كيف تعمل اختبارات F في تحليل التباين (ANOVA)

يحتل الاستدلال الإحصائي مكانة محورية في ترسيخ الرصانة العلمية للعلوم النفسية والسلوكية والاجتماعية، حيث يُمكّن الباحثين من تجاوز الملاحظات العرضية والوصول إلى استنتاجات يقينية حول طبيعة الظواهر الإنسانية المعقدة. وفي قلب هذه الممارسة المنهجية، يبرز تحليل التباين (Analysis of Variance – ANOVA) كأحد أكثر النماذج الإحصائية المعلمية استخداماً ورسوخاً في الأدبيات الأكاديمية. إن الهدف الجوهري لتحليل التباين ليس مجرد رصد الفروق الظاهرية بين المجموعات التجريبية أو الضابطة، بل اختبار ما إذا كانت هذه الفروق تعكس آثاراً حقيقية للمعالجات والمتغيرات المستقلة، أم أنها مجرد تباينات عشوائية يمكن أن تُعزى إلى أخطاء القياس والتفاوتات الفردية الفطرية.

تتمحور آلية عمل تحليل التباين بالكامل حول مؤشر استدلالي فريد يُعرف باسم “اختبار F” (F-test)، وهو اختبار رياضي دقيق يرتكز على مقارنة نسب التباين المتعددة داخل البيانات التجريبية. تنطوي هذه البنية الإحصائية على مفارقة منطقية آسرة: فنحن نقوم بدراسة وتحليل وقياس “التباينات” الإحصائية لكي نصل إلى استنتاج قاطع حول تساوي أو اختلاف “المتوسطات الحسابية”. ومن خلال تفكيك الانحرافات الكلية وتجزئتها إلى مصادر تباين منهجية وأخرى عشوائية، يتيح اختبار F للباحث في علم النفس تقييم الفرضيات العلمية بمستوى غير مسبوق من الحساسية والقوة الاستدلالية.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم تفكيك منهجي معمق لكيفية عمل اختبارات F داخل نموذج تحليل التباين، مبرزاً أصولها التاريخية، وبنيتها الرياضية، والمنطق الاستدلالي الذي يحكم توزيعاتها الاحتمالية. سنتناول بالتفصيل كيفية حساب مجموع المربعات، ودرجات الحرية، وحساب متوسط المربعات، واختبار الفرضيات الصفرية، وفحص الافتراضات الصارمة، وصولاً إلى الاختبارات البعدية، وقياس حجم الأثر، والتطبيقات المتقدمة في التصاميم التجريبية المعقدة في البحوث السيكولوجية المعاصرة.

1. مدخل مفاهيمي لاختبار F وتحليل التباين (ANOVA) في البحوث النفسية

1.1 التعريف الأساسي باختبار F وتاريخ نشأته الإحصائية

يعود الفضل الأساسي في تطوير اختبار F ونموذج تحليل التباين إلى عالم الإحصاء والجينات البريطاني السير رونالد فيشر (Sir Ronald A. Fisher)، الذي صاغ هذه المنهجية الرائدة خلال العقدين الثاني والثالث من القرن العشرين أثناء عمله في محطة روثامستيد للتجارب الزراعية. وقد أُطلق الحرف “F” على هذا الاختبار لاحقاً بواسطة عالم الإحصاء جورج سنيديكور (George Snedecor) تكريماً لإسهامات فيشر التاريخية. واجه فيشر في أبحاثه مسألة منهجية معقدة تتمثل في كيفية المقارنة بين أصناف متعددة من المحاصيل تحت ظروف تسميد وبيئات تربة مختلفة دون الوقوع في أخطاء التقدير الاستدلالي، ومن هنا وُلد مفهوم تجزئة التباين الكلي إلى مكونات قابلة للتفسير والقياس.

ينتمي اختبار F من الناحية النظرية إلى فئة الاختبارات المعلمية (Parametric Tests)، وهي الاختبارات التي تشترط خصائص ومعالم محددة في توزيع المجتمعات المسحوبة منها البيانات، كاعتدالية التوزيع وتجانس التباين. يعتمد الاختبار في جوهره الرياضي على تكوين نسبة بين تقديرين مستقلين للتباين السكاني: تقدير يعكس التشتت المنهجي بين شروط التجربة، وتقدير يعكس التشتت العشوائي غير المفسر. هذا التركيب الرياضي يمنح اختبار F قدرته الفريدة على استخلاص الدلالة العلمية عبر تقييم ما إذا كان التباين بين المجموعات كبيراً بدرجة كافية تجعل من غير المحتمل أن يكون ناتجاً عن مجرد الصدفة.

تتجلى الأهمية المنهجية الكبرى لاختبار F في حله الجذري لمعضلة “المقارنات المتعددة” (Multiple Comparisons Problem). قبل صياغة فيشر لتحليل التباين، كان الباحثون يلجأون إلى تطبيق اختبارات t المتعددة لمقارنة كل زوج من المجموعات على حدة، وهو ما كان يؤدي إلى تضخم خطير في معدل خطأ النوع الأول (Type I Error) عبر ما يُعرف بمعدل الخطأ العائلي (Family-Wise Error Rate). وفر اختبار F حلاً شاملاً عبر إجراء اختبار عام كلي (Omnibus Test) يختبر الفرضية الصفرية القائلة بتساوي جميع المتوسطات في خطوة إحصائية واحدة، محتفظاً بمعدل الخطأ الاسمي المحدد مسبقاً.

1.2 الحاجة المنهجية لاختبار F في العلوم النفسية والسلوكية

تتسم الظواهر النفسية والسلوكية بدرجة عالية من التعقيد والتعددية، حيث نادراً ما يكون السلوك البشري أو الحالة المزاجية نتاجاً لمتغير أحادي ثنائي القطب. في التجارب النفسية المعاصرة، يحتاج الباحث عادة إلى دراسة تصاميم تجريبية تتضمن ثلاث مجموعات أو أكثر لفحص متدرج للظاهرة. على سبيل المثال، عند دراسة أثر دواء نفسي جديد، لا يكتفي الباحث بمقارنة الدواء بعقار وهمي (Placebo) فقط، بل يُدرج جرعات متعددة (جرعة منخفضة، جرعة متوسطة، جرعة مرتفعة) إلى جانب المجموعة الضابطة، مما يجعل اختبار F ضرورة حتمية لمعالجة هذا التصميم المتعدد بكفاءة استدلالية متكاملة.

يمتد هذا الاحتياج إلى ميدان العلاج النفسي والتدخلات السلوكية الإكلينيكية، حيث تُجرى دراسات مقارنة الفاعلية لمعرفة أي المناهج العلاجية أكثر قدرة على خفض أعراض القلق والاكتئاب. قد يقارن الباحث السريري بين العلاج المعرفي السلوكي (CBT)، والعلاج بالقبول والالتزام (ACT)، والعلاج التحليلي الديناميكي، ومجموعة الانتظار الضابطة. إن تطبيق اختبار F في هذا السياق يسمح بتقييم الفاعلية النسبية لهذه التدخلات النفسية مجتمعة، وتحديد ما إذا كان التدخل السيكولوجي بمجمله يُحدث فارقاً علاجياً يفوق الفروق الفردية الطبيعية بين المرضى.

علاوة على ذلك، يبرز اختبار F كأداة لا غنى عنها في تحليل التفاعلات الإحصائية (Statistical Interactions) داخل علم النفس التجريبي. السلوك الإنساني يتشكل بفعل تضافر متغيرات معرفية وبيئية وشخصية متعددة، مثل تفاعل مستوى القلق (منخفض، متوسط، مرتفع) مع نوع بيئة الاختبار (محفزة، محايدة، مجهدة) في التأثير على سعة الذاكرة العاملة. يوفر اختبار F إمكانية فصل الآثار الرئيسية لكل متغير على حدة وفحص أثر التفاعل المتبادل بينهما، وهو ما يعجز اختبار t الكلاسيكي عن تقديمه ضمن نموذج إحصائي موحد ومحكم.

1.3 التناظر بين اختبار T واختبار F: من المتغير الثنائي إلى المتعدد

يقوم كل من اختبار t واختبار F على أرضية إبستمولوجية وفلسفية واحدة في الاستدلال الإحصائي، وهي عزل إشارة المعالجة التجريبية (Signal) عن مستوى الضجيج العشوائي المحيط بها (Noise). في اختبار t لعينتين مستقلتين، يتم تقييم الفرق بين متوسطين حسابيين وقسمته على الخطأ المعياري للفروق، بينما يقوم اختبار F بتقييم التباين بين المتوسطات وقسمته على التباين داخل المجموعات. إن هذه الفلسفة المشتركة تجعل من تحليل التباين امتداداً طبيعياً ومنطقياً لاختبار الفروق بين المتوسطات عندما يتجاوز عدد المجموعات اثنتين.

تتجلى الرابطة الرياضية الصارمة بين هذين الاختبارين عند مقارنة مجموعتين اثنتين فقط ($k = 2$)؛ حيث تُبرهن المبرهنات الإحصائية على وجود علاقة تربيعية مباشرة تنص على أن:
$$F = t^2$$
فإذا قمنا بتطبيق اختبار t المستقلين على مجموعتين ووجدنا أن قيمة $t = 3.00$، فإن تطبيق تحليل التباين على نفس البيانات بدقة سيُنتج قيمة $F = 9.00$. كما أن القيمة الاحتمالية ($p\text{-value}$) الناتجة عن كلا الاختبارين ستكون متطابقة تماماً، مما يثبت أن اختبار F لا يتعارض مع اختبار t، بل يعممه ليكون صالحاً لأي عدد من المجموعات.

تنشأ المحدودية المنهجية لاختبار t عندما نضيف مجموعة تجريبية ثالثة؛ ففي هذه الحالة، لإجراء جميع المقارنات الممكنة سنحتاج إلى إجراء 3 اختبارات t منفصلة. وإذا ارتفع عدد المجموعات إلى 5، فسنحتاج إلى إجراء 10 اختبارات t، مما يرفع احتمال ارتكاب خطأ من النوع الأول بشكل تراكمي وفق الصيغة:
$$\alpha_{\text{family}} = 1 – (1 – \alpha)^c$$
حيث تمثل $c$ عدد المقارنات. هنا تصبح حتمية الانتقال إلى اختبار F إجراءً وقائياً يحمي النزاهة العلمية للبحث النفسي من الوقوع في فخ الاكتشافات الكاذبة والتأثيرات الزائفة.

