كيفية مقارنة مخططات الصندوق (مع أمثلة)

تُعد عملية تحليل واستكشاف البيانات (Exploratory Data Analysis – EDA) حجر الزاوية في أي بحث علمي رصين، حيث تتيح للباحثين والمحللين فهم الخصائص البنيوية والأنماط الكامنة في المتغيرات المدروسة قبل الشروع في بناء النماذج الإحصائية الاستدلالية أو اختبار الفرضيات المتقدمة. وفي إطار التحليل الاستكشافي، تبرز أدوات التمثيل البياني كركيزة لا غنى عنها لتبسيط كميات هائلة من الأرقام المعقدة وتحويلها إلى رؤى بصرية قابلة للتفسير المباشر. ومن بين شتى أدوات التمثيل البياني المتاحة في الإحصاء الحديث، يتربع مخطط الصندوق والشاربين (Box Plot) على عرش الأساليب البصرية اللامعلمية الأكثر كفاءة وإيجازاً، بفضل قدرته الفائقة على تلخيص التوزيع الاحتمالي من خلال مقاييس تستند إلى الرتب والمئينات.

تكتسب مخططات الصندوق قيمتها المعرفية والعملية القصوى عندما يتم توظيفها في المقارنة المتزامنة بين مجموعتين أو أكثر من البيانات المستقلة أو المرتبطة. فبدلاً من الاعتماد الحصري على الجداول العددية الجافة التي قد تحجب تباين التوزيعات أو تخفي وجود قيم شاذة مؤثرة، تتيح مقارنة مخططات الصندوق جنباً إلى جنب رصد الفروق في النزعة المركزية، ومستويات التشتت والتباين، ودرجات الالتواء واللاتماثل، فضلاً عن تحديد الحالات الشاذة والمتطرفة بلمحة بصرية واحدة. هذا التكامل بين البساطة والعمق التحليلي يجعل المقارنة البصرية عبر مخططات الصندوق مهارة منهجية جوهرية لدارسي العلوم النفسية، والسلوكية، والطبية، والاجتماعية على حد سواء.

يهدف هذا الدليل المرجعي الموسع إلى تقديم إطار منهجي متكامل وتفصيلي لكيفية قراءة، وتحليل، ومقارنة مخططات الصندوق بكفاءة واحترافية أكاديمية. وسنتناول عبر محاوره المختلفة التشريح البنيوي للمخطط، والركائز الأربع الحاكمة لعملية المقارنة الإحصائية، والبروتوكول البصري القياسي للمقارنة المتزامنة، مع تقديم أمثلة تطبيقية معمقة مستمدة من القياس النفسي والسلوكي، وتحليل لأبرز الأخطاء الشائعة، وصولاً إلى استعراض البرمجيات الإحصائية ومعايير التوثيق وفق الدليل الأحدث لجمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة شاملة: ماهية مخطط الصندوق (Box Plot) وأهميته الإحصائية

1.1 التعريف الإحصائي لمخطط الصندوق والشاربين

يُعرف مخطط الصندوق والشاربين (Box-and-Whisker Plot) إحصائياً بأنه أداة تمثيل بصري قياسية تُستخدم لعرض توزيع متغير كمي مستمر أو متقطع عبر تلخيص مكون من خمس نقاط إحصائية رئيسية تعتمد كلياً على المئينات (Percentiles). ابتكره عالم الإحصاء الأمريكي الشهير جون توكي (John Tukey) في عام 1970، وتم نشره رسمياً في كتابه المرجعي التأسيسي Exploratory Data Analysis عام 1977. صُمم المخطط ليكون أداة بيانية متينة وسريعة تهدف إلى إبراز معالم التوزيع دون التأثر بالافتراضات المسبقة حول اعتدالية البيانات، مما يجعله ينتمي أصالة إلى عائلة الأساليب الإحصائية اللامعلمية (Non-parametric Statistics).

تتمثل الوظيفة الأساسية لمخطط الصندوق في اختزال مئات أو آلاف المشاهدات في بنية هندسية موحدة تتألف من مستطيل مركزي (الصندوق) يمتد منه خطان خارجيان (الشاربان)، مع تمثيل أي مشاهدات غير اعتيادية كنقاط منفصلة تقع خارج حدود الشاربين. يتيح هذا التصميم الذكي للباحثين تفكيك الخصائص الإحصائية للبيانات إلى مستويات هرمية واضحة: فبينما يمثل المستطيل نصف البيانات الواقعة في المركز، يوضح الشاربان والنقاط المتطرفة كيفية انتشار النصفين المتبقيين نحو الأطراف الدنيا والعليا للتوزيع، وهو ما يحقق كفاءة بصرية وتجريدية لا تضاهيها الرسوم البيانية التقليدية كالمدرجات التكرارية أو المنحنيات الخطية عند تعدد المجموعات المقارنة.

1.2 أهمية مقارنة مخططات الصندوق في الأبحاث العلمية والنفسية

تحتل مقارنة مخططات الصندوق المتعددة مكانة بالغة الأهمية في الأبحاث التجريبية وشبه التجريبية في العلوم السلوكية والنفسية، حيث تسمح للباحث بإجراء تقييم بصري سريع ومباشر للفروق الجوهرية بين المجموعات التجريبية (Experimental Groups) والمجموعات الضابطة (Control Groups). فعلى سبيل المثال، عند اختبار فعالية تدخل علاجي سلوكي، يمكن لمخططين متجاورين أن يظهرا على الفور ما إذا كان التدخل قد أدى إلى خفض وسيط الأعراض، وتقليص تباين الاستجابة بين المرضى، والحد من الحالات المتطرفة التي لم تستجب للعلاج، وكل ذلك دون الحاجة إلى الغوص الفوري في جداول إحصائية معقدة ومربكة.

إضافة إلى ذلك، توفر مخططات الصندوق حلاً مثالياً لتقييم درجات الاستجابة على مقاييس القياس السيكومتري (Psychometric Scales) التي غالباً ما تعاني من اختلالات في شروط التوزيع الطبيعي، مثل وجود التواءات حادة ناتجة عن “تأثير السقف” (Ceiling Effect) أو “تأثير الأرضية” (Floor Effect). ومن خلال عرض عدة مخططات صندوقية على نفس المحور الرأسي، يستطيع الباحث فحص تباين المواقع المكانية (Location Differences) والتغيرات في الأشكال التوزيعية (Scale/Shape Differences) عبر العينات الفرعية الديموغرافية أو الشروط التجريبية المتنوعة، مما يرشد اتخاذ القرارات المنهجية اللاحقة فيما يتعلق باختيار الاختبارات الاستدلالية المناسبة.

