي المعياري الذي يستخدم الدوال dnorm و pnorm و qnorm و rnorm. يتيح هذا التوحيد للمحلل الإحصائي الانتقال السلس بين التوزيعات دون الحاجة إلى إعادة تعلم واجهات برمجية جديدة. وتتميز عائلة دوال توزيع تي بقبولها لمعاملات مشتركة تحدد معالم التوزيع، وأهمها معامل درجات الحرية df الذي يمثل المعلمة الأساسية للشكل، إضافة إلى المعامل الاختياري لمعلمة اللاتمركز ncp (Non-Centrality Parameter) الذي يتيح توسيع استخدامات التوزيع إلى الحالات غير المتمركزة المستخدمة في حساب القوة الإحصائية وفترات الثقة لمعاملات التأثير.

تستقبل هذه الدوال متجهات من القيم وتطبق العمليات الحسابية بكفاءة متجهة (Vectorized Operations)، مما يعني قدرتها على معالجة آلاف المشاهدات في أمر برمجي واحد دون الحاجة لكتابة حلقات تكرارية معقدة، وهو ما يعزز من كفاءة المعالجة وسرعة التنفيذ الرياضي داخل بيئة R الإحصائية.

2.2 البيئة البرمجية وإعداد الحزم اللازمة للتحليل

من أهم المزايا التقنية لدوال توزيع تي (dt, pt, qt, rt) في لغة R أنها تأتي مدمجة بشكل افتراضي ضمن حزمة stats الأساسية التي يتم تحميلها تلقائياً مع بدء تشغيل بيئة R أو منصة RStudio. ويعني ذلك أن الباحث لا يحتاج إلى تثبيت أو استدعاء أي حزم خارجية إضافية للقيام بالعمليات الإحصائية والحسابات الاحتمالية الروتينية. ومع ذلك، يتطلب بناء رسومات بيانية متقدمة وإجراء تحليلات بصرية احترافية الاستعانة بحزم رسومية رائدة مثل حزمة ggplot2 ومكتبة dplyr لمعالجة وتجهيز مصفوفات البيانات بكفاءة.

عند تجهيز بيئة RStudio للتعامل مع دوال التوزيعات، ينبغي للمحلل مراعاة التعامل السليم مع القيم الخاصة والمدخلات الرياضية غير الصالحة. فعلى سبيل المثال، يؤدي تمرير قيم مفقودة NA أو قيم سالبة لمعامل درجات الحرية df إلى إرجاع قيم غير معرفة NaN مصحوبة برسائل تحذيرية برمجية تدل على خروج المدخلات عن النطاق الرياضي المسموح به للتوزيع. لذلك، يُنصح دائماً بتضمين آليات التحقق من صحة البيانات (Data Validation) وضبط إعدادات البيئة لضمان إخراج تقارير إحصائية دقيقة وخالية من العيوب البرمجية.

2.3 خريطة اختيار الدالة المناسبة بناءً على الهدف البحثي

لتجنب الخلط المنهجي الشائع بين وظائف الدوال الأربع، وضع علماء الإحصاء البرمجي خريطة اتخاذ قرار واضحة ترشد الباحث إلى الدالة المناسبة وفقاً للمهمة التحليلية المستهدفة. إذا كان الهدف هو رسم المنحنى النظري لتوزيع تي وتصور شكل الكثافة أو حساب الارتفاع الرأسي للدالة عند قيمة محددة، فإن الدالة المستهدفة هي dt(). بينما إذا كان الهدف هو حساب القيمة الاحتمالية (p-value) لاختبار إحصائي ومعرفة المساحة الواقعة تحت المنحنى يسار أو يمين نقطة معينة، فإن دالة الاحتمال التراكمي pt() هي الخيار الرياضي الصحيح.

في المقابل، عندما يحتاج الباحث إلى معرفة القيمة الحرجة (Critical Value) أو الدرجة المعيارية التي تفصل منطقة رفض الفرضية الصفرية عن منطقة القبول عند مستوى دلالة محدد كـ 0.05، أو عندما يرغب في بناء فترات الثقة، فإن دالة المئين المعكوسة qt() هي الأداة المخصصة لذلك بتحويلها النسبة المئوية للمساحة إلى قيمة تي المقابلة. وأخيراً، تبرز الدالة rt() كأداة لا غنى عنها عندما يتطلب البحث إجراء محاكاة تجريبية، أو توليد بيانات اصطناعية لتقييم حساسية اختبار معين لانتهاك الافتراضات، أو تقدير القوة الإحصائية وحجم العينة المطلوب للدراسات الميدانية المستقبلية.

3. دالة الكثافة الاحتمالية dt(): المفهوم الرياضي وبناء الجملة البرمجية

3.1 التعريف الرياضي لدالة كثافة الاحتمال وتفسير نواتجها

تُعرف دالة الكثافة الاحتمالية (Probability Density Function – PDF) لتوزيع تي رياضياً بأنها الدالة التي تصف الارتفاع النسبي لمنحنى التوزيع عند أي قيمة معينة للمتغير $x$. رياضياً، تُعبر الصيغة الدقيقة لدالة الكثافة لتوزيع تي المتمركز ذي درجات حرية$nu$ عن المعادلة التالية:

$$f(x) = \frac{\Gamma((\nu + 1)/2)}{\sqrt{\pi \nu} , \Gamma(nu/2)} \left(1 + \frac{x^2}{\nu}\right)^{-(\nu + 1)/2}$$

حيث تمثل $\Gamma$ دالة جاما (Gamma Function)، وهي الامتداد التحليلي لدالة المضروب للأعداد الحقيقية والمركبة. تلعب دالة جاما دور ثابت المعايرة الذي يضمن أن المساحة الإجمالية الكلية الواقعة تحت منحنى الدالة من اللانهاية السالبة إلى اللانهاية الموجبة تساوي واحداً صحيحاً تماماً.

من الأهمية بمكان التأكيد على أن القيمة الناتجة عن تعويض $x$ في الدالة dt(x, df) لا تمثل الاحتمال المباشر لظهور النقطة $x$ بعينها؛ إذ إن احتمال وقوع أي نقطة مفردة في التوزيعات المتصلة يساوي صفراً رياضياً. بدلاً من ذلك، تمثل القيمة الناتجة “كثافة الاحتمال” أو الارتفاع الرأسي للمنحنى، والتي تعكس الثقل الاحتمالي في الجوار المتناهي في الصغر المحيط بتلك النقطة. ومع زيادة درجات الحرية $\nu$، يزداد ارتفاع المنحنى عند النقطة المركزية $x = 0$، مقترباً تدريجياً من الارتفاع الأقصى لمنحنى التوزيع الطبيعي المعياري والبالغ تقريباً 0.3989.

