كيفية إيجاد المدى في المخطط الصندوقي (مع أمثلة)

يُعد التحليل الاستكشافي للبيانات (Exploratory Data Analysis) أحد أهم الأركان المنهجية التي يعتمد عليها الباحثون والإحصائيون لفهم البنية العميقة للمتغيرات الكمية وسلوك توزيعاتها الرياضية. وفي خضم التطور المتسارع لعلم الإحصاء التطبيقي، تبرز الرسوم البيانية كأدوات بصرية لا غنى عنها لاختزال التعقيد الرقمي وتحويل الجداول الصماء إلى أنماط هندسية يسهل تأويلها واستنباط المؤشرات الإحصائية منها. ومن بين هذه الأدوات، يحتل المخطط الصندوقي—أو ما يُعرف بمخطط الصندوق والشاربين (Box Plot)—مكانة مركزية بوصفه تمثيلاً بيانياً شاملاً يجمع بين مقاييس النزعة المركزية ومقاييس التشتت في آنٍ واحد، مما يوفر رؤية بانورامية لمدى انتشار البيانات ودرجة تماثلها ووجود القيم الشاذة المتطرفة فيها.

تكتسب دراسة مقاييس التشتت (Measures of Dispersion) أهمية موازية تماماً لدراسة مقاييس الموضع والمركز؛ إذ إن الاكتفاء بمتوسط البيانات أو وسيطها يقدم صورة مبتورة قد تخفي تبايناً هائلاً بين مفردات العينة. ويأتي “المدى الإحصائي” (Statistical Range) في طليعة هذه المقاييس بوصفه المؤشر الأبسط والأكثر بديهية للتعبير عن الامتداد الكلي للظاهرة المدروسة، كونه يحدد الفجوة الفاصلة بين أدنى وأعلى قيمة في التوزيع. وعلى الرغم من بساطة هذا المفهوم الحسابي، فإن استخراجه الدقيق وتفسيره السليم من خلال المخطط الصندوقي يتطلبان إدراكاً عميقاً لمكونات الرسم، والتمييز الواعي بين نهايات الشوارب والنقاط المتطرفة المستقلة، والتفريق الجوهري بين المدى الكلي والمدى الربيعي.

يهدف هذا الدليل المرجعي الشامل والموسع إلى تفكيك كافة الجوانب النظرية والحسابية والتطبيقية المتعلقة بكيفية إيجاد المدى من المخطط الصندوقي. وسيتناول المقال بالتفصيل الدقيق الخلفية التاريخية والرياضية لهذا المخطط، والمكونات الهيكلية الخمسة المحددة له، والخطوات الإجرائية المنهجية لاستخراج القيم الطرفية، مع إبراز معالجة القيم الشاذة، وتقديم أمثلة تطبيقية واقعية مستمدة من العلوم السلوكية والتربوية والطبية، فضلاً عن مقارنة المجموعات المتعددة وتوضيح كيفية تنفيذ هذه الإجراءات عبر البرمجيات الإحصائية المتقدمة وتوثيقها وفق دليل الجمعية الأمريكية لعلم النفس (APA Style).

1. مقدمة شاملة حول المخطط الصندوقي وأهميته في التحليل الإحصائي

1.1 مفهوم المخطط الصندوقي (Box Plot) وسياقه التاريخي

يمثل المخطط الصندوقي أداة بصرية معيارية غير معلمية تُستخدم لتلخيص التوزيع التجريبي للمتغيرات الكمية المتصلة والمتقطعة على حد سواء. نشأ هذا التمثيل البياني الفريد بفضل إسهامات عالم الإحصاء الأمريكي البارز جون وايلدر توكي (John Tukey) الذي قدمه لأول مرة في عام 1977 ضمن كتابه المرجعي التأسيسي “Exploratory Data Analysis”. كان هدف توكي الأساسي يتمثل في تمكين المحلل الإحصائي من استكشاف البيانات بحرية دون فرض افتراضات مسبقة صارمة حول التوزيع الاحتمالي النظري—كالافتراض التقليدي باعتدالية التوزيع التكراري.

يوفر المخطط الصندوقي ملخصاً بيانياً مكثفاً يدمج خمس نقاط رئيسية تعكس بنية التوزيع، مما يتيح للباحث قراءة بصرية فورية لخصائص الموقع (Location)، والتشتت (Spread)، ودرجة الالتواء (Skewness)، وتماثل التوزيع حول مركزه، بالإضافة إلى الكشف التلقائي عن الملاحظات الشاذة أو المتطرفة التي تنحرف بصورة حادة عن الكتلة الغالبة للبيانات. وبخلاف المدرجات التكرارية (Histograms) التي تتأثر بشدة باختيار عرض الفئات وعددها، يتميز المخطط الصندوقي بالاستقرار الرياضي وقدرته الفائقة على تيسير المقارنات المتزامنة بين عدة عينات ومجموعات تجريبية مختلفة.

في مجالات العلوم السلوكية والنفسية والاجتماعية، يُعد المخطط الصندوقي من الركائز الأساسية التي يعتمد عليها الباحثون لفحص البيانات الاستطلاعية قبل الشروع في بناء النماذج الاستدلالية المتقدمة. فهو يساعد في التحقق من الفروض المسبقة للاختبارات الإحصائية، كفحص تجانس التباين، واكتشاف الأخطاء الناتجة عن إدخال البيانات أو استجابات المشاركين غير المكترثين في مقاييس الشخصية والاتجاهات النفسية، وتحديد ما إذا كان المتغير المدروس يمتلك مدى انتشار واسع يتطلب تدخلاً لضبط المتغيرات الدخيلة.

1.2 الملخص الخماسي للأرقام (Five-Number Summary) كركيزة أساسية

يرتكز المخطط الصندوقي في جوهره البنائي والرياضي على ما يُعرف في الأدبيات الإحصائية بـ “الملخص الخماسي للأرقام” (Five-Number Summary). يتألف هذا الملخص من خمس قيم إحصائية رُتبية مشتقة من ترتيب المشاهدات تصاعدياً من الأصغر إلى الأكبر، وتشمل: القيمة الصغرى، الربيع الأول، الوسيط، الربيع الثالث، والقيمة العظمى. تشكل هذه الركائز الهيكل العظمي للمخطط وتحدد مواضع عناصره البيانية المختلفة على المحور القياسي بدقة هندسية متناهية.

تبدأ هذه المنظومة بالقيمة الصغرى (Minimum)، وهي أقل رصدية غير متطرفة سُجلت في مجموعة البيانات، وتُوضع في المخطط عند أقصى الطرف السفلي (في المخططات الرأسية) أو الطرف الأيسر (في المخططات الأفقية). يليها الربيع الأدنى أو الأول (First Quartile – Q1)، الذي يمثل القيمة التي يقع دونها 25% من مجموع البيانات المرتبة، بينما يقع فوقه 75% منها، مشكلاً بذلك الحد الأساسي الأدنى لكتلة البيانات المركزية.

تتوسط هذه الركائز نقطة الوسيط الإحصائي (Median أو Q2)، وهو مقياس الموضع المركزي غير الحساس للقيم المتطرفة، والذي يقسم العينة المرتبة إلى نصفين متساويين بنسبة 50% لكل منهما. ويعقبه الربيع الأعلى أو الثالث (Third Quartile – Q3)، وهو النقطة التي تحصر تحتها 75% من المشاهدات وتقابل المئين الخامس والسبعين (75th Percentile)، ممثلةً الحد الأعلى لكتلة البيانات المركزية. وأخيراً، تأتي القيمة العظمى (Maximum) لتشير إلى أعلى رصدية غير متطرفة ضمن العينة، محددةً الامتداد الكلي الأعلى للبيانات. يشكل الربيعان الأول والثالث حدود “الصندوق”، بينما يحدد الوسيط خطه الداخلي، وتمتد “الشوارب” لتصل إلى القيمتين الصغرى والعظمى.

1.3 الهدف الأساسي من دراسة التشتت والمدى عبر التمثيل البياني

تقتضي المنهجية العلمية الرصينة ألا تقتصر دراسة أي متغير إحصائي على مؤشرات التمركز والموضع كالوسط الحسابي أو الوسيط؛ إذ إن مجموعتين من البيانات قد تتطابقان تماماً في قيمة الوسيط الحسابي بينما تختلفان جذرياً في سلوكهما الواقعي نتيجة التباين الحاد في درجة انتشار القيم حول ذلك المركز. ومن هنا تبرز دراسة التشتت كضرورة ملحة لوصف استقرار الظاهرة، وتحديد مدى تجانس أو تباين الوحدات الملاحظة ضمن العينة البحثية.

يؤدي المدى الإحصائي (Range) دوراً حيوياً بوصفه أول وأبسط مؤشرات التشتت التي تلتقطها العين البشرية عند فحص المخطط البياني الصندوقي. فهو يعكس المسافة المطلقة الإجمالية التي تغطيها المشاهدات من طرفها الأدنى إلى طرفها الأقصى، مما يمنح الباحث انطباعاً أولياً وسريعاً عن الحدود القصوى للظاهرة المقاسة. ويسمح هذا الانطباع برصد الفروق الفردية الكلية وملاحظة الاتساع غير الاعتيادي في تباين المشاهدات بصورة فورية.

