كيفية إجراء اختبار بارتليت في R (خطوة بخطوة)

تُعد النمذجة الإحصائية والاستدلال البارامتري ركيزتين أساسيتين في تحليل البيانات الكمية ضمن العلوم السلوكية والاجتماعية والطبية الحيوية. وعند تطبيق النماذج الكلاسيكية لمقارنة المتوسطات الحسابية بين المجموعات المستقلة، مثل تحليل التباين الأحادي (One-Way ANOVA) واختبارات “ت” للعينات المستقلة، يُفترض ضمنياً أن البيانات تفي بحزمة من الشروط المنهجية والرياضية الصارمة. وفي مقدمة هذه الشروط يأتي شرط تجانس التباين (Homoscedasticity)، والذي يقتضي أن تكون التباينات السكانية للمتغير التابع متساوية عبر جميع مستويات المتغير المستقل قيد الدراسة.

يمثل اختبار بارتليت (Bartlett’s Test) إحدى أقدم وأقوى الأدوات الرياضية المصممة لاختبار فرضية تجانس التباينات المتعددة في ظل تحقق شرط التوزيع الطبيعي. يهدف هذا الاختبار إلى فحص ما إذا كانت الفروق الملاحظة بين تباينات العينات ناتجة عن التباين العشوائي لخطأ المعاينة، أم أنها تعكس اختلافات جوهرية حقيقية في تشتت المجتمعات الأصلية المسحوبة منها تلك العينات. إن إغفال فحص هذا الشرط قبل الشروع في اختبار الفرضيات المركزية قد يؤدي إلى تضخيم معدل الخطأ من النوع الأول، وتشويه مستويات الدلالة الإحصائية، وبالتالي التوصل إلى استنتاجات علمية مضللة تضر برصانة البحث الأكاديمي وتطبيقاته الميدانية.

يهدف هذا الدليل الشامل والمفصل إلى تقديم مرجع منهجي وتطبيقي متكامل للباحثين والمحللين الإحصائيين حول كيفية إجراء اختبار بارتليت باستخدام بيئة الحوسبة الإحصائية R. سنستعرض في هذا المقال الخلفية النظرية والرياضية للاختبار، ونوضح شروطه المسبقة الدقيقة، ثم نتدرج خطوة بخطوة عبر إعداد البيانات، وفحص الاعتدالية، وتنفيذ الأوامر البرمجية المتقدمة وتفسير مخرجاتها بدقة متناهية، وصولاً إلى استعراض البدائل المنهجية في حال خرق الافتراضات، مع التركيز على الأمثلة العملية في بحوث القياس النفسي والعلوم السلوكية.

1. مدخل نظري إلى اختبار بارتليت وتجانس التباين في البحوث النفسية

1.1 مفهوم تجانس التباين (Homoscedasticity) وأهميته الإحصائية

يمثل تجانس التباين (Homoscedasticity أو Homogeneity of Variance) افتراضاً محورياً في البنية الاستدلالية للاختبارات البارامترية المعلمية. يُعرَّف هذا المفهوم إحصائياً بأنه الحالة التي يتساوى فيها التباين النظري للخطأ العشوائي عبر جميع المجموعات أو المعالجات التجريبية المقارنة، أي أن التباين المشترك للمتغير التابع يظل ثابتاً ولا يتغير بتغير الفئات أو المستويات التصنيفية. وفي المقابل، يُطلق على غياب هذا التجانس مصطلح تباين التباين (Heteroscedasticity)، وهو اختلال يؤدي إلى فقدان التقديرات الإحصائية لخاصية الكفاءة والموثوقية.

تكمن الخطورة المنهجية لعدم تجانس التباين في تأثيره المباشر على معدل الخطأ من النوع الأول (Type I Error Rate)، وهو احتمال رفض الفرضية الصفرية الصحيحة عن طريق الخطأ (الادعاء بوجود فروق ذات دلالة إحصائية بينما هي في الواقع منعدمة). عندما تتباين أحجام العينات وتترافق العينات الأصغر حجماً مع تباينات أكبر، تصبح اختبارات تحليل التباين مفرطة في التحرر (Liberal)، مما يؤدي إلى تضخيم القيمة الاحتمالية المحسوبة وزيادة معدل الخطأ من النوع الأول عن المستوى المحدد مسبقاً (α = 0.05). وعلى العكس من ذلك، إذا ارتبطت العينات الأكبر حجماً بالتباينات الأكبر، يصبح الاختبار مفرطاً في التحفظ (Conservative)، مما يرفع من معدل الخطأ من النوع الثاني (Type II Error) ويقلل من القوة الإحصائية (Statistical Power) للاختبار في كشف الفروق الحقيقية.