3.2 الصيغة البرمجية للدالة dt() والمعاملات الأساسية

تُكتب دالة الكثافة الاحتمالية في لغة R بالصيغة القياسية التالية:

dt(x, df, ncp, log = FALSE)

حيث يمثل المعامل x متجهاً من القيم العددية التي يرغب الباحث في حساب الكثافة عندها، ويمثل df درجات الحرية الموجبة للتوزيع، بينما يمثل ncp معامل اللاتمركز الاختياري (والذي يُفترض افتراضياً أنه صفر). أما المعامل المنطقي log فيحدد ما إذا كانت النتيجة المطلوبة هي الكثافة الاحتمالية المباشرة (عندما يكون FALSE) أو اللوغاريتم الطبيعي للكثافة (عندما يُضبط على TRUE).

يُعد استخدام log = TRUE ممارسة برمجية متقدمة وضرورية في خوارزميات التقدير الإحصائي مثل طريقة الإمكان الأكبر (Maximum Likelihood Estimation – MLE) والتحليلات البايزية. ففي الحسابات التي تتضمن ضرب أعداد متناهية الصغر، يؤدي ضرب الاحتمالات المباشر إلى حدوث فيض حسابي سلبي (Underflow) وفقدان الدقة الرقمية، في حين يحول التمثيل اللوغاريتمى عمليات الضرب المعقدة إلى عمليات جمع بسيطة ومستقرة عددياً، مما يحافظ على دقة التحليل الرياضي في التطبيقات الحسابية الضخمة.

3.3 التعامل مع معاملات اللاتمركز (Non-Centrality Parameter – ncp)

يُقصد بتوزيع تي غير المركزي (Non-Central t-Distribution) تلك الحالة التي ينشأ فيها التوزيع عندما لا يكون متوسط المتغير الطبيعي في البسط مساوياً للصفر. يُرمز لمعلمة اللاتمركز بالرمز $\delta$ أو ncp برمجياً في R. يكتسب هذا التوزيع أهمية بالغة في التحليل الإحصائي التطبيقي، لكونه التوزيع الفعلي الذي تتبعه إحصاءة تي تحت الفرضية البديلة ($H_1$) عند وجود تأثير حقيقي أو فرق فعلي بين المجموعات التجريبية، مما يجعله الأساس المنهجي لحساب القوة الإحصائية وحجم الأثر.

عند تمرير قيمة موجبة للمعامل ncp إلى الدالة dt(x, df, ncp)، يفقد المنحنى تماثله الجرسي حول الصفر؛ إذ تنزاح قمة المنحنى باتجاه اليمين، وتصبح الذيول غير متماثلة مع استطالة واضحة في أحد الطرفين وارتفاع في معامل الالتواء. يوفر فهم هذا السلوك غير المتمركز للمحلل النفسي والتربوي وسيلة دقيقة لنمذجة الفروق المتوقعة، وبناء فترات الثقة لمعاملات تمايز المجموعات مثل معامل كوهين للتباين ($d$).

4. رسم وتصور منحنيات توزيع تي باستخدام دالة dt() في R

4.1 رسم المنحنى الأساسي لتوزيع تي باستخدام الرسومات الافتراضية في R

توفر أدوات الرسم الافتراضية المدمجة في لغة R طريقة سريعة وفعالة لتصور منحنيات الكثافة الاحتمالية لتوزيع تي. يمكن تحقيق ذلك بسهولة باستخدام دالة curve() التي تستقبل الدالة الرياضية وتقوم بتوليد المنحنى عبر نطاق محدد من القيم للمتغير السيني، مع إمكانية استخدام دالة dt() مباشرة كوسيط رياضي داخلها:

من خلال استدعاء دالة curve(dt(x, df = 5), from = -4, to = 4, col = "blue", lwd = 2)، يمكن للمحلل رسم منحنى توزيع تي بدرجات حرية منخفضة، ثم إضافة منحنيات أخرى بدرجات حرية أعلى (مثل df = 30) والتوزيع الطبيعي المعياري (باستخدام dnorm) على نفس المخطط بواسطة المعامل add = TRUE. يتيح هذا الإجراء المقارن إدراكاً بصرياً فورياً للفروق الهندسية في ارتفاع القمة وثقل الذيول بين التوزيعات المختلفة.

تتيح البيئة الرسومية الأساسية في R تخصيص المخرجات الأكاديمية بالكامل، بدءاً من إضافة العناوين التوضيحية للمحاور الأفقية والعمودية باستخدام xlab و ylab، وضبط الخطوط والشبكات التوجيهية عبر دالة grid()، ووصولاً إلى إدراج مفاتيح الأشكال التوضيحية عبر دالة legend()، مما ينتج رسومات صالحة للنشر المباشر في المجلات العلمية المحكمة.

4.2 إنشاء رسومات بيانية متقدمة باستخدام حزمة ggplot2

تمنح حزمة ggplot2 المبنية على فلسفة “قواعد بناء الرسوم البيانية” (Grammar of Graphics) قدرات استثنائية لتوليد تصورات بصرية عالية الدقة والأناقة لمنحنيات توزيع تي. يمكن بناء مخطط متقدم من خلال إنشاء إطار بيانات يحتوي على نطاق القيم المطلوبة، ثم استخدام الدالة الرسومية stat_function() التي تقبل دالة الكثافة fun = dt وتمرر معاملات درجات الحرية عبر القائمة args = list(df = ...) بشكل ديناميكي:

يتيح هذا النهج توليد طبقات رسومية متعددة تُمثل كل منها درجة حرية محددة (مثل $\nu = 2$ و $\nu = 5$ و $\nu = 30$) مع تلوين كل منحنى بلون متميز وإضافة التوزيع الطبيعي كمنحنى مرجعي متقطع. يبرز الرسم البياني الناتج التدرج الهندسي المذهل لذيول توزيع تي وكيفية تلاشي الفروق التدريجي بينه وبين التوزيع الطبيعي مع ارتفاع درجات الحرية، مما يمنح القارئ فهماً بصرياً عميقاً لمفهوم التقارب المقارب (Asymptotic Convergence).