علاوة على ذلك، يتيح التمثيل البصري للمدى عبر المخططات الصندوقية مقارنة درجة التشتت بين عدة عينات تجريبية أو ضابطة جنباً إلى جنب دون الحاجة إلى إجراء حسابات تباين معقدة في المرحلة الأولى من المعاينة. فمن خلال المقارنة البصرية للمسافة الكلية بين نهايات الشوارب في المخططات المتجاورة، يستطيع المحلل تحديد المجموعات الأكثر استقراراً والأقل تبايناً، وتلك التي تعاني من تشتت واسع يقتضي تفكيك أسبابه والبحث في العوامل الكامنة خلف هذا التباعد في الأداء أو الاستجابة.

2. المكونات الهيكلية للمخطط الصندوقي بالتفصيل

2.1 الصندوق المركزي (The Box) وحدوده

يمثل المستطيل المركزي، أو ما يُطلق عليه اصطلاحاً “الصندوق” (The Box)، الجزء الأهم والأكثر بروزاً في المخطط البياني. يتحدد هذا المستطيل هندسياً بين حدين موازيين لمحور القياس: الحافة السفلى (أو اليسرى) التي تستند مباشرة على قيمة الربيع الأول (Q1)، والحافة العليا (أو اليمنى) التي تستند على قيمة الربيع الثالث (Q3). ومن ثم، فإن طول هذا المستطيل لا يمثل المدى الكلي للبيانات، بل يمثل بصرياً ما يُعرف بـ المدى الربيعي (Interquartile Range – IQR).

يحمل هذا الصندوق دلالة إحصائية جوهرية؛ إذ إنه يضم في داخله تماماً النصف الأوسط (50%) من المشاهدات الإحصائية الإجمالية للعينة. يعكس هذا الجزء تركز الكتلة الأساسية للتوزيع بمعزل عن التأثيرات المشوشة للأطراف البعيدة أو القيم الشاذة، مما يجعل حجم الصندوق مؤشراً مباشراً على مدى استقرار وكثافة تجمع البيانات حول المركز.

يحتوي الصندوق في داخله على خط مستقيم قاطع يُرسم بصورة موازية لحدود الصندوق عند الموضع الدقيق لقيمة الوسيط الإحصائي (Q2). يوفر موضع هذا الخط الداخلي بالنسبة لحدود الصندوق معلومات بالغة الأهمية؛ فإذا كان خط الوسيط يقسم الصندوق إلى جزأين متساويين، دل ذلك على تماثل النصف المركزي للبيانات، أما إذا كان خط الوسيط قريباً من الربيع الأول أو الربيع الثالث، فإن ذلك يعكس التواءً إحصائياً إيجابياً (موجباً) أو سلبياً (سالباً) في التوزيع المركزي للبيانات على التوالي.

2.2 الشاربان (Whiskers) وامتدادهما

يُطلق اسم “الشاربين” (Whiskers) على الخطين المستقيمين الممتدين من حافتي الصندوق المركزي باتجاه الأطراف الخارجية للمخطط. يبدأ الشارب السفلي من حافة الربيع الأول (Q1) ويمتد هبوطاً (أو يساراً) حتى يصل إلى أدنى قيمة ضمن البيانات لا تُعد متطرفة. وفي المقابل، يبدأ الشارب العلوي من حافة الربيع الثالث (Q3) ويمتد صعوداً (أو يميناً) حتى يصل إلى أعلى قيمة عادية ضمن البيانات.

تخضع نهايات الشاربين لقواعد رياضية صارمة ومحددة صاغها جون توكي لمنع تضخم أبعاد المخطط بسبب القيم الشاذة. تحدد هذه القواعد حداً أقصى لطول الشارب يُقاس بمقدار 1.5 ضعف المدى الربيعي (1.5 × IQR). وبناءً على ذلك، يتم حساب السور الداخلي السفلي بالمعادلة (Q1 – 1.5 × IQR)، والسور الداخلي العلوي بالمعادلة (Q3 + 1.5 × IQR). ولا يمتد الشارب بالضرورة إلى هذه الأسوار الحسابية، بل ينتهي عند أبعد نقطة بيانات فعلية تقع داخل نطاق هذه الأسوار.

تُعد نهايات هذين الشاربين الركيزة الأساسية لتحديد القيمة الصغرى والقيمة العظمى غير المتطرفة في مجموعة البيانات. وبالتالي، فإن معرفة طول وامتداد الشاربين تُمكّن الباحث من تحديد طرفي البيانات الاعتيادية، وملاحظة مدى التناظر بين ذيلي التوزيع التكراري؛ فالشارب العلوي الطويل مقارنة بالسفلي يعكس وجود ذيل ممتد نحو القيم المرتفعة، مما يؤكد الالتواء الموجب للمتغير.

2.3 المحاور الإحصائية وقراءة التدريج

لا يمكن استخراج أي قيمة إحصائية من المخطط الصندوقي دون الرجوع الدقيق إلى المحور القياسي المتدرج الملحق بالرسم. يتخذ المخطط الصندوقي في الممارسة الإحصائية أحد شكلين رئيسيين: إما المخطط الصندوقي الرأسي (Vertical Box Plot)، حيث يمثل المحور الصادي (Y-axis) مقياس قيم المتغير الكمي بينما يعبر المحور السيني (X-axis) عن المجموعات أو المتغيرات التصنيفية؛ أو المخطط الصندوقي الأفقي (Horizontal Box Plot)، حيث تنعكس الأدوار وتُقاس القيم العددية على المحور السيني الأفقي.

تعتمد دقة استخراج المدى والمقاييس الأخرى على مدى انتظام التدريج الإحصائي على المحور. يجب أن يتمتع المحور بفترات تدريج متساوية وثابتة تمثل وحدات قياس خطية، مع وجود علامات رئيسية (Major Ticks) وعلامات فرعية (Minor Ticks) تُمكّن القارئ من إجراء المطابقة المكانية بدقة. يؤدي أي خلل في مقياس الرسم أو عدم انتظام فترات التدريج إلى أخطاء فادحة في تقدير المسافات الإحصائية وحساب الفروق العددية.

لتحقيق أعلى درجات الدقة عند قراءة المخطط، يقوم الباحث بعملية إسقاط بصري أو هندسي متعامد، يبدأ من النقطة المراد قراءتها (كنهاية الشارب أو النقطة المتطرفة) بشكل عمودي على المحور الرقمي. في البيئات الرقمية، يتم ذلك باستخدام خطوط الشبكة المساعدة (Gridlines) أو أدوات التقريب الرقمي لضمان تحويل الموضع الهندسي للنقطة إلى قيمة عددية دقيقة تطابق الملاحظة المسجلة في قاعدة البيانات الأصلية.

3. المفهوم الرياضي للمدى الإحصائي (Statistical Range)

3.1 التعريف النظري والرياضي للمدى

يُعرف المدى الإحصائي رياضياً بأنه الفارق الحسابي المطلق بين أعلى قيمة وأدنى قيمة في مجموعة من البيانات الكمية. يمثل المدى المقياس الأول الذي تم تطويره في تاريخ علم الإحصاء الوصفي للتعبير عن سعة التوزيع الهندسي للظاهرة. ينطلق هذا المفهوم من الفكرة المنطقية البديهية القائلة بأن الانتشار الكلي لأي متغير يتحدد بالفجوة الإجمالية التي تفصل بين طرفيه المتعاكسين على خط الأعداد الحقيقية.

يتميز المدى ببساطته المفاهيمية وقابليته للتفسير الفوري والمباشر، مما يجعله جذاباً في العروض التقديمية والتقارير العامة التي تخاطب غير المتخصصين. ومع ذلك، فإن هذه البساطة تفرض قيداً رياضياً كبيراً؛ إذ إن المدى يعتمد حصرياً على قيمتين اثنتين فقط من مجموع بيانات العينة، متجاهلاً بشكل تام كافة المشاهدات الواقعة بين هاتين النقطتين الطرفيتين، بغض النظر عن حجم العينة الإجمالي سواء كانت تتألف من عشر مفردات أو ملايين المفردات.

تترتب على هذه الخاصية الرياضية حساسية استثنائية وفائقة للمدى تجاه القيم القصوى والطرفية؛ فظهور مفردة شاذة واحدة ناتجة عن خطأ في القياس أو حالة نادرة استثنائية يؤدي إلى تضاعف قيمة المدى بشكل فوري ومضلل، دون أن يعبر هذا التغير عن تحول حقيقي في التشتت العام لغالبية أفراد العينة. ولذلك، يصنف الإحصائيون المدى بأنه مقياس “غير حصين” (Non-robust Statistic) يتطلب فحصاً حذراً لسياق التوزيع عند اعتماده.

3.2 الفرق بين المدى ومقاييس التشتت الأخرى

لتحديد موضع المدى ضمن منظومة الإحصاء الوصفي، يتعين مقارنته بمقاييس التشتت الأكثر تعقيداً ورسوخاً في التحليل الاستدلالي، وعلى رأسها الانحراف المعياري (Standard Deviation) والتباين الإحصائي (Variance). يكمن الفرق الجوهري في أن التباين والانحراف المعياري يدخلان في حسابهما كل نقطة بيانات مفردة داخل التوزيع، عبر قياس انحراف كل مشاهدة عن المتوسط الحسابي وتربيع تلك الانحرافات، مما يوفر تقديراً لمتوسط تشتت المشاهدات حول مركزها المشترك.

