كيفية إجراء اختبار مان ويتني يو في بايثون

تُعد معالجة البيانات الإحصائية وتحليلها ركيزة أساسية في استخلاص النتائج العلمية الدقيقة في شتى فروع المعرفة، ولا سيما في العلوم السلوكية والنفسية والطبية الحيوية. وعند دراسة الفروق بين مجموعتين مستقلتين، يواجه الباحثون مراراً وتكراراً تحدي تعذر استيفاء الافتراضات البارامترية الصارمة، مثل افتراض التوزيع الطبيعي للبيانات أو تجانس التباينات، خاصة عند التعامل مع مقاييس رتبية مثل مقياس ليكرت أو عند دراسة عينات إكلينيكية صغيرة يصعب تعميم اعتداليتها. في ظل هذه التحديات المنهجية، يبرز اختبار مان-ويتني يو (Mann-Whitney U Test) كأحد أقوى البدائل اللامعلمية وأكثرها كفاءة لمقارنة عينتين مستقلتين دون الحاجة لافتراض توزيع احتمالي محدد لمجتمع الدراسة.

مع التطور المتسارع للحوسبة الإحصائية ولغات البرمجة المفتوحة المصدر، أصبحت لغة بايثون (Python) البيئة المفضلة للعلماء والباحثين ومحللي البيانات بفضل منظومتها الغنية بالمكتبات العلمية المتخصصة مثل SciPy وPandas وStatsmodels وPingouin. يتيح تنفيذ اختبار مان-ويتني يو عبر بايثون مرونة فائقة تجمع بين الدقة الرياضية، وسرعة المعالجة، والقدرة على بناء مخططات بصرية تفاعلية وعالية الدقة تعكس الفروق بين المجموعات بوضوح منهجي يتوافق مع أعلى المعايير الأكاديمية العالمية، مثل معايير النشر الخاصة بـ الجمعية الأمريكية لعلم النفس (APA).

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفصيل منهجي وتطبيقي عميق لاختبار مان-ويتني يو، متناولاً الخلفية التاريخية والأسس الرياضية الدقيقة، وشروط وافتراضات التطبيق، وخطوات التحليل البرمجي خطوة بخطوة في لغة بايثون، وصولاً إلى حساب أحجام الأثر المتقدمة، وبناء فترات الثقة عبر التمهيد الإحصائي (Bootstrapping)، وتصميم الرسوم البيانية للنشر الأكاديمي، وتوثيق النتائج وفق الإصدار السابع لمعايير APA. يُشكل هذا العمل دليلاً لا غنى عنه لكل باحث يسعى إلى إتقان التحليل الإحصائي اللامعلمي وتطبيقه بكفاءة وموثوقية.

1. مقدمة شاملة حول اختبار مان-ويتني يو (Mann-Whitney U Test)

1.1 التعريف بالاختبار وسياقه التاريخي والإحصائي

يُعرَّف اختبار مان-ويتني يو، والذي يُعرف أيضاً باسم اختبار ويلكوكسون لمجموع الرتب (Wilcoxon Rank-Sum Test) أو اختبار مان-ويتني-ويلكوكسون (MWW)، بأنه اختبار إحصائي استدلالي لامعلمي يُستخدم لتقييم ما إذا كانت هناك فروق ذات دلالة إحصائية بين توزيعي عينتين مستقلتين. يرتكز الاختبار على تحويل القيم الرقمية الأصلية إلى رتب تسلسلية مجمعة، مما يلغي الاعتماد على المعالم التوزيعية للمجتمع (كالمتوسط الحسابي والتباين) ويمنحه مناعة فائقة ضد تشوهات التوزيع والقيم الشاذة.

يعود الجهد التأسيسي لهذا الاختبار إلى الإحصائي الأمريكي فرانك ويلكوكسون (Frank Wilcoxon) عام 1945، عندما اقترح اختبار مجموع الرتب لعينتين متساويتي الحجم كبديل غير معلمي لاختبار “ت”. بعد ذلك بعامين، وتحديداً في عام 1947، قام العالمان هنري مان (Henry Mann) وراي ويتني (D. R. Whitney) بتعميم الخوارزمية وتطوير صياغة رياضية جديدة تتيح مقارنة العينات غير المتساوية في الحجم، وقدموا الإحصائية المعروفة باسم U، مما وسع التطبيقات الميدانية للاختبار لتشمل تصميمات تجريبية معقدة ومتنوعة.

تكمن الأهمية الجوهرية لهذا الاختبار في كونه المعيار الذهبي الموازي لاختبار “ت” للعينات المستقلة (Independent Samples t-test) عندما تنتهك البيانات شروط القياس البارامتري. وتستفيد حقول علم النفس القياسي، والعلوم المعرفية، والطب النفسي السلوكي، وعلم الاجتماع الكمي من هذا الاختبار بصورة مكثفة، نظراً لأن معظم القياسات السيكومترية تعتمد على استجابات ذات تدريج ترتيبي تتأثر بطبيعتها بالانحيازات والالتواءات التوزيعية التي تحول دون التطبيق المباشر للاختبارات المعلمية الكلاسيكية.

1.2 دواعي استخدام الاختبار في الدراسات النفسية والسلوكية

تعتمد الدراسات السلوكية والنفسية بشكل واسع على أدوات قياس استبيانية تستخدم مقاييس ليكرت (Likert Scales) خماسية أو سباعية النقاط، والتي تُصنف رياضياً ضمن البيانات الترتيبية (Ordinal Data) وليست الفئوية أو النسبية المتصلة. لا تضمن هذه المقاييس تساوي المسافات بين درجات الاستجابة (على سبيل المثال: المسافة النفسية بين “أوافق بشدة” و”أوافق” قد لا تطابق المسافة بين “محايد” و”أعارض”)، مما يجعل استخدام المتوسط الحسابي مضللاً منهجياً، ويستوجب الاعتماد على الرتب والوسائط عبر اختبار مان-ويتني يو.

كذلك تفرض طبيعة العينات الإكلينيكية قيوداً حتمية على حجم العينة، حيث يصعب في كثير من الأبحاث النفسية التجريبية تجنيد مئات المرضى الخاضعين لبروتوكول علاجي محدد، مما ينتج عينات صغيرة (أقل من 20 إلى 30 فرداً في كل مجموعة). في مثل هذه العينات، تفقد مبرهنة النهاية المركزية (Central Limit Theorem) قدرتها على تصحيح التواء التوزيع، ويصبح اختبار “ت” عرضة لأخطاء التقدير. يتيح اختبار مان-ويتني يو فحص الفروق بدقة عالية وبأقل قدر من متطلبات حجم العينة.

علاوة على ذلك، تتسم العديد من المتغيرات النفسية الحيوية مثل درجات القلق، ومستويات الاكتئاب، وأزمنة الاستجابة السلوكية، ومستويات هرمون الكورتيزول بوجود التواء إيجابي حاد وقيم متطرفة طبيعية لا يجوز حذفها. إن استخدام الاختبارات البارامترية مع هذه البيانات يرفع من احتمالية ارتكاب الخطأ من النوع الأول (Type I Error) المتمثل في رفض الفرضية الصفرية وهي صحيحة، أو الخطأ من النوع الثاني (Type II Error) المتمثل في الفشل في اكتشاف الأثر الحقيقي، وهو ما يتفاداه الباحث بتطبيق اختبار مان-ويتني يو.