2. المفارقة الإحصائية: لماذا نختبر التباين للمقارنة بين المتوسطات؟

2.1 تفكيك المنطق الرياضي الكامن وراء قياس الفروق بين المتوسطات

تُعد تسمية “تحليل التباين” مصدراً شائعاً للارتباك المعرفي لدى الباحثين المبتدئين في العلوم النفسية؛ إذ كيف نقوم باختبار الفروق بين “المتوسطات الحسابية” للمجموعات عبر حساب “التباين”؟ يكمن حل هذه المفارقة في فهم أن المتوسطات الحسابية للمجموعات التجريبية تُشكل بحد ذاتها مجموعة من البيانات الرقمية التي تتشتت وتتوزع حول متوسط كلي عام يُعرف بالمتوسط العام (Grand Mean). إذا كانت المعالجة التجريبية النفسية ذات أثر حقيقي وملموس، فإن متوسطات المجموعات سوف تتباعد عن بعضها البعض بصورة واضحة، مما يعني بالضرورة زيادة تشتتها وتباعدها حول المتوسط العام.

يقوم المنطق الرياضي على تحويل الفروق الخطية البسيطة بين المتوسطات إلى مقاييس تربيعية للتباين. فالفرق البسيط بين متوسطين قد يُعبر عن إزاحة خطية في اتجاه معين، ولكن عند وجود ثلاث مجموعات أو أكثر، تصبح الفروق الخطية غير كافية لتمثيل التباعد الشامل في فضاء متعدد الأبعاد. هنا يتم حساب الفروق بين كل متوسط مجموعة والمتوسط الكلي، ثم تُربّع هذه الفروق وتُجمع لتوليد قيمة تباين حقيقية تسمى “التباين بين المجموعات”.

وبالتالي، كلما ازداد التأثير الإكلينيكي أو المعرفي للمتغير المستقل المطبق على العينات، زاد ابتعاد المتوسطات عن بعضها وعن المتوسط العام، وهو ما ينعكس بصورة حتمية في صورة تضخم لقيمة التباين المحسوب بين المجموعات. وهكذا، يصبح التباين مقياساً دقيقاً وحساساً لدرجة تمايز المتوسطات الحسابية، وتتحول مسألة فحص الفروق بين المتوسطات إلى مسألة تقدير حجم التباين الذي تُحدثه المعالجة في البيانات.

2.2 التمييز بين التباين المنهجي وتباين الخطأ العشوائي

يرتكز تحليل التباين على فرضية إبستمولوجية تقسم التباين الكلي الملاحظ في السلوك الإنساني داخل التجربة النفسية إلى رافدين رئيسيين: التباين المنهجي (Systematic Variance) وتباين الخطأ (Error Variance). يُعرف التباين المنهجي بأنه ذلك الجزء من التغير الملاحظ في المتغير التابع والذي يعود مباشرة وبشكل منظم إلى تأثير المتغير المستقل المفروض تجريبياً. فإذا كان الباحث يختبر تأثير برنامج تدريبي لتنظيم الانفعال، فإن التباين المنهجي هو الفارق المتسق والموجه الذي يُحدثه هذا البرنامج بين المتدربين وغير المتدربين.

في المقابل، يُمثل تباين الخطأ أو التباين العشوائي كافة التغيرات والتشتتات غير المضبوطة التي تظهر بين استجابات الأفراد داخل المجموعة التجريبية الواحدة. ينشأ هذا التباين من مصادر متعددة لا علاقة لها بالمتغير المستقل، مثل الفروق الفردية الفطرية (كالاختلافات في الذكاء، أو الشخصية، أو السمات الوراثية)، والحالات الفيزيولوجية المؤقتة للمشاركين (مثل التعب أو التوتر في يوم الاختبار)، فضلاً عن أخطاء القياس العشوائية المرتبطة بدقة المقاييس النفسية المستخدمة.

تتمثل الوظيفة الجوهرية لاختبار F في قياس الوزن النسبي لهذين المصدرين؛ فهو يقوم بوضع التباين المنهجي الممزوج بالخطأ في ميزان مباشر أمام تباين الخطأ النقي. إن الهدف الأساسي هو الإجابة عن السؤال الإحصائي الحاسم: هل التباين الملاحظ بين شروط المعالجة النفسية يفوق بدرجة دالة التباين العشوائي المتوقع وجوده طبيعياً بين البشر؟ إذا استطاع التباين المنهجي التغلب بوضوح على تشويش الخطأ، استنتجنا وجود تأثير حقيقي للمعالجة.

2.3 تصور التباين كأداة لاختبار الفرضيات الصفرية والبديلة

تُصاغ الفرضية الصفرية ($H_0$) في تحليل التباين الأحادي كافتراض ينص على التساوي التام لمتوسطات المجتمعات الإحصائية التي سُحبت منها العينات التجريبية، أي:
$$H_0: \mu_1 = \mu_2 = \mu_3 = dots = \mu_k$$
وتعني هذه الفرضية بالتبعية أن المتغير المستقل ليس له أي تأثير منهجي على المتغير التابع، وأن أي اختلافات طفيفة بين متوسطات العينات الملاحظة لا تعدو كونها تذبذبات عشوائية ناجمة عن خطأ المعاينة (Sampling Error).

تحت افتراض صحة الفرضية الصفرية، يبرز استنتاج رياضي بالغ الأهمية: يصبح التباين المقاس بين المجموعات مجرد تقدير آخر لتباين الخطأ العشوائي، ولا يحتوي على أي مركب منهجي. بعبارة أخرى، إذا كانت المعالجة غير فعالة، فإن متوسطات المجموعات سوف تتشتت حول المتوسط العام بنفس المقدار تقريباً الذي تتشتت به درجات الأفراد حول متوسطات مجموعاتهم الخاصة. ونتيجة لذلك، تتساوى القيمة المتوقعة للتباين بين المجموعات مع القيمة المتوقعة للتباين داخل المجموعات.

أما الفرضية البديلة ($H_1$)، فلا تنص بالضرورة على أن جميع المتوسطات تختلف عن بعضها البعض، بل تُصاغ بصورة أشمل تفيد بأن “متوسطاً واحداً على الأقل من متوسطات المجتمعات يختلف عن باقي المتوسطات”:
$$H_1: \exists i, j \text{ such t\hat } \mu_i \neq \mu_j$$
عندما تكون الفرضية البديلة صحيحة، ينضاف التباين الناتج عن أثر المعالجة إلى التباين المنهجي بين المجموعات، مما يؤدي إلى تضخم هذا الأخير وانحرافه الحاد عن قيمة التباين داخل المجموعات، وهو ما يشكل البرهان الإحصائي الحاسم لرفض الفرضية الصفرية وتبني الفرضية البديلة.

3. البنية الرياضية لنسبة F: التباين بين المجموعات مقابل التباين داخل المجموعات

3.1 صياغة نسبة F ككسر يوازن بين مصدرين مستقلين للتباين

تتخذ نسبة F في بنيتها الرياضية شكل كسر اعتيادي نقي يقارن بين تقديرين منفصلين للتباين السكاني، يُعرف كل منهما في لغة الإحصاء بـ “متوسط المربعات” (Mean Square). يمثل البسط متوسط المربعات بين المجموعات (Mean Square Between – MSB)، والذي يقيس مقدار التغير والتباعد الملاحظ بين متوسطات شروط المعالجة المختلفة. بينما يمثل المقام متوسط المربعات داخل المجموعات (Mean Square Within – MSW)، ويُطلق عليه أيضاً في الأدبيات اسم “متوسط مربعات الخطأ” ($MS_{\text{error}}$).

تُصاغ المعادلة الرياضية الأساسية لاختبار F على النحو التالي:
$$F = \frac{MS_{\text{Between}}}{MS_{\text{Within}}} = \frac{MS_B}{MS_W}$$
يحمل هذا الكسر دلالة إبستمولوجية عميقة؛ فهو لا يقيس الفروق بوحدات القياس الأصلية للمتغير التابع (مثل درجات مقياس الاكتئاب أو زمن الاستجابة بالمللي ثانية)، بل يحول المقارنة إلى نسبة مجردة لا بُعدية (Dimensionless Ratio). هذا التجريد الرياضي يتيح تقييم نتائج التجارب النفسية بصرف النظر عن طبيعة المقاييس المستخدمة ووحداتها.

تكمن قوة هذه النسبة في كونها ميزاناً حقيقياً بين الإشارة المفيدة والضجيج؛ فإذا كانت نسبة التباين بين المجموعات مساوية للتباين داخلها، فإن ناتج القسمة سيكون قريباً من الواحد الصحيح. أما إذا تفوق البسط بصورة واضحة على المقام، فإن قيمة الكسر تتجاوز الواحد صعوداً، مما يعكس هيمنة أثر المتغير المستقل النفسي على العوامل العشوائية غير المضبوطة، وهو ما يشكل جوهر الدلالة الإحصائية.

3.2 المكونات التفصيلية للبسط (MSB) ومصادر التباين المقاسة

لفهم الآلية الداخلية لاختبار F، يجب تفكيك القيمة المتوقعة إحصائياً للبسط ($E[MS_B]$). لا يقيس البسط أثر المعالجة التجريبية بمعزل عن الخطأ، بل يحتوي حتمياً على مركبين متداخلين من التباين: مركب تباين الخطأ العشوائي الذي يتخلل عملية المعاينة الإحصائية، مضافاً إليه مركب أثر المعالجة التجريبية المطبقة على العينات النفسية. يمكن التعبير عن القيمة المتوقعة للبسط رياضياً في نموذج التأثيرات الثابتة بالشكل التالي:
$$E[MS_B] = \sigma^2_e + \frac{\sum n_j (\mu_j – \mu)^2}{k – 1}$$
حيث تمثل $\sigma^2_e$ التباين العشوائي للخطأ، و$n_j$ حجم العينة في المجموعة $j$، و$mu_j$ متوسط المجموعة، و$\mu$ المتوسط العام، و$k$ عدد المجموعات.

يوضح هذا التركيب الرياضي حقيقة بالغة الأهمية: حتى في حال غياب أي أثر للمعالجة النفسية تماماً (أي عندما تكون $\mu_j = \mu$ لجميع المجموعات)، فإن قيمة $MS_B$ لن تكون صفراً، بل ستظل مساوية في المتوسط لمقدار تباين الخطأ العشوائي $\sigma^2_e$. يرجع ذلك إلى أن المتوسطات المأخوذة من عينات عشوائية ستتفاوت حتماً فيما بينها بسبب أخطاء المعاينة وحدها.

