إليك كيفية إيجاد القيمة الاحتمالية من جدول توزيع F

تُعد عملية استدلال البيانات الإحصائية وفهم الفروق الجوهرية بين المجموعات التجريبية والضابطة حجر الزاوية في المنهجية العلمية المعاصرة، لا سيما في حقول العلوم النفسية، والسلوكية، والتربوية، والاجتماعية. وعندما يتجاوز التصميم التجريبي مقارنة متوسطين اثنين فقط، تتراجع كفاءة اختبار “ت” (t-test) مفسحة المجال لتحليل التباين (ANOVA) الذي يستند في جوهره إلى توزيع فيشر-سنيكودور الإحصائي المعروف بـ توزيع F. إن هذا التوزيع الاحتمالي المتصل يمنح الباحثين القدرة الرياضية على فحص التباين المنسوب إلى المعالجات التجريبية مقارنة بالتباين الناجم عن الخطأ العشوائي، مما يتيح التثبت من صحة الفرضيات البحثية بدقة متناهية.

ومع ذلك، فإن استخراج القيمة الاحتمالية (P-Value) المرتبطة بإحصائية F المحسوبة لا يقتصر فقط على النقر السريع على واجهات البرمجيات الإحصائية مثل SPSS أو SAS أو حزم R ولغة Python؛ بل يتطلب فهماً متجذراً لكيفية استنباط هذه القيم وتأطيرها يدوياً من خلال جداول توزيع F المطبوعة. إن امتلاك الباحث لمهارة قراءة الجداول الإحصائية وتحديد القيم الحرجة (Critical Values) واستنتاج نطاق القيمة الاحتمالية يمثل خط الدفاع الأول ضد الأخطاء المنهجية، ويمنحه البصيرة الرياضية اللازمة لتفسير مخرجات الحزم البرمجية، والتحقق من سلامة التحليلات المعقدة، وبناء قرارات استدلالية رصينة تتوافق مع أرقى معايير النشر الأكاديمي الدولي المعتمدة من قبل جمعية علم النفس الأمريكية (APA).

يهدف هذا الدليل المرجعي الشامل إلى تفكيك كافة الجوانب النظرية والتطبيقية المرتبطة بجدول توزيع F؛ حيث سنستعرض البنية الهيكلية لدرجات حرية البسط والمقام، وآليات التنقل بين مستويات ألفا المختلفة، والخطوات الإجرائية الدقيقة لحصر القيمة الاحتمالية ضمن نطاقات متباينة، مع تقديم نماذج دراسية واقعية مستمدة من صميم البحوث النفسية والسلوكية. كما سنوضح الفروق الجوهرية بين التقدير الجدولي اليدوي والحسابات الخوارزمية الرقمية، ونرصد الأخطاء الشائعة التي يقع فيها الباحثون، مع تقديم إرشادات معيارية لتوثيق نتائج تحليل التباين وقيم F الاحتمالية بصياغة أكاديمية محكمة.

1. مقدمة شاملة لتوزيع F ومفهوم القيمة الاحتمالية في البحوث النفسية والسلوكية

1.1 التعريف النظري لتوزيع F واستخداماته في العلوم السلوكية

ينتسب توزيع F، والمعروف تاريخياً بتوزيع فيشر-سنيكودور (Fisher-Snedecor Distribution)، إلى عالمي الإحصاء البارزين رونالد فيشر وجورج سنيكودور. وقد تم تطوير هذا التوزيع الاحتمالي المستمر في الأصل ليكون أداة رياضية لاختبار تساوي تباينين مجتمعيين مستقلين، حيث يمثل إحصاء F نسبة بين متغيرين عشوائيين يتبع كل منهما توزيع كاي-تربيع (Chi-Square Distribution) مقسوماً على درجات حريته الخاصة. في الأبحاث النفسية والسلوكية، يمثل هذا التوزيع الأساس الرياضي لجميع نماذج تحليل التباين (ANOVA)، ونماذج الانحدار الخطي المتعدد (Multiple Linear Regression)، والتصميمات التجريبية متعددة العوامل.

يتميز منحنى توزيع F بخصائص هندسية ورياضية فريدة تميزه عن التوزيع الطبيعي المعياري؛ فهو توزيع غير متماثل يتمتع بالتواء موجب ملحوظ (Positively Skewed)، وتمتد قيمه حصرياً من الصفر إلى ما لا نهاية الموجبة ($0 le F < infty$)، مما يعني استحالة الحصول على قيمة F سالبة نظراً لأنها تمثل نسبة بين متوسطي مربعات (والتي هي مقادير موجبة دوماً). وتقل درجة الالتواء الموجب تدريجياً كلما ارتفعت درجات حرية البسط والمقام، حيث يقترب شكل التوزيع من التماثل النسبي عند العينات الكبيرة جداً، مع بقائه دائماً محصوراً في النطاق الموجب.

تتجلى الأهمية البالغة لتوزيع F في العلوم السلوكية عند دراسة الظواهر الإنسانية المعقدة التي تتأثر بعدة متغيرات مستقلة في آن واحد. فعلى سبيل المثال، عند دراسة فاعلية تقنيات علاجية مختلفة في خفض حدة القلق، أو تقييم الفروق في مهارات الوظائف التنفيذية عبر فئات عمرية متعددة، يتيح اختبار F للباحث النفسي اختبار الفرضية الصفرية القائلة بتساوي جميع المتوسطات المجتمعية دفعة واحدة دون تضخيم احتمالية ارتكاب الخطأ من النوع الأول، وهو ما يعجز عنه اختبار “ت” المستقل.

1.2 مفهوم القيمة الاحتمالية (P-Value) ودلالتها الاستدلالية

تُعرّف القيمة الاحتمالية (P-Value) في سياق اختبار الفرضيات الإحصائية بأنها الاحتمال الرياضي للحصول على نتائج تجريبية مساوية للنتائج المرصودة في العينة أو أكثر تطرفاً منها في اتجاه الفرضية البديلة، بافتراض أن الفرضية الصفرية ($H_0$) صحيحة تماماً في المجتمع الأصلي. إن القيمة الاحتمالية ليست مقياساً لاحتمالية صحة الفرضية الصفرية ذاتها، ولا لاحتمالية أن تكون الفرضية البديلة خاطئة، بل هي تقييم لمدى اتساق البيانات التي تم جمعها مع النموذج النظري المفترض تحت مظلة العدم.

في إطار اختبار F، تعمل القيمة الاحتمالية كمعيار استدلالي كمي لاتخاذ قرار حاسم برفض الفرضية الصفرية أو الفشل في رفضها. فعندما تكون القيمة الاحتمالية المحسوبة صغيرة جداً (أقل من مستوى الدلالة المعياري المحدد مسبقاً $\alpha = 0.05$)، فإن ذلك يشير إلى أن التباين الملاحظ بين مجموعات المعالجة النفسية من غير المرجح أن يكون ناتجاً عن الصدفة وحدها أو خطأ المعاينة العشوائي. وبناءً على ذلك، يرفض الباحث الفرضية الصفرية ويستنتج وجود فروق دالة إحصائياً بين الشروط التجريبية.

ترتبط القيمة الاحتمالية بعلاقة عكسية مباشرة مع قيمة إحصائية F المرصودة في العينة التجريبية؛ فكلما ارتفعت قيمة F المحسوبة الناتجة عن قسمة تباين المعالجة على تباين الخطأ، كلما اتجهت القيمة نحو الذيل الأيمن المتطرف لمنحنى توزيع F، مما يؤدي بالضرورة إلى انكماش المساحة المتبقية تحت المنحنى والتي تمثل القيمة الاحتمالية ($p$). وبالتالي، تعبر قيم F الكبيرة عن دلالة إحصائية أعلى وقيم احتمالية أدنى.

1.3 أهمية استخراج القيمة الاحتمالية من الجداول الإحصائية يدوياً

على الرغم من الهيمنة المطلقة للحزم البرمجية الإحصائية في البيئات الأكاديمية المعاصرة، فإن امتلاك مهارة استخراج القيمة الاحتمالية وتحديد القيم الحرجة يدوياً من جداول توزيع F المطبوعة يظل ركناً أساسياً في التكوين المنهجي للباحث. إن الاعتماد الأعمى على البرمجيات قد يخلق نوعاً من “الأمية المنهجية”، حيث يتعامل الباحث مع التحليل كصندوق أسود دون إدراك للمعادلات الرياضية والهندسية التي تحكم إنتاج تلك الأرقام، مما قد يقود إلى تمرير مخرجات خاطئة أو مبنية على انتهاك صريح لافتراضات الاختبار.

يساعد التدريب على القراءة اليدوية للجداول الإحصائية في تعميق الفهم الرياضي لكيفية بناء المناطق الحرجة ومناطق الرفض، ويوضح بجلاء أثر درجات الحرية في تحديد شكل المنحنى الاحتمالي وتعديل عتبة الدلالة. فضلاً عن ذلك، فإن هذه المهارة تمكن الباحث من إجراء مراجعة نقدية سريعة للأوراق العلمية المنشورة، والتحقق من صحة النتائج المقدمة في المؤتمرات والتقارير العلمية التي قد تكتفي بذكر قيم F ودرجات الحرية دون إيراد القيم الاحتمالية الدقيقة، مما يتيح فحص موثوقية الاستنتاجات بشكل مستقل ودقيق.