1.3 صياغة الفرضيات الإحصائية للاختبار

تبدأ المعالجة الإحصائية للاختبار بالصياغة الدقيقة للفرضيات. تُحدد الفرضية الصفرية (Null Hypothesis – H0) على أنها عدم وجود فرق في توزيع المتغير التابع بين مجتمعي الدراستين. وبالمعنى الاحتمالي الرتبي، تعني الفرضية الصفرية أن احتمال أن تسحب عشوائياً قيمة من المجموعة الأولى (X) تكون أكبر من قيمة مسحوبة عشوائياً من المجموعة الثانية (Y) يساوي النصف تماماً، أي: P(X > Y) = P(Y > X) = 0.5.

أما الفرضية البديلة (Alternative Hypothesis – H1)، فيمكن صياغتها في اتجاهين رئيسيين اعتماداً على المنطلقات النظرية للدراسة. في الفرضية البديلة غير الموجهة أو ثنائية الاتجاه (Two-tailed Hypothesis)، يُفترض ببساطة أن توزيع إحدى المجموعتين يختلف عن توزيع المجموعة الأخرى، أي: P(X > Y) ≠ P(Y > X). بينما تُحدد الفرضية البديلة الموجهة أو أحادية الاتجاه (One-tailed Hypothesis) اتجاه التفوق الرتبي، كأن يُفترض أن درجات المجموعة التجريبية تتفوق بشكل منهجي على درجات المجموعة الضابطة: P(X > Y) > P(Y > X).

من الضروري التمييز الدقيق بين فرضية “تساوي الوسائط” وفرضية “التفوق العشوائي” (Stochastic Dominance). لا يختبر مان-ويتني يو تساوي الوسائط بشكل مباشر إلا في حالة تحقق شرط إضافي صارم وهو تطابق الشكل التوزيعي للمجموعتين تماماً مع وجود انزياح مكاني فقط (Location Shift). أما إذا اختلف شكل التوزيع بين المجموعتين (كاختلاف درجات الالتواء أو التفرطح)، فإن الاختبار يختبر الفرضية العامة المتمثلة في احتمالية تفوق درجات مجموعة على أخرى، وهي مسألة جوهرية يجب مراعاتها عند برمجة وتفسير الفرضيات في بايثون.

2. الأسس الرياضية والنظرية لاختبار مان-ويتني يو

2.1 آلية ترتيب الرتب (Rank Transformation)

تعتمد الخوارزمية الجوهرية لاختبار مان-ويتني يو على دمج مشاهدات المجموعتين معاً في مصفوفة واحدة يبلغ حجمها الكلي N = n1 + n2، حيث تمثل n1 حجم العينة الأولى و n2 حجم العينة الثانية. يتم ترتيب جميع القيم ترتيباً تصاعدياً من الأصغر إلى الأكبر، مع الاحتفاظ بترميز المجموعة الأصلية لكل قيمة دون استخدام درجاتها الخام في الحسابات اللاحقة.

تُسند الرتب للملاحظات ابتداءً من الرتبة 1 لأصغر قيمة وحتى الرتبة N لأكبر قيمة. وفي حال وجود قيم متطابقة (Tied Ranks)، يتم حساب المتوسط الحسابي للرتب التي كانت ستشغلها تلك القيم إذا كانت مختلفة، وتُسند هذه الرتبة المتوسطة لكل قيمة من القيم المتكررة. على سبيل المثال، إذا كانت القيمتان الثالثة والرابعة متطابقتين، تُسند الرتبة (3 + 4) / 2 = 3.5 لكل منهما لضمان العدالة الرياضية في التوزيع.

بعد الانتهاء من إسناد الرتب لكامل المصفوفة المدمجة، يتم فصل الرتب بحسب الانتماء الأصلي للمجموعتين، ويُحسب مجموع الرتب للمجموعة الأولى ويرمز له بالرمز R1، ومجموع الرتب للمجموعة الثانية ويرمز له بالرمز R2. من خلال هذا التحويل، يتم تحجيم تأثير القيم الشاذة والمتطرفة؛ فالقيمة المتطرفة جداً التي قد تبعد أميالاً عن المتوسط ستحصل في الاختبار اللامعلمي على أعلى رتبة فقط (مثلاً الرتبة 40 في عينة من 40 فرداً)، بدلاً من سحب المتوسط الحسابي وتضخيم التباين كما يحدث في الاختبارات البارامترية.

2.2 المعادلات الرياضية لحساب إحصائية U

تُحسب إحصائية U لكل مجموعة على حدة باستخدام معادلة رياضية تعتمد على حجم العينات ومجموع الرتب المحسوبة. تُعرف المعادلة لإحصائية المجموعة الأولى (U1) على النحو التالي:

U1 = n1 * n2 + [n1 * (n1 + 1)] / 2 – R1

وبالمثل، تُحسب إحصائية المجموعة الثانية (U2) وفق المعادلة التالية:

U2 = n1 * n2 + [n2 * (n2 + 1)] / 2 – R2

ترتبط قيمتا U1 و U2 بعلاقة تكاملية جبرية ثابتة تعكس إجمالي عدد المقارنات الثنائية الممكنة بين أفراد المجموعتين، حيث يتحقق دائماً الشرط:

U1 + U2 = n1 * n2

تمثل قيمة U عدد المرات التي تتفوق فيها درجة من إحدى المجموعتين على درجة من المجموعة الأخرى في جميع الأزواج المتقابلة الممكنة. وعند إجراء الاختبار ثنائي الاتجاه، يتم اختيار القيمة الصغرى بين U1 و U2، أي: U = min(U1, U2)، كإحصائية معتمدة للاختبار لمقارنتها بالقيم الحرجة أو استخراج القيمة الاحتمالية المرتبطة بها، حيث تشير القيم الصغرى جداً لـ U إلى وجود تباعد كبير بين رتب المجموعتين وانفصال ملحوظ في التوزيعين.

2.3 التقريب التوزيعي وقيم Z المعيارية

عندما تكون العينات صغيرة (عادة n1 و n2 أقل من 20)، يتم حساب القيمة الاحتمالية الدقيقة (Exact P-value) عبر التوزيع التبادلي التوافقي الكامل لجميع التوزيعات الممكنة للرتب. ولكن مع زيادة حجم العينة، يصبح حساب الاحتمالات الدقيقة مكلفاً حسابياً، ووفق مبرهنة النهاية المركزية، يقترب توزيع إحصائية U تدريجياً وبسرعة فائقة من التوزيع الطبيعي المعياري.

لحساب هذا التقريب، يتم أولاً حساب القيمة المتوقعة أو المتوسط الحسابي لإحصائية U (ويرمز لها بـ μ_U) وفق المعادلة:

μ_U = (n1 * n2) / 2

بينما يُحسب التباين النظري لإحصائية U (ويرمز له بـ σ²_U) في حالة عدم وجود رتب مربوطة بالصيغة:

σ²_U = [n1 * n2 * (n1 + n2 + 1)] / 12

وفي حال وجود رتب متطابقة (Ties)، يتم إدخال معامل تصحيح على التباين لضمان الدقة وفق المعادلة المصححة:

σ²_U_corrected = [n1 * n2 / (12 * N * (N – 1))] * [N³ – N – Σ (t_i³ – t_i)]

حيث تمثل N إجمالي عدد الملاحظات (n1 + n2)، و t_i عدد المشاهدات المربوطة في المجموعة الفرعية i. وبمجرد حساب المتوسط والتباين المصحح، يتم حساب الدرجة المعيارية Z بالصيغة:

Z = (U – μ_U) / σ_U

تُطبق هذه الدرجة المعيارية في منحنى التوزيع الطبيعي المعياري لاستخراج القيمة الاحتمالية الدقيقة (P-value) واختبار الفرضيات بدقة إحصائية متناهية.