وعليه، يمكن اختصار التفسير النظري لمحتوى البسط بالمعادلة المفاهيمية:
$$\text{البسط (MSB)} = \text{تباين الخطأ العشوائي} + \text{أثر المعالجة التجريبية}$$
وعندما يُحدث التدخل النفسي فرقاً حقيقياً في درجات المشاركين، يتضخم هذا المكون الأخير بصورة متسارعة، رافعاً القيمة الإجمالية للبسط ودافعاً نسبة F نحو الارتفاع.

3.3 المكونات التفصيلية للمقام (MSW) وتقدير التباين المتبقي

يمثل مقام نسبة F ($MS_W$) خط الأساس المعياري والمقياس المرجعي للتباين داخل التجربة السلوكية. يتم حساب هذا التقدير من خلال تجميع التباينات المحسوبة داخل كل مجموعة تجريبية على حدة ثم إيجاد متوسطها الموزون. ونظراً لأن جميع أفراد المجموعة الواحدة يخضعون لنفس الشرط التجريبي ونفس المعالجة النفسية تماماً، فإن أي تفاوت يُرصد بين درجاتهم لا يمكن بأي حال من الأحوال أن يُعزى إلى المتغير المستقل.

لذلك، يتميز المقام بتجرده الكامل والمطلق من أي تأثير للمعالجة التجريبية؛ فالقيمة المتوقعة للمقام رياضياً تساوي حصراً تباين الخطأ العشوائي:
$$E[MS_W] = \sigma^2_e$$
يعكس هذا المكون الفروق الفردية البحتة، واختلافات الدافعية والمزاج اللحظي بين المشاركين، وعدم دقة أدوات القياس السيكولوجية، والتغيرات البيئية العشوائية داخل مختبر التجربة.

يؤدي $MS_W$ وظيفة “المعاير الإحصائي” (Statistical Baseline)؛ فبدون معرفة مقدار التشتت الطبيعي داخل العينات، يستحيل الحكم على ما إذا كان التباعد الملاحظ بين متوسطات المجموعات كبيراً أم تافهاً. فإذا كان التباين الداخلي للبشر كبيراً جداً في سمة معينة، يجب أن يكون الفرق بين المعالجات ضخماً للغاية حتى نتمكن من رصده وتأكيد دلالته الاستدلالية.

3.4 السلوك الرياضي للنسبة تحت الفرضيات الإحصائية المختلفة

بإعادة كتابة نسبة F من منظور القيم المتوقعة للبسط والمقام، نحصل على الصيغة المفاهيمية التالية:
$$F = \frac{MS_B}{MS_W} \approx \frac{\sigma^2_e + \text{أثر المعالجة}}{\sigma^2_e}$$
تسمح لنا هذه المعادلة بتحليل السلوك الديناميكي لنسبة F تحت شروط الفرضيات الإحصائية المتباينة. ففي حالة صحة الفرضية الصفرية ($H_0$)، يكون أثر المعالجة مساوياً للصفر، فتصبح النسبة:
$$F \approx \frac{\sigma^2_e + 0}{\sigma^2_e} = \frac{\sigma^2_e}{\sigma^2_e} \approx 1$$
وهذا يعني أن القيمة المتوقعة لنسبة F تحت الفرضية الصفرية تحوم حول الواحد الصحيح (أو بالتحديد $df_2 / (df_2 – 2)$ لدرجات حرية المقام).

أما عندما تكون الفرضية البديلة ($H_1$) هي الصحيحة ويكون للتدخل التجريبي السيكولوجي أثر ملموس، فإن البسط يصبح أكبر بكثير من المقام، مما يؤدي إلى تجاوز قيمة F المحسوبة للواحد الصحيح بمقدار يعتمد على قوة المعالجة وحجم العينة ($F > 1$). وكلما زادت فعالية العلاج النفسي أو التدخل السلوكي، تضخمت قيمة F مبتعدة عن الواحد نحو الطرف الأيمن للتوزيع الاحتمالي.

ومن الخصائص الرياضية الأساسية لنسبة F استحالة حصول الباحث على قيمة سالبة للنسبة ($F ge 0$). يعود ذلك إلى أن كلاً من البسط والمقام ناتجان عن قسمة مجاميع مربعات (وهي كميات موجبة حتماً) على درجات حرية موجبة. وإذا كانت قيمة F الناتجة أقل بكثير من الواحد الصحيح (مثل $F = 0.20$)، فهذا لا يعني وجود أثر عكسي، بل يشير في الغالب إلى خطأ في النمذجة الإحصائية أو وجود تجانس فائق غير طبيعي بين المجموعات يفوق ما تسمح به الصدفة الإحصائية.

4. تفكيك مجموع المربعات (Sum of Squares) في نموذج تحليل التباين

4.1 مجموع المربعات الكلي (SS Total) وتجزئة الانحرافات الكلية

تُمثل حسابات مجموع المربعات (Sum of Squares – SS) الحجر الأساس في الجبر الخطي لتحليل التباين. يُعبر مجموع المربعات الكلي ($SS_{\text{Total}}$) عن الحجم الإجمالي للتشتت والاختلافات الموجودة في البيانات بأكملها، متجاهلاً تماماً في البداية تقسيم المشاركين إلى مجموعات تجريبية. يتم حسابه عبر أخذ انحراف كل درجة فردية لكل مشارك ($X_{ij}$) عن المتوسط الحسابي العام لجميع المشاركين في التجربة النفسية ($\bar{X}_{bulletbullet}$)، ومن ثم تربيع هذه الانحرافات وجمعها.

تُصاغ المعادلة الرياضية الشاملة لمجموع المربعات الكلي بالشكل التالي:
$$SS_{\text{Total}} = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X}_{bulletbullet})^2$$
تكمن ضرورة تربيع الانحرافات في الخاصية الجبرية المعروفة التي تنص على أن مجموع الانحرافات الخام لأي مجموعة من القيم عن متوسطها الحسابي يساوي دائماً الصفر ($\sum(X – \bar{X}) = 0$)، نتيجة لإلغاء القيم الموجبة بالقيم السالبة. يؤدي التربيع إلى تحويل كافة المسافات إلى كميات موجبة تعكس مقدار التشتت المطلق.

يُمثل $SS_{\text{Total}}$ نقطة البداية الهيكلية لكافة الحسابات اللاحقة في جدول ANOVA، حيث يمثل الكعكة الإحصائية الكاملة للتباين التي سيتم تقسيمها بدقة رياضية متناهية إلى أجزاء مفسرة وأجزاء غير مفسرة، لتحديد الحصة النسبية لكل مصدر في توليد التشتت الإجمالي للدرجات النفسية.

4.2 مجموع المربعات بين المجموعات (SS Between): قياس أثر المعالجة

يقيس مجموع المربعات بين المجموعات ($SS_{\text{Between}}$ أو $SS_B$) مقدار التباين الكلي الذي يمكن إرجاعه حصراً إلى الفروق القائمة بين الشروط أو المجموعات التجريبية المختلفة. يعتمد هذا الحساب على عزل انحراف متوسط كل مجموعة فرعية ($\bar{X}_{bullet j}$) عن المتوسط العام للدراسة بأكملها ($\bar{X}_{bulletbullet}$)، مما يعطي مؤشراً عن مدى ابتعاد كل معالجة نفسية عن المركز العام لجميع البيانات.

تُعطى الصيغة الحسابية لـ $SS_{\text{Between}}$ على النحو التالي:
$$SS_{\text{Between}} = \sum_{j=1}^{k} n_j (\bar{X}_{bullet j} – \bar{X}_{bulletbullet})^2$$
حيث يتم ضرب مربع انحراف كل مجموعة في حجم العينة الخاص بتلك المجموعة ($n_j$). يؤدي هذا الوزن الإحصائي إلى منح المجموعات الأكبر وزناً أكبر في تحديد التباين بين المجموعات، كما يقوم بتوسيع نطاق الانحرافات ليتناسب حجمها مع مقياس الدرجات الفردية، مما يسمح بمطابقتها المباشرة مع مجموع المربعات الكلي.

يعكس $SS_{\text{Between}}$ حجم التباعد الفعلي بين بروتوكولات التدخل النفسي؛ فإذا كانت كافة البرامج العلاجية المطبقة تنتج نفس المتوسطات المتطابقة، فإن $(\bar{X}_{bullet j} – \bar{X}_{bulletbullet})$ ستساوي صفراً لكل المجموعات، وبالتالي ستكون قيمة $SS_{\text{Between}} = 0$. وكلما تنوعت واختلفت استجابة الأفراد للظروف التجريبية المتباينة، ارتفعت قيمة هذا المجموع ليشير إلى وجود أثر تجريبي يستحق الفحص الاستدلالي.

4.3 مجموع المربعات داخل المجموعات (SS Within / SS Error): تباين الخطأ

يختص مجموع المربعات داخل المجموعات ($SS_{\text{Within}}$ أو $SS_{\text{Error}}$) بقياس مقدار التشتت غير المفسر المتبقي داخل كل مجموعة تجريبية حول متوسطها الحسابي الخاص. ينطلق هذا الحساب من منطق أن الأفراد الخاضعين لنفس المعاملة التجريبية يجب – نظرياً – أن يحصلوا على درجات متطابقة لو كانت المعالجة هي العامل الوحيد المؤثر؛ ولكن نظراً للفروق الفردية وخطأ القياس، فإن درجاتهم تتشتت حول متوسط المجموعة.

تُحسب هذه القيمة من خلال تجميع مربعات انحرافات درجات المشاركين ($X_{ij}$) عن متوسط مجموعتهم المحددة ($\bar{X}_{bullet j}$) عبر كافة المجموعات التجريبية:
$$SS_{\text{Within}} = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X}_{bullet j})^2$$
يُمثل هذا المجموع مقدار التباين الضائع أو غير المتحكم به في التجربة النفسية السلوكية، وهو يجسد حجم الضوضاء الخلفية للبيانات.

تتكامل هذه المكونات عبر “المتطابقة الرياضية الأساسية لتحليل التباين” (Fundamental Partition of Sum of Squares)، والتي تُبرهن جبرياً أن مجموع المربعات الكلي يساوي دائماً وبدقة متناهية مجموع المربعات بين المجموعات مضافاً إليه مجموع المربعات داخل المجموعات:
$$SS_{\text{Total}} = SS_{\text{Between}} + SS_{\text{Within}}$$
تشكل هذه الهوية الخطية الثابتة الأساس الذي يُبنى عليه جدول تحليل التباين، وتضمن عدم ضياع أي قدر من التباين الملاحظ في العينة أثناء عملية التفكيك الإحصائي.