1.3 الأسئلة الأربعة المحورية عند مقارنة مخططين أو أكثر

عند الشروع في المقارنة البصرية والتحليلية بين مخططين للصندوق أو أكثر، يتعين على الباحث أو المحلل الإحصائي توجيه تفكيره المنهجي للإجابة عن أربعة أسئلة محورية ترسم معاً الصورة الكاملة لسلوك البيانات المقارنة وتحدد طبيعة الفروق الجوهرية بين الفئات:

• السؤال الأول (النزعة المركزية): أين تقع خطوط الوسيط لكل مجموعة بالنسبة لبعضها البعض؟ وهل يعكس هذا التموضع تفوقاً أو انخفاضاً منهجياً في الأداء أو السمة المقاسة لإحدى المجموعات مقارنة بالأخرى؟
• السؤال الثاني (التشتت والتباين): ما هو الحجم النسبي لكل صندوق (المدى الربيعي) وما هو الامتداد الكلي للشاربين؟ وهل تظهر إحدى المجموعات تجانساً عالياً في الاستجابة بينما تعاني المجموعة الأخرى من تشتت واسع؟
• السؤال الثالث (شكل التوزيع والالتواء): هل تتوسط خطوط الوسيط الصناديق وهل تتساوى أطوال الشاربين مما يدل على تماثل التوزيع، أم أن هناك التواءً موجباً أو سالباً يختلف في اتجاهه وشدته بين المجموعات؟
• السؤال الرابع (القيم الشاذة والمتطرفة): هل تظهر نقاط خارج حدود الشاربين في أي من المجموعات؟ وما هو عددها، وكثافتها، والاتجاه الذي تتركز فيه (أعلى أم أسفل)، وما دلالتها السيكومترية أو الإكلينيكية؟

2. البنية التشريحية لمخطط الصندوق: ملخص الأرقام الخمسة

2.1 الحد الأدنى والربيع الأول (Q1)

تستند الهندسة البنائية لمخطط الصندوق إلى ما يُعرف في الإحصاء الوصفي بـ “ملخص الأرقام الخمسة” (Five-Number Summary). تبدأ هذه البنية عند الطرف السفلي بالحد الأدنى الإحصائي، وهو يمثل أدنى قيمة عددية فعلية في مجموعة البيانات تقع ضمن النطاق المقبول غير الشاذ، ويُحسب استناداً إلى قاعدة المدى الربيعي بحيث لا يقل عن القيمة النظرية المحسوبة عبر المعادلة: ( Q1 – (1.5 times IQR) ). لا يُعد الحد الأدنى في المخطط بالضرورة أصغر رقم مطلق في العينة إذا كانت هناك قيم شاذة منخفضة، بل هو أدنى رقم يقع داخل سياج البيانات الطبيعية.

أما الربيع الأول (First Quartile – Q1)، فيشكل الحافة السفلية (أو اليسرى في المخططات الأفقية) لهيكل الصندوق المركزي. إحصائياً، يمثل الربيع الأول نقطة المئين الخامس والعشرين (25th Percentile)، وهي القيمة الرياضية التي تفصل بين أدنى 25% من البيانات المرتبة تصاعدياً والـ 75% المتبقية منها. يعكس طول المسافة بين الحد الأدنى والربيع الأول الامتداد التشتتي للربع الأدنى من البيانات، حيث يشير اتساع هذه المسافة إلى تباعد المشاهدات المنخفضة واستطالة الذيل السفلي للتوزيع.

2.2 الوسيط (Q2) والربيع الثالث (Q3)

يمثل الوسيط (Median – Q2) نقطة الارتكاز المركزية في مخطط الصندوق، ويُرسم كخط أفقي أو رأسي يقسم جسم الصندوق إلى جزأين. يعبر الوسيط عن المئين الخمسين (50th Percentile)، وهو الرقم الذي يقسم المشاهدات المرتبة إلى نصفين متساويين تماماً، حيث تقع 50% من القيم دونه و50% فوقه. تكمن القوة المنهجية للوسيط في كونه مقياساً فائق المتانة للنزعة المركزية، إذ لا يتأثر بالقيم المتطرفة أو التوزيعات الملتوية، مما يجعله المعيار الأساسي لمقارنة مراكز المجموعات في مخططات الصندوق.

من ناحية أخرى، يُشكل الربيع الثالث (Third Quartile – Q3) الحافة العلوية (أو اليمنى) للمستطيل، وهو يمثل نقطة المئين الخامس والسبعين (75th Percentile)؛ أي أن 75% من قيم المتغير تقع تحته بينما تقع 25% من القيم الأعلى فوقه. يُطلق على المنطقة المحصورة كلياً بين الربيع الأول والربيع الثالث اسم “جسم الصندوق”، وهي تحتوي بدقة على النصف الأوسط (50% الوسطى) من جميع المشاهدات، مما يمنح الباحث نظرة فورية ومكثفة على النطاق الجوهري الذي تتجمع فيه غالبية أفراد العينة.

2.3 الحد الأقصى والشوارب (Whiskers)

تمتد الشوارب (Whiskers) كخطوط مستقيمة متصلة خارجة من حافتي الصندوق المركزيتين (Q1 و Q3) لتصل إلى الحدود القصوى المقبولة للبيانات. يحدد طول الشاربين النطاق الذي تنتشر فيه القيم المتطرفة المعتدلة الواقعة خارج النصف الأوسط ولكن ضمن السياج الإحصائي الطبيعي. وتتبع معظم البرمجيات الإحصائية القياسية خوارزمية توكي التي تحدد الطول الأقصى المسموح به للشارب العلوي بالقيمة الحسابية: ( Q3 + (1.5 times IQR) )، وللشارب السفلي بالقيمة: ( Q1 – (1.5 times IQR) ).

ينتهي الشارب العلوي عند “الحد الأقصى الإحصائي غير الشاذ” (Maximum)، وهو أكبر قيمة فعلية مرصودة في العينة لا تتجاوز السياج العلوي المحسوب. ومن المهم جداً التمييز الدقيق بين الحد الأقصى المطلق لمجموعة البيانات، والحد الأقصى للشوارب؛ فالأول قد يكون نقطة شاذة معزولة تُرسم كرمز منفصل، بينما يمثل الثاني سقف البيانات المترابطة ضمن النمط العام للتوزيع. تتيح الشوارب للباحث تقييم مدى امتداد ذيول التوزيع واكتشاف ما إذا كان التشتت يتركز في القيم العليا أم الدنيا.