3. افتراضات وشروط تطبيق اختبار مان-ويتني يو

3.1 استقلالية الملاحظات ومستوى القياس

على الرغم من الطبيعة اللامعلمية لاختبار مان-ويتني يو وتحرره من اشتراطات التوزيع الطبيعي، إلا أنه يقوم على مجموعة من الافتراضات المنهجية والتصميمية الحازمة التي لا يمكن التغاضي عنها لضمان صلاحية الاستدلال:

• استقلالية الملاحظات (Independence of Observations): يجب أن تكون جميع الملاحظات مستقلة تماماً داخل كل مجموعة وبين المجموعتين. لا يجوز استخدام هذا الاختبار في تصميمات القياسات المتكررة (Repeated Measures) أو دراسة العينات المزدوجة (Matched Pairs) كالقياس القبلي والبعدي لنفس الأفراد؛ حيث يتطلب ذلك اختباراً بديلاً مثل اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank Test).
• طبيعة المتغير التابع (Scale of Measurement): يجب أن يكون المتغير التابع مقاساً على الأقل على مستوى رتبي (Ordinal)، مثل مقاييس التقدير المتدرجة، أو مقاساً على مستوى كمي متصل (Continuous/Interval/Ratio) فشل في تلبية شروط التوزيع الطبيعي. لا يصلح الاختبار للمتغيرات الاسمية غير المرتبة (Nominal Data).
• طبيعة المتغير المستقل (Independent Variable): يجب أن يتكون المتغير المستقل من مستويين تصنيفيين مستقلين ومتبادلين كلياً (Categorical, Dichotomous Groups) كالمجموعة التجريبية مقابل المجموعة الضابطة، أو الذكور مقابل الإناث.

3.2 شكل التوزيع وتفسير النتائج (الوسيط مقابل العشوائية)

يمثل فهم العلاقة بين شكل توزيع البيانات وتفسير مخرجات مان-ويتني يو نقطة حاسمة يقع فيها الكثير من الباحثين في خلط منهجي. ينبغي التمييز بين حالتين بنيويتين عند تطبيق الاختبار:

الحالة الأولى: تماثل شكل التوزيع (Similar Distribution Shapes): إذا كان التوزيع التكراري ومنحنى الكثافة الاحتمالية لكلا المجموعتين يمتلكان نفس الشكل الهندسي ودرجة الالتواء والتفرطح، فإن اختبار مان-ويتني يو يُعد في هذه الحالة اختباراً مباشراً للفروق بين وسيطي المجموعتين (Medians). في هذا السيناريو، يُمكن صياغة الفرضية الصفرية على أن: Median 1 = Median 2، ويكون تفسير الدلالة الإحصائية دليلاً حاسماً على انزياح وسيط مجموعة عن الأخرى.

الحالة الثانية: اختلاف شكل التوزيع (Different Distribution Shapes): إذا اختلف شكل التوزيع بين المجموعتين (على سبيل المثال، كانت بيانات المجموعة الأولى ملتوية التواءً إيجابياً وبيانات المجموعة الثانية ثنائية القمة أو طبيعية)، فإن الاختبار يفقد صفته كمقارن للوسائط. ويتحول التفسير الرياضي الدقيق إلى اختبار الفروق في الرتب المتوسطة أو ما يُعرف بـ الهيمنة العشوائية (Stochastic Dominance)؛ أي أن درجات إحدى المجموعتين تميل إلى أن تكون أكبر احتمالية من درجات المجموعة الأخرى بوجه عام دون إمكانية إسناد ذلك إلى انزياح نقطي في الوسيط وحده.

يتطلب هذا التمييز قيام الباحث بفحص التوزيعات بصرياً عبر منحنيات الكثافة ومخططات الصندوق لتحديد المسار اللغوي والمنهجي الصحيح عند كتابة تقرير النتائج وتفسير الظاهرة السلوكية.

3.3 التعامل مع الرتب المتكررة والعينات الصغيرة

تفرض بعض الخصائص الهيكلية للبيانات تحديات إحصائية خاصة يجب معالجتها برمجياً بدقة:

• ظاهرة الرتب المربوطة (Tied Ranks): عند استخدام مقاييس استبيانية قصيرة، تتكرر نفس الدرجات لدى عدد كبير من المشاركين، مما ينشئ عدداً هائلاً من الرتب المربوطة. يؤدي وجود الرتب المربوطة إلى تقليص تباين إحصائية U، مما يجعل استخدام التباين غير المصحح سبباً في تضخيم قيمة Z المعيارية والحصول على قيمة احتمالية مضللة بالصغر. يجب التأكد من تفعيل معاملات تصحيح الرتب المربوطة المتوفرة تلقائياً في خوارزميات بايثون.
• حجم العينة المتناهي في الصغر: في الدراسات الإكلينيكية النادرة التي يكون فيها حجم العينة أقل من 5 أفراد في المجموعة الواحدة، يفقد التقريب الطبيعي المعياري اعتماديته الرياضية بالكامل. في هذه السيناريوهات، يتحتم استخدام أسلوب الحساب التبادلي التام (Exact Method) لاشتقاق الاحتمالية التامة من جميع التباديل الرياضية، وهو ما تتيحه مكتبة SciPy عبر خيارات متقدمة سنتناولها بالتفصيل.

4. مقارنة منهجية بين اختبار مان-ويتني يو واختبار t للعينات المستقلة

4.1 جدول المقارنة الإحصائية والبارامترية

لتوضيح الفروق الجوهرية بين الاختبارين البارامتري واللامعلمي، يلخص الجدول التالي المقارنة المنهجية المتكاملة لمساعدة الباحث على الاختيار الصحيح لأداة التحليل:

وجه المقارنة	اختبار مان-ويتني يو (Mann-Whitney U)	اختبار “ت” للعينات المستقلة (Independent t-test)
التصنيف الإحصائي	لامعلمي (Non-parametric / Distribution-free)	معلمي (Parametric)
مستوى قياس المتغير التابع	رتبي (Ordinal) أو كمي متصل غير طبيعي	فئوي متصل أو نسبي (Interval / Ratio)
افتراض التوزيع الطبيعي	غير مشروط إطلاقاً	شرط جوهري وأساسي في كلا المجتمعين
الحساسية للقيم المتطرفة	مقاوم جداً بفضل التحويل إلى رتب (Robust)	شديد التأثر بالقيم الشاذة التي تشوه المتوسط
مقياس النزعة المركزية المعبر	الرتب المتوسطة والوسيط (Median)	المتوسط الحسابي (Mean)
مقياس التشتت المصاحب	المدى الربيعي (IQR) أو المدى الكامل	الانحراف المعياري (Standard Deviation)
الكفاءة النسبية (ARE)	حوالي 95.5% عند استيفاء شروط التوزيع الطبيعي، وتتجاوز 100% في التوزيعات الملتوية الثقيلة الذيل	100% فقط عند استيفاء كامل الافتراضات البارامترية بدقة

4.2 معايير المفاضلة والاختيار في البحوث النفسية

إن المفاضلة بين تطبيق اختبار “ت” أو الانتقال إلى اختبار مان-ويتني يو يجب أن تستند إلى بروتوكول منهجي صارم وليس إلى الرغبة الذاتية للباحث. يمكن تلخيص شجرة القرار الإحصائي في المعايير التالية:

