كيفية حساب معامل الاختلاف في SPSS

تُعد معالجة التشتت الإحصائي وفهمه ركيزة أساسية لا غنى عنها في استكشاف البيانات وتحليلها عبر مختلف التخصصات العلمية، وبخاصة في مجالات العلوم النفسية، والتربوية، والسلوكية، والطبية. فعلى الرغم من أن مقاييس النزعة المركزية، وعلى رأسها المتوسط الحسابي، تقدم تلخيصاً مفيداً لموقع تمركز البيانات، فإنها تظل عاجزة بمفردها عن تقديم صورة وفية لمدى تجانس الظاهرة أو تباينها. وهنا تبرز أهمية مقاييس التشتت؛ غير أن المقاييس التقليدية الشائعة كالانحراف المعياري والتباين، تظل مقاييس مطلقة ترتبط ارتباطاً وثيقاً بوحدات القياس الأصلية وبالحجم المطلق للمتوسطات، مما يجعل مقارنتها عبر مجموعات ذات متوسطات شديدة التباين أو عبر أدوات قياس مختلفة أمراً غير دقيق منهجياً وإحصائياً.

من هذا المنطلق، يبرز معامل الاختلاف (Coefficient of Variation – CV) بوصفه الأداة الإحصائية المعيارية الأكثر كفاءة للتغلب على قيود التشتت المطلق. إذ يعمل هذا المعامل على توحيد قياس التشتت من خلال نسبته مباشرة إلى المتوسط الحسابي، مما ينتج مؤشراً لا بُعدياً ومجرداً تماماً من وحدات القياس، ويتيح إجراء مقارنات موضوعية بين عينات أو ظواهر متباينة في مقاييسها أو في مستويات قيمها المركزية. وتكتسب هذه الخاصية أهمية استثنائية في القياسات السيكومترية، واختبارات زمن الرجع، والدراسات المقارنة التي تتطلب معايير دقيقة لتقييم الاستقرار والموثوقية.

وعلى الرغم من المكانة المرموقة التي يتمتع بها برنامج الحزمة الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics) في الأوساط الأكاديمية والبحثية، فإن العديد من الباحثين يواجهون تحدياً إجرائياً يتمثل في غياب زر مباشر يحمل اسم “معامل الاختلاف” ضمن القوائم الوصفية الكلاسيكية المعتادة. يهدف هذا المقال الموسع والتأصيلي إلى تقديم دليل منهجي وتطبيقي شامل لكيفية حساب معامل الاختلاف، وتفسير مخرجاته الرياضية والإحصائية، واكتشاف الحيل البرمجية عبر واجهة البرنامج أو من خلال شفرات البناء الإحصائي (Syntax)، مع تفصيل المعايير المنهجية والمحاذير التطبيقية وفق أحدث معايير النشر الأكاديمي.

1. مقدمة تأصيلية لمعامل الاختلاف (CV) وأهميته في التحليل الإحصائي

1.1 مفهوم معامل الاختلاف والتعريف الرياضي

يُعرَّف معامل الاختلاف في الأدبيات الإحصائية الكلاسيكية والحديثة بأنه مقياس نسبي للتشتت الإحصائي يصف مقدار التغير أو التباين في البيانات منسوباً إلى القيمة المتوقعة أو المتوسط الحسابي لتلك البيانات. على خلاف مقاييس التشتت المطلقة، التي تعبر عن المسافة أو المساحة المحيطة بالمركز بوحدات القياس نفسها (مثل الدرجات، أو الميلي ثانية، أو الكيلوغرامات)، يمثل معامل الاختلاف نسبة كسرية غير مقيدة بأي أبعاد فيزيائية أو قياسية، وهو ما يمنحه مرونة فائقة وقوة تفسيرية فريدة عند تقييم استقرار التوزيعات التكرارية.

تعتمد الصيغة الرياضية الأساسية لمعامل الاختلاف على قسمة الانحراف المعياري للبيانات على متوسطها الحسابي. ففي حالة المجتمع الإحصائي الكلي، يُرمز له بالصيغة اللاتينية CV = σ / μ، حيث تمثل σ الانحراف المعياري للمجتمع، في حين تمثل μ المتوسط الحسابي الحقيقي للمجتمع. أما في سياق العينات الإحصائية المسحوبة من المجتمعات، فإن الصيغة الرياضية المقابلة تصبح CV = s / x̄، حيث يمثل s الانحراف المعياري للعينة، ويمثل x̄ المتوسط الحسابي للعينة.

ولغرض تيسير التفسير والتواصل الإحصائي في الأبحاث التطبيقية، يُجرى عادة تحويل الناتج العشري لمعامل الاختلاف إلى نسبة مئوية بضربه في مائة (CV% = [s / x̄] × 100). يتيح هذا التحويل للباحث إمكانية القول بأن التشتت يمثل نسبة محددة من قيمة المتوسط الحسابي، مما يجعل المقارنة البصرية والذهنية بين المتغيرات شديدة الوضوح للمحكمين والقراء، دون الحاجة للرجوع إلى سلم الدرجات الأصلي للأداة المستخدمة.

1.2 دواعي استخدام معامل الاختلاف في القياسات السيكومترية

في ميدان القياس النفسي والسيكومتري، تبرز تحديات منهجية معقدة ترتبط باختلاف الخصائص التوزيعية للمقاييس الفرعية، أو تباين مستويات الأداء المعرفي بين الفئات العمرية والتشخيصية المختلفة. إن محاولة مقارنة التشتت بين عينة من الأطفال وأخرى من الراشدين في اختبار معرفي باستخدام الانحراف المعياري وحده غالباً ما تقود إلى استنتاجات مضللة؛ نظراً لأن المتوسط الحسابي للراشدين يكون بطبيعته أعلى بكثير، مما يضخم الانحراف المعياري المطلق للراشدين حتى وإن كان أداؤهم الفعلي أكثر تجانساً واستقراراً من أداء الأطفال.

يؤدي معامل الاختلاف دوراً حاسماً في تقييم دقة واستقرار الاختبارات والمقاييس السلوكية، وتحديد مدى تجانس استجابات الأفراد عبر الفقرات المختلفة. فعندما يسعى الباحث إلى فحص اتساق مقياسين يقيسان السمة ذاتها ولكن بأدوات مختلفة (مثل استبانة تعتمد تدريج ليكرت الخماسي مقابل مقياس رقمي يتراوح بين 0 و 100)، يستحيل استخدام الانحراف المعياري للمقارنة، بينما يوفر معامل الاختلاف معياراً عادلاً وموحداً يكشف عن المقياس الأكثر دقة والأقل تشتتاً نسبياً.

