الإحصاء النفسيتحليل البياناتطرق البحث والقياس

كيفية حساب المتوسط المقتطع (خطوة بخطوة)

دليل أكاديمي شامل يشرح كيفية حساب المتوسط المقتطع خطوة بخطوة مع أمثلة عملية وتطبيقات إحصائية في علم النفس وتحليل البيانات المعقدة.

تاريخ النشر

تُعد مقاييس النزعة المركزية (Measures of Central Tendency) حجر الزاوية في التحليل الإحصائي الاستكشافي والاستدلالي، حيث تهدف إلى تلخيص مصفوفات البيانات المعقدة في قيمة عددية منفردة تعبر عن المركز التوزيعي للظاهرة قيد الدراسة. وعلى الرغم من الهيمنة التاريخية للمتوسط الحسابي البسيط (Arithmetic Mean) كخيار افتراضي في الأدبيات الأكاديمية والتطبيقية نظراً لخصائصه الجبرية وسهولة حسابه وتعامله السلس في الاشتقاقات الرياضية، إلا أنه يعاني من نقطة ضعف منهجية حاسمة تتمثل في حساسيته المفرطة للقيم الشاذة والمتطرفة (Outliers) والتواءات التوزيع (Skewness)؛ إذ تكفي مفردة متطرفة واحدة لتشويه المتوسط وسحبه بعيداً عن مركز الثقل الحقيقي للبيانات، مما يقود إلى استنتاجات مضللة وقرارات بحثية غير دقيقة.

في المقابل، يمثل الوسيط الإحصائي (Median) البديل المقاوم للتشوه، نظراً لتمتعه بمناعة مطلقة ضد القيم المتطرفة القصوى، غير أن هذه الحصانة تأتي على حساب الكفاءة الإحصائية (Statistical Efficiency)؛ فالوسيط يتجاهل تماماً التباين التفصيلي والقيم الفعلية للمشاهدات الواقعة بين المركز والأطراف، مكتفياً بالرتبة المكانية فقط، وهو ما يترتب عليه فقدان كم هائل من المعلومات الرياضية الكامنة في التوزيع التكراري. ومن هنا برزت الحاجة المنهجية في إطار الإحصاء المتين (Robust Statistics) إلى ابتكار مقياس توفيقي متقدم يجمع بين كفاءة وحساسية المتوسط الحسابي ومقاومة ومناعة الوسيط الإحصائي، وهو ما تجسد في مفهوم المتوسط المقتطع (Trimmed Mean).

يهدف هذا الدليل الشامل والمفصل إلى تفكيك البنية الرياضية والمنهجية للمتوسط المقتطع، متتبعاً أصوله النظرية وخطوات حسابه اليدوي والبرمجي خطوة بخطوة، مع تسليط الضوء على المعايير الإحصائية لتحديد نسب الاقتطاع المثلى، ومعالجة التعقيدات الحسابية المرتبطة بالكسور، ومقارنته بالبدائل التقليدية والحديثة كالتحويل الوينزوري (Winsorization)، وصولاً إلى تطبيقاته المتقدمة في القياس النفسي والسلوكي واختبارات الفروض الاستدلالية المتقدمة كاختبار يوين (Yuen’s Test)، وتوثيقه وفق المعايير المعيارية لجمعية علم النفس الأمريكية (APA).

جدول المحتويات

1. المفهوم الإحصائي للمتوسط المقتطع (Trimmed Mean) وأسسه النظرية

1.1 تعريف المتوسط المقتطع في الإحصاء الوصفي والبارامتري

يُعرف المتوسط المقتطع (Trimmed Mean)، ويُطلق عليه أحياناً المتوسط المشذب أو المبتور (Truncated Mean)، بأنه مقيار إحصائي للنزعة المركزية يُحسب من خلال إيجاد المتوسط الحسابي لمجموعة من المشاهدات بعد استبعاد نسبة مئوية محددة ومتناظرة مسبقاً من أدنى وأعلى قيم التوزيع التكراري للبيانات. يهدف هذا الإجراء المنهجي إلى تنقية مصفوفة البيانات من التشوهات الشديدة التي قد تنتج عن أخطاء القياس أو الحالات المتطرفة الاستثنائية التي لا تمثل المجتمع الإحصائي المدروس، مع الاحتفاظ بالأغلبية العظمى من المشاهدات التي تعكس الخصائص التوزيعية الحقيقية للمتغير.

تاريخياً، ارتبط تطوير المتوسط المقتطع بأعمال رواد مدرسة الإحصاء المتين في منتصف القرن العشرين، وعلى رأسهم جون توكي (John Tukey) وبيتر هوبر (Peter Huber) وفرانك هامبل (Frank Hampel). وقد جاء تطويره كاستجابة مباشرة لإدراك أن التوزيع الطبيعي المعياري (Gaussian Distribution) يمثل نموذجاً مثالياً نادراً ما يتحقق في الواقع التجريبي والتطبيقي؛ إذ تحتوي البيانات الحقيقية في الغالب على ذيول ثقيلة (Heavy Tails) وتلوث توزيعي (Distributional Contamination) يجعل المتوسط الحسابي التقليدي غير موثوق.

ويكمن التمايز الجوهري بين المتوسط الحسابي البسيط والمتوسط المقتطع في مفهوم “نقطة الانهيار” (Breakdown Point)، وهي مقياس لمقاومة المقياس الإحصائي للتلف عند وجود قيم ملوثة. يمتلك المتوسط الحسابي البسيط نقطة انهيار تبلغ $0%$ (أو رياضياً $\frac{1}{n}$)، مما يعني أن قيمة شاذة واحدة ذات مقدار ضخم كفيلة بجعل المتوسط يتباعد نحو اللانهاية دون أي سقف يحكمه. بينما يمتلك المتوسط المقتطع بنسبة $\alpha$ نقطة انهيار تعادل تماماً تلك النسبة المقتطعة، فإذا تم تطبيق اقتطاع بنسبة $20%$، فإن نقطة الانهيار تصبح $0.20$، مما يجعله قادراً على تحمل تلوث يصل إلى خمس حجم العينة الإجمالي دون أن تنهار كفاءته في تقدير مركز التوزيع.

1.2 دواعي اللجوء إلى المتوسط المقتطع وتأثير القيم المتطرفة (Outliers)

تفرض طبيعة الظواهر الإنسانية والاجتماعية والنفسية والبيولوجية تحديات توزيعية جمة على الباحثين؛ فالتوزيعات التكرارية للبيانات التجريبية نادراً ما تكون متماثلة تماثلاً تاماً، بل تشهد في كثير من الأحيان التواءات موجبة أو سالبة حادة (Severe Positive or Negative Skewness). وفي ظل هذه الالتواءات، ينجذب المتوسط الحسابي التقليدي بقوة نحو الذيل الطويل للتوزيع، مما يجعله يعبر عن الطرف المتطرف أكثر من تعبيره عن الكتلة الحيوية للمشاركين أو المفردات قيد القياس. يوفر المتوسط المقتطع حلاً حاسماً لهذه الإشكالية من خلال التخلص من أطراف تلك الذيول الحادة وإعادة موضعة المقياس في المركز الحقيقي للكتلة التوزيعية.

علاوة على ذلك، تلعب أخطاء القياس العشوائية (Measurement Errors)، وأخطاء الإدخال الرقمي (Data Entry Errors)، وظواهر التشتت الذهني أو عدم الجدية لدى بعض المستجيبين في البحوث السلوكية والمسحية، دوراً كبيراً في إنتاج قيم متطرفة شاذة لا صلة لها بالبنية النظرية للمتغير المقاس. يؤدي الإبقاء على هذه القيم إلى تضخيم غير مبرر في التباين والخطأ المعياري، مما يُضعف القوة الإحصائية (Statistical Power) للاختبارات الفرضية اللاحقة. إن تطبيق المتوسط المقتطع يعمل كمرشح تنقية (Filtration Mechanism) يستبعد هذا الضجيج الإحصائي بكفاءة عالية دون إهدار عشوائي للبيانات.

وتتجلى القيمة المنهجية الكبرى للمتوسط المقتطع في قدرته الفريدة على إحداث توازن مثالي في المفاضلة الكلاسيكية بين الكفاءة والمقاومة (Trade-off between Efficiency and Robustness)؛ فبينما يتميز المتوسط الحسابي بكفاءة مطلقة ($100%$) في التوزيعات الطبيعية النقية ولكنه يفتقر إلى أدنى درجات المقاومة، ويتمتع الوسيط بمقاومة قصوى ($50%$) ولكنه يفقد ما يقارب $36%$ من كفاءته في التوزيعات الطبيعية (إذ تبلغ كفاءته النسبية المقاربة حوالي $64%$)، ينجح المتوسط المقتطع (كنسبة $10%$ أو $20%$) في الاحتفاظ بكفاءة تتجاوز $95%$ في التوزيع الطبيعي، مع ضمان مقاومة فائقة للقيم المتطرفة، مما يجعله المقياس الأمثل والأكثر توازناً للبيانات شبه القياسية والملوثة.

