كيفية حساب المدى الربيعي في R (مع أمثلة)

تُعد معالجة البيانات الإحصائية وفهم تشتتها الركيزة الأساسية التي يقوم عليها الاستدلال العلمي الرصين في سائر حقول المعرفة، ولا سيما في العلوم السلوكية والنفسية والطبية الحيوية. فبينما يميل كثير من الباحثين المبتدئين إلى الاكتفاء بمقاييس النزعة المركزية مثل المتوسط الحسابي، ومقاييس التشتت التقليدية كالانحراف المعياري، فإن الطبيعة المعقدة للبيانات الواقعية—التي غالباً ما تعاني من الالتواء وتشتمل على قيم شاذة ومتطرفة—تفرض اللجوء إلى مقاييس أكثر متانة ومقاومة للتشوه الإحصائي. وهنا يبرز المدى الربيعي (Interquartile Range – IQR) كأحد أقوى وأهم الأدوات غير المعلمية القادرة على تقديم توصيف دقيق للمنطقة المركزية الأكثر استقراراً في التوزيع العددي.

في بيئة التحليل الإحصائي الحديثة، تحتل لغة R الإحصائية مكانة الصدارة كأقوى منصة مفتوحة المصدر لمعالجة البيانات وتحليلها ونمذجتها. إن حساب المدى الربيعي داخل لغة R لا يقتصر على مجرد تطبيق دالة برمجية بسيطة، بل يتجاوز ذلك إلى فهم الخوارزميات الرياضية التسع المعتمدة داخل البيئة لحساب الرتب والمئينات، وكيفية التعامل المنهجي مع البيانات المفقودة، وتطبيق التحليلات المقارنة بين المجموعات التجريبية والضابطة، فضلاً عن استثمار هذا المقياس في تنقية العينات والكشف الدقيق عن القيم المتطرفة.

يهدف هذا الدليل الشامل والمفصل إلى تزويد الباحثين، وعلماء البيانات، وطلبة الدراسات العليا بفهم نظري معمق وتطبيق عملي متكامل لكيفية حساب وتفسير وتمثيل المدى الربيعي باستخدام لغة R. سنستعرض الرحلة بدءاً من الجذور الرياضية الكامنة وراء المقياس، مروراً بكافة تقنيات البرمجة المتقدمة باستخدام حزم R الأساسية وحزمة Tidyverse، ووصولاً إلى صياغة النتائج الإحصائية وتوثيقها وفق أعلى المعايير الأكاديمية الدولية المتبعة في جمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة إلى المدى الربيعي (IQR) وأهميته الإحصائية

1.1 المفهوم النظري للمدى الربيعي وموقعه في الإحصاء الوصفي

يُعرَّف المدى الربيعي (Interquartile Range) إحصائياً بأنه مقياس كمي للتشتت يقيس المسافة العددية التي يمتد عبرها النصف الأوسط (أي 50% المركزية) من المشاهدات في توزيع تكراري معين. ويتحقق هذا المقياس من خلال حساب الفرق الرياضي المباشر بين الربيع الثالث (المئين 75) والربيع الأول (المئين 25). يكتسب المدى الربيعي مكانته العلمية كأحد أهم مقاييس التشتت غير المعلمية (Non-parametric Dispersion Measures)، وهي المقاييس التي لا تشترط مطابقة البيانات للتوزيع الطبيعي الاعتدالي (Gaussian Distribution)، مما يجعله صالحاً للتطبيق على طيف واسع من البيانات الواقعية المعقدة.

في إطار الإحصاء الوصفي، يحتل المدى الربيعي موقعاً تكاملياً محورياً بجوار الوسيط (Median)؛ فإذا كان الوسيط يمثل نقطة الارتكاز المركزية التي تقسم المجتمع أو العينة إلى نصفين متساويين بنسبة 50% لكل منهما، فإن المدى الربيعي يمثل مقياس التشتت المرافق للوسيط، تماماً كما يرافق الانحراف المعياري المتوسط الحسابي في التوزيعات المعلمية. تتجلى القيمة العلمية القصوى للمدى الربيعي عند التعامل مع التوزيعات الملتوية التواءً موجباً أو سالباً، حيث يفقد الانحراف المعياري دقته الإحصائية بسبب حساسيته الفائقة لذيول التوزيع الطويلة، بينما يظل المدى الربيعي ثابتاً وممثلاً حقيقياً لتباين الكتلة الصلبة من أفراد العينة.

إن التركيز الحصري على النصف الأوسط للبيانات يعزل تلقائياً الـ 25% الأدنى من المشاهدات والـ 25% الأعلى، وهي المناطق التي عادة ما تتركز فيها الضوضاء التجريبية والأخطاء القياسية والظواهر النادرة. هذا الاستبعاد المنطقي يمنح الباحثين رؤية واضحة ومجردة لطبيعة التغير الحقيقي داخل العينة دون تشويش ناتج عن أطراف التوزيع المتناثرة، مما يجعله حجر الزاوية في بناء التقارير الإحصائية الوصفية الرصينة للبيانات الاستكشافية.

1.2 الفرق الجوهري بين المدى المطلق والمدى الربيعي

يتمثل المدى العام أو المطلق (Range) في أبسط صورة من صور قياس التشتت، حيث يُحسب عبر طرح أدنى قيمة في مجموعة البيانات من أعلى قيمة فيها (القيمة العظمى – القيمة الدنيا). ورغم سهولة حسابه وبداهة تفسيره، إلا أن المدى المطلق يعاني من عيب إحصائي قاتل يتمثل في اعتماده الكامل والحصري على نقطتين اثنتين فقط من مجموع المشاهدات، وهما تحديداً القيمتان الأكثر عرضة للتطرف والخطأ القياسي في أي دراسة علمية.

إن وجود مشاهدة واحدة شاذة ناتجة عن خطأ إدخال أو حالة مرضية نادرة كفيل بمضاعفة المدى العام للبيانات عدة مرات، مما يعطي انطباعاً زائفاً ومضللاً بأن المجتمع المدروس يتسم بتشتت هائل، بينما في الحقيقة تكون الغالبية الساحقة من العينة متمركزة في نطاق ضيق ومتقارب. في المقابل، يتجاوز المدى الربيعي هذه المعضلة البنيوية من خلال تجاهل القيمتين القصويين والتركيز الدقيق على الفجوة الواقعة بين المئين 25 والمئين 75، مما يجعل مقياس التشتت هذا محصناً تماماً ضد ما يصل إلى 25% من التلوث بالقيم المتطرفة في كل طرف من طرفي التوزيع.

توضح المقارنات الرياضية والتجريبية أن المدى الربيعي يتمتع بخاصية الاستقرار الإحصائي (Statistical Stability) عبر العينات المتكررة المسحوبة من نفس المجتمع، بينما يتذبذب المدى التقليدي تذبذباً حاداً من عينة لأخرى كلما تغيرت القيم القصوى. ومن ثم، فإن المدى الربيعي يوفر أساساً متيناً للمقارنة المعيارية بين المجموعات المختلفة، خاصة في الدراسات التي يصعب فيها ضمان خلو أدوات القياس من الشوائب والتقلبات العشوائية.

1.3 تطبيقات المدى الربيعي في الأبحاث السلوكية والنفسية

تتميز البيانات المستخلصة من الأبحاث السلوكية والنفسية بطبيعتها الرتبية أو الفئوية غير المتصلة اتصالاً حقيقياً في كثير من الأحيان، وتحديداً تلك المستندة إلى مقاييس ليكرت (Likert Scales) أو استبيانات التقرير الذاتي (Self-report Questionnaires). في مثل هذه السياقات، لا تتبع درجات القلق، أو الاكتئاب، أو الرضا الوظيفي توزيعاً اعتدالياً منتظماً، بل تظهر أنماطاً واضحة من السقوف والأرضيات (Ceiling and Floor Effects)، مما يجعل استخدام المتوسط الحسابي والانحراف المعياري أمراً غير سليم منهجياً، ويفرض اعتماد الوسيط والمدى الربيعي كمؤشرات وصفية قياسية.