علاوة على ذلك، تتجلى فائدة هذا المقياس في التجارب الإدراكية والعصبية-النفسية التي تدمج بين متغيرات غير متجانسة في طبيعتها الفيزيائية، كالمقارنة بين زمن الرجع المقاس بأجزاء الثانية وعدد الأخطاء المرتكبة في مهمة الانتباه المستمر. إن تجريد التشتت من وحدات القياس يتيح للباحثين تقييم أي العمليتين المعرفيتين تتسم بتباين أوسع داخل العينة، وهو ما يثري التفسيرات النظرية ويوجه القرارات الإكلينيكية بدقة علمية رصينة.

2. الأسس الرياضية والنظرية لحساب معامل الاختلاف

2.1 معادلة معامل الاختلاف للعينة والمجتمع

تستند النمذجة الرياضية لمعامل الاختلاف إلى افتراضات أساسية تتعلق بطبيعة العينة والمجتمع الإحصائي المستهدف. ففي المجتمعات الكبيرة أو التوزيعات النظرية، تعبر الصيغة CV = σ / μ عن الخاصية التوزيعية الدقيقة دون أي انحياز إحصائي. ولكن عند الانتقال إلى الإحصاء الاستدلالي المعتمد على العينات الصغيرة والمتوسطة، أثبتت الدراسات الرياضية المتخصصة، ولا سيما أعمال سوكال ورولف (Sokal & Rohlf)، أن معامل اختلاف العينة المحسوب بالمعادلة التقليدية CV = s / x̄ يعاني من انحياز طفيف يميل إلى التقليل من القيمة الحقيقية للمجتمع، خاصة عندما يكون حجم العينة (n) أقل من 30 فرداً.

ولمعالجة هذا الانحياز في العينات المحدودة، اقترح الإحصائيون تطبيق صيغة تصحيحية تُعرف بمعامل الاختلاف غير المنحاز (Unbiased Coefficient of Variation)، وتُحسب رياضياً بضرب معامل الاختلاف المحسوب للعينة في معامل تعديل يعتمد على حجم العينة وفق الصيغة التالية: CV* = CV × [1 + 1 / (4n)]. ويضمن هذا التصحيح تقديراً أكثر دقة ومطابقة لمعلمة المجتمع، وهو إجراء موصى به بقوة في الأبحاث التجريبية الدقيقة التي تعتمد على مجموعات علاجية صغيرة الحجم.

من جهة أخرى، تفرض الأسس النظرية لحساب معامل الاختلاف شرطاً رياضياً صارماً يتمثل في ضرورة قياس البيانات على مقياس النسبة (Ratio Scale)، وهو المقياس الذي يتضمن صفراً حقيقياً ومطلقاً يعبر عن الغياب التام للخاصية المقاسة. إن تطبيق معامل الاختلاف على البيانات المقاسة بمقياس الفترات (Interval Scale)، مثل درجات الحرارة المئوية أو درجات الذكاء المعيارية التقليدية، يُعد خطأً رياضياً فادحاً؛ لأن نقطة الصفر في تلك المقاييس هي نقطة اعتباطية اصطلاحية وليست مطلقة، مما يؤدي إلى تغير قيمة معامل الاختلاف جذرياً بمجرد تحويل مقياس القياس دون أن يتغير التشتت الفعلي للبيانات.

2.2 خصائص التشتت المتمركز حول المتوسط (Mean-Centered Dispersion)

يرتبط معامل الاختلاف ارتباطاً وثيقاً بخصائص التوزيع الطبيعي المعياري، حيث يمثل مقياساً للتشتت المتمركز حول المتوسط الحسابي. في التوزيعات الاحتمالية متماثلة الأطراف التي تتبع المنحنى الجرسي، يقيس معامل الاختلاف النطاق الذي تقع فيه النسبة العظمى من المشاهدات كنسبة مئوية من مركز الكتلة الاحتمالية. فإذا كان معامل الاختلاف يساوي 0.15 (أي 15%)، فهذا يعني رياضياً أن انحرافاً معيارياً واحداً حول المتوسط يمتد لمسافة تعادل 15% من قيمة المتوسط نفسه في الاتجاهين الموجب والسالب.

تخضع هذه القيمة لخصائص تحويلية محددة عند تطبيق العمليات الرياضية على البيانات الأصلية. فعند إجراء التحويلات الضربية (Scaling)، كضرب جميع قيم المتغير في ثابت موجب k (على سبيل المثال لتحويل القياس من أمتار إلى سنتيمترات)، فإن كلاً من المتوسط الحسابي والانحراف المعياري يتضاعفان بالقيمة k نفسها، مما يجعل قيمة معامل الاختلاف ثابتة تماماً دون أي تغيير: (k × s) / (k × x̄) = s / x̄. تؤكد هذه الخاصية الرياضية الحصانة التامة للمؤشر ضد التغير في وحدات القياس الخطية التناسبية.

وعلى النقيض من ذلك، فإن التحويلات الخطية الجمعية (Shifting)، التي تتضمن إضافة أو طرح رقم ثابت c من جميع القيم، تُحدث تغييراً جوهرياً في معامل الاختلاف؛ لأنها تؤدي إلى تغيير قيمة المتوسط الحسابي (x̄ + c) مع بقاء الانحراف المعياري (s) ثابتاً دون تعديل. بالإضافة إلى ذلك، يتسم معامل الاختلاف بحساسية بالغة وشديدة تجاه القيم القريبة من الصفر؛ فكلما اقترب المتوسط الحسابي للمتغير من الصفر، اتجهت قيمة معامل الاختلاف نحو اللانهاية الرياضية (Infinity)، وهو ما يفرض متطلباً رياضياً بكون قيم المتغير موجبة قطعاً وبعيدة بدرجة كافية عن الصفر لضمان استقرار المؤشر.