4.3 تظليل مساحات تحت المنحنى للإيضاح التعليمي والإحصائي

يمثل التظليل اللوني للمساحات الواقعة تحت منحنى الكثافة أسلوباً تعليمياً وتطبيقياً فائق الأهمية لتوضيح المفاهيم الإحصائية المعقدة مثل مناطق الرفض والقبول للفرضيات، ومستويات الدلالة $\alpha$ ومقادير الأخطاء الإحصائية. في بيئة الرسوم الافتراضية، يمكن تنفيذ هذا التظليل باستخدام دالة polygon()، والتي تستقبل إحداثيات النقاط المحصورة بين المنحنى والمحور الأفقي لتعبئتها بلون شفاف ومحدد.

أما في بيئة ggplot2، فيتم تحقيق هذه النتيجة الاحترافية باستخدام دالة geom_ribbon() أو من خلال تخصيص نطاق التكامل في stat_function() عبر تحديد المعامل xlim واستخدام الشكل الهندسي geom = "area". يُمكّن هذا الأسلوب الباحثين والمحاضرين من إبراز مناطق الذيلين الحرجين لاختبار تي عند مستوى دلالة 0.05 بصرياً، وربط المساحة المظللة بالقيمة الاحتمالية الناتجة عن الحسابات الرياضية، مما يجعل التفسير الإحصائي أكثر وضوحاً وإقناعاً في العروض العلمية والتقارير المنهجية.

5. دالة التوزيع التراكمي pt(): حساب الاحتماليات وتفسير النتائج

5.1 المفهوم الإحصائي للتوزيع التراكمي وتطبيقاته

تمثل دالة التوزيع التراكمي (Cumulative Distribution Function – CDF) المعبر الرياضي الأساسي لحساب المساحات الواقعة تحت منحنى الكثافة الاحتمالية. وتُعرف الدالة التراكمية $F(q)$ لتوزيع تي بأنها الاحتمال الرياضي لوقوع المتغير العشوائي $T$ عند قيمة أقل من أو تساوي قيمة محددة $q$، أي أن:

$$F(q) = P(T le q) = \int_{-\infty}^{q} f(t) , dt$$

حيث يمثل التكامل الرياضي عملية التجميع المستمر للمساحة المحصورة تحت المنحنى بدءاً من أقصى الذيل الأيسر (اللانهاية السالبة) وحتى النقطة $q$.

تكمن الأهمية التطبيقية الكبرى لهذه الدالة في كونها الأداة المباشرة لحساب القيم الاحتمالية ومستويات الدلالة الإحصائية (p-values) في كافة الاختبارات الاستدلالية التي تعتمد على إحصاءة تي. فبينما تخبرنا دالة الكثافة dt() بارتفاع المنحنى عند نقطة، تعطينا الدالة التراكمية pt() الاحتمال الحقيقي والتراكمي للظاهرة المدروسة، وهو ما يُترجم عملياً إلى فرصة ملاحظة قيمة تجريبية مساوية أو أكثر تطرفاً من القيمة المحسوبة تحت افتراض صحة الفرضية الصفرية.

5.2 الصيغة البرمجية للدالة pt() وتفكيك معاملاتها

تُعرف دالة التوزيع التراكمي في R بالصيغة المعيارية التالية:

pt(q, df, ncp, lower.tail = TRUE, log.p = FALSE)

تتضمن هذه الدالة معاملات محورية يجب على المحلل ضبطها بدقة متناهية وفقاً للهدف البحثي:

• q: القيمة المعيارية المحسوبة لإحصاءة تي (Quantile) والتي يرغب الباحث في حساب المساحة الاحتمالية عندها.
• df: درجات الحرية المرتبطة بحجم العينة أو تصميم التجربة.
• ncp: معامل اللاتمركز، ويُترك افتراضياً مساوياً للصفر في اختبارات الفرضيات التقليدية.
• lower.tail: معامل منطقي حاسم؛ فعندما يكون TRUE (وهو الوضع الافتراضي)، تحسب الدالة الاحتمال التراكمي في الذيل الأيسر $P(T le q)$. أما عندما يُضبط على FALSE، فإن الدالة تحسب المساحة في الذيل الأيمن $P(T > q) = 1 – P(T le q)$.
• log.p: معامل منطقي يُتيح إرجاع لوغاريتم الاحتمال $ln(P)$، وهو أمر بالغ الأهمية لتجنب أخطاء التقريب الرقمي عند التعامل مع قيم احتمالية متناهية الصغر في العينات الضخمة جداً أو الاختبارات شديدة الدلالة.

5.3 أمثلة تطبيقية وحسابات يدوية مقارنة بمخرجات R

لتوضيح الحسابات التراكمية عملياً، لنفترض أن باحثاً أجرى تجربة نفسية وحصل على قيمة إحصاءة تي قدرها $t = 2.10$ مع درجات حرية $\nu = 18$. لحساب الاحتمال التراكمي للذيل الأيسر، يقوم باستدعاء الأمر pt(2.10, df = 18)، لتعيد لغة R القيمة التقريبية 0.9749، مما يعني أن 97.49% من المساحة الكلية للتوزيع تقع على يسار هذه القيمة.

تتيح دالة pt() أيضاً إثبات خاصية التماثل التام لتوزيع تي برمجياً. فعلى سبيل المثال، فإن استدعاء pt(-2.10, df = 18) سيعيد بدقة متناهية القيمة 0.0251، وهي المساحة المطابقة تماماً لما نحصل عليه عند حساب الذيل الأيمن للقيمة الموجبة عبر الأمر pt(2.10, df = 18, lower.tail = FALSE) أو 1 - pt(2.10, df = 18). تثبت هذه المطابقة العددية كفاءة الخوارزميات الحسابية في R وتطابقها التام مع الجداول الإحصائية المطبوعة في أمهات الكتب المنهجية، متفوقة عليها بالدقة غير المحدودة ومستبعدةً أخطاء الاستيفاء اليدوي الخطي (Linear Interpolation).

6. حساب القيم الاحتمالية (p-values) للاختبارات الأحادية والثنائية باستخدام pt()

6.1 حساب القيمة الاحتمالية لاختبار تي أحادي الطرف (One-Tailed Test)

يُستخدم الاختبار أحادي الطرف عندما يمتلك الباحث فرضية بحثية موجهة مسبقاً تستند إلى أطر نظرية متينة، كأن يفترض أن برنامجاً علاجياً سلوكياً معرفياً سيؤدي بالضرورة إلى “خفض” أعراض الاكتئاب، أو أن استراتيجية تدريس حديثة ستؤدي إلى “زيادة” التحصيل الدراسي. في هذه الحالات، تتركز منطقة الرفض في طرف واحد فقط من منحنى التوزيع الاحتمالي.