5. درجات الحرية (Degrees of Freedom) ودورها في حساب متوسط المربعات (MS)

5.1 المفهوم الرياضي لدرجات الحرية في سياق اختبار F

يُمثل مفهوم درجات الحرية (Degrees of Freedom – df) أحد أهم المفاهيم الرياضية وأكثرها دقة في الإحصاء الاستدلالي المعلمي. تُعرف درجات الحرية عموماً بأنها عدد القيم أو الملاحظات المستقلة التي تملك الحرية الرياضية في التغير والتحرك عند تقدير معلمة إحصائية معينة تحت قيود حسابية محددة. فإذا كان لدينا ثلاثة أرقام ومجموعها مقيد بأن يساوي 30، فإننا نستطيع اختيار أول رقمين بحرية مطلقة، بينما سيكون الرقم الثالث محدداً ومجبراً بدقة لإكمال المجموع، مما يجعل درجات الحرية مساوية لـ $3 – 1 = 2$.

تكمن الأهمية الحاسمة لدرجات الحرية في نموذج تحليل التباين في قيامها بتصحيح مجاميع المربعات ($SS$) للتخلص من أثر التضخم العددي. إن مجاميع المربعات تتزايد قيمتها بصورة طردية وبسيطة كلما زاد عدد أفراد العينة أو عدد المجموعات، دون أن يعني ذلك بالضرورة زيادة التشتت الفعلي للبيانات. ومن هنا، تتدخل درجات الحرية لتعمل كـ “قاسم تصحيحي” يُحول مجموع المربعات الخام إلى تباين غير متحيز (Unbiased Variance Estimator).

في اختبار F، لا توجد قيمة واحدة لدرجات الحرية، بل يتم التعامل مع منظومة ثنائية الأبعاد تتكون من درجات حرية للبسط ودرجات حرية للمقام. هذا التمايز يحدد بدقة التوزيع الاحتمالي النظري لاختبار F، ويضمن احتساب حجم التصميم التجريبي وعدد القيود المفروضة في العينة بدقة بالغة عند إصدار الأحكام الاستدلالية.

5.2 تحديد درجات الحرية للبسط والمقام في تحليل التباين الأحادي

في نموذج تحليل التباين الأحادي ذي التصميم المستقل، يتم تفكيك درجات الحرية الكلية بالتوازي التام مع تفكيك مجاميع المربعات. تُحدد درجات الحرية بين المجموعات ($df_{\text{Between}}$ أو $df_1$)، والتي ترتبط ببسط نسبة F، بعدد المجموعات التجريبية المقارنة ($k$) مطروحاً منها واحد:
$$df_{\text{Between}} = k – 1$$
يعود طرح الواحد هنا إلى القيد الحسابي المفروض بضرورة تساوي مجموع انحرافات متوسطات المجموعات عن المتوسط العام مع الصفر. فإذا كانت الدراسة النفسية تقارن 4 استراتيجيات علاجية، فإن $df_{\text{Between}} = 4 – 1 = 3$.

أما درجات الحرية داخل المجموعات ($df_{\text{Within}}$ أو $df_{\text{Error}}$ أو $df_2$)، المرتبطة بمقام نسبة F، فتُحسب عبر أخذ إجمالي عدد المشاركين في التجربة ($N$) وطرح عدد المجموعات ($k$) منه:
$$df_{\text{Within}} = N – k$$
ويُفسر ذلك رياضياً بأننا داخل كل مجموعة من المجموعات الـ $k$، نفقد درجة حرية واحدة عند حساب متوسط تلك المجموعة ($n_j – 1$)، وبجمع درجات الحرية عبر كافة المجموعات نحصل على$sum(n_j – 1) = N – k$.

وتكتمل المنظومة بحساب درجات الحرية الكلية ($df_{\text{Total}}$)، والتي تساوي الحجم الكلي للعينة مطروحاً منه قيد المتوسط العام ($N – 1$). وتخضع درجات الحرية لنفس الخاصية التجميعية التفكيكية الصارمة:
$$df_{\text{Total}} = df_{\text{Between}} + df_{\text{Within}} implies (N – 1) = (k – 1) + (N – k)$$
مما يتيح مراجعة الحسابات والتأكد من الاتساق الرياضي للتصميم التجريبي بأكمله.

5.3 الانتقال من مجموع المربعات (SS) إلى متوسط المربعات (MS)

لا يمكن إجراء مقارنة رياضية مباشرة بين مجموع المربعات بين المجموعات ($SS_{\text{Between}}$) ومجموع المربعات داخل المجموعات ($SS_{\text{Within}}$) لحساب نسبة F؛ والسبب في ذلك هو أن كل مجموع منهما محسوب بناءً على عدد مختلف تماماً من المكونات والانحرافات. فـ $SS_{\text{Between}}$ يعتمد على $k$ من المتوسطات، بينما $SS_{\text{Within}}$ يعتمد على $N$ من المشاهدات الفردية، مما يجعل المقارنة المباشرة غير عادلة ومضللة إحصائياً.

للتغلب على هذه المعضلة، ننتقل إلى مرحلة “معايرة التباين” عبر حساب متوسط المربعات (Mean Square – MS)، والذي يمثل التباين الفعلي لكل وحدة حرية. يتم ذلك بقسمة كل مجموع مربعات على درجات الحرية المقابلة له. فيُحسب متوسط المربعات بين المجموعات بالمعادلة:
$$MS_{\text{Between}} = \frac{SS_{\text{Between}}}{df_{\text{Between}}} = \frac{SS_{\text{Between}}}{k – 1}$$
ويُحسب متوسط المربعات داخل المجموعات (تباين الخطأ) بالمعادلة:
$$MS_{\text{Within}} = \frac{SS_{\text{Within}}}{df_{\text{Within}}} = \frac{SS_{\text{Within}}}{N – k}$$

بمجرد الحصول على التقديرين المعايرين للتباين ($MS_{\text{Between}}$ و $MS_{\text{Within}}$)، يصبح من الممكن رياضياً ومنهجياً إجراء القسمة النهائية للوصول إلى قيمة F المحسوبة:
$$F_{\text{Calculated}} = \frac{MS_{\text{Between}}}{MS_{\text{Within}}}$$
تمثل هذه القيمة الناتجة المؤشر النهائي غير المتحيز الذي يُقارن بالتوزيع الاحتمالي لاختبار F لتحديد ما إذا كانت النتائج ذات دلالة إحصائية.

6. توزيع F الإحصائي وخصائصه التوزيعية الفريدة

6.1 الشكل الهندسي والخصائص الرياضية لمنحنى توزيع F

يُعد توزيع F الإحصائي (F-Distribution) توزيعاً احتمالياً مستمراً نظرياً ينشأ من قسمة متغيرين عشوائيين يتبع كل منهما توزيع كاي-تربيع ($\chi^2$) مقسوماً على درجات حريته. يتميز توزيع F بأنه ليس منحنى واحداً ثابتاً مثل التوزيع الطبيعي المعياري، بل هو عائلة متكاملة ولامتناهية من المنحنيات التوزيعية، حيث يتحدد الشكل الهندسي الدقيق لكل منحنى بناءً على زوج محدد وفريد من درجات الحرية: درجات حرية البسط ($df_1$) ودرجات حرية المقام ($df_2$).

يمتلك المنحنى الهندسي لتوزيع F خصائص رياضية فريدة تميزه عن غيره من التوزيعات الاستدلالية:

• اللاتماثل والالتواء الإيجابي: يتسم توزيع F بأنه توزيع غير متماثل وملتوٍ التواءً موجباً حاداً جهة اليمين (Positively Skewed)، مع وجود ذيل ممتد نحو القيم الموجبة العليا.
• المحدودية الصفرية: يبدأ المنحنى دائماً من الصفر ($F ge 0$) ويمتد نحو المالانهاية الموجبة ($+\infty$)، ولا وجود لأي مساحة أو قيم احتمالية في النطاق السالب، نظراً للبنية التربيعية لحسابات التباين.
• القمة التوزيعية: تقع قمة المنحنى (المنوال) عند قيمة قريبة من الواحد الصحيح ولكنها تقل عنه قليلاً في العينات الصغيرة، وتنزاح تبعاً لتغير قيم درجات الحرية للبسط والمقام.

هذا التركيب الرياضي يضمن أن الاحتمالات التراكمية تتجمع بالقرب من الواحد الصحيح تحت افتراض غياب أثر المعالجة، بينما تتناقص الاحتمالية الرياضية بشكل أسي متسارع كلما اتجهنا نحو قيم F المرتفعة في الذيل الأيمن للمنحنى.

6.2 القيمة الحرجة لاختبار F ومنطقة الرفض الإحصائي

تُمثل القيمة الحرجة لاختبار F ($F_{\text{Critical}}$) العتبة الرياضية الفاصلة على منحنى التوزيع الاحتمالي، والتي تقسم المساحة الكلية الواقعة تحت المنحنى (والتي تساوي 1.00) إلى منطقتين استدلاليتين متمايزتين: منطقة قبول (أو عدم رفض) الفرضية الصفرية، ومنطقة رفض الفرضية الصفرية (وتُعرف أيضاً بالمنطقة الحرجة). يتم تحديد هذه القيمة بالرجوع إلى جداول توزيع F الإحصائية أو عبر الخوارزميات الرقمية في البرمجيات بناءً على ثلاثة محددات: مستوى الدلالة المختار ($\alpha$)، ودرجات حرية البسط ($df_1$)، ودرجات حرية المقام ($df_2$).

نظراً لطبيعة اختبار F التي تركز على فحص تضخم التباين بين المجموعات، فإن منطقة الرفض الإحصائي ($Critical Region$) تقع دائماً وبشكل حصري في الطرف الأيمن العلوي (Right Tail) من منحنى التوزيع الاحتمالي. فإذا حدد الباحث النفسي مستوى دلالة $\alpha = 0.05$، فإن القيمة الحرجة ستكون هي النقطة التي تحجز على يمينها مساحة قدرها 5% من إجمالي التوزيع الاحتمالي.