3. مقارنة معامل الاختلاف بمقاييس التشتت الأخرى

3.1 معامل الاختلاف مقابل الانحراف المعياري

يمثل الانحراف المعياري (Standard Deviation) حجر الزاوية في الإحصاء الوصفي والاستدلالي، غير أن استخدامه المنفرد يواجه قصوراً منهجياً حاداً عند محاولة إجراء مقارنات بين مجموعات إحصائية غير متكافئة في متوسطاتها الحسابية. فإذا افترضنا أن دراسة نفسية تقارن بين مجموعتين في زمن استجابة لمثير بصري، حيث بلغ متوسط المجموعة الأولى 200 ميلي ثانية بانحراف معياري 20 ميلي ثانية، وبلغ متوسط المجموعة الثانية 800 ميلي ثانية بانحراف معياري 40 ميلي ثانية؛ فإن النظرة السطحية للانحراف المعياري قد توحي خطأً بأن المجموعة الثانية تعاني من ضعف التجانس وتشتت مضاعف مقارنة بالأولى.

ولكن عند تطبيق معامل الاختلاف، تتغير الرؤية التفسيرية تماماً؛ حيث يبلغ معامل الاختلاف للمجموعة الأولى 10% (20 / 200)، بينما يبلغ للمجموعة الثانية 5% فقط (40 / 800). يوضح هذا التحليل النسبي أن المجموعة الثانية، على الرغم من ارتفاع انحرافها المعياري المطلق، تتسم بأداء أكثر تجانساً واستقراراً بمقدار الضعف مقارنة بالمجموعة الأولى بالنظر إلى حجم متوسطها. يبرز هذا المثال قوة التجريد من وحدات القياس وقابلية المعامل لتصحيح التفسيرات المبتسرة.

يكون الانحراف المعياري كافياً ومفضلاً عندما ينصب الهدف البحثي على تقييم تشتت متغير واحد داخل عينة متجانسة، أو عندما تُجرى المقارنة بين مجموعات تجريبية وضابطة ذات متوسطات متقاربة جداً وتستخدم المقياس ذاته. أما في الحالات التي تتباين فيها المتوسطات بوضوح، أو عند المقارنة بين خصائص سيكومترية لأدوات قياس متعددة الأبعاد، يصبح استخدام معامل الاختلاف ضرورة منهجية لا غنى عنها لضمان صدق المقارنة.

3.2 معامل الاختلاف مقابل التباين والمدى الربيعي

يُعرَّف التباين (Variance) بأنه متوسط مربعات انحرافات القيم عن متوسطها الحسابي، وهو ما يجعله معبراً عن التشتت بوحدات مربعة غير مطابقة لوحدة القياس الأصلية للظاهرة (مثل: درجات مربعة أو ثوانٍ مربعة). هذا التربيع الرياضي يحرم التباين من القدرة على تقديم دلالة تفسيرية مباشرة للباحث، ويجعله غير صالح للمقارنات النسبية، فضلاً عن تأثره الشديد بالقيم المتطرفة نتيجة تضخيم المسافات بالتربيع.

في المقابل، عند التعامل مع التوزيعات الإحصائية غير الطبيعية أو التوزيعات الملتوية بشدة (Skewed Distributions)، تفقد المقاييس المعلمية الكلاسيكية كالانحراف المعياري ومعامل الاختلاف المتمركز حول المتوسط قدرتها على التعبير الدقيق عن الواقع الإحصائي. وفي هذه الحالات، يتجه الباحثون إلى استخدام المدى الربيعي (Interquartile Range – IQR) بوصفه مقياساً تشتتياً لا معلمياً يعتمد على المسافة بين الإئينات، أو اللجوء إلى البديل النسبي المعروف باسم “معامل التشتت الربيعي” (Quartile Coefficient of Dispersion) الذي يُحسب بقسمة نصف المدى الربيعي على الوسيط.

يوضح الجدول الإحصائي التالي أوجه المقارنة الأساسية بين المقاييس التشتتية الأربعة المذكورة لتحديد سياق الاستخدام الأمثل لكل منها:

• الانحراف المعياري: مقياس مطلق، يقاس بوحدة المتغير، ملائم للتوزيعات الاعتدالية والمقارنة بين عينات متكافئة المتوسط.
• التباين الإحصائي: مقياس مطلق بوحدات مربعة، أساسي في النمذجة الرياضية واختبارات تحليل التباين (ANOVA)، غير مباشر التفسير.
• المدى الربيعي: مقياس مطلق لا معلمي، يقاوم القيم المتطرفة والانحرافات التوزيعية، يعبر عن تشتت الـ 50% الوسطى من البيانات.
• معامل الاختلاف: مقياس نسبي لا بُعدي، مئوي التفسير، مثالي للمقارنات المعيارية وتحديد التباين الداخلي بغض النظر عن المتوسطات.

4. إعداد وهيكلة البيانات النفسية في برنامج SPSS قبل التحليل

4.1 تنظيم شاشتي متغيرات وبيانات SPSS (Variable View & Data View)

تتطلب الدقة الإحصائية قبل الشروع في حساب معامل الاختلاف تهيئة بنية ملف البيانات في برنامج SPSS بصورة سليمة واحترافية. يبدأ ذلك من شاشة عرض المتغيرات (Variable View)، حيث يجب التأكد من ضبط نوع المتغير النفسي أو السلوكي ليكون متغيراً عددياً (Numeric)، مع تحديد مستوى القياس في حقل (Measure) ليكون مقياساً كمياً متصلاً (Scale). إن إهمال هذه الخطوة أو تصنيف المتغير بالخطأ كمتغير اسمي (Nominal) أو ترتيبي (Ordinal) قد يعيق ظهور المتغير في بعض نوافذ الإجراءات التحليلية المتقدمة في البرنامج.

من الضروري أيضاً فحص شاشة عرض البيانات (Data View) للتحقق من عدم وجود أخطاء ناتجة عن إدخال بيانات خاطئة أو غير منطقية، مثل وجود قيم سالبة في متغيرات يجب أن تكون موجبة بطبيعتها كزمن الاستجابة أو درجات المقاييس المركبة. كما يجب تعريف قيم المفقودات (Missing Values) بوضوح عبر تحديد أكواد الأرقام المفقودة (مثل 999 أو -99)، وذلك لضمان استبعاد تلك الحالات تلقائياً من خوارزميات الحساب الرياضي، ومنع تلوث المتوسطات والانحرافات بقيم اصطلاحية مضللة.

يوصى كذلك بإسناد مسميات وصفية دقيقة للمتغيرات في حقل (Label)، مما يسهم في تسهيل قراءة المخرجات والجداول الإحصائية التي يولدها البرنامج لاحقاً، ويزيل أي لبس قد ينشأ عند التعامل مع مصفوفات بيانات ضخمة تشتمل على عشرات المتغيرات الفرعية والأبعاد السيكومترية المتداخلة.