يمتد تطبيق المدى الربيعي بعمق إلى تجارب القياس النفسي العصبي ودراسات الإدراك الحسي التي تعتمد على قياس أزمنة الاستجابة السلوكية (Reaction Times) بالميللي ثانية. إن تجارب زمن الرجع غالباً ما تحتوي على قيم شاذة جداً ناجمة عن شرود الذهن اللحظي للمشارك، أو العطس، أو الضغط غير المقصود على أزرار الاستجابة. يؤدي احتساب المدى الربيعي في هذه التجارب إلى تقييم التشتت الحقيقي في سرعة المعالجة المعرفية دون التأثر بتلك الهفوات الإجرائية العابرة.

علاوة على ذلك، يلعب المدى الربيعي دوراً محورياً في تقييم الفروق الفردية في السمات المعرفية الحساسة مثل سعة الذاكرة العاملة والمرونة الذهنية. يتيح المدى الربيعي لعلماء النفس مقارنة استقرار الأداء المعرفي بين الفئات الإكلينيكية (مثل مرضى اضطراب فرط الحركة وتشتت الانتباه أو الخرف المبكر) والمجموعات الضابطة من الأصحاء، حيث تكشف زيادة المدى الربيعي لدى الفئات الإكلينيكية عن تباين داخلي عميق في الكفاءة السلوكية حتى لو تساوت المجموعتان ظاهرياً في الحدود القصوى أو المتوسطات العامة.

2. الرياضيات الكامنة وراء حساب المدى الربيعي (IQR = Q3 – Q1)

2.1 تعريف الربيعيات وكيفية تقسيم التوزيع البياني

تقوم فكرة الربيعيات (Quartiles) على مفهوم التجزئة المتساوية للمشاهدات المرتبة؛ حيث تُقسم مجموعة البيانات بعد ترتيبها ترتيباً تصاعدياً إلى أربعة أجزاء متكافئة الحجم، يضم كل جزء منها 25% من إجمالي عدد البيانات. ويتم ذلك بالاعتماد على ثلاث نقاط قطع رياضية تُعرف بالربيع الأول، والربيع الثاني، والربيع الثالث:

• الربيع الأول (First Quartile – Q1): ويُعرف أيضاً بالمئين الخامس والعشرين (25th Percentile). يمثل القيمة العددية التي يقع تحتها ربع المشاهدات (25%) تماماً، بينما تقع فوقها الـ 75% المتبقية من المشاهدات.
• الربيع الثاني (Second Quartile – Q2): ويُعرف بالوسيط (Median) أو المئين الخمسين (50th Percentile). يمثل نقطة المنتصف التامة للتوزيع، حيث يقسم البيانات إلى نصف أدنى ونصف أعلى متساويين تماماً في العدد.
• الربيع الثالث (Third Quartile – Q3): ويُعرف بالمئين الخامس والسبعين (75th Percentile). يمثل القيمة العددية التي يقع تحتها ثلاثة أرباع المشاهدات (75%)، بينما تقع فوقها الـ 25% العليا ذات الدرجات المرتفعة.

إن تحديد مواضع هذه الربيعيات يتطلب في الأساس ترتيب المشاهدات تصاعدياً من الأصغر إلى الأكبر، ثم استخدام معادلات الرتب لحساب الموقع النسبي لكل ربيع داخل السلسلة التوزيعية، وهو ما يمهد للعملية الحسابية المباشرة لطرح الربيعين الأول والثالث وتوليد المدى الربيعي.

2.2 الصيغة الرياضية للعملية الحسابية وتطبيقاتها

تتسم المعادلة الرياضية للمدى الربيعي بالبساطة والأناقة المنهجية، وتُكتب صراحة كما يلي:

IQR = Q3 – Q1

لحساب المدى الربيعي يدوياً عبر الخطوات الإجرائية المعيارية، نتبع الخوارزمية التالية:

• ترتيب مجموعة البيانات المكونة من n من المشاهدات تصاعدياً: x_1 ≤ x_2 ≤ … ≤ x_n.
• تحديد موقع الوسيط (Q2) وتقسيم البيانات إلى نصفين: نصف سفلي ونصف علوي.
• حساب الوسيط للنصف السفلي من البيانات لتحديد قيمة الربيع الأول (Q1).
• حساب الوسيط للنصف العلوي من البيانات لتحديد قيمة الربيع الثالث (Q3).
• تطبيق الطرح المباشر بطرح قيمة Q1 من قيمة Q3 للحصول على IQR.

لنفترض أن لدينا عينة درجات اختبار نفسي لـ 9 أفراد مرتبة تصاعدياً كالتالي: (12، 14، 15، 18، 19، 21، 23، 25، 28). الوسيط هنا هو القيمة الخامسة (19). النصف السفلي للبيانات هو (12، 14، 15، 18)، ومتوسط القيمتين المركزيتين (14 و 15) يعطي Q1 = 14.5. النصف العلوي للبيانات هو (21، 23، 25، 28)، ومتوسط القيمتين المركزيتين (23 و 25) يعطي Q3 = 24. بناءً على المعادلة: IQR = 24 – 14.5 = 9.5. يوضح هذا المنطق الرياضي الصارم الأساس الحسابي الذي تتبعه لغات البرمجة كبيئة R، مع وجود تنويعات خوارزمية دقيقة في معالجة نقاط الاستيفاء سيتم تفصيلها لاحقاً.

2.3 مقارنة المدى الربيعي بالانحراف المعياري ومقاومة التشوه الإحصائي

يعتمد الانحراف المعياري (Standard Deviation) في جوهره على حساب فروق كل نقطة بيانية عن المتوسط الحسابي، ثم تربيع تلك الفروق وتجميعها. هذه العملية الرياضية تجعل الانحراف المعياري شديد الحساسية والانجذاب نحو القيم المتطرفة، نظراً لأن عملية التربيع تُضخم أثر الفروق الكبيرة بشكل أسّي. ونتيجة لذلك، إذا احتوت عينة قوامها 100 مشارك على قيمة متطرفة وحيدة شديدة الارتفاع، فإن المتوسط الحسابي والانحراف المعياري سيرتفعان بشكل مصطنع، مما يقدم وصفاً غير دقيق لتشتت العينة الحقيقي.

في المقابل، يتمتع المدى الربيعي بخاصية تُعرف في نظرية الإحصاء باسم الصمود الإحصائي (Robustness). يتم قياس صمود المقياس عبر ما يُسمى “نقطة الانهيار” (Breakdown Point). تبلغ نقطة انهيار المدى الربيعي 25%، مما يعني أن ربع البيانات في الطرف الأدنى أو ربع البيانات في الطرف الأعلى يمكن أن يتغير إلى أرقام لانهائية أو ملوثة بالكامل دون أن يؤثر ذلك مطلقاً على القيمة المحسوبة للمدى الربيعي، في حين أن نقطة انهيار الانحراف المعياري هي 0%، حيث تكفي مشاهدة ملوثة واحدة لتدمير دقته بالكامل.

يوصي المنهج الإحصائي الأكاديمي الصارم بالاعتماد على الوسيط والمدى الربيعي في صياغة التقارير الإحصائية في الحالات التالية: عند ثبوت عدم اعتدالية البيانات عبر اختبارات التوزيع الطبيعي كاختبار شابيرو-ويلك (Shapiro-Wilk Test)، أو عند وجود التواء ملحوظ يزيد معامله عن ±1، أو في حال وجود قيم متطرفة مبررة تجريبياً لا يمكن حذفها من التحليل دون الإخلال بتمثيل مجتمع الدراسة.