إذا كانت الفرضية موجهة نحو الزيادة، وجاءت إحصاءة تي التجريبية موجبة (مثلاً $t = 2.35$ مع $\nu = 24$)، تُحسب القيمة الاحتمالية للذيل الأيمن باستخدام الأمر:

p_val_upper <- pt(2.35, df = 24, lower.tail = FALSE)

وهو ما يعطي $p \approx 0.0137$. أما إذا كانت الفرضية موجهة نحو الانخفاض وجاءت قيمة تي سالبة (مثلاً $t = -1.85$ مع $\nu = 15$)، فإن القيمة الاحتمالية للذيل الأيسر تُحسب مباشرة بالأمر:

p_val_lower <- pt(-1.85, df = 15, lower.tail = TRUE)

يجب التنبيه بشدة إلى أن استخدام lower.tail = FALSE أفضل وأدق عددياً من كتابة 1 - pt(q, df)، حيث تضمن الخوارزمية الداخلية لـ R عدم فقدان الدقة الحسابية عند التعامل مع ذيول متطرفة للغاية.

6.2 حساب القيمة الاحتمالية لاختبار تي ثنائي الأطراف (Two-Tailed Test)

يُعد الاختبار ثنائي الأطراف التصميم الأكثر شيوعاً وحذراً في الأبحاث النفسية والاجتماعية، حيث يفترض الباحث وجود فرق جوهري بين المجموعات دون الجزم المسبق باتجاه هذا الفرق. ونظراً لتماثل توزيع تي، تتوزع المساحة الحرجة للرفض بالتساوي على كلا الذيلين، مما يستلزم مضاعفة المساحة الاحتمالية للذيل الأصغر للحصول على القيمة الاحتمالية الكلية للاختبار ثنائي الطرف.

لتفادي الأخطاء البرمجية الناتجة عن إشارة إحصاءة تي (سواء كانت موجبة أو سالبة)، يُوصى باعتماد الصيغة البرمجية العامة والمتينة التالية في R:

p_val_two_tailed <- 2 * pt(-abs(t_stat), df = df_val)

أو بصيغة مكافئة: 2 * pt(abs(t_stat), df = df_val, lower.tail = FALSE).

تضمن دالة القيمة المطلقة abs() تحويل الإحصاءة إلى قيمة سالبة دائماً وحساب مساحة الذيل الأيسر المباشرة ثم ضربها في اثنين. وإذا قمنا بمقارنة هذه النتيجة اليدوية بمخرجات دالة t.test() الشاملة في لغة R لنفس مجموعة البيانات، فسنجد تطابقاً مطلقاً في قيمة $p$ المحسوبة حتى خانات كسرية متقدمة، مما يعزز الفهم العميق للآلية التي تبني بها حزم R تقاريرها الاستدلالية.

6.3 اتخاذ القرارات الإحصائية وتفسير الدلالة في ضوء مستويات ألفا

يرتكز اتخاذ القرار الإحصائي على المقارنة المباشرة بين القيمة الاحتمالية المحسوبة $p\text{-value}$ ومستوى الدلالة المعياري المحدد سلفاً $\alpha$ (والذي يُحدد تقليدياً عند 0.05 أو 0.01 في العلوم السلوكية). إذا كانت القيمة الاحتمالية أصغر من أو تساوي مستوى الدلالة ($p le \alpha$)، يُتخذ القرار المنهجي برفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$)، مما يدل على أن الفرق الملاحظ ذو دلالة إحصائية ولا يُعزى للصدفة العشوائية وحدها.

ومع ذلك، ينبغي على الباحث الحذر من المغالطة الشائعة التي تخلط بين الدلالة الإحصائية والدلالة العملية أو حجم الأثر؛ فالقيمة الاحتمالية الصغيرة جداً قد تنشأ ببساطة عن حجم عينة ضخم للغاية حتى مع وجود فروق واقعية ضئيلة لا قيمة تطبيقية لها. ووفقاً لمعايير دليل النشر العلمي لجمعية علم النفس الأمريكية (APA 7th Edition)، يجب توثيق النتائج الإحصائية بدقة، متضمنةً نوع الاختبار، وإحصاءة تي، ودرجات الحرية، والقيمة الاحتمالية الدقيقة (مثلاً: $t(28) = 2.45, p = .021$)، متبوعةً بحجم الأثر المناسب كمعامل كوهين وفترات الثقة المقابلة.

7. دالة القيم المئينية المعكوسة qt(): المفهوم والاشتقاق الإحصائي

7.1 المفهوم الرياضي لدالة المئين المعكوس (Quantile Function)

تُمثل دالة المئين المعكوسة (Quantile Function) المعكوس الرياضي المباشر لدالة التوزيع التراكمي، وتُعرف أحياناً بدالة النسبة المئوية (Percent-Point Function). إذا كانت الدالة التراكمية $F(q)$ تستقبل درجة تي وتخرج المساحة الاحتمالية التراكمية $p$، فإن دالة المئين$Q(p) = F^{-1}(p)$ تقوم بالعملية العكسية تماماً؛ حيث تستقبل احتمالاً تراكمياً معلوماً $p$ ينحصر بين الصفر والواحد الصحيح ($0 le p le 1$)، لتُرجع القيمة الدقيقة لإحصاءة تي$t_p$ التي تقع عندها هذه المساحة تحت المنحنى:

$$P(T le t_p) = p iff qt(p, \nu) = t_p$$

تكتسب هذه الدالة أهمية محورية في حقل القياس النفسي والتقييم التربوي؛ إذ تُستخدم في تحديد نقاط القطع السيكومترية (Cut-off Scores) لتحويل الدرجات الخام إلى درجات معيارية تائية تفصل بين المستويات التشخيصية المختلفة (كالأسوياء، وذوي الاضطراب الخفيف، والمتوسط، والشديد). كما تُمثل الأداة الرياضية المباشرة لتحديد القيم الحرجة (Critical Values) اللازمة لاتخاذ قرارات رفض الفرضيات الصفرية وبناء فترات الثقة المعيارية.

7.2 الصيغة البرمجية والمعاملات الخاصة بدالة qt()

تأتي دالة المئين المعكوس في لغة R بالهيكلية القياسية التالية:

qt(p, df, ncp, lower.tail = TRUE, log.p = FALSE)

حيث يمثل p متجهاً من الاحتمالات التي يجب أن تقع قيمها حصراً داخل المجال المغلق $[0, 1]$ ما لم يكن المعامل log.p = TRUE، وفي حال تمرير أي قيمة خارج هذا النطاق، تُرجع لغة R فوراً القيمة غير المعرفة NaN مع رسالة تحذير رقمية.