تتم عملية اتخاذ القرار الإحصائي عبر موازنة رياضية صارمة بين القيمة المحسوبة والقيمة الحرجة وفق القاعدة المعيارية:
$$\text{إذا كانت } F_{\text{Calculated}} ge F_{\text{Critical}} implies \text{نرفض الفرضية الصفرية } (H_0)$$
$$\text{إذا كانت } F_{\text{Calculated}} < F_{\text{Critical}} implies \text{نفشل في رفض الفرضية الصفرية } (H_0)$$
إن تجاوز القيمة المحسوبة للعتبة الحرجة يعني أن فرصة الحصول على هذه النسبة بفعل الصدفة وحدها تقل عن 5%، مما يبرر للباحث التقرير بوجود أثر تجريبي حقيقي للمعالجة.

6.3 تأثير زيادة حجم العينة وعدد المجموعات على شكل توزيع F

يتأثر المظهر الهندسي والسلوك الاحتمالي لمنحنى توزيع F بشكل مباشر بحجم العينة وعدد الشروط التجريبية في البحث النفسي. عندما تكون درجات حرية المقام ($df_2 = N – k$) صغيرة (بسبب صغر حجم العينات)، يكون المنحنى شديد الالتواء الإيجابي وذا ذيل عريض يمتد بعيداً، وتكون القيمة الحرجة لـ F مرتفعة جداً؛ مما يعني أن الباحث يحتاج إلى رصد فروق تجريبية ضخمة للغاية لإثبات الدلالة الإحصائية.

ومع زيادة حجم العينة الإجمالي ($N$)، ترتفع درجات حرية المقام نحو قيم كبيرة، مما يؤدي إلى تغيرات جوهرية في خصائص التوزيع:

• ينكمش ذيل التوزيع الأيمن وتزداد قمة المنحنى حدة وتمركزاً حول القيمة 1.
• تنخفض القيمة الحرجة لـ F وتقترب تدريجياً من قيمتها المقاربة الثابتة (Asymptotic Value)، مما يرفع من القوة الإحصائية (Statistical Power) للاختبار ويزيد من قدرته على رصد الفروق الدقيقة.
• يقترب التوزيع تدريجياً وبصورة نسبية من خصائص التوزيع الطبيعي في سلوكه التراكمي في بعض أجزائه، وإن ظل محافظاً على حده الأدنى عند الصفر.

أما من جهة البسط، فإن زيادة عدد المجموعات ($k$) ترفع درجات حرية البسط ($df_1 = k – 1$)، مما يغير من انحدار المنحنى بالقرب من نقطة الأصل؛ حيث يتحول المنحنى عند$df_1 = 1$ من شكل يشبه الحرف $J$ المعكوس إلى منحنى ذي منوال واضح ومتميز مع تزايد عدد المجموعات التجريبية المقارنة.

7. التمثيل البصري لآلية عمل اختبار F في مقارنة العينات النفسية

7.1 تداخل المنحنيات التوزيعية للمجموعات مقابل تباعدها

يمكن استيعاب المنطق البصري لاختبار F من خلال تصور التوزيعات الاحتمالية للمجموعات التجريبية المقارنة كمنحنيات جرسية تتجاور وتتداخل على طول المحور الأفقي للمتغير التابع. عندما يُجري الباحث دراسة على ثلاث مجموعات لتجربة أساليب مختلفة لتقليل التوتر، فإن درجات المشاركين في كل مجموعة تُشكل منحنى توزيعياً خاصاً بمتوسطه وانحرافه المعياري.

في الحالة التي تكون فيها قيمة اختبار F منخفضة وغير دالة ($F \approx 1$):

• تظهر المنحنيات التوزيعية للمجموعات في حالة تداخل وتشابك بصري هائل (High Overlap).
• تتقارب المتوسطات الحسابية وتكاد تتطابق في مركز المحور، مما يجعل التمايز البصري بين المجموعات مستحيلاً تقريباً.
• يطغى التشتت الداخلي لكل منحنى على أي مسافة فاصلة بين القمم، مما يعكس هيمنة التباين داخل المجموعات ($MS_W$) على مجريات التجربة.

أما في الحالة التي تكون فيها قيمة اختبار F مرتفعة وذات دلالة إحصائية قوية ($F gg 1$):

• تتباعد المنحنيات التوزيعية وتنفصل قممها بشكل واضح وملموس على خط الأعداد (Distinct Separation).
• يقل التداخل البصري بين المساحات التحتية للمنحنيات، مما يدل على أن أفراد كل مجموعة يستجيبون للتدخل بصورة متباينة عن المجموعات الأخرى.
• تُظهر المخططات البيانية للشريط والخطأ (Bar-plots with Error Bars) أن فترات الثقة لمتوسطات المجموعات لا تتقاطع، مما يعكس بوضوح هيمنة التباين بين المجموعات ($MS_B$).

7.2 تحليل أثر اتساع التباين داخل المجموعات على وضوح الفروق

يلعب التباين داخل المجموعات دور “المشوش البصري والإحصائي” الذي قد يحجب الفروق الحقيقية بين المعالجات النفسية. لتوضيح هذا المفهوم، تخيل سيناريوهين تجريبيين يتساويان تماماً في المسافة بين متوسطات المجموعات (أي أن الفروق بين المتوسطات متطابقة في الحالتين، مما يعني ثبات قيمة $SS_{\text{Between}}$).

في السيناريو الأول، تم ضبط التجربة المعملية بدقة عالية واستخدام عينة متجانسة ومقاييس حساسة، مما أدى إلى انخفاض التباين الداخلي (منحنيات ضيقة ومستدقة، $MS_W$ صغير جداً). في هذه الحالة، بالرغم من صغر المسافة بين المتوسطات، تظهر المنحنيات منفصلة بوضوح لا لبس فيه، وتنتج قيمة F مرتفعة ذات دلالة إحصائية عالية.

في السيناريو الثاني، تم إجراء التجربة في بيئة غير مضبوطة مع وجود تباينات فردية هائلة في العينة (منحنيات مفلطحة وعريضة جداً، $MS_W$ ضخم). هنا، على الرغم من أن المسافة بين المتوسطات هي نفسها تماماً كما في السيناريو الأول، إلا أن اتساع المنحنيات يؤدي إلى ابتلاع تلك الفروق وتداخل البيانات بالكامل، مما يخفض قيمة F إلى مستويات غير دالة إحصائياً. يوضح هذا التمثيل البصري لماذا يُعد تقليص تباين الخطأ في البحوث النفسية بنفس أهمية زيادة قوة المعالجة التجريبية ذاتها.

7.3 قراءة وتفسير جدول تحليل التباين (ANOVA Table) المعياري

تُعرض مخرجات اختبار F في الأدبيات السيكولوجية والبرمجيات الإحصائية (مثل SPSS، وR، وJASP) ضمن قالب تركيبي قياسي موحد يُعرف بـ “جدول تحليل التباين” (ANOVA Summary Table). يهدف هذا الجدول إلى عرض التسلسل المنطقي للحسابات الرياضية وتكاملها من اليسار إلى اليمين بطريقة شفافة تتيح للباحث والمراجع الأكاديمي فحص البنية الاستدلالية للتحليل كاملاً.

يتألف الهيكل المعياري لجدول تحليل التباين من الأعمدة والصفوف التالية:

مصدر التباين (Source)	مجموع المربعات (SS)	درجات الحرية (df)	متوسط المربعات (MS)	نسبة F المحسوبة	القيمة الاحتمالية (p-value)
بين المجموعات (Between / Treatment)	$SS_B$	$k – 1$	$MS_B = \frac{SS_B}{df_B}$	$F = \frac{MS_B}{MS_W}$	$p$
داخل المجموعات (Within / Error)	$SS_W$	$N – k$	$MS_W = \frac{SS_W}{df_W}$	–	–
الكلي (Total)	$SS_{\text{Total}}$	$N – 1$	–	–	–

عند توثيق النتائج وفقاً للمعايير الصارمة لـ جمعية علم النفس الأمريكية (APA Style – 7th Edition)، يتم صياغة الاستنتاج في المتن السردي بصيغة تجمع المؤشرات المحورية: $F(df_{\text{Between}}, df_{\text{Within}}) = \text{Value}, p = \text{Value}, \eta^2 = \text{Value}$. على سبيل المثال: $F(2, 42) = 5.67, p = .007, \eta^2 = .21$. توفر هذه الصيغة المكثفة للقارئ كافة الأبعاد اللازمة لفهم حجم التصميم التجريبي، وقوة النسبة الإحصائية، ومستوى الثقة الاستدلالية بدقة بالغة.

8. منطق اختبار الفرضيات والقيمة الاحتمالية (p-value) لاختبار F

8.1 تفسير القيمة الاحتمالية المرتبطة باختبار F بدقة منهجية

تُعرف القيمة الاحتمالية (p-value) المرتبطة باختبار F بأنها الاحتمالية الرياضية الشرطية للحصول على قيمة F محسوبة مساوية أو تفوق في قيمتها القيمة الملاحظة في العينة التجريبية، بافتراض أن الفرضية الصفرية ($H_0$) صحيحة تماماً في المجتمع الإحصائي الأصل:
$$p\text{-value} = P(F ge F_{\text{Calculated}} mid H_0 \text{ is true})$$
وعليه، لا تمثل القيمة الاحتمالية احتمالية صحة الفرضية الصفرية أو خطئها، بل هي مقياس لمدى انسجام البيانات المجمعة أو تنافرها مع النموذج الصفري الذي يفترض انعدام الفروق بين المعالجات النفسية.

تعتمد الممارسة العلمية على مقارنة $p\text{-value}$ بالعتبة الدلالية المحددة مسبقاً (مستوى الألفا $\alpha = 0.05$). فإذا كانت القيمة الاحتمالية أصغر من العتبة ($p < .05$)، نستنتج أن البيانات الملاحظة نادرة الحدوث جداً تحت مظلة الصدفة وحدها، مما يدفعنا إلى رفض الفرضية الصفرية والاعتراف بالدلالة الإحصائية لأثر المعالجة النفسية. أما إذا كانت $p ge .05$، فإننا نفشل في رفض الفرضية الصفرية لعدم كفاية الدليل الإحصائي.

من الأخطاء المعرفية الشائعة في الأبحاث النفسية تفسير القيمة الاحتمالية كمؤشر على قوة أو حجم الأثر؛ فحصول الباحث على $p = .0001$ لا يعني بالضرورة أن التدخل العلاجي له فاعلية ضخمة وسريرية فائقة، بل قد يكون ناتجاً ببساطة عن عينة هائلة الحجم قامت بتضخيم الفروق التافهة. لذلك، يجب دائماً قراءة القيمة الاحتمالية جنباً إلى جنب مع مقاييس حجم الأثر وحسابات فترات الثقة.