3. الركيزة الأولى للمقارنة: تقييم النزعة المركزية ومقارنة الأوساط

3.1 مقارنة خطوط الوسيط الرأسية/الأفقية

تبدأ الخطوة التحليلية الأولى عند وضع مخططين أو أكثر جنباً إلى جنب بالمسح البصري لمواقع خطوط الوسيط (Q2). يتيح هذا الإجراء البسيط تحديد المجموعة التي تمتلك مستوى استجابة أو أداء عام أعلى من غيرها في المتغير التابع. فعندما يقع خط وسيط المجموعة الأولى بالكامل فوق خط وسيط المجموعة الثانية، فإن ذلك يقدم دليلاً أولياً قوياً على وجود تفوق ترتيبي لصالح المجموعة الأولى عبر معظم أفرادها.

يتطلب التحليل الدقيق تفسير الفروق النسبية بين خطوط الوسيط بحذر؛ فالفروق الطفيفة التي تكاد تكون متسامتة على نفس الخط الأفقي تشير إلى تقارب مراكز التوزيعات، في حين أن الفروق الكبيرة—حيث يقع وسيط إحدى المجموعات خارج حدود صندوق المجموعة الأخرى تماماً—تشير إلى انفصال ترتيبي واضح ومؤثر. ويُفضل دائماً الاعتماد على مقارنة الوسيط بدلاً من المتوسط الحسابي عند التعامل مع متغيرات نفسية أو سلوكية غير موزعة اعتدالياً، نظراً لأن المتوسط الحسابي ينحاز بشدة نحو أطراف التوزيع عند وجود قيم متطرفة أو التواءات شديدة، مما قد يقود إلى استنتاجات مضللة حول المركز الحقيقي للبيانات.

3.2 تداخل الصناديق وفترات ثقة الوسيط المضللة

لإجراء مقارنة أكثر دقة وصرامة للنزعة المركزية، طوّر الإحصائيون ما يُعرف بـ “مخطط الصندوق المسنن” (Notched Box Plot). في هذا النوع المتقدم، يُرسم تضيّق أو نتوء (Notch) حول خط الوسيط يمثل فترة ثقة تقريبية بنسبة 95% لموضع الوسيط السكاني، وتُحسب المسافة الرأسية للنتوء عادة وفق الصيغة الرياضية: ( Median pm 1.58 times frac{IQR}{sqrt{n}} )، حيث يمثل ( n ) حجم العينة.

توفر هذه النتوءات قاعدة إرشادية بصرية استدلالية بالغة الأهمية: إذا لم تتداخل النتوءات المحيطة بوسيطي مجموعتين مختلفتين، فإن هناك دليلاً إحصائياً قوياً (بمستوى ثقة يقارب 95%) على أن وسيطي المجتمعين يختلفان اختلافاً ذا دلالة إحصائية. ومع ذلك، يجب على الباحثين الحذر من الاعتماد الأعمى على تداخل الصناديق العادية (غير المسننة)؛ فتداخل أجسام الصناديق التقليدية لا يعني بالضرورة غياب الفروق الإحصائية الجوهرية، بل يتطلب الأمر دائماً تأكيد الاستدلال البصري من خلال إجراء اختبارات الفروق اللامعلمية المناسبة، كاختبار مان-ويتني أو كروسكال-واليز.

4. الركيزة الثانية للمقارنة: قياس التشتت والتباين عبر المدى الربيعي

4.1 طول الصندوق والمدى الربيعي (IQR)

تمثل الركيزة الثانية في مقارنة مخططات الصندوق تقييم درجات التشتت والتباين النسبي بين المجموعات، ويُقاس هذا التشتت المركزي مباشرة عبر الارتفاع الرأسي (أو العرض الأفقي) لجسم الصندوق، وهو ما يطابق رياضياً المدى الربيعي (Interquartile Range – IQR) المحسوب من خلال طرح الربيع الأول من الربيع الثالث: ( IQR = Q3 – Q1 ). يعكس المدى الربيعي مقدار التباعد أو التقارب بين أفراد الـ 50% الوسطى من العينة، متجاوزاً التأثيرات المشوشة للقيم القصوى المنعزلة.

عند مقارنة صندوقين متجاورين، فإن الصندوق ذا الارتفاع الأكبر يشير بوضوح إلى مدى ربيعي واسع، وهو ما يعني وجود تباين وتشتت كبيرين في استجابات أفراد هذه المجموعة؛ أي أن النصف الأوسط من المشاركين غير متجانسين في السمة المقاسة. وفي المقابل، يدل الصندوق المضغوط أو القصير على صغر المدى الربيعي، مما يبرهن على تجانس وتماسك استجابات العينة، حيث تتركز غالبية المشاهدات في نطاق ضيق ومتقارب حول الوسيط. يتيح هذا التباين في أطوال الصناديق للباحث استنتاج مدى استقرار الظاهرة المدروسة عبر الظروف التجريبية المختلفة.

4.2 مقارنة المدى الكلي عبر طول الشوارب

بالإضافة إلى المدى الربيعي، تقدم الشوارب الممتدة من الصناديق معلومات جوهرية حول التشتت الإجمالي والمدى الكلي للبيانات غير الشاذة، والذي يُقاس بالمسافة من أدنى طرف للشارب السفلي إلى أعلى طرف للشارب العلوي. تتيح المقارنة البصرية لامتداد الشوارب بين المجموعات تقييم مدى انتشار البيانات في أرباعها الخارجية (الـ 25% الدنيا والـ 25% العليا)، وتحديد ما إذا كان التشتت الكلي يتماشى مع التشتت المركزي للأرباع الوسطى.

تساعد مقارنة أطوال الشوارب في التحقق البصري من أحد أهم افتراضات التحليل الإحصائي الاستدلالي، وهو افتراض “تجانس التباين” (Homogeneity of Variance). فإذا كانت الصناديق والشوارب في إحدى المجموعات أطول بمراحل مضاعفة مقارنة بالمجموعات الأخرى، فإن هذا يعطي مؤشراً بصرياً واضحاً على وجود “عدم تجانس التباين” (Heteroscedasticity). هذا التباين الشديد في الاتساع يفرض على الباحث تجنب الاختبارات المعلمية الكلاسيكية (مثل اختبار t المستقل أو تحليل التباين الأحادي ANOVA) ما لم يتم استخدام تعديلات تصحيحية مثل تصحيح ويلش (Welch’s correction) أو اللجوء إلى البدائل اللامعلمية.