علاوة على ذلك، ينمي هذا الفهم اليدوي التفكير النقدي الإحصائي لدى الباحث في تقييم مدى حساسية الاختبار وقوته الإحصائية (Statistical Power). فعندما يرى الباحث كيف تتغير القيمة الحرجة لـ F بشكل حاد مع التغيرات الطفيفة في درجات حرية الخطأ في العينات الصغيرة، يدرك بشكل ملموس أهمية التخطيط القبلي لحجم العينة لتفادي الوقوع في الخطأ من النوع الثاني (Type II Error)، وهو ما يعزز جودة ونضج التصميم التجريبي في البحوث الإنسانية.

2. المفاهيم الإحصائية الأساسية المرتبطة بجدول توزيع F

2.1 درجات حرية البسط (Numerator Degrees of Freedom)

تمثل درجات حرية البسط، والتي يُرمز لها رياضياً بـ $df_1$ أو $\nu_1$ أو $df_{\text{between}}$، عدد القيم المستقلة القادرة على التغير بحرية عند حساب مجموع المربعات بين المجموعات (Between-Groups Sum of Squares). وفي تصاميم تحليل التباين الأحادي (One-Way ANOVA)، تُحسب درجات حرية البسط مباشرة من خلال طرح الرقم واحد من العدد الإجمالي للمجموعات أو الشروط التجريبية المقارنة ($k$)، وفق الصيغة الرياضية:

$$df_1 = k – 1$$

تحدد درجات حرية البسط موقع الأعمدة الأفقية الرئيسية في الجداول الإحصائية المطبوعة لتوزيع F. فإذا كان الباحث النفسي يقارن بين أربعة أساليب علاجية مختلفة (مثل: العلاج السلوكي المعرفي، والعلاج بالقبول والالتزام، والعلاج التحليلي، والمجموعة الضابطة)، فإن عدد المجموعات هو $k = 4$، وبالتالي تصبح درجات حرية البسط مساوية لـ $df_1 = 4 – 1 = 3$.

تؤثر درجات حرية البسط تأثيراً مباشراً على مرونة وشكل منحنى التوزيع وموقع نقطة الذروة فيه. فكلما زاد عدد المجموعات التجريبية، زادت درجات حرية البسط، مما يتطلب تقييماً دقيقاً لكيفية انتشار التباين عبر الشروط المختلفة. وتحدد هذه القيمة بدقة العمود الذي يجب على الباحث التوجه إليه داخل جدول توزيع F عند البحث عن القيمة الحرجة المناسبة للاختبار.

2.2 درجات حرية المقام (Denominator Degrees of Freedom)

تُعرف درجات حرية المقام، والتي يُشار إليها بـ $df_2$ أو $\nu_2$ أو $df_{\text{within}}$ أو $df_{\text{error}}$، بأنها درجات الحرية المرتبطة بتقدير التباين داخل المجموعات أو تباين الخطأ التجريبي غير المفسر. وتُحسب في تحليل التباين الأحادي عبر طرح إجمالي عدد المجموعات ($k$) من العدد الكلي للمشاركين في جميع عينات الدراسة ($N$)، وذلك بالصيغة الرياضية التالية:

$$df_2 = N – k$$

تُخصص الصفوف الرأسية في جدول توزيع F المطبوع لتمثيل درجات حرية المقام. فإذا اشتملت الدراسة المذكورة سابقاً والمكونة من 4 مجموعات على عينة إجمالية قدرها 60 مشاركاً (بواقع 15 مشاركاً في كل مجموعة)، فإن درجات حرية المقام تكون مساوية لـ $df_2 = 60 – 4 = 56$. وفي حال كانت أحجام العينات الفردية يُرمز لها بـ $n_i$، فإن الصيغة المكافئة هي جمع درجات الحرية الفردية لكل مجموعة: $\sum (n_i – 1)$.

ترتبط درجات حرية المقام ارتباطاً وثيقاً باستقرار التقدير الإحصائي لتباين الخطأ المجتمعي ($\sigma^2$). فكلما زاد حجم العينة الكلي $N$، ارتفعت درجات حرية الخطأ$df_2$، مما يؤدي إلى تقليص تذبذب خطأ المعاينة وزيادة الدقة في تقدير التباين العشوائي. وينعكس ذلك في جدول F بانخفاض القيمة الحرجة المطلوبة لرفض الفرضية الصفرية، مما يرفع من القوة الإحصائية للاختبار ويزيد من احتمالية اكتشاف التأثيرات الحقيقية للمتغير المستقل.

2.3 مستوى الدلالة الإحصائية (Alpha Level)

يمثل مستوى الدلالة الإحصائية ($\alpha$) الحد الأقصى لاحتمال ارتكاب الخطأ من النوع الأول (Type I Error)، وهو الخطأ المتمثل في رفض الفرضية الصفرية حينما تكون صحيحة بالفعل في المجتمع الإحصائي (أي ادعاء وجود تأثير علاجي أو فارق سلوكي بينما الفارق في الواقع ناتج عن المصادفة البحتة). يتم تحديد هذا المستوى بشكل صارم وقبلي من قِبل الباحث قبل البدء في جمع البيانات أو تحليلها، لضمان النزاهة العلمية وتجنب التحيز التأكيدي.

تُعد مستويات الدلالة $\alpha = 0.05$ و $\alpha = 0.01$ و $\alpha = 0.10$ من أكثر المستويات شيوعاً في الأبحاث النفسية والتجريبية، حيث يمثل المستوى $\alpha = 0.05$ المعيار الذهبي المقبول في أغلب المجلات العلمية المحكمة، وهو ما يعني قبول الباحث باحتمال قدره 5% فقط بأن يكون الفارق المرصود مجرد خطأ معاينة عشوائي. وفي السياقات الإكلينيكية الحساسة أو التجارب الدوائية النفسية المتقدمة، يتم اللجوء إلى معايير أكثر صرامة مثل $\alpha = 0.01$ أو $\alpha = 0.001$ للحد من مخاطر التدخلات غير الآمنة.

نظراً لأن توزيع F يعتمد على ثلاث معلمات رياضية ($df_1$, $df_2$, $\alpha$)، فإن الجداول الإحصائية المطبوعة تُفرد صفحات مستقلة ومنفصلة لكل مستوى ألفا محدد. فنجد صفحة كاملة مخصصة للمستوى $\alpha = 0.05$، وصفحة أخرى لـ $\alpha = 0.01$، وصفحة ثالثة لـ $\alpha = 0.10$. ويجب على الباحث الانتباه بدقة للترويسة العلوية لصفحة الجدول قبل البدء في استخراج أي قيمة حرجة، تجنباً للاستناد إلى عتبات دلالة غير مطابقة لتصميم دراسته.

3. بنية وتكوين جدول توزيع F الإحصائي

3.1 التنظيم الهيكلي لأعمدة وصفوف الجدول

صُممت جداول توزيع F بطريقة مصفوفية محكمة لتسهيل عملية تقاطع المعلمات الإحصائية واستخراج القيم الحرجة بدقة بالغة. يمتد المحور الأفقي العلوي للجدول ليمثل درجات حرية البسط ($df_1$ أو Numerator df)، وتتدرج قيمه عادة بدءاً من 1، 2، 3، وصولاً إلى قيم كبرى مثل 12، 24، $\infty$. ويشير كل عمود إلى توزيع احتمالي خاص محدد بدرجة حرية البسط تلك.

في المقابل، يمتد المحور الرأسي الجانبي (الأيسر أو الأيمن بحسب لغة الجدول) ليمثل درجات حرية المقام ($df_2$ أو Denominator df)، وتتدرج قيمه عمودياً من 1، 2، 3، 4، وصولاً إلى قيم متقدمة مثل 120 ثم اللانهاية ($\infty$). وتُمثل كل نقطة تقاطع بين عمود محدد ($df_1$) وصف محدد ($df_2$) داخل جسم الجدول القيمة الحرجة لـ F ($F_{\text{critical}}$) المقابلة لمستوى الدلالة المعين في تلك الصفحة.

تعتبر هذه القيمة الحرجة بمثابة النقطة الفاصلة على المحور الأفقي لمنحنى التوزيع الاحتمالي؛ حيث تفصل بين منطقة الاحتفاظ بالفرضية الصفرية (منطقة عدم الرفض) الواقعة على يسار القيمة الحرجة، ومنطقة الرفض الحرجة الواقعة على يمينها عند الذيل الأيمن للتوزيع.

3.2 التعامل مع الجداول المدمجة متعددة مستويات ألفا

تعتمد بعض المراجع الإحصائية والكتب المنهجية تصميماً مكثفاً يتم فيه دمج عدة مستويات ألفا في جدول واحد لتوفير المساحة المطبوعة. في هذا النمط من الجداول، تحتوي كل خلية تقاطع بين درجات حرية البسط والمقام على قائمة رأسية من القيم الحرجة المرتبة تنازلياً أو تصاعدياً بحسب مستويات دلالة محددة مسبقاً (مثل: 0.10، 0.05، 0.025، 0.01، 0.001)، أو يتم التمييز بينها بأنماط خطوط مختلفة مثل الخط العريض (Bold) للمستوى $\alpha = 0.01$ والخط العادي لـ $\alpha = 0.05$.

يتطلب التعامل مع هذه الجداول المدمجة تركيزاً بصرياً دقيقاً؛ حيث يجب على الباحث مراجعة مفتاح الجدول (Legend/Key) الموضح في الهامش السفلي أو الترويسة للتأكد من الترتيب المعتمد للقيم داخل كل خلية. على سبيل المثال، قد يحدد المفتاح أن السطر الأول في الخلية يمثل $\alpha = 0.10$، والسطر الثاني يمثل $\alpha = 0.05$، والسطر الثالث يمثل $\alpha = 0.01$.