1.3 الخلفية الرياضية والرموز الإحصائية المستخدمة في الحساب

يستند الحساب الرياضي للمتوسط المقتطع إلى صياغة جبرية دقيقة تعتمد على ترتيب العينة وتحديد المشاهدات الواقعة ضمن النطاق المسموح به. لتكن لدينا عينة عشوائية من المشاهدات المستقلة والموزعة توزيعاً متطابقاً بحجم إجمالي يُرمز له بالرمز $n$، وممثلة بالمصفوفة غير المرتبة: ${X_1, X_2, X_3, dots, X_n}$. تبدأ المعالجة الرياضية بتحويل هذه المصفوفة إلى مصفوفة إحصاءات الرتب (Order Statistics)، بحيث تُرتب القيم ترتيباً تصاعدياً صارماً من الأصغر إلى الأكبر، ويُرمز لها بالصيغة:

$$X_{(1)} le X_{(2)} le X_{(3)} le dots le X_{(n)}$$

حيث يمثل $X_{(1)}$ أصغر قيمة مسجلة في العينة، بينما يمثل $X_{(n)}$ أكبر قيمة فيها. تُحدد نسبة الاقتطاع المرغوبة برمز المعامل $\alpha$ (ألفا) أو $k%$، حيث تكون هذه النسبة محصورة في المجال الرياضي المفتوح: $0 le \alpha < 0.5$. يُحسب عدد المشاهدات الفردية الواجب استبعادها من كل طرف من طرفي التوزيع بالمعادلة التالية:

$$g = \lfloor n \cdot \alpha \rfloor$$

حيث يمثل $g$ عدداً صحيحاً يعبر عن عدد القيم المستبعدة من الذيل الأدنى وعدد القيم المستبعدة من الذيل الأعلى (أي ما مجموعه $2g$ قيمة مستبعدة كلياً)، بينما تمثل الأقواس المعقوفة $\lfloor \cdot \rfloor$ دالة التقريب للأدنى (Floor Function) أو أقرب عدد صحيح وفق القواعد الرياضية المتبعة. وبناءً على ذلك، يتم صياغة معادلة المتوسط المقتطع، والذي يُرمز له بالرمز $\bar{X}_{t(\alpha)}$ أو $\bar{X}_{\alpha}$، على النحو الرياضي المعياري التالي:

$$\bar{X}_{t(\alpha)} = \frac{1}{n – 2g} \sum_{i = g + 1}^{n – g} X_{(i)}$$

يشترط لتطبيق هذا النموذج الرياضي بنجاح أن يكون حجم العينة الإجمالي $n$ كافياً بحيث يتبقى بعد عملية الحذف عدد موجب وكافٍ من المشاهدات ($n – 2g ge 1$)، مع مراعاة أنه في الحالات التي يكون فيها $\alpha = 0$، تتحول المعادلة تلقائياً إلى صيغة المتوسط الحسابي البسيط $\bar{X} = \frac{1}{n}\sum X_i$، وحين تقترب $\alpha$ من $0.5$ (أي اقتطاع $50%$ من الطرفين)، ينحدر المتوسط المقتطع نظرياً ليطابق الوسيط الإحصائي تماماً.

2. الخطوات المنهجية لحساب المتوسط المقتطع: الدليل الإجرائي المعياري

2.1 الخطوة الأولى: ترتيب البيانات تصاعدياً وفحص هيكلها الرقمي

تمثل الخطوة الإجرائية الأولى والأساسية في حساب المتوسط المقتطع في إعادة هيكلة مصفوفة البيانات الخام وترتيبها تصاعدياً (Ascending Order) من القيمة الأدنى إلى القيمة الأعلى. هذه الخطوة حاسمة للغاية؛ لأن عدم انتظام البيانات يجعل من المستحيل التعرف بدقة على القيم المتطرفة التي تقبع على أطراف الذيلين. يجب فحص المصفوفة للتأكد من خلوها من الفراغات غير المسجلة والتأكد من القيمة الفعلية لحجم العينة الكلي ($n$).

أثناء عملية الترتيب، يواجه المحلل الإحصائي في كثير من الأحيان قيماً متكررة (Ties). في سياق حساب إحصاءات الرتب للمتوسط المقتطع، تُعامل القيم المتكررة معاملة المفردات المنفصلة التامة؛ إذ يتم إعطاء كل قيمة متكررة موقعاً مستقلاً في سلسلة الترتيب الخطي. فإذا تكررت القيمة (12) ثلاث مرات في عينة معينة، فإنها تشغل ثلاثة مواقع متتالية مثل $X_{(4)} = 12$ و $X_{(5)} = 12$ و $X_{(6)} = 12$. لا يتم دمج التكرارات في قيمة واحدة، بل تظل مفردات مستقلة لضمان صحة التعداد الإجمالي للعينة.

تتضمن هذه المرحلة أيضاً الفحص الأولي للقيم الشاذة المفرطة، وفحص ما إذا كانت بعض القيم ناتجة عن أخطاء في جمع البيانات (كإدخال عمر مشارك 999 بدلاً من 99)، حيث يجب اتخاذ قرارات تنظيف البيانات الأولية قبل اعتماد الحساب الرياضي النهائي للاقتطاع.

2.2 الخطوة الثانية: حساب عدد القيم الواجب حذفها من كلا الطرفين

بعد إتمام الترتيب الخطي وتحديد حجم العينة الكلي ($n$)، يتم الانتقال إلى تحديد نسبة الاقتطاع المستهدفة ($k%$). تتطلب هذه الخطوة ضرب النسبة المئوية العشرية في حجم العينة الكلي وفق القاعدة الحسابية:

$$\text{Number of Trimmed Observations per tail} (g) = n \times \left(\frac{k}{100}\right)$$

إذا كان الناتج عدداً صحيحاً خالصاً (Integer)، كأن يكون حجم العينة $n = 20$ ونسبة الاقتطاع $10%$، فإن $g = 20 \times 0.10 = 2$. يعني ذلك استبعاد قيمتين اثنتين بالتحديد من أدنى الترتيب وقيمتين اثنتين من أعلى الترتيب بالتناظر المطلق. أما إذا نتج عن عملية الضرب عدد كسري أو عشري، كأن يكون الناتج $1.4$ أو $2.7$، فيتم اللجوء إما إلى قواعد التقريب المعيارية المعتمدة (Rounding to the nearest integer) أو تقنيات الحذف الموزون (Fractional Trimming) التي سيتم تفصيلها في الأقسام اللاحقة.

الشرط الأساسي الذي لا يقبل الاستثناء في هذه المرحلة هو ضمان التناظر التام في الحذف؛ أي أن عدد القيم المحذوفة من الطرف الأيسر (القيم الصغرى) يجب أن يطابق بدقة مطلقة عدد القيم المحذوفة من الطرف الأيمن (القيم الكبرى)، للحفاظ على مركز الثقل النسبي للتوزيع وتجنب إحداث انحراف مصطنع في البيانات.

2.3 الخطوة الثالثة: اقتطاع القيم وتجهيز العينة الفرعية المتبقية

تتضمن هذه الخطوة التنفيذ المادي لعملية الاستبعاد؛ حيث يتم شطب القيم الإحصائية التي تشغل الرتب من $X_{(1)}$ إلى $X_{(g)}$ من أسفل التوزيع، وشطب القيم التي تشغل الرتب من $X_{(n-g+1)}$ إلى $X_{(n)}$ من أعلى التوزيع. تُعزل هذه القيم تماماً عن عملية الجمع اللاحقة وتُترك جانباً.

ينتج عن عملية الاستبعاد عينة فرعية جديدة ومعدلة يُطلق عليها “العينة الفعالة المتبقية” (Effective Remaining Sample)، ويبلغ حجم هذه العينة الجديدة رياضياً:

$$n_{\text{effective}} = n – 2g$$

من الضروري في هذه المرحلة التأكد البصري والحسابي من أن العينة المتبقية لم تُفرغ من محتواها الدلالي؛ إذ يجب أن تظل المشاهدات المتبقية كافية لتمثيل النطاق المركزي للظاهرة المدروسة، مع توثيق القيم التي تم استبعادها لضمان الشفافية المنهجية الكاملة في التقرير العلمي.