5. الركيزة الثالثة للمقارنة: تحليل الالتواء وشكل التوزيع

5.1 تحديد اتجاه الالتواء من موقع خط الوسيط داخل الصندوق

تعد مخططات الصندوق أداة بصرية متميزة لتشخيص شكل التوزيع الاحتمالي لكل مجموعة وتحديد درجة واتجاه الالتواء (Skewness) بصورة مقارنة. يتمثل المعيار التحليلي الأول لشكل التوزيع في موضع خط الوسيط (Q2) داخل جسم الصندوق بالنسبة للربيعين الأول (Q1) والثالث (Q3). في التوزيع المتماثل تماماً أو شبه الاعتدالي، يتمركز خط الوسيط بدقة في منتصف المسافة بين حافتي الصندوق، مقسماً إياه إلى نصفين متساويين في المساحة.

أما إذا كان خط الوسيط منزاحاً بشكل ملحوظ نحو الأسفل (أقرب إلى الربيع الأول Q1)، فإن المسافة بين الوسيط والربيع الثالث تكون أطول بكثير من المسافة بين الوسيط والربيع الأول. يشير هذا النمط البصري إلى وجود “التواء موجب” (Positive Skewness / Right-skewed)، حيث تتركز كتلة البيانات في القيم الدنيا بينما تتناثر القيم العليا على مسافات أوسع. وعلى النقيض من ذلك، إذا كان خط الوسيط منزاحاً نحو الحافة العليا للصندوق (أقرب إلى الربيع الثالث Q3)، فإن ذلك يدل على وجود “التواء سالب” (Negative Skewness / Left-skewed)، حيث تتكدس معظم الاستجابات في النطاق المرتفع للمقياس.

5.2 مقارنة أطوال الشوارب في تحديد ذيول التوزيع

يتكامل تشخيص الالتواء المستند إلى موضع الوسيط مع الفحص المقارن لأطوال الشوارب العلوية والسفلية، حيث توفر الشوارب دليلاً مباشراً على امتداد ذيول التوزيع (Distribution Tails). ففي التوزيع المتماثل، يظهر الشاربان العلوي والسفلي بأطوال متطابقة تقريباً، مما يعكس توازناً في تشتت الذيول على جانبي النصف الأوسط.

وعندما يقترن انزياح الوسيط نحو Q1 باستطالة واضحة للشارب العلوي مقارنة بالشارب السفلي، يتعزز الاستنتاج بوجود التواء إيجابي قوي وذيل علوي ممتد. وبالمثل، فإن اقتران وسيط منزاح نحو Q3 بشارب سفلي طويل وقاعدة صندوقية مضغوطة يؤكد وجود التواء سلبي وذيل سفلي طويل. وتسمح المقارنة التقاطعية لأشكال التوزيع بين عدة مخططات برصد التحولات التوزيعية؛ كانتقال العينة من توزيع ملتوي التواءً موجباً قبل تطبيق تدريب معين إلى توزيع متماثل أو ملتوي التواءً سالباً بعده، وهو ما يوفر رؤى دقيقة حول تأثير المتغير المستقل على بنية الاستجابة الكلية.

6. الركيزة الرابعة للمقارنة: فحص القيم المتطرفة والشاذة

6.1 معايير التعرف على القيم الشاذة والمتطرفة

تتفرد مخططات الصندوق بقدرتها الاستثنائية على عزل وتشخيص القيم الشاذة والمتطرفة (Outliers) آلياً وتصنيفها بدقة وفق قواعد رياضية صارمة تعتمد على المدى الربيعي. تُقسم القيم المتطرفة في التحليل الإحصائي القياسي لمخطط الصندوق إلى مستويين رئيسيين:

• القيم الشاذة المعتدلة (Mild Outliers): هي النقاط أو المشاهدات الفردية التي تقع في المسافة المحصورة بين 1.5 ضعف و 3 أضعاف المدى الربيعي خارج حدود الصندوق (أي بين ( Q3 + 1.5 times IQR ) و ( Q3 + 3 times IQR ) في الطرف العلوي، أو بين ( Q1 – 1.5 times IQR ) و ( Q1 – 3 times IQR ) في الطرف السفلي). وتُمثل هذه النقاط اصطلاحياً في البرمجيات الإحصائية بدوائر صغيرة مفرغة أو مصمتة (Circles).
• القيم الشاذة الحادة أو القصوى (Extreme Outliers): هي النقاط الأكثر تطرفاً والتي تقع على مسافة تتجاوز 3 أضعاف المدى الربيعي خارج حدود الصندوق (أي أبعد من ( Q3 + 3 times IQR ) أو ( Q1 – 3 times IQR )). وتُمثل هذه الحالات الحرجة اصطلاحياً برمز النجمة (*) لتنبيه الباحث إلى شذوذها الحاد عن النمط العام للمجموعة.

6.2 التفسير السيكولوجي والإحصائي للقيم الشاذة بين المجموعات

يكتسب فحص القيم الشاذة أهمية مضاعفة عند مقارنة مجموعات متعددة؛ إذ لا يقتصر الهدف على مجرد رصد وجودها، بل يمتد إلى مقارنة كثافة وتوزيع هذه النقاط بين الفئات. فعلى سبيل المثال، قد يُظهر المخطط خلو المجموعة الضابطة من أي نقاط شاذة، بينما تظهر مجموعة التدخل العلاجي عدداً من النقاط المتطرفة في الاتجاه الإيجابي أو السلبي، مما يكشف عن استجابات استثنائية أو تباين فردي عميق يستحق الدراسة النوعية المتعمقة.

من الناحية المنهجية، يفرض ظهور القيم الشاذة على الباحث التحري الدقيق حول طبيعتها: هل هي ناتجة عن أخطاء في إدخال البيانات والترميز، أو عيوب في أجهزة القياس، أم أنها تمثل حالات إكلينيكية واقعية وفريدة (Unique Clinical Cases)؟ فإذا كانت أخطاء إجرائية وجب تصحيحها أو استبعادها، أما إذا كانت استجابات بشرية حقيقية، فإن استبعادها التعسفي يعد خطأً منهجياً فادحاً يؤدي إلى تشويه حجم التأثير وتزييف نتائج المجتمع المستهدف، وهنا تبرز ميزة مخطط الصندوق الذي يحتفظ بهذه النقاط مرئية مع حماية الوسيط والمدى الربيعي من التأثر بها.