لتجنب الخلط البصري بين مستويات الدلالة المتقاربة أثناء استخراج القيم يدوياً، يُوصى باستخدام مسطرة أو ورقة بيضاء لتحديد الصف المستهدف، ووضع علامة واضحة على مستوى الدلالة المطلوب قراءته فقط، مما يقلل من احتمالية ارتكاب خطأ النقل الذي قد يترتب عليه اتخاذ قرار استدلالي خاطئ بشأن فرضيات البحث.

3.3 خصائص التوزيع الأيمن ومناطق الرفض الحرجة

يتميز اختبار تحليل التباين F بأنه اختبار أحادي الذيل يتجه دائماً نحو الذيل الأيمن (Right-Tailed Test)، حتى وإن كانت الفرضيات البديلة في جوهرها غير موجهة (Nondirectional). ويرجع السبب الرياضي في ذلك إلى أن تباين المعالجة يتم وضعه دائماً في البسط، بينما يُوضع تباين الخطأ في المقام. فإذا كان هناك تأثير حقيقي وقوي للمتغير المستقل، فإن متوسط المربعات بين المجموعات سيتجاوز بكثير متوسط مربعات الخطأ، مما يجعل قيمة F أكبر بكثير من الواحد الصحيح، فتندفع القيمة بعيداً في اتجاه الطرف الأيمن للمنحنى.

تُمثل المساحة المظللة تحت المنحنى التكراري الواقعة على يمين القيمة الحرجة تماماً مستوى الدلالة المختار ($\alpha$). فإذا كان مستوى الدلالة $\alpha = 0.05$، فإن المساحة الواقعة في أقصى الذيل الأيمن تعادل بالضبط 5% (أو 0.05) من إجمالي المساحة الكلية تحت المنحنى والبالغة 1.00 صحيح. وتُسمى هذه المنطقة المظللة بـ منطقة الرفض الحرجة (Rejection Region).

إذا وقعت إحصائية F المحسوبة من البيانات التجريبية داخل هذه المنطقة الحرجة (أي كانت $F_{\text{calculated}} ge F_{\text{critical}}$)، فإن هذا يعني بالضرورة أن المساحة الواقعة على يمين القيمة المحسوبة أصغر من مستوى الدلالة $\alpha$، مما يبرهن على أن القيمة الاحتمالية $p$ أقل من $\alpha$، وبالتالي يتم رفض الفرضية الصفرية وتأكيد الدلالة الإحصائية للفروق بين المجموعات.

4. المتطلبات والمدخلات الأساسية لاستخراج القيمة من جدول F

4.1 حساب قيمة إحصاء F الفعلي (F-Statistic)

قبل الشروع في فتح جدول توزيع F، يتعين على الباحث استكمال العمليات الحسابية لتحليل التباين واستخراج إحصائية F المحسوبة الخاصة بعينته التجريبية. تُعرّف إحصائية F رياضياً بأنها النسبة بين متوسط مربعات المعالجة بين المجموعات ($MS_{\text{between}}$ أو $MSB$) إلى متوسط مربعات الخطأ داخل المجموعات ($MS_{\text{within}}$ أو $MSW$ أو $MSE$)، وذلك وفق المعادلة الكلاسيكية:

$$F = \frac{MS_{\text{between}}}{MS_{\text{within}}} = \frac{SS_{\text{between}} / df_{\text{between}}}{SS_{\text{within}} / df_{\text{within}}}$$

تُعبر هذه النسبة الناتجة عن مقارنة مباشرة بين مصدرين رئيسيين للتباين في التجربة: التباين المنهجي المرتبط بالمعالجة التجريبية والمتغيرات المستقلة مضافاً إليه التباين العشوائي في البسط، والتباين العشوائي الخالص (خطأ الفروق الفردية وخطأ القياس) في المقام. فإذا لم يكن هناك أي تأثير للمتغير المستقل، فإن البسط والمقام سيقيسان نفس المقدار من التباين العشوائي تقريباً، وتتأرجح قيمة F حول الرقم 1.00.

يتطلب هذا الحساب تدقيقاً صارماً في جمع البيانات وحساب مجموع المربعات ($SS$) لتفادي تسرب الأخطاء الحسابية التراكمية. ويجب أن تكون النتيجة النهائية لإحصائية F المحسوبة رقماً موجباً مقرباً عادة إلى منزلتين أو ثلاث منازل عشرية، ليكون جاهزاً للمقارنة المباشرة مع القيم الحرجة المستخرجة من الجداول الإحصائية.

4.2 استخراج درجات الحرية بدقة من تصميم البحث

تعتمد دقة البحث الجدولي بشكل مطلق على التحديد الرياضي الدقيق لزوج درجات الحرية المرتبط بالتصميم التجريبي؛ حيث لا يمكن لجدول F أن يعمل بقيمة درجات حرية مجردة واحدة كما هو الحال في توزيعات أخرى. يُصاغ زوج درجات الحرية دائماً في قالب قياسي منظم يُكتب على الهيئة: $F(df_1, df_2)$ أو $F(df_{\text{numerator}}, df_{\text{denominator}})$.

لتوضيح ذلك بمثال عملي من البحوث النفسية: لنفترض أن باحثاً أجرى تجربة لقياس مستويات الإجهاد النفسي تحت تأثير ثلاثة أنماط مختلفة من الإضاءة في بيئة العمل، واختار عينة عشوائية مكونة من 10 مشاركين لكل نمط إضاءة، بحيث يكون الحجم الكلي للعينة هو $N = 30$ مشاركاً مقسمين على $k = 3$ مجموعات. في هذه الحالة، يتم اشتقاق درجات الحرية كالتالي:

• درجات حرية البسط ($df_1$): $df_1 = k – 1 = 3 – 1 = 2$
• درجات حرية المقام ($df_2$): $df_2 = N – k = 30 – 3 = 27$

يتم تدوين هذا الزوج الإحصائي بصيغة التحليل: $F(2, 27)$. ويشكل هذان الرقمان الإحداثيين الهندسيين الإلزاميين لتحديد موقع الخلية المطلوبة في جدول التوزيع الاحتمالي لـ F، حيث يمثل الرقم 2 العمود والرقم 27 الصف.

4.3 تحديد الفرضيات ومستوى الشك المقبول مسبقاً

تبدأ الممارسة الاستدلالية المنهجية الرصينة دائماً بالصياغة الصريحة والمحكمة للفرضيات الإحصائية المتقابلة قبل فحص البيانات. في تصاميم المقارنة بين المجموعات عبر تحليل التباين، تُصاغ الفرضيات على النحو الآتي:

• الفرضية الصفرية ($H_0$): $\mu_1 = \mu_2 = \mu_3 = dots = \mu_k$ (تنص على عدم وجود أي فروق ذات دلالة إحصائية بين متوسطات المجتمعات المقارنة، وأن أي تباين مرصود يعود للصدفة المعاينية).
• الفرضية البديلة ($H_1$): يوجد على الأقل متوسط مجتمعي واحد يختلف عن باقي المتوسطات (Not all $\mu_i$ are equal).

بمجرد صياغة الفرضيات، يقوم الباحث باعتماد مستوى الشك المقبول أو مستوى الدلالة مسبقاً ($\alpha$)، وليكن $\alpha = 0.05$. إن الاختيار المسبق لهذا المستوى يمنع ما يُعرف في الأدبيات المنهجية بالتلاعب بالقيمة الاحتمالية أو الانحياز التأكيدي (HARKing / P-hacking)، حيث يلتزم الباحث بالجدول المخصص لتلك القيمة فقط لاختبار صحة قراره الإحصائي.

يضمن هذا التحديد المنهجي تطابقاً تاماً بين متطلبات البحث والصفحة المستهدفة في ملاحق الجداول الإحصائية؛ مما يمهد الطريق لمرحلة استخراج القيمة الحرجة واتخاذ القرار الاستدلالي السليم بشأن الفرضيات المقترحة.

5. خطوات تحديد القيمة الحرجة وحساب القيمة الاحتمالية من جدول F

5.1 الخطوة الأولى: اختيار الصفحة المطابقة لمستوى ألفا المحدد

تبدأ العملية الإجرائية باستعراض ملحق الجداول الإحصائية لتوزيع F والتوجه المباشر إلى الصفحة التي تحمل في ترويستها العلوية مستوى ألفا المستهدف والمحدد سلفاً في تصميم الدراسة (مثل: Critical Values of the F-Distribution at $\alpha = 0.05$ أو $\alpha = 0.01$). يجب التدقيق في عنوان الجدول؛ إذ إن بعض المراجع المتقدمة تضع جداول لنسب ذيل علوية مختلفة مثل $\alpha = 0.025$ أو $\alpha = 0.005$، واستخدام صفحة خاطئة سيؤدي حتماً إلى مقارنة إحصائية مضللة.

ينبغي أيضاً الانتباه إلى الاصطلاحات الرمزية المتبعة في المرجع الإحصائي المستخدم؛ فبعض الكتب ترمز للبسط بـ $df_1$ وللمقام بـ $df_2$، بينما ترمز مراجع أخرى للبسط بـ $\nu_1$ وللمقام بـ $\nu_2$ أو تستخدم مصطلحات صريحة مثل (Numerator Degrees of Freedom) و(Denominator Degrees of Freedom). التأكد من هذه المصطلحات يضمن بداية صحيحة خالية من الارتباك المفاهيمي.