2.4 الخطوة الرابعة: حساب المتوسط الحسابي للبيانات المتبقية

تتمثل الخطوة الختامية في تطبيق الصيغة الكلاسيكية للمتوسط الحسابي ولكن على عناصر العينة الفرعية المتبقية حصراً. يتم أولاً حساب المجموع التراكمي للقيم المتبقية:

$$\text{Sum}_{\text{trimmed}} = \sum_{i=g+1}^{n-g} X_{(i)} = X_{(g+1)} + X_{(g+2)} + dots + X_{(n-g)}$$

بعد استخراج هذا المجموع الجديد، يُقسم الناتج مباشرة على حجم العينة الفعال ($n – 2g$) للحصول على القيمة النهائية للمتوسط المقتطع:

$$\bar{X}_{t} = \frac{\text{Sum}_{\text{trimmed}}}{n_{\text{effective}}}$$

تُسجل النتيجة النهائية بنفس وحدات القياس الأصلية للمتغير (مثل: ميلي ثانية، درجة على مقياس نفسي، كيلوجرام، إلخ)، ويتم بعد ذلك إجراء مقارنة وصفية فورية بين قيمة المتوسط المقتطع وقيمة المتوسط الحسابي البسيط الأصلي لتقييم حجم الإزاحة التوزيعية التي كانت تفرضها القيم المتطرفة على مركز البيانات.

3. تحديد نسبة الاقتطاع المثلى: المعايير الرياضية والمنهجية

3.1 نسب الاقتطاع القياسية الشائعة (5%، 10%، 20%) ودواعي استخدامها

تتنوع نسب الاقتطاع المستخدمة في البحوث الميدانية والتجريبية تبعاً لخصائص التوزيع والافتراضات المسبقة حول نقاء البيانات. ومن بين هذه النسب، تبرز ثلاث نسب معيارية تحظى بقبول وتطبيق واسع في الأوساط الأكاديمية:

  • اقتطاع بنسبة 5% (5% Trimmed Mean): يمثل خياراً محافظاً يهدف إلى التخلص من التلوث الإحصائي الطفيف والضوضاء الناتجة عن أخطاء الإدخال العرضية دون المساس بالهيكل العام للبيانات. يُعتبر هذا الاقتطاع مثالياً في الدراسات المعملية الدقيقة ذات الضبط العالي، وهو النسبة الافتراضية المعتمدة في تقارير الاستكشاف الوصفي لحزمة SPSS الإحصائية.
  • اقتطاع بنسبة 10% (10% Trimmed Mean): يمثل المعيار الذهبي الأكثر توازناً وشيوعاً في العلوم السلوكية والاجتماعية والمسوح الميدانية؛ حيث يوفر حماية قوية ضد التواءات الذيول مع الحفاظ على كفاءة إحصائية تقارب $97%$ مقارنة بالمتوسط الحسابي في ظل التوزيع الطبيعي.
  • اقتطاع بنسبة 20% (20% Trimmed Mean): يوصي به بشدة رواد الإحصاء المتين الحديث مثل راند ويلكوكس (Rand Wilcox) في حالات التوزيعات ذات الذيول شديدة الثقل (Heavy-tailed Distributions) أو عندما يُتوقع أن تحتوي العينة على نسبة تلوث واضحة، إذ يقدم هذا المستوى حماية فائقة وتوازناً مناعياً ممتازاً يقترب من متانة الوسيط دون التخلي عن الخصائص التجميعية للمتوسط.

3.2 العوامل المحددة لاختيار نسبة الاقتطاع المناسبة

لا يتم اختيار نسبة الاقتطاع اعتباطياً أو بصورة عشوائية بعد الاطلاع على النتائج لتفادي الانزلاق في فخ التحيز البحثي، بل يخضع الاختيار لمجموعة من المعايير المنهجية الصارمة:

أولاً، حجم العينة الكلي ($n$): في العينات الكبيرة جداً ($n > 500$)، يمكن لنسبة اقتطاع صغيرة مثل $5%$ أن تحذف عدداً كافياً من المشاهدات الشاذة، بينما في العينات الصغيرة ($n < 30$)، فإن استخدام نسب اقتطاع مرتفعة كـ $20%$ قد يقلل حجم العينة الفعال بدرجة مفرطة قد تضعف القوة الإحصائية للاختبارات اللاحقة.

ثانياً، طبيعة الظاهرة ومستوى التلوث التوزيعي المتوقع: في التجارب التي تتضمن مقاييس زمنية (مثل زمن الرجع الحركي أو الإدراكي)، تشير الأدبيات المتخصصة إلى وجود نسب تشتت وشرود ذهني تتطلب عادة اقتطاعاً يتراوح بين $10%$ و $20%$. أما في القياسات الفيزيائية الدقيقة، فقد تكفي نسبة $2.5%$ إلى $5%$ لتنقية القياس.

ثالثاً، الأطر المرجعية والبروتوكولات السائدة في التخصص: يجب على الباحث الالتزام بالمعايير المقبولة في حقله العلمي، مع ضرورة تحديد وتثبيت نسبة الاقتطاع مسبقاً (Pre-registration) في بروتوكول البحث قبل الشروع في جمع وتحليل البيانات لضمان النزاهة العلمية.

3.3 المفاضلة بين الاقتطاع المتناظر (Symmetric) وغير المتناظر (Asymmetric)

يُعد الاقتطاع المتناظر (Symmetric Trimming) هو المعيار القياسي الافتراضي والآمن رياضياً في معظم المعالجات الإحصائية، حيث يتم حذف نفس النسبة تماماً من أدنى وأعلى التوزيع ($k%$ من اليمين و $k%$ من اليسار). يضمن هذا التناظر الحفاظ على الحياد التام لموقع المركز دون إحداث انزياح مصطنع لمعلمة الموضع.

ومع ذلك، يبرز في بعض الحالات الخاصة مفهوم “الاقتطاع غير المتناظر” (Asymmetric Trimming)، حيث تُحذف نسبة أكبر من أحد الذيول مقارنة بالذيل الآخر (مثلاً: حذف $10%$ من الذيل الأعلى وحذف $2%$ فقط من الذيل الأدنى). يُلجأ إلى هذا الخيار حصرياً في التوزيعات شديدة الالتواء البنيوي وحيدة الاتجاه؛ مثل بيانات الدخل المالي أو فترات البقاء على قيد الحياة، حيث يكون الحد الأدنى مقيداً بصفر مطلق غير قابل للتجاوز، بينما يمتد الذيل الأعلى إلى ما لا نهاية بتشتت ضخم.

يتطلب استخدام الاقتطاع غير المتناظر حذراً شديداً وتبريراً نظرياً ورياضياً صارماً في التقارير الأكاديمية؛ نظراً لأنه يغير تعريف المعلمة المقدرة للمجتمع، ويستلزم تعديلات معقدة في حساب الأخطاء المعيارية وفترات الثقة لتجنب الوقوع في أخطاء التحيز التقديري (Estimation Bias).

4. أمثلة تطبيقية وحسابية: حساب المتوسط المقتطع بنسبة 10%

4.1 المثال الأول: مصفوفة بيانات صغيرة (10 درجات اختبار)

لتوضيح الآلية الرياضية خطوة بخطوة، نفترض أن باحثاً تربوياً قام بتطبيق اختبار قصير للقدرات الرياضية على عينة مكونة من 10 طلاب، وحصل على المصفوفة الرقمية الخام التالية للدرجات:

$$\text{البيانات الخام: } [4، 8، 12، 15، 9، 6، 14، 18، 12، 9]$$

المرحلة 1: الترتيب التصاعدي للمصفوفة:

$$X = [4، 6، 8، 9، 9، 12، 12، 14، 15، 18]$$

حيث $n = 10$. نلاحظ أن الدرجة الأدنى هي $X_{(1)} = 4$ والدرجة الأعلى هي $X_{(10)} = 18$.

المرحلة 2: حساب عدد القيم المحذوفة باقتطاع 10%:

$$g = n \times 0.10 = 10 \times 0.10 = 1 \text{ (قيمة واحدة من كل طرف)}$$

المرحلة 3: عزل القيم المستبعدة وتجهيز العينة الفعالة:

  • القيمة المستبعدة من الطرف الأدنى: $X_{(1)} = 4$
  • القيمة المستبعدة من الطرف الأعلى: $X_{(10)} = 18$
  • المصفوفة المتبقية الفعالة (8 درجات): $[6، 8، 9، 9، 12، 12، 14، 15]$
  • حجم العينة الفعال: $n_{\text{effective}} = 10 – 2(1) = 8$

المرحلة 4: الحساب النهائي:

$$\text{مجموع القيم المتبقية} = 6 + 8 + 9 + 9 + 12 + 12 + 14 + 15 = 85$$

$$\bar{X}_{t(0.10)} = \frac{85}{8} = 10.625$$

إذا قمنا بمقارنة هذه النتيجة بالمتوسط الحسابي البسيط الأصلي للدرجات العشر:

$$\bar{X}_{\text{original}} = \frac{4 + 6 + 8 + 9 + 9 + 12 + 12 + 14 + 15 + 18}{10} = \frac{107}{10} = 10.70$$

نلاحظ أن استبعاد الدرجتين المتطرفتين نسق التمركز بشكل أدق مع إبراز النمط العام للدرجات المستقرة دون إحداث فجوة تباعدية حادة.

