كيفية التحقق من افتراضات تحليل التباين

يُعد اختبار تحليل التباين (Analysis of Variance – ANOVA) أحد أكثر الأدوات الإحصائية رسوخاً واستخداماً في مجالات العلوم السلوكية والنفسية والتربوية والطبية. يقدم هذا التحليل إطاراً منهجياً مقارناً يمكّن الباحثين من اختبار الفروق الجوهرية بين متوسطات ثلاث مجموعات أو أكثر، متجاوزاً بذلك أوجه القصور الحادة التي ترافق إجراء اختبارات “ت” (t-tests) المتعددة، والتي تؤدي حتماً إلى تضخيم معدل الخطأ من النوع الأول والتأثير سلباً على مصداقية الاستنتاجات العلمية. ومع ذلك، فإن القوة الاستدلالية الفائقة لاختبار تحليل التباين ليست مطلقة؛ بل هي مشروطة ومحكومة بمجموعة صارمة من الافتراضات الرياضية والإحصائية التي تشكل البنية التحتية لنموذج المعلمة الخطية العامة.

إن تجاهل فحص افتراضات اختبار ANOVA يمثل خطأً منهجياً فادحاً يقع فيه الكثير من الباحثين وطلاب الدراسات العليا، حيث يُنظر في كثير من الأحيان إلى هذه التحليلات بوصفها مجرد إجراءات روتينية تنفذها الحزم البرمجية الإحصائية مثل IBM SPSS أو بيئة البرمجة الإحصائية R أو مكتبات Python بضغطة زر واحدة. يؤدي هذا التجاهل إلى استخلاص نتائج مضللة، قد تُظهر وجود فروق ذات دلالة إحصائية في حين أنها لا تعدو كونها تشوهات ناتجة عن عدم تجانس التباين، أو قد تطمس تأثيرات علاجية ونفسية حقيقية بسبب التواء التوزيعات أو وجود قيم متطرفة شوهت تقدير المتوسطات الحسابية والتباينات الداخلية.

يهدف هذا الدليل الشامل والموسع إلى تزويد الباحثين النفسيين والاجتماعيين والأكاديميين بمرجع تطبيقي ونظري متعمق لكيفية التحقق المنهجي من كافة افتراضات تحليل التباين بجميع أشكاله. سنستعرض عبر هذا المقال التشريح الرياضي والمنهجي لكل افتراض، وطرق التشخيص الاستكشافية البصرية، والاختبارات الإحصائية الاستدلالية الدقيقة، إضافة إلى الإجراءات التصحيحية المتقدمة والبدائل اللابارامترية والمتينة (Robust Methods) الواجب اللجوء إليها عند تعذر الوفاء بتلك الافتراضات، مع تفصيل كامل لمعايير التوثيق الأكاديمي وفق أحدث إصدارات دليل جمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة لاختبار تحليل التباين (ANOVA) وأهميته في البحوث النفسية

1.1 مفهوم تحليل التباين الأحادي ومتعدد الاتجاهات

يُمثل تحليل التباين، الذي ابتكره عالم الإحصاء الشهير رونالد فيشر (Sir Ronald Fisher)، نقلة نوعية في علم الاستدلال الإحصائي؛ إذ يُعرّف بأنه اختبار إحصائي معلمي (Parametric Test) يُستخدم لتقييم الفرضية الصفرية القائلة بتساوي متوسطات ثلاثة مجتمعات إحصائية أو أكثر ($H_0: \mu_1 = \mu_2 = dots = \mu_k$) مقابل الفرضية البديلة ($H_1$) التي تفيد بأن متوسطين على الأقل من تلك المتوسطات يختلفان عن بعضهما اختلافاً ذا دلالة إحصائية. يكمن الهدف الجوهري للتحليل في تحديد ما إذا كانت التباينات الملاحظة بين المجموعات التجريبية أو الضابطة تعكس فروقاً حقيقية ناتجة عن تأثير المتغير المستقل، أم أنها مجرد تقلبات عشوائية ترجع إلى خطأ المعاينة الصدفية.

يتخذ تحليل التباين صيغاً تصميمة متعددة تختلف باختلاف هيكل التجربة البحثية وعدد المتغيرات المستقلة المندرجة فيها. يُعرف الشكل الأساسي باسم تحليل التباين الأحادي (One-Way ANOVA)، وفيه يدرس الباحث أثر متغير مستقل فئوي واحد يحتوي على ثلاثة مستويات أو أكثر على متغير تابع كمي متصل. على سبيل المثال، قد يفحص باحث في علم النفس الإكلينيكي فاعلية ثلاثة بروتوكولات علاجية مختلفة (العلاج المعرفي السلوكي CBT، العلاج بالقبول والالتزام ACT، ومجموعة الانتظار الضابطة Control Group) في خفض درجات القلق المقاسة على مقياس بيك للقلق (BAI).

في المقابل، يمتد التحليل إلى النماذج العاملية متعددة الاتجاهات (Two-Way or Factorial ANOVA)، والتي تتيح للباحث دراسة الأثر الرئيسي (Main Effect) لمتغيرين مستقلين أو أكثر، بالإضافة إلى اختبار الأثر التفاعلي (Interaction Effect) بين هذه المتغيرات. في سياق الأبحاث السيكولوجية، قد يهتم الباحث بفحص أثر كل من “نوع التدخل العلاجي” و”شدة الاضطراب النفسي الأولية: خفيف، متوسط، شديد” على مستويات الاكتئاب، مما يتيح معرفة ما إذا كانت كفاءة العلاج المعرفي السلوكي تتغير بناءً على الشدة الأولية للاضطراب، وهو ما يعزز الفهم الدقيق للظواهر الإنسانية المعقدة وتفاعلاتها المتبادلة.

1.2 المنطق الرياضي وراء اختبار ANOVA

يرتكز المنطق الرياضي لاختبار تحليل التباين على مبدأ تجزئة وتفكيك التباين الكلي (Total Variation) الملاحظ في درجات المتغير التابع إلى مكونين أساسيين غير متداخلين: التباين بين المجموعات (Between-Groups Variance) والتباين داخل المجموعات (Within-Groups Variance). يُعبر عن هذا المفهوم من خلال مجموع المربعات (Sum of Squares – SS)، حيث يُقاس مجموع المربعات الكلي بالمعادلة الرياضية التالية:

$$SS_{Total} = SS_{Between} + SS_{Within}$$

يقيس تباين “بين المجموعات” مدى ابتعاد متوسط كل مجموعة تجريبية عن المتوسط العام لكافة المشاركين في التجربة (Grand Mean)، وهو يعكس التأثير المباشر للمتغير المستقل (التجريبي) مضافاً إليه أي خطأ عشوائي محتمل. بينما يقيس تباين “داخل المجموعات” (المعروف أيضاً بتباين الخطأ العشوائي – Error Variance) مدى تشتت وتباعد درجات أفراد المجموعة الواحدة عن متوسط مجموعتهم الخاصة، ويُعزى هذا التباين تماماً إلى الفروق الفردية الطبيعية بين المشاركين، وأخطاء القياس السيكومتري، والمتغيرات الدخيلة غير المضبوطة في بيئة الاختبار.

تتوج هذه التجزئة الرياضية بحساب متوسط مجموع المربعات (Mean Squares – MS) بقسمة كل مجموع مربعات على درجات الحرية (Degrees of Freedom – df) المقابلة له، ومن ثم توليد النسبة الفائية (F-ratio) وفق القاعدة الإحصائية:

$$F = \frac{MS_{Between}}{MS_{Within}}$$

إذا كان المتغير المستقل لا يمتلك أي تأثير حقيقي، فإن قيمة تباين بين المجموعات ستكون مساوية تقريباً لتباين الخطأ العشوائي، مما يجعل النسبة الفائية تقترب من الواحد الصحيح ($F \approx 1$). أما إذا أحدث التدخل التجريبي فروقاً جوهرية بين المجموعات، فإن بسط المعادلة سيزداد بصورة كبيرة مقارنة بالمقام، مما يرفع قيمة $F$ إلى مستويات تتجاوز القيمة الحرجة المجدولة، وهو ما يقود إحصائياً إلى رفض الفرضية الصفرية وقبول وجود أثر حقيقي للمتغير المستقل عند مستوى الدلالة المعتمد ($\alpha = 0.05$ أو $\alpha = 0.01$).

1.3 ضرورة الفحص الاستباقي للافتراضات الإحصائية

إن استنتاجات تحليل التباين الرياضية وقيم التوزيع الفائي الاحتمالية مستمدة استناداً إلى فرضيات محددة مسبقاً حول الخصائص الرياضية للمجتمعات المسحوب منها العينات. وعندما يغفل الباحث عن التحقق الاستباقي من هذه الافتراضات، فإنه يعرض نتائج بحثه إلى مخاطر إحصائية جسيمة تهدد الصدق الداخلي والخارجي للتجربة. يُعد الوقوع في الخطأ من النوع الأول (Type I Error – $\alpha$) من أخطر تلك العواقب؛ إذ يؤدي انتهاك افتراض تجانس التباينات بالتوازي مع عدم تساوي أحجام المجموعات إلى ارتفاع معدل الرفض الخاطئ للفرضية الصفرية الصائبة، مما يدفع الباحث إلى الزعم بوجود فاعلية لتدخل علاجي نفسي غير فعال بالأساس.

وعلى النقيض من ذلك تماماً، قد يؤدي الانتهاك الحاد لافتراض التوزيع الطبيعي ووجود قيم شاذة متطرفة إلى تضخيم تباين الخطأ داخل المجموعات ($MS_{Within}$)، مما يقود إلى تضاؤل القيمة الفائية المحسوبة ورفع احتمالية الوقوع في الخطأ من النوع الثاني (Type II Error – $\beta$). في هذه الحالة، يعجز الباحث عن رصد وتوثيق الفروق الحقيقية الفاصلة بين المجموعات، مما يؤدي إلى إهدار الجهود البحثية وإخفاق دراسات واعدة قد تسهم في تطوير برامج التدخل النفسي والسلوكي.