وعلى النقيض من ذلك، يكتفي المدى بتحديد الحدود الخارجية للتوزيع دون إعطاء أي وزن لكيفية توزع البيانات داخل هذا النطاق الخارجي؛ فقد تمتلك مجموعتان من البيانات المدى نفسه تماماً (وليكن 50 وحدة)، بينما تتجمع بيانات المجموعة الأولى بكثافة شديدة حول المتوسط بانحراف معياري منخفض جداً، في حين تتوزع بيانات المجموعة الثانية بانتظام متباعد على طول النطاق مما يرفع انحرافها المعياري بصورة هائلة.

وعلى الرغم من المزايا الرياضية الفائقة للانحراف المعياري في التحليلات البارامترية، يظل للمدى ميزة السرعة الفائقة في الحساب والاستيعاب الذهني الفوري؛ إذ لا يتطلب استخراجه معرفة الوسط الحسابي أو إجراء عمليات تربيع وجمع وجذور معقدة، مما يجعله مقياساً تمهيدياً ومساعداً بالغ الأهمية لفهم الحدود القصوى قبل التعمق في النمذجة الإحصائية المتقدمة.

3.3 الأهمية التطبيقية للمدى في البحوث النفسية والتربوية

يحظى المدى الإحصائي بمكانة بالغة الأهمية في حقول القياس النفسي والتقويم التربوي والعلوم الاجتماعية؛ حيث يستخدمه الباحثون والمشخصون كأداة حاسمة لتقييم الفجوة الفاصلة بين أدنى وأعلى أداء مسجل على مقاييس القدرات العقلية، والاختبارات التحصيلية، واستبانات السمات الشخصية. يعكس المدى في هذه السياقات الاتساع الكلي للفروق الفردية القائمة بين المفحوصين، مما يساعد في تقييم مدى تنوع أو تجانس العينة المدروسة.

في البيئات التعليمية والأكاديمية، يُعد حساب المدى لدرجات الطلاب في الاختبارات المعيارية مؤشراً بالغ الدلالة على مدى تباين مستويات التحصيل داخل الفصول الدراسية؛ فالمدى الواسع جداً يشير إلى وجود تفاوت دراماتيكي بين الطلاب المتفوقين والطلاب المتعثرين، مما يتطلب برامج تعليمية فارقة واستراتيجيات تدريس متمايزة. بينما يعكس المدى الضيق تقارباً في الأداء التعليمي بين المتعلمين.

بالإضافة إلى ذلك، يُستخدم المدى في المراحل التمهيدية للبحوث النفسية لفحص أدوات القياس السيكومترية ذاتها والتحقق من صلاحيتها؛ فإذا أسفر تطبيق مقياس معين عن مدى محدود للغاية لا يتجاوز بضع درجات على الرغم من اتساع المدى النظري للأداة، فإن ذلك ينبه الباحث إلى وجود ظاهرة تدني الحساسية التمييزية للمقياس، أو وقوع المشاركين في فخ “تأثير السقف” (Ceiling Effect) أو “تأثير الأرضية” (Floor Effect)، مما يحتم مراجعة فقرات الاختبار وصعوبتها.

4. الصيغة الرياضية المباشرة لحساب المدى من المخطط الصندوقي

4.1 معادلة المدى الأساسية

تستند عملية استخراج المدى من المخطط الصندوقي إلى قانون رياضي مباشر يقوم على عملية طرح أساسية بين الطرفين المحددين للتوزيع. وتُصاغ المعادلة الرياضية المعيارية لحساب المدى الإحصائي على النحو التالي:

المدى (Range) = القيمة العظمى (Maximum) – القيمة الصغرى (Minimum)

حيث تمثل “القيمة العظمى” النقطة المقابلة لأعلى مستوى عددي تسجله المشاهدات على المحور الإحصائي، بينما تمثل “القيمة الصغرى” النقطة المقابلة لأدنى مستوى عددي تسجله المشاهدات على المحور ذاته. تتسم هذه المعادلة بالدقة والشمول؛ إذ تعبر عن طول المسافة الإقليدية الفاصلة بين نهايتي فضاء البيانات على خط الأعداد.

من الناحية الرياضية، يجب التأكيد على أن ناتج هذه المعادلة يمثل دائماً قيمة غير سالبة (Non-negative)؛ أي أنه يكون دائماً أكبر من الصفر في التوزيعات التي تحوي تفاوتاً في القيم، أو مساوياً للصفر في الحالة النظرية الخاصة التي تتطابق فيها كافة مشاهدات العينة عند نفس الرقم تماماً. ولا يمكن تحت أي ظرف من الظروف الحسابية أن يكون المدى الإحصائي سالباً؛ إذ إن طرح القيمة الصغرى من القيمة العظمى يضمن منطقياً وإجرائياً الحصول على ناتج موجب.

4.2 تحديد القيمة الصغرى والعظمى من الرسم

يتطلب التطبيق الإجرائي لمعادلة المدى على المخطط الصندوقي دقة فائقة في تحديد النقاط التي تمثل القيمة الصغرى والقيمة العظمى من على الرسم البياني. في المخططات الصندوقية المعيارية الخالية من القيم الشاذة، تتمثل القيمة الصغرى في الطرف النهائي للشارب السفلي (Lower Whisker Tip)، في حين تتمثل القيمة العظمى في الطرف النهائي للشارب العلوي (Upper Whisker Tip).

ولاستخراج هذه القيم بدقة متناهية، يجب على الباحث اتباع أسلوب الإسقاط الهندسي المتعامد؛ ففي المخططات الرأسية، يتم تتبع نهاية الشارب السفلي أفقياً باتجاه محور الصادات (Y-axis) لقراءة الرقم المقابل تماماً لتلك النقطة وتسجيله بوصفه القيمة الصغرى. ثم يتم تكرار الإجراء نفسه مع نهاية الشارب العلوي بالانتقال أفقياً نحو محور الصادات لتسجيل القيمة العظمى.

أما في المخططات الصندوقية الأفقية، فإن الإسقاط يتم بصورة رأسية نحو الأسفل باتجاه محور السينات (X-axis)؛ حيث تُسقط نهاية الشارب الأيسر لقراءة القيمة الصغرى، وتُسقط نهاية الشارب الأيمن لقراءة القيمة العظمى. وفي الحالات التي يتضمن فيها المخطط نقاطاً شاذة تقع خارج الشوارب، يجب تحديد ما إذا كان المدى المطلوب حسابه هو المدى الشامل للبيانات (الذي يستند إلى أبعد نقطة شاذة) أو مدى البيانات الاعتيادية (الذي يتوقف عند حدود الشوارب)، وهو تمييز جوهري سنفصله لاحقاً.

4.3 مراعاة وحدات القياس الإحصائية

من القواعد المنهجية الصارمة في الإحصاء الوصفي ألا تُعامل قيمة المدى الناتجة كرقم مجرد خالي من الدلالة؛ بل يجب دائماً إقران القيمة المحسوبة بوحدة القياس الأصلية التي قيس بها المتغير الخاضع للدراسة. فإذا كان المخطط الصندوقي يمثل أزمنة استجابة مقاسة بالمللي ثانية، فإن المدى يُكتب بوحدة “مللي ثانية”، وإذا كان يمثل درجات اختبار تحصيلي، فيجب توثيق المدى بوحدة “درجة”.

تتأثر قيمة المدى بالتحويلات الخطية التي قد تُجرى على مقياس البيانات الأصلي؛ فإذا تم ضرب كافة قيم البيانات في معامل ثابت (كما في التحويل من وحدة السنتيمتر إلى المليمتر بضرب القيم في 10)، فإن قيمة المدى الناتجة تتضاعف بالمقدار ذاته (تُضرب في 10). أما إذا أُضيف مقدار ثابت إلى جميع المشاهدات (إزاحة خطية)، فإن قيمة المدى تظل ثابتة تماماً دون أي تغيير؛ لأن المقدار الثابت يُطرح من نفسه عند حساب الفرق بين العظمى والصغرى.

يساعد التفسير اللفظي المقترن بوحدات القياس الباحث في تقديم صياغة علمية واضحة للظاهرة المدروسة في التقرير النهائي؛ كأن يُذكر مثلاً: “أظهر المخطط الصندوقي أن درجات القلق لدى المشاركين تفاوتت بمدى كلي مقداره 35 نقطة على مقياس بيك للاكتئاب، ممتدة من حد أدنى بلغ 10 نقاط إلى حد أقصى بلغ 45 نقطة”، مما يمنح الرقم دلالة سيكومترية وتربوية قابلة للفهم والتطبيق السريري أو الأكاديمي.