4.2 فحص اعتدالية التوزيع ووجود القيم المتطرفة

بما أن معامل الاختلاف الكلاسيكي يستند في جوهره إلى المتوسط الحسابي والانحراف المعياري، فإنه يشترك معهما في الحساسية الفائقة تجاه القيم المتطرفة (Outliers) والتوزيعات شديدة الالتواء والتفرطح. لذا، يُعد الفحص الاستكشافي للبيانات خطوة إلزامية تسبق التحليل الحسابي، وذلك عبر الانتقال إلى القوائم: Analyze > Descriptive Statistics > Explore لفحص مؤشرات الالتواء (Skewness) والتفرطح (Kurtosis) واختبارات كولموجوروف-سميرنوف وشابيرو-ويلك.

إن وجود حالة واحدة متطرفة ذات قيمة عالية جداً في العينة يؤدي إلى رفع قيمة الانحراف المعياري بمعدل أسرع بكثير من زيادة المتوسط الحسابي، مما ينتج عنه تضخيم مصطنع وغير حقيقي لمعامل الاختلاف. يُنصح في هذا السياق بفحص الرسوم البيانية لمخططات الصندوق (Boxplots) والمدرجات التكرارية (Histograms) المزودة بمنحنى التوزيع الطبيعي لتحديد الحالات الشاذة بدقة وموثوقية.

عند اكتشاف قيم متطرفة ناتجة عن أخطاء إدخال، تُصحح البيانات فوراً؛ أما إذا كانت قيماً حقيقية ولكنها غير متسقة مع التوزيع العام للمجتمع، فيمكن للباحث إما تطبيق أساليب التهذيب الإحصائي (Trimming / Winsorizing)، أو التحول لاستخدام المعاملات النسبية المعتمدة على الوسيط، أو تقديم تقرير يتضمن قيم معامل الاختلاف قبل استبعاد المتطرفة وبعده لضمان الشفافية الأكاديمية المطلقة.

5. الخطوة الأولى: إنشاء متغير العمود المحايد (Dummy Column of 1s)

5.1 الأساس المنهجي لإنشاء متغير الأساس في SPSS

تكمن الصعوبة التقنية التي تواجه مستخدمي برنامج SPSS في أن المطورين دمجوا خوارزمية حساب معامل الاختلاف المتطورة ضمن نافذة إحصاءات النسبة (Ratio Statistics). وقد صُمم هذا الإجراء في الأصل للتحليلات الاقتصادية وتقييم العقارات لحساب النسب بين متغيرين (مثل نسبة سعر البيع إلى القيمة التقديرية)، وهو ما يفرض تقنياً على المستخدم إدخال متغير للبسط (Numerator) ومتغير للمقام (Denominator).

ولكي يتمكن الباحث من تطبيق هذا الإجراء المتقدم على متغير نفسي أو سلوكي واحد، تبرز الحاجة إلى حيلة منهجية غاية في الذكاء والبساطة الرياضية: إنشاء متغير عمود محايد يتكون بالكامل من الرقم (1) الصحيح لجميع الحالات دون استثناء. فمن المعلوم رياضياً أن قسمة أي قيمة على الرقم 1 تُبقي القيمة كما هي دون أي أدنى تغيير في خصائصها الإحصائية (X / 1 = X).

يسمح هذا الإجراء بخداع الخوارزمية البرمجية لبرنامج SPSS لتتعامل مع المتغير المستهدف بوصفه نسبة منسوبة إلى الواحد الصحيح، مما يمكن البرنامج من حساب المتوسط، والانحراف المعياري، ومعامل الاختلاف للمتغير الأصلي بدقة تامة وبنقرة زر واحدة، ودون أي تشويه لقيم التوزيع الأصلي.

5.2 طرق توليد عمود الآحاد يدوياً أو آلياً في SPSS

يمكن توليد متغير الآحاد المحايد في برنامج SPSS بطريقتين رئيسيتين وفقاً لحجم العينة ومستوى مهارة الباحث البرمجية:

• الطريقة الآلية (الموصى بها للعينات المتوسطة والكبيرة):

  تتم من خلال الانتقال إلى القائمة العلوية واختيار Transform > Compute Variable. في حقل المتغير المستهدف (Target Variable)، يُكتب اسم المتغير الجديد وليكن Constant أو One. وفي حقل التعبير الرقمي (Numeric Expression)، يُكتب الرقم 1 فقط، ثم الضغط على زر OK. سيقوم البرنامج فوراً بتوليد عمود جديد يحمل الرقم 1 لجميع السجلات المسجلة في ملف البيانات.

• الطريقة اليدوية (ملائمة للعينات الصغيرة جداً):

  تتم عبر الانتقال لشاشة Variable View، وتسمية متغير جديد باسم One وتحديد خصائصه كمتغير كمي، ثم الانتقال لشاشة Data View وكتابة الرقم 1 في الخلية الأولى، ثم نسخ الرقم وسحبه أو لصقه يدوياً في جميع الخلايا المقابلة للحالات المدروسة.

من الأهمية بمكان التأكد التام من مطابقة عدد الحالات التي تشتمل على الرقم 1 للعدد الإجمالي لحالات المتغير الأصلي؛ إذ إن وجود خلايا فارغة في هذا المتغير المستحدث سيؤدي إلى استبعاد تلك الحالات المقابلة من التحليل الإحصائي الإجمالي باعتبارها بيانات مفقودة للنظام.

6. الخطوة الثانية: تطبيق إجراء الإحصاء النسبي (Ratio Statistics)

6.1 الوصول إلى نافذة الإحصاءات النسبية في واجهة البرنامج

بعد إعداد ملف البيانات وتوليد متغير الآحاد المحايد، يصبح البرنامج جاهزاً لتنفيذ خوارزمية إحصاءات النسبة. يتم الوصول إلى هذه الأداة عبر التدرج في القوائم المنسدلة للبرنامج باتباع المسار التالي: النقر على قائمة التحليل (Analyze)، ثم التمرير إلى قائمة الإحصاءات الوصفية (Descriptive Statistics)، ومن القائمة الفرعية المنبثقة يتم النقر على خيار إحصاءات النسبة (Ratio…).