لذا، فإن الفحص الاستباقي الشامل للافتراضات يمثل صمام الأمان المنهجي الذي يضمن دقة التقديرات النقطية وفترات الثقة، ويعزز من قابلية تكرار وتعميم النتائج السيكولوجية في الأوساط العلمية. يتيح هذا الفحص المبكر للباحث اتخاذ القرارات المنهجية المناسبة، سواء باستمرار تطبيق التحليل البارامتري التقليدي، أو إجراء تعديلات تصحيحية لدرجات الحرية (مثل تعديل ويلش)، أو اللجوء إلى النماذج اللابارامترية المتينة، بما يضمن سلامة البنية الاستدلالية للأطروحات العلمية والمنشورات المحكمة.

2. نظرة عامة على الافتراضات الأساسية لاختبار تحليل التباين

2.1 الافتراضات الثلاثة المحورية لـ ANOVA

يقوم الهيكل الرياضي لتحليل التباين الأحادي والمتعدد على ثلاثة افتراضات جوهرية تشكل الأساس للاشتقاق الرياضي للتوزيع الفائي وتحديد القيمة الاحتمالية بدقة:

• افتراض استقلالية المشاهدات (Independence of Observations): ينص على أن درجة أي مشارك داخل العينة يجب ألا ترتبط أو تؤثر أو تتأثر بدرجات أي مشارك آخر بأي شكل من الأشكال، سواء داخل المجموعة الواحدة أو بين المجموعات المختلفة. يُعد هذا الافتراض الأكثر حساسية وأهمية؛ حيث إن أي خلل فيه يؤدي إلى نسف البنية الاحتمالية للاختبار بالكامل.
• افتراض التوزيع الطبيعي للبواقي (Normality of Residuals): يقتضي أن تتبع الأخطاء العشوائية أو البواقي المتبقية من النموذج التنبؤي التوزيع الطبيعي المعياري المتماثل حول المتوسط الصفري داخل كل مجتمع من المجتمعات المقارنة.
• افتراض تجانس التباينات (Homogeneity of Variances / Homoscedasticity): يشترط أن تكون تباينات المجتمعات التي سُحبت منها المجموعات متساوية ومتطابقة رياضياً ($\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$)، مما يضمن أن تشتت الدرجات حول المتوسط لا يختلف جذرياً من مجموعة إلى أخرى.

تشكل هذه الشروط مجتمعة ما يُعرف بمتطلبات المعلمية الخطية العامة، ويستلزم التحقق منها تبني استراتيجية تشخيصية شاملة تبدأ من مرحلة ضبط التصميم التجريبي وتستمر خلال مرحلة الاستكشاف الإحصائي الأولي للبيانات قبل إجراء الاختبار النهائي.

2.2 طبيعة المتغيرات ومستوى القياس

إلى جانب الافتراضات التوزيعية الرياضية، يفرض اختبار ANOVA قيوداً منهجية على طبيعة ومستويات قياس المتغيرات المدرجة في النموذج الإحصائي. يشترط الاختبار أن يكون المتغير التابع (Dependent Variable) متغيراً كمياً مستمراً، مقاساً وفق مقياس فتري (Interval Scale) مثل درجات مقاييس الذكاء أو مقاييس الاتجاهات المقننة، أو مقياس نسبي (Ratio Scale) يمتلك صفراً مطلقاً حقيقياً مثل زمن الرجع بالمللي ثانية، أو عدد الاستجابات الصحيحة في المهام الإدراكية، أو تركيز هرمون الكورتيزول في الدم المرتبط بالتوتر النفسي.

أما المتغير المستقل (Independent Variable) أو عامل التصنيف (Factor)، فيجب أن يكون متغيراً فئوياً (Categorical/Nominal) مقسماً إلى مجموعتين منفصلتين على الأقل في التصاميم البسيطة أو ثلاث مجموعات فأكثر في ANOVA، وتكون هذه الفئات متبادلة كلياً (Mutually Exclusive). تبرز هنا إشكالية شائعة في العلوم النفسية تتعلق بالتعامل مع البيانات الترتيبية (Ordinal Data) المتولدة من مقاييس ليكرت (Likert Scales). على الرغم من أن بعض المدارس الإحصائية تجيز التعامل مع مجموع درجات مقاييس ليكرت متعددة البنود كبيانات فترية شبه متصلة شريطة اعتدال توزيعها، إلا أن البنود الفردية المعزولة تظل رتبية وتتطلب الحذر أو التحول نحو البدائل اللابارامترية لتفادي التقديرات المشوهة للفروق.

2.3 التسلسل المنهجي الموصى به لفحص الافتراضات

لضمان معالجة إحصائية متقنة وخالية من التحيزات التأكيدية، يوصى باتباع تسلسل تشخيصي هرمي يبدأ بفحص الجوانب المنهجية للتصميم قبل الانتقال إلى الخصائص الرقمية للبيانات. يوضح الجدول التالي المسار المنهجي المتكامل لتشخيص افتراضات ANOVA والخطوات الإجرائية اللازمة لكل مرحلة:

المرحلة	الافتراض المستهدف	أدوات الفحص والتشخيص	الإجراء المنهجي المترتب
الأولى	استقلالية المشاهدات (Independence)	مراجعة التصميم التجريبي، أسلوب المعاينة، واختبار Durbin-Watson في السلاسل.	تعديل التصميم أو استخدام نماذج التأثيرات المختلطة (Mixed Models) في حال الارتباط.
الثانية	التوزيع الطبيعي واكتشاف الشواذ (Normality & Outliers)	مخططات Q-Q Plots، المدرجات التكرارية، قيم الالتواء والتفرطح، واختبار Shapiro-Wilk.	معالجة القيم المتطرفة، إجراء التحويلات الرياضية، أو استخدام Kruskal-Wallis.
الثالثة	تجانس التباين (Homoscedasticity)	مخطط البواقي مقابل القيم المتوقعة، اختبار Levene، واختبار Brown-Forsythe.	استخدام Welch’s ANOVA أو إجراء المقارنات البعدية المتينة مثل Games-Howell.

يضمن هذا التسلسل عدم إهدار الوقت في معالجة انتهاكات ثانوية قد تختفي تلقائياً بمجرد إزالة قيمة متطرفة حادة أو تصحيح بنية الارتباط الداخلي في البيانات، مما يوفر للباحث مساراً واضحاً لاتخاذ القرار الإحصائي الرصين.

3. الافتراض الأول: فحص استقلالية المشاهدات (Independence of Observations)

3.1 مفهوم الاستقلالية في سياق القياس النفسي

يُقصد باستقلالية المشاهدات ألا تحمل أية استجابة أو درجة صادرة عن مفحوص معين أي معلومات مسبقة تمكّن من التنبؤ باستجابة مفحوص آخر داخل التجربة، بحيث يكون التوزيع الاحتمالي المشترك للأخطاء العشوائية حاصلاً لضرب التوزيعات الاحتمالية الهامشية المستقلة لكل خطأ على حدة، أي أن التغاير الإحصائي (Covariance) بين البواقي العشوائية لأي زوج من المشاهدات يساوي صفراً ($Cov(\epsilon_i, \epsilon_j) = 0$ لكل $i \neq j$).

يتجلى الفارق الجوهري هنا بين تصاميم المجموعات المستقلة (Between-Subjects Designs)، حيث يتم تعيين كل مشارك في مجموعة تجريبية واحدة فقط بصورة حصرية، وتصاميم القياسات المتكررة (Within-Subjects / Repeated Measures Designs) التي يُقاس فيها نفس المفحوص عبر ظروف تجريبية أو أوقات زمنية متتابعة. يُعد تطبيق ANOVA الأحادي التقليدي على بيانات قياسات متكررة خرقاً فاضحاً للاستقلالية، نظراً لأن الاستجابات الصادرة عن نفس الفرد عبر الزمن ترتبط بقوة نتيجة السمات الشخصية الثابتة والقدرات المعرفية المستقرة.

يؤدي الانتهاك المباشر للاستقلالية إلى خفض الحجم الفعلي للعينة مقارنة بالحجم الظاهري، مما يؤدي إلى تقليل التباين المقدر للبواقي وحساب خطأ معياري (Standard Error) أصغر بكثير من قيمته الحقيقية. ينجم عن ذلك تضخم مصطنع في النسبة الفائية المحسوبة، مما يرفع معدل الخطأ من النوع الأول إلى مستويات كارثية قد تصل إلى 50% بدلاً من النسبة الاسمية المحددة بـ 5%، وهو ما يجعل الاستنتاجات العلمية فاقدة لأدنى معايير المصداقية.

3.2 مصادر انتهاك الاستقلالية الشائعة في التجارب السلوكية

تتعدد المصادر الميدانية والمنهجية التي تقود دون قصد إلى انتهاك استقلالية البيانات في البحوث النفسية والتربوية، ومن أبرز هذه المصادر:

• التطبيق الجماعي التفاعلي: تطبيق مقاييس سيكومترية أو اختبارات تحصيلية داخل قاعات دراسية أو غرف علاج جماعي تتيح للمشاركين التفاعل اللفظي أو غير اللفظي، مما يخلق تأثيراً سياقياً مشتركاً ينعكس على تقارب درجاتهم بصورة مصطنعة.
• تأثير المعالج أو المشرف (Therapist Effect): عندما يتلقى جميع أفراد المجموعة التجريبية التدخل النفسي على يد معالج محدد، بينما يتلقى أفراد مجموعة أخرى التدخل على يد معالج آخر؛ في هذه الحالة ترتبط درجات أفراد المجموعة الواحدة بكفاءة وسمات المعالج نفسه، وهو ما يخل بالاستقلالية التامة.
• البنية العنقودية أو الهرمية (Hierarchical / Nested Data): سحب عينات من أفراد ينتمون إلى مؤسسات أو مدارس أو أسر مشتركة دون عزل التباين البيئي المشترك، كأن يجمع الباحث بيانات عن الرضا الوظيفي من عدة شركات ويدمجها في تحليل تباين أحادي متجاهلاً أثر بيئة وثقافة المنظمة.
• الاعتمادية الزمنية (Serial Correlation): جمع استجابات سلوكية متتابعة زمنياً من نفس المفحوصين عبر فترات قصيرة، حيث يتأثر الأداء اللاحق بالتعب أو الإرهاق أو التعلم واكتساب الخبرة من المحاولات السابقة.