5. خطوات عملية متسلسلة لإيجاد المدى من أي مخطط صندوقي

5.1 الخطوة الأولى: فحص اتجاه المخطط والمحور العددي

تبدأ العملية المنهجية لقراءة المخطط الصندوقي بالفحص البصري الأولي لتحديد اتجاه الرسم وطبيعة المحاور المستخدمة. يتعين على الباحث التحقق أولاً مما إذا كان المخطط مرسوماً بشكل رأسي أو أفقي؛ وذلك لمعرفة المحور المخصص لتمثيل المتغير الرقمي الكمي، حيث يقع المتغير على المحور الرأسي في الرسوم الصاعدة، بينما يستقر على المحور الأفقي في الرسوم العرضية.

تتمثل المهمة الحاسمة في هذه الخطوة في تدقيق “مقياس الرسم” (Scale) وفحص وتيرة التدريج المستخدمة على المحور العددي. يجب تحديد القيمة الرياضية التي تمثلها كل شرطة تدريج رئيسية وفرعية؛ فهل يزداد المحور بمقدار وحدة واحدة (1، 2، 3…)، أم بمضاعفات العدد خمسة (5، 10، 15…)، أم بمضاعفات العشرات أو المئات؟ يضمن هذا الفحص الأولي تجنب الأخطاء الشائعة في التقدير البصري التي تنتج عن القراءة السريعة وغير المتأنية للمحاور.

بالإضافة إلى ذلك، يجب التأكد من خطية التدريج (Linearity) وخلوه من الانقطاعات أو التشويه البصري؛ والتأكد مما إذا كان المحور يبدأ من نقطة الصفر أو من قيمة مقطوعة (Truncated Axis)، والتثبت من عدم استخدام مقياس لوغاريتمي قد يغير المسافات النسبية بين النقاط، لضمان أن المسافة المقروءة هندسياً تعكس التغير الحسابي الحقيقي لقيم المتغير.

5.2 الخطوة الثانية: استخراج القيم الطرفية (الحدود الدنيا والعليا)

بعد ضبط مقياس المحور والتحقق من انتظام تدريجه، ينتقل الباحث إلى الخطوة الإجرائية الثانية المتمثلة في استخراج القيم الطرفية الفعلية للعينة من الرسم. تبدأ هذه العملية بالتركيز على الطرف الأدنى للمخطط؛ حيث يتم تحديد النقطة التي تمثل أقصى امتداد للشارب السفلي (أو الأيسر) في حال خلو المخطط من القيم الشاذة، أو تحديد أبعد نقطة شاذة سفلية منفصلة إذا كان الهدف حساب المدى الشامل لكافة المشاهدات.

يتم إسقاط هذه النقطة الدنيا بصورة دقيقة ومستقيمة بزاوية قائمة (90 درجة) على المحور العددي المقابل، مع استخدام مسطرة أو خطوط إسقاط دقيقة في البرمجيات الرقمية لضمان عدم انحراف زاوية النظر. وتُسجل القيمة العددية المقابلة لموضع الإسقاط بدقة متناهية تحت مسمى “القيمة الصغرى” (Minimum Value).

تُكرر العملية ذاتها وبنفس الدقة المنهجية مع الطرف الأعلى للمخطط الصندوقي؛ حيث يُحدد موضع نهاية الشارب العلوي (أو الأيمن) أو أقصى نقطة شاذة عليا تقع في أعلى المخطط. ويُجرى إسقاط هذه النقطة العلوية على المحور الرقمي لاستخراج وتسجيل “القيمة العظمى” (Maximum Value). يُوصى بتدوين هاتين القيمتين في مسودة التحليل مع الإشارة إلى دقة التقدير العشري إن كانت النقطة تقع بين علامتي تدريج.

5.3 الخطوة الثالثة: تطبيق عملية الطرح الإحصائي والتحقق

تأتي الخطوة الثالثة لتتويج المعطيات المستخرجة عبر تطبيق الصيغة الرياضية لحساب المدى؛ حيث يتم أخذ القيمة العظمى المسجلة وطرح القيمة الصغرى منها مباشرة. يجب إتمام هذه العملية الحسابية بهدوء ومراجعة ناتج الطرح مرتين لتفادي أخطاء الحساب الذهني البسيط، لا سيما عند التعامل مع أرقام كسرية أو سالبة في بعض المقاييس النفسية المعيارية كدرجات Z المعيارية.

بعد استخراج الناتج الحسابي، تأتي مرحلة التحقق المنطقي من صحة النتيجة (Logical Validation). يقوم الباحث بمقارنة قيمة المدى المحسوبة بالهيكل العام للمخطط الصندوقي؛ إذ يجب بالضرورة المنطقية أن تكون قيمة المدى الإجمالي أكبر دائماً من طول الصندوق المركزي (المدى الربيعي)، وأكبر من طول أي من الشاربين بمفردهما. إذا تساوى المدى مع المدى الربيعي، فإن ذلك يعني انعدام الشوارب تماماً، وهو وضع نادر يشير إلى تركز 50% من البيانات في نقطتي الأطراف.

كما يُستحسن التحقق من معقولية المدى في ضوء المدى النظري لأداة القياس المستخدمة؛ فإذا كانت الأداة عبارة عن اختبار تحصيلي من 100 درجة، وكان المدى المحسوب 120 درجة، دل ذلك حتماً على وجود خطأ فادح في قراءة التدريج أو وجود أخطاء في رسم المخطط، مما يفرض إعادة تدقيق الإسقاطات ومطابقة المحاور قبل اعتماد النتيجة النهائية في البحث.

6. التمييز الدقيق بين المدى الكلي (Range) والمدى الربيعي (IQR)

6.1 تعريف وحساب المدى الربيعي (Interquartile Range)

يُعد المدى الربيعي (Interquartile Range – IQR) أحد أهم مقاييس التشتت الحصينة في الإحصاء الوصفي، وهو يرتبط ارتباطاً وثيقاً وهيكلياً بالمخطط الصندوقي؛ إذ يمثل المدى الربيعي هندسياً الطول الفعلي للمستطيل الصندوقي المركزي. يُحسب المدى الربيعي عبر إيجاد الفارق الحسابي بين الربيع الثالث (Q3) والربيع الأول (Q1) وفق المعادلة التالية:

المدى الربيعي (IQR) = الربيع الثالث (Q3) – الربيع الأول (Q1)

يعبر المدى الربيعي عن مقدار التشتت أو الانتشار في النصف الأوسط (50%) من المشاهدات الإحصائية، متجاهلاً النصف المتبقي الموزع بالتساوي بين الربع الأدنى (25%) والربع الأعلى (25%). وتكمن الأهمية الاستثنائية لهذا المقياس في كونه مقياساً حصيناً ومقاوماً للقيم الشاذة والمتطرفة (Robust Measure)؛ حيث إن التغيرات الحادة في القيم القصوى أو ظهور أخطاء قياس طرفية لا تؤثر إطلاقاً على قيمة المدى الربيعي ما دامت تحدث خارج نطاق الربعين الأوسطين.

من الناحية البصرية، يمكن للباحث تقدير المدى الربيعي بمجرد النظر إلى ارتفاع الصندوق في المخططات الرأسية أو عرضه في المخططات الأفقية وإسقاط حافتي الصندوق على المحور العددي، مما يجعله المقياس المفضل لوصف التشتت عند التعامل مع التوزيعات الملتوية أو البيانات التي تعاني من تلوث بالقيم المتطرفة.

6.2 مقارنة منهجية بين المدى الكلي والمدى الربيعي

لتوضيح الفروق الجوهرية بين المدى الكلي (Range) والمدى الربيعي (IQR)، يقدم الجدول المقارن التالي تحليلاً منهجياً لأبرز الخصائص الرياضية والتطبيقية لكلا المقياسين:

وجه المقارنة	المدى الكلي (Range)	المدى الربيعي (IQR)
الصيغة الرياضية	القيمة العظمى – القيمة الصغرى (Max – Min)	الربيع الثالث – الربيع الأول (Q3 – Q1)
التمثيل البصري في المخطط	المسافة الكلية من طرف الشارب/النقطة الدنيا إلى الشارب/النقطة العليا	طول أو عرض المستطيل الصندوقي المركزي فقط
نسبة البيانات الممثلة	100% من مشاهدات العينة المدروسة	50% من المشاهدات المركزية الوسطى
الحساسية للقيم المتطرفة	حساسية قصوى؛ يتضخم بشدة بوجود أي قيمة شاذة	مقاوم وحصين تماماً ضد تأثير القيم الشاذة
الاستخدام الموصى به	معرفة الحدود القصوى الشاملة والفجوة الإجمالية	وصف التشتت في التوزيعات الملتوية وغير المعلمية

يتضح من المقارنة أن كلا المقياسين يخدم غرضاً تحليلياً مختلفاً؛ فالمدى الكلي يعكس السعة الجغرافية الكلية لانتشار المشاهدات، بينما يعكس المدى الربيعي كثافة وتشتت النواة الصلبة للتوزيع الإحصائي دون التأثر بتشوهات الذيول.