بمجرد النقر، تفتح نافذة الحوار الرئيسة المعنونة باسم Ratio Statistics. تتميز هذه النافذة بتركيب منظم يشتمل على قائمة المتغيرات المتاحة على الجانب الأيسر، وثلاثة حقول إدخال رئيسية على الجانب الأيمن مخصصة لتحديد العلاقات التناسبية وتجميع البيانات، إلى جانب أزرار التحكم والخيارات المتقدمة.

تتيح هذه النافذة للباحث تطبيق تحليلات وصفية ونسبية عالية التخصص تفوق ما هو متاح في نافذتي Frequencies و Descriptives التقليديتين، حيث تنفرد باحتوائها على معادلات مدمجة لحساب معاملات التشتت المتمركزة حول المتوسط وحول الوسيط بصورة مباشرة وتلقائية.

6.2 إسقاط المتغيرات في الحقول الإحصائية المناسبة

لضمان الحصول على النتائج الحسابية الدقيقة، يجب نقل المتغيرات من القائمة اليسرى إلى الحقول المخصصة على اليمين بعناية شديدة وفق الترتيب المنهجي التالي:

• حقل البسط (Numerator): يتم اختيار المتغير النفسي أو السلوكي المستهدف تحليله (مثل: Reaction_Time أو Anxiety_Score) والنقر على السهم المقابل لنقله إلى هذا الحقل. سيمثل هذا المتغير القيم المراد حساب معامل تشتتها.
• حقل المقام (Denominator): يتم اختيار المتغير المحايد الذي تم إنشاؤه مسبقاً (المسمى One أو Constant) ونقله إلى هذا الحقل. يضمن هذا الإجراء أن تكون النسبة المحسوبة مساوية تماماً لقيم المتغير الأصلي مقسومة على 1.
• حقل متغير التجميع (Group Variable): يُترك هذا الحقل فارغاً في حال الرغبة في حساب معامل الاختلاف للعينة ككل. أما إذا كان هدف الدراسة مقارنة معامل الاختلاف بين فئات معينة (مثل المقارنة بين الذكور والإناث، أو بين المجموعة الضابطة والتجريبية)، فيتم نقل المتغير التصنيفي إلى هذا الحقل لتقسيم المخرجات تلقائياً حسب الفئات.

يجب التنبيه إلى ضرورة تجنب وضع أي متغير عشوائي في حقل المقام؛ إذ إن وضع متغير غير ثابت سيغير طبيعة التحليل بالكامل من حساب معامل اختلاف المتغير الأصلي إلى حساب معامل اختلاف النسبة النسبية المشتركة بين متغيرين مختلفين.

7. الخطوة الثالثة: ضبط الخيارات الإحصائية وتفعيل معامل الاختلاف

7.1 اختيار المؤشرات الوصفية من نافذة الإحصاءات (Statistics)

بعد الانتهاء من إسقاط المتغيرات في مواقعها المحددة، تظل نافذة Ratio Statistics بحاجة إلى تفعيل الخيارات الإحصائية المناسبة التي لا تكون محددة بشكل افتراضي. يتم النقر على زر الإحصاءات (Statistics…) الموجود في الجزء العلوي الأيمن من نافذة الحوار لتفتح نافذة فرعية زاخرة بالخيارات الوصفية والتشتتية المتقدمة.

في هذه النافذة الفرعية، ينبغي على الباحث تحديد وتفعيل الخيارات الإحصائية التالية لضمان الحصول على تقرير تحليلي متكامل:

• تفعيل خيار المتوسط الحسابي (Mean) لتوثيق النزعة المركزية للتوزيع.
• تفعيل خيار الانحراف المعياري (Standard Deviation) لتوثيق التشتت المطلق للمتغير.
• تفعيل الخيار الجوهري المستهدف: Mean Centered COV (وهو اختصار للعبارة الإنجليزية: Mean Centered Coefficient of Variation)، والذي يمثل معامل الاختلاف المتمركز حول المتوسط الحسابي.
• (اختياري) تفعيل خيار Median Centered COV، وهو معامل الاختلاف المتمركز حول الوسيط، ويُفضل استخدامه كإجراء مقارن إضافي في حال كانت البيانات تعاني من التواء طفيف.

7.2 تحديد خيارات المعاينة ومستويات الثقة في الإجراء

تتيح نافذة الإحصاءات الفرعية أيضاً إمكانات متقدمة لإجراء الاستدلال الإحصائي على معامل الاختلاف ومؤشرات النسبة عبر تحديد فترات الثقة (Confidence Intervals). يمكن للباحث تفعيل خيار فترات الثقة وتحديد مستواها (مثل 95% أو 99%)، مما يولد حدود الثقة الدنيا والعليا لمعامل الاختلاف، وهو ما يضفي عمقاً إحصائياً واستدلالياً كبيراً على نتائج الدراسة عند نشرها في المجلات الدولية المصنفة.

عقب الانتهاء من تحديد كافة المؤشرات الإحصائية المطلوبة بدقة، يتم النقر على زر المتابعة (Continue) للعودة إلى النافذة الرئيسية، ثم الضغط على زر التنفيذ النهائي (OK). في حال رغبة الباحث في حفظ الإجراء لاستخدامه لاحقاً ضمن ملفات الأوامر، يمكنه الضغط على زر اللصق (Paste) لتوليد كود الـ Syntax في نافذة الأوامر البرمجية المخصصة.

يشرع برنامج SPSS فوراً في تشغيل الخوارزمية الحسابية وتوليد جداول المخرجات التفصيلية وعرضها في شاشة عارض المخرجات (Output Viewer)، لتصبح جاهزة للقراءة والتحليل والتفسير السيكومتري المتعمق.

8. قراءة وتفسير مخرجات جدول الإحصاء النسبي في SPSS

8.1 تحليل جدول Ratio Statistics في نافذة المخرجات (Output Viewer)

يظهر في نافذة المخرجات جدول رئيسي يحمل العنوان Ratio Statistics for Numerator / Denominator. يشتمل هذا الجدول على البيانات الوصفية والإحصائية الأساسية التي تم تفعيلها. تتضمن الأعمدة عادة: حجم العينة الإجمالي (N)، المتوسط الحسابي (Mean)، الانحراف المعياري (Standard Deviation)، والعمود المحوري المعنون باسم Coefficient of Variation – Mean Centered.