تتجلى أهمية التحقق من تجانس التباين بوضوح في دراسات القياس النفسي والتجارب السلوكية والسريرية. فعلى سبيل المثال، عند تقييم فعالية تدخلات علاجية متعددة على مستويات القلق أو الاكتئاب، يفترض الباحث أن التغيرات الملاحظة تعود إلى التأثير العلاجي وليس إلى تشتت متباين ناتج عن استجابات غير متجانسة بين أفراد إحدى المجموعات دون الأخرى. إن التحقق الصارم من هذا الافتراض يضمن أن الفروق بين المتوسطات تعبر بصدق عن الفروق المعاملية وليست مجرد انعكاس لاختلالات في مقاييس التشتت.

1.2 التعريف باختبار بارتليت (Bartlett’s Test) وخلفيته الرياضية

يرجع الفضل في تطوير هذا الاختبار الإحصائي إلى عالم الإحصاء البريطاني موريس ستيفنسون بارتليت (Maurice Stevenson Bartlett) في عام 1937. صُمم الاختبار كأداة لاختبار الفرضية القائلة بأن k من التباينات السكانية المستقلة متساوية، مستنداً إلى مبدأ نسبة الأرجحية العظمى (Likelihood Ratio Test). وقد استهدف بارتليت من خلال هذا العمل توفير صيغة تصحيحية دقيقة تتيح مقارنة تباينات عينات متعددة مأخوذة من مجتمعات تتبع التوزيع الطبيعي، متجاوزاً بذلك القيود المفروضة على اختبار نسبة التباين (F-test) الذي يقتصر على مقارنة مجموعتين فقط.

تعتمد الخلفية الرياضية لاختبار بارتليت على مقارنة المتوسط الحسابي المرجح للوغاريتمات الطبيعية لتباينات العينات مع لوغاريتم التباين المجمع (Pooled Variance). تستند إحصائية الاختبار المحسوبة إلى توزيع مربع كاي (Chi-Square)، حيث يتم اشتقاق قيمة تمثل درجة التباعد والانحراف بين تباينات المجموعات المقاسة فعلياً والتباين المشترك المفترض تحققه تحت الفرضية الصفرية. كلما زاد التباعد بين التباينات الفردية والتباين المجمع، ارتفعت قيمة إحصائية الاختبار، مما يشير إلى ضعف احتمالية تحقق فرضية التجانس.

ترتبط إحصائية بارتليت بعدد من درجات الحرية يساوي (k – 1)، حيث يمثل k عدد المجموعات أو المعالجات المستقلة التي يجري فحص تبايناتها. ويُعد تضمين درجات الحرية بهذه الصورة الرياضية انعكاساً دقيقاً لعدد القيود المفروضة على النموذج الإحصائي، مما يسمح بمقارنة قيمة إحصائية الاختبار مع القيمة الحرجة المقابلة في جدول توزيع مربع كاي عند مستوى معنوية محدد، لتحديد ما إذا كان الفرق الملاحظ يعزى للصدفة الإحصائية أم لا.

1.3 موقع اختبار بارتليت ضمن مرحلة التحقق من شروط تحليل التباين (ANOVA)

يشغل اختبار بارتليت مكانة متقدمة ضمن بروتوكول التشخيص الإحصائي الذي يسبق تنفيذ النماذج الخطية العامة، وخاصة تحليل التباين الأحادي (One-Way ANOVA). في الممارسة المنهجية الرصينة، لا يصح للباحث الانتقال إلى اختبار الفروق بين المتوسطات إلا بعد استيفاء ثلاثة شروط هيكلية رئيسية: استقلالية الملاحظات، والاعتدالية التوزيعية للأخطاء، وتجانس التباينات السكانية. هنا يعمل اختبار بارتليت كبوابة تقييم حاسمة تقرر المسار التحليلي اللاحق.

تؤثر درجة تباين المجموعات على بنية تباين الخطأ في جدول تحليل التباين، حيث يعتمد حساب التباين داخل المجموعات (Mean Square Within) على افتراض أن كل مجموعة تسهم بحصة متكافئة من التشتت حول متوسطها. فإذا ثبت خرق هذا الافتراض، تصبح إحصائية F المحسوبة غير دقيقة، وتفقد مستويات المعنوية مصداقيتها الرياضية. من هنا، يوفر اختبار بارتليت التبرير التجريبي لاعتماد النموذج البارامتري القياسي أو التخلي عنه لصالح نماذج معدلة قادرة على استيعاب عدم التجانس.