7. خطوات منهجية متكاملة لمقارنة مخططات الصندوق جنباً إلى جنب

7.1 البروتوكول البصري القياسي للمقارنة

لضمان استخلاص استنتاجات علمية دقيقة وموثوقة عند مقارنة مخططين أو أكثر، ينبغي على الباحث اتباع بروتوكول بصري وتحليلي يتألف من أربع خطوات منهجية متتالية:

• الخطوة الأولى (معايرة المحاور وتوحيد المقاييس): التحقق الأولي الإلزامي من أن جميع مخططات الصندوق المقارنة مرسومة على نفس المحور العددي وبنفس مقياس الرسم (Scale) وفترات التدريج؛ إذ إن مقارنة مخططات ذات مقاييس مختلفة يقود حتماً إلى أوهام بصرية وتفسيرات خاطئة تماماً للتشتت والنزعة المركزية.
• الخطوة الثانية (المسح التراتبي للوسيط): فحص المواقع النسبية لخطوط الوسيط عبر المجموعات لترتيب الفئات من الأعلى إلى الأدنى في النزعة المركزية، وتحديد حجم الفجوة الرأسية بين المستويات المركزية.
• الخطوة الثالثة (تقييم الحجم والتماثل): مقارنة أطوال الصناديق لتقدير التباين في النصف الأوسط لكل عينة، ومقارنة امتدادات الشوارب ومواقع الوسائط داخل الصناديق لتحديد تماثل أو التواء كل توزيع بدقة.
• الخطوة الرابعة (رصد وتوثيق الحالات الشاذة): تسجيل وجود ومواقع وتصنيفات النقاط المتطرفة (معتدلة أو حادة) لكل مجموعة، ومقارنة تركزها في الذيول العليا أو الدنيا.

7.2 تقييم التداخل الإحصائي بين التوزيعات

تتمثل المرحلة التحليلية الأكثر عمقاً في فحص درجة التداخل أو التراكب (Overlap) بين أجسام الصناديق والشوارب للمجموعات المختلفة. إذا كانت الصناديق منفصلة مكانياً بالكامل—بمعنى أن الحافة السفلية لصندوق المجموعة الأولى (Q1) تقع أعلى بكثير من الحافة العلوية لصندوق المجموعة الثانية (Q3)—فإن هذا الانفصال التام يقدم مؤشراً بصرياً قاطعاً على وجود فروق جوهرية وحجم تأثير كبير (Large Effect Size) بين المجموعتين.

في المقابل، إذا كان هناك تداخل واسع بحيث يغطي جسم أحد الصناديق معظم مساحة الصندوق الآخر، فإن الفروق بين المجموعتين تكون هامشية أو غير دالة إحصائياً. ويُعد مفهوم “درجة التداخل” معادلاً بصرياً تقريبياً لحجم التأثير ومؤشر كوين دي (Cohen’s d)؛ فكلما تباعدت الصناديق وقل التداخل بين المديات الربيعية، تعززت الثقة في فعالية المعالجة التجريبية أو قوة الفارق بين الفئات المدروسة.

8. أمثلة تطبيقية تفصيلية في القياس النفسي والسلوكي

8.1 مثال 1: مقارنة درجات القلق بين ثلاث مجموعات علاجية

في دراسة تجريبية هدفت إلى مقارنة فعالية ثلاثة بروتوكولات للتعامل مع اضطراب القلق العام لدى عينة مكونة من 150 مشاركاً، تم توزيعهم عشوائياً على ثلاث مجموعات متساوية (ن = 50 لكل مجموعة): مجموعة العلاج المعرفي السلوكي (CBT)، ومجموعة العلاج الدوائي (Pharmacotherapy)، ومجموعة قائمة الانتظار الضابطة (Control Group). تم قياس درجات القلق البعدية باستخدام مقياس بيك للقلق (BAI) حيث تتراوح الدرجات من 0 إلى 63، وجرى تمثيل البيانات في مخططات صندوقية متجاورة.

أظهرت المقارنة البصرية للمخططات انخفاضاً حاداً في خط الوسيط لمجموعة العلاج المعرفي السلوكي (( Mdn = 14 )) مقارنة بمجموعة العلاج الدوائي (( Mdn = 22 )) والمجموعة الضابطة (( Mdn = 38 )). تميز صندوق مجموعة الـ CBT بقصر ارتفاعه (( IQR = 6 )) مقارنة بالمجموعة الدوائية (( IQR = 14 ))، مما دل على أن التحسن في مجموعة CBT كان متجانساً ومستقراً لدى غالبية المرضى. علاوة على ذلك، كشف المخطط عن وجود نقطتين شاذتين متطرفتين في الحد العلوي لمجموعة CBT بدرجات بلغت (36 و 39)، مما أتاح للفريق الإكلينيكي عزل هاتين الحالتين كاستجابات مقاومة للعلاج تستدعي تدخلاً إضافياً، بينما أظهرت المجموعة الضابطة التواءً سالباً طفيفاً مع تركز معظم الدرجات في النطاق الشديد للقلق.

8.2 مثال 2: مقارنة أزمنة الاستجابة في الاختبارات المعرفية عبر الفئات العمرية

أُجريت دراسة في علم النفس العصبي المعرفي لمقارنة سرعة المعالجة الذهنية عبر قياس أزمنة الاستجابة (Reaction Time بالمللي ثانية) في مهمة ستروب (Stroop Task) بين فئتين عمريتين: فئة الشباب (18-25 سنة، ن = 80) وفئة كبار السن (65-80 سنة، ن = 80). عُرضت البيانات في مخططين صندوقيين رأسيين على محور موحد يبدأ من 300 إلى 1500 مللي ثانية.