3. نظرة عامة على بيئة R ودالة IQR() المدمجة

3.1 بنية دالة IQR() في لغة R ومعاملاتها الأساسية

توفر لغة R الإحصائية دالة مدمجة ومحسنة افتراضياً ضمن حزمة الأساس (base package) لحساب المدى الربيعي مباشرة تحت اسم IQR(). تتميز هذه الدالة بالبساطة في الاستدعاء والدقة في المعالجة الرياضية. تأتي الصيغة التركيبية العامة للدالة على النحو التالي:

IQR(x, na.rm = FALSE, type = 7)

تتضمن الدالة ثلاثة معاملات رئيسية تتحكم في مجريات المعالجة الإحصائية:

• المعامل x: يمثل المتجه العددي (Numeric Vector) الذي يحتوي على قيم المتغير المطلوب قياس تشتته الربيعي. يجب أن يكون هذا المتجه رقمياً بالكامل (Integer أو Double).
• المعامل na.rm: متغير منطقي (Logical: TRUE أو FALSE). يحدد ما إذا كان ينبغي إزالة وتجاهل القيم المفقودة (NA) قبل إجراء عملية الحساب. القيمة الافتراضية هي FALSE، مما يعني أن وجود أي قيمة مفقودة سيؤدي إلى إرجاع NA.
• المعامل type: عدد صحيح يتراوح بين 1 و 9. يحدد الخوارزمية الرياضية المحددة المتبعة في استيفاء المئينات وحساب الربيعيات، حيث تعتمد لغة R الخوارزمية Type 7 كإعداد افتراضي قياسي يتوافق مع بيئات S-PLUS.

3.2 إعداد بيئة R وتجهيز جلسة العمل

لضمان تدفق تحليلي سلس وقابل للتكرار (Reproducible Workflow)، يبدأ الباحث بتشغيل بيئة التطوير المتكاملة RStudio والتحقق من إصدار R المثبت. يُفضل دوماً إنشاء مشروع برمجي جديد (R Project) وتحديد دليل العمل (Working Directory) لضمان حفظ الأكواد ومجموعات البيانات والرسوم البيانية في مسار تنظيمي محدد ومعزول.

رغم أن دالة IQR() متاحة بشكل مدمج دون الحاجة لتثبيت أي حزم إضافية، إلا أن الممارسات التحليلية الحديثة تتطلب استدعاء المنظومة الشاملة لمعالجة وتلخيص البيانات، وعلى رأسها حزمة tidyverse، وتحديداً حزمتي dplyr للتلاعب بالجداول و ggplot2 لإنشاء الرسوم البيانية الإحصائية المتقدمة. يمكن تهيئة بيئة العمل باستدعاء المكتبات البرمجية عبر الأوامر التالية:

install.packages("tidyverse")

library(tidyverse)

إن إعداد الجلسة بهذه الطريقة يهيئ الذاكرة لاستيعاب التحليلات المعقدة، ويضمن توافقية الأوامر المستخدمة مع أحدث معايير البرمجة الإحصائية في R.

3.3 التحقق من بنية البيانات ونوع المتغيرات قبل الحساب

تعتمد دقة الحسابات الإحصائية في R على نوع البيانات المدخلة في المتجه. قبل تطبيق دالة IQR()، يتعين على الباحث التحقق الصارم من أن المتغير خاضع للتصنيف الرقمي وليس مصنفاً كنص (Character) أو كعامل فئوي (Factor)، وهي مشكلة شائعة تحدث عند استيراد البيانات من ملفات CSV أو Excel الخارجية.

يتم التحقق من نوع البيانات عبر استخدام دوال الفحص الأساسية مثل:

• is.numeric(data$variable): تُرجع قيمة منطقية TRUE إذا كان العمود رقمياً صالحاً للحساب.
• class(data$variable): توضح النوع البنيوي للمتغير.
• str(data): تقدم كشفاً هيكلياً شاملاً لأبعاد الجدول وأنواع كافة الأعمدة بداخله ومقتطفات من القيم الأولى.

إذا تبين أن المتغير مخزن كعامل أو نص بسبب وجود علامات أو مسافات، يلزم تحويله صراحة إلى متغير رقمي عبر دالة as.numeric(as.character(data$variable)) لضمان استقرار التحليل ومنع ظهور الأخطاء البرمجية التوقفية أثناء التنفيذ.

4. حساب المدى الربيعي لمتجه عددي بسيط في R

4.1 إنشاء المتجه وتطبيق الدالة الحسابية

لتطبيق حساب المدى الربيعي على مستوى المتجهات الفردية، سنقوم بإنشاء متجه عددي افتراضي يمثل درجات مجموعة من 15 مشاركاً في مقياس تقييم المرونة النفسية. يتم تعريف المتجه العددي في R باستخدام دالة الجمع والربط c() ثم تمرير المتجه الناتج مباشرة إلى دالة IQR() كما يتضح في الكود الإحصائي التالي:

resilience_scores <- c(45, 52, 54, 58, 60, 61, 62, 65, 68, 70, 72, 75, 78, 82, 88)

iqr_result <- IQR(resilience_scores)

print(iqr_result)

عند تنفيذ هذه الأسطر البرمجية داخل كونسول R، ستقوم الدالة بترتيب القيم داخلياً، واحتساب قيمة الربيع الأول وقيمة الربيع الثالث بناءً على الخوارزمية الافتراضية، ثم طباعة الناتج الذي يمثل المدى الربيعي لتلك الدرجات، وهو في هذا المثال المحدد: 15.5. يُظهر هذا التطبيق المباشر السهولة البالغة التي تتيحها بيئة R في استخراج المؤشرات الإحصائية بدقة متناهية دون الحاجة إلى كتابة خوارزميات ترتيب يدوية معقدة.

4.2 التحقق من مكونات الربيعيات عبر دالة quantile()

لتعميق الفهم الإحصائي والتأكد من كيفية توليد لغة R لنتيجة المدى الربيعي، يمكن للباحث استخراج الربيعيات الفردية بشكل منفصل باستخدام دالة المئينات الشاملة quantile(). تسمح هذه الدالة بتحديد أي مئين مطلوب عبر تمرير المعامل probs كمتجه احتمالي يتراوح بين 0 و 1:

quantiles_val <- quantile(resilience_scores, probs = c(0.25, 0.75))

print(quantiles_val)

ستُظهر المخرجات أن المئين 25 (Q1) يساوي 59، والمئين 75 (Q3) يساوي 74.5. وعند إجراء الطرح المباشر:

manual_iqr <- quantiles_val[2] - quantiles_val[1]

print(manual_iqr)

نحصل بدقة على القيمة 15.5، وهو ما يتطابق تماماً مع مخرجات دالة IQR(resilience_scores). علاوة على ذلك، يمكن استدعاء دالة fivenum(resilience_scores) أو دالة summary(resilience_scores) للحصول على “الملخص الخماسي” للبيانات (Five-number summary) الذي يشتمل على: القيمة الصغرى، الربيع الأول، الوسيط، الربيع الثالث، والقيمة العظمى في مصفوفة واحدة متكاملة تعطي رؤية بانورامية لشكل التوزيع.

4.3 التفسير الأكاديمي للنتيجة المستخرجة

إن استخراج القيمة الرقمية للمدى الربيعي يمثل الخطوة الأولى فقط في المنهج العلمي؛ إذ تكمن القيمة الحقيقية في الصياغة الأكاديمية والتفسير السيكومتري الدقيق لهذه النتيجة في سياق العينة المدروسة. في المثال السابق، يُفسر المدى الربيعي البالغ 15.5 نقطة على أنه: “المجال العددي الذي تتفاوت ضمنه درجات النصف الأوسط (50% المركزية) من أفراد العينة على مقياس المرونة النفسية”.

يُشير هذا التفسير إلى أن 50% من المشاركين يقعون في النطاق الواقع بين الدرجة 59 (Q1) والدرجة 74.5 (Q3). كلما صغرت قيمة المدى الربيعي مقارنة بالمدى الكلي للمقياس، دلّ ذلك على تجانس كبير واستقرار نفسي مرتفع في استجابات الفئة المركزية، بينما تدل القيمة المرتفعة للمدى الربيعي على تشتت واسع وتنوع كبير في الاستجابات حتى داخل الكتلة الوسطى المستبعد منها الأطراف الشاذة.