• طبيعة أداة القياس: إذا كانت الدرجة الكلية مشتقة من بند استبياني مفرد (Single Likert-type Item)، فإن المنهجية العلمية تقتضي مباشرة استخدام اختبار مان-ويتني يو نظراً لكون البيانات رتبية بحتة. أما إذا كانت الدرجة تمثل المجموع الكلي لعدة بنود في مقياس مقنن متعدد الأبعاد يولد درجات شبه متصلة، يُمكن التفكير في اختبار “ت” شريطة فحص التوزيع.
• التحويلات الرياضية مقابل التحليل اللامعلمي: عند انتهاك شرط التوزيع الطبيعي في البيانات المتصلة، يلجأ بعض الباحثين إلى تطبيق التحويل اللوغاريتمي (Log Transformation) أو تحويل جذر التربيع في محاولة “لترويض” البيانات وإعادتها للاعتدال وتطبيق اختبار “ت”. ومع ذلك، تؤدي التحويلات الرياضية غالباً إلى تعقيد تفسير النتائج ونقل المتغيرات إلى مقاييس غير مفهومة نفسياً (كلوغاريتم درجات القلق). في هذه الحالات، يُعد استخدام اختبار مان-ويتني يو على البيانات الأصلية أكثر وضوحاً وأسهل في التفسير الإكلينيكي والنفسي.
• القوة الإحصائية (Statistical Power): تشير الدراسات الرياضية إلى أن الكفاءة النسبية المقاربة (ARE) لاختبار مان-ويتني تبلغ نحو 0.955 مقارنة باختبار “ت” في حال كانت البيانات تتبع بالفعل توزيعاً طبيعياً تماماً، وهي خسارة طفيفة جداً في القوة. في المقابل، ترتفع كفاءة وقوة اختبار مان-ويتني لتتفوق بمراحل دراماتيكية على اختبار “ت” بمجرد وجود التواء بسيط أو ذيول سميكة محملة بالقيم المتطرفة، مما يجعله الخيار الآمن والأكثر موثوقية في الدراسات السلوكية الميدانية.

5. إعداد بيئة العمل البرمجية وتثبيت المكتبات في بايثون

5.1 المكتبات الأساسية للتحليل الإحصائي

توفر منظومة بايثون مجموعة متكاملة من المكتبات المخصصة للمعالجة الحسابية والإحصائية. لإجراء تحليل متكامل لاختبار مان-ويتني يو، يعتمد الباحث على ثلاث مكتبات رئيسية مترابطة:

• مكتبة SciPy (Scientific Python): تُعد العمود الفقري للحوسبة العلمية في بايثون. تتضمن الموديول المتخصص scipy.stats الذي يحتوي على دالة mannwhitneyu الرسمية لحساب الإحصائية وقيم الدلالة، بالإضافة إلى دوال فحص التوزيع الطبيعي مثل shapiro وفحص التجانس مثل levene.
• مكتبة NumPy: المكتبة الرائدة في التعامل مع المصفوفات الرياضية متعددة الأبعاد (Arrays) وإجراء العمليات الجبرية المتجهية بكفاءة وسرعة فائقة.
• مكتبة Pandas: الأداة الأساسية لهيكلة البيانات وإدارتها عبر كائنات الجداول الإحصائية (DataFrames)، والتي تسهل تصنيف المجموعات، وعزل المتغيرات، وتنظيف السجلات، واستخراج الإحصاءات التلخيصية.
• مكتبة Pingouin: مكتبة إحصائية حديثة وبسيطة مبنية فوق SciPy وPandas، مصممة خصيصاً لعلماء النفس والعلوم السلوكية، وتوفر مخرجات مفصلة تشمل حجم الأثر وفترات الثقة والتقارير الجاهزة في أمر برمجي واحد.

يمكن تثبيت هذه المكتبات في بيئة العمل الخاصة بك (سواء كانت Jupyter Notebook أو VS Code أو PyCharm) باستخدام أداة التثبيت القياسية للأوامر البرمجية التالية:

pip install numpy scipy pandas pingouin matplotlib seaborn statannotations

5.2 مكتبات التصور البياني وتنسيق التقارير

لا يكتمل التحليل الإحصائي دون استعراض بصري متقدم يبرز توزيع البيانات ويلخص الفروق الرتبية. تُستخدم في هذا السياق الأدوات التالية:

• مكتبة Matplotlib: المكتبة الأساسية لإنشاء الرسوم البيانية التخطيطية والتحكم الكامل في كافة العناصر البصرية مثل محاور الأشكال، والخطوط، والرموز، والدقة الطباعية (DPI).
• مكتبة Seaborn: مكتبة رسومية عالية المستوى مبنية فوق Matplotlib، تتيح إنشاء رسوم بيانية إحصائية مذهلة بسهولة عبر دوال مثل sns.boxplot و sns.violinplot و sns.stripplot مع تكامل تام مع هياكل بيانات Pandas.
• مكتبة Statannotations: أداة برمجية مساعدة تتيح حساب خطوط المقارنة وأقواس الدلالة الإحصائية وإضافتها تلقائياً فوق الرسوم البيانية مع النجوم التوضيحية لمستويات الدلالة الإحصائية.

لضمان توافق الرسوم البيانية مع معايير النشر في مجلات الجمعية الأمريكية لعلم النفس (APA)، يُوصى بضبط إعدادات النمط البصري المسبق في بايثون عبر تعيين خلفيات بيضاء بسيطة وإلغاء الشبكات المعقدة واختيار لوحات ألوان ملائمة للطباعة والتدرج الرمادي.

6. الخطوة الأولى: استيراد وتجهيز البيانات النفسية في بايثون

6.1 إنشاء وهيكلة مجموعات البيانات التجريبية

تبدأ الخطوة التنفيذية الأولى بتجهيز البيانات النفسية وهيكلتها برمجياً. في التطبيقات الإحصائية، توجد صيغتان رئيسيتان لهيكلة البيانات:

التنسيق العريض (Wide Format): حيث يتم تمثيل كل مجموعة في عمود أو مصفوفة منفصلة بذاتها (مثل: مصفوفة تحتوي على درجات المجموعة التجريبية، ومصفوفة أخرى لدرجات المجموعة الضابطة). هذا التنسيق هو الأسهل للتمرير المباشر إلى دوال scipy.stats.

التنسيق الطويل (Long Format): حيث يتم تنظيم البيانات في جدول يحتوي على عمود يمثل درجات المتغير التابع، وعمود آخر تصنيفي يحدد اسم المجموعة التي ينتمي إليها كل مشارك. هذا التنسيق هو المفضل والمعياري عند استخدام مكتبات التصور البياني ومكتبة Pingouin.

يمكن استيراد البيانات الحقيقية من ملفات Excel أو ملفات CSV المخزنة على الحاسوب بسهولة باستخدام دالة pd.read_csv() أو pd.read_excel() في مكتبة Pandas، ثم إعادة تشكيلها وتنظيمها بما يتوافق مع متطلبات التحليل اللاحق.