3.3 كيفية ضمان الاستقلالية منهجياً وإحصائياً

نظراً لأن انتهاك الاستقلالية يعد مشكلة متجذرة في التصميم المنهجي أكثر من كونها مسألة حسابية يمكن معالجتها بالتحويلات الرياضية، فإن خط الدفاع الأول يتمثل في الضبط التجريبي الدقيق والتوظيف الصارم لآليات المعاينة العشوائية البسيطة (Simple Random Sampling) والتعيين العشوائي الحقيقي (Random Assignment) للمشاركين عبر مستويات المتغير المستقل، مع الحرص على إجراء القياسات الفردية في بيئات معزولة تمنع تبادل المعلومات بين المفحوصين.

أما على الصعيد التشخيصي الإحصائي في الحالات التي يُشتبه فيها بوجود ارتباط تسلسلي ناتج عن ترتيب جمع البيانات أو المتغيرات الزمنية، يمكن للباحثين استخدام اختبار ديربن-واتسون (Durbin-Watson Test) لفحص الارتباط الذاتي من الدرجة الأولى للبواقي. تتراوح قيمة إحصاء ديربن-واتسون بين 0 و 4؛ حيث تشير القيمة القريبة من 2 (بين 1.5 و 2.5) إلى انعدام الارتباط الذاتي وتحقق الاستقلالية، في حين تدل القيم القريبة من الصفر على وجود ارتباط موجب قوي، والقيم المقتربة من 4 على ارتباط سالب قوي.

إذا تبين وجود بنية عنقودية هرمية في البيانات يتعذر تجاوزها، يجب التخلي فوراً عن تحليل التباين الكلاسيكي لصالح نماذج خطية أكثر تقدماً، مثل النماذج الخطية الهرمية (Hierarchical Linear Modeling – HLM) أو النماذج الخطية ذات التأثيرات المختلطة (Linear Mixed-Effects Models)، والتي تمتلك القدرة الرياضية على نمذجة التباينات الفردية والتباينات المشتركة داخل العناقيد بصورة دقيقة ومنفصلة.

4. الافتراض الثاني: فحص التوزيع الطبيعي (Normality Assumption)

4.1 فهم التوزيع الطبيعي في تحليل التباين

ينص افتراض التوزيع الطبيعي في نموذج ANOVA على أن درجات المتغير التابع داخل كل مجتمع من المجتمعات الخاضعة للدراسة يجب أن تتبع شكلاً جرسي الشكل متماثلاً حول المتوسط، وهو ما يترجم رياضياً إلى ضرورة أن تكون البواقي أو الأخطاء العشوائية للنموذج ($\epsilon_{ij} = Y_{ij} – \bar{Y}_j$) موزعة توزيعاً طبيعياً بمتوسط حسابي قدره صفر وتباين ثابت ($\epsilon_{ij} \sim N(0, \sigma^2)$).

يخلط بعض الباحثين بين فحص التوزيع الطبيعي للمتغير التابع ككل عبر كامل العينة المدمجة، وفحصه داخل كل مجموعة فرعية على حدة أو فحص بواقي النموذج المجمعة. إن فحص التوزيع الكلي للعينة قد يعطي انطباعاً خادعاً بعدم الاعتدالية (مثل ظهور قمم متعددة)، في حين أن التوزيع داخل كل مستوى تجريبي طبيعي تماماً، لكن الفروق الحقيقية بين متوسطات المجموعات هي التي شوهت شكل التوزيع الكلي. لذلك، يُعد فحص بواقي النموذج الإحصائي هو الأسلوب الأدق والأشمل رياضياً في تحليل التباين.

تبرز هنا أهمية نظرية النهاية المركزية (Central Limit Theorem)؛ حيث تشير النظرية إلى أنه كلما كبر حجم العينة، اقترب توزيع متوسطات العينات المسحوبة عشوائياً من التوزيع الطبيعي بغض النظر عن شكل التوزيع الأصلي في المجتمع. يمنح هذا المبدأ الرياضي تحليل التباين قدراً من المتانة، إلا أن الاعتماد المطلق على النظرية دون فحص البواقي قد يكون محفوفاً بالمخاطر، لا سيما في وجود التواءات شديدة أو قيم شاذة تؤثر على دقة التقدير.

4.2 فحص الالتواء والتفرطح (Skewness and Kurtosis)

يُعد الالتواء والتفرطح من أهم المقاييس الوصفية العددية لتقييم مدى انحراف البيانات عن الشكل المعياري للتوزيع الطبيعي:

• معامل الالتواء (Skewness): يقيس درجة عدم التماثل لتوزيع البيانات حول المتوسط. يكون التوزيع ملتوياً موجباً (Positively Skewed) عندما تمتد الذروة نحو اليسار وتستطيل الذيل نحو اليمين (درجات متطرفة مرتفعة)، كما في قياس زمن رد الفعل. ويكون ملتوياً سالباً (Negatively Skewed) عندما يمتد الذيل نحو الدرجات المنخفضة، كما في الاختبارات التحصيلية السهلة جداً (تأثير السقف – Ceiling Effect). في التوزيع الطبيعي المثالي، تكون قيمة الالتواء صفراً.
• معامل التفرطح (Kurtosis): يقيس مدى ثقل أو تسطح أطراف التوزيع وارتفاع قمته مقارنة بالتوزيع الطبيعي. يُعرف التفرطح المدبب أو ثقيل الأطراف بـ (Leptokurtic) وتكون قيمته موجبة، بينما يُعرف التوزيع المفلطح أو خفيف الأطراف بـ (Platykurtic) وتكون قيمته سالبة. التفرطح المعياري للتوزيع الطبيعي يساوي صفراً عند حساب (Excess Kurtosis).

للحكم على الدلالة الإحصائية للالتواء والتفرطح، يتم حساب الدرجة المعيارية (Z-score) لكل منهما بقسمة القيمة المقدرة على خطئها المعياري المقابل:

$$Z_{Skewness} = \frac{\text{Skewness}}{SE_{\text{Skewness}}}, \quad Z_{Kurtosis} = \frac{\text{Kurtosis}}{SE_{\text{Kurtosis}}}$$

في العينات الصغيرة إلى المتوسطة ($N 3.29$ (المقابل لمستوى $\alpha = 0.001$). في العينات الضخمة جداً ($N > 300$)، تصبح الدرجات المعيارية مفرطة الحساسية لأي انحراف طفيف، ويفضل هنا الاعتماد على القيم المطلقة الخام للالتواء (بحيث تقع بين $-2$ و $+2$) وللتفرطح (بين $-7$ و $+7$) وفقاً لتوصيات جورج وماليري (George & Mallery) وكلين (Kline).

4.3 حجم العينة ومتانة ANOVA ضد انتهاك الاعتدالية

يتمتع اختبار ANOVA بصفة “المتانة الإحصائية” (Robustness) ضد الانتهاكات الطفيفة والمتوسطة لافتراض التوزيع الطبيعي، والمقصود بالمتانة هنا هو احتفاظ الاختبار بمعدل خطأ اسمي حقيقي قريب من $\alpha = 0.05$ وقوة اختبارية مقبولة حتى في حال غياب التوزيع الطبيعي الدقيق.

تتحقق هذه المتانة بأعلى مستوياتها عندما تكون التصاميم التجريبية “متوازنة” (Balanced Designs)، أي عندما تتساوى أحجام العينات تماماً داخل كل مجموعة ($n_1 = n_2 = dots = n_k$)، وتكون أحجام المجموعات كافية (عادة $n ge 30$ مفحوصاً في كل خلية تجريبية). في هذه الظروف المتوازنة، يظل اختبار ANOVA قادراً على تقديم قرارات إحصائية موثوقة حتى لو أظهرت البيانات التواءً معتدلاً.

على العكس من ذلك، تتلاشى متانة الاختبار بسرعة عندما تجتمع لااعتدالية البيانات مع تصاميم غير متوازنة (Unbalanced Designs) ذات أحجام عينات صغيرة ($n < 15$ في الخلية). في هذه السيناريوهات الحرجة، يؤدي انتهاك الاعتدالية إلى تشويه القيمة الاحتمالية الحقيقية، ويفقد الاختبار قدرته على التمييز بين الفروق الحقيقية والتقلبات العشوائية، مما يفرض بالضرورة التحول نحو البدائل المنهجية المناسبة.

5. الأساليب البصرية والرسوم البيانية لفحص التوزيع الطبيعي

5.1 مخططات الاحتمال الطبيعي (Q-Q Plots و P-P Plots)

تُعد المخططات البيانية التشخيصية من أرقى وأوثق الوسائل المنهجية لتقييم التوزيع الطبيعي للبواقي؛ حيث تمنح الباحث رؤية حدسية ومعمقة تفوق ما تقدمه الاختبارات الرقمية الصامتة. يأتي في مقدمة هذه الأدوات مخطط الاحتمال التجريبي مقابل النظري (Quantile-Quantile Plot – Q-Q Plot).