وعند توثيق هذه النتيجة في تقرير بحثي، يجب ربطها بالوسيط الحسابي للعينة؛ فإذا كان الوسيط في هذه العينة هو 65، فإننا نكتب: “أظهرت العينة مستوى متوسطاً من المرونة النفسية بوسطي قدره 65، وبمدى ربيعي قدره 15.5 (من 59.0 إلى 74.5)، مما يعكس تفاوتاً معتدلاً بين المشاركين في مستويات المرونة السلوكية”.

5. معالجة القيم المفقودة (Missing Values) أثناء حساب IQR

5.1 تأثير وجود قيم NA على نتائج التحليل في R

تُعد مشكلة البيانات المفقودة (Missing Data) الممثلة برمز NA (Not Available) من أكثر التحديات الواقعية شيوعاً في البحوث الميدانية والتطبيقية. تتبع لغة R فلسفة برمجية وإحصائية صارمة تقتضي الحفاظ على النزاهة العلمية للتحليل؛ لذا، إذا احتوى المتجه المدخل على قيمة مفقودة واحدة فقط، فإن الدالة IQR() ستُرجع تلقائياً القيمة NA كناتج نهائي للحساب.

يعود السبب في هذا السلوك الافتراضي إلى رغبة اللغة في تنبيه الباحث فوراً إلى وجود ثغرات في البيانات بدلاً من تجاهلها بصمت، مما قد يؤدي إلى استنتاجات خاطئة حول الحجم الحقيقي للعينة وتوزيعها. يمكن فحص وجود ومقدار البيانات المفقودة داخل المتجه العددي باستخدام الدوال المنطقية التالية:

sum(is.na(data_vector)) # يعطي عدد القيم المفقودة

mean(is.na(data_vector)) * 100 # يعطي النسبة المئوية للفقد

يساعد هذا الفحص الاستكشافي المبدئي الباحث في تحديد طبيعة الفقد الإحصائي، وما إذا كان عشوائياً تماماً (MCAR) أو عشوائياً مشروطاً (MAR) قبل اتخاذ قرار المعالجة البرمجية المناسبة.

5.2 استخدام المعامل na.rm = TRUE لتجاوز القيم الناقصة

عندما يقرر الباحث منهجياً أن استبعاد القيم المفقودة هو الإجراء السليم ولا يخل بتمثيل العينة، يمكن تجاوز التوقف البرمجي وتوجيه لغة R لحساب المدى الربيعي بناءً على المشاهدات المكتملة والمتاحة فقط، وذلك عبر تفعيل المعامل na.rm = TRUE (أي: NA remove):

raw_scores <- c(22, 25, NA, 28, 30, 32, NA, 35, 40)

clean_iqr <- IQR(raw_scores, na.rm = TRUE)

print(clean_iqr)

في هذا الإجراء، تقوم الدالة داخلياً بإسقاط القيمتين المفقودتين، وحساب الربيعيات على القيم السبع المتبقية بدقة تامة. يجب التنويه إلى ضرورة توخي الحذر عند استخدام هذا المعامل في العينات الصغيرة جداً؛ إذ إن حذف عدة مشاهدات قد يُحدث تغيراً جوهرياً في رتب الربيعيات وقيمها، مما يستوجب توثيق عدد المشاهدات الفعلي الذي تم الحساب بناءً عليه (Effective Sample Size) في الجداول الإحصائية المرفقة بالبحث.

5.3 استراتيجيات التنظيف المسبق والمعالجة المتقدمة

بدلاً من الاعتماد الحصري على المعامل الموضعي na.rm = TRUE داخل كل دالة منفردة، يفضل علماء البيانات اتباع استراتيجيات تنظيف شاملة ومسبقة على مستوى إطار البيانات بالكامل. تتضمن هذه الاستراتيجيات استخدام دوال التصفية المنظمة مثل دالة na.omit() لإنشاء متجهات أو أطر بيانات منقاة كلياً:

complete_vector <- na.omit(raw_scores)

iqr_val <- IQR(complete_vector)

وفي سيناريوهات التحليل الإكلينيكي المتقدم للبيانات الطبية والنفسية حيث يكون فقدان البيانات ناتجاً عن انسحاب المشاركين، يتم تفضيل استخدام أساليب التعويض الإحصائي المتعدد (Multiple Imputation) باستخدام حزم متخصصة مثل حزمة MICE في R. في هذه الحالة، يتم ملء الفراغات ببيانات مقدرة خوارزمياً استناداً إلى ارتباطاتها بالمتغيرات الأخرى، ثم يتم حساب المدى الربيعي عبر النماذج المتعددة المدمجة لضمان عدم فقدان القوة الإحصائية (Statistical Power) للعينة.

6. حساب المدى الربيعي لأعمدة أطر البيانات (Data Frames)

6.1 الوصول إلى المتغيرات الفردية داخل إطار البيانات

في التطبيقات الإحصائية الواقعية، نادراً ما يتعامل الباحث مع متجهات معزولة؛ بل تكون المتغيرات منظمة داخل إطار بيانات (Data Frame) أو جدول بيانات حديث من نوع (Tibble). تتيح لغة R عدة طرق للوصول المباشر إلى أعمدة إطار البيانات وتطبيق دالة IQR() عليها بكفاءة وسلاسة.

الطريقة الأكثر شيوعاً هي استخدام عامل الربط الدولاري $ لتحديد اسم العمود، كما يمكن استخدام فهرسة المصفوفات التقليدية عبر الأقواس المربعة [,]:

# إنشاء إطار بيانات تجريبي

psych_data <- data.frame(id = 1:5, anxiety = c(18, 22, 19, 25, 30), depression = c(10, 15, 12, 18, 24))

# حساب المدى الربيعي لعمود محدد

anxiety_iqr <- IQR(psych_data$anxiety, na.rm = TRUE)

depression_iqr <- IQR(psych_data[, "depression"], na.rm = TRUE)

تضمن هذه الآليات مرونة الوصول إلى أي متغير داخل قواعد البيانات الضخمة، مع إمكانية دمج شروط التصفية والتحقق المسبق من وجود قيم مفقودة على مستوى كل متغير على حدة قبل إجراء الحساب.

6.2 حساب المدى الربيعي لعدة أعمدة باستخدام دوال apply

عندما يحتوي إطار البيانات على عشرات المقاييس والاستبيانات الفرعية، يصبح تطبيق الدالة على كل عمود بشكل يدوي ومنفصل عملية غير فعالة وتستنزف الوقت والجهد. تقدم عائلة دوال apply في R حلاً برمجياً فائق القوة لتكرار العمليات الإحصائية عبر المصفوفات والأعمدة المتعددة دفعة واحدة.

تُعد دالة sapply() ودالة lapply() الخيار الأمثل لتطبيق دالة IQR() على كافة المتغيرات الرقمية في إطار البيانات. ولتجنب الأخطاء البرمجية الناتجة عن وجود أعمدة نصية (مثل معرف المشارك أو الجنس)، يتم أولاً تصفية الأعمدة الرقمية باستخدام دالة التحقق المنطقي:

# تصفية الأعمدة الرقمية وتطبيق دالة المدى الربيعي

numeric_cols <- psych_data[sapply(psych_data, is.numeric)]

all_iqrs <- sapply(numeric_cols, IQR, na.rm = TRUE)

print(all_iqrs)

تُرجع دالة sapply() في هذا السياق متجهاً بيانياً أنيقاً يحمل أسماء المتغيرات وقيم المدى الربيعي المناظرة لكل متغير، مما يوفر تلخيصاً لحظياً شاملاً لكافة أدوات القياس المستخدمة في البحث بضغطة زر واحدة.