6.2 فحص وتنظيف البيانات والتعامل مع القيم المفقودة

يعد تنظيف البيانات خطوة حاسمة لضمان سلامة الاستدلال الإحصائي. تشمل إجراءات التنظيف المنهجية في بايثون ما يلي:

• اكتشاف القيم المفقودة (Missing Values): يتم فحص وجود خلايا فارغة أو قيم مفقودة باستخدام دوال مثل df.isnull().sum(). في التحليلات اللامعلمية، إذا كانت نسبة القيم المفقودة ضئيلة وعشوائية تماماً، يتم استبعاد الحالات الناقصة عبر أسلوب الحذف الموضعي للحالات (Listwise Deletion) باستخدام dropna().
• فحص اتساق أنواع البيانات (Data Types): التأكد من أن درجات المتغير التابع مُعرفة كأرقام صحيحة (integers) أو أرقام عشرية (floats) وليست نصوصاً، وأن متغير المجموعات مُعرف كمتغير فئوي (Category).
• التعرف على القيم الشاذة (Outliers): يتم فحص وجود القيم المتطرفة باستخدام مقياس المدى الربيعي (IQR Method) لتحديد أي قيم تتجاوز 1.5 ضعف المدى الربيعي فوق الربيع الثالث أو تحت الربيع الأول. وعلى عكس التحليل البارامتري الذي يتطلب غالباً معالجة معقدة للقيم الشاذة أو استبعادها، فإن اختبار مان-ويتني يتعامل معها بأمان دون الحاجة لحذفها، مما يحافظ على كامل حجم العينة.

6.3 حساب الإحصاءات الوصفية اللامعلمية لكل مجموعة

قبل إجراء الاختبار الاستدلالي، يتحتم استخراج وتلخيص المؤشرات الوصفية المناسبة للبيانات اللامعلمية. لا يجوز الاعتماد على المتوسط الحسابي والانحراف المعياري كمؤشرات رئيسية في تقارير البيانات الملتوية، بل يجب تقديم:

• الوسيط (Median): القيمة التي تقسم درجات المجموعة إلى نصفين متساويين، ويُحسب برمجياً عبر دالة df.groupby('Group')['Score'].median().
• المدى الربيعي (Interquartile Range – IQR): الفرق بين الربيع الثالث (المئين 75) والربيع الأول (المئين 25)، والذي يعبر عن تشتت 50% من البيانات المركزية، ويُحسب باستخدام scipy.stats.iqr() أو دوال التجزيء في Pandas.
• الرتبة المتوسطة (Mean Rank): المؤشر الحسابي الفعلي الذي يعتمد عليه اختبار مان-ويتني، ويتم استخراجه عن طريق إسناد الرتب لكامل العينة المدمجة باستخدام دالة scipy.stats.rankdata ثم حساب متوسط الرتب لكل مجموعة على حدة.

يوفر استعراض جدول الإحصاءات الوصفية المجمعة للباحث رؤية استكشافية أولية لاتجاه الفروق قبل الشروع في فحص الدلالة الاستدلالية.

7. الخطوة الثانية: التحقق البرمجي من افتراضات الاختبار في بايثون

7.1 اختبار التوزيع الاعتدالي برمجياً

لتبرير الانتقال من الاختبار البارامتري الكلاسيكي إلى اختبار مان-ويتني اللامعلمي، يجب تقديم دليل إحصائي وبصري يثبت انتهاك شرط التوزيع الطبيعي لبيانات المجموعتين أو إحداهما. يتم ذلك عبر عدة أدوات متكاملة في بايثون:

• اختبار شابيرو-ويلك (Shapiro-Wilk Test): يُعد أقوى الاختبارات الإحصائية لاكتشاف عدم الاعتدالية في العينات الصغيرة والمتوسطة. يُنفذ برمجياً عبر الدالة scipy.stats.shapiro(data). تشير القيمة الاحتمالية الأصغر من مستوى الدلالة المعياري (p < 0.05) إلى رفض الفرضية الصفرية القائلة باعتدالية التوزيع، مما يثبت رسمياً عدم اعتدالية البيانات.
• مخطط الاحتمال الطبيعي (Q-Q Plot): أداة تشخيصية بصرية يتم بناؤها باستخدام scipy.stats.probplot في بايثون. في حال كانت البيانات تتبع التوزيع الطبيعي، ستصطف النقاط بدقة على طول الخط المستقيم القطري. أما ابتعاد النقاط وانحناؤها عند الأطراف فيشير إلى الالتواء وتطرف الذيول.
• معاملا الالتواء والتفرطح (Skewness & Kurtosis): تُحسب قيم الالتواء باستخدام scipy.stats.skew والتفرطح باستخدام scipy.stats.kurtosis. تدل القيم التي تتجاوز النطاق المعياري المقبول (غالباً خارج المجال بين -1 و +1 أو -2 و +2) على وجود انحراف ملحوظ عن التوزيع الطبيعي.

7.2 اختبار تجانس التباينات وتماثل التوزيع

يعتبر فحص تجانس التباين خطوة مكملة لفهم طبيعة التوزيع وتحديد مسار التفسير الإحصائي:

• اختبار ليفين (Levene’s Test): يُستخدم لفحص تجانس التباين بين المجموعتين المستقلتين، ويُنفذ في بايثون عبر الدالة scipy.stats.levene(group1, group2, center='median'). يُوصى باختيار الوسيط كمركز للحساب (center=’median’) لكونه النسخة المعدلة الأكثر متانة وقوة في حالة البيانات غير الطبيعية (Brown-Forsythe Test). تدل القيمة الاحتمالية p > 0.05 على تحقق تجانس التباينات.
• فحص تماثل شكل التوزيع بصرياً: يتم رسم منحنيات الكثافة الاحتمالية (Kernel Density Estimation – KDE) المتراكبة لكلا المجموعتين باستخدام sns.kdeplot. إذا أظهر الرسم أن للمجموعتين شكلاً مشابهاً لنفس منحنى الكثافة ولكن مع إزاحة أفقية، يُصنف الاختبار رسمياً كمقارنة مباشرة بين وسيطي المجموعتين. أما إذا كانت الأشكال الهندسية للتوزيعين متباينة تماماً، فيُفسر الاختبار كفحص للهيمنة الرتبية العامة.

8. الخطوة الثالثة: تنفيذ اختبار مان-ويتني يو باستخدام دالة mannwhitneyu

8.1 شرح المعاملات والوسائط للدالة scipy.stats.mannwhitneyu

تحتوي مكتبة SciPy على الدالة المعيارية المتخصصة لتنفيذ الاختبار وهي scipy.stats.mannwhitneyu(x, y, alternative='two-sided', method='auto', use_continuity=True). تتضمن هذه الدالة عدة وسائط محورية يجب فهمها بدقة:

• x, y: مصفوفات أحادية البعد تمثل درجات المجموعتين المستقلتين المراد مقارنتهما.
• alternative: يحدد طبيعة الفرضية البديلة، ويقبل ثلاثة خيارات:
  • 'two-sided': الخيار الافتراضي للاختبار ثنائي الاتجاه لفحص وجود أي فرق بصرف النظر عن اتجاهه.
  • 'less': للاختبار أحادي الاتجاه لفحص ما إذا كان توزيع المجموعة x أصغر تصنيفياً من توزيع المجموعة y.
  • 'greater': للاختبار أحادي الاتجاه لفحص ما إذا كان توزيع المجموعة x أكبر تصنيفياً من توزيع المجموعة y.
• method: يحدد طريقة حساب القيمة الاحتمالية (P-value):
  • 'auto': الخيار الذكي الذي يختار تلقائياً الحساب الدقيق (exact) للعينات الصغيرة الحجم الخالية من الرتب المتطابقة، والتقريب الطبيعي (asymptotic) للعينات الكبيرة أو المليئة بالرتب المربوطة.
  • 'exact': يجبر الدالة على حساب الاحتمال التبادلي الدقيق.
  • 'asymptotic': يعتمد على التقريب للتوزيع الطبيعي المعياري Z.
• use_continuity: قيمة منطقية (True/False) تحدد ما إذا كان سيتم تطبيق تصحيح الاستمرارية بمقدار 0.5 عند استخدام التقريب الطبيعي المعياري، وهو ما يوصى به دائماً لتقليل خطأ التقدير التقريبي.