تتميز الدالة qt() بقدرتها على معالجة متجهات كاملة من الاحتمالات دفعة واحدة بفضل الطبيعة المتجهة للغة R. فعلى سبيل المثال، يمكن للمحلل استخراج القيم المئينية للوسيط ($p = 0.5$)، والمئين التسعين ($p = 0.90$)، والمئين الخامس والتسعين ($p = 0.95$) دفعة واحدة عبر تمرير متجه احتمالي: qt(c(0.50, 0.90, 0.95), df = 20)، مما ينتج متجراً مقابلاً من قيم تي الحرجة بسرعة وكفاءة برمجية فائقة تخدم بناء مصفوفات المعايير السيكومترية المعقدة.

7.3 العلاقة التبادلية والتحقق البرمجي بين pt() و qt()

نظراً لأن الدالتين pt() و qt() تمثل كل منهما معكوساً للأخرى، فإن تطبيق إحداهما على ناتج الأخرى يجب نظرياً أن يعيد القيمة الأصلية المدخلة تماماً، وتتحقق العلاقة التبادلية التالية:

pt(qt(p, df), df) == p وكذلك qt(pt(q, df), df) == q

ومع ذلك، عند اختبار هذا التطابق برمجياً في لغة R باستخدام معامل المساواة المنطقية الصارمة ==، قد يتفاجأ المحلل بظهور القيمة FALSE في بعض الحالات المتطرفة. يعود هذا السلوك البرمجي إلى قيود تمثيل الأرقام العشرية بالفاصلة العائمة في معالجات الحواسيب (Floating-point Arithmetic Precision Limits). وللتحقق من التطابق التبادلي بأسلوب برمجي احترافي، يُوصى باستخدام دالة المقارنة التقريبية all.equal() التي تتسامح مع الفروق المتناهية في الصغر الناتجة عن التقريب الثنائي، مثل:

all.equal(pt(qt(0.95, df = 15), df = 15), 0.95) والتي تُرجع TRUE بثقة رياضية مطلقة.

8. تحديد القيم الحرجة وبناء فترات الثقة باستخدام دالة qt()

8.1 استخراج القيم الحرجة لاختبارات الفرضيات الإحصائية

تُمثل القيم الحرجة نقاط الفصل الجغرافية على منحنى التوزيع التي تحدد بداية مناطق الرفض الإحصائي. ففي الاختبارات أحادية الطرف عند مستوى دلالة $\alpha = 0.05$ ودرجات حرية $\nu = 20$، تُستخرج القيمة الحرجة اليمنى مباشرة عبر الدالة: qt(0.95, df = 20) والتي تُعطي $t_{crit} = 1.7247$. ويعني ذلك أن أي قيمة تي تجريبية تتجاوز 1.7247 ستؤدي مباشرة إلى رفض الفرضية الصفرية.

أما في الاختبارات ثنائية الطرف، فإن مستوى الدلالة $\alpha$ يُقسم مناصفة على الطرفين ($alpha/2 = 0.025$ في كل ذيل). وتُستخرج القيمتان الحرجتان اليسرى واليمنى معاً بتمرير المتجه الاحتمالي:

critical_values <- qt(c(0.025, 0.975), df = 20)

لينتج الزوج المتناظر $\pm 2.0860$. ومن الملاحظ بوضوح أنه مع زيادة درجات الحرية في الدالة qt(0.975, df = n)، تنكمش هذه القيمة تدريجياً لتقترب بشكل مقارب من القيمة الشهيرة للتوزيع الطبيعي المعياري $Z_{0.975} = 1.95996$ (المقربة إلى 1.96)، مما يوضح رياضياً كيف يعوض توزيع تي عن صغر العينات بفرض قيود حرجية أكثر صرامة لحماية البحث من القرارات الخاطئة.

8.2 بناء وتطوير فترات الثقة للمتوسطات الحسابية

تُعد فترات الثقة (Confidence Intervals – CI) من أهم مخرجات الاستدلال الإحصائي الحديث، حيث تقدم تقديراً مجالياً لمعلمة المجتمع غير المعروفة بدلاً من الاكتفاء بالتقدير النقطي المفرد. وتُصاغ فترة الثقة العامة بنسبة $(1 – \alpha)%$ لمتوسط مجتمع مفرد يتبع توزيعاً طبيعياً بتباين مجهول وفق المعادلة الرياضية التالية:

$$\text{CI} = \bar{X} \pm \left( t_{(1 – alpha/2, , \nu)} \times \frac{s}{\sqrt{n}} \right)$$

حيث يمثل $\bar{X}$ متوسط العينة، و $s$ انحرافها المعياري، و $n$ حجمها، ويمثل المقدار $s/\sqrt{n}$ الخطأ المعياري للمتوسط ($SE$).

يمكن بناء كود مخصص في لغة R لحساب فترة ثقة 95% لبيانات عينة تجريبية كالتالي:

sample_mean <- mean(data)
sample_se <- sd(data) / sqrt(length(data))
t_crit <- qt(0.975, df = length(data) - 1)
ci_lower <- sample_mean - t_crit * sample_se
ci_upper <- sample_mean + t_crit * sample_se

يعكس هذا المجال النطاق الذي نثق بنسبة 95% أنه يحتوي المتوسط الحقيقي للمجتمع، مما يمنح الممارس الإكلينيكي فهماً عميقاً لمدى دقة واستقرار القياس السلوكي المتاح.

8.3 حساب حدود اتخاذ القرار في الرقابة الإحصائية ومراقبة الجودة

يمتد تطبيق دالة qt() إلى ما وراء الاختبارات الفرضية التقليدية ليشمل مجالات ضبط الجودة والمراقبة الإحصائية للعمليات (Statistical Process Control) وتحليل الشواذ في المسوح الميدانية السلوكية. فعند جمع استجابات نفسية واسعة، يحتاج الباحث إلى وضع حدود تحذيرية (Warning Limits) وحدود تحكم صارمة (Control Limits) لعزل الاستجابات المشبوهة أو الناتجة عن عدم انتباه المشاركين.

من خلال توظيف الدالة qt()، يمكن بناء دالات آلية تقوم بحساب مسافة التباعد المعياري لكل استجابة عن المتوسط، وتحديد عتبات القطع الإحصائي بناءً على درجات حرية العينة الاستطلاعية. يتيح هذا الدمج البرمجي أتمتة تنظيف البيانات واستخراج تقارير الرقابة الدورية، مما يرفع من موثوقية قواعد البيانات البحثية قبل الشروع في النمذجة الإحصائية المتقدمة كالنمذجة بالمعادلات البنائية (SEM).