يعتمد مخطط Q-Q على رسم القيم الفعلية الملاحظة لبواقي النموذج على المحور الرأسي مقابل القيم النظرية المتوقعة تحت افتراض التوزيع الطبيعي المعياري على المحور الأفقي، مع رسم خط قطري مرجعي بزاوية 45 درجة يمثل التطابق التام. إذا كانت البواقي تتبع التوزيع الطبيعي بصورة مثالية، فإن النقاط ستصطف بدقة متناهية على طول هذا الخط القطري.

تتجلى قوة مخطط Q-Q في قدرته على تشخيص طبيعة الخلل بدقة:

• الأطراف الثقيلة (Heavy Tails): تظهر عندما تبتعد النقاط عن الخط القطري عند الطرفين لتشكل منحنى يشبه الحرف $S$ العكسي، مما يشير إلى زيادة القيم المتطرفة والتفرطح الموجب.
• الأطراف الخفيفة (Light Tails): تتخذ شكلاً يشبه الحرف $S$، مما يدل على تفرطح سالب وانعدام وجود قيم في الأطراف.
• الالتواء الإيجابي: تتقوس النقاط فوق الخط القطري عند الطرفين مع انحناءة واضحة للأعلى.
• الالتواء السلبي: تنحني سلسلة النقاط لأسفل الخط القطري في كلا الطرفين.

أما مخططات (Probability-Probability Plots – P-P Plots)، فتقوم بمقارنة النسب التراكمية الملاحظة بالنسب التراكمية النظرية، وتتميز بحساسيتها الفائقة للانحرافات في وسط التوزيع حول المتوسط، بينما تظل مخططات Q-Q هي الخيار الأمثل والمهيمن في تشخيص أطراف التوزيع والبواقي الشاذة.

5.2 المدرجات التكرارية ورسوم الكثافة (Histograms & Density Plots)

يقدم المدرج التكراري (Histogram) المزود بمنحنى التوزيع الطبيعي المتراكب (Normal Curve Overlay) نظرة بانورامية سريعة حول التوزيع التكراري للدرجات أو البواقي. يساعد هذا المخطط الباحث في تقييم مدى تناسق القمة المركزية وتطابقها مع شكل الجرس المتماثل.

يكتسب المدرج التكراري أهمية خاصة في الكشف عن مشكلة “تعدد القمم” (Bimodality / Multimodality). إذا أظهر المخطط قمتين منفصلتين أو أكثر داخل نفس المجموعة التجريبية، فإن ذلك يشير بقوة إلى أن العينة المسحوبة ليست متجانسة وأنها تضم مجتمعين فرعيين متباينين (مثل اختلاف استجابة الذكور عن الإناث للتدخل العلاجي)، وهو ما يستوجب إعادة هيكلة النموذج بإضافة متغير وسيط أو تصنيفي إضافي (Factorial ANOVA).

تُعد رسوم تقدير كثافة النواة (Kernel Density Estimation Plots) بديلاً بيانياً سلساً يتجاوز عيوب المدرجات التكرارية التقليدية المرتبطة بعرض الفئات (Bin Width). تتيح رسوم الكثافة للباحث مقارنة منحنيات الكثافة للمجموعات التجريبية المتعددة متراكبة في نفس الإطار البياني بألوان شفافة مميزة، مما يسهل الفحص المقارن المباشر لتماثل التوزيعات وتمركزها.

5.3 مخططات الصندوق والمستطيل (Boxplots)

تعتبر مخططات الصندوق (Box-and-Whisker Plots) من أكثر الرسوم الاستكشافية شمولاً وكفاءة في التحليل الإحصائي؛ إذ تعرض التوزيع الإحصائي الخماسي لكل مجموعة في رسم مضغوط يشمل: الحد الأدنى، الإبصاري/الربيع الأول ($Q_1$)، الوسيط الحسابي ($Q_2$)، الربيع الثالث ($Q_3$)، والحد الأقصى، إضافة إلى إبراز المدى الربيعي ($IQR = Q_3 – Q_1$).

يستدل الباحث على التوزيع الطبيعي من خلال مخطط الصندوق عبر المؤشرات التالية:

• موقع خط الوسيط في المنتصف الدقيق للصندوق المستطيل، مما يعكس تماثل نصفي التوزيع.
• تساوي طولي الذراعين أو الشاربين الممتدين من حافتي الصندوق نحو الأعلى والأسفل.
• غياب النقاط المنفصلة المعزولة خارج نطاق الشاربين، والتي ترمز إحصائياً إلى القيم الشاذة والمتطرفة.

عندما يقترب خط الوسيط من الربيع الأول مع امتداد ذراع الصندوق العلوي بصورة مبالغ فيها، فإن ذلك يبرهن بيانياً على وجود التواء موجب في بيانات المجموعة، والعكس صحيح في حالة الالتواء السالب. يتيح عرض مخططات الصندوق جنباً إلى جنب لكافة مستويات المتغير المستقل تقييماً بصرياً فورياً ومتزامناً لكل من افتراضي التوزيع الطبيعي وتجانس التباينات.

6. الاختبارات الإحصائية الاستدلالية لفحص التوزيع الطبيعي

6.1 اختبار شابيرو-ويلك (Shapiro-Wilk Test)

يُصنف اختبار شابيرو-ويلك (Shapiro-Wilk Test) بوصفه الاختبار المعياري الأكثر قوة وحساسية في الكشف عن الانحرافات عن التوزيع الطبيعي، لا سيما في أحجام العينات الصغيرة والمتوسطة التي تتراوح بين $N = 7$ و $N = 2000$. يعتمد الاختبار على حساب إحصاء الجودة المرموز له بـ ($W$)، والذي يقيس مدى الترابط الخطي بين قيم الترتيب المرصودة وقيم الترتيب المتوقعة من التوزيع الطبيعي المعياري.

تتم صياغة الفرضيات الإحصائية لاختبار شابيرو-ويلك على النحو التالي:

• الفرضية الصفرية ($H_0$): البواقي تتبع التوزيع الطبيعي المعياري ($P ge 0.05$).
• الفرضية البديلة ($H_1$): البواقي لا تتبع التوزيع الطبيعي وتختلف عنه جوهرياً ($P < 0.05$).

تتراوح قيمة إحصاء $W$ بين 0 و 1؛ حيث تشير القيمة القريبة من الواحد الصحيح (مثل $W = 0.98$) إلى توافق عالٍ مع التوزيع الطبيعي. إذا كانت القيمة الاحتمالية الناتجة (p-value) أكبر من أو تساوي مستوى الدلالة المعتمد ($p ge 0.05$)، يفشل الباحث في رفض الفرضية الصفرية ويستنتج تحقق افتراض الاعتدالية. أما إذا كانت $p < 0.05$، فإن ذلك يستلزم رفض الفرضية الصفرية والإقرار بوجود انحراف إحصائي دال عن التوزيع الطبيعي.

6.2 اختبار كولموجوروف-سميرنوف مع تعديل ليلفور (Kolmogorov-Smirnov with Lilliefors Correction)

يقوم اختبار كولموجوروف-سميرنوف (K-S Test) على مقارنة دالة التوزيع التراكمي التجريبية الملاحظة في العينة $F_n(x)$ بدالة التوزيع التراكمي النظرية المفترضة للتوزيع الطبيعي $F_0(x)$، من خلال حساب إحصاء المسافة الأقصى المرموز له بـ ($D$):

$$D = \sup_x |F_n(x) – F_0(x)|$$

في التطبيقات الواقعية للبحوث النفسية، تكون معالم المجتمع (المتوسط والانحراف المعياري) غير معلومة مسبقاً ويتم تقديرها مباشرة من بيانات العينة نفسها؛ في هذه الحالة، يصبح اختبار كولموجوروف-سميرنوف التقليدي غير دقيق ومفرط التحفظ، مما يقتضي استخدام “تعديل ليلفور” (Lilliefors Correction) لضبط درجات الحرية وتعديل القيمة الاحتمالية الحرجة بدقة.

على الرغم من شيوع هذا الاختبار في الدراسات النفسية القديمة، إلا أن الأدبيات الإحصائية الحديثة تحذر من اعتماده كمعيار وحيد في العينات الصغيرة نظراً لضعف قوته الإحصائية (Low Statistical Power) مقارنة باختبار شابيرو-ويلك، مما يجعله عاجزاً عن رصد الانحرافات الحقيقية. وفي المقابل، يصبح الاختبار في العينات الضخمة ($N > 500$) مفرط الحساسية لدرجة رفض الفرضية الصفرية استناداً إلى انحرافات تافهة لا أثر لها عملياً على سلامة نموذج ANOVA.

6.3 الموازنة بين الدلالة الإحصائية والدلالة العملية للاعتدالية

يقع كثير من الباحثين المبتدئين في فخ الاعتماد الحرفي الأعمى على القيم الاحتمالية للاختبارات الاستدلالية للاعتدالية؛ ففي العينات الضخمة ($N = 1000$ مثلاً)، قد يُظهر اختبار شابيرو-ويلك دلالة إحصائية عالية ($p = 0.001$) تؤدي ظاهرياً إلى رفض افتراض الاعتدالية، على الرغم من أن الفحص البصري عبر Q-Q plot يوضح أن البيانات شبه متطابقة مع الخط القطري وأن قيم الالتواء لا تتعدى $0.15$.

تُعرف هذه المعضلة بتأثير حجم العينة على اختبارات الفرضيات الصفرية الصارمة. ولتجاوز هذا الخلل، يجب على الباحث تبني منهجية متكاملة توازن بين الدلالة الإحصائية والدلالة العملية التوزيعية عبر الجمع الإلزامي بين ثلاثة محاور:

• التقييم البصري لمخططات Q-Q Plots والمدرجات التكرارية.
• فحص المعاملات الوصفية للالتواء والتفرطح والتأكد من وقوعها ضمن النطاقات المعيارية المقبولة.
• قراءة نتائج اختبار شابيرو-ويلك بحذر في ضوء حجم العينة الإجمالي وحجم المجموعات الفرعية.