يُعد اختبار بارتليت الخيار الأمثل والأكثر كفاءة وقوة إحصائية (Statistical Power) بين جميع اختبارات التجانس في حالة واحدة محددة بدقة: عندما تكون البيانات تتبع التوزيع الطبيعي بدقة عالية. في هذه الحالة، يتفوق بارتليت على بدائل مثل اختبار ليفين (Levene’s Test) واختبار براون-فورسيث (Brown-Forsythe Test) في قدرته على اكتشاف أدق الفروق بين التباينات، مما يجعله المعيار الذهبي المفضل متى توفرت شروط الاعتدالية المثالية.

2. الفرضيات الإحصائية والأسس الرياضية لاختبار بارتليت

2.1 صياغة الفرضية الصفرية والفرضية البديلة

تخضع صياغة الفرضيات الإحصائية في اختبار بارتليت لقواعد المنطق الاستدلالي الذي يختبر فرضية التساوي الرياضي ضد فرضية الاختلاف. تنص الفرضية الصفرية (Null Hypothesis, H0) على أن جميع التباينات السكانية للمجموعات k متطابقة ومتساوية، وتُكتب رياضياً كالتالي:

H0: σ₁² = σ₂² = σ₃² = … = σₖ²

حيث تمثل σᵢ² تباين المجتمع الأصلي الذي سُحبت منه العينة رقم i. تعبر هذه الفرضية عن الوضع المفترض للتجانس، والذي يفترض أن أي تباين يظهر بين العينات لا يتعدى كونه تذبذباً عشوائياً ناتجاً عن خطأ المعاينة العادية.

في المقابل، تُصاغ الفرضية البديلة (Alternative Hypothesis, HA أو H1) بشكل غير اتجاهي لتشمل كافة احتمالات عدم التساوي، وتنص على وجود تباين لمجموعة واحدة على الأقل يختلف إحصائياً عن بقية تباينات المجموعات الأخرى، وتُصاغ رياضياً بالعبارة:

HA: σᵢ² ≠ σⱼ² لزوج واحد على الأقل من المجموعات (i ≠ j)

تجدر الإشارة إلى أن الفرضية البديلة لا تتطلب بالضرورة أن تكون جميع التباينات مختلفة عن بعضها البعض، بل يكفي أن ينفرد تباين مجتمع واحد بانحراف جوهري عن باقي المجتمعات ليتحقق رفض الفرضية الصفرية.

من الناحية المنهجية، يجب على الباحثين في التقارير الأكاديمية ورسائل الماجستير والدكتوراه توثيق هذه الفرضيات بوضوح قبل الشروع في التحليل، مع ربطها بالسياق النظري للمتغير التابع، للتأكيد على أن الهدف من الاختبار هو التحقق التشخيصي من الصلاحية الإحصائية لبيانات الدراسة وليس اختبار الفرضيات الجوهرية للبحث بحد ذاتها.

2.2 المعادلة الرياضية وإحصائية الاختبار

تعتمد البنية الحسابية لاختبار بارتليت على معادلة تجمع بين التباينات الفردية للعينات والتباين المجمع الموزون بحسب أحجام تلك العينات. يُحسب التباين المجمع (Pooled Variance, Sp²) وفق الصيغة التالية:

Sp² = [Σ (nᵢ – 1) Sᵢ²] / [Σ (nᵢ – 1)] = [Σ (nᵢ – 1) Sᵢ²] / (N – k)

حيث nᵢ هو حجم العينة i، وSᵢ² هو التباين المحسوب للعينة i، وN هو الحجم الإجمالي لكافة المشاهدات عبر المجموعات (N = Σ nᵢ)، بينما يمثل k عدد المجموعات الإجمالي.