8.2 طبيعة اختبار F كاختبار أحادي الطرف بالضرورة (Omnibus One-Tailed Test)

تتميز بنية اختبار F بخاصية منهجية فريدة: فهو يُعد دائماً ومن الناحية الرياضية “اختباراً أحادي الطرف في الطرف الأيمن” (One-Tailed Test)، على الرغم من أنه يُستخدم لاختبار فرضية صفرية “غير موجهة” تقارن بين متوسطات متعددة دون تحديد اتجاه الفروق مسبقاً. يكمن تفسير هذا التناقض الظاهري في آلية بناء الكسر الإحصائي لاختبار F.

نظراً لأن جميع الانحرافات والفروق تُرفع إلى القوة التربيعية عند حساب $SS_{\text{Between}}$، فإن أي اختلاف يظهر بين المتوسطات – سواء أكان إيجابياً أم سلبياً، وسواء تفوقت المجموعة الأولى على الثانية أو العكس – يتحول جبرياً إلى قيمة موجبة تسهم حصراً في تضخيم البسط ($MS_B$). ونتيجة لذلك، فإن وجود أي أثر حقيقي للمعالجة التجريبية سيدفع دائماً قيمة F للتحرك في اتجاه واحد فقط: نحو اليمين وباتجاه الذيل العلوي للتوزيع الاحتمالي.

علاوة على ذلك، يتصف اختبار F بكونه “اختباراً كلياً شاملاً” (Omnibus Test)؛ فهو يعمل كنظام إنذار مبكر يكشف للباحث ما إذا كان هناك فرق ذو دلالة في مكان ما بين المجموعات الإجمالية ($k$)، لكنه يظل عاجزاً بطبيعته الشاملة عن تحديد موقع هذا الفرق بدقة: هل هو بين المجموعة 1 و2؟ أم بين 1 و3؟ أم بين جميع المجموعات؟ هذه الطبيعة العامة تفرض استكمال اختبار F بإجراءات إحصائية إضافية متخصصة.

8.3 القرارات الإحصائية والأخطاء الاستدلالية من النوعين الأول والثاني

تخضع عملية اتخاذ القرارات الاستدلالية بناءً على اختبار F لشبكة احتمالية رباعية تحكمها موازين الدقة والخطأ الاستدلالي:

القرار الإحصائي المتخذ	الفرضية الصفرية صحيحة فعلياً ($H_0$)	الفرضية البديلة صحيحة فعلياً ($H_1$)
رفض الفرضية الصفرية ($H_0$)	خطأ من النوع الأول (Type I Error – $\alpha$) اكتشاف كاذب لأثر علاجي غير حقيقي	قرار صائب (Statistical Power – $1-beta$) اكتشاف دقيق وناجح لأثر المعالجة
عدم رفض الفرضية الصفرية ($H_0$)	قرار صائب ($1-alpha$) استنتاج صحيح بعدم وجود فاعلية	خطأ من النوع الثاني (Type II Error – $\beta$) إغفال وتفويت أثر علاجي حقيقي قائم

يقوم اختبار F بضبط معدل خطأ النوع الأول بدقة بالغة عند المستوى الاسمي المختار ($\alpha = 0.05$) عبر اختباره الشامل لجميع المجموعات دفعة واحدة. ومع ذلك، يواجه الباحث السلوكي تحدي الوقوع في خطأ النوع الثاني ($\beta$)؛ والذي يحدث غالباً عندما تكون التجربة ذات قدرة وحساسية منخفضة ناتجة عن صغر حجم العينات أو زيادة التشتت والضجيج داخل المجموعات ($MS_W$)، مما يؤدي إلى هبوط قيمة F وعجزها عن تجاوز العتبة الحرجة على الرغم من وجود فعالية حقيقية للتدخل النفسي.

9. الافتراضات الإحصائية لتطبيق اختبار F وكيفية فحصها

9.1 افتراض استقلالية الملاحظات والمشاهدات التجريبية

يُعد افتراض استقلالية الملاحظات (Independence of Observations) أخطر الافتراضات الإحصائية وأكثرها حساسية على الإطلاق في نموذج تحليل التباين. ينص هذا الافتراض على أن استجابة ودرجة أي مشارك داخل التجربة النفسية يجب ألا ترتبط أو تتأثر أو تعتمد بأي شكل من الأشكال على استجابات ودرجات المشاركين الآخرين، سواء داخل نفس المجموعة أو عبر المجموعات المختلفة.

إن انتهاك افتراض الاستقلالية يؤدي إلى عواقب تدميرية على البنية الاستدلالية لاختبار F؛ حيث يُحدث تشوهاً هائلاً في القيمة الفعلية لخطأ النوع الأول، مما قد يرفع احتمالية ارتكاب الخطأ من 5% الاسمية إلى أكثر من 50% في بعض الحالات الملوثة بالارتباط الداخلي. يرجع ذلك إلى أن الارتباط بين الملاحظات يخفض من الحجم الفعلي للمعلومات المستقلة في البيانات، مما يجعل تقدير $MS_W$ متحيزاً نحو الانخفاض الشديد ويضخم قيمة F بصورة وهمية وخادعة.

لا توجد اختبارات إحصائية برمجية قادرة على “تصحيح” انتهاك الاستقلالية بعد جمع البيانات؛ بل يجب ضبط هذا الافتراض منهجياً من خلال التصميم التجريبي المحكم. يتحقق ذلك عبر التعيين العشوائي الصارم (Random Assignment) للمشاركين، واختبار كل مفحوص بشكل معزول ومستقل، وتجنب جمع البيانات في مجموعات تفاعلية دون نمذجة هذا التفاعل الإحصائي المتبادل.

9.2 افتراض التوزيع الطبيعي للمتغير التابع (Normality)

يشترط اختبار F المعلمي أن تكون درجات المتغير التابع موزعة توزيعاً طبيعياً ومعتدلاً داخل مجتمع كل مجموعة من مجموعات المعالجة التجريبية المستقلة:
$$X_{ij} \sim N(\mu_j, \sigma^2)$$
يعكس هذا الافتراض النموذج الرياضي الذي اشتق منه فيشر توزيع F النظري، والذي يفترض أن التشتت العشوائي للخطأ يتبع المنحنى الغوسي الكلاسيكي متماثل الخصائص.

يتم فحص افتراض الاعتدالية في الأبحاث السيكولوجية عبر مسارين تكامليين:

• الفحص الإحصائي الوصفي والاختباري: عبر حساب معاملات الالتواء (Skewness) والتفرطح (Kurtosis) والتأكد من وقوعها في النطاق المقبول (بين $-1$ و $+1$)، بالإضافة إلى استخدام الاختبارات الاستدلالية كاختبار شابيرو-ويلك (Shapiro-Wilk Test) واختبار كولموجوروف-سميرنوف؛ حيث تشير القيمة الاحتمالية غير الدالة ($p > .05$) إلى تحقق الاعتدالية.
• الفحص البصري والرسومي: عبر فحص مدرجات التكرار ومخططات الاحتمال الطبيعي (Q-Q Plots)؛ حيث يشير اصطفاف النقاط حول الخط القطري المستقيم إلى مطابقة التوزيع الطبيعي.

يتميز اختبار F بـ “المتانة الإحصائية النسبية” (Robustness) ضد الانتهاكات الطفيفة والمتوسطة للتوزيع الطبيعي، لا سيما عندما تكون حجوم العينات متساوية وتتجاوز الحدود المركزية المعيارية ($n ge 30$ لكل مجموعة)، وذلك بفضل مبرهنة النهاية المركزية (Central Limit Theorem) التي تضمن اعتدالية توزيع المتوسطات حتى لو كانت البيانات الأصلية ملتوية نسبياً.

9.3 افتراض تجانس التباين (Homogeneity of Variance)

ينص افتراض تجانس التباين (Homogeneity of Variance / Homoscedasticity) على ضرورة تساوي تباينات المجتمعات الإحصائية التي سُحبت منها مجموعات الدراسة:
$$\sigma_1^2 = \sigma_2^2 = \sigma_3^2 = dots = \sigma_k^2 = \sigma^2$$
يُعد هذا الافتراض ركيزة رياضية جوهرية؛ لأن نموذج ANOVA يقوم بحساب $MS_W$ كمتوسط مركب لتباينات المجموعات بأكملها تحت افتراض أنها تشير جميعاً إلى قيمة تباين مجتمعية موحدة وواحدة ($\sigma^2$).

يُفحص هذا الافتراض بصورة معيارية باستخدام اختبار ليفين لتجانس التباينات (Levene’s Test)؛ حيث تُشير النتيجة غير الدالة للاختبار ($p > .05$) إلى سلامة الافتراض وتحققه. تظهر المشكلة المنهجية الكبرى عند انتهاك التجانس بالتزامن مع عدم تساوي أحجام العينات (Unequal Sample Sizes):

• إذا كانت العينات الأكبر حجماً تمتلك التباينات الأكبر، فإن اختبار F يصبح شديد التحفظ (Overly Conservative)، مما يرفع خطأ النوع الثاني ويخفض القوة الإحصائية.
• إذا كانت العينات الأصغر حجماً تمتلك التباينات الأكبر، فإن اختبار F يصبح مفرط التساهل والليبرالية (Overly Liberal)، مما يؤدي إلى تضخم خطير في خطأ النوع الأول واكتشاف فروق وهمية.

عند ثبوت انتهاك افتراض التجانس، يتخلى الباحث عن اختبار F الكلاسيكي لفيشر، ويلجأ إلى البدائل المعدلة القوية كاختبار ويلش (Welch’s ANOVA) أو اختبار براون-فورسيز (Brown-Forsythe Test)، والتي تقوم بتعديل درجات حرية المقام وتوزين التباينات لتقديم نسب F دقيقة وموثوقة استدلالياً.

10. حجم الأثر (Effect Size) والقوة الإحصائية لاختبار F

10.1 مؤشر إيتا تربيع (Eta-Squared – η²) وحساب نسبة التباين المفسر

لا تكتمل المعرفة العلمية بمجرد الحصول على قيمة F ذات دلالة إحصائية؛ فالدلالة الإحصائية تُخبرنا فقط بوجود فرق لا يُعزى للصدفة، لكنها تعجز عن تحديد الأهمية العملية أو حجم التأثير الواقعي للمعالجة النفسية. من هنا تبرز ضرورة حساب مؤشرات حجم الأثر (Effect Size)، وعلى رأسها مؤشر إيتا تربيع ($\eta^2$).

