كيفية إجراء تحليل التباين متعدد المتغيرات (MANOVA) في R

تُعد النماذج الإحصائية متعددة المتغيرات حجر الزاوية في الأبحاث السلوكية والاجتماعية والطبية الحديثة، حيث نادراً ما تتأثر الظواهر الإنسانية المعقدة بمتغير أحادي أو تنعكس آثاره على مؤشر منفرد بمعزل عن غيره. في دراسة الاضطرابات النفسية على سبيل المثال، لا يمكن تقييم فعالية تدخل علاجي معين من خلال قياس الاكتئاب بمفرده وتجاهل القلق أو جودة الحياة، إذ إن هذه الأبعاد النفسية تتداخل وتتفاعل وتترابط عضوياً داخل البناء النفسي للفرد. ومن هنا، يبرز تحليل التباين متعدد المتغيرات (Multivariate Analysis of Variance – MANOVA) كأحد أقوى وأرقى الأساليب الاستدلالية التي تُمكّن الباحثين من تقييم الفروق بين المجموعات التجريبية أو الضابطة عبر منظومة متكاملة من المتغيرات التابعة المتصلة والمترابطة في آنٍ واحد، مما يوفر رؤية شمولية دقيقة تتجاوز القيود المنهجية والإحصائية للتحليلات الأحادية التقليدية.

تكمن القوة المنهجية لتحليل MANOVA في قدرته الفائقة على التقاط الأبعاد الخفية للبيانات المعقدة؛ فهو لا يكتفي بفحص كل متغير تابع على حدة، بل يدمج المتغيرات التابعة في تركيب خطي موحد (Linear Composite) يعكس التباين المشترك بينها ويُعظم الفروق الحقيقية بين المجموعات. إن هذه الميزة لا تمنح الاختبار قوة إحصائية فائقة فحسب، بل تحمي البحث العلمي أيضاً من الوقوع في فخ تضخم الأخطاء الاستدلالية الناتجة عن تكرار الاختبارات الأحادية، مثل تحليل التباين الأحادي (ANOVA). ومع التطور المتسارع في بيئات التحليل الحاسوبي، أصبحت بيئة البرمجة الإحصائية مفتوحة المصدر R المنصة المثلى والأكثر مرونة ودقة لتطبيق هذه النماذج المتقدمة، بفضل ما توفره من حزم إحصائية رصينة وأدوات بصرية متطورة تتيح فحص الافتراضات واختبار النماذج وتفسير النتائج ونشرها وفق أعلى المعايير الأكاديمية العالمية.

يهدف هذا الدليل المرجعي الشامل إلى تزويد الباحثين وطلاب الدراسات العليا والمحللين الإحصائيين بدليل تطبيقي ونظري متكامل حول كيفية إجراء تحليل التباين متعدد المتغيرات (MANOVA) باستخدام لغة R. سنستعرض في هذا المسار التعليمي المعمق الأسس الرياضية والنظرية للنموذج، والفروق الجوهرية بينه وبين النماذج الأحادية، وكيفية التحقق البرمجي الدقيق من كافة الافتراضات الإحصائية البارامترية، مروراً ببناء النماذج أحادية وثنائية الاتجاه، وتفسير المؤشرات الإحصائية الحساسة مثل أثر بيلاي (Pillai’s Trace) ولامبدا ويلكس (Wilks’ Lambda)، وصولاً إلى إجراء التحليلات التتبعية والمقارنات البعدية المتقدمة وتصوير النتائج بيانيّاً وكتابة التقرير النهائي وفق دليل النشر للجمعية الأمريكية لعلم النفس (APA 7th Edition).

1. مقدمة شاملة لتحليل التباين متعدد المتغيرات (MANOVA)

1.1 المفهوم النظري لتحليل MANOVA

يُمثل تحليل التباين متعدد المتغيرات امتداداً مباشراً ومتطوراً لتحليل التباين الأحادي (ANOVA)، حيث صُمم خصيصاً للتعامل مع التصاميم التجريبية وشبه التجريبية التي تتضمن متغيراً مستقلاً واحداً أو أكثر (عوامل تصنيفية فئوية) ومجموعة من المتغيرات التابعة الكمية (المقاسة على مقياس فتري أو نسبي). بدلاً من تقييم الفروق بين متوسطات المجموعات لكل متغير تابع بصورة مستقلة ومعزولة، يقوم تحليل MANOVA باختبار ما إذا كانت متجهات المتوسطات المتعددة (Mean Vectors أو Centroids) تختلف جوهرياً بين مستويات المتغير المستقل عبر الفضاء متعدد الأبعاد.

في العلوم السلوكية والطبية، غالباً ما تكون المتغيرات التابعة ممثلة لأبعاد متعددة لبناء نظري مشترك؛ فعلى سبيل المثال، عند دراسة “الاحتراق النفسي لدى الأطباء”، لا يمكن قياس هذه الظاهرة برقم أحادي، بل تتضمن أبعاداً فرعية متزامنة مثل: الإجهاد الانفعالي، وتبلد المشاعر، وتراجع الشعور بالإنجاز الشخصي. إن استخدام MANOVA يتيح للباحث اختبار تأثير برامج التدخل الإرشادي على هذه المنظومة المتكاملة معاً، مما يحافظ على الطبيعة البنيوية المعقدة للظاهرة النفسية ويمنع تشويه العلاقات البينية الكامنة بين أبعادها القياسية، موفراً تقييماً كلياً يتجاوز مجرد جمع نتائج الاختبارات المنفردة.

1.2 الأسس الرياضية لدمج المتغيرات التابعة

يرتكز تحليل MANOVA من الناحية الرياضية على الجبر الخطي ونظرية المصفوفات؛ حيث يسعى النموذج إلى إيجاد تركيبة خطية مثلى للمتغيرات التابعة (Linear Composite) تأخذ الصيغة الرياضية العامة التالية: $Y^* = w_1 Y_1 + w_2 Y_2 + dots + w_p Y_p$، حيث تُمثل $w$ الأوزان المعيارية المُسندة لكل متغير تابع $Y$. يتم حساب هذه الأوزان بهدف تعظيم التباين بين المجموعات نسبةً إلى التباين الكائن داخل المجموعات عبر الفضاء متعدد الأبعاد، وهو ما يُعرف بنسبة الدالة التمييزية الأساسية.

تعتمد العمليات الحسابية في MANOVA على تحليل مصفوفتين أساسيتين لمجموع المربعات وحواصل الضرب التبادلي (Sums of Squares and Cross-Products Matrices): مصفوفة الفرضية أو التباين بين المجموعات (المصفوفة $\mathbf{H}$)، ومصفوفة الخطأ أو التباين داخل المجموعات (المصفوفة $\mathbf{E}$). من خلال المقارنة بين هاتين المصفوفتين وحساب القيم الذاتية (Eigenvalues) للمصفوفة الناتجة عن ضرب معكوس مصفوفة الخطأ في مصفوفة الفرضية ($\mathbf{E}^{-1}\mathbf{H}$)، يستطيع النموذج استخلاص المؤشرات الإحصائية العامة للدلالة المتعددة، متجاوزاً بذلك المقارنات العددية البسيطة للمتوسطات الأحادية إلى مقارنة هندسية للمراكز الهندسية في الفضاء متعدد المتغيرات.

1.3 دواعي استخدام MANOVA في البحث العلمي

تتعدد الدواعي المنهجية والإحصائية التي تجعل من MANOVA خياراً حتمياً في الدراسات المتقدمة. أول هذه الدواعي وأكثرها أهمية هو السيطرة الصارمة على تضخم خطأ النوع الأول من الدرجة العائلية (Family-wise Type I Error Rate). فعند إجراء اختبارات ANOVA متعددة ومنفصلة لكل متغير تابع على مستوى دلالة $\alpha = 0.05$، فإن الاحتمال الكلي لارتكاب خطأ إيجابي كاذب واحد على الأقل يزداد تصاعدياً وفق المعادلة: $\alpha_{FW} = 1 – (1 – \alpha)^k$ (حيث $k$ هو عدد الاختبارات)، مما يؤدي إلى استنتاجات مضللة ورفض غير مبرر للفرضيات الصفرية الصحيحة.