6.3 تنسيق مخرجات التحليل في جداول تلخيصية

لإعداد التقارير العلمية والنشر الأكاديمي، يحتاج الباحث إلى دمج قيم المدى الربيعي المستخرجة مع مقاييس النزعة المركزية والتشتت الأخرى داخل إطار بيانات موحد ومنظم يسهل تصديره. يمكن تحويل مخرجات sapply() إلى جدول بيانات منظم عبر الأوامر التالية:

# بناء جدول إحصائي وصفي متكامل

summary_table <- data.frame(
  Variable = names(all_iqrs),
  Median = sapply(numeric_cols, median, na.rm = TRUE),
  IQR = all_iqrs,
  Min = sapply(numeric_cols, min, na.rm = TRUE),
  Max = sapply(numeric_cols, max, na.rm = TRUE)
)
# تصدير الجدول إلى ملف CSV خارجي للنشر
write.csv(summary_table, file = "descriptive_stats_iqr.csv", row.names = FALSE)

يضمن هذا الإجراء تحويل المخرجات الإحصائية الخام إلى جداول متكاملة تشتمل على الوسيط، والمدى الربيعي، والحدود الدنيا والعظمى، وهي البنية المعتمدة عالمياً لعرض الإحصاء الوصفي غير المعلمي في المجلات الأكاديمية المحكمة.

7. حساب المدى الربيعي للمجموعات باستخدام dplyr و tidyverse

7.1 تجميع البيانات وتلخيصها عبر group_by() و summarise()

تُعد منظومة tidyverse وحزمة dplyr المعيار الذهبي الحديث في معالجة البيانات داخل لغة R، حيث تقدم أسلوباً برمجياً غاية في الوضوح والسهولة يعتمد على منطق “الأنابيب التدففية” (Pipes) عبر العامل %>% أو عامل الأنبوب الأصلي في R |>. عند إجراء مقارنات تجريبية، يحتاج الباحث دائماً إلى حساب المدى الربيعي لكل فئة تجريبية أو مجموعة سكانية على حدة.

يتم هذا التحليل من خلال دمج دالتي group_by() لتحديد متغير التصنيف (مثل: مجموعة العلاج، أو الجنس، أو المستوى التعليمي) ودالة summarise() لحساب الإحصاء الوصفي المستهدف لكل مجموعة معزولة:

library(dplyr)
group_summary <- clinical_df %>%
  group_by(treatment_condition) %>%
  summarise(
    n = n(),
    median_score = median(symptom_reduction, na.rm = TRUE),
    iqr_score = IQR(symptom_reduction, na.rm = TRUE)
  )
print(group_summary)

يولد هذا الكود جدولاً تحليلياً فائق التنسيق يعرض عدد أفراد كل مجموعة تجريبية، مع وسيطها ومدى تشتتها الربيعي، مما يتيح إجراء مقارنة بصرية ورقمية فورية بين فعالية التدخلات العلاجية المتنوعة.

7.2 حساب المدى الربيعي لعدة متغيرات مجمعة باستخدام across()

في الدراسات المعقدة التي تشتمل على بطاريات اختبار متعددة الأبعاد (Multidimensional Batteries)، تبرز قوة دالة across() التابعة لحزمة dplyr، حيث تمكن الباحث من تطبيق دالة IQR() على مصفوفة كاملة من المتغيرات عبر المجموعات المصنفة دون تكرار كتابة الأوامر.

يتيح الاقتران بين across() والدوال المساعدة مثل where(is.numeric) إمكانية توجيه العمليات الحسابية تلقائياً لكافة الأعمدة العددية مع الحفاظ على تصنيف المجموعات:

multi_summary <- clinical_df %>%
  group_by(treatment_condition) %>%
  summarise(across(
    where(is.numeric),
    list(med = ~median(.x, na.rm = TRUE), iqr = ~IQR(.x, na.rm = TRUE)),
    .names = "{.col}_{.fn}"
  ))

ينتج عن هذا السطر البرمجي المقتضب جدول إحصائي موسع يشتمل على الوسيط والمدى الربيعي لكافة مقاييس الدراسة (مثل القلق، وجودة النوم، والأداء المعرفي) مصنفة حسب مجموعات التدخل، مع توليد أسماء واضحة ومنظمة للأعمدة الجديدة تعكس اسم المتغير ونوع المقياس الإحصائي المحسوب.

7.3 مقارنة تشتت الفئات التجريبية والضابطة

تكتسب مقارنة المدى الربيعي بين المجموعة التجريبية (Experimental Group) والمجموعة الضابطة (Control Group) أهمية سيكومترية ومنهجية بالغة. في كثير من التدخلات النفسية والسلوكية، لا يقتصر تأثير العلاج على تغيير القيمة المركزية للدرجات (الوسيط)، بل يمتد إلى تقليل التشتت والتباين داخل المجموعة المعالجة.

إذا أظهرت النتائج أن المدى الربيعي لدرجات أعراض القلق لدى المجموعة التجريبية بعد التدخل السلوكي المعرفي قد انخفض إلى (IQR = 4.2) مقارنة بالمجموعة الضابطة التي ظل المدى الربيعي لديها مرتفعاً عند (IQR = 14.8)، فإن هذا يشير إحصائياً إلى أن التدخل العلاجي لم ينجح فقط في خفض وسيط الأعراض، بل أسهم أيضاً في إحداث استقرار وتجانس كبير في الاستجابة العلاجية لكافة أفراد العينة المركزية.

بالإضافة إلى ذلك، تُعد هذه المقارنة الوصفية للمدى الربيعي شرطاً استكشافياً أولياً قبل إجراء الاختبارات الإحصائية الاستدلالية اللامعلمية مثل اختبار مان-ويتني (Mann-Whitney U Test) أو اختبار كروسكال-واليس (Kruskal-Wallis Test)، حيث يساعد تقارب أو تباعد المدى الربيعي بين المجموعات الباحث في تقييم مدى تماثل أشكال التوزيعات (Shape Equivalence)، وهو الافتراض الأساسي لتفسير الفروق بين الرتب كفروق بين الوسطاء.

8. خوارزميات حساب الربيعيات وأنواعها التسعة في R (Type 1-9)

8.1 فهم معامل type في دالتي IQR() و quantile()

من أكثر الجوانب التقنية دقة في لغة R والتي يغفل عنها كثير من الباحثين، هو أن حساب المئينات والربيعيات لا يخضع لصيغة رياضية مطلقة واحدة متفق عليها عالمياً، بل توجد خوارزميات وطرق متعددة لاستيفاء البيانات (Sample Quantile Types) وتقدير الرتب بين النقاط البيانية المنفصلة. تحتوي لغة R على تسع خوارزميات رياضية مختلفة مدمجة داخل دالتي IQR() و quantile()، يُتحكم بها عبر المعامل type = 1:9.

تستند هذه الخوارزميات إلى الورقة العلمية المرجعية التاريخية التي نشرها الإحصائيان Hyndman and Fan (1996)، والتي حللت كافة الطرق المستخدمة في الحزم والبرمجيات الإحصائية لتحديد نقاط القطع المئينية. تنقسم هذه الأنواع التسعة إلى مجموعتين رئيسيتين:

• الأنواع من 1 إلى 3: طرق تجزيئية غير متصلة (Discontinuous Sample Quantiles)، تُستخدم أساساً في الحوسبة الرياضية التقديرية والتوزيعات التجريبية المنفصلة.
• الأنواع من 4 إلى 9: طرق استيفاء خطي مستمرة (Continuous Sample Quantiles)، وتعتمد على ترجيح خطي بين القيم المتجاورة بناءً على مواضع الرتب النسبية.

إن الإعداد الافتراضي داخل لغة R هو دائماً type = 7، وهو المعيار الموروث من لغة S الإحصائية وحزمة S-PLUS، ويحسب الرتبة بناءً على المعادلة النسبية: p_k = (k – 1) / (n – 1).

