كيفية حساب القيمة الاحتمالية لدرجة T في لغة R

تُعد عملية اتخاذ القرار الإحصائي الركيزة الأساسية التي يقوم عليها البحث التجريبي والوصفي في العلوم النفسية والسلوكية الحديثة. فمنذ اللحظة التي صاغ فيها ويليام سيلي غوسيت، المعروف باسمه المستعار Student، توزيع T في مطلع القرن العشرين، تحول هذا التوزيع إلى المعيار الذهبي لمعالجة التحديات المرتبطة بالعينات الصغيرة ومتوسطة الحجم التي يتعذر فيها معرفة الانحراف المعياري للمجتمع الأصلي بدقة. وفي سياق القياس النفسي، لا يقتصر الهدف على حساب الفروق الظاهرية بين المجموعات التجريبية والضابطة، بل يمتد إلى التحقق مما إذا كانت هذه الفروق تعكس تبايناً حقيقياً أم أنها مجرد تذبذبات ناتجة عن خطأ المعاينة العشوائي.

تُمثل القيمة الاحتمالية، أو ما يُعرف بـ P-Value، المقياس الكمي الدقيق الذي يستند إليه الباحثون لتقييم مدى توافق البيانات المرصودة مع الفرضية الصفرية. ورغم بساطة المفهوم النظري، فإن التطبيق الحسابي يتطلب دقة رياضية وبرمجية بالغة، لا سيما عند الرغبة في حساب القيمة الاحتمالية انطلاقاً من درجة T المحسوبة، وتحديد درجات الحرية المناسبة، واختيار اتجاه الفرضية، سواء كانت أحادية الطرف الأيمن، أو أحادية الطرف الأيسر، أو ثنائية الطرف. وهنا تبرز بيئة البرمجة الإحصائية R كأقوى وأدق أداة تحليلية مفتوحة المصدر تتيح للباحثين تنفيذ هذه العمليات بمرونة غير محدودة تتجاوز قيود البرمجيات التقليدية ذات الواجهات الصامتة.

يقدم هذا الدليل المرجعي الشامل تفكيكاً عميقاً وشاملاً لكل ما يتعلق بحساب القيمة الاحتمالية لدرجة T داخل لغة R. سنستعرض الأسس الرياضية لمنحنى توزيع ستودنت التائي، والبنية الداخلية لعائلة دوال التوزيع في R وعلى رأسها دالة pt()، مع تفصيل كامل لكيفية كتابة الأكواد، وبناء الدوال المخصصة، وتوليد الرسوم البيانية التوضيحية، وتفسير المخرجات وفق دليل النشر الأكاديمي الصادر عن الجمعية الأمريكية لعلم النفس في طبعته السابعة (APA 7).

1. مقدمة تأسيسية: دور اختبار T والقيمة الاحتمالية في البحوث النفسية

1.1 تعريف درجة T (T-Score) وسياقها في القياس النفسي

تُعرف درجة T في الاستدلال الإحصائي بأنها نسبة تباين الفروق بين المتوسطات الملاحظة إلى الخطأ المعياري لتلك الفروق. من الناحية الرياضية، تمثل هذه الدرجة قيمة معيارية تُشير إلى مدى ابتعاد متوسط العينة عن القيمة المفترضة للمجتمع، أو مدى تباعد متوسطي عينتين مستقلتين أو مترابطتين، بوحدات الخطأ المعياري. في سياق القياس النفسي والتقييم السيكومتري، توفر درجة T وسيلة لتحويل البيانات الخام غير المتجانسة إلى مقياس قابل للمقارنة المباشرة، مما يتيح للباحث اختبار فرضيات حول فاعلية التدخلات العلاجية أو الفروق الفردية في السمات المعرفية والسلوكية.

يبرز استخدام اختبار T وتوزيع درجاته في تصميمات البحوث النفسية المقارنة والتجريبية، كاختبار أثر برنامج تدريبي لتنمية الذكاء الانفعالي، أو مقارنة مستويات القلق بين مجموعتين إحداهما خضعت للعلاج السلوكي المعرفي والأخرى كانت على قائمة الانتظار. إن احتساب النسبة التائية يتيح قياس “إشارة” الفارق الملاحظ بين المجموعات مقارنة بـ “الضوضاء” المتمثلة في التباين الداخلي داخل المجموعات والناجم عن الفروق الفردية وخطأ القياس.

يكمن الفرق الجوهري بين درجة Z ودرجة T في مدى معرفة الباحث بالانحراف المعياري للمجتمع الأصلي وحجم العينة المتاحة. تعتمد درجة Z على التوزيع الطبيعي القياسي وتفترض أن تباين المجتمع معلوم سلفاً وبدقة تامة، أو أن حجم العينة كبير بما يكفي لتقريب هذا التباين، وهو ما يندر تحققه في الدراسات النفسية الإكلينيكية التي تتعامل عادة مع عينات صغيرة أو متوسطة الحجم يصعب فيها الجزم بمعالم المجتمع. هنا يأتي دور درجة T التي تستبدل الانحراف المعياري للمجتمع بالانحراف المعياري المحسوب من العينة نفسها، مما يُدخل قدراً إضافياً من عدم اليقين يُعالج رياضياً من خلال توسيع ذيلي التوزيع وتعديل درجات الحرية.

1.2 مفهوم القيمة الاحتمالية (P-Value) في الاستدلال الإحصائي

تُعرف القيمة الاحتمالية (P-Value) في إطار اختبار الفرضيات الصفرية للكشف عن المعنوية الإحصائية (NHST) بأنها احتمالية الحصول على نتائج تجريبية مساوية في التطرف لنتائج العينة الحالية، أو أكثر تطرفاً منها، بافتراض أن الفرضية الصفرية ($H_0$) صحيحة تماماً في المجتمع الأصلي. تعكس هذه القيمة مدى التوافق بين البيانات المجمعة والنموذج النظري الذي يفترض غياب أي تأثير أو فارق حقيقي، ولا تُعبر بأي حال عن احتمالية صحة الفرضية الصفرية ذاتها أو احتمالية كون الفرضية البديلة صحيحة.

تاريخياً، ارتبط اتخاذ القرار الإحصائي بمقارنة القيمة الاحتمالية بمستوى دلالة محدد سلفاً يُرمز له بالرمز ألفا ($\alpha$). في البحوث النفسية، استقر العرف المنهجي على استخدام مستويات معيارية تشمل مستوى الدلالة المعتدل ($\alpha = 0.05$)، ومستوى الدلالة الصارم ($\alpha = 0.01$)، ومستوى الدلالة البالغ الصرامة ($\alpha = 0.001$). عند وصول القيمة الاحتمالية المحسوبة إلى عتبة أقل من مستوى ألفا المختار، يرفض الباحث الفرضية الصفرية ويستنتج وجود أثر دال إحصائياً يستحق التفسير السيكولوجي.

يواجه الباحثون في العلوم النفسية مغالطات شائعة في تأويل القيمة الاحتمالية؛ أبرزها الاعتقاد الخاطئ بأن $p = 0.03$ تعني أن هناك احتمالاً بنسبة 97% لصحة الفرضية البديلة، أو الخلط القائم بين الدلالة الإحصائية والدلالة الإكلينيكية (الأهمية العملية). إن انخفاض القيمة الاحتمالية لا يعني بالضرورة كبر حجم التأثير، بل قد ينتج ببساطة عن التضخيم الناتج عن حجم العينات الضخمة جداً، مما يفرض فحص قيمة P جنباً إلى جنب مع مقاييس حجم الأثر مثل Cohen’s d وفترات الثقة.