علاوة على ذلك، يمتلك MANOVA قدرة فريدة على اكتشاف الفروق الجماعية الكامنة التي قد تفشل الاختبارات الأحادية في إدراكها تماماً. فقد يحدث أحياناً ألا يصل أي متغير تابع منفرد إلى مستوى الدلالة الإحصائية في اختبار ANOVA المستقل، ولكن عند دمج هذه المتغيرات معاً وتحليل الترابط المشترك بينها عبر التركيب الخطي في MANOVA، تظهر فروق دالة إحصائياً تعكس تأثيراً تجريبياً كلياً للأبعاد المجتمعة. يُضاف إلى ذلك أن MANOVA يقدم رؤية عميقة لكيفية تغير العلاقات الارتباطية ومصفوفات التغاير بين المتغيرات تحت تأثير المعالجات التجريبية المتنوعة.

2. الفروق الجوهرية بين ANOVA و MANOVA

2.1 مقارنة هيكلية بين النموذجين الإحصائيين

يختلف تحليل ANOVA عن تحليل MANOVA في بنيته الأساسية وفرضياته الاستدلالية ومستويات الطاقة الإحصائية المرتبطة به. في نموذج ANOVA أحادي الاتجاه، يختبر الباحث فرضية صفرية بسيطة تفيد بتساوي متوسطات المجموعات لمتغير كمي مفرد: $H_0: \mu_1 = \mu_2 = dots = \mu_k$. في المقابل، يختبر MANOVA فرضية صفرية متعددة تفيد بتساوي متجهات المتوسطات لجميع المتغيرات التابعة مجتمعة عبر المجموعات: $H_0: boldsymbol{\mu}_1 = boldsymbol{\mu}_2 = dots = boldsymbol{\mu}_k$، حيث يمثل كل متجه $boldsymbol{\mu}_j$ مصفوفة عمودية من المتوسطات الخاصة بالمجموعة $j$.

من زاوية القوة الإحصائية (Statistical Power)، فإن MANOVA يتطلب حجماً أكبر للعينة لضمان استقرار تقديرات مصفوفات التباين والتغاير. فبينما يمكن لاختبار ANOVA العمل بكفاءة مع أحجام عينات معتدلة، فإن كفاءة MANOVA تعتمد على عدد المتغيرات التابعة المشمولة؛ حيث يُشترط ألا يقل حجم أصغر خلية تجريبية عن عدد المتغيرات التابعة مضافاً إليه هامش أمان إحصائي، لضمان عدم تعرض مصفوفات الخطأ للتفرد أو عدم الاستقرار الرياضي.

2.2 مخاطر إجراء اختبارات ANOVA المتعددة المنفصلة

إن الممارسة الشائعة والمتمثلة في تقسيم الدراسة التي تحتوي على عدة متغيرات تابعة إلى سلسلة من اختبارات ANOVA المنفصلة تنطوي على مخاطر منهجية جسيمة. الخطر الأول هو التآكل السريع لصدق الاختبار نتيجة الارتفاع الحاد في معدل الخطأ العائلي؛ فإذا كان لدى الباحث أربعة متغيرات تابعة وأجرى أربعة اختبارات ANOVA منفصلة بمستوى ثقة 95%، فإن احتمال ارتكاب خطأ من النوع الأول يرتفع إلى حوالي 18.5%، مما يضعف الثقة العلمية في القرارات الإحصائية المتخذة.

أما الخطر الثاني فيتمثل في إغفال وتجاهل بنية الارتباط الداخلي (Intercorrelations) بين المتغيرات التابعة. إن عزل المتغيرات المترابطة يفترض ضمنياً استقلالها التام، وهو افتراض غير واقعي في القياسات السلوكية والنفسية. هذا التجاهل يُفقد الباحث القدرة على فهم التفاعل التراكمي للمتغيرات ويفكك البناء النظري الشامل للدراسة إلى شظايا رقمية متباعدة لا تعكس الواقع التجريبي بدقة وموثوقية.

2.3 معايير اتخاذ القرار للاختيار بين ANOVA و MANOVA

يتطلب الاختيار بين تطبيق ANOVA و MANOVA تقييماً دقيقاً لمجموعة من المحددات النظرية والإحصائية. يوضح الجدول التالي مقارنة تفصيلية بين المعايير المنهجية لكل نموذج لمساعدة الباحث في اتخاذ القرار المناسب:

المعيار المنهجي والإحصائي	تحليل التباين الأحادي (ANOVA)	تحليل التباين متعدد المتغيرات (MANOVA)
عدد المتغيرات التابعة	متغير تابع كمي واحد فقط ($p = 1$).	متغيران تابعان كميان أو أكثر ($p ge 2$).
طبيعة العلاقات بين المتغيرات	لا تنطبق لعدم وجود متغيرات تابعة أخرى.	يشترط وجود ارتباط معتدل منطقياً وإحصائياً ($0.30 le r le 0.70$).
معدل خطأ النوع الأول	مضبوط لكل اختبار على حدة، ويتضخم بالتكرار.	مضبوط كلياً للنموذج العائلي بمستوى $\alpha$ محدد.
طبيعة الافتراضات البارامترية	توزيع طبيعي أحادي، تجانس التباين الأحادي (Levene’s).	توزيع طبيعي متعدد، تجانس مصفوفات التغاير (Box’s M).
الحجم المطلوب للعينة	معتدل نسبياً حسب حجم التأثير المتوقع.	كبير؛ يجب أن يتجاوز حجم الخلية عدد المتغيرات التابعة.

إذا كانت المتغيرات التابعة غير مترابطة إطلاقاً ($r \approx 0$)، فإن تطبيق MANOVA يفقد ميزته الإحصائية ويؤدي إلى هدر درجات الحرية وانخفاض القوة الإحصائية، ويكون إجراء اختبارات ANOVA منفصلة مع تعديل مستوى الدلالة أكثر ملاءمة. أما إذا كان الارتباط مرتفعاً للغاية ($r > 0.85$ أو $0.90$)، فإن النموذج يعاني من مشكلة التعددية الخطية (Multicollinearity)، مما يستلزم دمج المتغيرات في مؤشر مركب واحد أو حذف المتغيرات المكررة قبل المتابعة.

3. الافتراضات الإحصائية الأساسية لاختبار MANOVA

3.1 افتراض الاستقلالية ومستوى القياس

يُعد افتراض استقلالية الملاحظات (Independence of Observations) أهم الافتراضات الإحصائية على الإطلاق في النماذج الخطية العامة والمتعددة؛ إذ إن انتهاك هذا الافتراض يؤدي إلى تشويه حاد في مستويات الدلالة الحقيقية وقيم الخطأ المعياري، ولا توجد أي حيل إحصائية قادرة على تصحيح هذا الانتهاك بعد جمع البيانات. يقتضي هذا الافتراض ألا ترتبط استجابة أي مشارك في العينة باستجابة أي مشارك آخر داخل المجموعة الواحدة أو بين المجموعات المختلفة، مما يتطلب تصميماً تجريبياً محكماً يعتمد على التعيين العشوائي الصارم (Random Assignment) وعزل المشاركين أثناء التطبيق القياسي.

فيما يتعلق بمستوى القياس (Level of Measurement)، يجب أن تكون المتغيرات المستقلة فئوية تصنيفية تقسم العينة إلى مجموعتين أو أكثر من المجموعات المستقلة المتبادلة كلياً (Mutually Exclusive). في المقابل، يجب قياس كافة المتغيرات التابعة على مستوى كمي متصل، سواء كان فئوي المدى المتساوي (Interval) مثل مقاييس ليكرت المتعددة الفقرات المجمعة، أو مقياساً نسبياً (Ratio) مثل درجات الاختبارات المقننة أو أزمنة الاستجابة الفسيولوجية، لضمان صحة العمليات الحسابية لمصفوفات التباين والارتباط.

3.2 التوزيع الطبيعي متعدد المتغيرات (Multivariate Normality)

يفترض اختبار MANOVA أن المتغيرات التابعة تتبع توزيعاً طبيعياً متعدد المتغيرات داخل كل مستوى من مستويات المتغير المستقل. يعني التوزيع الطبيعي متعدد المتغيرات أن كل متغير تابع يتوزع اعتدالياً بمفرده، وأن أي توليفة خطية من هذه المتغيرات تتبع أيضاً التوزيع الطبيعي، وأن العلاقة المشتركة بين جميع أزواج المتغيرات تتبع توزيعاً إهليلجياً متماثلاً متعدد الأبعاد.