8.2 مقارنة الطرق الشائعة (Type 6, Type 7, Type 8)

تختلف البرمجيات الإحصائية التجارية والأكاديمية في الخوارزمية الافتراضية المعتمدة لحساب الربيعيات والمدى الربيعي، مما يؤدي أحياناً إلى حدوث فروق طفيفة في النتائج الرقمية لنفس مجموعة البيانات عند نقلها بين برنامج وآخر. يلخص الجدول المفاهيمي التالي الفروق الجوهرية بين أشهر هذه الخوارزميات:

• النوع السادس (Type 6): الخوارزمية المعتمدة افتراضياً في برامج مثل SPSS و Minitab. تعتمد صيغة موضع الرتبة فيها على المعادلة: p_k = k / (n + 1). تسمى طريقة فايبول (Weibull method)، وتُستخدم بكثرة في العلوم الاجتماعية المعتمدة تاريخياً على حزمة SPSS.
• النوع السابع (Type 7): الخوارزمية الافتراضية المعتمدة في لغة R وحزمة Microsoft Excel (عبر دالتي QUARTILE.INC و PERCENTILE.INC). تستخدم المعادلة: p_k = (k – 1) / (n – 1). تعطي تقديراً خطياً منتظماً ولكنها قد تميل إلى تقليص الفجوة المئينية قليلاً في أطراف العينات المحدودة.
• النوع الثامن (Type 8): الطريقة الموصى بها رياضياً من قِبل Hyndman & Fan للعينات غير المعلمية؛ حيث تعتمد على المعادلة: p_k = (k – 1/3) / (n + 1/3). تتميز هذه الطريقة بكونها تعطي تقديراً غير متحيز إحصائياً للوسيط والمئينات بغض النظر عن التوزيع الكامن للبيانات.

8.3 كيفية تحديد النوع المناسب للمطابقة مع المراجع الأكاديمية

إذا كان الباحث يجري دراسة استرجاعية أو يسعى لمطابقة نتائجه بدقة متناهية مع دراسة سابقة تم تحليلها ببرنامج SPSS، فإن تطبيق دالة R الافتراضية قد يولد اختلافاً بسيطاً في المدى الربيعي في العينات الصغيرة. لتحقيق التطابق الإجرائي الكامل مع SPSS، يجب تمرير المعامل type = 6 صراحة داخل الدالة:

# مطابقة مخرجات SPSS داخل لغة R

spss_matched_iqr <- IQR(resilience_scores, type = 6)

# المقارنة مع خوارزمية R الافتراضية

r_default_iqr <- IQR(resilience_scores, type = 7)

# حساب المدى الربيعي غير المتحيز

unbiased_iqr <- IQR(resilience_scores, type = 8)

تتلاشى الفروق بين هذه الأنواع التسعة تماماً مع زيادة حجم العينة (n > 100)، حيث تقترب كافة معادلات الاستيفاء من نفس القيمة الحقيقية للمجتمع. ولكن في العينات السريرية المحدودة (مثل n = 15 أو 20)، تكتسب هذه الفروق أهمية علمية تستوجب من الباحث توثيق نوع الخوارزمية المستخدم في قسم المنهجية (Methodology) لضمان أعلى مستويات قابلية التكرار والموثوقية العلمية (Replicability).

9. الكشف عن القيم المتطرفة (Outliers) باستخدام قاعدة 1.5 * IQR

9.1 قاعدة جون توكي (Tukey’s Fences) لتحديد الحدود الإحصائية

تُعد طريقة عالم الإحصاء الشهير جون توكي John Tukey (1977)، المعروفة باسم سياج توكي (Tukey’s Fences)، الطريقة الإحصائية غير المعلمية الأكثر انتشاراً واعتماداً لتشخيص وتحديد المشاهدات المتطرفة والشاذة داخل التوزيعات العددية. تعتمد هذه القاعدة بالكامل على المدى الربيعي لإنشاء حدود عليا ودنيا تحيط بالكتلة المركزية للبيانات.

تُحسب هذه الحدود الرياضية، المسماة بالحدود الداخلية (Inner Fences)، بناءً على المعادلات الصارمة التالية:

• الحد الأدنى للتطرف (Lower Threshold): Q1 – (1.5 × IQR)
• الحد الأعلى للتطرف (Upper Threshold): Q3 + (1.5 × IQR)

تُعتبر أي نقطة بيانية تقع خارج هذا النطاق (أي أصغر من الحد الأدنى أو أكبر من الحد الأعلى) قيمة متطرفة معتدلة (Mild Outlier). علاوة على ذلك، وسّع توكي هذه القاعدة لتحديد “القيم المتطرفة الشديدة” (Extreme Outliers) باستخدام معامل ضرب مضاعف قدره 3.0 × IQR (الحدود الخارجية – Outer Fences)، وهي المشاهدات التي تتطلب فحصاً معمقاً لاستبعاد احتمالية الأخطاء التقنية الجسيمة في القياس.

9.2 بناء كود مخصص في R لعزل وتحديد المشاهدات الشاذة

يمكن للمحلل بناء كود برمجي مخصص في لغة R لتطبيق قاعدة توكي، واستخراج القيم المتطرفة وتحديد مواقعها ومؤشراتها بدقة تامة داخل إطار البيانات. يوضح الكود التالي الخطوات الكاملة لهذه العملية:

# تعريف الدالة المخصصة لتحديد القيم المتطرفة
detect_outliers <- function(data, variable_name) {
  x <- data[[variable_name]]
  q1 <- quantile(x, 0.25, na.rm = TRUE)
  q3 <- quantile(x, 0.75, na.rm = TRUE)
  iqr_val <- q3 - q1
  lower_bound <- q1 - (1.5 * iqr_val)
  upper_bound <- q3 + (1.5 * iqr_val)
  outliers <- x[x < lower_bound | x > upper_bound]
  return(list(Lower_Bound = lower_bound, Upper_Bound = upper_bound, Outliers = outliers))
}
# تطبيق الدالة على متغير درجات القلق
outlier_report <- detect_outliers(psych_data, "anxiety")
print(outlier_report)

يمكن أيضاً دمج هذه العملية ضمن بيئة dplyr لإنشاء عمود منطقي جديد داخل إطار البيانات يحدد ما إذا كانت كل مشاهدة تمثل قيمة شاذة أم لا:

psych_data <- psych_data %>%
  mutate(is_outlier = anxiety < (quantile(anxiety, 0.25) - 1.5 * IQR(anxiety)) |
                      anxiety > (quantile(anxiety, 0.75) + 1.5 * IQR(anxiety)))

يوفر هذا التصنيف الثنائي للباحث إمكانية تصفية، أو تمييز، أو عزل الحالات الخاصة بمزيد من الفحص الإكلينيكي والاستكشافي المتقدم.

9.3 التعامل المنهجي مع القيم المتطرفة في البيانات النفسية

في الأبحاث النفسية والاجتماعية، لا يعني الكشف عن قيمة متطرفة ضرورة حذفها تلقائياً من مجموعة البيانات؛ إذ إن القيم الشاذة غالباً ما تحمل دلالات إكلينيكية بالغة الأهمية. يجب على الباحث أولاً فحص مصدر التطرف؛ فإذا كان ناتجاً عن خطأ إدخال رقمي (Data Entry Error مثل تسجيل درجة 999 بدلاً من 99)، يتم تصحيحه أو تعيينه كقيمة مفقودة NA.

أما إذا كانت القيمة المتطرفة تمثل استجابة حقيقية وصادقة لمشارك يتمتع بحالة إكلينيكية استثنائية (Severe Case)، فإن حذفها يمثل تشويهاً لتنوع المجتمع الأصلي. في هذه الحالة، تتضمن الخيارات المنهجية المتاحة:

• الإبقاء على البيانات والاعتماد كلياً على الإحصاء اللامعلمي (الوسيط والمدى الربيعي) الذي لا يتأثر مطلقاً بوجود تلك المشاهدة.
• تطبيق تحويلات رياضية مقلصة للالتواء (Data Transformation) مثل التحويل اللوغاريتمي log(x) أو تحويل الجذر التربيعي sqrt(x).
• إجراء عملية “التهذيب الإحصائي” (Winsorization) عبر استبدال القيمة المتطرفة بأقرب قيمة تقع ضمن حدود سياج توكي المسموح بها، باستخدام حزم R المتخصصة مثل حزمة DescTools.