يُمثل مؤشر إيتا تربيع النسبة المئوية أو حصة التباين الكلي في المتغير التابع التي استطاع المتغير المستقل (المعالجة النفسية) تفسيرها والتنبؤ بها، ويُحسب بالصيغة المباشرة:
$$\eta^2 = \frac{SS_{\text{Between}}}{SS_{\text{Total}}}$$
تتراوح قيمة $\eta^2$ دائماً بين الصفر والواحد الصحيح ($0 le eta^2 le 1.00$)، حيث تعني القيمة 0.20 مثلاً أن 20% من التباين في درجات القلق أو الأداء المعرفي يعود إلى البرنامج العلاجي المطبق، بينما تعود الـ 80% المتبقية إلى الفروق الفردية وأخطاء القياس.

اعتمدت الأدبيات النفسية المعايير التفسيرية التوجيهية التي صاغها جاكوب كوهين (Jacob Cohen) لتفسير مؤشر إيتا تربيع:

• أثر صغير (Small Effect): $\eta^2 \approx 0.01$ (يفسر 1% من التباين الكلي).
• أثر متوسط (Medium Effect): $\eta^2 \approx 0.06$ (يفسر 6% من التباين الكلي).
• أثر كبير (Large Effect): $\eta^2 ge 0.14$ (يفسر 14% أو أكثر من التباين الكلي).

على الرغم من سهولة حسابه، يعاني مؤشر إيتا تربيع من عيب منهجي معروف؛ وهو ميله الرياضي نحو التحيز الإيجابي وتضخيم حجم الأثر الحقيقي في المجتمع (Positive Bias)، خاصة عند تطبيقه على عينات صغيرة الحجم، نظراً لاعتماده الحصري على مجاميع المربعات الوصفية للعينة.

10.2 مؤشر أوميغا تربيع (Omega-Squared – ω²) كبديل غير متحيز

لتجاوز مشكلة التحيز الإحصائي الكامنة في إيتا تربيع، طور الإحصائيون مؤشر أوميغا تربيع ($\omega^2$) كمعامل تصحيحي أكثر دقة وتحفظاً لتقدير نسبة التباين المفسر في المجتمع الأصلي بأكمله وليس فقط في العينة الملاحظة. يقوم هذا المؤشر بإدخال متوسط مربعات الخطأ ($MS_W$) في بنيته الحسابية لتعديل مجموع المربعات وطرح التباين المتوقع بفعل الصدفة.

تُصاغ المعادلة الرياضية لمؤشر أوميغا تربيع في تحليل التباين الأحادي كالتالي:
$$\omega^2 = \frac{SS_{\text{Between}} – (df_{\text{Between}} \times MS_{\text{Within}})}{SS_{\text{Total}} + MS_{\text{Within}}}$$
يوفر هذا المؤشر تقديراً غير متحيز لحجم الأثر؛ حيث تنخفض قيمته مقارنة بـ $\eta^2$ لتعكس الواقع الاستدلالي بشكل أكثر صدقاً، وتتطابق معايير كوهين السابقة في تفسير درجاته (0.01، 0.06، 0.14).

وفي التصاميم التجريبية متعددة العوامل (Factorial Designs)، يبرز استخدام مؤشر “إيتا تربيع الجزئية” (Partial Eta-Squared – $\eta_p^2$)، والذي يقوم بحساب نسبة التباين التي يفسرها متغير مستقل معين بعد استبعاد وحذف التباين الذي تفسره المتغيرات المستقلة والتفاعلات الأخرى من المقام:
$$\eta_p^2 = \frac{SS_{\text{Effect}}}{SS_{\text{Effect}} + SS_{\text{Error}}}$$
يُعد هذا المقياس معيارياً في التقارير الإحصائية الحديثة لتمكين الباحثين من مقارنة فاعلية المعالجات عبر دراسات ذات تصاميم مختلفة الحجم والتعقيد.

10.3 تحليل القوة الإحصائية (Statistical Power Analysis) لاختبار F

تُعرف القوة الإحصائية (Statistical Power – $1 – beta$) لاختبار F بقدرة الاختبار وحساسيته الرياضية على رصد واكتشاف الفروق الحقيقية ذات الدلالة الإحصائية بين المجموعات النفسية والتجريبية عندما تكون هذه الفروق موجودة بالفعل في المجتمع. وتتحدد قوة اختبار F بفعل تضافر وتفاعل أربعة متغيرات أساسية مترابطة في شبكة استدلالية مغلقة:

• حجم العينة ($N$): كلما زاد عدد المشاركين، انخفض خطأ المعاينة، وزادت درجات حرية المقام، وتضخمت قوة الاختبار لرصد أصغر التأثيرات.
• حجم الأثر المتوقع ($\eta^2$ أو $f$ كوهين): كلما كانت المعالجة النفسية قوية وذات تأثير علاجي واسع، سهل على اختبار F اكتشافها حتى مع عينات متوسطة الحجم.
• مستوى الدلالة المعياري ($\alpha$): يؤدي اختيار مستويات ألفا شديدة الصرامة (مثل .001) إلى تقليص منطقة الرفض وانخفاض القوة الإحصائية، مقارنة بالمستوى الكلاسيكي (.05).
• التباين العشوائي للخطأ ($\sigma^2_e$): كلما تم ضبط الموقف التجريبي وتقليص التشتت الداخلي، ارتفعت حساسية نسبة F.

يُعد تخطيط القوة الإحصائية القبلية (A Priori Power Analysis) باستخدام برمجيات متخصصة مثل G*Power ضرورة منهجية وأخلاقية ملزمة في البحوث السيكولوجية المعاصرة. يهدف هذا الإجراء إلى تحديد الحد الأدنى من المشاركين المطلوب استقطابهم قبل بدء التجربة لضمان تحقيق قوة إحصائية معيارية مستهدفة (عادة $1 – beta = 0.80$). إن إجراء دراسات نفسية ذات قوة منخفضة (Underpowered Studies) يُهدر الموارد البحثية ويسهم بصورة مباشرة في تعميق “أزمة التكرار” (Replication Crisis) في العلوم الإنسانية.

11. ما بعد دلالة اختبار F: الاختبارات البعدية (Post-Hoc) والمقارنات المتعددة

11.1 قصور اختبار F الشامل وضرورة المقارنات الثنائية البعدية

على الرغم من الكفاءة المنهجية الفائقة لاختبار F في حماية الباحث من تضخم أخطاء المعاينة، إلا أنه يعاني من قصور جوهري يتمثل في طابعه الاستدلالي الكلي غير المحدد (Omnibus Nature). عندما يُسفر اختبار F عن دلالة إحصائية ($p < .05$) في دراسة تقارن أربعة برامج للتدريب المعرفي، فإن النتيجة المستخلصة تقتصر حصراً على تأكيد أن "المتوسطات الأربعة ليست متساوية جميعها في المجتمع"، دون تقديم أي إجابة استدلالية محددة توضح أي المجموعات تتفوق على الأخرى أو أين يكمن مصدر التمايز بالضبط.

إذا حاول الباحث سد هذه الفجوة المعرفية عبر إجراء اختبارات t متعددة ومستقلة بين أزواج المجموعات بعد انتهاء تحليل التباين، فإنه يقع مجدداً في المحظور المنهجي الذي صُمم ANOVA لتفاديه؛ وهو تضخم معدل الخطأ العائلي الشامل (Family-Wise Error Rate – FWER). فمع وجود 4 مجموعات لدينا 6 مقارنات ثنائية محتملة، مما يرفع احتمال ارتكاب خطأ من النوع الأول واكتشاف فروق وهمية إلى ما يقارب:
$$\alpha_{\text{FWER}} = 1 – (1 – 0.05)^6 \approx 0.265 \text{ (أي 26.5%)}$$

من هنا تنبع الضرورة الحتمية لتطبيق الاختبارات البعدية (Post-Hoc Tests)؛ وهي خوارزميات إحصائية متطورة صُممت خصيصاً لإجراء المقارنات الثنائية بين كافة أزواج المتوسطات مع فرض رقابة رياضية مشددة تضمن بقاء معدل الخطأ العائلي الكلي عند عتبة الـ 5% المحددة مسبقاً للتجربة بأكملها.

11.2 المقارنة بين أشهر الاختبارات البعدية المستخدمة في علم النفس

تتعدد الاختبارات البعدية المتاحة في الأدبيات الإحصائية، وتتفاوت فيما بينها من حيث مستوى الصرامة والتحفظ وحساسية الرصد، مما يفرض على الباحث النفسي اختيار الاختبار الأنسب لطبيعة تصميمه التجريبي وبياناته:

• اختبار توكي للفروق ذات الدلالة الصادقة (Tukey’s HSD): يُعد الاختبار الأكثر استخداماً وشعبية في البحوث النفسية عند الرغبة في إجراء جميع المقارنات المزدوجة الممكنة بين أزواج المتوسطات. يعتمد على توزيع المدى المعياري (Studentized Range Distribution)، ويتميز بتقديمه توازناً مثالياً بين ضبط خطأ النوع الأول والحفاظ على قوة إحصائية ممتازة، خاصة عندما تكون أحجام العينات متساوية.
• تصحيح بونفيروني (Bonferroni Correction): يمثل المنهج الأكثر صرامة وتحفظاً؛ حيث يقوم ببساطة بقسمة مستوى الدلالة الاسمي على عدد المقارنات المنجزة ($\alpha / c$). على الرغم من قدرته المطلقة على كبح خطأ النوع الأول، إلا أنه مفرط في التحفظ عند كثرة المقارنات، مما يؤدي إلى تراجع القوة الإحصائية ورفع احتمالية ارتكاب خطأ النوع الثاني.
• اختبار شيفيه (Scheffé’s Test): الاختبار الأكثر مرونة وقوة رياضية لإجراء المقارنات المعقدة والمركبة (مثل مقارنة متوسط المجموعتين 1 و2 معاً في مواجهة متوسط المجموعة 3). ونظراً لمرونته الفائقة، فإنه يُعد الاختبار الأكثر تحفظاً للمقارنات الثنائية البسيطة.
• اختبار جيمس-هويل (Games-Howell Test): يُستخدم كبديل بعدي متخصص وقوي عندما تنتهك البيانات افتراض تجانس التباين وتختلف أحجام العينات، حيث لا يفترض تساوي التباينات السكانية.