4.2 المثال الثاني: عينة متوسطة الحجم (20 مفردة مقياس نفسي)

في دراسة نفسية لتقييم مستوى “الرضا عن بيئة العمل”، سجل 20 موظفاً الدرجات التالية على مقياس متصل يتراوح من 0 إلى 100:

$$\text{البيانات الخام: } [55, 62, 70, 48, 95, 66, 58, 60, 64, 52, 68, 72, 88, 20, 61, 59, 63, 67, 57, 65]$$

المرحلة 1: الترتيب التصاعدي:

$$X = [20, 48, 52, 55, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 70, 72, 88, 95]$$

حيث $n = 20$.

المرحلة 2: تحديد عدد الحذف لاقتطاع 10%:

$$g = 20 \times 0.10 = 2 \text{ (قيمتان من كل طرف)}$$

المرحلة 3: الاقتطاع:

  • القيمتان الأدنى المحذوفتان: $X_{(1)} = 20$، $X_{(2)} = 48$
  • القيمتان الأعلى المحذوفتان: $X_{(19)} = 88$، $X_{(20)} = 95$
  • العينة الفعالة المتبقية (16 مفردة): $[52, 55, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 70, 72]$
  • حجم العينة الفعال: $n_{\text{effective}} = 20 – 4 = 16$

المرحلة 4: الحساب:

$$\text{مجموع الـ 16 قيمة المتبقية} = 52 + 55 + 57 + 58 + 59 + 60 + 61 + 62 + 63 + 64 + 65 + 66 + 67 + 68 + 70 + 72 = 1000$$

$$\bar{X}_{t(0.10)} = \frac{1000}{16} = 62.50$$

للمقارنة، نحسب المتوسط الحسابي البسيط للبيانات الأصلية:

$$\bar{X}_{\text{original}} = \frac{1000 + 20 + 48 + 88 + 95}{20} = \frac{1251}{20} = 62.55$$

على الرغم من تقارب المتوسطين في هذا المثال بسبب التناظر التقريبي في تشتت الأطراف ($20$ في الأدنى يقابلها $95$ في الأعلى)، إلا أن التباين والانحراف المعياري للبيانات المتبقية انخفض بشكل جوهري، مما يجعل التقدير النقطي للمتوسط المقتطع أكثر استقراراً وموثوقية في التمثيل السلوكي.

4.3 المثال الثالث: بيانات تحتوي على قيم شاذة حادة (Extreme Outliers)

يوضح هذا المثال الحاسم قدرة المتوسط المقتطع على تصحيح التضليل الحسابي الناتج عن القيم الشاذة الحادة. لنفترض قياس زمن استجابة (بالثواني) لعشرة مشاركين في تجربة انتباه، حيث تشتت أحد المشاركين تماماً وسجل زمناً هائلاً (150 ثانية)، بينما حدث خطأ فني لدى مشارك آخر فسجل (1 ثانية):

$$\text{البيانات المرتبة: } [1, 14, 15, 16, 17, 18, 19, 20, 21, 150]$$

حجم العينة $n = 10$. بحساب المتوسط الحسابي التقليدي:

$$\bar{X}_{\text{original}} = \frac{1 + 14 + 15 + 16 + 17 + 18 + 19 + 20 + 21 + 150}{10} = \frac{291}{10} = 29.1 \text{ ثانية}$$

نلاحظ بوضوح أن قيمة المتوسط الحسابي ($29.1$) تقع خارج نطاق درجات $90%$ من أفراد العينة الحقيقيين (الذين تتراوح أزمنتهم بين 14 و 21 ثانية)، مما يجعل هذا المتوسط مضللاً تماماً ولا يمثل الأداء الفعلي للمجموعة.

بتطبيق المتوسط المقتطع بنسبة 10% ($g = 10 \times 0.10 = 1$):

  • حذف القيمة الأدنى: $1$
  • حذف القيمة الأعلى: $150$
  • المصفوفة المتبقية (8 قيم): $[14, 15, 16, 17, 18, 19, 20, 21]$
  • حجم العينة الفعال: $8$

$$\bar{X}_{t(0.10)} = \frac{14 + 15 + 16 + 17 + 18 + 19 + 20 + 21}{8} = \frac{140}{8} = 17.5 \text{ ثانية}$$

تعبر القيمة الناتجة ($17.5$ ثانية) بدقة متناهية عن مركز الثقل الإدراكي الحقيقي للمشاركين، وتوضح كيف نجح الاقتطاع البسيط في تحييد الأثر المدمر للقيمة الشاذة (150) والخطأ القياسي (1)، واستعادة الدلالة الإحصائية السليمة للبيانات.

5. التعامل الحسابي المتقدم مع الكسور والنسب غير المتوافقة

5.1 معالجة الحالات التي لا ينتج عنها أرقام صحيحة عند حساب الاقتطاع

تنشأ إشكالية حسابية منهجية عندما يؤدي ضرب حجم العينة ($n$) في نسبة الاقتطاع ($\alpha$) إلى ظهور ناتج غير صحيح يتضمن كسوراً عشرية؛ كأن تكون العينة مكونة من 15 مشاركاً والمطلوب اقتطاع نسبة $10%$، حيث $15 \times 0.10 = 1.5$. في مثل هذه الحالات، لا يمكن فيزيائياً حذف “مفردة ونصف” بشكل مباشر دون اعتماد قاعدة رياضية قياسية واضحة.

تتعامل الأدبيات الإحصائية مع هذه الإشكالية عبر مسارين رئيسيين:

  1. طريقة التقريب للأدنى أو لأقرب عدد صحيح (Nearest Integer Method): وهي الطريقة الأبسط التي تعتمد على تقريب الناتج $g$ لأقرب عدد صحيح. في حالة $1.5$، قد تُقرب إلى $1$ أو إلى $2$. يعيب هذا الأسلوب في العينات الصغيرة أنه يغير نسبة الاقتطاع الفعلية المنفذة عن النسبة المستهدفة نظرياً (مثلاً: حذف قيمة واحدة من عينة 15 يمثل اقتطاعاً فعلياً بنسبة $6.67%$ وليس $10%$).
  2. طريقة الحذف الموزون أو الداخلي (Fractional Trimming / Weighted Trimming): وهي الطريقة المعيارية المتقدمة رياضياً والأكثر دقة ومصداقية، والتي يتبناها كبار الإحصائيين الرياضيين وحزم البرمجة الإحصائية المتقدمة. تعتمد هذه الطريقة على تضمين القيمة الكسرية جزئياً في الحساب من خلال منحها وزناً نسبياً يتناسب مع الجزء المتبقي منها بعد الاقتطاع.

5.2 طريقة الحذف الموزون (Weighted Trimming) بالتفصيل الرياضي

تستند خوارزمية الحذف الموزون إلى تفكيك ناتج الضرب $n \cdot \alpha$ إلى جزأين: جزء صحيح يُرمز له بـ $g = \lfloor n \cdot \alpha \rfloor$، وجزء كسري عشري يُرمز له بـ $r = (n \cdot \alpha) – g$.

وفق هذا النموذج الرياضي الدقيق، يتم التعامل مع مفردات العينة المرتبة $X_{(1)}, X_{(2)}, dots, X_{(n)}$ وفق القواعد الوزنية التالية:

  • تُحذف المشاهدات ذات الرتب من $1$ إلى $g$ تماماً (وزنها = $0$).
  • تُحذف المشاهدات ذات الرتب من $n – g + 1$ إلى $n$ تماماً (وزنها = $0$).
  • تُمنح المشاهدة التي تقع مباشرة على خط الاقتطاع الكسري الأدنى، وهي المشاهدة $X_{(g+1)}$، وزناً جزئياً يعادل $(1 – r)$.
  • تُمنح المشاهدة التي تقع مباشرة على خط الاقتطاع الكسري الأعلى، وهي المشاهدة $X_{(n-g)}$، نفس الوزن الجزئي $(1 – r)$.
  • تُمنح جميع المشاهدات الداخلية الوسطى الواقعة بينهما وزناً كاملاً يعادل $1.0$.