10. التمثيل البصري للمدى الربيعي باستخدام الرسوم البيانية في R

10.1 إنشاء المخطط الصندوقي الأساسي (Boxplot) في R Base

يُمثل المخطط الصندوقي (Boxplot / Box-and-Whisker Plot) الذي ابتكره جون توكي الترجمة البصرية الحرفية للمدى الربيعي والملخص الخماسي للبيانات. في نظام الرسوم الأساسي داخل لغة R (Base R Graphics)، يمكن إنشاء مخطط صندوقي احترافي بخطوة برمجية واحدة باستخدام دالة boxplot() المدمجة:

# رسم مخطط صندوقي لدرجات القلق وتخصيصه
boxplot(psych_data$anxiety,
        main = "توزيع درجات مقياس القلق السريري",
        ylab = "الدرجة الكلية على المقياس",
        col = "#6baed6",
        border = "#08519c",
        notch = FALSE,
        horizontal = FALSE)

في هذا الرسم التوضيحي، يمثل ارتفاع المستطيل الصندوقي المركزي المسافة الدقيقة للمدى الربيعي (IQR)، حيث يمثل حده السفلي الربيع الأول (Q1) وحده العلوي الربيع الثالث (Q3). ويمثل الخط الأفقي العريض داخل الصندوق موضع الوسيط (Q2). تمتد الشعيرات الرأسية (Whiskers) لتصل إلى أبعد نقطة بيانية تقع ضمن نطاق 1.5 × IQR، بينما تُعرض أي مشاهدات تتجاوز هذا النطاق كنقاط دائرية منفصلة تُبرز وجود قيم متطرفة.

10.2 التمثيل البياني المتقدم للمدى الربيعي باستخدام ggplot2

تُعد حزمة ggplot2 الأداة الأقوى والأكثر مرونة لإنشاء رسوم بيانية فائقة الجودة تفي بمتطلبات النشر في الدوريات العلمية التابعة لجمعية علم النفس الأمريكية (APA Style). يتيح نظام الطبقات في ggplot2 دمج المخطط الصندوقي مع طبقات النقاط المتناثرة لتوضيح التوزيع التكراري الدقيق للمشاهدات:

library(ggplot2)
apa_boxplot <- ggplot(clinical_df, aes(x = treatment_condition, y = symptom_reduction, fill = treatment_condition)) +
  geom_boxplot(width = 0.5, outlier.shape = 21, outlier.fill = "red", outlier.size = 2.5, alpha = 0.8) +
  geom_jitter(width = 0.15, alpha = 0.4, color = "black") +
  labs(
    title = "مقارنة تشتت خفض الأعراض بين المجموعات العلاجية والضابطة",
    subtitle = "المستطيل يمثل المدى الربيعي (IQR)، والخط الأوسط يمثل الوسيط",
    x = "المجموعة التجريبية",
    y = "درجة التحسن السريري"
  ) +
  theme_classic() +
  theme(legend.position = "none", text = element_text(size = 12))
print(apa_boxplot)

تُظهر إضافة طبقة geom_jitter() التوزيع الحقيقي لكافة نقاط البيانات خلف الصندوق، مما يمنع إخفاء الكثافة العددية ويمنح القارئ فهماً بصرياً مباشراً لمدى تجانس البيانات داخل حدود المدى الربيعي وخارجها.

10.3 دمج المخططات البيانية للمقارنة بين المجموعات المتعددة

عند التعامل مع تصاميم تجريبية عاملية (Factorial Designs) تتضمن أكثر من متغير مستقل (مثل: نوع العلاج × الفئة العمرية)، يمكن توسيع التمثيل البصري للمدى الربيعي باستخدام تقنية “التقسيم الشبكي” (Faceting) عبر دالة facet_wrap() في ggplot2:

faceted_plot <- ggplot(clinical_df, aes(x = gender, y = symptom_reduction, fill = gender)) +
  geom_boxplot(alpha = 0.7) +
  facet_wrap(~ treatment_condition) +
  theme_minimal() +
  scale_fill_brewer(palette = "Set2")

كما يمكن إبراز حدود المدى الربيعي مباشرة على منحنيات الكثافة التكرارية (Density Plots) عبر تظليل المساحة المحصورة بين المئين 25 والمئين 75 باستخدام دالة geom_ribbon() أو geom_area(). يُفضل تصدير هذه المخططات بدقة عالية لا تقل عن 300 أو 600 DPI لتجهيزها للنشر العلمي باستخدام دالة الحفظ:

ggsave("figure1_iqr_analysis.tiff", plot = apa_boxplot, width = 7, height = 5, dpi = 600)

11. أخطاء شائعة عند حساب المدى الربيعي في R وكيفية تصحيحها

11.1 خطأ الوسائط غير الرقمية (Error: non-numeric argument)

يواجه العديد من المبتدئين في بيئة R رسالة الخطأ البرمجية الشهيرة: Error in x - 0 : non-numeric argument to binary operator أو Error in quantile.default: missing values and NaN's not allowed if 'na.rm' is FALSE عند تطبيق دالة IQR() على عمود مستورد حديثاً. يعود هذا الخطأ إلى تصنيف R للعمود كمتغير نصي بسبب وجود قيم غير رقمية مجهولة (مثل وجود علامة استفهام “?” كرمز للبيانات المفقودة، أو وجود فواصل نصية).

لتشخيص وتصحيح هذا الخطأ المنهجي، يتم اتباع البروتوكول التالي:

• فحص الفئة البنيوية للعمود عبر class(df$score).
• الكشف عن المشاهدات النصية المسببة للتلوث باستخدام التعبير النمطي: df$score[is.na(as.numeric(df$score))].
• إعادة ترميز النصوص الملوثة كقيم مفقودة رسمية، ثم التحويل القسري للعمود إلى مصفوفة رقمية: df$score <- as.numeric(as.character(df$score)).

يضمن هذا التحويل استعادة العمود لطبيعته الرياضية الصالحة لحساب الربيعيات دون التسبب في إيقاف تنفيذ الأكواد البرمجية داخل بيئة العمل.

11.2 إخفاق الحساب بسبب القيم المفقودة وتجاهل na.rm

يتمثل الخطأ الإجرائي الثاني في ظهور الناتج NA في جداول التلخيص بدلاً من القيمة الإحصائية المحسوبة، مما يفسد حسابات الجداول المركبة. يحدث هذا عند تمرير دالة IQR() داخل دوال التجميع مثل summarise() أو sapply() مع نسيان تمرير المعامل na.rm = TRUE.

يجب على الباحث التأكد من ضبط المعامل في سائر المراحل التلخيصية:

# كود خاطئ يولد NA عند وجود قيم مفقودة
df %>% summarise(iqr = IQR(variable))

# الكود المصحح المعتمد
df %>% summarise(iqr = IQR(variable, na.rm = TRUE))

علاوة على ذلك، في أطر البيانات المعقدة متعددة الأبعاد، ينبغي التحقق من عدم وجود أعمدة رقمية فارغة بالكامل (All-NA columns)؛ إذ إن محاولة حساب IQR(c(NA, NA), na.rm = TRUE) ستُرجع خطأ برمجياً أو قيمة NaN (Not a Number) بسبب خلو المتجه من أي نقاط صالحة لتقدير الرتب.

11.3 سوء تفسير المدى الربيعي في العينات شديدة الصغر

يقع بعض الباحثين في خطأ منهجي وتفسيري جسيم يتمثل في محاولة حساب المدى الربيعي والاعتماد عليه في عينات تجريبية بالغة الصغر (مثل عينات دراسات الحالة أو التجارب الاستطلاعية التي يقل فيها حجم العينة عن N = 8). في مثل هذه الأحجام المحدودة، يفقد مفهوم الربيعيات معناه الإحصائي والتوزيعي؛ إذ إن تقسيم 6 أو 7 نقاط بيانية إلى أربعة أرباع يعتمد كلياً على الاستيفاء الخطي الافتراضي وليس على تكرار حقيقي في المجتمع.