بعد استخراج التباين المجمع، تُحسب إحصائية الاختبار الأولية بناءً على نسبة الأرجحية اللوغاريتمية، وتُعرف أحياناً بـ M، وتُصاغ كالتالي:

M = (N – k) ln(Sp²) – Σ [(nᵢ – 1) ln(Sᵢ²)]

ولأن توزيع الإحصائية M يقترب فقط من توزيع مربع كاي، فقد أدخل بارتليت معامل تصحيح رياضي (Correction Factor, C) لضبط التقارب الإحصائي وتقليل الانحياز الحسابي، خاصة عندما تكون أحجام العينات صغيرة أو غير متساوية. يُحسب المعامل C وفق المعادلة:

C = 1 + [1 / (3(k – 1))] * [Σ (1 / (nᵢ – 1)) – (1 / (N – k))]

وعليه، تُعرَّف إحصائية بارتليت النهائية المعدلة (Bartlett’s K-squared) كحاصل قسمة الإحصائية M على معامل التصحيح C:

K² = M / C

تتبع هذه القيمة الناتجة K² توزيع مربع كاي بدرجات حرية مساوية لـ (k – 1). وبناءً على هذه القيمة، يتم استخراج القيمة الاحتمالية (p-value) من دالة التوزيع التراكمي لمربع كاي ومقارنتها بمستوى الدلالة المعتمد في التحليل.

2.3 قواعد اتخاذ القرار الإحصائي

يرتكز القرار الإحصائي في اختبار بارتليت على المقارنة بين القيمة الاحتمالية المحسوبة (p-value) ومستوى المعنوية المحدد مسبقاً (مستوى ألفا α)، والذي يُحدد تقليدياً عند 0.05 في أغلب البحوث النفسية والاجتماعية. تنص القاعدة المنهجية العامة على الآتي:

• إذا كانت p-value ≤ α (أي p ≤ 0.05): نرفض الفرضية الصفرية (H0) ونقبل الفرضية البديلة (HA)، مما يعني وجود أدلة إحصائية كافية على عدم تجانس التباينات، وبالتالي يُعد افتراض التجانس مخرmqاً ومرفوضاً.
• إذا كانت p-value > α (أي p > 0.05): نفشل في رفض الفرضية الصفرية (Fail to reject H0)، مما يعني عدم توفر أدلة كافية لإثبات وجود فروق بين التباينات، وبالتالي يُعتبر شرط تجانس التباين محققاً وقائماً، مما يتيح المضي قدماً في النماذج البارامترية القياسية.

من المهم جداً استيعاب المعنى الدقيق لعبارة “الفشل في رفض الفرضية الصفرية”. فهذا الموقف الإحصائي لا يثبت بشكل مطلق أن التباينات متطابقة تماماً، ولكنه يؤكد أن التباينات الملاحظة تقع ضمن نطاق التباين العشوائي المقبول الذي لا يشكل تهديداً لسلامة نتائج تحليل التباين.

قد يتبنى بعض الباحثين في الدراسات الإكلينيكية الحساسة أو التحليلات ذات العينات الضخمة مستويات دلالة أكثر صرامة أو تحرراً. فعند التعامل مع عينات كبيرة جداً، قد يميل اختبار بارتليت إلى إعطاء نتائج ذات دلالة إحصائية (رفض التجانس) لفروق طفيفة جداً ليس لها وزن عملي، وفي هذه الحالة يوصى بدمج الدلالة الإحصائية مع الفحص البصري لحجم التأثير ومخططات التشتت لتقييم الموقف بموضوعية تامة.

3. الشروط المسبقة والافتراضات المنهجية لتطبيق اختبار بارتليت

3.1 شرط التوزيع الطبيعي للبيانات (Normality Assumption)

يُمثل شرط التوزيع الطبيعي (Normality) حجر الزاوية الذي يقوم عليه اختبار بارتليت، وهو في الوقت نفسه أكبر نقاط ضعفه المنهجية. يتطلب الاختبار أن تتبع البيانات في كل مجموعة فرعية التوزيع الطبيعي المعياري بشكل صارم ودقيق. يرجع هذا القيد إلى البنية الرياضية للاختبار؛ حيث إن إحصائية بارتليت حساسة للغاية لمعامل التفرطح (Kurtosis) في التوزيعات الاحتمالية.

عندما تعاني البيانات من التواء (Skewness) أو تفرطح شاذ (حالات التفرطح المدبب أو المفلطح)، يخلط اختبار بارتليت بين انحراف التوزيع عن الاعتدالية وبين عدم تجانس التباين. ونتيجة لذلك، قد يُسفر الاختبار عن رفض زائف للفرضية الصفرية (False Positive) بمعدلات مرتفعة للغاية، مشيراً إلى عدم تجانس التباينات بينما السبب الحقيقي يكمن في غياب التوزيع الطبيعي فقط.