9. دالة التوليد العشوائي rt(): المحاكاة وتوليد البيانات الاصطناعية

9.1 مفهوم التوليد شبه العشوائي للأعداد في بيئة R

تعتمد لغة R في توليد الأعداد العشوائية على خوارزميات رياضية حتمية معقدة تُعرف بمولدات الأعداد شبه العشوائية (Pseudo-Random Number Generators – PRNG)، وأبرزها خوارزمية ميرسين تويستر (Mersenne Twister). لتوليد متغير عشوائي يتبع توزيع تي بدرجات حرية $\nu$، تقوم لغة R بتوليد متغيرين عشوائيين مستقلين: الأول $Z$ يتبع التوزيع الطبيعي المعياري $N(0, 1)$، والثاني $V$ يتبع توزيع مربع كاي $\chi^2(\nu)$، ثم حساب المتغير المستهدف بالصيغة الرياضية $T = Z / \sqrt{V/\nu}$.

لضمان قابلية تكرار النتائج العلمية (Reproducibility) في الأبحاث والمحاكاة الأكاديمية، تبرز الأهمية القصوى لاستخدام دالة ضبط البذرة العشوائية set.seed() قبل استدعاء دالة التوليد. يؤدي تحديد بذرة ثابتة (مثل set.seed(12345)) إلى جعل سلسلة الأرقام العشوائية المولدة متطابقة تماماً عند إعادة تشغيل الكود في أي حاسوب آخر، وهو متطلب منهجي صارم لشفافية التحليلات الإحصائية وتسهيل تدقيقها من قِبل الباحثين والمراجعين الأكاديميين.

9.2 الصيغة البرمجية لدالة rt() وتوليد المتجهات العشوائية

تُكتب دالة التوليد العشوائي لتوزيع تي في R بالصيغة البسيطة التالية:

rt(n, df, ncp)

حيث يمثل n عدد المشاهدات أو حجم العينة العشوائية المطلوب توليدها، ويمثل df درجات الحرية، بينما يمثل ncp معلمة اللاتمركز في حال الرغبة في توليد بيانات تتبع توزيع تي غير المتمركز.

عند تنفيذ الأمر sim_data <- rt(n = 1000, df = 10)، تقوم R بإنشاء متجه رقمي يحتوي على ألف مشاهدة عشوائية تسلك سلوك توزيع تي النظري. وبإجراء تحليل وصفي بسيط لهذا المتجه عبر mean(sim_data) و var(sim_data)، نجد أن متوسط العينة المولدة يقترب كثيراً من الصفر النظري، في حين يقترب تباين العينة من التباين النظري لتوزيع تي والمحدد بالمعادلة $\nu / (\nu – 2) = 10 / (10 – 2) = 1.25$، مما يبرهن على الدقة العالية لآليات التوليد العشوائي في البيئة البرمجية.

9.3 التحقق البصري من العينات المولدة عشوائياً

يُعد الفحص البصري خطوة أساسية للتحقق من مطابقة البيانات المولدة اصطناعياً للخصائص الهندسية المفترضة للتوزيع النظري. يمكن إجراء ذلك برسم مدرج تكراري (Histogram) مرجح بالكثافة الاحتمالية للبيانات المولدة باستخدام دالة hist(sim_data, prob = TRUE, breaks = 30)، ثم تراكب منحنى الكثافة النظري المستخرج عبر curve(dt(x, df = 10), add = TRUE, col = "red", lwd = 2) فوق المدرج لملاحظة مدى التطابق الدقيق بين البيانات التجريبية والمنحنى الرياضي.

علاوة على ذلك، يمثل مخطط المئينات الاحتمالية المقارن (Quantile-Quantile Plot – Q-Q Plot) أداة تشخيصية متقدمة لتقييم مدى مطابقة البيانات لتوزيع تي، حيث يمكن للباحث مقارنة مئينات العينة المولدة بمئينات توزيع تي النظري أو التوزيع الطبيعي. يُظهر هذا المخطط بوضوح انحراف النقاط في أقصى الذيول عند مقارنتها بالتوزيع الطبيعي، مما يؤكد احتواء البيانات المولدة بواسطة rt() على الذيول الثقيلة والقيم المتطرفة التي تميز توزيع تي الحقيقي.

10. دراسات محاكاة مونت كارلو واختبار المتانة باستخدام دالة rt()

10.1 تصميم تجارب مونت كارلو لتقييم كفاءة الاختبارات الإحصائية

تُمثل محاكاة مونت كارلو (Monte Carlo Simulation) منهجية حاسوبية فائقة القوة تتيح للباحثين تقييم الأداء النظري والمتانة المنهجية لمختلف الاختبارات الإحصائية تحت شروط تجريبية متعددة يتم التحكم فيها بالكامل. تبرز أهمية هذه المحاكاة عند الرغبة في فحص سلوك اختبار تي الكلاسيكي عندما تنتهك البيانات افتراض التوزيع الطبيعي للمجتمع وتتخذ توزيعات ذات ذيول ثقيلة تماثل توزيع تي بدرجات حرية منخفضة.

يمكن بناء خوارزمية محاكاة في R لتكرار تجربة سحب العينات 10,000 مرة، وحساب معدل الخطأ من النوع الأول ($\alpha$) التجريبي تحت الفرضية الصفرية كالتالي:

reps <- 10000; p_values <- numeric(reps)
for(i in 1:reps) {
  x <- rt(n = 20, df = 4) # بيانات غير طبيعية ذات ذيول ثقيلة
  p_values[i] <- t.test(x, mu = 0)$p.value
}
type_I_error <- mean(p_values < 0.05)

يكشف هذا التحليل التجريبي للباحثين عن مدى متانة اختبار تي (Robustness)، حيث يوضح أن معدل الخطأ الفعلي يظل قريباً جداً من المستوى الاسمي 0.05، مما يعزز الثقة في استخدام الاختبار حتى في البيئات السلوكية ذات التوزيعات غير المثالية.

10.2 محاكاة القوة الإحصائية وحجم العينة المطلوب

تُعرف القوة الإحصائية (Statistical Power) بأنها احتمال رفض الفرضية الصفرية عندما تكون خاطئة بالفعل ($1 – beta$)، وتُعد ركيزة أساسية لتخطيط الدراسات وتحديد حجم العينة المناسب لتجنب هدر الموارد البحثية. يمكن توظيف توزيع تي غير المركزي داخل دالة التوليد rt(n, df, ncp) لمحاكاة تأثيرات علاجية حقيقية وتقدير القوة الإحصائية بشكل تجريبي بالغ الدقة.