كشفت المقارنة عن فروق بنيوية جذرية بين التوزيعين؛ حيث أظهرت فئة الشباب وسيطاً منخفضاً وسريعاً (( Mdn = 480 text{ ms} )) مع صندوق شديد الضغط (( IQR = 85 text{ ms} )) وشوارب قصيرة متماثلة وخلو تام من القيم الشاذة، مما يبرهن على كفاءة وتجانس المعالجة العصبية لدى الشباب. في المقابل، سجلت فئة كبار السن وسيطاً أعلى بكثير (( Mdn = 820 text{ ms} )) ومدى ربيعياً متسعاً جداً (( IQR = 260 text{ ms} ))، مع استطالة هائلة في الشارب العلوي وانزياح الوسيط نحو الحافة الدنيا للصندوق، مما يشير إلى التواء موجب شديد. وظهرت 4 قيم شاذة عليا تجاوزت 1300 مللي ثانية، وهو ما فُسر بحدوث انقطاعات لحظية في الانتباه التنفيذي لدى بعض الأفراد المسنين، وهو بُعد تحليلي وفره مخطط الصندوق بامتياز ولم يكن ليظهر من خلال مقارنة المتوسطات الحسابية وحدها.

8.3 مثال 3: قياس الرضا الوظيفي حسب الأقسام الأكاديمية

في مسح تنظيمي شمل أعضاء هيئة التدريس في إحدى الجامعات لتقييم الرضا الوظيفي العام (على مقياس ليكرت من 1 إلى 100)، تمت مقارنة درجات أربعة أقسام أكاديمية: العلوم الإنسانية، العلوم الطبيعية، الهندسة، وإدارة الأعمال. تم تمثيل النتائج عبر أربعة مخططات صندوقية أفقية متجاورة لتسهيل قراءة المسميات والمقارنة التناظرية.

أظهر التحليل البصري تمايزاً واضحاً؛ حيث حقق قسم العلوم الإنسانية أعلى وسيط رضا (( Mdn = 84 ))، لكنه أظهر في الوقت ذاته أكبر تشتت (( IQR = 24 )) مع شارب سفلي طويل ونقاط شاذة منخفضة جداً، مما يعكس انقساماً حاداً في الرضا داخل القسم بين راضين جداً وغير راضين بشدة. في المقابل، سجل قسم الهندسة وسيطاً متوسطاً (( Mdn = 68 )) ولكن مع صندوق فائق الضيق (( IQR = 7 )) وتماثل تام بين الشاربين، مما يدل على وجود إجماع وثبات مؤسسي عالٍ في تقييم بيئة العمل. ساعدت هذه المقارنة الصندوقية الإدارة الجامعية في توجيه التدخلات التطويرية ليس فقط بناءً على متوسط الرضا، بل استناداً إلى مستوى التماسك الداخلي والعدالة التوزيعية داخل كل قسم.

9. مقارنة مخططات الصندوق مع أدوات التمثيل البصري الأخرى

9.1 مخطط الصندوق مقابل المدرج التكراري (Histogram)

على الرغم من أن كلاً من مخطط الصندوق والمدرج التكراري (Histogram) يُستخدمان لعرض توزيعات المتغيرات الكمية، إلا أن لكل منهما مزايا ونقاط قصور محددة تملي سياق استخدامها البحثي. تكمن القوة المطلقة لمخطط الصندوق في كفاءته الفائقة في إجراء المقارنات المتزامنة؛ حيث يمكن للباحث رصف 10 أو 20 مخطط صندوقي جنباً إلى جنب على لوحة بيانية واحدة لمقارنة عدة فئات دون أي تشويش بصري، وهو أمر يستحيل تحقيقه باستخدام المدرجات التكرارية التي تصبح متداخلة ومستحيلة القراءة عند تجاوز مجموعتين أو ثلاث.

ومع ذلك، يعاني مخطط الصندوق من نقطة قصور هيكلية تتمثل في عدم قدرته على إظهار “شكل الكثافة التفصيلي” للتوزيع؛ فهو لا يستطيع التمييز بين التوزيع أحادي القمة (Unimodal) والتوزيع ثنائي القمة (Bimodal) أو متعدد القمم؛ إذ قد ينتج عن توزيع ثنائي القمة صندوق متماثل تماماً يوهم بالاعتدالية بينما الحقيقة هي وجود فجوة في المنتصف وقمم عند الأطراف. في مثل هذه الحالات، يتفوق المدرج التكراري في كشف الترددات الفعلية وتعدد القمم للبيانات، مما يجعل الجمع بين الأسلوبين استراتيجية مثالية في التحليلات الاستكشافية المتقدمة.

9.2 مخطط الصندوق مقابل مخطط الكمان (Violin Plot)

يُعد مخطط الكمان (Violin Plot) تطوراً بيانياً حديثاً يدمج الخصائص التلخيصية لمخطط الصندوق مع المنحنى المستمر لتقدير كثافة النواة (Kernel Density Estimation – KDE). يظهر مخطط الكمان كهيكل متناظر يشبه آلة الكمان، حيث يتطابق عرضه عند أي نقطة مع الكثافة الاحتمالية للمشاهدات عند تلك القيمة، بينما يحتوي في مركزه الداخلي عادة على مخطط صندوقي مصغر يوضح ملخص الأرقام الخمسة والوسيط.

يُفضل استخدام مخطط الكمان بدلاً من مخطط الصندوق التقليدي في الأبحاث التي تتعامل مع عينات ضخمة (Big Data) حيث يكون من الضروري تقييم التفرطح (Kurtosis) واكتشاف القمم المتعددة والأنماط التوزيعية المعقدة التي يخفيها الصندوق البسيط. ومع ذلك، يحتفظ مخطط الصندوق الكلاسيكي بجاذبيته وتفوقه في مجالات النشر العلمي التقليدي والتقارير الإدارية بفضل بساطته الإدراكية، وعدم حاجته لضبط معلمات التنعيم (Bandwidth parameters) التي قد تجعل مخططات الكمان مضللة إذا لم تُضبط بدقة رياضية متناهية.

10. الأخطاء الشائعة وسوء التفسير عند مقارنة مخططات الصندوق

10.1 الخلط بين الوسيط والمتوسط الحسابي

يُعد الافتراض الخاطئ بأن الخط الفاصل داخل جسم الصندوق يمثل المتوسط الحسابي (Mean) أحد أكثر الأخطاء شيوعاً بين الباحثين المبتدئين وطلاب الدراسات العليا. يمثل هذا الخط الوسيط دائماً في التصميم القياسي لمخطط الصندوق، وهو مقياس موقعي لا يتطابق مع المتوسط الحسابي إلا في حالة التوزيعات المتماثلة تماماً. ويترتب على هذا الخلط سوء تفسير خطير عند محاولة إسقاط الفروق البصرية على اختبارات الفروق المعلمية كاختبار t.