5.2 الخطوة الثانية: تقاطع درجات حرية البسط والمقام

بعد الاستقرار على الصفحة الصحيحة المطابقة لمستوى الدلالة $\alpha$، يتبع الباحث الخطوات الهندسية التالية لتحديد القيمة الحرجة بدقة:

1. تحديد عمود البسط: يتم التوجه إلى الصف الأفقي العلوي في الصفحة، والتحرك أفقياً من اليسار إلى اليمين حتى العثور على الرقم المطابق لدرجات حرية البسط ($df_1$).
2. تحديد صف المقام: يتم التوجه إلى العمود الرأسي في أقصى جانب الصفحة، والتحرك رأسياً للأسفل حتى الوصول إلى الرقم المطابق لدرجات حرية المقام ($df_2$).
3. استخراج القيمة من نقطة التقاطع: يتم تتبع المسار الوهمي للعمود نحو الأسفل ومسار الصف نحو الداخل حتى يلتقيا في خلية مفردة. يمثل الرقم الموجود في هذه الخلية القيمة الحرجة لتوزيع F، ويُرمز لها بـ $F_{\text{crit}}$ أو $F_{(\alpha, df_1, df_2)}$.

على سبيل المثال، إذا كانت لدينا درجات الحرية $df_1 = 2$ و $df_2 = 12$ عند مستوى الدلالة $\alpha = 0.05$، فإننا نتوجه إلى عمود $df_1 = 2$ ونهبط حتى نتقاطع مع صف $df_2 = 12$، لنجد أن القيمة الحرجة المستخرجة هي $F_{\text{crit}} = 3.89$ (أو $3.885$).

5.3 الخطوة الثالثة: مقارنة قيمة F المحسوبة بالقيمة الحرجة لتحديد P-Value

بمجرد استخراج القيمة الحرجة من جدول F، ينتقل الباحث إلى المقارنة المنطقية الحاسمة بين القيمة المحسوبة من البيانات ($F_{\text{calc}}$) والقيمة الحرجة المستخرجة من الجدول ($F_{\text{crit}}$). وتستند هذه المقارنة إلى القواعد الاستدلالية الثابتة التالية:

• الحالة الأولى (تحقق الدلالة الإحصائية): إذا كانت إحصائية F المحسوبة أكبر من القيمة الحرجة أو مساوية لها ($F_{\text{calc}} ge F_{\text{crit}}$)، فإن هذا يعني رياضياً أن إحصائية العينة تقع داخل منطقة الرفض في الذيل الأيمن للمنحنى، وبالتالي فإن القيمة الاحتمالية الفعلية تكون بالضرورة أصغر من مستوى الدلالة المختار:

  $$p le \alpha \quad (\text{مثال: } p < 0.05)$$

  ويكون القرار الإحصائي هنا هو رفض الفرضية الصفرية والاعتراف بوجود تأثير دال للمتغير المستقل.

• الحالة الثانية (غياب الدلالة الإحصائية): إذا كانت إحصائية F المحسوبة أصغر من القيمة الحرجة الجدولية ($F_{\text{calc}} < F_{\text{crit}}$)، فإن إحصائية العينة تقع في منطقة عدم الرفض، مما يعني أن المساحة الواقعة على يمينها أكبر من مساحة ألفا المظللة، وبالتالي تكون القيمة الاحتمالية أكبر من مستوى الدلالة:

  $$p > \alpha \quad (\text{مثال: } p > 0.05)$$

  ويكون القرار الإحصائي هنا هو الفشل في رفض الفرضية الصفرية، واعتبار الفروق الظاهرة مجرد تذبذب عشوائي ناتج عن خطأ المعاينة.

تتيح هذه المقارنة البسيطة والمحكمة صياغة متباينة رياضية تحدد ما إذا كانت القيمة الاحتمالية تقع أسفل عتبة ألفا أو أعلاها، وهو ما يمثل جوهر اتخاذ القرارات في المنهج الاستدلالي لنيومان-بيرسون (Neyman-Pearson framework).

6. التطبيق العملي: قراءة مخرجات تحليل التباين (ANOVA) وجدول F

6.1 تشريح جدول مخرجات ANOVA القياسي

يقدم التحليل الإحصائي للتباين مخرجاته دائماً في قالب جدولي قياسي موحد عالمياً يُعرف بـ جدول مخرجات تحليل التباين (ANOVA Summary Table). يحتوي هذا الجدول على تلخيص متكامل لكافة المكونات الرياضية التي بُني عليها اختبار F. يوضح الجدول التالي البنية النموذجية لمخرجات ANOVA الأحادية:

مصدر التباين (Source of Variation)	مجموع المربعات (SS)	درجات الحرية (df)	متوسط المربعات (MS)	إحصائية F المحسوبة	الدلالة الإحصائية (Sig. / P-value)
بين المجموعات (Between / Treatment)	$SS_{\text{between}}$	$k – 1$	$SS_{\text{between}} / df_1$	$\frac{MS_{\text{between}}}{MS_{\text{within}}}$	$P(F ge F_{\text{calc}})$
داخل المجموعات (Within / Error)	$SS_{\text{within}}$	$N – k$	$SS_{\text{within}} / df_2$
المجموع الكلي (Total)	$SS_{\text{total}}$	$N – 1$	–	–	–

عند فحص هذا الجدول، يستطيع الباحث تتبع المسار الحسابي لاشتقاق إحصائية F؛ حيث يتم قسمة مجموع المربعات على درجات الحرية المقابلة للحصول على متوسط المربعات ($MS$)، ثم تُقسم قيمة $MS_{\text{between}}$ على $MS_{\text{within}}$ لإنتاج قيمة F المحسوبة، والتي يتم ربطها مباشرة بالقيمة الاحتمالية التجريبية في العمود الأخير.

6.2 محاكاة الحالة العملية: فحص إحصاء F = 1.74 مع df = (2, 12)

لتجسيد عملية الاستخراج الجدولي من خلال سيناريو واقعي، دعنا نتناول دراسة نفسية قام فيها باحث باختبار فاعلية ثلاثة أساليب تدريبية لتعزيز الانتباه المستمر لدى أطفال المدارس. تم توزيع 15 مشاركاً بالتساوي على ثلاث مجموعات ($k = 3$، $n = 5$ في كل مجموعة، إجمالي $N = 15$).

أظهرت الحسابات التجريبية أن درجات الحرية هي: $df_1 = 3 – 1 = 2$، و $df_2 = 15 – 3 = 12$. كما بلغت قيمة إحصاء F المحسوبة من بيانات التجربة $F_{\text{calc}} = 1.74$. حدد الباحث مستوى الدلالة المقبول للدراسة عند $\alpha = 0.10$.

يقوم الباحث بفتح جدول توزيع F المخصص للمستوى $\alpha = 0.10$. يحدد عمود $df_1 = 2$ وينزل رأسياً ليتقاطع مع صف $df_2 = 12$. يجد الباحث أن القيمة الحرجة المسجلة في الجدول هي:

$$F_{\text{crit}(0.10, 2, 12)} = 2.81$$

بمقارنة القيمة المحسوبة ($1.74$) مع القيمة الحرجة ($2.81$)، يتبين بوضوح أن:

$$F_{\text{calc}} (1.74) < F_{\text{crit}} (2.81)$$

بما أن القيمة المحسوبة أصغر من القيمة الحرجة، فإن هذا يعني تلقائياً أن القيمة الاحتمالية أكبر من مستوى الدلالة: $p > 0.10$. وعند حساب القيمة الاحتمالية الدقيقة عبر خوارزميات التكامل الرقمي، نجد أنها تساوي بالضبط $p = 0.217$. وبناءً عليه، يقرر الباحث الفشل في رفض الفرضية الصفرية عند مستوى $\alpha = 0.10$، وتأكيد عدم وجود دلالة إحصائية كافية تدعم تفوق أي أسلوب تدريبي على الآخر في تعزيز الانتباه.

6.3 الربط بين قرارات ANOVA والدلالة النفسية للنتائج

إن الفشل في رفض الفرضية الصفرية في المثال السابق يحمل أبعاداً منهجية وسيكولوجية تتجاوز مجرد الحسابات الرياضية. فعدم الوصول إلى الدلالة الإحصائية ($p = 0.217 > 0.10$) يعني أن الفروق الظاهرة في متوسطات درجات الانتباه بين أطفال المجموعات الثلاث هي فروق ضئيلة للغاية بحيث يمكن تفسيرها بسهولة على أنها تباينات عشوائية طبيعية وفروق فردية بين المشاركين، وليست ناجمة عن الأساليب التدريبية المطبقة.

ينبغي للباحث النفسي في مثل هذه الحالة أن يتجنب التسرع بالادعاء بأن “الأساليب التدريبية متطابقة تماماً ومعدومة الأثر”؛ إذ قد يكون السبب الحقيقي وراء عدم الدلالة هو صغر حجم العينة المستخدمة ($N = 15$)، مما أدى إلى انخفاض درجات حرية الخطأ ($df_2 = 12$) وضعف القوة الإحصائية للاختبار (Statistical Power). إن ضعف قوة الاختبار يجعل إحصاء F غير قادر على رصد الفروق الحقيقية الصغيرة أو المتوسطة بين المعالجات.

لذلك، يسهم فهم العلاقة بين درجات حرية جدول F والقيمة الاحتمالية في توجيه الباحثين نحو تقييم أعمق للدراسة؛ كأن يُوصى في المناقشة بتكرار التجربة على عينة أوسع حجماً، أو زيادة كثافة الجلسات التدريبية لرفع حجم الأثر التجريبي، مما يضمن نضج الاستنتاجات وتجنب القرارات المتسرعة في الميدان التطبيقي.