8.2 كتابة وتنفيذ الكود البرمجي الأساسي

تتكامل خطوات تنفيذ الاختبار في كود بايثون بسيط وشامل. يبدأ البرنامج باستدعاء الموديولات اللازمة، وتحديد مصفوفتي البيانات للمجموعتين، وتمريرهما إلى الدالة للحصول على كائن النتائج الذي يضم إحصائية الاختبار وقيمتها الاحتمالية:

عند تنفيذ الدالة، تُرجع مكتبة SciPy كائناً يحتوي على statistic وهي تمثل قيمة U المحسوبة للمجموعة الأولى وفق الترتيب، و pvalue وهي القيمة الاحتمالية المقابلة. يمكن للباحث برمجة جملة طباعة منسقة تستعرض النتائج وتقارن القيمة الاحتمالية بمستوى ألفا (0.05) لإصدار حكم فوري باتخاذ القرار الإحصائي (رفض أو قبول الفرضية الصفرية).

8.3 أمثلة برمجية مقارنة عبر حزم Pingouin و Statsmodels

إلى جانب مكتبة SciPy، توفر حزمة pingouin دالة متقدمة للغاية وهي pingouin.mwu(x, y, alternative='two-sided'). تتميز مخرجات هذه الدالة بإنتاج جدول إحصائي منسق تلقائياً يحتوي على:

• قيمة إحصائية U.
• الفرضية البديلة المحددة.
• القيمة الاحتمالية الدقيقة أو التقريبية.
• حجم الأثر المحسوب تلقائياً عبر معامل الارتباط الرتبي الثنائي (Rank-Biserial Correlation – RBC).
• معامل التفوق الاحتمالي المشترك (Common Language Effect Size – CLES).

تعتبر حزمة Pingouin الخيار الأفضل للباحثين النفسيين الراغبين في استخراج كافة المؤشرات المعيارية اللازمة للنشر الأكاديمي بخطوة برمجية واحدة ودون الحاجة لحساب أحجام الأثر يدوياً.

9. الخطوة الرابعة: تفسير المخرجات الإحصائية وقيم الدلالة

9.1 تفسير إحصائية U ومقارنتها بالقيم الحرجة

تتراوح القيمة الرياضية المحتملة لإحصائية U بين الصفر والحد الأقصى النظري المتمثل في حاصل ضرب حجم العينتين (n1 * n2). تشير قيمة U القريبة من نصف هذا المدى الأقصى [(n1 * n2) / 2] إلى تطابق وتداخل كامل بين رتب المجموعتين، مما يعني عدم وجود أي أثر تجريبي للمتغير المستقل.

في المقابل، كلما ابتعدت قيمة U المحسوبة وتناقصت مقتربة من الصفر، دل ذلك على تباعد حاد وانفصال بنيوي بين درجات المجموعتين. تجدر الإشارة إلى أن دالة scipy.stats.mannwhitneyu تُرجع قيمة U المقابلة للمجموعة الأولى الممررة في الدالة. فإذا كانت القيمة الناتجة أكبر من (n1 * n2) / 2، فهذا يعني رياضياً أن درجات المجموعة الأولى أعلى بصورة عامة من درجات المجموعة الثانية، والعكس صحيح.

9.2 قراءة وتفسير القيمة الاحتمالية (P-value)

تُعبر القيمة الاحتمالية (P-value) عن احتمالية الحصول على بيانات برتب متباعدة بنفس القدر الملاحظ أو أكثر تطرفاً في حال كانت الفرضية الصفرية صحيحة تماماً في مجتمع الدراسة:

• إذا كانت p ≤ 0.05: تُعد النتيجة ذات دلالة إحصائية (Statistically Significant)، ويتم رفض الفرضية الصفرية وقبول الفرضية البديلة بوجود فرق منهجي دال بين المجموعتين.
• إذا كانت p > 0.05: تفشل التجربة في رفض الفرضية الصفرية، مما يشير إلى أن الفروق الملاحظة بين الرتب يمكن عزوها بسهولة إلى التباين العشوائي وأخطاء المعاينة.

يجب الحذر الشديد من الوقوع في المفاهيم الخاطئة الشائعة؛ فالقيمة الاحتمالية لا تقيس حجم الأثر ولا تعكس الأهمية الإكلينيكية أو العملية للتدخل، بل تقتصر فقط على اختبار صحة الافتراض الصفري، وهو ما يفرض إلزامية حساب حجم الأثر بجانبها دائماً.

9.3 الربط بين النتائج الإحصائية والمعنى النفسي السلوكي

لا تنتهي مهمة التحليل الإحصائي عند استخراج الأرقام وقيم الدلالة، بل تبدأ مرحلة الترجمة السيكومترية لتلك النتائج. على الباحث أن يربط التفوق الرتبي للمجموعة التجريبية بطبيعة التدخل السلوكي أو النفسي المدروس؛ فإذا أظهرت النتائج انخفاضاً دالاً في رتب درجات مقياس القلق لدى المجموعة التي تلقت برنامجاً علاجياً معرفياً سلوكياً مقارنة بالمجموعة الضابطة، يجب مناقشة حجم هذا التحسن الرتبي وانعكاسه على الأداء الوظيفي اليومي للأفراد.

كما ينبغي توضيح الحدود المنهجية لتفسير الاختبار وتجنب التعميم المفرط عند صغر حجم العينة أو وجود تباينات واسعة داخل المجموعة الواحدة، وربط النتائج بالأدبيات السابقة لتحديد ما إذا كانت النتائج تتماشى مع النماذج النظرية السائدة في علم النفس المعرفي والإكلينيكي.

10. حساب حجم الأثر (Effect Size) وفترات الثقة في بايثون

10.1 حساب معامل الارتباط الرتبي الثنائي (Rank-Biserial Correlation)

يُعد معامل الارتباط الرتبي الثنائي (Rank-Biserial Correlation – r_rb) مقياس حجم الأثر المعياري والأنسب لاختبار مان-ويتني يو. يُقيس هذا المعامل الفارق النسبي بين نسبة أزواج البيانات المتوافقة والنسبة غير المتوافقة بين المجموعتين، ويُحسب رياضياً من قيمة إحصائية U وفق الصيغة المباشرة:

r_rb = 1 – (2 * U) / (n1 * n2)

تتراوح قيمة هذا المعامل بين -1.0 و +1.0:

• تشير القيمة +1.0 إلى هيمنة رتبية تامة وإيجابية للمجموعة الأولى على المجموعة الثانية.
• تشير القيمة -1.0 إلى هيمنة رتبية تامة للمجموعة الثانية.
• تشير القيمة 0.0 إلى انعدام تام لأي تفوق رتبي وتطابق كامل للتوزيعات.