6.3 سيناريوهات تفضيل المدى أو المدى الربيعي في التقارير الأكاديمية

تفرض طبيعة الأهداف البحثية والخصائص التوزيعية للمتغيرات تفضيل أحد المقياسين أو الجمع بينهما في كتابة التقارير الإحصائية المحكمة. يُفضل الاعتماد على المدى الكلي في السيناريوهات التي يكون فيها الهدف الأساسي تقييم السلامة والأمان، أو تحديد الحدود القصوى للطاقة الاستيعابية؛ كما في دراسات هندسة العوامل البشرية التي تبحث في المدى الكلي لأطوال وأوزان الأفراد لتصميم بيئات عمل تستوعب الجميع من أقصر فرد إلى أطول فرد في المجتمع.

وفي المقابل، يُعد المدى الربيعي الخيار الأكاديمي الواجب اعتماده عند تحليل وتفسير المتغيرات السلوكية والاقتصادية التي تتسم بالالتواء الشديد ووجود ذيول طويلة محملة بالقيم الشاذة، كدراسات الدخل الفردي، أو فترات البقاء على قيد الحياة في البحوث الطبية، أو أزمنة الاستجابة في الاختبارات النفسية العصبية؛ حيث يؤدي الاعتماد على المدى الكلي في هذه الحالات إلى إعطاء انطباع مضلل وخاطئ تماماً عن التشتت الحقيقي لغالبية أفراد العينة.

وتقتضي الممارسة الإحصائية الفضلى في الدراسات الاستكشافية المتقدمة تقديم كلا المقياسين معاً بأسلوب تكاملي؛ حيث يُعرض الوسيط مع المدى الربيعي بوصفهما المؤشرين الحصينين للمركز والتشتت الأوسط، بينما يُذكر المدى الكلي (بين القوسين مع القيمتين الصغرى والعظمى) لتزويد القارئ بالصورة الشاملة لأبعاد الظاهرة دون تشويه لحقيقتها الإحصائية المركزية.

7. التعامل مع القيم المتطرفة (Outliers) عند إيجاد المدى

7.1 كيف تظهر القيم المتطرفة في المخطط الصندوقي؟

تُعرف القيم المتطرفة (Outliers) في الأدبيات الإحصائية بأنها المشاهدات التي تنحرف بشكل غير اعتيادي ومتباعد عن النمط العام لبقية بيانات العينة. وفي المخططات الصندوقية المعيارية المعتمدة على منهجية جون توكي، لا يتم إدماج هذه القيم داخل الشاربين، بل تُعرض بصرياً كرموز منفصلة بذاتها—كنقاط دائرية صغيرة (Dots)، أو علامات نجمية (Asterisks)، أو إشارات جمع (+)—تقع في الفضاء الخارجي الممتد وراء نهايات الشاربين.

اعتمد توكي في تصنيف هذه القيم على ما يُعرف بالأسوار الإحصائية (Statistical Fences) المبنية على المدى الربيعي؛ وتُميز الأدبيات بين مستويين من التطرف:

• القيم المتطرفة المعتدلة أو العادية (Mild Outliers): وهي النقاط التي تقع بين السور الداخلي (1.5 × IQR من حافة الصندوق) والسور الخارجي (3 × IQR من حافة الصندوق)، وتُمثل عادة بنقاط دائرية مصمتة.
• القيم المتطرفة الشديدة أو الحادة (Extreme Outliers): وهي النقاط التي تقع وراء السور الخارجي متجاوزة مسافة (3 × IQR) من حافة الصندوق، وتُمثل غالباً بنجوم أو علامات مميزة في برمجيات مثل SPSS للإشارة إلى خطورة انحرافها.

تنشأ هذه القيم المتطرفة في البحوث النفسية والتجريبية نتيجة عوامل متعددة، منها: أخطاء القياس أو الإدخال الآلي، أو عدم التزام بعض المفحوصين بالتعليمات والإجابة العشوائية، أو تمثيلها لحالات إكلينيكية نادرة وفريدة تستحق الدراسة المعمقة بذاتها كحالات الموهبة الاستثنائية الفائقة أو التدهور المعرفي الحاد.

7.2 المدى الشامل مقابل المدى المحصور بالشوارب

يفرض وجود القيم المتطرفة في المخطط الصندوقي تمييزاً إجرائياً حاسماً عند حساب المدى؛ إذ يصبح أمام الباحث خياران منهجيان لحساب المدى، ويجب الإفصاح بدقة عن المنهج المتبع في التقرير:

1. المدى الشامل لكافة البيانات (Overall Range): ويُحسب بطرح أدنى نقطة مسجلة في المخطط على الإطلاق (سواء كانت نهاية الشارب السفلي أو أبعد نقطة شاذة سفلية) من أعلى نقطة مسجلة في المخطط على الإطلاق (سواء كانت نهاية الشارب العلوي أو أبعد نقطة شاذة عليا). يمثل هذا المدى الامتداد الفعلي والتام لكافة مفردات العينة دون استثناء أي مشاهدة.

2. مدى البيانات الاعتيادية أو المحصور بالشوارب (Whisker-to-Whisker Range): ويُحسب بحساب الفرق بين نهاية الشارب العلوي ونهاية الشارب السفلي فقط، مع استبعاد النقاط الشاذة المنفصلة من عملية الطرح. يعبر هذا المدى عن انتشار البيانات الطبيعية المتسقة ويوفر تقديراً أقل تأثراً بالشذوذ الإحصائي مع بقائه أوسع من المدى الربيعي.

عند توثيق النتائج، يجب على الباحث كتابة العبارة بوضوح تام، مثل: “بلغ المدى الشامل للبيانات بما في ذلك القيم المتطرفة 80 وحدة (الممتد من 10 إلى 90)، بينما بلغ مدى البيانات الاعتيادية المحصور بين نهايتي الشاربين 45 وحدة (الممتد من 20 إلى 65)”؛ لضمان الشفافية المنهجية وتمكين القارئ من فهم الطبيعة الدقيقة لانتشار المتغير.

7.3 أثر إدراج أو استبعاد القيم الشاذة على دلالة المدى

يُحدث إدراج أو استبعاد القيم الشاذة أثراً دراماتيكياً على القيمة الحسابية للمدى ودلالته الإحصائية. ففي وجود نقطة متطرفة حادة ناتجة عن خطأ عشوائي في إدخال البيانات (كإدخال عمر مفحوص 250 سنة بدلاً من 25 سنة)، يؤدي حساب المدى الشامل إلى تضخم هائل غير واقعي يجعل المدى يتسع بمئات الوحدات، مما يعطي صورة مضللة تماماً تفيد بأن العينة شديدة التباين في حين أنها متجانسة للغاية في واقع الأمر.

تكمن المخاطر التفسيرية في اتخاذ قرارات علمية أو تربوية خاطئة بناءً على المدى المتضخم؛ كأن يقرر معلم أن الفصل يعاني من تباين تحصيلي هائل يستدعي إعادة شرح المنهاج بسبب حصول طالب واحد بشكل شاذ على علامة صفر نتيجة غيابه عن الاختبار، على الرغم من أن باقي الفصل متقارب جداً بدرجات بين 85 و95 درجة (مدى اعتيادي لا يتجاوز 10 درجات).

لذلك، توصي المنهجيات الإحصائية المتقدمة بضرورة فحص القيم الشاذة أولاً والتأكد من مصدرها؛ فإذا كانت ناتجة عن أخطاء إجرائية تم تصحيحها أو استبعادها وفق مبررات علمية معلنة، وإذا كانت قيماً حقيقية أصيلة تم توثيق المدى بأسلوب مزدوج يشمل المدى الكلي والمدى الحصين لضمان سلامة الاستنتاجات الإحصائية والقرارات المترتبة عليها.

8. أمثلة تطبيقية تفصيلية مع الحلول الكاملة

8.1 المثال الأول: حساب مدى درجات اختبار تحصيلي أكاديمي

أُجري اختبار تحصيلي معياري في مادة الإحصاء النفسي على عينة قوامها 120 طالباً جامعياً في كلية التربية. وبعد معالجة البيانات، تم تمثيل الدرجات عبر مخطط صندوقي رأسي متدرج على مقياس من 0 إلى 100 درجة بفترات تدريج منتظمة مقدارها 5 درجات، وأظهر المخطط عدم وجود أي قيم شاذة أو متطرفة خارج حدود الشوارب.

من خلال فحص المخطط الصندوقي والإسقاط الأفقي المتعامد على محور الصادات، استُخرجت المعطيات الخمسية التالية:

• الربيع الأول (Q1) = 72 درجة.
• الوسيط الإحصائي (Q2) = 80 درجة.
• الربيع الثالث (Q3) = 88 درجة.
• الطرف النهائي للشارب السفلي (القيمة الصغرى) = 60 درجة.
• الطرف النهائي للشارب العلوي (القيمة العظمى) = 95 درجة.

خطوات الحل وحساب المدى:

تُطبق معادلة المدى الأساسية بتعويض القيمتين الطرفيتين المستخرجتين من نهايتي الشاربين:

المدى (Range) = القيمة العظمى – القيمة الصغرى

المدى = 95 – 60 = 35 درجة

التفسير الإحصائي والتربوي: يوضح المدى البالغ 35 درجة أن الفجوة الإجمالية بين أعلى أداء أكاديمي وأدنى أداء مسجل في الاختبار التحصيلي بلغت 35 درجة على مقياس المئة. وبالمقارنة مع المدى الربيعي (88 – 72 = 16 درجة)، نلاحظ أن نصف الطلاب الأوسط يتركزون في نطاق ضيق ومتجانس نسبياً لا يتجاوز 16 درجة حول الوسيط، مما يشير إلى أن التشتت العام لغالبية الطلاب منخفض، وأن التباين الأوسع ينشأ من الذيول الطرفية للأداء.