7. تقدير نطاق القيمة الاحتمالية (P-Value Range) يدويًا باستخدام جداول ألفا المتعددة

7.1 منهجية استخدام جداول ألفا المتعددة للتأطير الحسابي

نظراً لأن كل صفحة مفردة من جدول توزيع F تقدم فقط قيمة حرجة ثابتة لمستوى دلالة محدد، فإن الجدول الواحد لا يعطي القيمة الاحتمالية الدقيقة، بل يخبرنا فقط بما إذا كانت $p$ أكبر أو أصغر من تلك العتبة. للتغلب على هذه المحدودية وتقدير القيمة الاحتمالية بدقة تقريبية عالية بدون برمجيات حاسوبية، يتبع الإحصائيون منهجية تُعرف بـ التأطير الحسابي للاحتمالية (Bracketing / Bounding the P-Value) عبر التنقل التسلسلي بين جداول ذات مستويات ألفا متدرجة.

تعتمد هذه المنهجية على جمع القيم الحرجة لنفس زوج درجات الحرية ($df_1, df_2$) من عدة جداول مختلفة: جدول $\alpha = 0.10$، وجدول $\alpha = 0.05$، وجدول $\alpha = 0.01$، وجدول $\alpha = 0.001$. ومن خلال فحص موقع إحصائية F المحسوبة بين هذه القيم الحرجة المتعاقبة، يستطيع الباحث حصر القيمة الاحتمالية بدقة داخل نطاق ضيق محاط بحد أدنى وحد أقصى.

7.2 صياغة المتباينات لتقدير P-Value بدقة

تتم ترجمة عملية التأطير الجدولي إلى صياغة رياضية محكمة تأخذ شكل متباينة مزدوجة تعبر عن نطاق القيمة الاحتمالية. إذا افترضنا أن لدينا تصميماً تجريبياً بدرجات حرية $df_1 = 3$ و $df_2 = 20$، واستخرجنا القيم الحرجة التالية من الجداول المتعاقبة:

• عند $\alpha = 0.10$: تكون $F_{\text{crit}} = 2.38$
• عند $\alpha = 0.05$: تكون $F_{\text{crit}} = 3.10$
• عند $\alpha = 0.01$: تكون $F_{\text{crit}} = 4.94$
• عند $\alpha = 0.001$: تكون $F_{\text{crit}} = 8.10$

إذا كانت قيمة F المحسوبة من البيانات هي $F_{\text{calc}} = 3.85$، فإننا نلاحظ أن هذه القيمة تقع بين القيمة الحرجة لمستوى 0.05 ($3.10$) والقيمة الحرجة لمستوى 0.01 ($4.94$). وبناءً على ذلك، يتم حصر القيمة الاحتمالية في المتباينة التالية:

$$0.01 < p < 0.05$$

يمكن للمحللين المتقدمين تطبيق تقنية الاستيفاء الخطي (Linear Interpolation) لتقريب القيمة الرقمية بصورة أدق داخل هذا النطاق، على الرغم من أن منحنى توزيع F غير خطي، إلا أن الاستيفاء يعطي تقديراً قريباً جداً من القيمة الحقيقية في النطاقات الضيقة، وهو ما يكفي تماماً للأغراض الأكاديمية والبحثية عند غياب الحاسوب.

7.3 تطبيق توضيحي على نطاق احتمالي لبيانات تجريبية

دعنا نطبق هذه المنهجية على دراسة تجريبية استهدفت مقارنة مستويات هرمون الكورتيزول (كمؤشر فسيولوجي على الضغط النفسي) عبر أربع مجموعات من الأطباء أثناء مناوبات الطوارئ. بلغت درجات الحرية في التحليل $F(3, 30)$، وكانت قيمة F المحسوبة هي $F_{\text{calc}} = 5.20$.

قام الباحث بمراجعة ملاحق الجداول الإحصائية لنفس درجات الحرية ($df_1 = 3, df_2 = 30$)، وسجل القيم الحرجة التالية:

• عند $\alpha = 0.05$: $F_{\text{crit}} = 2.92$
• عند $\alpha = 0.01$: $F_{\text{crit}} = 4.51$
• عند $\alpha = 0.001$: $F_{\text{crit}} = 6.82$

بإسقاط القيمة المحسوبة ($5.20$) على هذا التدرج، نجد أنها أكبر من القيمة الحرجة لـ$alpha = 0.01$ ($4.51$) ولكنها في الوقت نفسه أصغر من القيمة الحرجة لـ$alpha = 0.001$ ($6.82$). وبالتالي، يتم توثيق نطاق القيمة الاحتمالية بدقة في التقرير الأكاديمي بصيغة:

$$0.001 < p < 0.01$$

تُعد هذه الصياغة دقيقة ومكتملة المنهجية؛ حيث تخبر القارئ بأن النتيجة دالة إحصائياً عند مستوى $\alpha = 0.01$، بل وتتجاوز ذلك لتقترب من مستوى دلالة فائق الصرامة، مما يعزز الثقة في وجود فروق حقيقية وقوية في استجابات الضغط النفسي بين الأطباء عبر المناوبات المختلفة.

8. اتخاذ القرارات الإحصائية وتفسير فرضيات البحث النفسي بناءً على مقارنة P-Value بمستوى ألفا

8.1 قواعد اتخاذ القرار الإحصائي الرسمي

يرتكز الاستدلال الإحصائي على قواعد منطقية صارمة تحكم عملية اتخاذ القرار وتمنع التفسيرات الذاتية للبيانات. تتلخص هذه القواعد في المعيارين الأساسيين التاليين:

• قاعدة الرفض القاطع (Reject $H_0$): يتم اتخاذ قرار برفض الفرضية الصفرية رسمياً عندما تكون القيمة الاحتمالية المستخرجة أقل من مستوى الدلالة المحدد مسبقاً ($p < \alpha$). ويُعد هذا القرار بمثابة تأكيد إحصائي لوجود أدلة كافية تدعم الفرضية البديلة وتثبت وجود فروق غير عشوائية بين المجموعات.
• قاعدة الفشل في الرفض (Fail to Reject $H_0$): يتم اتخاذ قرار بالفشل في رفض الفرضية الصفرية عندما تكون القيمة الاحتمالية مساوية لمستوى الدلالة أو متجاوزة له ($p ge \alpha$). ويعني هذا القرار أن الأدلة التجريبية المتاحة في العينة غير كافية لإثبات وجود فارق حقيقي يتجاوز حدود الصدفة الإحصائية.

من الأخطاء اللغوية والمنهجية الفادحة في الأدبيات الإحصائية استخدام مصطلح “قبول الفرضية الصفرية” (Accept the Null Hypothesis)؛ فالمنهج العلمي الاستدلالي لا يُثبت صحة العدم مطلقاً، وإنما يقتصر على تقييم مدى كفاية الأدلة لنقضه. ولذلك، يُعد التعبير الدقيق والصارم هو “الفشل في رفض الفرضية الصفرية”، وهو ما يجسد التواضع الإبستمولوجي للتحليل الإحصائي.

8.2 التفسير السلوكي والنفسي للنتائج الإحصائية

لا يمثل اتخاذ القرار الإحصائي برفض أو عدم رفض الفرضية الصفرية نهاية المطاف في البحث النفسي، بل هو نقطة الانطلاق نحو التفسير السلوكي والإكلينيكي للبيانات. يجب على الباحث ترجمة المعنى المجرد لإحصائية F وقيمتها الاحتمالية إلى مفاهيم نفسية قابلة للتطبيق ومرتبطة بالأطر النظرية للدراسة.

على سبيل المثال، إذا أظهرت دراسة حول اضطراب ما بعد الصدمة أن برنامجاً علاجياً معيناً حقق فروقاً دالة إحصائياً ($F(2, 45) = 6.84, p < 0.01$)، فإن التفسير النفسي يتطلب توضيح الآليات الإدراكية والسلوكية التي جعلت هذا البرنامج يتفوق على البرامج الأخرى. كما ينبغي فحص اتجاه الفروق عبر المقارنات البعدية (Post-Hoc Tests مثل Tukey HSD أو Bonferroni) لمعرفة أي المجموعات تحديداً تفوقت على غيرها، نظراً لأن اختبار F الكلي (Omnibus F-test) يكتفي بإخبارنا بوجود فارق ما دون تحديد موقعه الدقيق بين المجموعات.

كما يُحذر في البحوث السلوكية من الخلط بين “الدلالة الإحصائية” (Statistical Significance) و”الدلالة الإكلينيكية أو العملية” (Clinical Significance)؛ فقد تؤدي العينات الضخمة جداً إلى ظهور فروق دالة إحصائياً ذات قيم احتمالية متناهية في الصغر ($p < 0.001$)، ولكن الفارق الفعلي في درجات المقياس النفسي يكون ضئيلاً جداً ولا يمثل أي تحسن ملموس في جودة حياة المريض النفسي في الواقع العملي.

8.3 الربط بين القيمة الاحتمالية وحجم الأثر (Effect Size)

نظراً لأن القيمة الاحتمالية تتأثر بشدة بحجم العينة ($N$) وتكشف فقط عن مدى احتمال حدوث النتائج بالصدفة دون توضيح لقوة التأثير الفعلي، فقد ألزمت التوجيهات المنهجية الحديثة الصادرة عن جمعية علم النفس الأمريكية (APA) الباحثين بضرورة إقران إحصاء F والقيمة الاحتمالية بمقاييس كمية دقيقة تعبر عن حجم الأثر (Effect Size).