يتميز تحليل MANOVA بمتانة نسبية (Robustness) ضد الانتهاكات الطفيفة للاعتدالية متعددة المتغيرات إذا كانت أحجام العينات في الخلايا متساوية أو متقاربة وتزيد عن 20 إلى 30 حالة لكل خلية تجريبية وفقاً لنظرية النهاية المركزية. ومع ذلك، فإن وجود القيم الشاذة والمتطرفة متعددة المتغيرات (Multivariate Outliers) يمثل تهديداً خطيراً لهذا الافتراض؛ حيث تؤدي هذه القيم الشاذة إلى تشويه تقديرات مصفوفات التباين والتغاير وتضخيم مصفوفة الخطأ، مما يؤدي إلى خفض القوة الإحصائية للاختبار وتقديم استنتاجات خاطئة.

3.3 تجانس مصفوفات التباين والتغاير (Homogeneity of Covariance)

يمثل تجانس مصفوفات التباين والتغاير عبر المجموعات الامتداد متعدد المتغيرات لافتراض تجانس التباين الأحادي (Homoscedasticity). ينص هذا الافتراض على أن مصفوفة التباين المشترك للبيانات التابعة المحسوبة داخل كل مجموعة من مجموعات المتغير المستقل يجب أن تكون متطابقة إحصائياً: $boldsymbol{\Sigma}_1 = boldsymbol{\Sigma}_2 = dots = boldsymbol{\Sigma}_k$.

إن حساسية MANOVA لانتهاك هذا الافتراض ترتبط ارتباطاً وثيقاً بمدى تساوي أحجام العينات عبر المجموعات (Sample Size Equality). إذا كانت أحجام الخلايا متساوية تماماً ($n_1 = n_2 = dots = n_k$)، فإن مؤشرات مثل أثر بيلاي (Pillai’s Trace) تظل متينة بدرجة كبيرة وتوفر حماية جيدة ضد الانتهاكات المعتدلة. أما إذا كانت أحجام المجموعات غير متساوية، فإن انتهاك تجانس التغاير يمثل مشكلة حرجة؛ حيث يؤدي اقتران المجموعات الكبيرة بتباينات أكبر إلى اختبار متحفظ للغاية يرفع خطر الوقوع في خطأ النوع الثاني، بينما يؤدي اقتران المجموعات الصغيرة بتباينات أكبر إلى تضخم هائل في خطأ النوع الأول واكتشاف فروق وهمية لا وجود لها.

3.4 الخطية وغياب التعددية الخطية الشديدة

يشترط نموذج MANOVA وجود علاقات خطية مستقيمة (Linearity) بين جميع أزواج المتغيرات التابعة داخل كل مستوى من مستويات المجموعات التجريبية. بما أن التركيب الخطي للمتغيرات التابعة يعتمد كلياً على الارتباطات الخطية، فإن وجود علاقات منحنية (Non-linear Relationships) يؤدي إلى هدر التباين المفسر وضعف قدرة النموذج على رصد الفروق متعددة الأبعاد الحقيقية.

من جانب آخر، يُمثل غياب التعددية الخطية الشديدة (Absence of Multicollinearity) وغياب التفرد (Singularity) شرطاً رياضياً حاسماً لا يمكن تجاوزه. تحدث التعددية الخطية المفرطة عندما تترابط المتغيرات التابعة بقوة متطرفة ($r > 0.90$)، مما يعني قياس البعد نفسه وتكرار المعلومات دون إضافة تباين فريد. أما التفرد فيحدث عندما يكون أحد المتغيرات التابعة تركيبة خطية كاملة من متغيرات أخرى. تؤدي هذه الحالات إلى جعل المحدد الرياضي لمصفوفة التباين والخطأ قريباً من الصفر، مما يجعل عملية قلب المصفوفة حسابياً ($\mathbf{E}^{-1}$) غير مستقرة أو مستحيلة، مما يسبب انهيار خوارزميات التقدير في البرامج الإحصائية.

4. تجهيز بيئة العمل واستيراد الحزم الإحصائية في R

4.1 تثبيت وتحميل الحزم الأساسية

تتميز بيئة لغة البرمجة الإحصائية R بنظام بيئي غني بالحزم المتخصصة التي تغطي كافة مراحل التحليل متعدد المتغيرات، بدءاً من استيراد وتنظيف البيانات، وفحص الافتراضات المعقدة، وبناء النماذج، وحساب أحجام التأثير، وصولاً إلى التمثيل البياني عالي الجودة. لتجهيز بيئة العمل بكفاءة، يتم استخدام الدالة install.packages() لتثبيت الحزم، تليها دالة library() لتحميلها إلى جلسة التحليل الجارية.

تشمل الحزم المعتمدة في هذا الدليل: حزمة tidyverse المتكاملة لمعالجة وتجهيز البيانات وتصويرها، وحزمة car لحساب نماذج التباين المتقدمة، وحزمة MVN لفحص التوزيع الطبيعي متعدد الأبعاد واختبارات مارديا، وحزمة biotools لإجراء اختبار بوكس إم، وحزمة heplots لتوليد المخططات الإهليلجية للفرضيات والأخطاء، وحزمة effectsize لاستخراج أحجام التأثير الدقيقة، وحزمة emmeans للمقارنات البعدية، وحزمة MASS للتحليل التمييزي الخطي.

فيما يلي الكود البرمجي القياسي لتثبيت واستدعاء هذه المنظومة الإحصائية بالكامل:

تثبيت الحزم الإحصائية المطلوبة:

required_packages <- c("tidyverse", "car", "MVN", "biotools", "heplots", "effectsize", "emmeans", "MASS", "corrplot", "rstatix")

new_packages <- required_packages[!(required_packages %in% installed.packages()[,"Package"])]

if(length(new_packages)) install.packages(new_packages)

تحميل الحزم إلى بيئة العمل:

library(tidyverse)
library(car)
library(MVN)
library(biotools)
library(heplots)
library(effectsize)
library(emmeans)
library(MASS)
library(corrplot)
library(rstatix)

4.2 إعداد مساحة العمل واستدعاء البيانات

تبدأ الممارسة التحليلية الرصينة بتهيئة مساحة العمل عبر تعيين دليل العمل (Working Directory) باستخدام دالة setwd() أو الاعتماد على نظام المشاريع المدمج في RStudio. يتم استيراد البيانات من مصادرها الخارجية، سواء كانت بصيغة القيم المفصولة بفواصل CSV عبر دالة read_csv() من حزمة readr، أو من ملفات SPSS بامتداد SAV عبر دالة read_sav() من حزمة haven.

بمجرد استيراد مصفوفة البيانات، من الضروري فحص بنيتها الهيكلية وأنماط تخزين المتغيرات باستخدام الدوال الاستكشافية str() و glimpse() و head(). يجب التأكد الصارم من تحويل المتغيرات المستقلة التصنيفية إلى عوامل اسمية (Factors) باستخدام دالة as.factor() أو دالة factor() مع تحديد التسميات الواضحة لكل مستوى (Levels & Labels)، حيث إن معالجة المتغير المستقل كمتغير رقمي كلاسيكي سيؤدي إلى تطبيق نماذج الانحدار الخطي بدلاً من تحليل التباين التصنيفي.

4.3 التعامل مع البيانات المفقودة والقيم الشاذة الأولية

تُمثل البيانات المفقودة (Missing Data) تحدياً رئيسياً في التحليلات متعددة المتغيرات؛ حيث يؤدي الحذف الافتراضي للحالات التي تحتوي على قيم مفقودة في أي متغير تابع (Listwise Deletion) إلى فقدان كبير في حجم العينة وانخفاض القوة الإحصائية، وربما إدخال تحيز منهجي إذا لم تكن البيانات مفقودة عشوائياً تماماً (MCAR). يمكن الكشف عن نمط الفقد باستخدام دالة colSums(is.na(data)) أو حزم متخصصة مثل naniar.

فيما يخص القيم الشاذة الأحادية الأولية، يتم فحص كل متغير تابع عبر مستويات المجموعات باستخدام الصناديق الطرفية (Boxplots) عبر حزمة ggplot2 أو من خلال الدالة identify_outliers() من حزمة rstatix. يُنصح بتوثيق كافة التعديلات والتحقق مما إذا كانت القيم الشاذة ناتجة عن أخطاء إدخال قياسية تستوجب التصحيح، أو تمثل حالات حقيقية متطرفة تتطلب معالجات مسبقة مثل التحويلات الرياضية (Data Transformations) أو دراسة إدراجها ضمن استراتيجيات النمذجة الإحصائية المتينة.