بالمقارنة مع اختبارات التجانس الأخرى، يُصنف اختبار بارتليت بأنه “غير متين” (Non-robust) إطلاقاً ضد خرق شرط الاعتدالية، على النقيض من اختبار ليفين أو اختبار فليجنر-كيلين اللذين يحتفظان بقدرة جيدة على العمل في ظل البيانات الملتوية. بناءً على ذلك، يتعين على المحلل فحص التوزيع الطبيعي لكل مجموعة على حدة عبر الاختبارات الإحصائية الملائمة قبل التفكير في تنفيذ اختبار بارتليت.

3.2 استقلالية المشاهدات والعينات (Independence of Observations)

يقتضي افتراض الاستقلالية (Independence) أن تكون قيمة أي ملاحظة أو استجابة مسجلة غير مرتبطة أو متأثرة بقيمة أي ملاحظة أخرى داخل المجموعة نفسها أو عبر المجموعات المختلفة. يُعد هذا الشرط ركيزة جوهرية لجميع اختبارات الاستدلال الإحصائي القائمة على توزيعات مربع كاي وF.

يتحقق شرط الاستقلالية بشكل رئيسي عبر التصميم التجريبي الرصين والمعاينة العشوائية الحقيقية وتوزيع الأفراد عشوائياً على ظروف المعالجة المستقلة (Random Assignment). في سياق القياس النفسي، ينبغي التأكد من عدم وجود تفاعل جانبي بين المشاركين أثناء إجراء الاختبارات، وتفادي جمع البيانات في بيئات جماعية قد تؤدي إلى تشارك التأثيرات البيئية أو النفسية العارضة.

إذا كانت البيانات تتضمن قياسات متكررة على نفس الأفراد عبر الزمن (Repeated Measures)، أو إذا كان الأفراد ينتمون إلى مجموعات عنقودية متشابكة (مثل طلاب داخل نفس الفصول الدراسية أو مرضى لدى نفس المعالج)، فإن شرط الاستقلالية يُعد مخرmqاً. وفي هذه الحالات، لا يجوز تطبيق اختبار بارتليت القياسي بصيغته البسيطة، بل يجب اللجوء إلى نماذج التأثيرات المختلطة (Mixed-Effects Models) أو مصفوفات التباين المتماثلة كروياً (Sphericity Tests مثل اختبار موشلي Mauchly’s Test).

3.3 طبيعة المتغيرات وحجم العينة المطلوب

يتطلب التطبيق الإحصائي لاختبار بارتليت توافقاً تاماً في مستويات قياس المتغيرات المدرجة في النموذج:

• المتغير المستقل (Independent/Grouping Variable): يجب أن يكون متغيراً فئوياً اسمياً (Categorical/Nominal) أو رتبياً (Ordinal)، يحتوي على مستويين أو أكثر (k ≥ 2) يمثلان المجموعات أو المعالجات المستقلة.
• المتغير التابع (Dependent/Response Variable): يجب أن يكون متغيراً كمياً مستمراً (Continuous/Metric) يُقاس على مستوى الفاصل (Interval) أو النسبة (Ratio)، مثل درجات الذكاء، زمن الرجع، أو درجات مقاييس الشخصية.

أما من جهة حجم العينة (Sample Size)، فرغم أن اختبار بارتليت يتضمن معامل تصحيح يتيح استخدامه مع العينات الصغيرة، إلا أن استقرار تقديرات التباين يتطلب ألا يقل حجم العينة داخل كل مجموعة فرعية عن 5 إلى 10 مشاهدات كحد أدنى مطلق (nᵢ ≥ 5). كما يُفضل أن تكون التصاميم متوازنة (Balanced Designs) حيث تتقارب أحجام المجموعات، لأن التفاوت الهائل في أحجام العينات (Unbalanced Designs) مع وجود عدم تجانس طفيف قد يقلل من موثوقية المقارنة الإحصائية.

4. تهيئة بيئة العمل في لغة R لإجراء التحليلات الإحصائية

4.1 إعداد بيئة R وRStudio وضبط مسار العمل

لبدء العمل الإحصائي باحترافية، يجب التأكد من تثبيت أحدث إصدار مستقر من لغة البرمجة R إلى جانب بيئة التطوير المتكاملة RStudio. توفر هذه المنظومة بيئة عمل متطورة تتيح كتابة الأكواد، وإدارة مساحات العمل، وتتبع المتغيرات، واستعراض المخرجات الرسومية والبيانية في واجهة متناسقة تدعم الإنتاجية العلمية والبحثية.