وتُصاغ المعادلة الرياضية العامة للمتوسط المقتطع الموزون على النحو التالي:

$$\bar{X}_{t(\alpha)} = \frac{1}{n(1 – 2\alpha)} \left[ (1 – r)X_{(g+1)} + \sum_{i = g + 2}^{n – g – 1} X_{(i)} + (1 – r)X_{(n – g)} \right]$$

تطبيق رقمي تفصيلي:

لنفترض عينة مرتبة مكونة من $n = 15$ مفردة: $[2, 5, 7, 8, 10, 11, 12, 14, 15, 17, 19, 20, 22, 25, 30]$، والمطلوب حساب المتوسط المقتطع بنسبة $\alpha = 0.10$.

  • حساب ناتج الاقتطاع: $n \cdot \alpha = 15 \times 0.10 = 1.5$
  • الجزء الصحيح: $g = 1$
  • الجزء الكسري: $r = 0.5$
  • الوزن الجزئي للأطراف الكسرية: $1 – r = 1 – 0.5 = 0.5$
  • المقام الفعال: $n(1 – 2\alpha) = 15(1 – 0.20) = 15 \times 0.80 = 12$

توزيع الأوزان على القيم:

  • القيمة $X_{(1)} = 2$ تحذف تماماً (وزن 0).
  • القيمة $X_{(2)} = 5$ تأخذ وزناً $0.5$ $\rightarrow 5 \times 0.5 = 2.5$.
  • القيم الداخلية من $X_{(3)}$ إلى $X_{(13)}$ تأخذ وزناً كاملاً $1.0$:
    $$7 + 8 + 10 + 11 + 12 + 14 + 15 + 17 + 19 + 20 + 22 = 155$$
  • القيمة $X_{(14)} = 25$ تأخذ وزناً $0.5$ $\rightarrow 25 \times 0.5 = 12.5$.
  • القيمة $X_{(15)} = 30$ تحذف تماماً (وزن 0).

حساب البسط الموزون الكلي:

$$\text{البسط} = 2.5 + 155 + 12.5 = 170$$

حساب المتوسط المقتطع الموزون النهائي:

$$\bar{X}_{t(0.10)} = \frac{170}{12} = 14.167$$

5.3 معايير اختيار الطريقة الأنسب حسب حجم العينة وأهداف البحث

يعتمد الاختيار المنهجي بين التقريب البسيط للأعداد الصحيحة والحذف الموزون على الموازنة بين سهولة المعالجة ودقة التحليل الإحصائي المطلوب:

في العينات الكبيرة ($n ge 100$)، تصبح الفروق العددية بين طريقة التقريب للأدنى وطريقة الحذف الموزون متناهية في الصغر وشبه معدومة؛ حيث لا يؤثر وزن كسر المفردة الواحدة تأثيراً ذا بال على القيمة النهائية للمتوسط، مما يجعل التقريب البسيط مقبولاً إجرائياً وغير مخل بالنتائج.

أما في العينات الصغيرة والمتوسطة ($n < 50$)، فإن الاعتماد على الحذف الموزون يُعد واجباً منهجياً ورياضياً؛ لتجنب التشوهات الحسابية والانحيازات الناتجة عن التقريب القسري. كما أن اعتماد الحذف الموزون يحافظ على استمرارية الدالة الرياضية عند تقدير درجات الحرية الفعلية وحساب الأخطاء المعيارية في الاختبارات البارامترية المتينة اللاحقة، ويجب على الباحث الإشارة بوضوح في قسم المنهجية إلى الخوارزمية المعتمدة.

6. المقارنة المنهجية: المتوسط الحسابي، الوسيط، والمتوسط المقتطع

6.1 مقارنة الخصائص الرياضية ومستويات المتانة (Robustness)

تتفاضل مقاييس النزعة المركزية فيما بينها بناءً على معايير رياضية وإحصائية دقيقة تحدد مدى ملاءمة كل مقياس لطبيعة البيانات المدروسة. يوضح التحليل المقارن التالي موقع المتوسط المقتطع بين القطبين التقليديين (المتوسط الحسابي والوسيط):

  • نقطة الانهيار (Breakdown Point): يمتلك المتوسط الحسابي نقطة انهيار صفرية ($0%$)، مما يجعله هشاً للغاية أمام التلوث. بينما يمتلك الوسيط نقطة الانهيار القصوى الممكنة لأي مقياس موضع وهي ($50%$). ويتميز المتوسط المقتطع بمرونة فائقة تسمح للباحث بضبط نقطة الانهيار بدقة لتطابق نسبة الاقتطاع المختارة $\alpha$ (بين $5%$ و $25%$).
  • الكفاءة الإحصائية (Statistical Efficiency): في ظل التوزيع الطبيعي المثالي والخالي من الأخطاء، يُعد المتوسط الحسابي هو المقدر غير المتحيز ذو التباين الأدنى (MVUE) بكفاءة $100%$. ويفقد الوسيط نسبة معتبرة من كفاءته تنحدر إلى $63.7%$. أما المتوسط المقتطع بنسبة $10%$ فيحتفظ بكفاءة استثنائية تبلغ $96.8%$، وحتى مع اقتطاع $20%$ تظل كفاءته عالية جداً عند حدود $90%$.
  • الحساسية للتغيرات المركزية: يستجيب المتوسط المقتطع بحساسية وانسيابية للتغيرات الحقيقية التي تطرأ على غالبية مفردات العينة في المركز، بينما يتسم الوسيط بنوع من الجمود؛ إذ يمكن لتغيرات كبيرة في القيم المركزية المجاورة للوسيط ألا تغير من قيمته طالما لم تتغير رتبته.

6.2 مقارنة السلوك الإحصائي في ظل التوزيعات المختلفة

يتغير سلوك هذه المقاييس جذرياً بتغير الطبيعة التوزيعية للمجتمع الإحصائي المستهدف:

عند التوزيع الطبيعي الخالص: تتقارب المقاييس الثلاثة نظرياً لتتطابق تماماً عند نقطة التماثل، ويكون المتوسط الحسابي هو الأفضل رياضياً لقلة تباينه المعاين.

عند التوزيعات الملوثة وثقيلة الذيول (Contaminated & Heavy-Tailed Distributions): ينهار تباين المتوسط الحسابي ويتضخم خطؤه المعياري بشكل انفجاري، في حين يحافظ المتوسط المقتطع على تباين منخفض ومستقر للغاية يتفوق في كثير من الأحيان حتى على تباين الوسيط.

عند توزيع كوشي (Cauchy Distribution) والتوزيعات شديدة الشذوذ: يفشل المتوسط الحسابي البسيط تماماً لعدم وجود متوسط رياضي محدد للمجتمع، بينما يقدم المتوسط المقتطع (بنسب مرتفعة مثل 20% أو 25%) والوسيط تقديراً متماسكاً وثابتاً لمركز التوزيع.

يلخص الجدول التالي المقارنة المنهجية الشاملة بين المقاييس الثلاثة:

المعيار الإحصائي المتوسط الحسابي (Mean) المتوسط المقتطع (Trimmed Mean) الوسيط الإحصائي (Median)
نقطة الانهيار (Breakdown Point) $0%$ (شديد الهشاشة) $\alpha$ (قابلة للتعديل: $5% – 25%$) $50%$ (أعلى مقاومة)
الكفاءة في التوزيع الطبيعي $100%$ (مثالية مطلقة) عالية جداً ($90% – 97%$) متوسطة إلى منخفضة ($\approx 64%$)
التأثر بالقيم الشاذة الحادة يتأثر كلياً وينحرف بشدة محمي تماماً ضمن حدود نسبة الاقتطاع لا يتأثر مطلقاً
الاستفادة من معلومات البيانات يستخدم جميع القيم الرقمية يستخدم قيم الكتلة المركزية الفعلية يعتمد على الترتيب والرتبة فقط
التعقيد الحسابي اليدوي بسيط للغاية ومباشر يتطلب ترتيباً واقتطاعاً مسبقاً يتطلب ترتيباً وتحديد نقطة المركز

6.3 معايير اتخاذ القرار: متى تختار المتوسط المقتطع بدلاً من البدائل؟

يجب على الباحث تبني المتوسط المقتطع كخيار منهجي أساسي في الحالات التالية:

  1. عندما تشير الفحوص الاستكشافية والمخططات البيانية (مثل المخطط الصندوقي Boxplot) إلى وجود تلوث بالقيم المتطرفة أو ذيول ممتدة لا تبرر التحول الكامل إلى الوسيط.
  2. في الدراسات التي تتطلب بناء نماذج خطية واختبارات فروض استدلالية متينة تمتلك قوة إحصائية أعلى من الاختبارات اللامعلمية التقليدية المعتمدة على الرتب (كـ Mann-Whitney).
  3. عندما تكون البيانات مجمعة من عينات بشرية تتضمن معدلات خطأ أو شرود متوقعة، مع الرغبة في الحفاظ على حساسية المتوسط للفروق الدقيقة داخل العينة الحقيقية الملتزمة.