يجب توثيق هذا التكامل في متن البحث بصياغة منهجية واضحة، كأن يُذكر: “على الرغم من دلالة اختبار شابيرو-ويلك نظراً لكبر حجم العينة، إلا أن الفحص البصري لمخططات Q-Q وقيم الالتواء والتفرطح أثبتت ملاءمة البيانات التامة للتوزيع الطبيعي المعتدل بما يتوافق مع شروط النموذج الإحصائي”.

7. الافتراض الثالث: فحص تجانس التباين (Homogeneity of Variances)

7.1 مفهوم تجانس التباين وأهميته في مقارنة المجموعات

يُقصد بافتراض تجانس التباين (المعروف في الأدبيات الإحصائية بـ Homogeneity of Variances أو Homoscedasticity) أن تباين درجات الأخطاء العشوائية أو البواقي متساوٍ وثابت عبر كافة مستويات المجموعات التجريبية أو الضابطة الخاضعة للمقارنة في النموذج، أي أن:

$$\sigma_1^2 = \sigma_2^2 = \sigma_3^2 = dots = \sigma_k^2 = \sigma^2$$

تكمن الأهمية الرياضية لهذا الافتراض في أن حساب التباين المجمع للخطأ داخل المجموعات ($MS_{Within}$) يعتمد كلياً على جمع مربعات انحرافات كل مجموعة وقسمتها على إجمالي درجات الحرية، مفترضاً أن هذا التقدير المجمع يمثل تشتتاً موحداً يعبر بصدق عن المجتمع ككل. فإذا كانت تباينات المجموعات غير متجانسة اختلافاً جذرياً، فإن التباين المجمع يصبح تقديراً هجيناً مضللاً يفسد مقام النسبة الفائية ($F$).

يُعد انتهاك تجانس التباين أخطر بكثير على دقة اختبار ANOVA من انتهاك التوزيع الطبيعي، لا سيما عندما تترافق هذه المشكلة مع عدم تساوي أحجام المجموعات المستقلة (Unbalanced Groups)، حيث يؤدي ذلك إلى انحرافات خطيرة في معدلات الخطأ الإحصائي لا يمكن إغفالها.

7.2 العلاقة بين تباين المجموعات وحجم العينات

يتخذ تأثير عدم تجانس التباينات مسارين متناقضين تبعاً لطبيعة الاقتران بين أحجام المجموعات ($n_i$) ومقدار تباين كل مجموعة ($s_i^2$):

• الاقتران الإيجابي أو المباشر (Positive Pairing): يحدث عندما تمتلك المجموعة ذات الحجم الأكبر العينة الأكبر تشتتاً وتبايناً، بينما تمتلك المجموعة الأصغر التباين الأقل ($n_{\text{large}} \leftrightarrow s_{\text{large}}^2$). في هذا السيناريو، يُهيمن التباين الكبير للمجموعة الضخمة على حساب التباين المجمع للخطأ فيجعل قيمته في المقام متضخمة جداً، مما يؤدي إلى انخفاض مصطنع في النسبة الفائية ($F$) وارتفاع حاد في معدل الخطأ من النوع الثاني (Type II Error)، مما يحرم الباحث من اكتشاف الفروق الحقيقية الفاصلة بين العلاجات النفسية.
• الاقتران السلبي أو العكسي (Negative Pairing): يحدث عندما تمتلك المجموعة ذات الحجم الأصغر التباين والانتشار الأكبر ($n_{\text{small}} \leftrightarrow s_{\text{large}}^2$). يُعد هذا السيناريو الأخطر إطلاقاً على الإحصاء الاستدلالي؛ حيث يؤدي إلى تقليل قيمة المقام المجمع للخطأ بصورة وهمية، مما يرفع النسبة الفائية ($F$) إلى مستويات خادعة تتجاوز الحدود الحرجة، ويرفع معدل الخطأ من النوع الأول (Type I Error) من 5% إلى ما قد يفوق 30%، مما يؤدي إلى قبول فروق وهمية لا وجود لها في الواقع.

كقاعدة تشخيصية استرشادية سريعة قبل إجراء الاختبارات المعقدة، يقترح الإحصائيون فحص نسبة أقصى تباين إلى أدنى تباين (Variance Ratio Rule):

$$\text{Ratio} = \frac{s_{\max}^2}{s_{\min}^2}$$

إذا كانت النسبة أقل من $4:1$ (أو نسبة الانحرافات المعيارية $\frac{s_{\max}}{s_{\min}} < 2$) وكانت أحجام المجموعات متساوية تقريباً، فإن اختبار ANOVA يعتبر متيناً ويمكن المضي قدماً في تطبيقه، أما إذا تجاوزت النسبة هذا المحك مع تفاوت أحجام العينات، فإن التعديل الإحصائي يصبح واجباً حتمياً.

7.3 فحص التجانس عبر المخططات البيانية (Residuals vs. Fitted Plot)

يوفر مخطط البواقي مقابل القيم المتوقعة أو المتوسطات التنبؤية (Residuals vs. Fitted / Predicted Values Plot) تشخيصاً بصرياً فائق الدقة لمدى تحقق ثبات التباين. في هذا الرسم البياني، يمثل المحور الأفقي المتوسطات التنبؤية لكل مجموعة ($\hat{Y}_j = \bar{Y}_j$) بينما يمثل المحور الرأسي البواقي المعيارية المحسوبة ($\epsilon_{ij}^*$).

في ظل تحقق افتراض تجانس التباين، تظهر النقاط الممثلة للبواقي مبعثرة عشوائياً في نطاق شريطي مستطيل ذي عرض رأسي متساوٍ وموحد فوق وتحت الخط الصفري الأفقي عبر كافة الأعمدة الممثلة للمجموعات، دون وجود أي نمط منتظم أو اتساع متفاوت.

أما في حال انتهاك التجانس، يظهر في الرسم نمط بصري كلاسيكي يُعرف بالشكل “البوقي” أو “القمعي” (Funnel / Megaphone Shape)؛ حيث يبدأ انتشار النقاط ضيقاً ومحصوراً عند المتوسطات الصغيرة ثم يتسع وينتشر أفقياً ورأسياً بصورة متزايدة مع ارتفاع قيم المتوسطات التنبؤية، أو العكس. يشير هذا التوسع المخروطي إلى أن تشتت الاستجابات يزداد طردياً مع زيادة متوسط درجات المقياس النفسي، مما يستدعي تدخلاً تصحيحياً للبيانات.

8. الاختبارات الإحصائية لفحص تجانس التباين (Homoscedasticity Tests)

8.1 اختبار ليفين لتجانس التباينات (Levene’s Test)

يُعد اختبار ليفين (Levene’s Test) الاختبار الأكثر شيوعاً واعتماداً في كافة الحزم البرمجية الإحصائية لتقييم تجانس التباين. يعتمد الاختبار في جوهره على تحويل الدرجات الأصلية للمتغير التابع إلى مصفوفة من الانحرافات المطلقة عن متوسط كل مجموعة:

$$z_{ij} = |Y_{ij} – \bar{Y}_j|$$

ثم يقوم الاختبار بإجراء تحليل تباين أحادي تقليدي (ANOVA) على هذه القيم المطلقة المحولة ($z_{ij}$). إذا أظهر التحليل فروقاً ذات دلالة إحصائية بين انحرافات المجموعات، فإن ذلك يعني بالضرورة اختلاف تبايناتها الأصلية.

تتمثل نقطة التحول الكبرى في النسخة المعدلة التي طورها براون وفورسيث (Brown-Forsythe Test) لاختبار ليفين؛ حيث يتم استبدال المتوسط الحسابي في معادلة الانحراف بالوسيط الإحصائي للمجموعة ($z_{ij} = |Y_{ij} – \tilde{Y}_j|$) أو المتوسط المشذب (Trimmed Mean). تكمن الميزة الاستثنائية لهذا التعديل في أنه يجعل اختبار ليفين “متيناً” وفائق المقاومة للانحرافات الحادة عن التوزيع الطبيعي، مما يجعله الخيار الافتراضي والأنسب للبيانات النفسية والسلوكية التي تتسم بالتواءات طفيفة.

تُفسر نتائج اختبار ليفين بناءً على القيمة الاحتمالية ($p$-value) للنسبة الفائية الناتجة:

• إذا كانت $p ge 0.05$: نقبل الفرضية الصفرية القائلة بتجانس التباينات، مما يتيح استخدام اختبار ANOVA البارامتري الكلاسيكي واختبارات توكي (Tukey’s HSD) البعدية بأمان.
• إذا كانت $p < 0.05$: نرفض الفرضية الصفرية ونستنتج عدم تجانس التباين (Heteroscedasticity)، مما يوجب استخدام اختبار ويلش أو براون-فورسيث المعدلين.

8.2 اختبار بارتليت (Bartlett’s Test)

يمثل اختبار بارتليت (Bartlett’s Test) أداة استدلالية قوية مصممة لاختبار تجانس التباينات المتعددة استناداً إلى مبدأ نسبة الإمكانية العظمى (Likelihood Ratio Test). يقارن الاختبار المتوسط اللوغاريتمي للتباينات الموزونة باللوغاريتم الطبيعي للتباين المجمع الكلي، ويتبع إحصاء الاختبار توزيع مربع كاي ($\chi^2$) بدرجات حرية ($k – 1$).

يمتلك اختبار بارتليت قوة إحصائية فائقة تفوق اختبار ليفين، إلا أن هذه القوة تأتي مشروطة بافتراض صارم وحاسم: وهو أن تكون البيانات داخل كل مجموعة موزعة توزيعاً طبيعياً دقيقاً. فإذا كان هناك أدنى التواء أو انحراف عن الاعتدالية، فإن اختبار بارتليت يفقد مصداقيته تماماً ويميل إلى إعطاء دلالة إحصائية زائفة لعدم التجانس، حيث يخلط بين الانحراف عن التوزيع الطبيعي والانحراف عن تجانس التباين.