5. فحص وتجهيز البيانات النفسية في R

5.1 إنشاء سيناريو دراسة نفسية تطبيقي

لتطبيق خطوات التحليل بشكل عملي وواقعي، سنقوم ببناء مجموعة بيانات محاكاة تحاكي دراسة تجريبية في علم النفس الإكلينيكي والعلاجي. يفحص هذا السيناريو أثر “نوع التدخل العلاجي النفسي” (المتغير المستقل: Intervention) على ثلاثة أبعاد تابعة مترابطة تمثل الحالة الوجدانية للمريض بعد 12 أسبوعاً من العلاج، وهي: مقياس القلق (Anxiety)، ومقياس الاكتئاب (Depression)، ومقياس اليقظة الذهنية (Mindfulness).

يتضمن المتغير المستقل ثلاثة مستويات تجريبية: العلاج المعرفي السلوكي (CBT)، والعلاج القائم على تقليل الضغوط باليقظة الذهنية (MBSR)، ومجموعة قائمة الانتظار الضابطة (Control). تم تصميم حجم العينة ليتضمن 45 مشاركاً موزعين بالتساوي (15 مشاركاً في كل مجموعة) لضمان التوازن وحماية النموذج الإحصائي ضد الانتهاكات الطفيفة.

فيما يلي كود R لبناء مصفوفة البيانات التجريبية بأسلوب متكرر وقابل لإعادة الإنتاج عبر تحديد البذرة العشوائية (Random Seed):

set.seed(42)
n <- 15
control <- data.frame(
  Group = factor(rep("Control", n)),
  Anxiety = rnorm(n, mean = 65, sd = 8),
  Depression = rnorm(n, mean = 60, sd = 7),
  Mindfulness = rnorm(n, mean = 35, sd = 6)
)
cbt <- data.frame(
  Group = factor(rep("CBT", n)),
  Anxiety = rnorm(n, mean = 45, sd = 7),
  Depression = rnorm(n, mean = 42, sd = 6),
  Mindfulness = rnorm(n, mean = 50, sd = 7)
)
mbsr <- data.frame(
  Group = factor(rep("MBSR", n)),
  Anxiety = rnorm(n, mean = 48, sd = 6),
  Depression = rnorm(n, mean = 46, sd = 8),
  Mindfulness = rnorm(n, mean = 62, sd = 5)
)
psych_data <- rbind(control, cbt, mbsr)
psych_data$Group <- factor(psych_data$Group, levels = c("Control", "CBT", "MBSR"))

5.2 استكشاف الإحصاء الوصفي متعدد المتغيرات

يُعد استكشاف الإحصاء الوصفي الخطوة التمهيدية الأساسية لفهم بنية البيانات واتجاهات الاستجابة ومستويات التشتت داخل كل مجموعة. يتم الاعتماد على دوال المعالجة المتقدمة في dplyr مثل group_by() و summarise() لحساب المتوسطات الحسابية (Means) والانحرافات المعيارية (Standard Deviations) وفترات الثقة لمصفوفة المتغيرات التابعة عبر المجموعات العلاجية الثلاث.

يمكن استخراج الجداول الوصفية المجمعة عبر الكود التالي:

desc_stats <- psych_data %>%
  group_by(Group) %>%
  summarise(
    Anxiety_Mean = mean(Anxiety), Anxiety_SD = sd(Anxiety),
    Depression_Mean = mean(Depression), Depression_SD = sd(Depression),
    Mindfulness_Mean = mean(Mindfulness), Mindfulness_SD = sd(Mindfulness),
    n = n()
  )
print(as.data.frame(desc_stats))

توضح هذه المؤشرات الوصفية الأولية تراجعاً ملحوظاً في درجات القلق والاكتئاب لدى مجموعتي التدخل (CBT و MBSR) مقارنة بالمجموعة الضابطة، مع تفوق ملحوظ لمجموعة MBSR في مؤشر اليقظة الذهنية، مما يشير مبدئياً إلى وجود تمايز جوهري متعدد الأبعاد بين المعالجات السريرية يتطلب اختباراً استدلالياً دقيقاً.

5.3 تقييم الارتباطات بين المتغيرات التابعة

يمثل فحص مصفوفة الارتباط بين المتغيرات التابعة خطوة منهجية حاسمة لتحديد مدى ملاءمة استخدام تحليل MANOVA؛ حيث يجب التحقق من وجود ارتباطات معتدلة وذات دلالة إحصائية بين المتغيرات التابعة. إذا كانت الارتباطات تقارب الصفر، فإن النموذج المتعدد يفقد كفاءته المنهجية، وإذا تجاوزت الارتباطات 0.85 أو 0.90، فإننا نواجه مشكلة التعدد الخطي المخلة بالنموذج.

يتم حساب مصفوفة الارتباط لبيرسون (Pearson Correlation Matrix) واختبار دلالتها الإحصائية عبر دالة cor() و cor.mtest()، ثم تصوير هذه العلاقات بيانياً بصورة مصفوفة مرئية أنيقة باستخدام حزمة corrplot:

dv_matrix <- psych_data[, c("Anxiety", "Depression", "Mindfulness")]
cor_matrix <- cor(dv_matrix)
print(round(cor_matrix, 3))
corrplot(cor_matrix, method = "ellipse", type = "upper", addCoef.col = "black", tl.col = "black")

تُظهر النتائج النموذجية وجود ارتباط طردي متوسط ودال بين القلق والاكتئاب ($r \approx 0.55$)، وارتباط عكسي متوسط ودال بين اليقظة الذهنية وكل من القلق ($r \approx -0.48$) والاكتئاب ($r \approx -0.52$)، مما يؤكد أن المتغيرات التابعة تتقاسم تباينات مشتركة متسقة نظرياً وإحصائياً وتبرر بوضوح الانتقال إلى تطبيق نموذج MANOVA.

6. التحقق العملي من افتراضات MANOVA في R

6.1 فحص التوزيع الطبيعي متعدد المتغيرات

لفحص افتراض التوزيع الطبيعي متعدد المتغيرات، توفر حزمة MVN مجموعة من الاختبارات الإحصائية الصارمة، وعلى رأسها اختبار مارديا للالتواء والتفرطح متعدد المتغيرات (Mardia’s Multivariate Skewness and Kurtosis Test)، واختبار شابيرو متعدد المتغيرات من رويستون (Royston’s Multivariate Normality Test)، إلى جانب التوليد التلقائي لمخططات Q-Q متعددة الأبعاد (Chi-Square Q-Q Plots).

يتم تقييم القيم الشاذة متعددة المتغيرات من خلال حساب مسافة ماهالانوبيس (Mahalanobis Distance $D^2$) لكل فرد في العينة. تُقارن هذه المسافات مع التوزيع النظري لمربع كاي ($\chi^2$) بدرجات حرية مساوية لعدد المتغيرات التابعة ($p = 3$) ومستوى دلالة محافظ جداً ($\alpha = 0.001$). الحالات التي تتجاوز القيمة الحرجة تُصنف كقيم شاذة متعددة الأبعاد تستوجب التدقيق.

فيما يلي كود التحقق من الاعتدالية متعددة المتغيرات وحساب مسافات ماهالانوبيس في R:

mvn_results <- mvn(data = psych_data[, 2:4], subset = psych_data$Group, mvnTest = "mardia", multivariatePlot = "qq")
# فحص مسافة ماهالانوبيس الإجمالية:
distances <- mahalanobis(dv_matrix, colMeans(dv_matrix), cov(dv_matrix))
cutoff <- qchisq(p = 1 - 0.001, df = ncol(dv_matrix))
outliers <- which(distances > cutoff)
print(paste("عدد القيم المتطرفة متعددة المتغيرات:", length(outliers)))

إذا كانت القيم الاحتمالية ($p$-values) لاختبار مارديا داخل كل مجموعة أعلى من 0.05، ولم تظهر أي حالات تتجاوز القيمة الحرجة لمسافة ماهالانوبيس، فإننا نستنتج تحقق افتراض الاعتدالية متعددة المتغيرات واستقرار مصفوفة البيانات للتحليل اللاحق.

6.2 اختبار تجانس مصفوفات التباين المشترك

يُعد اختبار بوكس إم (Box’s M Test) الأداة القياسية لفحص الفرضية الصفرية القائلة بأن مصفوفات التباين والتغاير متساوية عبر مستويات المتغير المستقل: $H_0: boldsymbol{\Sigma}_1 = boldsymbol{\Sigma}_2 = boldsymbol{\Sigma}_3$. يتم تطبيق الاختبار في R باستخدام دالة boxM() المتاحة في حزمة biotools أو rstatix.