11.3 المقارنات المخطط لها مسبقاً (Planned Contrasts) كبديل منهجي

تُمثل المقارنات المخطط لها مسبقاً (Planned Contrasts / A Priori Contrasts) بديلاً استدلالياً متفوقاً وراقياً للاختبارات البعدية العامة، وتُستخدم عندما يمتلك الباحث السيكولوجي فرضيات نظرية محددة وموجهة ومصاغة بدقة قبل الشروع في جمع البيانات وتطبيق التجربة. في هذه الحالة، لا يحتاج الباحث إلى فحص كافة التباديل والمقارنات الممكنة بصورة استكشافية، بل يركز اختباره على أسئلة فرضية محددة (مثل: هل يختلف العلاج السلوكي الجديد عن متوسط العلاجين التقليديين؟).

تعتمد المقارنات المخططة على استخدام نظام الأوزان الرياضية (Contrast Coefficients – $c_j$)، حيث تُعطى لكل مجموعة قيمة ترجيحية بشرط أن يكون المجموع الجبري لهذه الأوزان مساوياً تماماً للصفر:
$$\sum_{j=1}^{k} c_j = 0$$
وعندما يتم صياغة منظومة من المقارنات المتعامدة إحصائياً (Orthogonal Contrasts)، يتم تفكيك مجموع المربعات بين المجموعات ($SS_B$) بالكامل وبدقة متناهية إلى أجزاء مستقلة ذات درجة حرية واحدة لكل مقارنة ($df = 1$).

تتمتع المقارنات المخططة بميزة منهجية كبرى تتمثل في امتلاكها قوة إحصائية تفوق بكثير قوة الاختبارات البعدية التقليدية؛ حيث لا تتطلب تصحيحات عقابية صارمة لمستوى الدلالة نظراً لمحدودية عدد الفرضيات المختبرة وارتباطها المباشر بالبناء النظري للدراسة، مما يجعلها الخيار المفضل في التجارب النفسية القائمة على اختبار النظريات الراسخة.

12. تطبيقات وتوسعات متقدمة لاختبار F في التصاميم التجريبية النفسية

12.1 اختبار F في تحليل التباين ثنائي الاتجاه والتصاميم العاميلية (Factorial ANOVA)

تتجاوز البحوث النفسية المتقدمة التصاميم أحادية المتغير لتتبنى التصاميم العاميلية (Factorial Designs)، مثل تحليل التباين ثنائي الاتجاه ($2 times 2$ أو $3 times 3$ Two-Way ANOVA)، والتي تسمح بدراسة تأثير متغيرين مستقلين أو أكثر في وقت واحد على نفس المتغير التابع، مما يعكس الطبيعة التفاعلية المعقدة للسلوك البشري.

في هذا النموذج المتقدم، لا يتم حساب نسبة F واحدة، بل يقوم التحليل بتفكيك مجموع المربعات بين المجموعات وتوليد ثلاثة اختبارات F مستقلة ومنفصلة تماماً، يخضع كل منها لتقييم استدلالي خاص به:

• اختبار F للأثر الرئيسي الأول ($Main Effect A$): يقيم تأثير المتغير المستقل الأول (مثل: نوع التدخل العلاجي) بعد عزل المتغير الثاني.
• اختبار F للأثر الرئيسي الثاني ($Main Effect B$): يقيم تأثير المتغير المستقل الثاني (مثل: شدة الاضطراب: خفيف، حاد) بمعزل عن الأول.
• اختبار F لأثر التفاعل المشترك ($Interaction Effect A \times B$): يفحص ما إذا كان تأثير أحد المتغيرين يتغير ويختلف باختلاف مستويات المتغير الآخر.

يُعد فحص أثر التفاعل عبر اختبار F جوهر الدراسات النفسية المعاصرة؛ فقد يكشف الاختبار أن فاعلية العلاج المعرفي السلوكي لا تتفوق بصورة مطلقة، بل تتفوق حصراً لدى المرضى ذوي الاضطراب الحاد، بينما يتساوى مع العلاجات الأخرى في الحالات الخفيفة. هذا الفهم المشروط والمعدل للظواهر هو ما توفره اختبارات F في النماذج العاميلية بكفاءة استدلالية فريدة.

12.2 اختبار F في تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)

عندما تتضمن الدراسة النفسية تتبع نفس المشاركين عبر فترات زمنية متتابعة (دراسات طولية نمائية) أو تعريض كل مفحوص لكافة الشروط التجريبية بالتتابع (Within-Subject Designs)، يتم استخدام تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA). في هذا التصميم، يحقق اختبار F قفزة نوعية في القوة الإحصائية عبر تعديل جذري في طريقة حساب مقام النسبة.

يقوم النموذج بتفكيك تباين الخطأ الكلي واستخراج الفروق الفردية الثابتة بين الأشخاص ($SS_{\text{Between-Subjects}}$) وحذفها تماماً من مقام نسبة F، ليصبح المقام مقتصراً حصراً على التفاعل العشوائي بين الأفراد والمعالجة ($SS_{\text{Error / Residual}}$). يؤدي هذا التجريد إلى تقليص تباين الخطأ بصورة هائلة، مما يجعل اختبار F فائق الحساسية في رصد التغيرات الطفيفة الناتجة عن التدخل العلاجي عبر الزمن.

ومع ذلك، يفرض هذا التوسع شرطاً إحصائياً إضافياً يعرف بـ “افتراض الكروية” (Sphericity)، والذي ينص على تساوي تباينات الفروق بين جميع الأزواج الممكنة من القياسات المتكررة. وعند انتهاك هذا الافتراض (الذي يُفحص باختبار موشلي للكرية Mauchly’s Test)، تتضخم نسبة F وتصبح خادعة، مما يفرض تطبيق تعديلات إحصائية صارمة لدرجات الحرية مثل تصحيح غرينهاوس-غايسر (Greenhouse-Geisser Correction) أو تصحيح هوينه-فيلدت (Huynh-Feldt) لضمان موثوقية القرار الاستدلالي.

12.3 اختبار F في النماذج الخطية العامة وتحليل التغاير (ANCOVA)

يندرج اختبار F تحت المظلة الشاملة لما يُعرف في الإحصاء الرياضي بـ النماذج الخطية العامة (General Linear Models – GLM)؛ حيث يمثل تحليل التباين في جوهره حالة خاصة وتطبيقاً محدداً لنموذج الانحدار الخطي المتعدد (Multiple Linear Regression). في هذا الإطار، يُستخدم اختبار F كاختبار لتقييم الملاءمة الكلية للنموذج الإحصائي وفحص ما إذا كانت النماذج المعقدة تقدم تفسيراً للبيانات أفضل من النماذج البسيطة المختزلة.

يتجلى هذا التكامل بوضوح في تحليل التغاير (Analysis of Covariance – ANCOVA)؛ وهو نموذج هجين يدمج ميزات تحليل التباين مع الانحدار الخطي. يتيح ANCOVA للباحث النفسي إدخال متغير كمي متصل مستمر كـ “متغير مساعد أو مصاحب” (Covariate) لضبط أثره وعزله إحصائياً من المتغير التابع قبل إجراء المقارنة بين المجموعات عبر اختبار F (مثل ضبط درجات الذكاء أو خط الأساس القبلي للمرض قبل اختبار فاعلية البرامج العلاجية).

تؤدي هذه المعالجة إلى تقليل تباين الخطأ في مقام F وزيادة دقة المتوسطات المعدلة، مما يمنح الباحث قدرة فائقة على استخلاص العلاقات السببية في ظل وجود متغيرات دخيلة يصعب ضبطها عملياً داخل المختبر. إن هذا التموضع البنائي لاختبار F ضمن النماذج الخطية يعكس كونه أحد أكثر الأدوات الاستدلالية مرونة وقابلية للتوسع في تاريخ العلوم الرياضية والسلوكية.

خاتمة

يُمثل اختبار F في تحليل التباين ذروة الرصانة المنهجية في الاستدلال الإحصائي المعلمي؛ فهو ليس مجرد معادلة رياضية جامدة لحساب نسب التشتت، بل هو إطار فلسفي متكامل يوازن بين “الإشارة” المنظمة المعبرة عن الفاعلية التجريبية و”الضجيج” العشوائي المتجذر في الطبيعة الإنسانية ومقاييسها النفسية. لقد استطاع هذا النموذج منذ ابتكاره بواسطة السير رونالد فيشر أن يقدم حلاً عبقرياً لمعضلة المقارنات المتعددة، مفسحاً المجال أمام الباحثين لاستكشاف الظواهر المعرفية والعيادية والتربوية شديدة التعقيد والتعدد بدقة وأمان استدلالي محكم.

تتطلب الممارسة البحثية الرصينة في العلوم النفسية وعياً شاملاً بكافة مكونات هذا الاختبار؛ بدءاً من التفكيك الخطي لمجاميع المربعات ودرجات الحرية، وفهم الخصائص التوزيعية الفريدة لمنحنى F، ومروراً بالفحص الصارم للافتراضات الإحصائية كالتوزيع الطبيعي وتجانس التباين والاستقلالية التامة، وصولاً إلى تدعيم النتائج بحسابات القوة وحجم الأثر والاستعانة بالاختبارات البعدية الدقيقة. إن إتقان هذا الصرح الإحصائي يُمكّن الباحث من بناء تجارب رصينة ذات نتائج قابلة للتكرار، مما يسهم في دفع عجلة المعرفة السيكولوجية وتطوير تدخلات علاجية وسلوكية تستند إلى برهان استدلالي متين لا يتزعزع.

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. https://www.routledge.com/9780805802832
• 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. https://edge.sagepub.com/field5e
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd. https://digital.library.adelaide.edu.au/dspace/handle/2440/15227
• Gravetter, F. J., Wallnau, L. B., Forzano, L. B., & Witnauer, J. E. (2020). Essentials of statistics for the behavioral sciences (10th ed.). Cengage Learning. https://www.cengage.com
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning. https://www.cengage.com
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall. https://www.pearson.com
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: Measures of effect size for some common research designs. Psychological Methods, 8(4), 434–447. https://doi.org/10.1037/1082-989X.8.4.434
• Sheskin, D. J. (2020). Handbook of parametric and nonparametric statistical procedures (5th ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9780429186196
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson. https://www.pearson.com