8.2 المثال الثاني: قياس زمن الرجع (Reaction Time) في تجربة نفسية

في دراسة تجريبية في علم النفس العصبي والمعرفي، تم قياس “زمن الرجع البصري” (Visual Reaction Time) بالمللي ثانية (ms) لدى عينة من الرياضيين في بيئة محاكاة حاسوبية دقيقة. عُرضت البيانات عبر مخطط صندوقي رأسي متدرج بوحدات 20 مللي ثانية، وأظهر المخطط وجود نقطة متطرفة عليا واحدة ناتجة عن تشتت انتباه أحد المفحوصين أثناء التجربة.

أظهرت القراءة الدقيقة للمخطط الصندوقي البيانات الرقمية الآتية:

• الحد الأدنى عند نهاية الشارب السفلي (القيمة الصغرى) = 210 مللي ثانية.
• الربيع الأول (Q1) = 240 مللي ثانية.
• الوسيط (Q2) = 265 مللي ثانية.
• الربيع الثالث (Q3) = 295 مللي ثانية.
• نهاية الشارب العلوي (أعلى قيمة اعتيادية) = 370 مللي ثانية.
• نقطة متطرفة شاذة عليا (رمز دائري منفصل فوق الشارب العلوي) = 480 مللي ثانية.

خطوات الحل وحساب المدى المزدوج:

1. حساب المدى الشامل لكافة المشاهدات (بما فيها القيمة الشاذة):

المدى الشامل = النقطة القصوى الشاذة – القيمة الصغرى

المدى الشامل = 480 – 210 = 270 مللي ثانية

2. حساب مدى البيانات الاعتيادية (المحصور بين نهايتي الشاربين فقط):

مدى البيانات الاعتيادية = نهاية الشارب العلوي – نهاية الشارب السفلي

مدى البيانات الاعتيادية = 370 – 210 = 160 مللي ثانية

المناقشة والتفسير: يبرز هذا المثال بوضوح تأثير القيم الشاذة على تضخيم المدى؛ حيث تسببت مشاهدة شاذة واحدة في رفع المدى الكلي بمقدار 110 مللي ثانية (من 160 إلى 270 ms). يتيح هذا التوثيق المزدوج للباحث إدراك أن الانتشار الطبيعي لزمن الاستجابة بين الرياضيين يمتد في نطاق 160 مللي ثانية، مع وجود حالة تباطؤ استثنائية فردية استغرقت 480 مللي ثانية تتطلب دراسة مسبباتها السلوكية.

8.3 المثال الثالث: حساب المدى لمخطط صندوقي أفقي لمقياس قلق

طُبق مقياس القلق الصريح (Taylor Manifest Anxiety Scale) على عينة من الموظفين في بيئة عمل مرتفعة الضغوط. يتراوح المدى النظري للمقياس المستخدم بين 0 و 50 نقطة. ومُثلت استجابات المفحوصين عبر مخطط صندوقي أفقي، حيث يتم قياس الدرجات على المحور السيني الأفقي المتدرج من 0 إلى 50 بوحدات تدريج فردية، مع خلو التوزيع من أي قيم متطرفة.

بالإسقاط الرأسي المباشر من أطراف المخطط الأفقي نحو محور السينات، سُجلت المؤشرات الإحصائية التالية:

• الطرف النهائي للشارب الأيسر (الحد الأدنى الفعلي) = 12 نقطة.
• الحافة اليسرى للصندوق (Q1) = 22 نقطة.
• خط الوسيط الرأسي داخل الصندوق (Q2) = 28 نقطة.
• الحافة اليمنى للصندوق (Q3) = 35 نقطة.
• الطرف النهائي للشارب الأيمن (الحد الأعلى الفعلي) = 48 نقطة.

خطوات الحل وتطبيق المعادلة:

المدى (Range) = الحد الأقصى للأداء – الحد الأدنى للأداء

المدى = 48 – 12 = 36 نقطة

المقارنة السيكومترية والتفسير: يوضح المدى المحسوب (36 نقطة) أن درجات القلق لدى العينة تغطي نسبة واسعة جداً من المدى النظري الكلي للأداة (والبالغ 50 – 0 = 50 نقطة)، حيث غطت درجات العينة ما نسبته 72% من السعة الكلية للمقياس (36 / 50 × 100). يشير هذا الاتساع إلى قدرة الأداة السيكومترية على التمييز الواسع بين الأفراد، وعدم معاناة العينة من انحصار الاستجابات في النطاق الأدنى أو الأعلى، مما يؤكد صلاحية البيانات لتطبيق تحليلات الارتباط والانحدار الخطي اللاحقة.

9. مقارنة المدى بين مخططات صندوقية متعددة (Comparative Box Plots)

9.1 مقارنة تشتت مجموعتين: تجريبية وضابطة

تتجلى القوة التحليلية الكبرى للمخططات الصندوقية عند استخدام المخططات الصندوقية المقارنة أو المتجاورة (Side-by-Side Box Plots) لمقارنة تشتت وتمركز مجموعات تجريبية وضابطة على مقياس عددي موحد. تتيح هذه المخططات مقارنة بصرية فورية للمسافات الكلية الفاصلة بين الشوارب، مما يبرز بوضوح أثر المعالجة التجريبية أو البرنامج التدريبي على تباين استجابات المفحوصين.

لنفترض دراسة قارنت بين مجموعة ضابطة (تلقت تعليماً تقليدياً) ومجموعة تجريبية (تلقت تعليماً تفاعلياً مدعوماً بالذكاء الاصطناعي) على اختبار التفكير الناقد. أظهر المخطط المتجاور النتائج الآتية: المجموعة الضابطة امتد شاربها السفلي عند 40 وشاربها العلوي عند 80 (المدى = 80 – 40 = 40 درجة)، بينما امتد شارب المجموعة التجريبية السفلي عند 70 وشاربها العلوي عند 95 (المدى = 95 – 70 = 25 درجة).

يستنتج الباحث من هذه المقارنة أن البرنامج التجريبي لم يسهم فقط في رفع مستوى التمركز والوسيط لدى المجموعة التجريبية، بل أدى أيضاً إلى تقليص المدى والتشتت الإجمالي (من 40 إلى 25 درجة)، مما يعكس تأثيراً إيجابياً للبرنامج في تحقيق التجانس ورفع كفاءة الطلاب ذوي الأداء المنخفض وتقريب الفجوة بينهم وبين أقرانهم المتفوقين.

9.2 تحليل الفروق في المدى عبر فئات ديموغرافية متعددة

يمتد تطبيق المخططات الصندوقية المقارنة ليشمل تفكيك الفروق في المدى والتشتت عبر متغيرات تصنيفية متعددة المستويات، كالمقارنة بين الفئات العمرية (شباب، منتصف العمر، كبار سن)، أو المستويات التعليمية (ثانوي، جامعي، دراسات عليا)، أو التخصصات المهنية المختلفة. يساعد هذا التحليل البصري المتعدد في تحديد الفئات الأكثر استقراراً في أدائها وتلك التي تتسم بتباين واسع وتشتت حاد.

تُعد مقارنة المدى بصرياً بين المجموعات المتعددة مؤشراً وصفياً تمهيدياً بالغ الأهمية للتحقق من فرضية “تجانس التباين” (Homoscedasticity / Homogeneity of Variance)، وهي الفرضية الأساسية التي تشترطها اختبارات تحليل التباين الأحادي (ANOVA) واختبارات (t-test). فإذا أظهرت المخططات الصندوقية تفاوتاً هائلاً في أطوال الشوارب والمدى بين المجموعات (كأن يكون مدى المجموعة الأولى أربعة أضعاف مدى المجموعة الثانية)، فإن ذلك ينذر بانتهاك فرضية التجانس، مما يوجه الباحث لتطبيق اختبارات تجانس رسمية كاختبار ليفين (Levene’s Test) أو اللجوء للاختبارات اللامعلمية البديلة مثل اختبار كروسكال-واليس (Kruskal-Wallis).

يوفر هذا الفحص الاستكشافي حماية للمحلل الإحصائي من التورط في تطبيق نماذج معلمية غير ملائمة قد تؤدي إلى تضخيم الخطأ من النوع الأول (Type I Error) وإصدار أحكام علمية غير دقيقة حول الدلالة الإحصائية للفروق بين المجموعات.

9.3 تفسير التداخل البصري والتمايز في أطراف المخططات المتعددة

عند فحص المخططات الصندوقية المقارنة، لا يكتفي الباحث بحساب الأرقام المطلقة للمدى، بل يقوم بتحليل التداخل البصري (Visual Overlap) بين المجموعات وفحص كيفية تموضع المجالات الكلية للبيانات بالنسبة لبعضها البعض. يتضمن هذا التحليل فحص المسافة الفاصلة بين الحد الأعلى لمجموعة والحد الأدنى لمجموعة أخرى، وما إذا كانت هناك مناطق تقاطع مشتركة بين الشوارب.