في سياق تحليل التباين ونماذج F، تُعد المعاملات التالية الأكثر استخداماً لتقدير نسبة التباين المفسر في المتغير التابع:

• إيتا تربيع ($\eta^2$ – Eta-Squared): تقيس نسبة التباين الكلي في المتغير التابع المنسوبة إلى المتغير المستقل، وتُحسب بالصيغة:

  $$\eta^2 = \frac{SS_{\text{between}}}{SS_{\text{total}}}$$

  وتُصنف قيمها عموماً وفق معايير كوهين: 0.01 (تأثير صغير)، 0.06 (تأثير متوسط)، 0.14 فأكثر (تأثير كبير).

• إيتا تربيع الجزئية ($\eta_p^2$ – Partial Eta-Squared): تُستخدم بكثرة في تصاميم ANOVA متعددة العوامل لعزل تأثير المتغيرات الأخرى، وتُحسب بـ:

  $$\eta_p^2 = \frac{SS_{\text{effect}}}{SS_{\text{effect}} + SS_{\text{error}}}$$

• أوميجا تربيع ($\omega^2$ – Omega-Squared): تُعد مقياساً غير متحيز لحجم الأثر، حيث توفر تقديراً أكثر تحفظاً ودقة لحجم الأثر في المجتمع الأصلي، خاصة في العينات الصغيرة، عبر تصحيح خطأ المعاينة في البسط والمقام.

إن الجمع بين القيمة الاحتمالية المستخرجة من جدول F ومقاييس حجم الأثر يمنح القارئ صورة إحصائية كاملة الأركان؛ حيث تجيب القيمة الاحتمالية عن سؤال: “هل التأثير حقيقي وغير عشوائي؟”، بينما يجيب حجم الأثر عن سؤال: “ما مدى قوة وأهمية هذا التأثير في تفسير السلوك البشري؟”.

9. الفروق الجوهرية بين التقدير الجدولي اليدوي وحساب القيمة الاحتمالية عبر البرمجيات الإحصائية

9.1 مقارنة الدقة بين القيمة التقريبية الجداولية والقيمة الرقمية الدقيقة

يكمن الفارق الجوهري بين البحث الجدولي اليدوي والحساب الحاسوبي في مستوى الدقة الرقمية والشكل النهائي للنتيجة. فالجداول الإحصائية المطبوعة بطبيعتها المحدودة لا يمكنها استيعاب كل قيم الاحتمال الممكنة؛ لذا تقتصر على تقديم عتبات حرجة لنقاط ألفا محددة وثابتة (مثل 0.05 أو 0.01). ونتيجة لذلك، يكون استخراج الباحث للقيمة الاحتمالية من الجداول محصوراً في صورة متراجحات أو نطاقات تقريبية (مثل: $p < 0.05$ أو $0.01 < p < 0.05$).

في المقابل، تعتمد البرمجيات الإحصائية المتخصصة على خوارزميات الحساب العددي والتكامل غير الخطي لدالة الكثافة الاحتمالية لتوزيع F (Cumulative Distribution Function – CDF). تتيح هذه الخوارزميات حساب المساحة المحددة بدقة متناهية تحت المنحنى من قيمة F المحسوبة إلى ما لا نهاية، مما ينتج قيمة احتمالية دقيقة تصل إلى عدة منازل عشرية (مثل: $p = 0.0342$ أو $p = 0.0078$).

يوضح الجدول المقارن التالي أبرز الفروق بين الطريقتين:

وجه المقارنة	التقدير الجدولي اليدوي	الحساب عبر البرمجيات الإحصائية
طبيعة المخرج	نطاق احتمالي أو متباينة ($p < 0.05$)	قيمة عددية دقيقة ($p = 0.027$)
المرونة مع درجات الحرية	مقيدة بالقيم المطبوعة (تتطلب تقريباً للقيم الكبيرة)	مطلقة (تحسب لأي قيمة $df$ مهما بلغت)
السرعة في العينات المعقدة	تتطلب وقتاً وتدقيقاً بصرياً يدوياً	لحظية وتلقائية بالكامل
القيمة التعليمية والمنهجية	عالية جداً لبناء الفهم الرياضي والتصوري	منخفضة (قد تتحول إلى ممارسة آلية دون فهم)

9.2 كيفية استخراج وتحقق P-Value في البرمجيات الإحصائية الشهيرة

لتوثيق التكامل بين الفهم اليدوي والتطبيق الرقمي، من الضروري معرفة كيفية استدعاء والتحقق من القيمة الاحتمالية لتوزيع F عبر البرمجيات الإحصائية الأكثر استخداماً في الأوساط الأكاديمية:

• برنامج SPSS: يظهر جدول ANOVA في المخرجات متضمناً عموداً يُسمى Sig. (اختصاراً لـ Significance). يمثل الرقم الموجود في هذا العمود القيمة الاحتمالية الدقيقة ($p$). فإذا ظهر في هذا العمود الرقم .023، فهذا يعني أن $p = 0.023$.
• بيئة لغة البرمجة R: يمكن حساب القيمة الاحتمالية الدقيقة مباشرة من دالة التوزيع التراكمي لـ F باستخدام الأمر التالي:

  p_value <- pf(q = 4.15, df1 = 2, df2 = 42, lower.tail = FALSE)

  حيث يمثل lower.tail = FALSE حساب المساحة في الذيل الأيمن للتوزيع.

• لغة بايثون (Python – SciPy): يتم استخراج القيمة الاحتمالية الدقيقة عبر مكتبة الإحصاء المتقدمة باستخدام دالة البقاء (Survival Function) المكافئة لحساب مساحة الذيل الأيمن:

  from scipy import stats
p_value = stats.f.sf(4.15, dfn=2, dfd=42)

يتيح تطبيق هذه الأوامر البرمجية للباحثين مطابقة نتائجهم المستخرجة يدوياً من الجداول مع الأرقام الحاسوبية الدقيقة، مما يمنح ثقة مضاعفة في سلامة الاستدلال الإحصائي.

9.3 التعامل مع التقريبات التلقائية والارتباك الشائع (P = 0.000)

من الظواهر الشائعة التي تسبب ارتباكاً كبيراً لدى الباحثين المبتدئين عند قراءة مخرجات البرمجيات مثل SPSS هو ظهور القيمة الاحتمالية في صورة Sig. = .000. يدفع هذا المخرج بعض الباحثين إلى كتابة عبارة خاطئة تماماً في تقاريرهم العلمية مثل “$p = 0$” أو “$p = 0.000$“.

من الناحية الرياضية ونظرية الاحتمالات، يستحيل أن تكون القيمة الاحتمالية مساوية للصفر المطلق في التوزيعات الاحتمالية المستمرة ذات الامتداد اللانهائي؛ إذ توجد دائماً مساحة متناهية الصغر تحت المنحنى مهما كانت قيمة F متطرفة. إن ظهور الأصفار الثلاثة هو مجرد نتيجة لتقريب برمجي تلقائي إلى أقرب ثلاث منازل عشرية، مما يعني أن القيمة الاحتمالية الحقيقية هي أصغر من 0.0005 ($p < 0.0005$).

تنص معايير النشر الأكاديمي الدولي المعتمدة من جمعية علم النفس الأمريكية (APA 7th Edition) على حظر تدوين “$p = .000$” بشكل قاطع، وتلزم الباحث بصياغتها دائماً عند ظهور هذا المخرج كالتالي:

$$p < .001$$

يضمن هذا التدوين الدقة الرياضية، ويعكس فهماً عميقاً لطبيعة المنحنيات الاحتمالية المستمرة وحدود التقريب في البرمجيات الرقمية.

10. الأخطاء الشائعة عند استخراج القيم الاحتمالية والحرجة من جدول F وكيفية تجنبها

10.1 الخلط بين درجات حرية البسط ودرجات حرية المقام

يُمثل عكس موقع درجات حرية البسط والمقام الخطأ الأكثر شيوعاً وكارثية في قراءة جداول F اليدوية. نظراً لأن توزيع F ليس توزيعاً متماثلاً حول الصفر، فإن القيمة الحرجة لـ $F(df_1 = 2, df_2 = 12)$ تختلف جذرياً وبشكل حاد عن القيمة الحرجة لـ $F(df_1 = 12, df_2 = 2)$.

لتوضيح خطورة هذا الخلط: عند مستوى $\alpha = 0.05$، نجد في جدول F أن:

• القيمة الحرجة لـ $F(2, 12)$ تساوي: 3.89
• بينما القيمة الحرجة لـ $F(12, 2)$ تساوي: 19.41

إذا كانت إحصائية F المحسوبة للباحث هي $4.50$، وكان التصميم الحقيقي هو$F(2, 12)$، فإن النتيجة الحقيقية هي دالة إحصائياً ($4.50 > 3.89$). ولكن إذا عكس الباحث المحاور وقرأ القيمة من عمود 12 وصف 2 ($19.41$)، فإنه سيستنتج خطأً أن النتيجة غير دالة ($4.50 < 19.41$) ويفشل في رفض الفرضية الصفرية ظلماً، مرتكباً بذلك خطأً فادحاً من النوع الثاني (Type II Error).

لتجنب هذا الخطأ، يجب ترسيخ قاعدة بصرية ثابتة: “البسط ينظر من أعلى (الأعمدة)، والمقام يقف في الجانب (الصفوف)”، مع مراجعة مطابقة درجات حرية البسط مع عدد المجموعات مطروحاً منها واحد ($k-1$) قبل تسجيل القيمة.