7. تطبيقات المتوسط المقتطع في البحوث النفسية والقياس السلوكي

7.1 تحليل أزمنة الرجع (Reaction Times) في علم النفس المعرفي

تُعد بيانات زمن الرجع (Reaction Time – RT) في التجارب المعرفية والتجريبية النموذج الكلاسيكي الأبرز لتطبيق المتوسط المقتطع؛ إذ تتميز بطبيعة توزيعية ملتوية التواءً موجباً حاداً، فضلاً عن تعرضها الدائم لاستجابات شاذة ناجمة إما عن ضغط غير مقصود للمفتاح في وقت مبكر جداً (Anticipatory Responses – أقل من 100 ميلي ثانية) أو تشتت ذهني وسهو مفاجئ للمفحوص يؤدي إلى زمن استجابة متضخم جداً (عدة ثوانٍ).

في تجارب مهمة ستروب (Stroop Task) على سبيل المثال، يؤدي حساب المتوسط الحسابي البسيط لأزمنة الاستجابة للمثيرات المتطابقة وغير المتطابقة إلى تشويه “تأثير ستروب” الحقيقي بفعل عدد ضئيل من المحاولات الشاردة. يتيح تطبيق اقتطاع بنسبة $10%$ أو $20%$ على محاولات كل مشارك استخلاص السرعة الحقيقية للمعالجة العصبية والمعرفية بدقة فائقة، مع الحفاظ على الفروق الفردية البينية دون تشويش، وهو ما أثبتته مئات الدراسات الحديثة في علم الأعصاب الإدراكي.

7.2 معالجة الاستجابات الشاذة في المقاييس النفسية ومقاييس ليكرت

يواجه الباحثون في القياس النفسي والتقييم السلوكي ظواهر استجابة ملوثة؛ مثل “الاستجابة العشوائية المتهورة” (Careless Responding) أو “تحيز الاستجابة المتطرفة” (Extreme Response Style)، حيث يقوم بعض المفحوصين باختيار أقصى درجات المقياس (مثل الدرجة 1 أو 5 على مقياس ليكرت الخماسي) بصورة نمطية غير معبرة عن حالتهم الواقعية.

عند بناء الدرجات الكلية والمعايير التشخيصية لمقاييس الاكتئاب، القلق، أو الضغوط المهنية، يسهم حساب المتوسط المقتطع عبر البنود أو عبر العينات المعيارية في تنقية المؤشرات النفسية من التلوث السلوكي، مما يرفع من معاملات الصدق البنائي والاتساق الداخلي للدرجات ويضمن عدم تصنيف الأفراد إكلينيكياً بناءً على استجابات شاذة غير متزنة.

7.3 تقييم الأداء في الاختبارات النفسية العصبية والتربوية

في سياق التقييم العصبي النفسي (Neuropsychological Assessment) للمرضى المصابين بإصابات دماغية أو اضطرابات التنكس العصبي، يخضع المفحوص لجلسات اختبار طويلة لقياس الانتباه المستمر والذاكرة العاملة. كثيراً ما يتعرض هؤلاء المرضى لنوبات تعب مفاجئ (Fatigue Effects) أو فترات إحباط مؤقتة خلال الاختبار، مما ينتج عنه انخفاض حاد ومؤقت في درجات بعض المحاولات لا يعكس القدرة الإدراكية الحقيقية للمريض.

يضمن تطبيق المتوسطات المقتطعة في هذه الاختبارات استبعاد محاولات الانهيار المؤقت دون إهمال التقييم الشامل، مما يسمح للأطباء النفسيين والأخصائيين العصبيين ببناء معايير نيارية (Normative Data) دقيقة ومستقرة تُبنى عليها خطط العلاج والتأهيل بدقة وموضوعية.

8. المتوسط المقتطع مقابل المتوسط الوينزوري (Winsorized Mean)

8.1 المفهوم الإحصائي للوينزرة (Winsorization) وآلية عمله

يُمثل المتوسط الوينزوري (Winsorized Mean)، المنسوب إلى الإحصائي تشارلز وينزور (Charles P. Winsor)، البديل المتين الأقرب للمتوسط المقتطع. يقوم هذا الأسلوب على استبدال القيم المتطرفة والشاذة بدلاً من حذفها الكامل من مصفوفة البيانات؛ حيث يتم استبدال القيم الصغرى الواقعة خارج نطاق الاقتطاع بأصغر قيمة متبقية داخل النطاق، واستبدال القيم الكبرى بأكبر قيمة متبقية داخل النطاق.

تتميز عملية الوينزرة بأنها تحافظ على حجم العينة الأصلي كاملاً ($n$) دون أي إنقاص في عدد المفردات، مع إعادة تشكيل ذيلي التوزيع ليكونا مسطحين عند الحدود المعيارية المحددة. ويُحسب المتوسط الوينزوري بتطبيق معادلة المتوسط الحسابي العادي على المصفوفة المعدلة بعد الاستبدال.

8.2 المقارنة المباشرة بين عمليتي الاقتطاع والوينزرة

على الرغم من اشتراك المقياسين في مقاومة القيم الشاذة، إلا أن هناك فروقاً منهجية وإحصائية جوهرية بينهما:

أولاً، المعالجة الرياضية: يقوم الاقتطاع على “الحذف التام” للأطراف، في حين تقوم الوينزرة على “التعديل والإحلال” (Replacement)، مما يجعل المصفوفة الوينزورية تحتوي على تكرارات مصطنعة عند الحدود القصوى.

ثانياً، حساب التباين الإحصائي: يُعد التباين الوينزوري (Winsorized Variance) مفهوماً مركزياً وبالغ الأهمية في الإحصاء المتين؛ إذ لا يُستخدم فقط لتقييم تشتت البيانات الوينزورية، بل يمثل حجر الزاوية الرياضي لتقدير الخطأ المعياري للمتوسط المقتطع نفسه في اختبارات الفروض المتقدمة وبناء فترات الثقة.

تُفضل الوينزرة عندما يرغب الباحث في إبقاء ثقل إحصائي يعبر عن وجود قيم متطرفة دون السماح لمقاديرها بتشويه التقدير، في حين يُفضل الاقتطاع عندما تكون القيم المتطرفة ناتجة عن أخطاء تلوثية يجب استئصالها بالكلية من التحليل الوصفي.

8.3 مثال تطبيقي مقارن: حساب المتوسطين لنفس مصفوفة البيانات

لتطبيق المقارنة العملية، نستخدم مصفوفة مرتبة تتكون من 10 درجات تتضمن قيماً متطرفة:

$$X = [2, 10, 12, 14, 15, 16, 17, 18, 20, 80]$$

المطلوب: حساب المتوسط المقتطع والمتوسط الوينزوري بنسبة اقتطاع ووينزرة تبلغ $20%$.

عدد القيم المستهدفة: $g = 10 \times 0.20 = 2$ (قيمتان من كل طرف).

أولاً: حساب المتوسط المقتطع بنسبة 20%:

  • حذف القيمتين الأدنى: $2, 10$
  • حذف القيمتين الأعلى: $20, 80$
  • المصفوفة المتبقية (6 قيم): $[12, 14, 15, 16, 17, 18]$
  • حجم العينة الفعال: $6$

$$\bar{X}_{t(0.20)} = \frac{12 + 14 + 15 + 16 + 17 + 18}{6} = \frac{92}{6} = 15.33$$

ثانياً: حساب المتوسط الوينزوري بنسبة 20%:

  • أصغر قيمة متبقية داخل النطاق هي $X_{(3)} = 12$، لذا يتم استبدال $X_{(1)}$ و $X_{(2)}$ بالقيمة $12$.
  • أكبر قيمة متبقية داخل النطاق هي $X_{(8)} = 18$، لذا يتم استبدال $X_{(9)}$ و $X_{(10)}$ بالقيمة $18$.
  • المصفوفة الوينزورية الجديدة (10 قيم كاملة):
    $$X_w = [12, 12, 12, 14, 15, 16, 17, 18, 18, 18]$$

$$\bar{X}_{w(0.20)} = \frac{12 + 12 + 12 + 14 + 15 + 16 + 17 + 18 + 18 + 18}{10} = \frac{152}{10} = 15.20$$

نلاحظ التقارب الشديد بين النتيجتين ($15.33$ للمقتطع مقابل $15.20$ للوينزوري)، مع الفارق المنهجي في كيفية استيعاب ثقل الأطراف في البنية الرياضية لكل منهما، في مقابل ابتعادهما التام عن المتوسط الحسابي التقليدي المشوه ($20.4$).