إذا أظهر المخطط انفصالاً تاماً بين المجموعتين، بحيث تقع القيمة الصغرى للمجموعة الأولى فوق القيمة العظمى للمجموعة الثانية دون أي تداخل في المدى الكلي، فإن ذلك يقدم دليلاً بصرياً قاطعاً على وجود فروق جوهرية وحاسمة بين المجموعتين بحجم أثر بالغ الضخامة، مما يجعل الاختبارات الاستدلالية مجرد توثيق رسمي لحقيقة بينة بصرياً.

وعلى العكس من ذلك، إذا أظهرت المجموعات مدى كلي متقارب مع تداخل شبه كامل في الشوارب وتطابق في حدود الصناديق المركزية، دل ذلك على تشابه سلوك المجموعات وغياب الفروق الجوهرية. وتُصاغ هذه المقارنات في التقارير الأكاديمية بعبارات واضحة تحدد التمايز في أطراف التوزيع، مثل: “على الرغم من تقارب وسيط المجموعتين، أظهرت المجموعة الأولى مدى انتشار أوسع بمقدار الضعف، مما يشير إلى تنوع أكبر في الاستجابات مقارنة بالمجموعة الثانية ذات المدى المنحصر”.

10. الأخطاء الشائعة عند استخراج المدى من المخطط الصندوقي وكيفية تجنبها

10.1 الخلط بين حواف الصندوق وأطراف الشاربين

يُعد الخلط بين حواف الصندوق المركزي وأطراف الشاربين الخارجية من أكثر الأخطاء المفاهيمية والحسابية شيوعاً بين الطلاب والباحثين المبتدئين في التحليل الإحصائي. يقع هذا الخطأ عندما يقوم الباحث بطرح الربيع الأول (Q1) من الربيع الثالث (Q3) معتقداً أنه يحسب المدى الإحصائي العام للمخطط، في حين أنه في واقع الأمر يقوم بحساب المدى الربيعي (IQR) فقط.

يترتب على هذا الخطأ تقليص مصطنع وخاطئ لقيمة المدى الحقيقي للبيانات؛ إذ يتم إسقاط النصف الخارجي من المشاهدات وتجاهل أطول المسافات في التوزيع. ولتجنب هذا الخطأ الجوهري، يجب ترسيخ القاعدة البصرية التالية: “الصندوق يمثل الوسط والأرباع، بينما الشوارب تمثل الامتداد والأطراف الكلية”.

يجب دائماً مراجعة التسميات قبل إجراء عملية الطرح: التأكد من اختيار نقطة أقصى الشارب السفلي وليس الحافة السفلى للمستطيل، واختيار نقطة أقصى الشارب العلوي وليس الحافة العليا للمستطيل. إن التمييز الحاسم بين المستطيل الهندسي الداخلي والخطوط الممتدة منه هو الضمان الأول لسلامة الحساب الإحصائي.

10.2 أخطاء قراءة وتفسير المحور القياسي

تنشأ فئة أخرى من الأخطاء المتكررة من القراءة غير الدقيقة للتدريج على المحور العددي للمخطط. يحدث ذلك بشكل خاص عندما تقع نهايات الشوارب أو النقاط المتطرفة في المساحات البينية الفاصلة بين علامات التدريج الرئيسية دون وجود خطوط شبكة مساعدة واضحة، مما يدفع المحلل إلى التخمين البصري غير المنضبط والوقوع في أخطاء التقدير العشوائي.

لتفادي هذه الأخطاء، يتعين تطبيق تقنية “الاستيفاء الخطي البصري” (Visual Linear Interpolation)؛ حيث يقيس الباحث المسافة الكلية بين علامتي التدريج الرئيسيتين ويحدد الموضع النسبي لنهاية الشارب كنسبة مئوية من تلك المسافة (كالتقدير بأن النقطة تقع عند ثلث أو منتصف المسافة بالضبط بين التدريجين 40 و 50، مما يعني أنها تمثل القيمة 43.3 أو 45 بدقة).

كما يجب الحذر الشديد عند قراءة المخططات الصندوقية المنشورة في أبحاث متقدمة تستخدم مقاييس غير خطية، كالمقياس اللوغاريتمي (Logarithmic Scale)؛ حيث تتضاعف المسافات بين الوحدات تدريجياً، ولا يمكن في هذه الحالة استخدام الطرح البسيط للمسافات الهندسية، بل يجب قراءة القيمة الرقمية الحقيقية المقابلة للنقطة على المحور اللوغاريتمي قبل تطبيق معادلة المدى.

10.3 سوء التعامل مع النقاط المتطرفة المستقلة

يتكرر الخطأ المنهجي المتمثل في تجاهل النقاط المتطرفة المستقلة عند استخراج المدى الكلي للبيانات. يقع بعض الباحثين في فخ التوقف عند نهاية الشارب واعتباره القيمة العظمى أو الصغرى للبيانات تلقائياً، متجاهلين وجود نقاط شاذة مرسومة برموز منفصلة تعلو الشارب أو تهبط عنه، مما يؤدي إلى حساب مدى منقوص لا يعبر عن كامل مفردات العينة.

وفي المقابل، قد يقع باحثون آخرون في خطأ معاكس بدمج النقاط المتطرفة الناتجة عن أخطاء إدخال واضحة وصريحة دون تدقيق، مما يؤدي إلى تشويه مصطنع للمدى. لتجنب هذه الانزلاقات المنهجية، يجب اتباع الخطوات الاحترازية التالية:

• فحص المساحة الخارجية للمخطط بدقة للبحث عن أي علامات أو نقاط شاذة مرسومة خارج نطاق الشوارب.
• تحديد الهدف التحليلي بوضوح: هل المطلوب هو المدى الشامل لكافة المشاهدات أم مدى البيانات الاعتيادية المحصورة بالشوارب؟
• التوثيق الصريح في متن البحث لطريقة التعامل مع القيم الشاذة، وتبرير أي استبعاد أو إدراج لتلك النقاط لضمان أمانة التحليل وقابلية تكرار النتائج علمياً.

11. حساب المدى وإنشاء المخطط الصندوقي بالبرمجيات الإحصائية

11.1 استخراج المخطط والمدى في برنامج IBM SPSS

يُعد حزم البرمجيات الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics) من أكثر الأدوات البرمجية شيوعاً واستخداماً في الأوساط الأكاديمية والبحثية. يتيح البرنامج توليد المخططات الصندوقية واستخراج المدى الإحصائي عبر مسارات متعددة وسلسة توفر مخرجات بيانية وجدولية متطابقة بدقة متناهية.

لإنشاء المخطط الصندوقي وحساب المدى في SPSS، يتبع الباحث الخطوات الإجرائية التالية:

• الولوج إلى القائمة الرئيسية واختيار Analyze ثم Descriptive Statistics ثم النقر على أمر Explore.
• نقل المتغير الكمي المراد تحليله إلى مربع Dependent List، ونقل المتغير التصنيفي (إن وجد) إلى مربع Factor List.
• النقر على زر Plots وتفعيل خيار Factor levels together تحت قسم Boxplots.
• النقر على زر Statistics والتأكد من تحديد خيار Descriptives للحصول على الجداول الرقمية التفصيلية.
• الضغط على Continue ثم OK لتوليد المخرجات في نافذة النتائج (Viewer).

يقدم SPSS جدولاً تفصيلياً للإحصاء الوصفي (Descriptives Table) يتضمن سطراً صريحاً مخصصاً للمدى تحت اسم Range، بالإضافة إلى سطور مستقلة تحدد القيمة الصغرى (Minimum) والقيمة العظمى (Maximum) والمدى الربيعي (Interquartile Range)، مما يتيح للباحث مطابقة القراءة البصرية من الرسم الصندوقي المرفق مع الأرقام الحسابية الجداولية بدقة تامة.

11.2 تطبيق الحساب والرسم عبر لغة R ولغة Python

توفر لغات البرمجة الإحصائية مفتوحة المصدر، مثل لغة R وبيئة Python، مرونة برمجية فائقة وقدرات متقدمة لتوليد المخططات الصندوقية عالية الجودة وحساب المدى الإحصائي بدقة متناهية عبر أسطر برمجية موجزة وقوية.

في بيئة لغة R، يمكن استخدام الدوال القياسية المدمجة أو مكتبة الرسوم المتقدمة ggplot2. يُحسب المدى المباشر باستخدام دالة range() التي تعيد القيمة الصغرى والعظمى، أو حساب الفرق بينهما مباشرة عبر دالة diff(range(data$variable)). بينما يُرسم المخطط الصندوقي بسهولة فائقة عبر الأمر boxplot(data$variable) أو باستخدام التركيب الأكاديمي المتقدم:

ggplot(data, aes(x = group, y = score)) + geom_boxplot()

أما في بيئة لغة Python، فيتم الاعتماد على مكتبات التحليل البياني الشهيرة مثل Pandas و Matplotlib و Seaborn. يُحسب المدى الإحصائي عبر دالة الذروة إلى الذروة في مكتبة نمباي numpy.ptp() (Peak-to-Peak) أو بطرح القيم القصوى في بانداز df['variable'].max() - df['variable'].min(). ويتم إنشاء المخطط الصندوقي بدقة جمالية عالية عبر مكتبة سيبورن بالأمر sns.boxplot(x='group', y='score', data=df)، مما يتيح توليد رسوم قابلة للنشر في أرقى الدوريات العلمية.