10.2 استخدام جدول ألفا خاطئ لا يطابق فرضية البحث

يقع بعض الباحثين في خطأ قراءة القيمة الحرجة من صفحة مستوى ألفا غير تلك المعتمدة في تصميم دراستهم؛ كأن يعتمد الباحث في خطته المنهجية مستوى دلالة صارماً $\alpha = 0.01$ للتحكم في الأخطاء في تجربة إكلينيكية، ولكنه يفتح سهواً صفحة جدول $\alpha = 0.05$ ويستخرج منها القيمة الحرجة. هذا الخطأ يؤدي إلى تضخيم الخطأ من النوع الأول واكتشاف فروق “زائفة” لا تحقق معيار الصرامة المنهجية المعتمد مسبقاً.

مصدر آخر للارتباك هو الخلط بين الاختبارات أحادية الذيل وثنائية الذيل؛ فعلى الرغم من أن اختبار F في تحليل التباين هو اختبار أحادي الذيل بطبيعته الرياضية (يفحص الذيل الأيمن فقط لاختبار عدم تساوي المتوسطات)، إلا أن بعض ملاحق الكتب تورد جداول F خاصة باختبار تساوي التباينات لمجتمعين (Hartley’s $F_{\text{\max}}$ أو Levene’s test) والتي قد تتطلب تقسيم مستوى ألفا على 2 في الاختبارات ثنائية الذيل. لذا، يتحتم على الباحث دائماً قراءة الترويسة التوضيحية لجدول F للتأكد من أنها تمثل مساحة الذيل العلوي المفرد (Upper Tail Area = $\alpha$).

10.3 التعامل الخاطئ مع درجات الحرية غير المتوفرة في الجدول (Interpolation Issues)

تحتوي جداول F المطبوعة على تسلسل تفصيلي لدرجات حرية المقام حتى الرقم 30 تقريباً، ثم تبدأ بعد ذلك بالقفز بفترات متباعدة (مثل: 30، 40، 60، 120، $\infty$). عندما يمتلك الباحث درجات حرية مقام تقع في هذه الفجوات (مثل $df_2 = 47$ أو $df_2 = 75$)، يقع الكثيرون في خطأ التقريب العشوائي غير المبرر علمياً.

تتمثل الممارسة المنهجية الرصينة للتعامل مع هذه الحالات في طريقتين معتمدتين:

1. المنهج المحافظ (Conservative Approach): اختيار أقرب درجة حرية أصغر مدرجة في الجدول (أي التقريب نحو الأسفل). فعندما تكون $df_2 = 47$، يتم استخدام القيمة الحرجة المقابلة لـ $df_2 = 40$ بدلاً من 60. يعطي هذا الخيار قيمة حرجة أعلى قليلاً وأكثر صرامة، مما يضمن عدم التورط في رفض الفرضية الصفرية بالخطأ، ويجعل الاستنتاج في الجانب الآمن علمياً.
2. الاستيفاء الخطي العكسي (Harmonic Interpolation): تطبيق صيغة رياضية متقدمة تعتمد على مقلوب درجات الحرية ($1/df_2$) لحساب القيمة الحرجة الدقيقة بين النقطتين المتاحتين في الجدول، وهو الخيار الأمثل عند الرغبة في الدقة المتناهية دون اللجوء للحاسوب.

11. أمثلة ونماذج تطبيقية مفصلة من واقع الدراسات النفسية والتجريبية

11.1 دراسة مقارنة فاعلية ثلاثة برامج علاج سلوكي معرفي لاضطراب القلق

أجرى فريق بحثي في العيادة النفسية دراسة تجريبية عشوائية منضبطة (RCT) لتقييم فاعلية ثلاثة أشكال من التدخل العلاجي لاضطراب القلق العام: (المجموعة 1: علاج سلوكي معرفي تقليدي وجهاً لوجه، المجموعة 2: علاج سلوكي معرفي عبر الإنترنت، المجموعة 3: برنامج تدريب على اليقظة الذهنية). تم توزيع 45 مريضاً بالتساوي على الشروط الثلاثة ($k = 3, n = 15, N = 45$). بعد 8 أسابيع، تم قياس مستوى القلق باستخدام مقياس بيك للقلق (BAI).

أسفرت حسابات تحليل التباين الأحادي عن النتائج التالية:

• $SS_{\text{between}} = 342.80 \quad \rightarrow \quad df_1 = 3 – 1 = 2 \quad \rightarrow \quad MS_{\text{between}} = 171.40$
• $SS_{\text{within}} = 868.20 \quad \rightarrow \quad df_2 = 45 – 3 = 42 \quad \rightarrow \quad MS_{\text{within}} = 20.67$
• إحصائية F المحسوبة: $F_{\text{calc}} = \frac{171.40}{20.67} = 8.29$
• مستوى الدلالة المعتمد: $\alpha = 0.05$

خطوات البحث الجدولي والاستدلال:

نظراً لأن $df_2 = 42$ غير مدرجة بدقة في بعض الجداول المطبوعة، نتبع النهج المحافظ ونبحث عند $df_2 = 40$ مع $df_1 = 2$ في جدول $\alpha = 0.05$، لنجد أن $F_{\text{crit}(0.05, 2, 40)} = 3.23$ (بينما القيمة عند 42 باستخدام الحاسوب هي $3.22$).

بمقارنة القيمة المحسوبة ($8.29$) بالقيمة الحرجة ($3.23$):

$$F_{\text{calc}} (8.29) > F_{\text{crit}} (3.23) \quad implies \quad p < 0.05$$

وعند مراجعة جدول $\alpha = 0.001$ لنفس درجات الحرية، نجد أن القيمة الحرجة هي $F_{\text{crit}(0.001, 2, 40)} = 8.25$. وبما أن القيمة المحسوبة ($8.29$) تتجاوز هذه العتبة الفائقة، فإننا نستنتج أن:

$$p < 0.001$$

القرار الإحصائي: رفض الفرضية الصفرية بقوة، وتأكيد وجود فروق جوهرية ذات دلالة إحصائية وإكلينيكية فائقة بين البرامج العلاجية الثلاثة في خفض أعراض القلق.

11.2 دراسة أثر فترات الحرمان من النوم على زمن الاستجابة الحركية

في مختبر علم النفس العصبي، تم تصميم تجربة لدراسة أثر الحرمان من النوم على سرعة رد الفعل الحركي المعرفي. تم تقسيم 24 مشاركاً من المتطوعين الأصحاء إلى أربع مجموعات تجريبية ($k = 4, n = 6, N = 24$): (المجموعة 1: نوم طبيعي 8 ساعات، المجموعة 2: حرمان جزئي 4 ساعات نوم، المجموعة 3: حرمان شديد ساعتان نوم، المجموعة 4: حرمان تام 24 ساعة استيقاظ). تم قياس زمن الاستجابة بالميلي ثانية عبر جهاز القياس النفسي-الحركي (PVT).

أظهرت النتائج الإحصائية للتجربة البيانات التالية:

• درجات الحرية: $df_1 = 4 – 1 = 3$، و $df_2 = 24 – 4 = 20$
• إحصائية F المحسوبة: $F_{\text{calc}} = 2.65$
• مستوى الدلالة المعتمد مبدئياً: $\alpha = 0.05$

البحث وتأطير القيمة الاحتمالية:

• في جدول $\alpha = 0.05$ عند $F(3, 20)$، نجد القيمة الحرجة: $F_{\text{crit}(0.05)} = 3.10$
• في جدول $\alpha = 0.10$ عند $F(3, 20)$، نجد القيمة الحرجة: $F_{\text{crit}(0.10)} = 2.38$

بإسقاط القيمة المحسوبة ($2.65$)، نلاحظ بوضوح أنها تقع بين القيمتين الحرجة لمستوى 0.10 و 0.05 ($2.38 < 2.65 < 3.10$). وبالتالي يتأطر نطاق القيمة الاحتمالية كالتالي:

$$0.05 < p < 0.10$$

التفسير المنهجي والسلوكي:

بما أن $p > 0.05$، فإن النتيجة غير دالة إحصائياً عند المستوى المعياري الصارم $\alpha = 0.05$، ويفشل الباحث في رفض الفرضية الصفرية عند هذا المستوى. ومع ذلك، وبما أن القيمة الاحتمالية تقع أسفل $0.10$، فإن هذا يشير إلى ما يُعرف في الأدبيات المنهجية بـ “توجه نحو الدلالة” (Marginal Trend / Trend toward Significance).

يقود هذا التأطير الجدولي الباحث إلى استنتاج أن الحرمان من النوم يترك أثراً بيولوجياً ملحوظاً، ولكن صغر حجم العينات الفردية في المجموعات ($n = 6$) حد من القوة الإحصائية لمنع تجاوز عتبة الدلالة الصارمة، مما يبرر التوصية بإجراء دراسة تتبعية موسعة بأحجام عينات أكبر لتأكيد التأثير بصورة قاطعة.

11.3 دراسة الفروق في التوافق النفسي عبر البيئات الاجتماعية المختلفة

تناولت دراسة ميدانية في علم النفس الاجتماعي الفروق في درجات “التوافق النفسي والاجتماعي” لدى عينة من المراهقين موزعين على ثلاث بيئات سكنية مختلفة: (بيئة ريفية $n_1 = 30$، بيئة حضرية $n_2 = 45$، بيئة شبه حضرية/ضواحي $n_3 = 25$). بلغ إجمالي حجم العينة غير المتوازنة $N = 100$ مشاركاً مقسمين على $k = 3$ مجموعات.