1.3 أهمية بيئة R كأداة إحصائية متقدمة للتحليل النفسي

تتميز لغة R بمرونة برمجية وحسابية متفوقة مقارنة بالحزم الإحصائية التجارية ذات الصناديق المغلقة مثل SPSS أو SAS. تتيح R للباحث السيكولوجي السيطرة الكاملة على كل خطوة في تدفق العمل التحليلي، بدءاً من تفكيك العمليات الحسابية الأساسية لمعادلات التوزيعات الاحتمالية وصولاً إلى بناء نماذج إحصائية متقدمة ومعقدة. هذا التحكم الدقيق يمنح الباحث فهماً أعمق لطبيعة البيانات ويزيل الغموض الذي تفرضه المعالجات الآلية الجاهزة.

تُعد قابلية التكرار (Reproducibility) ميزة جوهرية توفرها لغة R عبر الأكواد البرمجية وسجلات العمل مثل R Markdown وQuarto. في ظل أزمة التكرارية التي عصفت بمجال علم النفس في العقد الأخير، بات توثيق الحسابات الدقيقة لدرجات T وقيم P-Value عبر نصوص برمجية واضحة وقابلة للمشاركة متطلباً جوهرياً لضمان النزاهة العلمية والشفافية الأكاديمية ونشر الأبحاث في المجلات المحكمة ذات التأثير المرتفع.

توفر R تكاملاً فريداً بين الحسابات النظرية والتطبيقات البيانية المتقدمة؛ حيث يمكن للباحث الانتقال بسلاسة من حساب دقيق للاحتمالات عبر دوال التوزيع التراكمي إلى بناء تمثيلات بصرية فائقة الجودة تبرز مناطق الرفض والقبول والمساحات المظللة للقيم الاحتمالية، مما يرتقي بجودة التقرير الإحصائي ويعزز تواصل النتائج مع المجتمع العلمي والمهني.

2. الأسس الرياضية لتوزيع ستودنت التائي (Student’s t-Distribution)

2.1 خصائص منحنى توزيع T وشكله الهندسي

يتميز منحنى توزيع T بشكله الجرسي المتماثل حول المتوسط الرياضي الذي يساوي صفراً ($Mean = 0$)، مشابهاً في مظهره العام للمنحنى الطبيعي القياسي (Z-Distribution). ومع ذلك، يمتلك توزيع T تفرطحاً أقل (Platykurtic) وذيولاً أثقل وأكثر اتساعاً (Heavy Tails)، مما يعني أن احتمالية وقوع القيم المتطرفة والبعيدة عن المركز تكون أعلى مقارنة بالتوزيع الطبيعي. تنبع هذه الخاصية الهندسية مباشرة من حالة عدم اليقين الناجمة عن تقدير تباين المجتمع المجهول باستخدام تباين العينة.

تتحكم درجات الحرية (Degrees of Freedom) بشكل مباشر في الشكل الهندسي للمنحنى؛ فكلما كانت درجات الحرية قليلة (أحجام عينات صغيرة)، زادت سماكة الذيلين وانخفضت قمة المنحنى المركزية، مما يتطلب قيماً حرجة أكبر للوصول إلى الدلالة الإحصائية. ومع تنامي درجات الحرية واقترابها من اللانهاية، يتقارب توزيع T تقارباً تدريجياً لا نهائياً حتى يتطابق كلياً مع التوزيع الطبيعي القياسي وفق نظرية النهاية المركزية (Central Limit Theorem).

تعتمد دالة كثافة الاحتمال (Probability Density Function – PDF) لتوزيع ستودنت على صيغة رياضية تدمج دالة غاما ($\Gamma$):

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

حيث تُمثل $\nu$ درجات الحرية. يرتكز حساب المساحة الكلية تحت المنحنى على التكامل المحدد لهذه الدالة عبر النطاق الممتد من $-\infty$ إلى $+\infty$ ليكون المجموع مساوياً دائماً للواحد الصحيح ($1.00$). وبالتالي، فإن حساب القيمة الاحتمالية يمثل رياضياً إجراء تكامل لدالة الكثافة عبر المساحات المحددة بدرجة T المرصودة.

2.2 درجات الحرية (Degrees of Freedom) وطرق تحديدها

تُعبر درجات الحرية في الاستدلال السيكومتري عن عدد القيم الحرة المستقلة القابلة للتغير في الحساب الإحصائي النهائي بعد فرض قيود رياضية معينة كحساب المتوسط الحسابي. في اختبار T للعينة الواحدة (One-Sample t-test) واختبار T للعينات المترابطة (Paired-Samples t-test)، تُحسب درجات الحرية وفق المعادلة الكلاسيكية:

$$df = N – 1$$

حيث يمثل $N$ إجمالي عدد الأفراد أو أزواج القياسات، ويؤدي حساب المتوسط إلى فقدان درجة حرية واحدة تقيد مجموع الانحرافات ليكون صفراً.

في اختبار T للعينات المستقلة الكلاسيكي بافتراض تجانس التباين (Student’s Independent t-test)، تُحسب درجات الحرية بجمع عدد الأفراد في المجموعتين وطرح درجتين نظير تقدير متوسطين مستقلين:

$$df = n_1 + n_2 – 2$$

أما في حال عدم تجانس التباين بين المجموعتين، فإن استخدام الصيغة الكلاسيكية يؤدي إلى تضخيم الخطأ من النوع الأول؛ مما يستدعي تطبيق معادلة Welch-Satterthwaite لتعديل درجات الحرية:

$$df_{Welch} = \frac{\left(\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}\right)^2}{\frac{\left(\frac{s_1^2}{n_1}\right)^2}{n_1 – 1} + \frac{\left(\frac{s_2^2}{n_2}\right)^2}{n_2 – 1}}$$

تنتج عن هذه المعادلة غالباً درجات حرية غير صحيحة (كسرية Decimal)، وهي ميزة يدعمها محرك الحساب الرياضي في لغة R بدقة تامة وبدون أي تقريب جبري مشوه.

أما في تصميمات القياسات المتكررة ذات المجموعات الواحدة المقاسة قبلياً وبعدياً، فإن التحليل يركز على درجات الفروق الفردية لكل مشارك ($D = X_{post} – X_{pre}$)، وتُعامل تلك الفروق كعينة واحدة تتحدد درجات حريتها بعدد الأزواج ناقصاً واحداً ($df = N_{pairs} – 1$)، مما يعزل التباين بين الأفراد ويزيد من الحساسية الإحصائية للاختبار.

2.3 العلاقة التراكمية بين التوزيع الاحتمالي ومناطق الرفض

تُمثل دالة التوزيع التراكمي (Cumulative Distribution Function – CDF) لتوزيع T، والتي نرمز لها رياضياً بـ $F(t)$، المساحة التكاملية الواقعة تحت منحنى كثافة الاحتمال من الطرف اللانهائي الأيسر ($-\infty$) وصولاً إلى نقطة معينة $t$:

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

تتراوح قيم هذه الدالة التراكمية دائماً بين الصفر المطلق والواحد الصحيح، وتُعد الأساس الخوارزمي المباشر الذي تعتمد عليه لغة R لحساب كافة الاحتمالات المرتبطة بالاختبارات الإحصائية.

تتحدد مناطق الرفض (Rejection Regions) ومناطق عدم الرفض بناءً على طبيعة الفرضية البحثية المقترحة ومستوى الدلالة المحدد؛ ففي الفرضيات الموجهة (أحادية الطرف)، تتركز منطقة الرفض بالكامل بمساحة تعادل $\alpha$ في طرف واحد فقط (إما الأيمن لقيم T الموجبة الكبيرة، أو الأيسر لقيم T السالبة المتطرفة). أما في الفرضيات غير الموجهة (ثنائية الطرف)، فتُقسم منطقة الرفض بالتساوي على جانبي المنحنى لتشغل مساحة قدرها $\alpha / 2$ في أقصى اليمين ومساحة $\alpha / 2$ في أقصى اليسار.