لتفادي هذا اللبس المنهجي، تتيح البرمجيات الإحصائية الحديثة إمكانية إضافة علامة خاصة (كرمز المربع المصمت أو علامة الجمع + أو ماسة صغيرة) داخل جسم الصندوق لتمثيل موقع المتوسط الحسابي جنباً إلى جنب مع خط الوسيط. يوفر هذا الدمج البصري فائدة تحليلية مزدوجة؛ إذ إن المسافة بين علامة المتوسط وخط الوسيط تعطي إشارة بصرية فورية ومباشرة على مقدار واتجاه الالتواء؛ فإذا وقع المتوسط أعلى من الوسيط كان الالتواء موجباً، وإذا وقع تحته كان الالتواء سالباً.

10.2 تجاهل حجم العينة (Sample Size Neglect)

من العيوب البصرية الجوهرية لمخطط الصندوق القياسي أنه يبدو متطابقاً في الحجم والهيئة العامة سواء كانت العينة الممثلة تتكون من 15 فرداً فقط أو من 50,000 فرد. يؤدي هذا التجريد الكامل لحجم العينة إلى الوقوع في مغالطة المقارنة المتكافئة؛ حيث قد يميل القارئ إلى إعطاء نفس الوزن والثقة الاستدلالية لصندوقين متجاورين، متجاهلاً أن أحدهما يستند إلى عينة صغيرة جداً عرضة لأخطاء المعاينة العشوائية والتذبذب الإحصائي.

للتغلب على هذه المشكلة، يُوصى بتطبيق أحد حلين منهجيين: الأول هو استخدام “مخططات الصندوق متغيرة العرض” (Variable-width Box Plots)، حيث يتناسب العرض الأفقي للصندوق طردياً مع الجذر التربيعي لحجم العينة (( sqrt{n} ))، مما يجعل المجموعات الأكبر تبدو أعرض بصرياً وتلفت انتباه القارئ لثقلها الإحصائي. والحل الثاني هو تراكب نقاط البيانات الفعلية الشفافة بنمط الانتشار العشوائي (Jittered Data Points) فوق الصندوق، مما يمنح رؤية مباشرة لحجم وكثافة العينة الحقيقية.

10.3 الاستنتاج الخاطئ للدلالة الإحصائية دون اختبارات فرضية

يقود الحماس للمقارنة البصرية أحياناً إلى القفز غير المبرر لاستنتاجات حاسمة حول “الدلالة الإحصائية” (Statistical Significance) بمجرد ملاحظة تباعد خطوط الوسيط أو عدم تداخل الصناديق بصرياً. إن مخطط الصندوق هو في الأصل أداة تحليل استكشافي ووصف بياني، ولا يمتلك بمفرده القوة الاستدلالية لإثبات الفرضيات الصفرية أو رفضها بصورة قاطعة، خاصة في ظل تباين حجوم العينات والتقلبات الاحتمالية للمعاينة.

يجب دائماً معاملة الملاحظات البصرية المستخلصة من مقارنة مخططات الصندوق كـ “فرضيات عمل أولية” وموجهات تفسيرية يتم التحقق منها إحصائياً عبر الاختبارات الاستدلالية الصارمة؛ مثل اختبار مان-ويتني (Mann-Whitney U Test) لمقارنة عينتين، أو اختبار كروسكال-واليز (Kruskal-Wallis Test) للمقارنات المتعددة، مع حساب قيم الدلالة الإحصائية (p-values) وفترات الثقة وحجوم التأثير المقترنة بها لتحقيق التكامل العلمي الرصين بين الاستكشاف البصري والاستدلال الرياضي.

11. تطبيقات برمجية: إنشاء ومقارنة مخططات الصندوق برمجياً

11.1 المقارنة باستخدام لغة R وحزمة ggplot2

تُعد لغة R البيئة البرمجية الأكثر قوة ومرونة في التمثيل البياني الإحصائي، خاصة من خلال حزمة ggplot2 الشهيرة. لبناء مقارنة متقدمة بين مجموعات متعددة، يتم استخدام الدالة الأساسية geom_boxplot() مع ربط المتغير النوعي التصنيفي بمحور السينات والمتغير الكمي بمحور الصادات داخل دالة الخصائص الجمالية aes().

تتيح حزمة ggplot2 تخصيصاً شاملاً للعناصر البصرية؛ مثل تلوين الصناديق وفق متغير ثالث، وإضافة النتوءات الاستدلالية عبر المعامل notch = TRUE، وتعديل عروض الصناديق وفق حجم العينة عبر varwidth = TRUE. ولتعزيز القوة التفسيرية، يمكن دمج طبقة إضافية من النقاط المبعثرة الشفافة باستخدام geom_jitter(alpha = 0.3) لعرض التوزيع الحقيقي للنقاط خلف الصناديق، فضلاً عن إضافة المتوسط الحسابي كنقطة مستقلة عبر دالة stat_summary()، مما ينتج مخططات مقارنة احترافية فائقة الدقة ومعدة مباشرة للنشر الأكاديمي.

11.2 المقارنة باستخدام لغة Python وحزمتي Seaborn و Matplotlib

في بيئة بايثون لتحليل البيانات، توفر حزمة Seaborn المبنية على مكتبة Matplotlib واجهة برمجية عالية المستوى لتوليد مخططات صندوقية مقارنة متميزة بأقل عدد من أسطر التعليمات البرمجية. تُستخدم الدالة الرئيسية sns.boxplot() لتوليد المقارنات الفئوية المباشرة مع إمكانية تمرير أطر بيانات البانداس (Pandas DataFrames) بسلاسة.

تتميز حزمة Seaborn بدعمها القوي للمقارنات المعقدة متعددة المستويات من خلال المعامل hue، والذي يسمح بتقسيم كل صندوق رئيسي على المحور الفئوي إلى صندوقين فرعيين ملونين يمثلان متغيراً تصنيفياً إضافياً (مثل مقارنة الذكور والإناث داخل كل مجموعة علاجية). كما تتيح المكتبة التحكم الدقيق في خوارزميات حساب الشوارب، وتحديد أشكال وألوان النقاط الشاذة عبر المعامل flierprops، والتحكم في سمات الخطوط وتنسيق التسميات لتلائم متطلبات التقارير العلمية ولوحات المعلومات التفاعلية.

11.3 التطبيق في الحزم الإحصائية الجاهزة (SPSS و JASP)

بالنسبة للباحثين الذين يفضلون استخدام البرمجيات الإحصائية ذات الواجهات الرسومية، يوفر برنامج IBM SPSS أدوات متقدمة لتوليد مخططات الصندوق المقارنة من خلال مسارين رئيسيين: مسار التحليل الاستكشافي عبر قائمة Analyze -> Descriptive Statistics -> Explore واختيار Factor levels together، أو من خلال منشئ الرسوم البيانية المتطور Graphs -> Chart Builder.