من المعروف إحصائياً أن اختبار Box’s M شديد الحساسية (Extremely Sensitive) لحجم العينة والانتهاكات الطفيفة للاعتدالية؛ ولذلك يوصي علماء الإحصاء مثل تاباشنيك وفيديل (Tabachnick & Fidell, 2019) باعتماد مستوى دلالة صارم وحذر جداً ($\alpha = 0.001$) لتفسير الاختبار بدلاً من المستوى المعتاد 0.05. إذا كانت قيمة $p > 0.001$، يتم قبول الفرضية الصفرية وتأكيد تجانس مصفوفات التغاير.

box_m_test <- boxM(psych_data[, c("Anxiety", "Depression", "Mindfulness")], psych_data$Group)
print(box_m_test)

في حال رفض الفرضية الصفرية ($p < 0.001$)، وكانت أحجام المجموعات غير متساوية، يلجأ الباحث إلى استخدام إحصاء أثر بيلاي (Pillai's Trace) بدلاً من لامبدا ويلكس نظراً لمتانته العالية ضد انتهاك هذا الافتراض، أو تطبيق تحويلات لوغاريتمية على المتغيرات التابعة لإعادة التوازن لمصفوفات التغاير.

6.3 فحص العلاقات الخطية وغياب التعددية الخطية

يتم فحص افتراض الخطية المتبادلة بين جميع أزواج المتغيرات التابعة عبر توليد مصفوفة الانتشار المزدوجة (Scatterplot Matrix) باستخدام دالة pairs() أو دالة ggpairs() من حزمة GGally، مقسمة وفق مستويات المجموعة التجريبية للتأكد من اتخاذ النقاط مسارات مستقيمة دون وجود أنماط منحنية كروية أو تربيعية شاذة.

أما لتقييم التعددية الخطية، فيمكن حساب معامل تضخم التباين (Variance Inflation Factor – VIF) عن طريق بناء نماذج انحدار وهمية يتم فيها التنبؤ بأحد المتغيرات التابعة بواسطة بقية المتغيرات التابعة باستخدام دالة vif() من حزمة car. تشير قيم VIF الأقل من 5 (وقيم الارتباط الثنائي $r < 0.85$) إلى سلامة النموذج تماماً من مشاكل التعدد الخطي وتفرد المصفوفات.

pairs(psych_data[, 2:4], col = psych_data$Group, pch = 19, main = "Scatterplot Matrix across Groups")
# فحص VIF لمتغير القلق بالتنبؤ بالمتغيرات الأخرى:
vif_model <- lm(Anxiety ~ Depression + Mindfulness, data = psych_data)
print(vif(vif_model))

7. بناء وتنفيذ نموذج MANOVA أحادي الاتجاه في R

7.1 صياغة واستخدام دالة manova() الأساسية

يتم تنفيذ تحليل التباين متعدد المتغيرات في لغة R بصورة مباشرة وأنيقة باستخدام الدالة المدمجة manova() التابعة للحزمة الأساسية stats. تتطلب الدالة دمج كافة المتغيرات التابعة في مصفوفة ثنائية الأبعاد باستخدام دالة الربط العمودي cbind()، ثم ربط هذه المصفوفة بالمتغير المستقل التصنيفي عبر صيغة النموذج الخطي (Formula syntax): cbind(Y1, Y2, Y3) ~ Factor.

فيما يلي الكود البرمجي لبناء كائن النموذج متعدد المتغيرات واستعراض بنيته الأساسية:

# بناء نموذج MANOVA أحادي الاتجاه:
manova_one_way <- manova(cbind(Anxiety, Depression, Mindfulness) ~ Group, data = psych_data)
# عرض الملخص الإحصائي الافتراضي (Pillai's Trace):
summary_pillai <- summary(manova_one_way, test = "Pillai")
print(summary_pillai)

يقوم الكود أعلاه بحساب مصفوفات مجموع المربعات والضرب التبادلي ($\mathbf{H}$ و $\mathbf{E}$) واستخراج قيمة إحصاء بيلاي المقابلة، مع تحويلها إلى قيمة F التقريبية (Approximate F) وحساب درجات الحرية للفرضية والخطأ لتحديد مستوى الدلالة الإحصائية.

7.2 تطبيق واستخراج إحصاءات الاختبار المختلفة

تتيح دالة summary.manova() للباحث تحديد إحصاء الاختبار المتعدد المراد استخراجه عبر وسيط test، والذي يدعم أربعة مؤشرات رياضية رئيسية: "Pillai"، و "Wilks"، و "Hotelling-Lawley"، و "Roy". يُنصح دائماً باستخراج مؤشري أثر بيلاي ولامبدا ويلكس ومقارنة النتائج لضمان اتساق الدلالة الإحصائية للنموذج.

# استخراج إحصاء لامبدا ويلكس:
summary_wilks <- summary(manova_one_way, test = "Wilks")
print(summary_wilks)
# استخراج إحصاء هوتلينج-لولي:
summary_hl <- summary(manova_one_way, test = "Hotelling-Lawley")
print(summary_hl)
# استخراج إحصاء جذر روي الأكبر:
summary_roy <- summary(manova_one_way, test = "Roy")
print(summary_roy)

يظهر في مخرجات التحليل جدول يوضح قيمة الإحصاء المحسوب، وقيمة $F$ التقريبية المقابلة، ودرجات حرية النموذج (Num Df) ودرجات حرية الخطأ (Den Df)، والقيمة الاحتمالية ($p$-value). تشير القيمة الاحتمالية الأقل من 0.05 ($p < 0.05$) إلى وجود فروق ذات دلالة إحصائية بين المجموعات التجريبية على التركيب الخطي للمتغيرات التابعة مجتمعة، مما يستوجب رفض الفرضية الصفرية المتعددة.

7.3 حساب وتفسير أحجام التأثير (Effect Size)

لا تكتمل المعالجة الإحصائية الدقيقة بمجرد إثبات الدلالة الإحصائية ($p$-value)، بل يجب حساب حجم التأثير لتقدير الأهمية العملية وحجم التباين الذي يفسره المتغير المستقل في المنظومة التابعة. يُعد مؤشر مربع إيتا الجزئي متعدد المتغيرات (Multivariate Partial Eta Squared$eta_p^2$) المعيار الأكثر شيوعاً في التقارير الأكاديمية.

يتم حساب أحجام التأثير في R بدقة متناهية وفترات ثقة مرافقة باستخدام حزمة effectsize عبر دالة eta_squared():

# حساب مربع إيتا الجزئي متعدد المتغيرات:
multivariate_eta <- eta_squared(manova_one_way, partial = TRUE)
print(multivariate_eta)

وفقاً لإرشادات كوهين (Cohen, 1988)، تُفسر قيم $\eta_p^2$ متعددة المتغيرات على النحو التالي: 0.01 يُشير إلى تأثير صغير، و 0.06 إلى تأثير متوسط، و 0.14 فما فوق يُشير إلى تأثير كبير. تشير قيمة $\eta_p^2 = 0.45$ مثلاً إلى أن نوع التدخل العلاجي يفسر ما نسبته 45% من التباين الكلي المشترك في المنظومة الوجدانية للمرضى (القلق، الاكتئاب، واليقظة الذهنية)، وهو تأثير سريري وإحصائي بالغ الأهمية.

8. بناء وتنفيذ نموذج MANOVA ثنائي الاتجاه في R

8.1 تصميم النموذج ثنائي الاتجاه وتأثيرات التفاعل

يمتد تحليل MANOVA بكفاءة لدراسة التصاميم العاملية المعقدة (Factorial MANOVA)، حيث يتضمن النموذج متغيرين مستقلين تصنيفيين أو أكثر (عامل A وعامل B). في مثل هذه التصاميم، لا يقتصر التحليل على فحص التأثيرات الرئيسية (Main Effects) لكل عامل بمفرده عبر المتغيرات التابعة، بل يمتد لتقييم التأثير التفاعلي المشترك (Interaction Effect: Factor A $\times$ Factor B).

يوضح التفاعل متعدد المتغيرات ما إذا كان تأثير العامل الأول على منظومة المتغيرات التابعة يختلف ويتغير باختلاف مستويات العامل الثاني. على سبيل المثال، يمكن توسيع السيناريو النفسي بإضافة متغير تصنيفي ثانٍ وهو “الجنس” (Gender: ذكر / أنثى) لمعرفة ما إذا كانت استجابة المشاركين للتدخلات العلاجية المختلفة تختلف باختلاف نوع الجنس.