في العينات متناهية الصغر، يؤدي تغيير طفيف في خوارزمية الحساب (معامل type من 1 إلى 9) إلى تقلبات دراماتيكية في قيمة المدى الربيعي قد تصل إلى 50% من قيمته. لذا، تنص الإرشادات الإحصائية الدولية على أن الاستخدام الموثوق للوسيط والمدى الربيعي يتطلب حداً أدنى من المشاهدات لا يقل عن 15 إلى 20 مشاهدة. وفي حال كانت العينة أصغر من ذلك، يُلزم الباحث بالإبلاغ عن المدى الكلي للبيانات (الحد الأدنى والأقصى) وعرض كافة المشاهدات الفردية بدلاً من الاكتفاء بالمدى الربيعي المعزول.

12. دراسة حالة تطبيقية شاملة: تحليل درجات مقياس نفسي في R

12.1 محاكاة واستيراد بيانات دراسة نفسية واقعية

لتقديم نموذج تطبيقي متكامل يجمع كافة المهارات السابقة، سنقوم بمحاكاة بيانات تجريبية لدراسة إكلينيكية واقعية تقارن بين فعاليتي تدخلين علاجيين لخفض القلق لدى مرضى اضطراب الهلع: (1) العلاج المعرفي السلوكي التقليدي (CBT)، و(2) العلاج القائم على اليقظة الذهنية (MBCT). تشتمل مجموعة البيانات على 60 مشاركاً، مع إدراج قيم مفقودة وقيم شاذة عمداً لاختبار جاهزية الأكواد للتعامل مع التحديات الواقعية:

# محاكاة البيانات وتجهيز التجربة
set.seed(2024)
n_group <- 30
cbt_scores <- rgamma(n_group, shape = 3, scale = 4) + 10 # توزيع ملتوٍ إيجابياً
mbct_scores <- rgamma(n_group, shape = 2, scale = 5) + 8
# إدراج قيم شاذة وقيم مفقودة
cbt_scores[c(5, 12)] <- c(65, 72) # قيم متطرفة شاذة
mbct_scores[c(8, 20)] <- NA # قيم مفقودة
# إنشاء إطار البيانات الموحد
study_data <- data.frame(
  Patient_ID = 1:60,
  Group = rep(c("CBT", "MBCT"), each = n_group),
  Post_Anxiety = c(cbt_scores, mbct_scores)
)

يوفر هذا السيناريو بيئة مثالية لاختبار بروتوكول التحليل الإحصائي غير المعلمي الشامل باستخدام لغة R.

12.2 تنفيذ خطة التحليل الإحصائي الكاملة للمدى الربيعي

نقوم الآن بتنفيذ خطة التحليل الإحصائي المتسلسلة: (1) فحص الفقد وتوصيف المجموعات، (2) حساب الوسطاء والمدى الربيعي، (3) الكشف عن المشاهدات الشاذة باستخدام قاعدة توكي، و(4) توليد التمثيل البصري الاحترافي:

library(dplyr)
library(ggplot2)
# خطوة 1: استخراج الإحصاء الوصفي الشامل لكل مجموعة
clinical_summary <- study_data %>%
  group_by(Group) %>%
  summarise(
    N_Total = n(),
    N_Valid = sum(!is.na(Post_Anxiety)),
    Median = median(Post_Anxiety, na.rm = TRUE),
    Q1 = quantile(Post_Anxiety, 0.25, na.rm = TRUE),
    Q3 = quantile(Post_Anxiety, 0.75, na.rm = TRUE),
    IQR_Val = IQR(Post_Anxiety, na.rm = TRUE),
    Min = min(Post_Anxiety, na.rm = TRUE),
    Max = max(Post_Anxiety, na.rm = TRUE)
  )
print(as.data.frame(clinical_summary))

تُظهر النتائج المحسوبة بوضوح أن مجموعة العلاج باليقظة الذهنية (MBCT) أظهرت وسيط قلق أقل ومدى ربيعياً أكثر إحكاماً مقارنة بمجموعة CBT التي عانت من تشتت واسع بسبب وجود القيم المتطرفة المرتفعة، وهو ما يبرز التفوق التحليلي للمدى الربيعي في عزل التباين الحقيقي عن التباين الناتج عن الحالات الشاذة.

12.3 كتابة وتوثيق النتائج وفق معايير جمعية علم النفس الأمريكية (APA 7)

يقتضي التوثيق العلمي الدقيق للنتائج الإحصائية وفق الإصدار السابع من دليل النشر التابع لجمعية علم النفس الأمريكية (APA 7th Edition) صياغة تقرير وصفي دقيق ومحدد يدمج بين حجم العينة الفعلي، والوسيط (Mdn)، والمدى الربيعي (IQR)، مع بيان حدود الربيعين الأول والثالث بين قوسين معقوفين.

تتم كتابة الفقرة المنهجية في قسم النتائج بالصيغة القياسية التالية:

“نظراً لعدم اعتدالية توزيع درجات مقياس القلق ووجود قيم متطرفة إكلينيكية، تم الاعتماد على الإحصاء الوصفي غير المعلمي. أظهرت مجموعة العلاج القائم على اليقظة الذهنية (MBCT, n = 28) انخفاضاً ملحوظاً في درجات القلق البعدي بوسطي قدره (Mdn = 17.42, IQR = 7.15, Q1 = 14.10, Q3 = 21.25) مقارنة بمجموعة العلاج المعرفي السلوكي (CBT, n = 30) التي سجلت وسيطاً قدره (Mdn = 21.80, IQR = 9.85, Q1 = 16.50, Q3 = 26.35). يُشير المدى الربيعي الأقل في مجموعة MBCT إلى استقرار وتجانس أكبر في الاستجابة العلاجية بين أفراد المجموعة مقارنة بالتشتت الواسع الملاحظ في مجموعة CBT.”

يضمن هذا الأسلوب في الصياغة الشفافية الإحصائية التامة، ويمنح القارئ والباحث المراجع القدرة على إعادة بناء التوزيع التكراري وفهم أبعاد التشتت المركزي للعينة دون أي غموض أو تضليل ناتج عن مقاييس النزعة المعلمية التقليدية.

خاتمة واستنتاجات منهجية

يمثل المدى الربيعي (IQR) ركيزة أساسية لا غنى عنها في ترسانة الأدوات الإحصائية لأي باحث يسعى إلى تحليل وتفسير البيانات الواقعية بنزاهة وموثوقية علمية. فمن خلال تركيزه الدقيق على النصف الأوسط من التوزيع واستبعاده الصارم للأطراف المتطرفة، يوفر المدى الربيعي مقياساً حصيناً ومتيناً لتشتت الظواهر السلوكية والطبية المعقدة، متجاوزاً بذلك كافة القيود والتشوهات البنيوية التي تعاني منها المقاييس المعلمية التقليدية كالانحراف المعياري والمدى المطلق.

وقد أثبتت لغة R الإحصائية أنها البيئة الأكثر كفاءة ومرونة لحساب وتمثيل المدى الربيعي عبر مختلف المستويات والمصفوفات؛ بدءاً من المتجهات البسيطة باستخدام دالة IQR() المدمجة، وصولاً إلى المعالجات التجميعية المتقدمة باستخدام منظومة tidyverse وأدوات التمثيل البصري عالي الدقة في ggplot2. إن إدراك الباحث للخوارزميات الرياضية التسع المعتمدة، وقدرته على توظيف قاعدة توكي في تشخيص المشاهدات الشاذة، ومعالجة القيم المفقودة بمنهجية سليمة، يُعد المعيار الحقيقي الذي يرتقي بالتحليل الإحصائي من مجرد تنفيذ روتيني للأوامر إلى ممارسة علمية نقدية رصينة تدعم اتخاذ القرارات الاستدلالية بدقة وموضوعية.

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
• Hyndman, R. J., & Fan, Y. (1996). Sample quantiles in statistical packages. The American Statistician, 50(4), 361–365. https://doi.org/10.1080/00031305.1996.10473541
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley Publishing Company.
• Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., … Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer-Verlag New York. https://ggplot2.tidyverse.org