يقدم برنامج SPSS قيمة معامل الاختلاف في جدول المخرجات في صورة كسر عشري (Decimal Value) وليس كنسبة مئوية. فإذا أظهر الجدول على سبيل المثال أن قيمة Mean Centered COV تساوي .246، فإن هذا يعني رياضياً أن التشتت النسبي يبلغ 0.246. ولتحويل هذه القيمة إلى صيغة النسبة المئوية المتعارف عليها في كتابة التقارير، يضرب الباحث القيمة في 100، لتصبح النتيجة 24.6%.

يستطيع الباحث التحقق المباشر من دقة الحساب بمطابقة المخرجات يدوياً؛ وذلك بقسمة قيمة الانحراف المعياري المعروضة في الجدول على قيمة المتوسط الحسابي، حيث ستتطابق النتيجة الرياضية تماماً مع الرقم المسجل في حقل Mean Centered COV، مما يؤكد صحة الإجراء البرمجي وسلامته من أي خلل في توزيع المقامات.

8.2 معايير الحكم الإحصائي على مقدار معامل الاختلاف

يتطلب تفسير معامل الاختلاف استناد الباحث إلى أطر مرجعية ومعايير إحصائية مستقرة في منهجية البحث العلمي لتقييم مستوى التجانس. وبشكل عام، كلما انخفضت قيمة معامل الاختلاف، دل ذلك على تماسك البيانات، وتجانس استجابات المفحوصين، واستقرار أداة القياس؛ في حين تشير القيم المرتفعة إلى تشتت واسع وتفاوت ملموس في الأداء السلوكي أو النفسي.

تعتمد معظم الأدبيات الإحصائية والسيكومترية القواعد الإرشادية المعيارية التالية لتصنيف مستويات معامل الاختلاف وتفسيرها:

• تشتت منخفض جداً وتجانس عالٍ (CV < 10%): يدل على أن التشتت يمثل أقل من عُشر قيمة المتوسط، وهو مؤشر مثالي على دقة القياسات وثبات الأداء واستقرار العينة.
• تشتت معتدل ومقبول (10% ≤ CV ≤ 20%): يمثل المستوى الشائع في معظم المقاييس والبحوث النفسية والتربوية والعلوم الاجتماعية، ويعكس تبايناً طبيعياً وصحياً بين الأفراد.
• تشتت مرتفع وتجانس منخفض (20% < CV ≤ 30%): يشير إلى وجود تباين ملحوظ في الأداء يستوجب التحقق من تجانس العينة أو فحص احتمالية وجود متغيرات وسيطة تؤثر على استجابات الأفراد.
• تشتت شديد الارتفاع وضعف استقرار (CV > 30%): ينذر بتشتت عريض جداً وعدم تجانس جوهري في العينة، وقد يشير إلى تلوث البيانات بقيم متطرفة حادة، أو عدم ملاءمة التوزيع للافتراضات المعلمية.

9. طرق برمجية بديلة لحساب معامل الاختلاف في SPSS

9.1 الحساب المباشر عبر أمر حساب المتغيرات (Compute Variable)

إلى جانب الطريقة القائمة على نافذة إحصاءات النسبة، يمكن للباحثين حساب معامل الاختلاف باستخدام الطريقة المباشرة المعتمدة على استخراج الإحصاءات الوصفية أولاً، ثم استخدام شاشة حساب المتغيرات. تبدأ هذه الطريقة باستخراج المتوسط الحسابي والانحراف المعياري للمتغير عبر الإجراء التقليدي: Analyze > Descriptive Statistics > Descriptives وتدوين القيم الإحصائية الناتجة بدقة.

عقب ذلك، ينتقل الباحث إلى القائمة: Transform > Compute Variable، ويقوم بإنشاء متغير جديد يحمل اسم (CV_Score). في حقل المعادلة الحسابية (Numeric Expression)، يكتب الباحث الصيغة المباشرة للعملية بقسمة الانحراف المعياري المحسوب مسبقاً على المتوسط الحسابي وضربه في مائة، على سبيل المثال: (5.42 / 24.50) * 100، ثم الضغط على زر OK.

تتميز هذه الطريقة ببساطتها الفائقة وعدم حاجتها لإنشاء متغيرات وسيطة كعمود الآحاد، غير أن عيبها الرئيسي يكمن في كونها عملية يدوية غير ديناميكية؛ فإذا تم تعديل البيانات الأصلية أو إضافة حالات جديدة للملف، فإن القيمة المحسوبة لن تتحدث تلقائياً، بل تتطلب إعادة استخراج المتوسطات وتعديل المعادلة من جديد.

9.2 استخدام كود البرمجة النصية (SPSS Syntax)

يُعد استخدام محرر الأوامر البرمجية (SPSS Syntax) الخيار الاحترافي الأفضل للباحثين المتقدمين ولمن يديرون مشاريع بحثية تتضمن مجموعات بيانات متعددة أو تتطلب أتمتة كاملة لخطوات التحليل الإحصائي لضمان الشفافية وإعادة إنتاج النتائج بسهولة.

يمكن تنفيذ إجراء إحصاء النسبة وتوليد معامل الاختلاف برمجياً من خلال فتح نافذة محرّر الأوامر (File > New > Syntax) وكتابة وتنفيذ الكود الإحصائي التالي:

RATIO STATISTICS Target_Variable WITH Constant_One
/PRINT = MEAN STDEV COV
/CIN = 95.

كما يمكن للباحث استخدام أوامر التجميع المتقدمة (AGGREGATE) لحساب المتوسط والانحراف المعياري وتخزينهما تلقائياً كمتغيرات مدمجة في ملف البيانات ثم اشتقاق معامل الاختلاف برمجياً عبر الكود التالي:

AGGREGATE
/OUTFILE=* MODE=ADDVARIABLES
/Mean_Var = MEAN(Target_Variable)
/SD_Var = SD(Target_Variable).
COMPUTE CV_Var = (SD_Var / Mean_Var) * 100.
EXECUTE.

يوفر هذا الكود البرمجي أقصى درجات المرونة؛ حيث يولد عموداً إحصائياً جديداً يحتوي على قيمة معامل الاختلاف المحدثة تلقائياً والمرتبطة بنيوياً بأي تحديث يطرأ على سجلات الحالات في ملف البيانات.