تتضمن التجربة محاكاة سحب عينات بأحجام متدرجة (مثل $n = 10, 20, 30, dots, 100$) مع تثبيت معامل اللاتمركز الذي يمثل حجم الأثر المفترض، ثم حساب النسبة المئوية للمحاولات التي تنجح في الوصول إلى مستوى دلالة $p < 0.05$. ومن خلال رسم منحنى القوة الإحصائية الناتج مقابل أحجام العينات، يستطيع الباحث تحديد الحجم الأمثل للعينة اللازم لبلوغ القوة القياسية المتعارف عليها عالمياً (80% أو 90%)، مما يرفع من جودة التصميم التجريبي ويزيد من فرص الحصول على تمويلات بحثية ونشر دولي رصين.

10.3 تطبيق تقنيات إعادة أخذ العينات والتعزيز الإحصائي (Bootstrapping)

تُعد تقنيات التعزيز الإحصائي (Bootstrapping) بديلاً لا بارامترياً حديثاً لتقدير فترات الثقة والأخطاء المعيارية دون الاعتماد الصارم على الافتراضات التوزيعية للمجتمع. ومع ذلك، في الدراسات السريرية الصغيرة جداً (مثل $n < 10$)، يعاني البوتستراب غير البارامتري التقليدي من قصور في تمثيل الذيول البعيدة للظاهرة نتيجة التكرار المحدود للقيم الملاحظة.

هنا يبرز دور البوتستراب البارامتري (Parametric Bootstrap) الذي يوظف دالة rt() لإعادة توليد العينات من توزيع تي مناسب تم تقدير معلماته من العينة التجريبية الأصلية. يتيح هذا الدمج المنهجي بين المحاكاة البارامترية وإعادة أخذ العينات الحصول على تقديرات إحصائية غاية في الاستقرار لفترات ثقة معاملات الارتباط والتباينات المشتركة، مما يحسن من جودة الاستنتاجات الإكلينيكية المستخلصة من الحالات الفردية المعقدة في الطب النفسي وعلوم الأعصاب السلوكية.

11. المقارنة الشاملة وأفضل الممارسات البرمجية للدوال (dt, pt, qt, rt)

11.1 جدول مقارنة شامل يوضح مدخلات ومخرجات وسياق استخدام كل دالة

لتلخيص الفروق الجوهرية والتقنية بين أفراد عائلة دوال توزيع تي في لغة R، يقدم الجدول التالي مقارنة تفصيلية تستعرض المعاملات والمدخلات وطبيعة المخرجات وسياق الاستخدام المنهجي الأمثل لكل دالة:

• الدالة: dt(x, df, ncp, log)
  • المدخل الأساسي: قيمة المتغير المعياري أو النقطة $x$.
  • المخرج الرياضي: كثافة الاحتمال (ارتفاع المنحنى $f(x)$).
  • سياق الاستخدام: رسم المنحنيات النظرية، حساب الإمكان الأعظم، المعايرة البايزية.
• الدالة: pt(q, df, ncp, lower.tail, log.p)
  • المدخل الأساسي: إحصاءة تي أو النقطة المئينية $q$.
  • المخرج الرياضي: المساحة الاحتمالية التراكمية $P(T le q)$ أو $P(T > q)$.
  • سياق الاستخدام: حساب القيم الاحتمالية ($p$-values) لاختبارات الفرضيات الأحادية والثنائية.
• الدالة: qt(p, df, ncp, lower.tail, log.p)
  • المدخل الأساسي: النسبة أو المساحة الاحتمالية $p$ ($0 le p le 1$).
  • المخرج الرياضي: القيمة الحرجة أو درجة تي المقابلة $t_p$.
  • سياق الاستخدام: تحديد مناطق الرفض، بناء فترات الثقة، تحديد نقاط القطع السيكومترية.
• الدالة: rt(n, df, ncp)
  • المدخل الأساسي: عدد المشاهدات المطلوب توليدها $n$.
  • المخرج الرياضي: متجه رقمي شبه عشوائي يتبع توزيع تي.
  • سياق الاستخدام: محاكاة مونت كارلو، فحص متانة النماذج، حساب القوة الإحصائية التجريبية.

11.2 الأخطاء البرمجية والإحصائية الشائعة وكيفية تجنبها

يقع العديد من المحللين في أخطاء منهجية متكررة عند التعامل مع دوال توزيع تي، ومن أبرز هذه المزالق:

• الخلط بين الكثافة والاحتمال: استخدام الدالة dt() بدلاً من pt() لمحاولة استخراج القيمة الاحتمالية لاختبار تي، وهو خطأ فادح؛ لأن دالة الكثافة تحسب الارتفاع وليس المساحة، مما يؤدي إلى قرارات إحصائية باطلة تماماً.
• إهمال اتجاه الذيل (lower.tail): نسيان ضبط المعامل lower.tail = FALSE عند حساب القيمة الاحتمالية لإحصاءة تي موجبة في اختبار أحادي الطرف، مما يؤدي لحساب المساحة المعاكسة ($1 – p$) وتفسير النتيجة بشكل مقلوب.
• تجاوز نطاق الاحتمالات في qt(): تمرير قيم احتمالية سالبة أو قيم تتجاوز الواحد الصحيح للدالة qt() (كأن يُمرر الباحث القيمة 5 بدلاً من 0.05)، مما يؤدي لإنتاج قيم NaN وتوقف المعالجة التحليلية.
• الجهل بتعريف درجات الحرية: تمرير حجم العينة الكلي $N$ مباشرة كمعامل لدرجات الحرية df بدلاً من طرح المعلمات المقدرة ($N – 1$ في العينة الواحدة أو $N – 2$ في العينتين المستقلتين)، مما يقلل من تفلطح التوزيع النظري ويضخم الدلالة بشكل زائف.

11.3 كتابة دوال ومغلفات برمجية مخصصة (Custom Wrapper Functions)

لتعزيز الكفاءة وتوحيد سير العمل التحليلي، يُنصح الباحثون ببناء مغلفات برمجية مخصصة تدمج دوال توزيع تي وتتعامل تلقائياً مع معالجة الأخطاء. على سبيل المثال، يمكن برمجة دالة مخصصة تستقبل متجه بيانات العينة، وتقوم بحساب المتوسط، والخطأ المعياري، وإحصاءة تي، واستخراج القيمة الاحتمالية الدقيقة عبر pt() وفترات الثقة عبر qt()، وتوليد رسم بياني تلقائي يوضح موقع العينة بالنسبة للمنحنى النظري المولد عبر dt().