11.3 إنشاء المخطط الصندوقي وحساب المدى في Microsoft Excel

يوفر برنامج Microsoft Excel في إصداراته الحديثة أدوات إحصائية مدمجة لإنشاء مخطط الصندوق والشاربين وإجراء الحسابات المرتبطة به بسهولة للمستخدمين غير المتخصصين في البرمجة المعقدة.

لإنشاء المخطط الصندوقي في إكسيل، يتم تظليل عمود البيانات الرقمية، ثم التوجه إلى علامة التبويب Insert (إدراج)، واختيار أيقونة Insert Statistic Chart (إدراج مخطط إحصائي)، والنقر على خيار Box and Whisker (مخطط الصندوق والشاربين). يقوم إكسيل تلقائياً برسم الصندوق وحساب الأرباع والشوارب وإبراز النقاط الشاذة المستقلة.

لحساب المدى الإحصائي جدولياً في إكسيل لمطابقته مع الرسم، تُستخدم صيغ المعادلات المباشرة؛ حيث تُكتب الصيغة التالية في خلية مستقلة:

=MAX(A2:A100) – MIN(A2:A100)

حيث يمثل النطاق (A2:A100) خلايا البيانات. يوفر إكسيل أيضاً خيارات متقدمة لتنسيق سلسلة البيانات (Format Data Series) تتيح للمستخدم ضبط طريقة حساب الشوارب، وإظهار أو إخفاء نقاط البيانات الشاذة، والتحكم في إظهار خط المتوسط الحسابي، مما يجعله أداة سريعة وفعالة لإعداد الرسوم التوضيحية للأبحاث والتقارير التنفيذية.

12. الأسئلة الشائعة والخلاصة الإرشادية للباحثين

12.1 هل يمكن أن تكون قيمة المدى سالبة أو مساوية للصفر؟

من الناحية الرياضية والمنطقية الصارمة، يستحيل تماماً أن تكون قيمة المدى الإحصائي سالبة؛ فالمدى يمثل مسافة إقليدية مطلقة بين قيمتين مرتبين على خط الأعداد الحقيقية، وحيث إن القيمة العظمى (Max) تُعرف رياضياً بأنها قيمة أكبر من أو تساوي القيمة الصغرى (Min)، فإن ناتج طرح الأصغر من الأكبر (Max – Min) يكون حتماً وحكماً قيمة موجبة أو صفراً.

أما الحالة الخاصة التي يكون فيها المدى مساوياً للصفر تماماً (Range = 0)، فهي حالة نادرة واستثنائية تحدث فقط عندما تكون جميع القيم والمشاهدات في مجموعة البيانات متطابقة تماماً دون أي تفاوت على الإطلاق (كأن يحصل جميع الطلاب في الاختبار على درجة 80 من 80). في هذه الحالة الرياضية الخاصة، تتطابق القيمة الصغرى مع القيمة العظمى ومع الوسيط والأرباع، وينكمش المخطط الصندوقي بأكمله ليتحول إلى خط مستقيم أفقي منفرد بلا صندوق وبلا شوارب.

في الأبحاث النفسية والتجريبية، يشير المدى الصفري إلى انعدام تام للفروق الفردية وغياب كلي للتباين في المتغير المدروس (Zero Variance)، وهو مؤشر ينبه الباحث إلى وجود خلل بنيوي في أداة القياس أو عدم ملاءمة السؤال للمشاركين، مما يجعل البيانات غير صالحة لمعظم التحليلات الإحصائية المتقدمة التي تشترط وجود حد أدنى من التباين في البيانات.

12.2 كيف يؤثر حجم العينة (Sample Size) على مدى المخطط الصندوقي؟

يرتبط المدى الإحصائي بحجم العينة (Sample Size – n) بعلاقة طردية قوية ذات حساسية بالغة؛ فكلما زاد حجم العينة المدروسة وارتفع عدد المشاهدات، زادت احتمالية التقاط وملاحظة قيم متطرفة وقصوى نادرة الحدوث في المجتمع الأصلي، مما يؤدي تلقائياً إلى اتساع المدى الكلي للبيانات في المخطط الصندوقي.

تفرض هذه الخاصية الرياضية حذراً منهجياً شديداً عند مقارنة المدى بين مجموعات ذات أحجام عينات شديدة التفاوت والتنافر؛ فمقارنة مدى عينة تتألف من 1000 مشارك بمدى عينة تتألف من 30 مشاركاً فقط تُعد مقارنة غير عادلة ومتحيزة؛ إذ إن اتساع مدى العينة الأكبر قد يعكس ببساطة حجمها الضخم وفرصتها الأكبر في التقاط أطراف التوزيع، وليس بالضرورة وجود تشتت حقيقي أوسع في المجتمع الذي سُحبت منه.

ولمعالجة هذا القصور المنهجي عند المقارنة بين عينات غير متساوية في الحجم، يُوصي الإحصائيون بالاعتماد على المدى الربيعي (IQR) أو الانحراف المعياري بدلاً من المدى الكلي؛ حيث تتميز هذه المقاييس بالاستقرار النسبي وعدم التأثر التلقائي بحجم العينة بمجرد تجاوزها حداً كافياً من التمثيل الإحصائي.

12.3 دليل إرشادي موجز لكتابة تقرير المدى والمخطط الصندوقي وفق أسلوب APA

يفرض الإصدار السابع من دليل الجمعية الأمريكية لعلم النفس (APA 7th Edition) معايير موحدة وصارمة لتوثيق نتائج التحليل الوصفي للمخططات الصندوقية ومقاييس التشتت في المتن النصي والجداول والأشكال التوضيحية للأوراق العلمية المحكمة.

عند تضمين مؤشرات المخطط الصندوقي في النص السردي، يُفضل تقديم الوسيط والمدى الربيعي والمدى الإجمالي بنسق علمي منضبط، كالصياغة المعيارية التالية:

“أظهرت نتائج مقياس زمن الرجع أن أداء المشاركين اتسم بمتوسط وسيط بلغ 265 مللي ثانية (IQR = 55 ms)، مع مدى كلي تراوح بين 210 و 480 مللي ثانية (Range = 270 ms). وقد رُصدت قيمة شاذة واحدة عند مستوى 480 مللي ثانية كما هو موضح في الشكل 1.”

أما عند إدراج الشكل التوضيحي للمخطط الصندوقي في تقرير APA، فيجب مراعاة الإرشادات التالية:

• ترقيم الشكل بوضوح بأرقام متسلسلة (مثل: الشكل 1 أو Figure 1) بخط عريض (Bold).
• كتابة عنوان وصفي وموجز ومائل للشكل تحت رقم الشكل مباشرة (مثل: توزيع درجات زمن الرجع بالمللي ثانية عبر المجموعات التجريبية).
• تسمية المحاور بوضوح وتوثيق وحدات القياس بداخلها بين قوسين.
• إضافة حاشية توضيحية أسفل الشكل (Figure Note) تبدأ بكلمة Note. وتوضح ما تمثله حدود الصندوق والشوارب، وتعرف الرموز المستخدمة للنقاط الشاذة بدقة.

خاتمة

يمثل المخطط الصندوقي تحفة بيانية وإحصائية فريدة تجمع بين بساطة التركيب الهندسي والعمق التحليلي الرصين؛ حيث يلخص التوزيع الإحصائي الشامل للبيانات من خلال الملخص الخماسي للأرقام بكفاءة بصرية استثنائية. ويظل المدى الإحصائي، على الرغم من بساطة معادلته الرياضية القائمة على طرح القيمة الصغرى من القيمة العظمى، أداة استكشافية بالغة الأهمية لتحديد الحدود القصوى للظاهرة وفحص اتساع الفروق الفردية في الأبحاث السلوكية والتربوية والتطبيقية.

إن الاستخدام الاحترافي للمخطط الصندوقي يتطلب من الباحث والمحلل وعياً عميقاً بكيفية استخراج القيم الطرفية، والتمييز الدقيق بين المدى الكلي الشامل والمدى الربيعي الحصين، وحسن التعامل مع النقاط المتطرفة التي تظهر خارج حدود الشوارب. ومع إتقان مهارات قراءة المحاور واستخدام البرمجيات الإحصائية الحديثة وتوثيق النتائج وفق المعايير الأكاديمية الصارمة كدليل APA، يكتسب الباحث رؤية إحصائية نافذة تمكنه من تحويل البيانات الكمية المعقدة إلى استنتاجات علمية دقيقة تسهم في تقدم المعرفة الإنسانية وصنع القرارات الرشيدة المستندة إلى الأدلة الرقمية الرصينة.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• McGill, R., Tukey, J. W., & Larsen, W. A. (1978). Variations of box plots. The American Statistician, 32(1), 12–16. https://doi.org/10.2307/2683468
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
• Wickham, H., & Grolemund, G. (2017). R for data science: Import, tidy, transform, visualize, and model data. O’Reilly Media.