لذلك، ينصح علماء القياس النفسي بتجنب استخدام اختبار بارتليت في العلوم السلوكية إلا إذا أثبتت الفحوصات الاستباقية اعتدالية البيانات بدرجة شبه مثالية، في حين يظل اختبار ليفين المعتمد على الوسيط هو البديل الأكثر واقعية وموثوقية في الأبحاث التطبيقية.

8.3 اختبار هارتلي (Hartley’s F-max Test) واختبار كوشران (Cochran’s C)

ينتمي كل من اختبار هارتلي واختبار كوشران إلى فئة الاختبارات التشخيصية السريعة والبديهية لتجانس التباين التي حظيت بانتشار واسع قبل عصر الحوسبة المتقدمة، وما زالت تحتفظ بقيمتها التعليمية والتطبيقية:

• اختبار هارتلي ($F_{\max}$): يعتمد ببساطة متناهية على قسمة التباين الأكبر الملاحظ بين المجموعات على التباين الأصغر:
  $$F_{\max} = \frac{s^2_{\max}}{s^2_{\min}}$$
  تُقارن هذه القيمة المحسوبة بالقيمة الحرجة في جداول هارتلي الخاصة عند درجات حرية ($n – 1$) وعدد مجموعات ($k$). يشترط هذا الاختبار شرطاً صارماً وهو تساوي أحجام عينات المجموعات تماماً ($n_1 = n_2 = dots = n_k$)، بالإضافة إلى حساسيته الشديدة للاعتدالية.
• اختبار كوشران ($C$): يركز على فحص ما إذا كان هناك تباين فردي لمجموعة معينة شاذ وضخم بصورة مفرطة مقارنة بمجموع تباينات بقية المجموعات، ويُحسب بالصيغة:
  $$C = \frac{s^2_{\max}}{\sum_{i=1}^k s^2_i}$$
  تُقارن قيمة $C$ بالجداول المرجعية لكوشران، ويُستخدم بفاعلية للكشف عن التشتت الشاذ الأحادي بين المعالجات التجريبية.

9. تشخيص القيم المتطرفة والشاذة وتأثيرها على الافتراضات

9.1 التعريف بالقيم المتطرفة في المقاييس النفسية

تُعرّف القيمة المتطرفة أو الشاذة (Outlier) في سياق القياس النفسي بأنها مشاهدة أو استجابة فردية تبتعد ابتعاداً غير عادي وشديد عن النمط العام لتوزيع بقية درجات العينة. تنقسم القيم الشاذة إلى نوعين:

• قيم شاذة طفيفة/معتدلة (Mild Outliers): مشاهدات تقع خارج النطاق الطبيعي لكنها تظل ضمن الحدود المنطقية لخصائص المجتمع.
• قيم شاذة متطرفة حادة (Extreme Outliers): استجابات شاذة جداً تنفصل كلياً عن أي كثافة احتمالية للبيانات.

تنشأ القيم المتطرفة في الدراسات السلوكية نتيجة أسباب متباينة، تشمل: أخطاء الإدخال والترميز البشري (كأن يُدخل الباحث درجة قلق 55 على مقياس حده الأقصى 50)، أو إخفاق المشارك في قراءة البنود والإجابة العشوائية بدافع الملل، أو سوء فهم تعليمات المقياس، أو وجود حالات إكلينيكية نادرة وشديدة تم سحبها ضمن العينة العامة دون تشخيص مسبق.

تُحدث القيم المتطرفة أثراً تخريبياً مزدوجاً على نموذج ANOVA؛ حيث يؤدي وجود قيمة شاذة واحدة مرتفعة جداً إلى سحب المتوسط الحسابي للمجموعة نحوها بقوة (لأن المتوسط مقياس غير متين)، وفي الوقت نفسه تضخيم التباين الداخلي للمجموعة ($s_j^2$) بصورة هائلة، مما يؤدي إلى انتهاك متزامن لاثنين من أهم افتراضات التحليل: افتراض التوزيع الطبيعي وافتراض تجانس التباينات في آن واحد.

9.2 طرق الكشف الإحصائي عن القيم المتطرفة أحادية المتغير

تتعدد الطرق الإحصائية المقننة لتحديد وتشخيص القيم المتطرفة بدقة عددية وموضوعية:

• طريقة الدرجات المعيارية ($Z$-Scores): يتم تحويل درجات المتغير التابع داخل كل مجموعة إلى درجات معيارية ($Z_i = \frac{Y_i – \bar{Y}}{s}$). تُعد أي حالة تتجاوز درجتها المعيارية النطاق المطلق $|Z| > 3.0$ (أو بدقة أكثر $|Z| > 3.29$ في العينات الكبيرة، المقابلة لاحتمالية أقل من $0.001$) قيمة شاذة تستدعي التوقف والفحص المنهجي.
• قاعدة المدى الربيعي لتيوكي (Tukey’s IQR Rule): تعتمد هذه الطريقة اللابارامترية المتينة على المسافة الربيعية ($IQR = Q_3 – Q_1$). يتم تحديد السياج الداخلي والخارجي للبيانات وفق الحدود التالية:
  • قيمة شاذة معتدلة (Outlier): تقع في النطاق $[Q_1 – 1.5 \times IQR]$ إلى $[Q_3 + 1.5 \times IQR]$.
  • قيمة شاذة متطرفة (Extreme Outlier): تتجاوز الحدود القصوى $[Q_1 – 3.0 \times IQR]$ أو $[Q_3 + 3.0 \times IQR]$، وتظهر هذه الحالات في برنامج SPSS على شكل علامة نجمة ($*$) بدلاً من الدائرة الصامتة ($O$).

9.3 استراتيجيات التعامل المنهجي مع القيم الشاذة

لا يجوز للباحث بأي حال من الأحوال حذف القيم المتطرفة تلقائياً أو عشوائياً لمجرد تحسين نتائج التحليل والدلالة الإحصائية؛ إذ يُعد هذا السلوك انتهاكاً خطيراً للأمانة الأكاديمية. يجب أن تخضع معالجة القيم الشاذة لمسار منهجي صارم يمر بالمراحل التالية:

• التدقيق والتصحيح (Verification): مراجعة أصل استمارات الاستبيان أو سجلات القياس الآلي لتصحيح أي خطأ مطبعي في إدخال الأرقام.
• الحذف المبرر (Legitimate Deletion): إذا ثبت بالدليل القاطع أن القيمة المتطرفة ناتجة عن خلل تقني في أجهزة القياس أو عدم التزام المفحوص بالتعليمات (مثل إكمال اختبار مدته نصف ساعة في دقيقتين)، يجوز حذف الحالة مع توثيق مبررات الاستبعاد بوضوح في قسم المنهجية.
• التعديل الحدي (Winsorization): استبدال القيمة الشاذة المتطرفة بأقرب قيمة مقبولة تقع ضمن السياج الإحصائي (مثلاً استبدال القيمة الشاذة العليا بأعلى قيمة غير شاذة عند المئين 95)، مما يحافظ على حجم العينة الأصلي ويحد من تشويه المتوسط.
• التشذيب (Trimming): استبعاد نسبة محددة وثابتة (مثل 5% أو 10%) من القيم القصوى والدنيا في كافة المجموعات، وهو الأساس الذي تبنى عليه نماذج ANOVA المتينة الحديثة.
• تحليل الحساسية (Sensitivity Analysis): إجراء تحليل ANOVA مرتين؛ الأولى بوجود القيم الشاذة والثانية بعد استبعادها أو تعديلها. إذا كانت القرارات الإحصائية والاستنتاجات متطابقة في الحالتين، يُعرض التحليل الأصلي مع الإشارة إلى متانة النموذج وعدم تأثره بالشواذ.

10. تطبيق فحص الافتراضات عملياً باستخدام البرمجيات الإحصائية (SPSS, R, Python)

10.1 فحص الافتراضات في برنامج SPSS

يوفر برنامج IBM SPSS بيئة تطبيقية متكاملة تتيح للمحلل الإحصائي استخراج كافة مؤشرات فحص الافتراضات عبر مسارات حوارية مباشرة:

• فحص التوزيع الطبيعي والكشف عن الشواذ:

  من القائمة الرئيسية، ننتقل إلى: Analyze > Descriptive Statistics > Explore. نضع المتغير التابع في مربع (Dependent List) والمتغير المستقل في مربع (Factor List). ومن نافذة Plots، نحدد خيار Normality plots with tests وخيار Histogram. ينتج عن هذا الإجراء استخراج جدول شامل لمعاملات الالتواء والتفرطح، ونتائج اختباري Shapiro-Wilk و Kolmogorov-Smirnov، بالإضافة إلى توليد مخططات Q-Q Plots ومخططات الصندوق التفصيلية التي تكشف أرقام الحالات الشاذة.

• فحص تجانس التباين وإجراء الاختبارات المصححة:

  نتبع المسار: Analyze > Compare Means > One-Way ANOVA. نضع المتغيرات في مواقعها، ثم نضغط على زر Options ونحدد الخيارات التالية: Homogeneity of variance test لتوليد اختبار ليفين، وخيار Welch وخيار Brown-Forsythe كبدائل احتياطية في حال فشل التجانس، وخيار Means plot لرسم المتوسطات.

• حفظ وتحليل بواقي النموذج:

  عبر مسار النماذج الخطية العامة: Analyze > General Linear Model > Univariate، نضغط على زر Save ونحدد خيار Standardized Residuals. يتم إنشاء متغير جديد في ورقة البيانات يمثل البواقي المعيارية، والتي يمكن بعدها فحص اعتداليتها واستقلاليتها بدقة فائقة.