يتأثر موقع درجة T المحسوبة على المنحنى التراكمي بحجم الفارق المرصود ومقدار التباين الداخلي للعينة؛ فكلما تباعدت المتوسطات وانخفض التشتت الداخلي، زادت القيمة المطلقة لدرجة T لتدفع بالنتيجة بعيداً نحو الذيول المتطرفة، مما يقلص المساحة الاحتمالية المتبقية خلف هذه الدرجة، مؤدياً إلى هبوط القيمة الاحتمالية دون عتبة الدلالة، وبالتالي رفض الفرضية الصفرية وقبول الفرضية البديلة.

3. البنية البرمجية لدوال التوزيع التائي في لغة R

3.1 عائلة دوال التوزيع T في R: dt، pt، qt، rt

توفر بيئة R منظومة متكاملة ومتناغمة من الدوال المصممة خصيصاً للتعامل مع توزيع ستودنت التائي، حيث تتبع هذه الدوال نمط التسمية القياسي المعتمد في R لكافة التوزيعات الاحتمالية، بإضافة سابقة حرفية إلى اسم التوزيع الأساسي t. تتألف هذه العائلة من أربع دوال رئيسية تؤدي كل منها وظيفة رياضية محددة:

• دالة dt(x, df, ncp, log = FALSE): تحسب دالة كثافة الاحتمال (Probability Density) عند إحداثي سيني محدد ($x$). لا تعطي هذه الدالة احتمالات تراكمية أو قيم P-value مباشرة، بل تمثل الارتفاع الرأسي لمنحنى التوزيع عند تلك النقطة، وتُستخدم بصورة أساسية في رسم منحنيات التوزيع وتوليد المخططات البيانية.
• دالة pt(q, df, ncp, lower.tail = TRUE, log.p = FALSE): تُعد دالة التوزيع التراكمي (Cumulative Distribution Function)، وهي الأداة المحورية المستخدمة لحساب القيمة الاحتمالية (P-Value) بدقة من خلال حساب المساحات المحددة تحت المنحنى.
• دالة qt(p, df, ncp, lower.tail = TRUE, log.p = FALSE): دالة المئين العكسي (Quantile Function)، وتعمل كعكس مباشر لدالة pt()؛ حيث تستقبل احتمالاً تراكمياً ($p$) وتعيد قيمة درجة T الحرجة المقابلة له، وتُستخدم لتحديد العتبات الحرجة عند مستويات ألفا المختلفة.
• دالة rt(n, df, ncp): دالة توليد الأرقام العشوائية؛ حيث تسحب $n$ من القيم العشوائية الزائفة التي تتبع توزيع T بدرجات حرية محددة، وتُعد حجر الزاوية في محاكاة مونت كارلو والدراسات السيكومترية المتقدمة.

3.2 التشريح الدقيق لدالة pt() ومعاملاتها الحسابية

تمثل دالة pt() القلب النابض لعمليات حساب القيمة الاحتمالية في R. لفهم آلية عملها، يجب تفكيك معاملاتها المدخلة بعناية:

المعامل الأول هو q (Quantile)، ويمثل القيمة المعيارية لدرجة T المحسوبة من البيانات التجريبية، سواء كانت موجبة أو سالبة. يليه المعامل الأساسي df (Degrees of Freedom)، والذي يحدد الشكل الهندسي الدقيق لمنحنى التوزيع؛ ويقبل هذا المعامل أرقاماً صحيحة أو قيماً كسرية عشرية ناتجة عن تعديلات التباين.

أما المعامل المنطقي الحاسم فهو lower.tail؛ فإذا تم ضبطه على القيمة الافتراضية lower.tail = TRUE، فإن الدالة تقوم بحساب التكامل وحساب المساحة الواقعة في الطرف الأيسر من المنحنى، أي الاحتمال التراكمي من $-\infty$ إلى القيمة $q$ ($P(T le q)$). أما إذا تم تغييره إلى lower.tail = FALSE، فإن الدالة تحسب المساحة التراكمية في الطرف الأيمن، أي من القيمة $q$ وصولاً إلى $+\infty$ ($P(T > q)$)، وهو ما يضمن دقة حسابية متناهية في الاختبارات أحادية الطرف الأيمن.

المعامل الأخير log.p يأخذ قيمة منطقية افتراضية FALSE؛ وفي حال تفعيله إلى TRUE، تعيد الدالة اللوغاريتم الطبيعي للاحتمال ($ln(p)$)، وهي ميزة حيوية لتجنب أخطاء التدفق السفلي (Underflow) عند التعامل مع احتمالات متناهية الصغر تقترب من الصفر المطلق في النماذج الإحصائية المعقدة.

3.3 معامل ncp واستخداماته في التوزيع غير المركزي

يُشير المعامل ncp إلى معامل عدم المركزية (Non-Centrality Parameter). في اختبارات الفرضية الصفرية القياسية الكلاسيكية، يُفترض دائماً أن $ncp = 0$، وهو الخيار الافتراضي الصامت في دوال R؛ حيث يفترض هذا النموذج أن الفرق الحقيقي بين المتوسطات في المجتمع يساوي صفراً، مما يجعل توزيع T متمركزاً تماماً حول نقطة الصفر.

ومع ذلك، يكتسب معامل ncp أهمية استثنائية عند الانتقال من اختبار الفرضيات الصفرية إلى حساب القوة الإحصائية (Statistical Power) وتقدير أحجام العينات، وتوليد فترات الثقة لحجم الأثر غير المركزي (مثل $\delta$ و Cohen’s d). عندما تكون الفرضية البديلة صحيحة ويوجد حجم تأثير فعلي، يتحول توزيع T من توزيع مركزي متماثل إلى توزيع غير مركزي (Non-central t-distribution) ينزاح محوره نحو اليمين أو اليسار بمقدار قيمة $ncp$، مصحوباً بفقدان التماثل التام.

يُعرف معامل عدم المركزية رياضياً في سياق العينة الواحدة بالمعادلة:

$$ncp = \frac{\mu – \mu_0}{\sigma / \sqrt{N}} = d \cdot \sqrt{N}$$

يتيح فهم هذا المعامل داخل R للباحثين النفسيين تصميم تحليلات لاحقة وقبلية لحساب القوة الإحصائية بدقة رياضية صارمة تتجاوز التقريبات الخطية التقليدية.

4. حساب القيمة الاحتمالية للاختبار أحادي الطرف الأيسر (Left-Tailed Test)

4.1 الصياغة النظرية للاختبار أحادي الطرف السالب

يُستخدم الاختبار أحادي الطرف الأيسر عندما يصيغ الباحث فرضية بديلة موجهة تتنبأ بانخفاض أو تراجع المتغير التابع، أو أن أداء المجموعة التجريبية سيكون أقل بصورة دالة من المجموعة الضابطة أو المعيار المجتمعي. تأخذ الفرضيات في هذا السياق البنية الرياضية التالية:

الفرضية الصفرية: $$H_0: \mu ge \mu_0 \quad \text{أو} \quad H_0: \mu_1 – \mu_2 ge 0$$

الفرضية البديلة: $$H_1: \mu < \mu_0 \quad \text{أو} \quad H_1: \mu_1 – \mu_2 < 0$$

في الأبحاث النفسية الإكلينيكية، تظهر هذه الفرضية عند اختبار فاعلية بروتوكولات التدخل العلاجي المصممة لخفض الأعراض المرضية، مثل قياس انخفاض درجات الاكتئاب، أو تراجع مستويات القلق ونوبات الهلع، أو تقليص السلوك العدواني لدى المراهقين بعد إخضاعهم لبرنامج ضبط الانفعالات.