يمكن تفسير القيمة المطلقة لمعامل الارتباط الرتبي وفق المعايير الإرشادية الموسعة لعلم النفس الإحصائي (Cohen / McGrath & Meyer):

• تأثير صغير (Small): |r_rb| يتراوح بين 0.10 و 0.29
• تأثير متوسط (Medium): |r_rb| يتراوح بين 0.30 و 0.49
• تأثير كبير (Large): |r_rb| ≥ 0.50

10.2 حساب مقياس كوهين r المشتق من الدرجة المعيارية Z

مقياس آخر شائع وموثق بشكل واسع في الأدبيات النفسية هو مقياس كوهين r المشتق من الدرجة المعيارية Z (Cohen’s r). يُحسب هذا المقياس بقسمة القيمة المطلقة للدرجة المعيارية Z الناتجة عن الاختبار على الجذر التربيعي لإجمالي حجم العينة الكلي (N = n1 + n2):

r = |Z| / √(N)

تكمن الأهمية القصوى لهذا المؤشر في كونه يسمح بمقارنة نتائج الاختبارات اللامعلمية بصورة مباشرة مع دراسات التحليل التلوي (Meta-Analysis) التي تعتمد على معاملات الارتباط البارامترية كمعيار موحد لحجم الأثر. يتم تفسير قيمه المشتقة وفق معايير كوهين الكلاسيكية: 0.10 للأثر الصغير، و 0.30 للأثر المتوسط، و 0.50 فما فوق للأثر الكبير.

10.3 حساب فترات الثقة للوسائط وطريقة إعادة العينات (Bootstrapping)

تعتبر فترات الثقة (Confidence Intervals – CI) المرافقة لحجم الأثر أو الفرق بين الوسائط مؤشراً جوهرياً لمدى دقة التقدير الإحصائي. نظراً لعدم توفر صيغة معلمية مغلقة لحساب فترة الثقة المباشرة لفرق الوسائط في التوزيعات غير الطبيعية، يُعد أسلوب التمهيد الإحصائي (Bootstrapping) الأسلوب اللامعلمي الأقوى والأكثر اعتمادية.

تقوم خوارزمية التمهيد الإحصائي بسحب آلاف العينات العشوائية المتكررة مع الإحلال (مع الاسترجاع) من بيانات كل مجموعة (عادة 2000 إلى 10000 عينة تمهيدية)، وحساب الفرق بين وسيطي المجموعتين في كل تكرار، ومن ثم بناء التوزيع التجريبي للفروق واستخراج المئينات 2.5% و 97.5% لتمثيل حدود فترة الثقة بنسبة 95% (95% CI).

تتيح مكتبة SciPy تنفيذ هذا الإجراء بكفاءة عبر الدالة الحديثة scipy.stats.bootstrap. إذا كانت فترة الثقة بنسبة 95% الناتجة لا تشتمل على القيمة (صفر)، فإن ذلك يمثل دليلاً إضافياً قوياً ومستقلاً يؤكد وجود فرق حقيقي دال إحصائياً بين وسيطي المجموعتين في مجتمع الدراسة.

11. التصور البياني المتقدم للنتائج باستخدام Seaborn و Matplotlib

11.1 تصميم مخططات الصندوق والتشتت المجمعة (Boxplot with Jitter/Swarm)

يمثل مخطط الصندوق (Boxplot) الأداة البصرية المثالية لعرض نتائج التحليلات اللامعلمية، حيث يُظهر خط الوسيط المركزي بوضوح، محاطاً بجسم الصندوق الذي يمثل المدى الربيعي بين الربيع الأول والثالث، مع امتداد الشوارب لتمثيل الحدود القصوى والدنيا المعتادة.

لتعزيز القوة البصرية للرسم البياني وتجنب إخفاء تفاصيل التوزيع النقطي الفردي، يتم دمج مخطط الصندوق مع مخطط التشتت النقطي العشوائي (Stripplot with Jitter) أو المخطط الحشدي (Swarmplot) باستخدام مكتبة Seaborn. يسمح هذا الدمج برؤية كل نقطة بيانات فردية فوق الصندوق التلخيصي، مما يكشف كثافة البيانات ومواضع التكتلات بدقة بصرية متناهية تتوافق تماماً مع متطلبات مجلات النشر الدولية الرائدة.

11.2 رسم توزيعات الكمان والكثافة (Violin and Density Plots)

يُعد مخطط الكمان (Violin Plot) تطويراً متقدماً يجمع بين مزايا مخطط الصندوق ومنحنى الكثافة الاحتمالية الكامل للبيانات. يوضح هذا المخطط تماثل أو التواء التوزيع وتعدد القمم (Multimodality) التي تعجز مخططات الصندوق الكلاسيكية عن إبرازها بمفردها.

عند بناء مخطط الكمان عبر دالة sns.violinplot، يُمكن تخصيص العناصر الداخلية لإبراز خطوط الربيعات والوسيط بوضوح، وضبط معامل التنعيم اللوني لمنحنى الكثافة. يوفر هذا المخطط للقارئ والمحكم الأكاديمي رؤية فورية شاملة لشكل التوزيع في كلا المجموعتين، مما يسهل التحقق البصري من شرط تماثل التوزيع الضروري لتفسير الفروق كوسائط حقيقية.

11.3 إضافة علامات الدلالة الإحصائية التلقائية على الرسوم

تتطلب التقارير الأكاديمية الاحترافية وضع أقواس المقارنة ورموز الدلالة الإحصائية التوضيحية (مثل النجوم: * عند p < 0.05، ** عند p < 0.01، *** عند p < 0.001) أعلى الرسوم البيانية لتوضيح موقع المقارنة بصرياً.

باستخدام مكتبة statannotations المتخصصة في بايثون، يُمكن أتمتة هذه العملية برمجياً بالكامل؛ حيث تقوم المكتبة بحساب نتائج اختبار مان-ويتني تلقائياً، وتحديد إحداثيات القوس الرسومي فوق أعلى نقطة مسجلة للبيانات في المخطط، وطباعة مستوى الدلالة أو نص القيمة الاحتمالية بدقة فائقة. بعد ذلك، يتم تصدير الشكل النهائي بدقة وضوح طباعية عالية (300 DPI) بصيغ متجهة عالية الجودة مثل PDF أو SVG أو PNG لتضمينها مباشرة في الأطروحات العلمية والأوراق البحثية.

12. دراسة حالة تطبيقية وتوثيق النتائج وفق معايير APA

12.1 دراسة حالة واقعية: مقارنة مستويات القلق بين مجموعتين علاجيتين

لتطبيق كافة المفاهيم السابقة في سياق عملي متكامل، نفترض سيناريو بحثي إكلينيكي في علم النفس التجريبي يهدف إلى مقارنة فاعلية برنامج تدريبي قائم على “العلاج المعرفي السلوكي المرتكز على اليقظة الذهنية” (Mindfulness-Based CBT) مقابل “مجموعة قائمة الانتظار الضابطة” (Waitlist Control) في خفض درجات القلق المقاسة على مقياس بيك للقلق (BAI) الملتوي إيجابياً.

تتألف عينة الدراسة من 30 مشاركاً، موزعين بالتساوي على المجموعتين (15 مشاركاً في كل مجموعة). سنستعرض في الخطوات التالية البناء البرمجي المتكامل في بايثون لمعالجة هذه البيانات من البداية وحتى استخراج كافة الإحصائيات الوصفية والاستدلالية، والتحقق من الفروض، وحساب أحجام الأثر، وبناء فترات الثقة.