تتيح كتابة مثل هذه الدوال المخصصة دمج آليات التحقق الصارمة (Error Handling) باستخدام دوال stopifnot() أو tryCatch() للتحقق من عدم وجود قيم مفقودة كافية لتعطيل الحساب، والتأكد من إيجابية درجات الحرية. كما تُمكّن الباحثين من تصدير تقارير ديناميكية متكاملة باستخدام أدوات مثل R Markdown أو Quarto، مما يضمن أعلى معايير الشفافية والتكرارية في البحث الأكاديمي.

12. تطبيقات متقدمة لدوال توزيع تي في البحوث النفسية والسلوكية

12.1 تحليل نتائج الاختبارات النفسية الفردية والمقارنات المعيارية

في مجال التشخيص العصبي النفسي (Neuropsychological Assessment)، يواجه المعالجون معضلة مقارنة الدرجة الفردية لمريض يعاني من إصابة دماغية بمجموعة ضابطة معيارية صغيرة جداً تتكون من 10 إلى 15 فرداً مطابقين في السن والتعليم. في هذا السياق، تصبح المقارنة باستخدام التوزيع الطبيعي المعياري (درجات Z) غير صالحة نظراً لأن تباين المجموعة المرجعية الصغيرة غير مؤكد ويحتوي على خطأ معاينة كبير.

لحل هذه المعضلة، طور العالمان كروفورد وغارثويت (Crawford & Garthwaite) صيغة إحصائية معدلة تحول درجة المريض الفردية إلى إحصاءة تي تأخذ في الحسبان حجم العينة المرجعية. وتُستخدم دالة pt() في R لتحديد النسبة المئوية الدقيقة من المجتمع السليم التي يُتوقع أن تحقق درجات أقل من درجة هذا المريض، بينما تُستخدم دالة qt() لتوليد فترات ثقة مئينية للدرجة الفردية، مما يمنح التقرير السريري دقة علمية غير مسبوقة تسهم في توجيه الخطط العلاجية والتأهيلية.

12.2 التحليل البعدي (Meta-Analysis) وتقدير أحجام الأثر المعيارية

في دراسات التحليل البعدي والتركيبي التجميعي التي تهدف إلى تلخيص نتائج عشرات الأبحاث السابقة حول فاعلية تدخل نفسي أو تربوي معين، يواجه الباحثون نقصاً في نشر معاملات حجم الأثر الصريحة في الأوراق القديمة، مع الاكتفاء بذكر قيم إحصاءة تي وأحجام العينات. توفر دوال لغة R في هذا السياق وسيلة استرجاعية دقيقة؛ حيث يمكن إعادة بناء فترات الثقة لأحجام الأثر مثل معامل كوهين $d$ أو هيجز $g$ باستخدام توزيع تي غير المركزي عبر الدوال pt() و qt() بالتعويض عن ncp = d * sqrt(n/2).

يتيح هذا التقدير الدقيق القائم على التوزيع غير المركزي تجاوز التقريبات الخطية التقليدية لـ جاكوب كوهين (Jacob Cohen)، مما يتيح للباحثين حساب فترات ثقة غير متماثلة تعكس الواقع الرياضي الحقيقي لحجم الأثر المجمع، وهو ما يرفع من موثوقية نتائج الميتا-أناليسيس ويدعم الأدلة العلمية المسندة بالبراهين في العلوم السلوكية والطبية.

12.3 نمذجة البيانات السلوكية الحساسة وتقدير فترات الثقة البايزية المماثلة

تتميز البيانات السلوكية وأزمنة الرجع (Reaction Times) في التجارب المعرفية باحتوائها على نسب ملحوظة من القيم المتطرفة والشاذة الناتجة عن تشتت انتباه المفحوصين أو السهو اللحظي أثناء الاختبارات المحوسبة. عند استخدام التوزيع الطبيعي لنمذجة هذه البيانات، تمارس القيم الشاذة جذباً قوياً للمتوسط وتضخم التباين المقدر بشكل مضلل.

كحل إحصائي رصين، يُستخدم توزيع تي كبديل متين (Robust t-Distribution Model) لنمذجة استجابات المشاركين؛ إذ تعمل الذيول الثقيلة لتوزيع تي على امتصاص أثر القيم المتطرفة وتقليل حساسيتها في تقدير المركز. وفي إطار الاستدلال البايزي (Bayesian Inference)، تُستخدم دوال توزيع تي في R لتحديد التوزيعات القبلية المتينة (Robust Priors) لمعلمات النماذج، مما ينتج توزيعات بعدية وفترات مصداقية بايزية (Credible Intervals) تتسم بالثبات والمقاومة العالية لتشوهات البيانات الميدانية الحساسة.

خاتمة

استعرضنا في هذا الدليل الشامل والموسع عائلة دوال توزيع تي في بيئة لغة R الإحصائية: dt()، pt()، qt()، و rt(). لقد رأينا كيف يُشكل هذا التوزيع الذي ابتكره ويليام جوسيت حجر الزاوية للاستدلال الإحصائي الدقيق في ظل العينات الصغيرة والتباينات المجهولة، وكيف تُترجم دوال R الأربع العمليات الرياضية المختلفة من حساب الكثافة وتصور المنحنيات، إلى حساب القيم الاحتمالية وتحديد المناطق الحرجة وبناء فترات الثقة، ووصولاً إلى المحاكاة العشوائية المتقدمة ودراسات مونت كارلو واختبار المتانة في القياس النفسي والسلوكي.

إن إتقان الفروق الجوهرية بين معاملات هذه الدوال وضبط خياراتها البرمجية بدقة، لا سيما معاملات اللاتمركز واتجاهات الذيول، يُعد مهارة لا غنى عنها لكل باحث ومحلل بيانات يسعى إلى إجراء بحوث علمية رصينة تتوافق مع أرقى المعايير المنهجية العالمية. نوصي الباحثين والممارسين بالاعتماد المستمر على هذه الدوال المدمجة، وتوظيف الرسومات البيانية التوضيحية لتعزيز شفافية النتائج الإحصائية وتسهيل تفسيرها الأكاديمي والتطبيقي.

References

• Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Crawford, J. R., & Garthwaite, P. H. (2002). Investigation of the single case in neuropsychology: Confidence limits on the abnormality of test scores and test score differences. Neuropsychologia, 40(8), 1196–1208. https://doi.org/10.1016/S0028-3932(01)00224-X
• Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
• Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications.
• Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis (3rd ed.). Chapman and Hall/CRC. https://doi.org/10.1201/b16018
• Gosset, W. S. [Student]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.2307/2331554
• Hedges, L. V., & Olkin, I. (1985). Statistical methods for meta-analysis. Academic Press.
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag New York. https://doi.org/10.1007/978-3-319-24277-4