تؤدي هذه الصياغة إلى تمركز منطقة الرفض بالكامل في الذيل الأيسر الأقصى لمنحنى التوزيع، وتتولد عنها درجات T سالبة الإشارة عندما يكون المتوسط التجريبي أقل فعلياً من المتوسط المقارن. وتكون القيمة الاحتمالية المطلوبة هي بالضبط المساحة التراكمية الواقعة على يسار درجة T السالبة المحسوبة.

4.2 تطبيق دالة pt() بحساب الذيل الأيسر في R

لحساب القيمة الاحتمالية لاختبار أحادي الطرف الأيسر في بيئة R، نستخدم دالة pt() مع تمرير درجة T السالبة وتحديد درجات الحرية وضبط المعامل lower.tail = TRUE (أو تركه لقيمته الافتراضية). يوضح الكود التالي الصيغة المباشرة:

# حساب القيمة الاحتمالية للطرف الأيسر
t_calc <- -2.35
df_val <- 28
p_val_left <- pt(q = t_calc, df = df_val, lower.tail = TRUE)
print(p_val_left)

عند تنفيذ هذه الشيفرة في بيئة R، يقوم المحرك بحساب التكامل من $-\infty$ حتى النقطة $-2.35$ بدرجات حرية تساوي 28. ستكون النتيجة الرقمية الناتجة تقارب $0.01306$.

تتم مقارنة هذه القيمة الاحتمالية الناتجة بمستوى الدلالة الاسمي المحدد للدراسة ($\alpha = 0.05$). وبما أن $p = 0.013 < 0.05$، فإن القرار الإحصائي الصارم هو رفض الفرضية الصفرية، وتبني الفرضية البديلة التي تؤكد وجود انخفاض ذي دلالة إحصائية في المتغير التابع لصالح التدخل البحثي.

4.3 تحليل حالة دراسية نفسية واقعية (الطرف الأيسر)

لنفترض أن باحثاً إكلينيكياً أجرى دراسة لتقييم فاعلية العلاج المعرفي القائم على اليقظة الذهنية (MBCT) في خفض درجات الاكتئاب المقاسة بمقياس بيك للاكتئاب (BDI-II). طُبق المقياس على عينة من 20 مريضاً قبل التدخل وبعده، وسجلت فروق الدرجات ($Post – Pre$)، حيث كان متوسط الانخفاض $\bar{D} = -4.80$ نقطة، بانحراف معياري للفروق قدره $s_D = 6.20$.

نقوم بصياغة وتنفيذ الكود البرمجي لحساب درجة T ودرجات الحرية والقيمة الاحتمالية التراكمية في R كالتالي:

# مدخلات الحالة الدراسية
mean_diff <- -4.80
sd_diff <- 6.20
n <- 20

# حساب الخطأ المعياري ودرجة T ودرجات الحرية
se_diff <- sd_diff / sqrt(n)
t_statistic <- mean_diff / se_diff
df_case <- n - 1

# حساب القيمة الاحتمالية للطرف الأيسر
p_value_case1 <- pt(q = t_statistic, df = df_case, lower.tail = TRUE)

# طباعة المخرجات
cat("T-Score:", round(t_statistic, 3), "n")
cat("Degrees of Freedom:", df_case, "n")
cat("P-Value:", round(p_value_case1, 5), "n")

تُظهر نتائج التنفيذ أن قيمة $t(19) = -3.462$، وأن القيمة الاحتمالية المستخرجة هي $p = 0.00132$. وبناءً على التقرير الأكاديمي المتبع، نرفض الفرضية الصفرية ونستنتج أن العلاج القائم على اليقظة الذهنية أدى إلى انخفاض دال إحصائياً في مستويات الاكتئاب لدى أفراد العينة عند مستوى دلالة صارم ($p < .01$).

5. حساب القيمة الاحتمالية للاختبار أحادي الطرف الأيمن (Right-Tailed Test)

5.1 الصياغة النظرية للاختبار أحادي الطرف الموجب

يُطبق الاختبار أحادي الطرف الأيمن عندما يمتلك الباحث أساساً نظرياً وأدبيات تجريبية قوية تدعم التنبؤ بزيادة أو تفوق إيجابي في الدرجات المقاسة للمتغير التابع، وتُصاغ الفرضيات رياضياً كالتالي:

الفرضية الصفرية: $$H_0: \mu le \mu_0 \quad \text{أو} \quad H_0: \mu_1 – \mu_2 le 0$$

الفرضية البديلة: $$H_1: \mu > \mu_0 \quad \text{أو} \quad H_1: \mu_1 – \mu_2 > 0$$

تتعدد التطبيقات السيكولوجية لهذه الصياغة؛ مثل فحص تحسن سعة الذاكرة العاملة بعد تدريب حاسوبي مكثف، أو قياس ارتقاء درجات المرونة النفسية، أو التحقق من تفوق استراتيجية تعليمية جديدة في رفع مستوى الاستيعاب المفاهيمي لدى طلاب المدارس.

تتموضع منطقة الرفض في هذه الحالة في الطرف الأيمن العلوي للتوزيع؛ وتنتج عنها درجات T موجبة الإشارة تعكس تفوق المتوسط المرصود على المتوسط المرجعي. وتكون القيمة الاحتمالية هي المساحة التكاملية الممتدة من درجة T المحسوبة صعوداً باتجاه اللانهاية الموجبة ($+\infty$).

5.2 طرق حساب الذيل الأيمن برمجياً عبر R

توجد طريقتان رياضيتان لحساب مساحة الذيل الأيمن في لغة R؛ الطريقة الأولى تعتمد على الاستخدام المباشر والاحترافي للمعامل المنطقي lower.tail = FALSE، بينما تعتمد الطريقة الثانية على الخاصية التكاملية للمساحة الكلية بطرح مساحة الذيل الأيسر من الواحد الصحيح ($1 – F(t)$).

# المعطيات
t_score_pos <- 2.14
degrees_f <- 45

# الطريقة المباشرة الموصى بها عددياً
p_right_direct <- pt(q = t_score_pos, df = degrees_f, lower.tail = FALSE)

# الطريقة التكميلية التقليدية
p_right_complement <- 1 - pt(q = t_score_pos, df = degrees_f, lower.tail = TRUE)

# المقارنة
cat("Direct:", p_right_direct, "nComplement:", p_right_complement, "n")

تكمن الأهمية الحاسوبية في تفضيل lower.tail = FALSE في معالجة مشكلات الدقة الرقمية للفاصلة العائمة (Floating-Point Precision). فعندما تكون درجة T موجبة وكبيرة جداً (مثل $t = 8.5$)، فإن القيمة التراكمية لليسار تقترب بشدة من الواحد الصحيح ($0.9999999999999999$). وعند إجراء عملية الطرح الحاسوبي $1 – pt()$ قد تفقد لغة R الدقة العددية وتُرجع صفراً مطلقاً بسبب مشكلة الإلغاء الكارثي (Catastrophic Cancellation)، في حين تقوم دالة lower.tail = FALSE بحساب التكامل المباشر للذيل المتطرف بدقة متناهية ودون فقدان للقيم الدقيقة.

5.3 تحليل حالة دراسية في علم النفس المعرفي (الطرف الأيمن)

أجرى مختبر علم النفس المعرفي تجربة لاختبار ما إذا كان التدريب على تقنيات التركيز الانتقائي يزيد من سرعة معالجة المعلومات البصرية. تم قياس درجات مجموعة التدريب ($n_1 = 25$) ومجموعة التحكم ($n_2 = 25$). كانت النتائج المحسوبة تشير إلى أن $t = 1.845$ بدرجات حرية $df = 48$.