8.2 تنفيذ واختبار النموذج ثنائي الاتجاه برمجياً

تتم صياغة النموذج ثنائي الاتجاه في R باستخدام الرمز * بين المتغيرين المستقلين داخل دالة manova()، مما يوجه R لحساب التأثيرين الرئيسيين للعاملين وتأثير التفاعل بينهما في خطوة برمجية واحدة:

# توليد متغير الجنس افتراضياً وإضافته لبيانات الدراسة:
set.seed(123)
psych_data$Gender <- factor(sample(c("Male", "Female"), nrow(psych_data), replace = TRUE))
# بناء نموذج MANOVA ثنائي الاتجاه:
manova_two_way <- manova(cbind(Anxiety, Depression, Mindfulness) ~ Group * Gender, data = psych_data)
# استعراض ملخص النموذج باستخدام أثر بيلاي:
summary_two_way <- summary(manova_two_way, test = "Pillai")
print(summary_two_way)

عند تقييم المخرجات، يبدأ الباحث دائماً بفحص دلالة تأثير التفاعل (Group:Gender). إذا كان التفاعل دالاً إحصائياً ($p < 0.05$)، فإن ذلك يشير إلى أن الفروق بين العلاجات النفسية على المنظومة الوجدانية تتأثر بجنس المريض، مما يستوجب الحذر في تفسير التأثيرات الرئيسية المباشرة وإجراء تحليلات التأثيرات البسيطة (Simple Effects) لكل جنس على حدة.

8.3 حساب التباين المفسر للتأثيرات المتعددة

تتيح حزمة effectsize استخراج جداول تفصيلية لحجم التباين المفسر ($\eta_p^2$) لكل مصدر من مصادر التباين في النموذج ثنائي الاتجاه (العامل الأول، العامل الثاني، وتفاعل العاملين):

# حساب أحجام التأثير للنموذج ثنائي الاتجاه:
two_way_eta <- eta_squared(manova_two_way, partial = TRUE)
print(two_way_eta)

تتيح هذه المقارنة الرقمية للباحث تحديد الوزن النسبي لكل عامل تجريبي؛ فإذا كان حجم تأثير نوع العلاج كبيراً ($\eta_p^2 = 0.42$) بينما كان تأثير الجنس وتأثير التفاعل ضعيفاً وغير دال إحصائياً ($\eta_p^2 = 0.02, p > 0.05$)، يستنتج الباحث أن فعالية التدخلات النفسية موحدة ومستقرة عبر الذكور والإناث ولا تتطلب تكييفاً مخصصاً حسب النوع الاجتماعي في هذا السياق التجريبي.

9. تفسير المؤشرات الإحصائية الرئيسية للاختبار في R

9.1 أثر بيلاي (Pillai-Bartlett Trace)

يُرمز له بالرمز $V$، ويُعرف رياضياً بأنه مجموع التباينات المفسرة بواسطة الجذور التمييزية الأساسية:$V = sum frac{lambda_i}{1 + lambda_i}$، حيث تمثل$lambda_i$ القيم الذاتية (Eigenvalues) المستخلصة من المصفوفة $\mathbf{E}^{-1}\mathbf{H}$. تتراوح قيمة أثر بيلاي دائماً بين 0 و 1 في النماذج البسيطة، وكلما اقتربت القيمة من الواحد الصحيح دل ذلك على زيادة حجم التأثير وقوة النموذج في تفسير التباين المشترك.

يُجمع علماء الإحصاء التطبيقي (مثل أولسن، Olsen, 1976) على أن أثر بيلاي هو المؤشر الأكثر متانة وقوة (Most Robust) بين جميع المؤشرات الإحصائية في MANOVA عند مواجهة انتهاكات افتراض اعتدالية التوزيع متعدد المتغيرات أو عدم تجانس مصفوفات التغاير، لا سيما في حالات عدم تساوي أحجام العينات. ولذلك، تعتمد لغة R أثر بيلاي كخيار افتراضي في دالة summary.manova() لضمان أعلى مستويات الأمان الاستدلالي للباحث.

9.2 لامبدا ويلكس (Wilks’ Lambda)

تُعد لامبدا ويلكس ($Lambda$) المؤشر التاريخي الأكثر انتشاراً واستخداماً في الأبحاث المنشورة في المجلات العلمية. تُعرف رياضياً بأنها نسبة محدد مصفوفة الخطأ إلى محدد مصفوفة المجموع الكلي للتباين والخطأ: $\Lambda = \frac{|\mathbf{E}|}{|\mathbf{H} + \mathbf{E}|} = \prod \frac{1}{1 + \lambda_i}$.

على عكس أثر بيلاي، تتناسب قيمة لامبدا ويلكس عكسياً مع حجم التأثير؛ حيث تمثل نسبة التباين غير المفسر في المتغيرات التابعة بواسطة المتغير المستقل. تتراوح قيمة $Lambda$ بين 0 و 1، حيث تشير القيم القريبة من الصفر إلى أن المتغير المستقل يفسر معظم التباين وأن الفروق بين المجموعات هائلة، بينما تشير القيم القريبة من الواحد إلى ضعف التأثير وغياب الفروق. يتميز مؤشر ويلكس بحساسية وقوة إحصائية ممتازة عندما تكون افتراضات التوزيع الطبيعي وتجانس التغاير متحققة بشكل صارم.

9.3 أثر هوتلينج-لولي وجذر روي الأكبر

يمثل أثر هوتلينج-لولي (Hotelling-Lawley Trace, $T$) مجموع القيم الذاتية المباشرة للمصفوفة:$T = sum lambda_i = text{trace}(mathbf{E}^{-1}mathbf{H})$. يتشابه هذا المؤشر في سلوكه وقوته الإحصائية مع لامبدا ويلكس، وتزداد قيمته كلما زادت الفروق بين المراكز الهندسية للمجموعات، ويُفضل استخدامه عندما تتركز الفروق على بعد تمييزي واحد.

أما جذر روي الأكبر (Roy’s Largest Root, $\theta$)، فيعتمد حصرياً على القيمة الذاتية القصوى الأولى فقط ($\theta = \frac{\lambda_{\max}}{1 + \lambda_{\max}}$)، متجاهلاً كافة الأبعاد الثانوية الأخرى. يوفر مؤشر روي أعلى قوة إحصائية ممكنة عندما تكون الفروق بين المجموعات محصورة بدقة على امتداد بعد خطي واحد؛ ولكنه يفقد دقته ويصبح شديد الحساسية وغير متين إطلاقاً إذا حدث أي انتهاك للافتراضات أو كانت الفروق متعددة الأبعاد، ولذلك يندر الاعتماد عليه منفرداً في التقارير النفسية الرصينة.

10. التحليلات اللاحقة واختبارات المتابعة في R

10.1 إجراء تحليلات ANOVA الأحادية كاختبارات متابعة

عندما يسفر نموذج MANOVA عن دلالة إحصائية كلية ($p < 0.05$)، تتمثل الخطوة المنطقية التالية في تحديد أي المتغيرات التابعة المنفردة هي المسؤولة عن قيادة وتوليد هذا التأثير متعدد المتغيرات. يتم ذلك من خلال إجراء سلسلة من اختبارات ANOVA الأحادية المتابعة (Univariate Follow-up ANOVAs) لكل متغير تابع على حدة.

تتيح دالة summary.aov() في R استخراج جداول ANOVA الأحادية مباشرة من كائن MANOVA المجهز في خطوة واحدة، مع ضرورة تطبيق تعديل بونفيروني (Bonferroni Correction) لضبط مستوى الدلالة المقبول وتفادي تضخم خطأ النوع الأول، وذلك بقسمة $\alpha$ الأصلية على عدد المتغيرات التابعة ($\alpha_{adj} = 0.05 / 3 = 0.0167$):

# استخراج تحليلات ANOVA الأحادية المتابعة:
follow_up_aov <- summary.aov(manova_one_way)
print(follow_up_aov)

يتم فحص القيمة الاحتمالية لكل متغير تابع ومقارنتها بالقيمة المعدلة $\alpha_{adj} = 0.0167$. إذا أظهرت النتائج أن قيم $p$ لجميع المتغيرات التابعة أقل من 0.0167، يُستنتج أن التدخل العلاجي أحدث فروقاً دالة إحصائياً في كل من القلق والاكتئاب واليقظة الذهنية بشكل مستقل.