10. تطبيقات عملية لمعامل الاختلاف في البحوث النفسية والتربوية

10.1 دراسة زمن الرجع وسرعة المعالجة الإدراكية

تُعد أبحاث الانتباه وزمن الرجع وسرعة المعالجة العصبية-المعرفية من أخصب الميادين التطبيقية لمعامل الاختلاف. في دراسات المقارنة بين الأطفال ذوي اضطراب فرط الحركة وتشتت الانتباه (ADHD) وأقرانهم العاديين، يُلاحظ دائماً أن الأطفال ذوي الاضطراب يحققون أزمنة استجابة أبطأ (متوسط زمني أعلى)، وتشتتاً واسعاً (انحراف معياري أعلى).

عند الاكتفاء بالانحراف المعياري، يظل من غير الواضح ما إذا كان التشتت العالي لدى مجموعة ذوي الاضطراب ناتجاً ببساطة عن بطء استجابتهم العامة، أم أنه يعكس خللاً حقيقياً في ضبط الانتباه اللحظي. من خلال حساب معامل الاختلاف لكل فرد عبر مئات المحاولات التجريبية، يتم تحييد أثر البطء العام تماماً، مما يتيح قياس ما يُعرف بـ التباين داخل الفرد (Intra-individual Variability – IIV).

أثبتت نتائج الدراسات التجريبية أن معامل الاختلاف لزمن الرجع يظل مرتفعاً بشكل دال إحصائياً لدى المصابين حتى بعد ضبط المتوسط، مما يجعله علامة بيولوجية وسلوكية بالغة الأهمية تكشف عن لحظات “انهيار الانتباه” العابرة بدقة لا يستطيع الانحراف المعياري وحده رصدها أو إثباتها.

10.2 تقييم تباين مقاييس القلق والاكتئاب والسمات الشخصية

في مجال القياس السيكومتري المقارن، كثيراً ما يواجه الباحثون مواقف تتطلب المقارنة بين درجات أبعاد شخصية مقاسة بأدوات متباينة الطول والتدريج؛ كالمقارنة بين مقياس بيك للاكتئاب (BDI-II) ومقياس سبيلبرجر لقلق الحالة والسمة (STAI). نظراً لاختلاف عدد الفقرات والمدى الكلي للدرجات بين المقياسين، يصبح مستحيلاً الحكم على أيهما أكثر تشتتاً وتفاوتاً في عينة الدراسة بالاعتماد على الانحرافات المعيارية المطلقة.

يسمح حساب معامل الاختلاف لكل مقياس بتحويل التشتت إلى نسبة موحدة، مما يكشف بدقة عما إذا كانت العينة تظهر تبايناً أوسع في أعراض القلق مقارنة بأعراض الاكتئاب، وهو ما يسهم في توجيه البرامج الإرشادية والعلاجية نحو الاضطراب الأكثر تشتتاً وعدم تجانس بين أفراد المجتمع المستهدف.

بالإضافة إلى ذلك، يُستخدم معامل الاختلاف في فحص اتساق تقديرات المحكمين عند تقييم استمارات الملاحظة السلوكية أو تقييم كفاءة المعلمين والمدربين، حيث يدل انخفاض معامل الاختلاف بين تقييمات الخبراء المستقلين على موثوقية عالية وثبات محكم لأدوات القياس المستخدمة وموضوعيتها التامة.

11. المحاذير الإحصائية والأخطاء الشائعة عند تطبيق معامل الاختلاف

11.1 مشكلة المتوسطات القريبة من الصفر والمتغيرات السالبة

على الرغم من الفوائد المنهجية الكبرى لمعامل الاختلاف، فإن تطبيقه يكتنفه محذوران رياضيان رئيسيان يجب على كل باحث إدراكهما لتفادي الوقوع في استنتاجات مضللة تماماً:

• المتوسطات المقاربة للصفر (Near-Zero Means): عندما يقترب المتوسط الحسابي لمتغير ما من الصفر، فإن قسمة الانحراف المعياري على هذا الرقم الضئيل جداً تؤدي إلى ظاهرة تُعرف في التحليل العددي بـ “الانفجار الحسابي” (Mathematical Explosion)، حيث يقفز معامل الاختلاف إلى قيم فلكية وغير واقعية تقترب من اللانهاية دون أن يعكس ذلك أي تشتت حقيقي في الظاهرة.
• المتغيرات ذات القيم السالبة: إذا كانت البيانات تشتمل على أرقام سالبة أو متوسطات حسابية سالبة (مثل درجات التغير في مقاييس الأداء أو درجات المؤشرات الاقتصادية)، فإن معامل الاختلاف يفقد معناه الفيزيائي والتفسيري؛ حيث ينتج قيماً سالبة ليس لها أي مدلول منطقي في قياس التشتت.

في مثل هذه الحالات، يجب الامتناع نهائياً عن استخدام معامل الاختلاف الكلاسيكي، واللجوء بدلاً من ذلك إلى مقاييس التشتت المطلقة، أو استخدام مقاييس نسبية معدلة تستند إلى الفروق المطلقة للوسيط (MAD) أو تحويل البيانات جبرياً بإضافة ثوابت مناسبة شريطة وجود مبرر منهجي سليم.

11.2 أخطاء الخلط بين التشتت المطلق والنسبي في تفسير النتائج

من الأخطاء التحليلية الشائعة التي يقع فيها بعض الباحثين هو تفسير التغير في معامل الاختلاف بمعزل عن فهم ديناميكية العلاقة بين البسط والمقام. فعلى سبيل المثال، قد ينخفض معامل الاختلاف لمتغير ما بعد تطبيق برنامج تدريبي معين، ليس بسبب انخفاض التشتت الفعلي بين المتدربين (الانحراف المعياري)، بل لمجرد أن المتوسط الحسابي العام للمجموعة قد ارتفع بشكل هائل، مما أدى رياضياً إلى تصغير قيمة الكسر الإجمالي.

لتجنب هذا الخلط التفسيري، يجب على الباحث دائماً قراءة معامل الاختلاف في سياق متكامل يجمع بين: المتوسط الحسابي، والانحراف المعياري، وحجم العينة، وشكل التوزيع التكراري. لا يجوز أبداً اتخاذ قرارات حاسمة بشأن تجانس البيانات بالاعتماد الحصري على معامل الاختلاف دون فحص مخططات الصندوق والتأكد من خلو البيانات من الالتواءات الحادة أو القيم الشاذة التي قد تضلل المعامل النسبي.