9. حساب المتوسط المقتطع باستخدام البرمجيات الإحصائية ولغات البرمجة

9.1 حساب المتوسط المقتطع في بيئة R الإحصائية

توفر لغة R الإحصائية دعماً أصيلاً ومتقدماً للمقاييس المتينة. يتضمن النظام الأساسي للدالة mean() وسيطاً مخصصاً للاقتطاع يُدعى trim، والذي يستقبل نسبة الاقتطاع من كل طرف (بين 0 و 0.5):

# حساب المتوسط المقتطع بنسبة 10% من كل طرف في R
data_values <- c(4, 6, 8, 9, 9, 12, 12, 14, 15, 18)
trimmed_result <- mean(data_values, trim = 0.10)
print(trimmed_result)

ولإجراء تحليلات إحصائية متينة متقدمة تتضمن فترات الثقة واختبارات الفروض للمتوسطات المقتطعة، تُعد حزمة WRS2 (التي طورها راند ويلكوكس وزملاؤه) المعيار المرجعي العالمي؛ حيث توفر دوال مثل trimse() لحساب الخطأ المعياري المقتطع بدقة فائقة.

9.2 تنفيذ الحساب عبر لغة بايثون (Python)

في منظومة بايثون للبيانات، توفر مكتبة SciPy المتخصصة في الحسابات العلمية دالة مباشرة وموثوقة ضمن وحدة الإحصاء scipy.stats.trim_mean. تستقبل هذه الدالة مصفوفة البيانات ونسبة الاقتطاع الإجمالية من كل جانب كمعامل نسبي:

import numpy as np
from scipy import stats

# إنشاء مصفوفة البيانات
data = np.array([4, 6, 8, 9, 9, 12, 12, 14, 15, 18])

# حساب المتوسط المقتطع بنسبة 10% من كل طرف
tm_result = stats.trim_mean(data, proportiontocut=0.10)
print(f"المتوسط المقتطع: {tm_result}")

كما يمكن تطبيق الحساب على هياكل البيانات الضخمة باستخدام مكتبة Pandas عبر تجميع البيانات وتطبيق الدالة المخصصة على أعمدة إطارات البيانات (DataFrames) لتحليل مجموعات تجريبية متعددة بكفاءة عالية.

9.3 حساب المتوسط المقتطع في برمجيات SPSS و Microsoft Excel

في برنامج Microsoft Excel، تتوفر دالة مدمجة مخصصة للاقتطاع تُدعى TRIMMEAN. يجب الانتباه جيداً إلى أن دالة الإكسيل تطلب في مدخلاتها نسبة الاقتطاع الإجمالية من الطرفين معاً وليس من طرف واحد. فإذا كان الباحث يرغب في اقتطاع $10%$ من الأدنى و $10%$ من الأعلى (اقتطاع $10%$ معتاد)، يجب عليه إدخال النسبة $0.20$ في صيغة الإكسيل:

=TRIMMEAN(A1:A20, 0.20)

يقوم الإكسيل بحساب عدد النقاط المحذوفة بتقسيم الناتج على 2 وتقريبه للأدنى لأقرب عدد زوجي لضمان التناظر.

أما في برنامج SPSS، فيتم استخراج المتوسط المقتطع بنسبة 5% بصورة تلقائية قياسية عند طلب تقرير الإحصاء الوصفي الاستكشائي من القائمة:
Analyze -> Descriptive Statistics -> Explore
حيث تظهر في جدول المخرجات الوصفية (Descriptives) قيمة محددة تحت اسم “5% Trimmed Mean” بجانب المتوسط والوسيط، مما يتيح للباحث المقارنة المباشرة الفورية لفحص اعتدالية وتماسك التوزيع.

10. الاستدلال الإحصائي المتقدم واختبار الفروض باستخدام البيانات المقتطعة

10.1 اختبار ت للمتوسطات المقتطعة (Yuen’s Test)

يمثل اختبار يوين (Yuen’s Test for Trimmed Means)، الذي طورته الإحصائية كارين يوين (Karen Yuen)، البديل المتين المعياري لاختبار “ت” للعينات المستقلة (Independent Samples t-test) عندما تنتهك البيانات افتراضات التوزيع الطبيعي وتجانس التباين. يعتمد هذا الاختبار على مقارنة المتوسطات المقتطعة للمجموعتين بدلاً من المتوسطات الحسابية التقليدية.

تعتمد البنية الرياضية لاختبار يوين على تقدير الخطأ المعياري للفارق بين المتوسطين المقتطعين باستخدام التباين الوينزوري للمجموعتين ($s_{w1}^2$ و $s_{w2}^2$). وتُحسب إحصاءة الاختبار $t_y$ بالمعادلة التالية:

$$t_y = \frac{\bar{X}_{t1} – \bar{X}_{t2}}{\sqrt{d_1 + d_2}}$$

حيث تمثل $d_j$ التقدير المتين لتباين المتوسط المقتطع للمجموعة $j$، والمحسوب بدلالة تباينها الوينزوري وحجم عينتها الفعال:

$$d_j = \frac{(n_j – 1)s_{wj}^2}{h_j(h_j – 1)}$$

حيث $h_j = n_j – 2g_j$ يمثل حجم العينة المتبقية بعد الاقتطاع. ويتم تعديل درجات الحرية الفعلية للاختبار باستخدام صيغة رياضية متقدمة شبيهة بصيغة ويلش-ساترثويت (Welch-Satterthwaite) لتعويض استبعاد البيانات من الأطراف، مما يوفر ضبطاً فائقاً لمعدل الخطأ من النوع الأول (Type I Error Rate) وقوة اختبارية متفوقة في البيئات الإحصائية غير المثالية.

10.2 بناء فترات الثقة (Confidence Intervals) للمتوسط المقتطع

تُعد فترات الثقة المبنية على المتوسطات المقتطعة أكثر دقة وموثوقية من فترات الثقة التقليدية المعتمدة على المتوسط الحسابي البسيط والانحراف المعياري القياسي؛ لأن الأخيرة تتسع بشكل مفرط ومضلل عند وجود قيم شاذة، مما يفقدها الدقة التقديرية.

تُصاغ فترة الثقة ذات المستوى $(1 – \alpha)%$ للمتوسط المقتطع بالاعتماد على التوزيع التائي والدرجات الحرية الفعالة المعدلة وفق الصيغة:

$$\text{CI} = \bar{X}_{t} \pm t_{\text{crit}, , df_{\text{effective}}} \times \text{SE}(\bar{X}_t)$$

كما يُنصح في الإحصاء الحديث بتطبيق أسلوب إعادة المعاينة التكرارية المتينة (Robust Bootstrap)؛ حيث يتم سحب آلاف العينات العشوائية التكرارية من البيانات مع الإحلال، وحساب المتوسط المقتطع لكل عينة، ومن ثم استخراج حدود فترة الثقة المئينية (Percentile Bootstrap CI)، مما يمنح فترات ثقة متينة لا تعتمد نهائياً على أي افتراضات مسبقة حول شكل التوزيع الأصلي.

10.3 تحليل التباين للمتوسطات المقتطعة (Robust ANOVA)

عند التوسع لمقارنة أكثر من مجموعتين تجريبيتين ($k > 2$) في ظل عدم اعتدالية البيانات وعدم تجانس التباينات، يفشل اختبار تحليل التباين الأحادي التقليدي (ANOVA F-test) وتصبح نتائجه غير قابلة للتعميم. يوفر الإحصاء المتين بدائل متقدمة تقوم على تعميم مبادئ الاقتطاع، وأبرزها اختبار ويلكوكس لتحليل التباين الأحادي المتين (Wilcox Robust One-Way ANOVA) المبني على المتوسطات المقتطعة والتباينات الوينزورية المشتركة.

تتيح هذه النماذج المتقدمة إجراء المقارنات البعدية المتينة (Robust Post-Hoc Tests) للتحقق من الفروق الزوجية بين المجموعات مع التحكم الصارم في معدل الخطأ التراكمي للأسرة (Family-wise Error Rate)، مما يوفر للباحثين في المجالات النفسية والطبية أداة استدلالية استثنائية تفوق في متانتها ودقتها التحليلات الكلاسيكية واللامعلمية على حد سواء.