10.2 المقارنات البعدية المتعددة (Post-Hoc Pairwise Tests)

بعد إثبات دلالة المتغيرات التابعة في اختبارات ANOVA الأحادية، يتطلب التحليل إجراء مقارنات بعدية زوجية (Pairwise Comparisons) لتحديد مستويات التدخل العلاجي التي تختلف عن بعضها تحديداً (مثل: CBT مقابل MBSR، و CBT مقابل المجموعة الضابطة). يتم تطبيق اختبار توكي للفروق ذات الدلالة الحقيقية (Tukey’s HSD) أو استخدام حزمة emmeans المتطورة لحساب المتوسطات الهامشية المعدلة وفترات الثقة.

فيما يلي كود R لإجراء المقارنات البعدية الموجهة عبر حزمة emmeans مع ضبط خطأ المقارنات المتعددة باستخدام توكي:

# حساب المقارنات البعدية لمتغير القلق:
emmeans_anxiety <- emmeans(lm(Anxiety ~ Group, data = psych_data), specs = "Group")
pairs_anxiety <- pairs(emmeans_anxiety, adjust = "tukey")
print(pairs_anxiety)
# حساب المقارنات البعدية لمتغير اليقظة الذهنية:
emmeans_mindful <- emmeans(lm(Mindfulness ~ Group, data = psych_data), specs = "Group")
pairs_mindful <- pairs(emmeans_mindful, adjust = "tukey")
print(pairs_mindful)

تسمح هذه المقارنات للباحث بتأكيد أن مجموعتي CBT و MBSR حققتا انخفاضاً دالاً في القلق والاكتئاب مقارنة بالمجموعة الضابطة، مع وجود تفوق ذي دلالة إحصائية لمجموعة MBSR في رفع مستوى اليقظة الذهنية مقارنة بمجموعة CBT والمجموعة الضابطة.

10.3 التحليل التمييزي الخطي (LDA) كتحليل تكميلي

يمثل التحليل التمييزي الخطي (Linear Discriminant Analysis – LDA) الامتداد والبديل المنهجي الأكثر رقياً لمتابعة نتائج MANOVA الدالة. فبدلاً من تفكيك المنظومة التابعة إلى اختبارات أحادية منفصلة (ANOVA)، يقوم LDA بتحديد الدوال الخطية التمييزية (Discriminant Functions) التي تعظم الفصل الرياضي بين المجموعات عبر الفضاء المشترك لكافة المتغيرات التابعة مجتمعة.

يتم تنفيذ التحليل في R باستخدام دالة lda() من حزمة MASS، مما يوفر معلومات دقيقة حول المعاملات التمييزية القياسية (Standardized Discriminant Coefficients) التي تكشف عن مساهمة ووزن كل متغير تابع في تمايز المجموعات العلاجية:

# تنفيذ التحليل التمييزي الخطي:
lda_model <- lda(Group ~ Anxiety + Depression + Mindfulness, data = psych_data)
print(lda_model)

توضح معاملات الدوال التمييزية (LD1 و LD2) الأبعاد الكامنة الحاكمة للفروق؛ حيث قد يُظهر البعد الأول قدرة فائقة على فصل المجموعات العلاجية عن المجموعة الضابطة بناءً على درجتي القلق والاكتئاب، بينما يختص البعد التمييزي الثاني بفصل مجموعة MBSR عن مجموعة CBT بناءً على درجات مقياس اليقظة الذهنية، مما يمنح الدراسة عمقاً تفسيرياً لا توفره الاختبارات الأحادية.

11. تمثيل النتائج بيانياً وتصور البيانات في R

11.1 تصور مصفوفات التباين والأشكال الإهليلجية (HE Plots)

تُعد مخططات الفرضيات والأخطاء الإهليلجية (Hypothesis-Error Plots – HE Plots) الأداة البصرية الأكثر ملاءمة لفهم النماذج متعددة المتغيرات. تتيح حزمة heplots تمثيل مصفوفة الفرضية $\mathbf{H}$ ومصفوفة الخطأ $\mathbf{E}$ في فضاء ثنائي الأبعاد يجمع كل زوج من المتغيرات التابعة.

يوضح حجم وشكل واتجاه الإهليلج الفرضي (H ellipse) مقارنة بإهليلج الخطأ (E ellipse) مدى قوة ودلالة التأثير التجريبي؛ فعندما يمتد الإهليلج الفرضي خارج حدود إهليلج الخطأ، يدل ذلك بيانياً على وجود تأثير دال إحصائياً، كما يكشف ميل الإهليلج عن طبيعة الارتباط التغايري المشترك بين المتغيرين التابعين.

# توليد مخطط HE plot بين القلق واليقظة الذهنية:
heplot(manova_one_way, variables = c("Anxiety", "Mindfulness"),
       main = "Hypothesis-Error (HE) Plot: Anxiety vs Mindfulness",
       fill = TRUE, col = c("red", "blue"))

11.2 رسم المتوسطات وفترات الثقة باستخدام ggplot2

لتصوير متوسطات المجموعات وفترات الثقة (Confidence Intervals) بدقة لنشرها في المجلات العلمية، يتم تحويل البيانات من التنسيق العريض (Wide Format) إلى التنسيق الطويل (Long Format) باستخدام دالة pivot_longer() من حزمة tidyr، ثم رسمها عبر منظومة ggplot2 المتقدمة.

يوفر الكود التالي رسماً عمرانياً منسقاً للأعمدة ونقاط المتوسط مع أشرطة الخطأ لمستويات الثقة 95%:

# إعادة تشكيل البيانات للرسم الموحد:
long_data <- psych_data %>%
  pivot_longer(cols = c(Anxiety, Depression, Mindfulness), names_to = "Outcome", values_to = "Score")
# رسم المتوسطات وأشرطة الخطأ:
ggplot(long_data, aes(x = Group, y = Score, fill = Group)) +
  stat_summary(fun = mean, geom = "bar", position = position_dodge(0.8), width = 0.6, alpha = 0.8) +
  stat_summary(fun.data = mean_cl_normal, geom = "errorbar", width = 0.2, position = position_dodge(0.8)) +
  facet_wrap(~ Outcome, scales = "free_y") +
  theme_classic() +
  labs(title = "Mean Scores and 95% CI across Intervention Groups", x = "Treatment Group", y = "Score") +
  scale_fill_brewer(palette = "Set2")

11.3 المخططات الصندوقية ومخططات التوزيع للمتغيرات المتعددة

توفر المخططات الصندوقية المدمجة (Faceted Boxplots) المزودة بالنقاط الفردية المشوشة (Jitter Points) رؤية شاملة لتوزيع البيانات الفعلي والوسيط والمدى الربيعي، وتكشف بوضوح عن أي تشتت أو قيم متطرفة قد تؤثر على النموذج.

# رسم المخططات الصندوقية المدمجة مع نقاط البيانات:
ggplot(long_data, aes(x = Group, y = Score, fill = Group)) +
  geom_boxplot(alpha = 0.6, outlier.shape = NA) +
  geom_jitter(width = 0.15, alpha = 0.5, size = 1.8, color = "black") +
  facet_wrap(~ Outcome, scales = "free_y") +
  theme_minimal(base_size = 13) +
  labs(title = "Distribution of Psychological Outcomes across Groups", x = "Intervention", y = "Observed Values") +
  theme(legend.position = "none", strip.text = element_text(face = "bold", size = 12))

يمكن تصدير هذه المخططات بجودة طباعية عالية معدة للنشر (300 DPI أو أكثر) باستخدام دالة ggsave("figure1.png", dpi = 300, width = 8, height = 5).