اعتمد الباحث مستوى دلالة صارماً $\alpha = 0.01$ نظراً لطبيعة المسوح الاجتماعية الواسعة وتعدد المتغيرات الديموغرافية المصاحبة. أظهرت الحسابات الإحصائية:

• درجات حرية البسط: $df_1 = 3 – 1 = 2$
• درجات حرية المقام: $df_2 = 100 – 3 = 97$
• إحصائية F المحسوبة: $F_{\text{calc}} = 5.34$

خطوات الاستخراج والتقريب:

بالتوجه إلى جدول توزيع F لمستوى $\alpha = 0.01$، نلاحظ أن صف $df_2 = 97$ غير موجود، وتتراوح القيم في الجدول بين 60 و 120. بالاعتماد على المنهج المحافظ، نختار القيمة الحرجة المقابلة لدرجة الحرية الأصغر $df_2 = 60$ عند $df_1 = 2$، والتي تسجل:

$$F_{\text{crit}(0.01, 2, 60)} = 4.98$$

(ملاحظة: لو اختار الباحث صف 120 لكانت القيمة $4.79$، والقيمة الدقيقة عند 97 هي $4.84$).

بمقارنة القيمة المحسوبة بالقيمة الحرجة المحافظة:

$$F_{\text{calc}} (5.34) > F_{\text{crit}} (4.98) \quad implies \quad p < 0.01$$

القرار الإحصائي: رفض الفرضية الصفرية عند مستوى $\alpha = 0.01$. يبرهن هذا التحليل على وجود فروق جوهرية وحقيقية في مستويات التوافق النفسي والاجتماعي بين المراهقين تعزى لطبيعة البيئة السكنية، مما يوفر سنداً تجريبياً متيناً لتوجيه برامج الدعم النفسي المجتمعي نحو البيئات الأكثر احتياجاً.

12. توصيات منهجية وإرشادات لكتابة وتوثيق نتائج إحصاء F والقيمة الاحتمالية وفق معايير APA

12.1 الصيغة القياسية لتوثيق نتائج تحليل التباين وتوزيع F حسب الإصدار السابع لـ APA

تفرض معايير جمعية علم النفس الأمريكية في إصدارها السابع (APA 7th Edition) قواعد طباعية وأسلوبية صارمة وموحدة لتوثيق نتائج التحليلات الإحصائية المستندة إلى توزيع F. تهدف هذه القواعد إلى ضمان الشفافية الأكاديمية المطلقة وتمكين القراء والباحثين الآخرين من مراجعة النتائج ونمذجتها في دراسات التحليل التجميعي (Meta-Analysis).

تتكون الصيغة الهيكلية المعتمدة لتوثيق إحصاء F من العناصر التالية بالترتيب الدقيق:

F(df_numerator, df_denominator) = [F-Value], p = [p-Value], η_p² = [Effect Size Value]

وتشمل القواعد الأسلوبية الأساسية ما يلي:

• الخط المائل (Italics): يجب وضع الرموز الإحصائية اللاتينية بالخط المائل، مثل حرف الإحصاء (F)، ورمز درجات الحرية (df)، ورمز القيمة الاحتمالية (p)، ومؤشرات حجم الأثر مثل ($\eta^2$). في المقابل، تُكتب الأرقام الحسابية والرموز اليونانية (مثل $\alpha$) بخط عادي مستقيم دون ميلان.
• إسقاط الصفر قبل الفاصلة العشرية (Zero Omission): بالنسبة للقيم الإحصائية التي لا يمكن نظرياً ورياضياً أن تتجاوز الرقم 1.00 صحيح (مثل القيمة الاحتمالية p، ومعاملات الارتباط r، وحجم الأثر $\eta^2$)، يُحظر وضع الرقم صفر قبل الفاصلة العشرية. فتُكتب مثلاً: p = .023 و $\eta_p^2 = .08$، وليس p = 0.023. أما بالنسبة لقيمة F المحسوبة (والتي يمكن أن تتجاوز 1.00 وتصل إلى ما لا نهاية)، فيجب كتابة الصفر قبل الفاصلة إن وُجد، مثل: F(2, 42) = 0.85.
• عدد المنازل العشرية: تُقرب قيم إحصاء F ومقاييس حجم الأثر إلى منزلتين عشريتين (مثل F = 4.15)، بينما تُدون القيمة الاحتمالية الدقيقة دائماً حتى ثلاث منازل عشرية (مثل p = .008).

نموذج تطبيقي للنص الأكاديمي المكتمل:
“أظهرت نتائج تحليل التباين الأحادي وجود تأثير دال إحصائياً لنوع التدخل العلاجي على درجات مقياس القلق، F(2, 42) = 8.29، p < .001، η_p² = .28. وقد كشفت اختبارات المقارنات البعدية باستخدام أسلوب توكي (Tukey HSD) أن المشاركين في برنامج العلاج السلوكي المعرفي التقليدي أظهروا انخفاضاً جوهرياً في أعراض القلق مقارنة بالمجموعة الضابطة.”

12.2 الإفصاح عن الشفافية الإحصائية والقيم غير الدالة

تشدد المنهجية الأكاديمية المعاصرة على مبدأ “الشفافية الإحصائية الكاملة”؛ حيث ترفض المجلات الرصينة الممارسات القديمة المتمثلة في الاكتفاء بذكر المتراجحات العامة للنتائج غير الدالة مثل كتابة (p > .05) أو وضع اختصار (ns – Non-significant). يجب على الباحث كتابة القيمة الاحتمالية الدقيقة حتى للنتائج غير الدالة (مثل: F(1, 28) = 1.45، p = .239)، لإتاحة البيانات كاملة لبحوث التحليل البعدي وتجنب تشويه الأدبيات العلمية.

كما يُحظر تماماً الانخراط في ممارسات التلاعب بالدلالة (P-hacking)؛ مثل استبعاد بعض الحالات المتطرفة بدون مبرر منهجي معلن، أو تغيير مستوى ألفا بأثر رجعي بعد الاطلاع على البيانات، أو تجزئة المجموعات بطرق تعسفية للحصول على قيمة p أقل من 0.05. إن النزاهة العلمية تقتضي توثيق كافة القرارات المنهجية كما خُطط لها سلفاً، بما في ذلك فحص الافتراضات الإحصائية المسبقة لاختبار F (مثل اعتدالية التوزيع الطبيعي داخل المجموعات، وتجانس التباينات عبر اختبار ليفين Levene’s Test).

12.3 دليل مرجعي سريع لمراجعة وتحقيق جودة التحليل الإحصائي

لضمان خلو التقرير البحثي من الأخطاء الاستدلالية أو الطباعية قبل تقديمه للنشر، يُوصى بالاعتماد على قائمة التحقق المنهجية السريعة التالية:

• ✔ فحص درجات الحرية: هل تتطابق درجات حرية البسط تماماً مع عدد الشروط التجريبية ناقص واحد ($k – 1$)، ودرجات حرية المقام مع العينة الكلية ناقص عدد المجموعات ($N – k$)؟
• ✔ مطابقة المحاور الجداولية: هل تم استخراج القيمة الحرجة بالاعتماد على $df_1$ كأعمدة و $df_2$ كصفوف وليس العكس؟
• ✔ التوافق بين F و P: إذا كانت قيمة F المحسوبة أكبر من القيمة الحرجة عند $\alpha = 0.05$، فهل تم تدوين القيمة الاحتمالية كقيمة أصغر من .05 وليس العكس؟
• ✔ التنسيق الطباعي لمعايير APA: هل تم جعل الحروف اللاتينية مائلة (F, p, df, $\eta^2$) وحذف الصفر الذي يسبق الفاصلة العشرية للقيمة الاحتمالية؟
• ✔ معالجة الأصفار الثلاثية: في حال كانت القيمة الاحتمالية الحاسوبية .000، هل تمت صياغتها كـ p < .001 وتجنب كتابة p = .000؟
• ✔ تكامل حجم الأثر: هل تم إقران كل إحصائية F دالة بمقياس واضح لحجم الأثر (η² أو ω²) لبيان الأهمية العملية للنتيجة؟

خاتمة

يظل استيعاب المبادئ الرياضية لتوزيع F وكيفية قراءة جداوله الإحصائية يدوياً لاستخراج القيمة الاحتمالية وتأطيرها مهارة أصيلة لا غنى عنها لأي باحث يسعى للتميز المنهجي في حقول العلوم النفسية، والسلوكية، والتربوية. إن الربط الدقيق بين قيمة F المحسوبة، ودرجات حرية البسط والمقام، ومستويات ألفا المتدرجة، لا يقتصر على كونه إجراءً حسابياً بحتاً، بل يمثل الإطار الفكري والمنطقي الذي يمنح القرارات العلمية موثوقيتها وحجيتها الاستدلالية.

إن التحول الواعي من الاستخدام الآلي السطحي للبرمجيات الإحصائية إلى الفهم الجذري لآليات اشتقاق الدلالة الإحصائية وحجم الأثر، والالتزام بمعايير التوثيق الأكاديمي الصارمة لجمعية علم النفس الأمريكية (APA 7th)، يمثل الضمانة الأساسية لإنتاج بحوث علمية رصينة تتسم بالشفافية وقابلية التكرار، وتساهم بفاعلية في تعميق المعرفة بالسلوك الإنساني وتطوير التدخلات التطبيقية القائمة على الدليل.

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.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Gravetter, F. J., Wallnau, L. B., Forzano, L. B., & Witnauer, J. E. (2020). Essentials of statistics for the behavioral sciences (10th ed.). Cengage Learning.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall.
• Snedecor, G. W., & Cochran, W. G. (1989). Statistical methods (8th ed.). Iowa State University Press.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108