11. الأخطاء الشائعة أثناء حساب وتفسير المتوسط المقتطع وكيفية تجنبها

11.1 الأخطاء الحسابية والمفاهيمية في عملية الاقتطاع

يقع العديد من المحللين المبتدئين في مجموعة من المغالطات الرياضية أثناء حساب المتوسط المقتطع، ومن أبرزها:

  • الخلط بين نسبة الطرف الواحد والنسبة الكلية: الخطأ الكلاسيكي المتمثل في الرغبة باقتطاع $10%$، فيقوم المحلل بحذف $5%$ فقط من كل جانب (ليصبح المجموع $10%$)، أو العكس بحذف $10%$ من كل جانب ثم إدخال نسبة $10%$ في دوال البرمجيات التي تطلب النسبة الكلية (كإكسيل)، مما يؤدي إلى مضاعفة أو تنصيف نسبة الحذف المستهدفة دون قصد.
  • القسمة على حجم العينة الخاطئ: جمع القيم المتبقية بعد الحذف ثم قسمة المجموع الناتج على حجم العينة الأصلي ($n$) بدلاً من قسمته على حجم العينة الفعال المتبقي ($n – 2g$)، وهو ما يؤدي إلى خفض مصطنع وكارثي لقيمة المتوسط.
  • الحذف غير المتناظر غير المبرر: حذف قيم من طرف واحد فقط بحجة أنها تبدو شاذة، مع الإبقاء على الطرف الآخر، دون الاستناد إلى نموذج رياضي للاقتطاع غير المتناظر، مما يحدث تحيزاً ممنهجاً في التقدير.

11.2 أخطاء التفسير وتعميم النتائج في التقارير العلمية

من الناحية التفسيرية، يرتكب بعض الباحثين خطأ إخفاء نسبة الاقتطاع ومناقشة المتوسط المقتطع كما لو كان متوسطاً حسابياً بسيطاً دون توضيح في متن البحث، وهو ما يُعد إخلالاً بالشفافية الأكاديمية؛ إذ يجب دائماً الإفصاح عن نسبة الاقتطاع ($5%$, $10%$, إلخ) وبيان أسباب اللجوء إليها.

كما يُعد تطبيق الاقتطاع على عينات شديدة الصغر (مثل $n = 5$ أو $n = 6$) خطأً منهجياً فادحاً؛ إذ يؤدي حذف أي قيمة في هذه العينات المحدودة إلى استئصال جزء ضخم من بنية البيانات ويجعل المقياس غير مستقر إحصائياً، حيث يُفضل في هذه الحالات الاحتفاظ بالبيانات كاملة واستخدام تحويلات الاستقرار أو المقاييس الرتبية الحذرة.

11.3 معايير وضوابط الاستخدام الأخلاقي لحذف البيانات

يثير استبعاد البيانات من الأطراف تساؤلات أخلاقية ومنهجية حساسة؛ فالخطر الأكبر يكمن في ممارسة ما يُعرف في الأدبيات الحديثة بـ “الصيد الإحصائي للقيمة الاحتمالية” (p-hacking)، حيث يعمد بعض الباحثين غير الملتزمين إلى تجريب نسب اقتطاع متعددة ($3%$, $7%$, $12%$, $18%$) بشكل متكرر حتى يصلوا إلى النسبة التي تنتج قيمة $p < 0.05$ محققة للدلالة الإحصائية المرغوبة، ثم يقومون بتثبيتها وتبريرها بأثر رجعي (HARKing).

لتجنب هذا الانزلاق الأخلاقي، تفرض المعايير المنهجية العالمية إلزام الباحثين بتحديد وتوثيق نسبة الاقتطاع في خطة البحث المسبقة (Pre-registered Protocol)، مع عرض البيانات الوصفية الأصلية والمقتطعة جنباً إلى جنب في الجداول الإحصائية لإتاحة التحقق المستقل لأقران التحكيم العلمي.

12. توصيات منهجية ودليل شامل لكتابة التقارير الإحصائية

12.1 بروتوكول توثيق المتوسط المقتطع وفق دليل APA (الإصدار السابع)

وفقاً لمعايير دليل النشر العلمي التابع للجمعية الأمريكية لعلم النفس (APA 7th Edition)، يجب توثيق المؤشرات المتينة بوضوح ودقة متناهية. يُرمز للمتوسط المقتطع بالرمز $M_{\text{t}}$ أو $M_{\text{trimmed}}$ مع تحديد النسبة في الحواشي أو في التوصيف المباشر.

صيغة نموذجية لكتابة النتائج الوصفية:
“أظهرت النتائج أن المتوسط المقتطع بنسبة 20% لزمن الرجع في المجموعة التجريبية بلغ ($M_{\text{t}} = 345.20 \text{ ms}$، والخطأ المعياري المتين $SE = 12.40$)، مقارنة بالمجموعة الضابطة ($M_{\text{t}} = 412.80 \text{ ms}$، $SE = 15.10$).”

صيغة نموذجية لتوثيق اختبار يوين الاستدلالي:
“للتعامل مع التواء البيانات وانتهاك شرط تجانس التباين، تم إجراء اختبار يوين (Yuen’s test) لمقارنة المتوسطات المقتطعة بنسبة 20%. كشفت النتائج عن وجود فرق دال إحصائياً بين المجموعتين، $t_y(23.45) = 3.48$، $p = .002$، بحجم أثر متين يعادل $\hat{\xi} = 0.45$، مما يشير إلى تفوق ذو دلالة إكلينيكية للمجموعة التجريبية.”

12.2 قائمة التحقق المنهجية (Checklist) للباحثين قبل اعتماد الحساب النهائي

قبل اعتماد ونشر التحليلات المعتمدة على المتوسط المقتطع، يجب على الباحث مراجعة قائمة التحقق الإجرائية التالية لضمان الجودة الإحصائية:

  • [ ] هل تم فحص التوزيع بصرياً عبر الرسوم البيانية كالمخططات الصندوقية ومخططات التشتت؟
  • [ ] هل تم ترتيب المصفوفة تصاعدياً والتأكد من التعامل السليم مع القيم المكررة؟
  • [ ] هل تم استبعاد نفس العدد بالتناظر التام من أدنى وأعلى التوزيع؟
  • [ ] هل تم استخدام حجم العينة الفعال الصحيح ($n – 2g$) في مقام القسمة؟
  • [ ] هل تم إجراء تحليل حساسية (Sensitivity Analysis) باختبار نسب اقتطاع بديلة (مثل 10% و 20%) للتأكد من استقرار النمط التفسيري للنتائج وعدم اعتماده على نسبة اقتطاع معزولة؟
  • [ ] هل تم توثيق النسبة المعتمدة والمبررات الإحصائية بوضوح كامل في تقرير البحث؟

12.3 الخلاصة وآفاق التطوير في الإحصاء النفسي والسلوكي المتين

يمثل المتوسط المقتطع قفزة نوعية في الممارسة الإحصائية الحديثة؛ إذ يحرر الباحثين من القيود الصارمة والمثالية غير الواقعية للاختبارات البارامترية الكلاسيكية، دون أن يدفعهم إلى التضحية بالكفاءة التقديرية عبر اللجوء القسري إلى الاختبارات اللامعلمية الرتبية. إنه الأداة التوفيقية الفضلى التي توفر الأمان التوزيعي، المتانة الرياضية، والعمق التفسيري للبيانات الإنسانية والسلوكية.

مع التطور البرمجي الهائل وسهولة استدعاء الدوال المتينة في لغات R وبايثون وحزم SPSS، لم يعد هناك مبرر منهجي للاعتماد الأعمى على المتوسط الحسابي البسيط في ظل وجود تلوث أو شذوذ توزيعي واضح. إن تبني المتوسطات المقتطعة كجزء لا يتجزأ من الممارسات التحليلية المعيارية يسهم بصورة مباشرة في تعزيز أزمة الموثوقية وقابلية التكرار (Replicability Crisis) في العلوم السلوكية والطبية، ويؤسس لنتائج بحثية رصينة تعكس الواقع التجريبي بأعلى درجات الصدق والموضوعية.

المراجع (References)

اقتباس هذا المقال

looti, M. (2026, أغسطس 30). كيفية حساب المتوسط المقتطع (خطوة بخطوة). عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-calculate-trimmed-mean-step-by-step-2/
looti, Mohammed. “كيفية حساب المتوسط المقتطع (خطوة بخطوة).” عرب سايكلوجي, 30 أغسطس 2026, https://arabpsychology.com/statistics/how-to-calculate-trimmed-mean-step-by-step-2/.
looti, Mohammed. “كيفية حساب المتوسط المقتطع (خطوة بخطوة).” عرب سايكلوجي. أغسطس 30, 2026. https://arabpsychology.com/statistics/how-to-calculate-trimmed-mean-step-by-step-2/.