يتضمن البرنامج الإحصائي الخطوات المتسلسلة التالية:

• توليد مصفوفات البيانات الرقمية المعبرة عن درجات المجموعتين باستخدام مكتبة NumPy.
• هيكلة البيانات في جدول DataFrame موحد باستخدام مكتبة Pandas.
• استخراج الإحصاءات الوصفية الكاملة لكل مجموعة (العدد، الوسيط، المدى الربيعي، الرتبة المتوسطة).
• التحقق من عدم اعتدالية التوزيع عبر اختبار شابيرو-ويلك (Shapiro-Wilk Test) واختبار ليفين لتجانس التباين.
• تنفيذ اختبار مان-ويتني يو ثنائي الاتجاه عبر دالة scipy.stats.mannwhitneyu واستخراج إحصائية U وقيمة p.
• حساب الدرجة المعيارية Z، وحجم الأثر لكوهين (r)، ومعامل الارتباط الرتبي الثنائي (r_rb).
• حساب فترة الثقة بنسبة 95% لفرق الوسائط عبر أسلوب التمهيد الإحصائي (Bootstrapping).
• بناء رسم بياني مجمع يضم مخطط الصندوق والتشتت النقطي وأقواس الدلالة وتصديره بجودة 300 DPI.

12.2 صياغة وتوثيق النتائج وفق معايير الجمعية الأمريكية لعلم النفس (APA 7th)

تضع الجمعية الأمريكية لعلم النفس في إصدارها السابع (APA 7th Edition) قواعد صارمة ومحددة لتوثيق نتائج الاختبارات اللامعلمية في المتن والجداول. يجب أن يتضمن التقرير المكتوب: الإحصاءات الوصفية لكل مجموعة (الوسيط والمدى الربيعي أو الرتبة المتوسطة)، وقيمة إحصائية U، والدرجة المعيارية Z، ومستوى الدلالة الاحتمالية p، وحجم الأثر المحسوب (r أو r_rb) مع فترة الثقة المصاحبة له.

قالب الصياغة المعتمد لنتائج الاختبار:

“أُجري اختبار مان-ويتني يو (Mann-Whitney U Test) لتقييم ما إذا كانت هناك فروق ذات دلالة إحصائية في مستويات القلق بين مجموعة العلاج المعرفي السلوكي المرتكز على اليقظة الذهنية والمجموعة الضابطة. أظهرت النتائج وجود فرق ذي دلالة إحصائية بين المجموعتين، U = 28.00, z = -3.48, p < .001. حيث سجلت المجموعة التجريبية وسيطاً لدرجات القلق أقل بشكل ملحوظ (Mdn = 14.00, IQR = 4.50, Mean Rank = 9.87) مقارنة بالمجموعة الضابطة (Mdn = 26.00, IQR = 7.00, Mean Rank = 21.13). وبلغ معامل الارتباط الرتبي الثنائي لحجم الأثر r_rb = 0.751 (95% CI [-14.00, -7.00] لفرق الوسائط عبر أسلوب التمهيد الإحصائي)، ومقياس كوهين r = 0.636، مما يشير إلى أثر علاجي كبير جداً للتدخل في خفض أعراض القلق.”

الجدول الأكاديمي لتوثيق النتائج بنمط APA:

المجموعة	العدد (N)	الوسيط (Mdn)	المدى الربيعي (IQR)	الرتبة المتوسطة (Mean Rank)	إحصائية U	الدرجة المعيارية (z)	الدلالة (p)	حجم الأثر (r_rb)
المجموعة التجريبية	15	14.00	4.50	9.87	28.00	-3.48	< .001	0.751
المجموعة الضابطة	15	26.00	7.00	21.13

12.3 أفضل الممارسات والأخطاء الشائعة في التحليل اللامعلمي عبر بايثون

لضمان أعلى درجات النزاهة العلمية والدقة التحليلية عند معالجة البيانات اللامعلمية باستخدام بايثون، يجب مراعاة الممارسات المنهجية الفضلى وتجنب العثرات الشائعة التالية:

• تجنب الخلط بين مجموع الرتب وحجم العينة: يقع بعض المبتدئين في خطأ افتراض أن الرتب المتوسطة تمثل درجات خام، أو إغفال توثيق حجم العينة المستقل في التقرير. تأكد دائماً من فصل المؤشرات الوصفية الخام عن الإحصائيات الرتبية.
• عدم استبعاد القيم الشاذة عشوائياً: في التحليلات اللامعلمية، تُعد القيم الشاذة جزءاً طبيعياً من التوزيع وتعكس تنوع الظاهرة المدروسة، ولا تؤثر سلباً على الرتب كما تؤثر على المتوسطات. لا تقم بحذف الملاحظات المتطرفة ما لم تكن ناتجة عن خطأ إدخال واضح ومثبت.
• التوثيق وقابلية إعادة الإنتاج (Reproducibility): احرص دائماً على تثبيت البذرة العشوائية (Random Seed) عند استخدام أساليب المحاكاة أو التمهيد الإحصائي مثل np.random.seed(42)، لضمان تطابق الأرقام وفترات الثقة عند إعادة تشغيل الكود من قبل باحثين آخرين أو جهات التحكيم الأكاديمي.
• حفظ الكود والبيانات الخام في مستودعات مفتوحة: تماشياً مع معايير العلم المفتوح (Open Science Framework – OSF)، يُوصى برفع أكواد بايثون وملفات البيانات المعالجة على منصات مثل GitHub أو Zenodo وتضمين الروابط المرجعية في البحث المنشور لتعزيز الشفافية العلمية.

خاتمة واستنتاجات ختامية

يمثل اختبار مان-ويتني يو (Mann-Whitney U Test) أداة إحصائية بالغة القوة والأهمية في ترسانة الباحث العلمي المعاصر، حيث يوفر جسراً منهجياً متيناً للتعامل مع البيانات الرتبية والملتوية التي تفشل في تلبية متطلبات التحليل البارامتري الكلاسيكي. وقد أدى الدمج بين الرصانة الرياضية لهذا الاختبار والمرونة البرمجية الفائقة للغة بايثون إلى إتاحة بيئة عمل استثنائية تمكن الباحث من إجراء المعالجة بدءاً من تنظيف البيانات والتحقق من الفروض واختبار الفروق، وصولاً إلى استخراج أحجام الأثر الدقيقة وبناء الرسوم البيانية المتطورة وتوثيق النتائج بأعلى المعايير الأكاديمية العالمية.

إن الاستخدام المسؤول والواعي لهذا الاختبار يتطلب من الباحث إدراكاً عميقاً لشروط تطبيقه، والتمييز الدقيق بين فحص الوسائط وفحص الهيمنة الرتبية العامة بناءً على شكل التوزيع، فضلاً عن عدم الاكتفاء بالدلالة الاحتمالية المجردة والاهتمام بحساب أحجام الأثر وفترات الثقة عبر التمهيد الإحصائي لإعطاء صورة شاملة عن الأهمية الإكلينيكية والعملية للنتائج. نأمل أن يكون هذا الدليل الشامل مرجعاً عملياً وأكاديمياً ملهماً لكل باحث ومحلل يسعى للتميز في التحليل الإحصائي السلوكي باستخدام لغة بايثون.

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
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). John Wiley & Sons.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, 18(1), 50–60. https://doi.org/10.1214/aoms/1177730491
• McGrath, R. E., & Meyer, G. J. (2006). When effect sizes disagree: The case of r and d. Psychological Methods, 11(4), 386–401. https://doi.org/10.1037/1082-989X.11.4.386
• Vallat, R. (2018). Pingouin: statistics in Python. Journal of Open Source Software, 3(31), 1026. https://doi.org/10.21105/joss.01026
• Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … & SciPy 1.0 Contributors. (2020). SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
• Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83. https://doi.org/10.2307/3001968