10.2 فحص الافتراضات برمجياً باستخدام لغة R

تمنح لغة R الباحثين مرونة فائقة وقدرات رسومية وحسابية متقدمة لأتمتة فحص افتراضات ANOVA عبر حزم متخصصة مثل tidyverse، وcar، وrstatix. يتم بناء النموذج وفحص افتراضاته بالخطوات البرمجية التالية الموضحة سياقياً:

أولاً، يتم تركيب نموذج تحليل التباين وحفظه ككائن إحصائي باستخدام الدالة الأساسية aov_model <- aov(Anxiety ~ Treatment, data = df). لاستخراج البواقي، نستخدم الدالة residuals(aov_model).

ثانياً، لفحص التوزيع الطبيعي للبواقي إحصائياً، نقوم بتمرير البواقي إلى دالة شابيرو-ويلك عبر الأمر shapiro.test(residuals(aov_model))، أو نقوم بحساب الاختبار لكل مجموعة مستقلة باستخدام حزمة rstatix عبر الأمر:

df %>% group_by(Treatment) %>% shapiro_test(Anxiety)

ثالثاً، لفحص تجانس التباين، نستدعي دالة اختبار ليفين المعتمدة على الوسيط من حزمة car عبر كتابة الأمر: leveneTest(Anxiety ~ Treatment, data = df, center = median).

رابعاً، لتوليد المخططات التشخيصية الأربعة المدمجة دفعة واحدة وبجودة نشر عالية، نستخدم الأمر الرسومي المباشر par(mfrow=c(2,2)); plot(aov_model)؛ حيث يولد البرنامج مخطط البواقي مقابل القيم المتوقعة لتشخيص التجانس، ومخطط Q-Q plot المعياري لتشخيص الاعتدالية، ومخطط قياس الموقع والحجم (Scale-Location plot) لرصد استقرار التشتت، ومخطط مسافات كوك (Residuals vs Leverage) لرصد الحالات الشاذة المؤثرة تأثيراً طاغياً على النموذج.

10.3 فحص الافتراضات باستخدام مكتبات Python الإحصائية

أصبحت لغة Python ركيزة أساسية في التحليلات الإحصائية بفضل منظومتها العلمية المتطورة المتمثلة في مكتبات scipy.stats وstatsmodels وseaborn. يتم فحص الافتراضات وفق التسلسل البرمجي المنهجي التالي:

يتم استيراد الأدوات الإحصائية من مكتبة SciPy، ثم تنفيذ اختبار شابيرو-ويلك لكل مجموعة تجريبية باستخدام الكود: stats.shapiro(group_data)، وتطبيق اختبار ليفين المتين عبر الأمر: stats.levene(group1, group2, group3, center='median').

لبناء نموذج ANOVA المتقدم واستخراج جدول تحليل التباين الشامل وفحص البواقي، توظف مكتبة Statsmodels عبر صيغة النمذجة الرياضية (Formula API):

import statsmodels.api as sm
from statsmodels.formula.api import ols
model = ols('Anxiety ~ C(Treatment)', data=df).fit()
anova_table = sm.stats.anova_lm(model, typ=2)

ثم يتم استخراج البواقي وتوليد رسم Q-Q Plot البياني التفاعلي من خلال دالة sm.qqplot(model.resid, line='s')، واستخدام مكتبة seaborn لرسم مخطط التشتت البوقي للبواقي مقابل المتوسطات التنبؤية عبر sns.residplot(x=model.fittedvalues, y=model.resid, lowess=True)، مما يوفر بيئة برمجية صارمة وموثوقة لتحليل البيانات.

11. الإجراءات التصحيحية والبدائل الإحصائية عند انتهاك الافتراضات

11.1 التعامل مع انتهاك تجانس التباين: اختبارات ويلش وبراون-فورسيث

عندما يثبت بالفحص الإحصائي انتهاك افتراض تجانس التباينات ($p < 0.05$ في اختبار ليفين)، لا سيما مع عدم تساوي أحجام المجموعات، يجب التوقف تماماً عن قراءة النسبة الفائية التقليدية ($F$) لاختبار ANOVA وتفعيل البدائل المعلمية المعدلة المصممة لمقاومة عدم التجانس:

• اختبار ويلش لتحليل التباين (Welch’s ANOVA): يُعد البديل الأقوى والأكثر توصية في الأدبيات الإحصائية الحديثة؛ حيث يقوم بوزن متوسط كل مجموعة بتباينها الخاص بدلاً من الاعتماد على تباين مجمع موحد، مع إجراء تعديل صارم وتخفيض حاد لدرجات حرية المقام ($df_{\text{denominator}}$). تشير دراسات المحاكاة (Monte Carlo Simulations) إلى أن اختبار ويلش يحتفظ بمعدل الخطأ الاسمي ($\alpha = 0.05$) بدقة متناهية تحت أقسى ظروف التباين غير المتجانس والأحجام غير المتساوية.
• اختبار براون-فورسيث (Brown-Forsythe F-test): يقدم تعديلاً بديلاً لدرجات الحرية استناداً إلى أوزان مشتقة من تباينات المجموعات، ويُعد خياراً ممتازاً عندما تكون هناك مجموعات تمتلك تباينات متطرفة جداً مع توزيعات ثقيلة الأطراف.

وعند الانتقال إلى مرحلة المقارنات البعدية المتعددة (Post-Hoc Pairwise Comparisons)، يحظر استخدام اختبارات “توكي” (Tukey’s HSD) أو “بونفيروني” (Bonferroni) لأنها تفترض تجانس التباين. بدلاً من ذلك، يجب استخدام اختبار **جيمس-ハウيل (Games-Howell Post-Hoc Test)** أو اختبار **دانيت سي (Dunnett’s C)**؛ حيث صُممت هذه الاختبارات لتقوم بحساب أخطاء معيارية منفصلة ودرجات حرية معدلة وفق معادلة ويلش-ساترثويت لكل زوج من المقارنات بصورة مستقلة.

11.2 التعامل مع انتهاك التوزيع الطبيعي: التحويلات الرياضية واختبار كروسكال-واليس

عند حدوث انتهاك حاد لافتراض التوزيع الطبيعي في ظل عينات صغيرة الحجم، تتاح أمام الباحث استراتيجيتان منهجيتان للتعامل مع الموقف:

الاستراتيجية الأولى: التحويلات الرياضية غير الخطية للبيانات (Data Transformations)
تهدف إلى إعادة تشكيل مقياس قياس المتغير التابع لتقليص الذيول الممتدة وجعل التوزيع متماثلاً دون الإخلال بترتيب القيم الأصلية، ومن أبرز هذه التحويلات:

• التحويل اللوغاريتمي ($log(Y)$ أو $log(Y + c)$): فائق الفاعلية في معالجة التوزيعات الملتوية التواءً موجباً شديداً وذات التشتت المتزايد (تأثير البوق).
• تحويل الجذر التربيعي ($\sqrt{Y}$): يُستخدم في بيانات التكرارات والاستجابات التي تتبع توزيع بواسون (Poisson Distribution) مع التواء موجب معتدل.
• تحويل المقلوب ($1/Y$): يُطبق في قياسات الأزمان وزمن رد الفعل لتحويل القياس إلى معدل سرعة الإنجاز.
• تحويل بوكس-كوكس الموجه (Box-Cox Transformation): خوارزمية استمثال رياضي تبحث آلياً عن أفضل معلمة ($lambda$) تحول البيانات إلى أقرب شكل ممكن للتوزيع الطبيعي.

وعلى الرغم من المزايا الرياضية للتحويلات، إلا أن عيبها الجوهري في العلوم النفسية يكمن في صعوبة التفسير المباشر؛ فالدرجات النفسية الناتجة بعد التحويل اللوغاريتمي تفقد وحدات قياسها الأصلية، مما يعقد كتابة الدلالات السيكولوجية للمتوسطات.

الاستراتيجية الثانية: الانتقال إلى البدائل اللابارامترية (Non-parametric Tests)
يُعد اختبار كروسكال-واليس (Kruskal-Wallis Test) البديل اللابارامتري المباشر لتحليل التباين الأحادي. يقوم هذا الاختبار بتحويل كافة الدرجات الخام إلى رتب تصاعدية مجمعة ($R_i$) من 1 إلى $N$، ثم يختبر ما إذا كانت متوسطات الرتب للمجموعات تختلف دلالياً باستخدام إحصاء مربع كاي ($H$). في حال دلالة اختبار كروسكال-واليس، تُجرى المقارنات البعدية باستخدام اختبار مان-ويتني ($U$) مع تطبيق تصحيح بونفيروني لمستوى الدلالة ($p$-value adjustment).

11.3 أساليب إعادة المعاينة الحديثة (Bootstrapping and Robust ANOVA)

مع التطور الهائل في القدرات الحاسوبية، باتت أساليب إعادة المعاينة الإحصائية المكثفة (Resampling Methods) تمثل الخيار المنهجي الأكثر تطوراً وموثوقية لتجاوز انتهاكات الافتراضات التوزيعية دون الحاجة إلى تشويه البيانات بالتحويلات أو خفض قوتها بالتحول للرتب:

• تقنية التمهيد المعايني (Bootstrapping): تقوم هذه الطريقة على سحب آلاف العينات العشوائية التكرارية من نفس بيانات الدراسة الأصلية مع الإحلال (With Replacement) – عادة 2000 إلى 5000 عينة تمهيدية. يتم توليد توزيع تجريبي تجريبي مباشر للنسبة الفائية وفروق المتوسطات، وبناء فترات ثقة معيارية مصححة للتحيز والتسارع (BCa Confidence Intervals). تتيح هذه التقنية تقييم الفروق بدقة متناهية دون أدنى اشتراط لاعتدالية المجتمع الأصلي.
• تحليل التباين المتين لـ راند ويلكوكس (Wilcox’s Robust ANOVA): طور عالم الإحصاء راند ويلكوكس منظومة متكاملة لاختبارات ANOVA المتينة المعتمدة على استخدام المتوسطات المشذبة بنسبة 20% (Trimmed Means) واستبدال التباين بالتباين المصفى لوينسور (Winsorized Variance) وحساب اختبارات $F$ المتينة واختبارات $M$-Estimators. تتوفر هذه المنظومة المتطورة في حزمة WRS2 في لغة R عبر دوال مثل t1way() و med1way()، وتعتبر اليوم المعيار الذهبي الموصى به من كبار علماء القياس النفسي للتعامل مع البيانات المعقدة والملتوية والشاذة.