تم تنفيذ التحليل وحساب القيمة الاحتمالية في سكريبت R كالتالي:

# مدخلات التجربة المعرفية
t_val_cog <- 1.845
df_cog <- 48

# حساب القيمة الاحتمالية لاختبار موجه للطرف الأيمن
p_val_cog <- pt(q = t_val_cog, df = df_cog, lower.tail = FALSE)

cat("P-value (Right-Tailed):", round(p_val_cog, 4), "n")

أظهرت الحسابات أن القيمة الاحتمالية الناتجة هي $p = 0.0356$. نظراً لأن القيمة الاحتمالية أصغر من مستوى الدلالة القياسي $\alpha = 0.05$، تم رفض الفرضية الصفرية وتأكيد صحة الفرضية المعرفية بوجود تحسن دال إحصائياً في سرعة المعالجة لصالح المجموعة التي تلقت تدريب التركيز.

6. حساب القيمة الاحتمالية للاختبار ثنائي الطرف (Two-Tailed Test)

6.1 المنطق الإحصائي للاختبارات غير الموجهة

يمثل الاختبار ثنائي الطرف (Two-Tailed Test) النموذج الأكثر شيوعاً واعتماداً في الأبحاث السيكولوجية وسلوك الإنسان، نظراً لكونه الاختبار الأكثر تحفظاً (Conservative) وحياداً من الناحية المنهجية. يُطبق هذا الاختبار عندما لا يمتلك الباحث توجيهاً نظرياً قاطعاً حول اتجاه الفارق، أو عندما يرغب في اكتشاف أي اختلاف جوهري محتمل سواء كان بالزيادة أو النقصان.

تُصاغ الفرضيات ثنائية الطرف على النحو الآتي:

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

الفرضية البديلة: $$H_1: \mu_1 \neq \mu_2 \quad \text{أو} \quad H_1: \mu_1 – \mu_2 \neq 0$$

يقوم المنطق الرياضي للاختبار ثنائي الطرف على تقسيم مستوى الخطأ المقبول $\alpha$ بالتساوي بين طرفي المنحنى التوزيعي؛ حيث يتم تخصيص مساحة قدرها $\alpha / 2$ (أي $0.025$ عند $\alpha = 0.05$) للطرف الأيسر ومساحة مماثلة $\alpha / 2$ للطرف الأيمن. وبالتالي، فإن القيمة الاحتمالية الكلية لا تمثل مساحة طرف واحد فقط، بل مجموع مساحتي الطرفين المتطرفين المتناظرين حول نقطة التماثل الصفرية.

6.2 الخوارزميات البرمجية لحساب الطرفين في R

نظراً لأن درجة T المحسوبة قد تأتي بإشارة موجبة أو سالبة وفق ترتيب إدخال المجموعات في المعادلة، فإن كتابة خوارزمية برمجية سليمة في R تتطلب مراعاة القيمة المطلقة لدرجة T لتجنب مضاعفة المساحة الخاطئة من المنحنى. تعتمد الخوارزمية البرمجية المعيارية على حساب مساحة الذيل الخارجي ثم مضاعفتها بالضرب في 2.

توجد صيغتان متكافئتان رياضياً وبرمجياً في لغة R:

# الصيغة الأولى: استخدام القيمة المطلقة مع الذيل الأيمن
p_two_tailed_1 <- 2 * pt(abs(t_score), df = df, lower.tail = FALSE)

# الصيغة الثانية: استخدام القيمة السالبة للقيمة المطلقة مع الذيل الأيسر
p_two_tailed_2 <- 2 * pt(-abs(t_score), df = df, lower.tail = TRUE)

تضمن دالة abs() تحويل أي درجة T مدخلة (سواء كانت $-2.7$ أو $+2.7$) إلى قيمتها الموجبة المطلقة عند استخدام lower.tail = FALSE أو قيمتها السالبة عند استخدام lower.tail = TRUE، مما يضمن حساب مساحة الذيل المتطرف الصغير دائماً، ثم ضربه في 2 للحصول على القيمة الاحتمالية الإجمالية للاختبار ثنائي الطرف. ومن التحذيرات البرمجية الهامة تجنب كتابة 2 * pt(t_score, df) لقيم T الموجبة بدون استخدام المعاملات المناسبة، لأن ذلك سيؤدي إلى مضاعفة مساحة الذيل الأيسر الكبيرة مما ينتج عنه احتمال غير منطقي يتجاوز الواحد الصحيح.

6.3 تطبيق مقارن بين درجات الذكور والإناث في الذكاء الوجداني

في دراسة سيكومترية مقارنة، قام باحث بقياس مستوى الذكاء الوجداني لدى عينة مكونة من 32 من الذكور و35 من الإناث باستخدام مقياس مقنن. أظهرت الحسابات الأولية أن متوسط درجات الإناث كان أعلى بمقدار طفيف، وكانت قيمة $t = -2.086$ بدرجات حرية $df = 65$.

لحساب القيمة الاحتمالية ثنائية الطرف عبر كود R مرن يتعامل مع أي إشارة رقمية:

# بيانات دراسة الذكاء الوجداني
t_observed <- -2.086
df_ei <- 65

# حساب القيمة الاحتمالية ثنائية الطرف
p_value_two_tailed <- 2 * pt(-abs(t_observed), df = df_ei, lower.tail = TRUE)

cat("Observed t-score:", t_observed, "n")
cat("Degrees of Freedom:", df_ei, "n")
cat("Two-Tailed P-Value:", round(p_value_two_tailed, 5), "n")

أظهرت النتيجة أن القيمة الاحتمالية ثنائية الطرف هي $p = 0.04087$. وبالمقارنة مع عتبة الدلالة $\alpha = 0.05$، فإن النتيجة تعتبر دالة إحصائياً ($p < .05$)، مما يسمح برفض الفرضية الصفرية والاستنتاج بوجود فرق دال إحصائياً بين الجنسين في الذكاء الوجداني، مع الإشارة إلى أن حجم العينة وطبيعة التوزيعات تدعم التفسير المتزن لهذه الفروق.

7. بناء دوال مخصصة (Custom Functions) لأتمتة الحساب في R

7.1 تصميم دالة برمجية شاملة لحساب P-Value

لرفع الكفاءة البرمجية وتجنب تكرار كتابة الأكواد في المشاريع البحثية الموسعة، يمكن بناء دالة مخصصة في R تستقبل درجة T ودرجات الحرية ونوع الفرضية، وتقوم بإرجاع القيمة الاحتمالية المحسوبة بدقة متناهية. تتيح الدالة التالية معالجة الاختبارات أحادية الطرف الأيسر (“less”)، وأحادية الطرف الأيمن (“greater”)، وثنائية الطرف (“two.sided”):

calc_t_pvalue <- function(t_val, df_val, alternative = c("two.sided", "less", "greater")) {
  alternative <- match.arg(alternative)
  
  if (alternative == "less") {
    p_val <- pt(q = t_val, df = df_val, lower.tail = TRUE)
  } else if (alternative == "greater") {
    p_val <- pt(q = t_val, df = df_val, lower.tail = FALSE)
  } else if (alternative == "two.sided") {
    p_val <- 2 * pt(q = -abs(t_val), df = df_val, lower.tail = TRUE)
  }
  
  return(p_val)
}

يوفر هذا التصميم واجهة برمجية موحدة ومرنة وقابلة للاستدعاء السريع داخل بيئات التحليل المتقدمة، مع توافق كامل مع خيارات دالة t.test() المدمجة في R.