12. توثيق نتائج MANOVA وفق معايير APA وتطبيقات عملية

12.1 قواعد كتابة تقرير MANOVA وفق دليل APA 7

يفرض دليل النشر للجمعية الأمريكية لعلم النفس (APA 7th Edition) معايير صارمة وواضحة لتوثيق نتائج تحليل التباين متعدد المتغيرات في المتن والجداول. تتضمن القواعد الأساسية للتوثيق ما يلي:

• تحديد اسم المؤشر الإحصائي متعدد المتغيرات المستخدم بوضوح (مثل: Pillai’s Trace أو Wilks’ $Lambda$).
• توثيق قيمة الإحصاء المحسوب بدقة مقربة إلى منزلتين أو ثلاث منازل عشرية (مثل: $V = 0.68$ أو $Lambda = 0.35$).
• ذكر قيمة $F$ التقريبية متبوعة بدرجات حرية الفرضية ودرجات حرية الخطأ بين قوسين: $F(df_1, df_2) = \text{Value}$.
• ذكر القيمة الاحتمالية الدقيقة ($p$-value)؛ إذا كانت أقل من 0.001 تُكتب كالتالي:$p < .001$.
• توثيق حجم التأثير متعدد المتغيرات عبر مربع إيتا الجزئي: $\eta_p^2$.
• عرض ملخص اختبارات الافتراضات (مثل نتائج Mardia و Box’s M) بإيجاز قبل عرض النتيجة الرئيسية.
• توثيق نتائج اختبارات ANOVA الأحادية المتابعة ومستوى $\alpha$ المعدل والمقارنات البعدية لبيان اتجاه الفروق.

12.2 نموذج نصي تطبيقي متكامل للتقرير الأكاديمي

فيما يلي صيغة أكاديمية نموذجية جاهزة لتوثيق نتائج التحليل باللغتين العربية والإنجليزية:

الصيغة المعتمدة باللغة العربية:
“أُجري تحليل التباين متعدد المتغيرات (One-Way MANOVA) لفحص أثر نوع التدخل العلاجي (CBT، MBSR، ومجموعة قائمة الانتظار) على ثلاثة متغيرات تابعة مترابطة هي: القلق، والاكتئاب، واليقظة الذهنية. أظهرت الفحوصات الاستكشافية تحقق افتراض التوزيع الطبيعي متعدد المتغيرات وفق اختبار مارديا ($p > .05$)، كما أكد اختبار بوكس إم تجانس مصفوفات التباين والتغاير عبر المجموعات ($M = 12.45, F(12, 5420) = 0.94, p = .504$).

كشفت النتائج عن وجود تأثير رئيسي دال إحصائياً لنوع التدخل العلاجي على المنظومة الوجدانية المجمعة للمرضى، أثر بيلاي $V = 0.74, F(6, 82) = 8.12, p < .001, \eta_p^2 = .37$. وبناءً على هذه النتيجة الدالة، أُجريت اختبارات ANOVA أحادية كاختبارات متابعة باستخدام تصحيح بونفيروني لمستوى الدلالة ($\alpha = .0167$). أظهرت التحليلات الأحادية وجود فروق ذات دلالة إحصائية بين المجموعات في كل من درجات القلق ($F(2, 42) = 32.14, p < .001, \eta_p^2 = .60$)، والاكتئاب ($F(2, 42) = 28.65, p < .001, \eta_p^2 = .58$)، واليقظة الذهنية ($F(2, 42) = 64.18, p < .001, \eta_p^2 = .75$). وأكدت مقارنات توكي البعدية تفوق مجموعتي العلاج المعرفي السلوكي واليقظة الذهنية في خفض القلق والاكتئاب مقارنة بالمجموعة الضابطة ($p < .001$)، مع تفوق مجموعة MBSR بشكل دال إحصائياً في تعزيز درجات اليقظة الذهنية مقارنة بمجموعة CBT ($p < .001$)."

الصيغة المعتمدة باللغة الإنجليزية (APA 7th Format):
“A one-way multivariate analysis of variance (MANOVA) was conducted to examine the effect of psychological intervention (Control, CBT, and MBSR) on three dependent variables: anxiety, depression, and mindfulness. Preliminary assumption testing indicated multivariate normality via Mardia’s test (p > .05) and homogeneity of covariance matrices via Box’s M test, M = 12.45, F(12, 5420) = 0.94, p = .504. The MANOVA revealed a statistically significant multivariate main effect for intervention type, Pillai’s Trace V = 0.74, F(6, 82) = 8.12, p < .001, partial $\eta^2$ = .37. Follow-up univariate ANOVAs using a Bonferroni-adjusted alpha level of .0167 indicated significant differences across groups on anxiety, F(2, 42) = 32.14, p < .001, partial $\eta^2$ = .60; depression, F(2, 42) = 28.65, p < .001, partial $\eta^2$ = .58; and mindfulness, F(2, 42) = 64.18, p < .001, partial $\eta^2$ = .75. Post-hoc comparisons with Tukey's HSD confirmed that both CBT and MBSR significantly reduced anxiety and depression relative to controls (p < .001), while MBSR produced significantly higher mindfulness scores than CBT (p < .001)."

12.3 أفضل الممارسات والأخطاء الشائعة لتفاديها

لضمان الرصانة المنهجية وقابلية التكرار العلمي، يجب على الباحثين مراعاة مجموعة من القواعد وأفضل الممارسات الإحصائية:

• التأسيس النظري للترابط: تجنب تجميع متغيرات تابعة متباينة في نموذج MANOVA واحد لمجرد توفر البيانات؛ يجب أن تستند المتغيرات التابعة إلى أساس نظري ومنطقي يبرر دراستها كمنظومة موحدة.
• تجنب التعدد الخطي الشديد: لا تُدرج المتغير الكلي المجموع (Composite Total Score) جنباً إلى جنب مع أبعاده الفرعية المكونة له في نفس النموذج، لأن ذلك يؤدي إلى تفرد المصفوفات وانهيار التحليل.
• المتانة واختيار المؤشر: في حال عدم تساوي أحجام العينات مع وجود انتهاكات معتدلة للافتراضات، اعتمد دائماً على أثر بيلاي (Pillai’s Trace) وابتعد عن جذر روي الأكبر.
• الشفافية وقابلية إعادة الإنتاج (Reproducibility): شارك كود R المنظم بالكامل مع تحديد البذرة العشوائية set.seed() وإصدارات الحزم المستخدمة، لتمكين المجتمع العلمي من التحقق من النتائج وإعادة إنتاجها بشفافية مطلقة.

خاتمة

يمثل تحليل التباين متعدد المتغيرات (MANOVA) في بيئة البرمجة الإحصائية R أداة منهجية وتحليلية استثنائية تمكّن الباحثين من دراسة الظواهر الإنسانية والسلوكية والطبية بكل تعقيداتها وأبعادها المترابطة. من خلال دمج المتغيرات التابعة المتعددة في تركيب خطي موحد، يحمي النموذج صدق البحث من تضخم أخطاء الاستدلال الإحصائي، ويكشف عن الفروق الجوهرية متعددة الأبعاد التي تعجز الاختبارات الأحادية عن رصدها.

يوفر نظام R البيئي مرونة فائقة تبدأ من التحقق الصارم من الافتراضات الإحصائية المعقدة كالتوزيع الطبيعي متعدد المتغيرات وتجانس مصفوفات التغاير، مروراً بتنفيذ النماذج الأحادية والعاملية وحساب أحجام التأثير الدقيقة، وصولاً إلى التحليلات التتبعية المتقدمة والتمثيل البياني الإهليلجي عالي الجودة والتوثيق الأكاديمي المنسجم مع معايير الجمعية الأمريكية لعلم النفس (APA 7). إن استيعاب هذه الأدوات وتطبيقها بوعي منهجي يرفع من جودة النتاج البحثي ويسهم في بناء استنتاجات علمية دقيقة وموثوقة تعزز المعرفة الإنسانية الرصينة.

المراجع (References)

• Box, G. E. P. (1949). A general distribution theory for a class of likelihood criteria. Biometrika, 36(3/4), 317–346. https://doi.org/10.1093/biomet/36.3-4.317
• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
• Fox, J., & Weisberg, S. (2019). An R Companion to Applied Regression (3rd ed.). Sage Publications. https://socialsciences.mcmaster.ca/jfox/Books/Companion/
• Friendly, M. (2007). HE plots for multivariate linear models. Journal of Computational and Graphical Statistics, 16(2), 421–444. https://doi.org/10.1198/106186007X208407
• Huberty, C. J., & Olejnik, S. (2006). Applied MANOVA and Discriminant Analysis (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/047178947X
• Korkmaz, S., Goksuluk, D., & Zararsiz, G. (2014). MVN: An R package for assessing multivariate normality. The R Journal, 6(2), 151–162. https://doi.org/10.32614/RJ-2014-031
• Olsen, C. H. (1976). On choosing a test statistic in multivariate analysis of variance. Psychological Bulletin, 83(4), 579–586. https://doi.org/10.1037/0033-2909.83.4.579
• R Core Team. (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
• Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., … Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686