12. الدليل الإرشادي لكتابة وتوثيق فحص الافتراضات وفق دليل الجمعية الأمريكية لعلم النفس (APA)

12.1 صياغة نتائج فحص الافتراضات في قسم المنهجية والنتائج

يفرض الإصدار السابع من دليل جمعية علم النفس الأمريكية (APA 7th Edition) معايير دقيقة وشفافة في توثيق خطوات التحقق من الافتراضات الإحصائية قبل عرض نتائج التحليل النهائي؛ حيث يجب على الباحث كتابة تقرير متسلسل في قسم النتائج يتناول صراحة نتائج فحص التوزيع الطبيعي، والقيم المتطرفة، وتجانس التباين، مع ذكر المبررات الرياضية في حال الانتقال إلى اختبارات مصححة.

فيما يلي نماذج صياغة قياسية جاهزة يمكن الاسترشاد بها في كتابة الأبحاث المحكمة:

النموذج الأول: في حال تحقق كافة الافتراضات:
“تم التحقق المنهجي الاستباقي من افتراضات تحليل التباين الأحادي. أظهرت الفحوصات البصرية لمخططات Q-Q plots وقيم الالتواء والتفرطح (التي تراوحت بين $-0.32$ و $+0.45$)، بالتكامل مع اختبار شابيرو-ويلك، أن بواقي المجموعات تتبع التوزيع الطبيعي المعتدل ($W = 0.98, p = 0.421$). كما أثبت اختبار ليفين تحقق افتراض تجانس التباينات بدرجة مقبولة عبر المجموعات التجريبية الثلاث، $F(2, 87) = 1.14, p = 0.324$. بناءً عليه، تم تطبيق اختبار ANOVA البارامتري التقليدي، والذي أظهر وجود أثر رئيسي دال للمتغير المستقل، $F(2, 87) = 6.84, p = 0.002, \eta_p^2 = 0.136$.”

النموذج الثاني: في حال انتهاك تجانس التباين وتطبيق اختبار ويلش:
“أشار اختبار ليفين المعتمد على الوسيط إلى انتهاك واضح لاافتراض تجانس التباين بين المجموعات، $F(3, 116) = 5.89, p = 0.001$. ونظراً لعدم تساوي أحجام المجموعات، تم الاعتماد على اختبار ويلش لتحليل التباين (Welch’s ANOVA) لضبط معدل الخطأ. أسفرت النتائج عن فروق ذات دلالة إحصائية جوهرية بين مستويات التدخل العلاجي، $F_{\text{Welch}}(3, 54.32) = 8.41, p < 0.001, \text{est. } \omega^2 = 0.16$. كما أُجريت المقارنات البعدية المزدوجة باستخدام اختبار Games-Howell المتين للتحكم في عدم تجانس التباين."

12.2 عرض المخططات البيانية والجداول الإحصائية المرافقة

وفقاً لمعايير APA 7th، يجب تنظيم البيانات الإحصائية في جداول أنيقة وموجزة تخلو من الخطوط الرأسية وتعتمد فقط على ثلاثة خطوط أفقية رئيسية (أعلى وأسفل رأس الجدول، وأسفل نهاية الجدول). يجب أن يتضمن الجدول دائماً المتوسطات الحسابية ($M$)، والانحرافات المعيارية ($SD$)، وفترات الثقة 95% (95% CI)، بالإضافة إلى توثيق أحجام العينات الفعلية ($n$) لكل خلية تجريبية.

عند إدراج الرسوم البيانية التشخيصية أو رسوم المقارنات، يجب استخدام خطوط بيانية نقية وعالية الدقة (Vector Graphics أو 300 DPI على الأقل)، مع تضمين “أشرطة الخطأ” (Error Bars) التي تمثل الخطأ المعياري للمتوسط أو فترة الثقة 95%. كما تشجع الحركة العلمية المعاصرة على مبادئ “العلم المفتوح” (Open Science) والشفافية التامة، وذلك بإيداع الشيفرات البرمجية التشخيصية (R Scripts أو SPSS Syntax) ومصفوفة البيانات الخام في مستودعات أكاديمية عامة وموثوقة مثل (Open Science Framework – OSF)، مما يعزز من مصداقية الأبحاث وقابليتها للتحقق والتكرار المستقل.

12.3 قائمة التحقق النهائية (Checklist) للباحثين قبل نشر تحليل ANOVA

قبل الشروع في كتابة الاستنتاجات وتفسير الدلالات السيكولوجية ونشر الورقة البحثية، يجب على الباحث مراجعة قائمة الفحص المنهجية التالية للتأكد من استيفاء كافة المعايير الإحصائية بصرامة:

• [ ] الاستقلالية: هل تم عزل المفحوصين وضمان عدم وجود تأثير تفاعلي أو بنية عنقودية مجهولة تنتهك استقلالية الاستجابات؟
• [ ] طبيعة القياس: هل المتغير التابع كمي متصل ومقاس بمقياس فتري أو نسبي حقيقي؟
• [ ] القيم الشاذة: هل تم فحص الدرجات المعيارية ($|Z| > 3.29$) ومخططات الصندوق لتحديد الشواذ، وتوثيق طريقة التعامل معها بنزاهة؟
• [ ] التوزيع الطبيعي: هل تم فحص اعتدالية بواقي النموذج بيانياً (Q-Q plots) وإحصائياً (Shapiro-Wilk) داخل كل خلية تجريبية؟
• [ ] تجانس التباين: هل تم فحص اختبار ليفين، وهل أحجام العينات متساوية أم متفاوتة؟
• [ ] ملاءمة الاختبار المختار: في حال فشل التجانس، هل تم تفعيل Welch’s ANOVA واختبار Games-Howell البعدي؟ وفي حال فشل الاعتدالية الشديد في عينات صغيرة، هل تم استخدام Kruskal-Wallis أو Robust ANOVA؟
• [ ] حجم الأثر وفترات الثقة: هل تم حساب ونشر مؤشرات حجم الأثر الملائمة مثل إيتا التربيعية الجزئية ($\eta_p^2$) أو أوميغا التربيعية ($\omega^2$) مرفقة بفترات الثقة 95%؟
• [ ] دقة التوثيق وفق APA: هل تمت كتابة الرموز الإحصائية ($F, p, M, SD, t$) بخط مائل مائل (Italics) وتنسيق درجات الحرية بين قوسين بدقة متناهية؟

---

خاتمة

إن اختبار تحليل التباين (ANOVA) يظل ركيزة كلاسيكية لا غنى عنها في ترسانة التحليل الإحصائي للعلوم السلوكية والاجتماعية والبيولوجية. ومع ذلك، فإن قيمته العلمية وقدرته التفسيرية مشروطة تماماً بمدى التزام الباحث بالفحص الدقيق والواعي لافتراضاته البنيوية المتمثلة في استقلالية المشاهدات، والاعتدالية التوزيعية، وتجانس التباينات. إن الانتقال من مجرد التطبيق الآلي الأعمى للبرمجيات الإحصائية إلى الممارسة المنهجية الواعية التي تشخص البيانات بيانياً واستدلالياً، وتتخذ القرارات التصحيحية المتينة عند حدوث الانتهاكات، هو الفارق الحاسم بين البحث العلمي الرصين والنتائج الإحصائية المضللة. إن تبني هذه المعايير الصارمة والتوثيق الشفاف يعزز من موثوقية الاكتشافات السيكولوجية، ويضمن مساهمة حقيقية ومستدامة في تراكم المعرفة الإنسانية.

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
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). SAGE Publications. https://socialsciences.mcmaster.ca/jfox/Books/Companion/
• George, D., & Mallery, P. (2020). IBM SPSS Statistics 26 step by step: A simple guide and reference (16th ed.). Routledge. https://doi.org/10.4324/9780429056765
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
• Hayes, A. F., & Cai, L. (2007). Further evaluating the BF test of equality of variances: Robustness and power in the one-way ANOVA. Journal of Statistical Computation and Simulation, 77(3), 201–217. https://doi.org/10.1080/10629360600868266
• Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press.
• Levene, H. (1960). Robust tests for equality of variances. In I. Olkin, S. G. Ghurye, W. Hoeffding, W. G. Madow, & H. B. Mann (Eds.), Contributions to probability and statistics: Essays in honor of Harold Hotelling (pp. 278–292). Stanford University Press.
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Mishra, P., Pandey, C. M., Singh, U., Gupta, A., Sahu, C., & Keshri, A. (2019). Descriptive statistics and normality tests for statistical data. Annals of Cardiac Anaesthesia, 22(1), 67–72. https://doi.org/10.4103/aca.ACA_157_18
• Razali, N. M., & Wah, Y. B. (2011). Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics, 2(1), 21–33.
• Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611. https://doi.org/10.2307/2333709
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Welch, B. L. (1951). On the comparison of several mean values: An alternative approach. Biometrika, 38(3/4), 330–336. https://doi.org/10.2307/2332579
• Wilcox, R. R. (2022). Introduction to robust estimation and hypothesis testing (5th ed.). Academic Press. https://doi.org/10.1016/C2019-0-03875-1