كذلك يجب الحذر من المقارنة المباشرة لمعاملات الاختلاف بين دراسات مختلفة تتبنى أحجام عينات شديدة التفاوت، دون تطبيق معادلة تصحيح التحيز للعينات الصغيرة، مع مراعاة أثر خطأ المعاينة المعياري على موثوقية التقديرات الإحصائية.

12. توثيق وكتابة نتائج معامل الاختلاف وفق دليل APA 7th

12.1 الصياغة النصية والجداول التلخيصية وفق دليل النشر الأكاديمي

يفرض دليل النشر الأكاديمي الصادر عن جمعية علم النفس الأمريكية في طبعته السابعة (APA 7th Edition) قواعد دقيقة لتوثيق المؤشرات الإحصائية الوصفية والنسبية في متن البحث وجداوله لضمان الوضوح والشفافية. عند الإبلاغ عن معامل الاختلاف، يُرمز له بالرمز المائل (CV) ويكتب كنسبة مئوية أو ككسر عشري مع الالتزام التام بالاتساق عبر كامل المخطوطة البحثية.

يجب أن يتضمن التقرير الإحصائي الكامل كلاً من: المتوسط الحسابي (M)، والانحراف المعياري (SD)، وقيمة معامل الاختلاف (CV)، إلى جانب حجم العينة (N أو n). وفي حال تضمين فترات الثقة، يتم توثيقها بالصيغة: 95% CI [LL, UL].

عند بناء الجداول الإحصائية المقارنة وفق معايير APA 7th، تُحذف الخطوط الرأسية بالكامل، ويُكتفى بالخطوط الأفقية الثلاثة الرئيسية (أعلى الجدول، وأسفل رؤوس الأعمدة، وأسفل الجدول)، مع إدراج عمود مخصص لمعامل الاختلاف بجانب الانحراف المعياري، وإضافة حاشية سفلية تشرح الاختصارات والمسميات الإجرائية المستخدمة.

12.2 نماذج عملية مكتوبة لتقارير النتائج الإحصائية

فيما يلي نماذج تطبيقية لصياغة نتائج معامل الاختلاف في الأبحاث النفسية والتربوية وفق أعلى المعايير الأكاديمية المعتمدة:

نموذج 1: تقرير مقارنة بين مجموعتين تجريبية وضابطة في زمن الرجع:
“أظهرت نتائج التحليل الإحصائي الوصفي لزمن الرجع في مهمة الانتباه المستمر أن المجموعة الضابطة حققت متوسط استجابة بلغ (M = 345.20 ms, SD = 41.30 ms)، مع معامل اختلاف نسبي منخفض (CV = 11.96%). في المقابل، سجلت مجموعة الأطفال ذوي اضطراب فرط الحركة وتشتت الانتباه متوسط استجابة بلغ (M = 512.80 ms, SD = 148.60 ms)، مصحوباً بمعامل اختلاف نسبي مرتفع (CV = 28.98%). تشير هذه النتائج بوضوح إلى أن مجموعة الاضطراب لم تكن فقط أبطأ في سرعة المعالجة الإدراكية، بل أظهرت أيضاً تبايناً وتشتتاً داخلياً واسعاً في استقرار الأداء المعرفي يتجاوز ضعف التشتت النسبي المسجل لدى أقرانهم في المجموعة الضابطة.”

نموذج 2: تقرير فحص تجانس أبعاد مقياس سيكومتري:
“تم حساب معاملات الاختلاف المتمركزة حول المتوسط لتقييم تجانس استجابات العينة (N = 250) عبر أبعاد مقياس الاحتراق النفسي. أظهرت النتائج تبايناً متفاوتاً في التشتت النسبي بين الأبعاد؛ حيث سجل بُعد الإجهاد الانفعالي أعلى مستويات التجانس (M = 38.40, SD = 4.60, CV = 11.98%)، تلاه بُعد تبلد المشاعر (M = 22.10, SD = 3.98, CV = 18.01%)، بينما أظهر بُعد نقص الشعور بالإنجاز الشخصي تشتتاً نسبياً أعلى (M = 18.50, SD = 5.20, CV = 28.11%). تعكس هذه المؤشرات دقة مقبولة في أدوات القياس مع تفاوت نسبي يبرر إجراء مزيد من التحليلات العاملية التوكيدية.”

خاتمة

يمثل معامل الاختلاف (CV) أداة إحصائية وتحليلية لا غنى عنها في ترسانة الباحث العلمي، لما يوفره من قدرة فائقة على تجريد التشتت من قيود وحدات القياس وتجاوز الانحيازات الناتجة عن تباين المتوسطات الحسابية. وعلى الرغم من أن برنامج SPSS لا يتيح خياراً مباشراً لمعامل الاختلاف ضمن الإحصاءات الوصفية الافتراضية، فإن استثمار إجراء إحصاءات النسبة (Ratio Statistics) من خلال حيلة العمود المحايد، أو توظيف شفرات الـ Syntax، يمنح الباحثين طريقة دقيقة وعالية المرونة لحساب هذا المؤشر الحيوي بكفاءة واحترافية مطلقة.

يتطلب التطبيق الرصين لمعامل الاختلاف فهماً عميقاً لأسسه الرياضية وشروطه المنهجية، وعلى رأسها ضرورة توفر مقياس النسبة ذي الصفر المطلق، والتحقق الصارم من اعتدالية البيانات وخلوها من القيم المتطرفة والمتوسطات القريبة من الصفر. ومن خلال الدمج المتوازن بين التحليل الوصفي المطلق والنسبي، وتوثيق النتائج وفق المعايير الأكاديمية العالمية كدليل APA 7th، يرتقي الباحث بجودة أطروحته وأبحاثه المنشورة إلى أعلى مراتب الدقة والموثوقية العلمية.

المراجع

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Haldane, J. B. S. (1955). The measurement of variation. Evolution, 9(4), 484–484. https://doi.org/10.2307/2405485
• IBM Corporation. (2021). IBM SPSS Statistics 28 Core System User’s Guide. IBM Corp. https://www.ibm.com/docs/en/spss-statistics
• Sokal, R. R., & Rohlf, F. J. (1995). Biometry: The principles and practice of statistics in biological research (3rd ed.). W. H. Freeman and Company.
• Tamm, L., Narad, M. E., Antonini, T. N., O’Brien, K. M., Hawk, L. W., & Epstein, J. N. (2012). Reaction time variability in ADHD: A review. Neurotherapeutics, 9(3), 500–508. https://doi.org/10.1007/s13311-012-0138-5