7.2 التحقق من صحة المدخلات ومعالجة الأخطاء (Error Handling)

يتطلب بناء دوال برمجية رصينة تضمين آليات للتحقق من صحة المدخلات (Data Validation) ومعالجة الأخطاء الاستثنائية لضمان عدم حدوث انهيار برمجي أثناء معالجة مجموعات البيانات الضخمة. يتم ذلك باستخدام دوال stop() وwarning() لفحص نوعية وقيم المدخلات:

robust_t_pvalue <- function(t_val, df_val, alternative = "two.sided") {
  # التحقق من أن المدخلات أرقام أحادية
  if (!is.numeric(t_val) || length(t_val) != 1) {
    stop("خطأ: يجب أن تكون درجة T قيمة عددية مفردة.")
  }
  if (!is.numeric(df_val) || length(df_val) != 1 || df_val <= 0) {
    stop("خطأ: درجات الحرية يجب أن تكون قيمة عددية موجبة تماماً أكبر من الصفر.")
  }
  if (is.na(t_val) || is.na(df_val)) {
    stop("خطأ: المدخلات تحتوي على قيم مفقودة (NA).")
  }
  
  valid_alt <- c("two.sided", "less", "greater")
  if (!alternative %in% valid_alt) {
    stop("خطأ: خيار الفرضية البديلة غير صالح. اختر: 'two.sided' أو 'less' أو 'greater'.")
  }
  
  # تنفيذ الحساب الحسابي الآمن
  p <- switch(alternative,
              "less" = pt(t_val, df_val, lower.tail = TRUE),
              "greater" = pt(t_val, df_val, lower.tail = FALSE),
              "two.sided" = 2 * pt(-abs(t_val), df_val, lower.tail = TRUE))
  
  return(p)
}

تضمن هذه التحسينات سلامة الإجراءات الحسابية ومنع ظهور نتائج مضللة أو غير معرفة، مما يجعل الدالة جاهزة للدمج في حزم برمجية خاصة بالمختبرات البحثية.

7.3 إخراج النتائج بتنسيقات متوافقة مع جداول النشر العلمي

في المراحل النهائية من التحليل، يحتاج الباحث إلى دمج النتائج الإحصائية في هياكل بيانات مهيكلة (Data Frames) وتنسيق النصوص العشرية تلقائياً لتتوافق مع معايير التقارير العلمية. يمكن تطوير الدالة لتقوم بتنسيق الأرقام واستبدال القيم متناهية الصغر بالصيغة القياسية المعترف بها:

format_t_summary <- function(t_val, df_val, alternative = "two.sided", digits = 3) {
  p_raw <- robust_t_pvalue(t_val, df_val, alternative)
  
  # تنسيق القيمة الاحتمالية وفق شروط APA
  if (p_raw < 0.001) {
    p_formatted <- "< .001"
  } else {
    p_formatted <- sub("^0", "", sprintf(paste0("%.", digits, "f"), p_raw))
    p_formatted <- paste0("= ", p_formatted)
  }
  
  result_df <- data.frame(
    Statistic = "t",
    T_Value = round(t_val, digits),
    df = round(df_val, 2),
    Alternative = alternative,
    Raw_P = p_raw,
    APA_Report = paste0("t(", round(df_val, 1), ") = ", round(t_val, digits), ", p ", p_formatted),
    stringsAsFactors = FALSE
  )
  
  return(result_df)
}

تولد هذه الدالة مخرجات منظمة يمكن تصديرها مباشرة إلى جداول النشر في صيغ CSV أو LaTeX أو جداول HTML مخصصة للعرض في التقارير الأكاديمية.

8. التمثيل البياني لتوزيع T ومناطق القيمة الاحتمالية في R

8.1 استخدام الرسوم الأساسية (Base R Graphics)

يوفر نظام الرسم الأساسي في R طريقة سريعة وفعالة لرسم منحنى كثافة توزيع T وتظليل المساحة المقابلة للقيمة الاحتمالية باستخدام الدوال المدمجة curve() وdt() وpolygon():

# المعلمات الإحصائية للرسم
deg_free <- 20
t_obs <- 2.10

# رسم المنحنى الأساسي لتوزيع T
curve(dt(x, df = deg_free), from = -4, to = 4, lwd = 2, col = "navy",
      xlab = "t-Score", ylab = "Density",
      main = "Student's t-Distribution (df = 20) with P-Value Area")

# تظليل مساحة الطرف الأيمن للقيمة الاحتمالية
x_fill <- seq(t_obs, 4, length.out = 100)
y_fill <- dt(x_fill, df = deg_free)
polygon(c(t_obs, x_fill, 4), c(0, y_fill, 0), col = rgb(1, 0, 0, 0.4), border = NA)

# إضافة خط عمودي عند درجة T المحسوبة
abline(v = t_obs, col = "red", lty = 2, lwd = 2)
abline(h = 0, col = "gray")

يقوم هذا الكود بإنشاء تمثيل بصري دقيق يوضح موضع درجة T المحسوبة بالنسبة لتوزيع الفرضية الصفرية مع تظليل المساحة التي تمثل القيمة الاحتمالية باللون الأحمر شبه الشفاف.

8.2 إنشاء مخططات احترافية باستخدام حزمة ggplot2

تُعد حزمة ggplot2 المعيار الأكثر احترافية لتوليد رسومات بيانية فائقة الدقة تتوافق تماماً مع متطلبات النشر في مجلات الجمعية الأمريكية لعلم النفس. يوضح الكود التالي كيفية بناء مخطط توزيع T ثنائي الطرف:

library(ggplot2)

df_plot <- 30
t_stat <- 2.042

# توليد شبكة بيانات التوزيع
x_vals <- seq(-4, 4, length.out = 1000)
plot_data <- data.frame(
  x = x_vals,
  y = dt(x_vals, df = df_plot)
)

# بناء المخطط البياني التوضيحي
ggplot(plot_data, aes(x = x, y = y)) +
  geom_line(color = "#2C3E50", linewidth = 1) +
  geom_ribbon(data = subset(plot_data, x >= abs(t_stat)),
              aes(ymin = 0, ymax = y), fill = "#E74C3C", alpha = 0.5) +
  geom_ribbon(data = subset(plot_data, x <= -abs(t_stat)),
              aes(ymin = 0, ymax = y), fill = "#E74C3C", alpha = 0.5) +
  geom_vline(xintercept = c(-t_stat, t_stat), color = "#C0392B", linetype = "dashed", linewidth = 0.8) +
  labs(title = "Two-Tailed P-Value Visualization on t(30) Distribution",
       subtitle = paste("Calculated t =", t_stat, "| Shaded Area = P-Value"),
       x = "t-Statistic", y = "Probability Density") +
  theme_classic() +
  theme(plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
        plot.subtitle = element_text(size = 11, hjust = 0.5))

يمنح هذا التمثيل القارئ فهماً فورياً لكيفية توزع مساحات الرفض عبر طرفي المنحنى التناظري بصورة بصرية واضحة وجذابة.

8.3 الربط البصري بين حجم التأثير (Effect Size) والمساحة المظللة

يسهم التمثيل البصري في توضيح العلاقة بين القيمة الاحتمالية وحجم التأثير المعياري؛ فعندما يكون حجم التأثير كبيراً (مثل $d = 0.80$) وتكون العينة كافية، فإن درجة T تنزاح بعيداً عن الصفر، مما يجعل المساحة المظللة لـ P-Value تنكمش إلى شريط دقيق جداً عند أطراف المنحنى. وعلى العكس، عند وجود حجم تأثير ضعيف ($d = 0.15$)، تبقى درجة T قريبة من المركز وتغطي المساحة المظللة جزءاً كبيراً من المنحنى.

إن إبراز كل من حجم الأثر ومساحة P-Value في تقرير بصري واحد يساعد الباحث على تجنب الانخداع بالدلالة الإحصائية الناتجة فقط عن كبر حجم العينة، مما يعزز التفسير السيكولوجي السليم للنتائج.