يتميز مخرج SPSS بقدرته على ترقيم الحالات الشاذة برقم الصف (Case Number) الخاص بها في ورقة البيانات مباشرة، مما يسهل الرجوع إلى ملف المفحوص بدقة. أما برنامج JASP المفتوح المصدر الموجه للتحليل الأكاديمي والبيزي (Bayesian Analysis)، فيوفر بيئة ديناميكية فورية لإنشاء مخططات صندوقية وفق معايير APA بنقرة واحدة من خلال قائمة Descriptives، مع توفير خيارات متقدمة لتضمين مخططات الكمان، ونقاط البيانات الفردية، وفترات الثقة للوسيط في شكل بياني متناسق يمكن تصديره بدقة متجهية عالية (SVG/PDF).

12. معايير كتابة تقارير المقارنة وفق دليل جمعية علم النفس الأمريكية (APA)

12.1 التنسيق البصري للأشكال وفق الإصدار السابع (APA 7th)

يحدد الدليل الأحدث لجمعية علم النفس الأمريكية (APA 7th Edition) معايير بصرية دقيقة وإلزامية لتنسيق الأشكال البيانية ومخططات الصندوق في الأوراق البحثية والرسائل الجامعية لضمان الوضوح الأكاديمي والحيادية العلمية. تشمل هذه المعايير الأساسية ما يلي:

• الترقيم والعنوان: يُوضع رقم الشكل في أعلى الرسم بخط عريض (مثل: Figure 1)، يليه في السطر التالي مباشرة عنوان وصفي وموجز ومكتوب بخط مائل (مثل: Comparison of Anxiety Scores Across Treatment Groups).
• التصميم البصري والوضوح: يجب أن تكون الرسوم البيانية نظيفة وخالية من الزخارف ثلاثية الأبعاد (3D) أو الخلفيات الملونة والمظللة غير المبررة. يُفضل استخدام التدرج الرمادي (Grayscale) أو لوحات ألوان واضحة ومتباينة يمكن قراءتها بسهولة حتى من قِبل المصابين بعمى الألوان.
• الحواشي التفسيرية (Figure Notes): يجب وضع حاشية سفلية تبدأ بكلمة Note. بخط مائل أسفل المخطط لشرح عناصر الشكل، بما في ذلك توضيح ما يمثله الصندوق (Q1, Median, Q3)، وما تعبر عنه أطوال الشوارب (قاعدة 1.5 × IQR)، وتفسير الرموز المستخدمة لتمثيل القيم الشاذة المعتدلة (*) والقصوى (o).

12.2 الصياغة النصية لنتائج مقارنة مخططات الصندوق

عند توثيق نتائج مقارنة مخططات الصندوق داخل متن البحث الأكاديمي، لا يجوز الاكتفاء بالإحالة إلى الشكل فقط، بل يجب صياغة فقرة نصية محكمة تدمج بين الوصف البياني الدقيق والمؤشرات الرقمية الخمسة، متبوعة بنتائج الاختبارات الاستدلالية المؤكدة. يُكتب الوسيط اختصاراً بالرمز (Mdn) والمدى الربيعي بالرمز (IQR) بخط مائل وفق قواعد APA.

نموذج تطبيقي لفقرة نتائج قابلة للنشر:
“أظهر الفحص الاستكشافي للبيانات عبر مخططات الصندوق المتجاورة (انظر Figure 1) تفوقاً واضحاً لمجموعة العلاج المعرفي السلوكي في خفض حدة الأعراض مقارنة بالمجموعتين الأخريين؛ حيث سجلت مجموعة CBT وسيطاً أدنى (Mdn = 14.00, IQR = 6.00) وتجانساً أعلى مقارنة بمجموعة العلاج الدوائي (Mdn = 22.00, IQR = 14.00) والمجموعة الضابطة (Mdn = 38.00, IQR = 11.50). كما كشف المخطط عن وجود التواء إيجابي طفيف في المجموعة الدوائية وظهور حالتين شاذتين في مجموعة CBT تجاوزتا الحد الأقصى للشوارب. وقد أكد اختبار كروسكال-واليز وجود فروق ذات دلالة إحصائية جوهرية بين المجموعات الثلاث، H(2) = 48.32, p < .001.”

خاتمة واستنتاجات منهجية

تُمثل مقارنة مخططات الصندوق (Box Plots) إحدى أرقى وأقوى مهارات التحليل الاستكشافي للبيانات في المنهجية العلمية الحديثة؛ فهي تجمع بين الإيجاز البصري والعمق الإحصائي اللامعلمي. ومن خلال التدقيق في الركائز الأربع الأساسية للمقارنة—النزعة المركزية للوسيط، والتشتت عبر المدى الربيعي، وشكل الالتواء التوزيعي، وفحص الحالات الشاذة والمتطرفة—يستطيع الباحث تكوين فهم شامل وموضوعي لطبيعة الفروق بين العينات والمجموعات التجريبية دون الوقوع في فخ التحيزات أو الافتراضات غير المحققة للاعتدالية.

إن الاستخدام الرشيد لمخططات الصندوق يفرض على الباحثين والمحللين دائماً الموازنة المنهجية الدقيقة: استثمار القوة البصرية للمخطط في استكشاف الأنماط غير المتوقعة ورصد الحالات الإكلينيكية الخاصة، وتوظيف الأدوات البرمجية المعاصرة لتعزيز شفافية البيانات بحجوم العينات والنقاط الواقعية، مع الالتزام الصارم بدعم الاستنتاجات البصرية بالاختبارات الإحصائية الاستدلالية وتوثيق النتائج وفق المعايير الأكاديمية العالمية. إن إتقان هذه الأداة يرتقي بجودة التحليل الإحصائي ويضمن تقديم نتائج علمية تتسم بالدقة، والمصداقية، وقابلية التكرار.

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.
• McGill, R., Tukey, J. W., & Larsen, W. A. (1978). Variations of box plots. The American Statistician, 32(1), 12–16. https://doi.org/10.1080/00031305.1978.10479236
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley Publishing Company.
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4
• Wilkinson, L. (2005). The grammar of graphics (2nd ed.). Springer. https://doi.org/10.1007/0-387-28695-0