9. مقارنة الحساب اليدوي بدالة pt() مع مخرجات دالة t.test()

9.1 طبيعة عمل دالة t.test() المدمجة في R

تحتوي لغة R على دالة مدمجة شاملة هي t.test()، والتي تقوم بإجراء التحليل الإحصائي الكامل انطلاقاً من متجهات البيانات الخام (Raw Data Vectors). تُرجع هذه الدالة كائناً برمجياً من الفئة htest يحتوي على كافة المعالم الإحصائية؛ بما في ذلك قيمة T المحسوبة، ودرجات الحرية، والقيمة الاحتمالية، وفترات الثقة، ومتوسطات المجموعات.

يمكننا التحقق من التطابق الحسابي التام بين القيمة الاحتمالية المحسوبة يدوياً عبر دالة pt() وتلك المستخرجة من دالة t.test() من خلال الكود التجريبي التالي:

# توليد بيانات نفسية افتراضية لعينة تجريبية وأخرى ضابطة
set.seed(123)
group_ctrl <- rnorm(25, mean = 50, sd = 10)
group_exp <- rnorm(25, mean = 56, sd = 10)

# إجراء اختبار T الكلاسيكي بافتراض تجانس التباين
ttest_obj <- t.test(group_exp, group_ctrl, var.equal = TRUE)

# استخراج الإحصاءات الأساسية من الكائن
t_extracted <- ttest_obj$statistic
df_extracted <- ttest_obj$parameter
p_extracted <- ttest_obj$p.value

# الحساب اليدوي المقابل باستخدام pt()
p_manual <- 2 * pt(-abs(t_extracted), df = df_extracted, lower.tail = TRUE)

# التحقق من التطابق الرقمي التام
cat("t.test() P-value:", p_extracted, "n")
cat("Manual pt() P-value:", p_manual, "n")
cat("Difference:", abs(p_extracted - p_manual), "n")

تثبت هذه المقارنة أن دالة t.test() تعتمد في بنيتها التحتية على نفس الخوارزميات التكاملية لدالة pt()، مع كون الفارق الوحيد هو أن pt() تتيح للباحث العمل انطلاقاً من الإحصاءات الموجزة الجاهزة المنشورة في الأدبيات دون الحاجة لامتلاك البيانات الخام الأصلية.

9.2 التعامل مع اختبار ويلش واختبار ستودنت الكلاسيكي

تعتمد دالة t.test() في R افتراضاً مبدئياً غاية في الأهمية: وهو تطبيق اختبار ويلش (Welch’s t-test) كخيار افتراضي (var.equal = FALSE)، نظراً لأن افتراض تجانس التباين بين المجموعات نادراً ما يتحقق تماماً في العينات النفسية الواقعية. يؤدي هذا الخيار إلى حساب درجات حرية معدلة تكون في الغالب أرقاماً عشرية كسرية.

لحساب القيمة الاحتمالية يدوياً لاختبار ويلش باستخدام pt()، نقوم ببساطة بتمرير قيمة درجات الحرية الكسرية الناتجة عن معادلة ويلش مباشرة إلى المعامل df دون أي تقريب جبري:

# درجات حرية ويلش كسرية ناتجة عن عدم تجانس التباين
t_welch <- 2.415
df_welch <- 38.462

# حساب P-Value بالاختبار ثنائي الطرف
p_val_welch <- 2 * pt(-abs(t_welch), df = df_welch, lower.tail = TRUE)
cat("Welch P-value:", round(p_val_welch, 5), "n")

يدعم المحرك الرياضي لدالة pt() درجات الحرية الكسرية بكفاءة متناهية، مما يضمن دقة استخراج P-Value دون تحيز قد يطرأ لو تم تقريب درجات الحرية لأقرب عدد صحيح.

9.3 تفكيك الكائنات الإحصائية في R لاستخراج القيم الدقيقة

عند التعامل مع كائنات htest في التقارير الديناميكية، يُفضل استخراج المكونات الحسابية برمجياً عبر الرمز $ بدلاً من نقلها يدوياً لتفادي الأخطاء المطبعية:

• ttest_obj$p.value: يستخرج القيمة الاحتمالية الكاملة بدقة الفاصلة العائمة المزدوجة (Double Precision).
• ttest_obj$statistic: يستخرج قيمة درجة T المحسوبة.
• ttest_obj$parameter: يستخرج درجات الحرية الفعلية المرتبطة بالاختبار.
• ttest_obj$conf.int: يستخرج فترة الثقة المقابلة لفرق المتوسطين (بمستوى ثقة افتراضي 95%).

يتيح هذا التفكيك إدراج النتائج ديناميكياً ضمن نصوص R Markdown باستخدام الشيفرات الداخلية (Inline R Code) مثل: `r ttest_obj$p.value`، مما يجعل التقارير العلمية تتحدث تلقائياً عند تعديل أو تحديث البيانات.

10. الأخطاء الشائعة والمنزلقات الإحصائية أثناء حساب P-Value في R

10.1 أخطاء ضبط معامل lower.tail والاتجاهات الخاطئة

يعد الخطأ الأكثر شيوعاً بين الباحثين ومحللي البيانات هو سوء ضبط المعامل lower.tail؛ حيث ينسى الباحث أن القيمة الافتراضية هي TRUE (حساب المساحة اليسرى). فعند حساب القيمة الاحتمالية لاختبار أحادي الطرف الأيمن لدرجة T موجبة (مثل $t = 2.10$)، يؤدي استخدام pt(2.10, df = 20) دون تعديل المعامل إلى حساب المساحة من $-\infty$ إلى $2.10$، مما يعطي احتمالاً مشوهاً يقارب $0.976$ بدلاً من القيمة الحقيقية للذيل الأيمن وهي $0.024$.

لتجنب هذا الانزلاق، يجب على الباحث اتباع قاعدة مراجعة ذهبية: إذا كانت درجة T المحسوبة في اتجاه الفرضية البديلة المتوقعة، فيجب أن تكون مساحة القيمة الاحتمالية أحادية الطرف أقل من $0.50$ دائماً. وإذا ظهرت نتيجة الاحتمال أكبر من $0.50$، فهذا مؤشر قطعي على أن الحساب تم في الاتجاه المعاكس أو أن الفارق المرصود جاء عكس اتجاه التنبؤ البحثي.

10.2 إغفال مضاعفة القيمة في الاختبارات ثنائية الطرف

يقع بعض الباحثين في خطأ منهجي فادح عند تطبيق الاختبار ثنائي الطرف؛ حيث يقوم بحساب مساحة طرف واحد فقط عبر pt() ويكتفي بها دون مضاعفتها بالضرب في 2. يترتب على هذا الخطأ تقليص القيمة الاحتمالية إلى نصف قيمتها الحقيقية، مما يضاعف معدل الخطأ من النوع الأول (Type I Error – تزييف الدلالة الإحصائية) بمقدار الضعف، ويؤدي إلى رفض الفرضية الصفرية بشكل غير قانوني علمياً.

تتمثل الحماية البرمجية من هذا الخطأ في إنشاء دوال فحص أو الاعتماد على الصيغة المعيارية الثابتة 2 * pt(-abs(t), df) التي تفرض المضاعفة الحسابية بصورة تلقائية في كافة التحليلات غير الموجهة.

10.3 مغالطات تفسير القيمة الاحتمالية في الأبحاث النفسية

ارتبطت أزمة التكرارية في العلوم النفسية بممارسات التحريف الإحصائي المعروفة بـ P-hacking، والتي تشمل تحويل صياغة الفرضية من ثنائية الطرف إلى أحادية الطرف بعد الاطلاع على النتائج (HARKing – Hypothesizing After Results are Known) بهدف تقليص القيمة الاحتمالية إلى النصف لتتجاوز عتبة $p < .05$.

كما يقع العديد من الباحثين في مغالطة مساواة القيمة الاحتمالية بحجم الأثر الفعلي أو الأهمية الإكلينيكية. إن القيمة الاحتمالية لا تقيس قوة التأثير ولا أهميته التطبيقية في التشخيص النفسي، بل تخبرنا فقط عن مدى توافق البيانات مع نموذج الصدفة المحضة. ويجب دائماً تدعيم القيمة الاحتمالية بحساب فترات الثقة ومؤشرات حجم التأثير مثل مربع إيتا ومؤشر كوهين $d$.

11. كتابة تقرير النتائج وصياغة P-Value وفق معايير APA 7

11.1 قواعد التوثيق الإحصائي لاختبار T وفق الدليل السابع لـ APA

يحدد الدليل السابع للجمعية الأمريكية لعلم النفس (APA 7th Edition) معايير صارمة وواضحة لصياغة نتائج الاختبارات التائية والقيم الاحتمالية في المتن والجداول. يأتي القالب المعياري المعتمد كالتالي:

$$t(df) = \text{Value}, , p = \text{Value}, , d = \text{Value}$$

تشمل القواعد التوثيقية الجوهرية ما يلي:

• تُكتب الحروف الإحصائية اللاتينية بخط مائل مائل (Italic)، مثل: t, p, M, SD, d.
• لا يُوضع الصفر قبل الفاصلة العشرية للقيم التي لا يمكن رياضياً أن تتجاوز الواحد الصحيح، وعلى رأسها القيمة الاحتمالية ومستوى ألفا والارتباط (مثل: p = .034 وليس p = 0.034). بينما يوضع الصفر للأرقام التي قد تتجاوز الواحد مثل درجات T والانحرافات المعيارية (مثل: t(28) = 0.85).
• تُقرب القيمة الاحتمالية إلى خانتين أو ثلاث خانات عشرية (Three Decimal Places) لتعكس الدقة المطلوبة (مثل: p = .028).

11.2 التعامل مع القيم الاحتمالية المتناهية الصغر

يحظر دليل APA 7 بشكل قاطع كتابة القيمة الاحتمالية مساوية للصفر المطلق (مثل: p = .000 أو p = 0.0000)، كما يوصي بتجنب استخدام التدوين العلمي المصغر (مثل: p = 2.45e-06) في المتن البحثي العام.

عندما تكون القيمة الاحتمالية المحسوبة في R أصغر من $0.001$، يتم توثيقها باستخدام علامة أصغر من بالشكل المعياري الآتي:

p < .001

يمكن أتمتة هذه الصياغة في سكريبتات R باستخدام دالة شرطية مخصصة مثل:

format_apa_p <- function(p) {
  ifelse(p < .001, "p < .001", sub("^0", "p = ", sprintf("%.3f", p)))
}

11.3 أمثلة تطبيقية شاملة لنصوص نتائج بحثية جاهزة للنشر

نموذج لاختبار T للعينات المستقلة:
«أظهرت نتائج اختبار t للعينات المستقلة وجود فروق دالة إحصائياً بين درجات مجموعة التدريب المعرفي (M = 78.40, SD = 8.25) والمجموعة الضابطة (M = 69.15, SD = 9.10) في مقياس الانتباه التنفيذي، t(48) = 3.76, p < .001, d = 1.06, 95% CI [4.32, 14.18].»

نموذج لاختبار T للعينات المترابطة (القياس القبلي-البعدي):
«كشف اختبار t للعينات المترابطة عن انخفاض دال إحصائياً في مستويات التوتر النفسي بعد تطبيق برنامج الاسترخاء (M = 18.20, SD = 4.15) مقارنة بالقياس القبلي (M = 26.80, SD = 5.30)، t(29) = -7.42, p < .001, d = 1.35.»

نموذج لاختبار T لعينة واحدة:
«بينت النتائج أن متوسط تقدير الذات لدى أفراد العينة (M = 34.50, SD = 4.80) كان أعلى بصورة دالة إحصائياً من المتوسط المعياري العام المفترض للمجتمع والبالغ 30 نقطة، t(39) = 5.93, p < .001, d = 0.94.»

12. خاتمة ودليل مرجعي سريع لحسابات T في لغة R

12.1 جدول المقارنة السريع للأوامر الحسابية وفق نوع الاختبار

يلخص الجدول التالي الأوامر البرمجية الدقيقة لحساب القيمة الاحتمالية لدرجة T في لغة R وفق مختلف أنواع الفرضيات والتصميمات الإحصائية:

نوع الاختبار الإحصائي	الفرضية البديلة ($H_1$)	صيغة كود R الموصى بها	ملاحظات الدقة الرقمية
أحادي الطرف الأيسر (Left-Tailed)	$\mu < \mu_0$ (نقصان / تراجع)	pt(t_val, df, lower.tail = TRUE)	تُدخل قيمة T بإشارتها السالبة المحسوبة.
أحادي الطرف الأيمن (Right-Tailed)	$\mu > \mu_0$ (زيادة / تفوق)	pt(t_val, df, lower.tail = FALSE)	تجنب 1 - pt() للقيم الكبيرة لمنع خطأ الفاصلة.
ثنائي الطرف (Two-Tailed)	$\mu_1 \neq \mu_2$ (وجود فارق)	2 * pt(-abs(t_val), df, lower.tail = TRUE)	تتعامل الدالة تلقائياً مع الإشارات الموجبة والسالبة.
اختبار ويلش المعدل (Welch t-test)	تباينات غير متجانسة	2 * pt(-abs(t_val), df = df_welch)	يقبل المعامل df درجات الحرية الكسرية العشرية.

12.2 أفضل الممارسات البرمجية والتحليلية للباحثين في علم النفس

لضمان أعلى درجات الرصانة الأكاديمية والامتثال لمبادئ العلم المفتوح (Open Science Framework)، يوصى باتباع الممارسات التالية عند إجراء تحليلات T في بيئة R:

• التسجيل المسبق للفرضيات (Preregistration): تحديد اتجاه الاختبار (أحادي أو ثنائي الطرف) ومستوى ألفا المقبول مسبقاً قبل جمع البيانات لمنع تحيزات الانتقاء اللاحق.
• التحليل التكاملي الثلاثي: عدم الاكتفاء بذكر القيمة الاحتمالية وحدها، بل تقديمها دائماً مقترنة بحجم التأثير المعياري (Cohen’s d) وفترات الثقة (Confidence Intervals) المقابلة.
• مشاركة الأكواد القابلة للتكرار: إرفاق سكريبتات R المنظمة والموثقة جيداً كملفات ملحقة في المجلات المحكمة لتمكين الباحثين الآخرين من فحص ومراجعة وتكرار الخطوات الحسابية بدقة.

12.3 المراجع والمصادر الإحصائية الموصى بها لمزيد من التعمق

يوصى بالاستعانة بمجموعة من الحزم والمراجع البرمجية المتقدمة لتعميق التحليل السيكومتري في بيئة R، مثل حزمة psych للتحليلات النفسية الشاملة، وحزمة effectsize لحساب فترات الثقة وأحجام التأثير المتوافقة مع APA، وحزمة parameters لاستخراج نتائج النماذج الإحصائية بجودة فائقة.

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.
• Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications.
• Navarro, D. (2018). Learning statistics with R: A tutorial for psychology students and other beginners (Version 0.6). https://learningstatisticswithr.com/
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Student [Gosset, W. S.]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.1093/biomet/6.1.1
• Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer-Verlag New York. https://ggplot2.tidyverse.org