يبدأ سير العمل الإحصائي الجيد بتحديد مجلد العمل (Working Directory) وتنظيف بيئة الذاكرة المؤقتة لمنع أي تداخل بين المتغيرات السابقة والتحليل الحالي. يمكن تعيين مسار العمل برمجياً عبر استخدام الأمر setwd() مع كتابة المسار الصحيح للنظام، أو عبر القوائم التفاعلية في RStudio من خلال قائمة (Session > Set Working Directory > Choose Directory). كما يُفضل مسح كافة الكائنات المخزنة في الذاكرة باستخدام دالة rm(list = ls()) لضمان نقاء بيئة العمل.

تتميز لغة R بأن الاختبارات الأساسية، ومن ضمنها دالة اختبار بارتليت الأساسية، تأتي مثبتة ومحملة افتراضياً ضمن حزمة stats المدمجة في نواة النظام (Base R). هذا يعني أن الباحث يمكنه تنفيذ الاختبارات الأولية دون الحاجة إلى تثبيت أي مكتبات خارجية، إلا أن الاستعانة بالحزم الحديثة تمنح مرونة استثنائية في تنظيم البيانات وإعداد التقارير البصرية الإحصائية المتقدمة.

4.2 تثبيت واستدعاء الحزم التكميلية لتحليل البيانات وتصويرها

لتحقيق أعلى معايير الجودة في إدارة البيانات وتصورها، يوصى بالاعتماد على مجموعة من الحزم المتخصصة في لغة R. تأتي في مقدمة هذه الحزم منظومة tidyverse، وهي بيئة متكاملة تضم حزم dplyr للتلاعب بالبيانات وتلخيصها، وggplot2 لبناء الرسوم والمخططات البيانية عالية الدقة القابلة للنشر في المجلات العلمية المحكمة.

بالإضافة إلى ذلك، يُعد تثبيت حزمة car (Companion to Applied Regression) أمراً بالغ الأهمية، حيث تحتوي على دوال متقدمة لاختبارات تجانس التباين مثل اختبار ليفين، مما يتيح للباحث إجراء مقارنات منهجية مباشرة بين نتائج بارتليت والبدائل الأخرى. كما تُعد حزمة rstatix أداة عصرية ممتازة توفر صيغاً برمجية متوافقة تماماً مع أسلوب الأنابيب (Pipe-friendly)، وتتيح استخراج النتائج في أطر بيانات جاهزة للتحويل إلى جداول توثيقية.

يمكن تثبيت واستدعاء هذه الحزم دفعة واحدة في بيئة R عبر تنفيذ الأوامر البرمجية الموضحة أدناه داخل نافذة المحرر (Script Editor):

install.packages(c("tidyverse", "car", "rstatix", "ggpubr"))

وبعد انتهاء التثبيت، يتم تفعيل هذه الحزم في جلسة العمل النشطة عبر الأوامر التالية:

library(tidyverse)
library(car)
library(rstatix)
library(ggpubr)

5. الخطوة الأولى: بناء وتجهيز إطار البيانات في R

5.1 محاكاة بيانات دراسة تجريبية نفسية

لتجسيد الجانب التطبيقي بوضوح، سنقوم بمحاكاة بيانات تجربة إكلينيكية واقعية في علم النفس السريري. نفترض أن باحثاً يرغب في تقييم فاعلية ثلاث استراتيجيات علاجية مختلفة لخفض مستويات القلق لدى المرضى المشخصين باضطراب القلق العام (GAD). تشتمل الدراسة على ثلاث مجموعات مستقلة:

• المجموعة الأولى: العلاج المعرفي السلوكي (Cognitive Behavioral Therapy – CBT).
• المجموعة الثانية: العلاج الدوائي المعياري (Pharmacotherapy – Meds).
• المجموعة الثالثة: مجموعة المراقبة على قائمة الانتظار (Control / Waitlist).

المتغير التابع في هذه الدراسة هو “درجة مقياس القلق” بعد انتهاء فترة التدخل العلاجي، وهو متغير كمي متصل تتراوح درجاته نظرياً على مقياس مدرج. تهدف الدراسة إلى التحقق من تجانس تباين درجات القلق عبر المجموعات الثلاث كشرط مسبق لتحليل التباين الأحادي لمقارنة كفاءة تلك العلاجات.

لضمان تكافؤ المجموعات في هذا المثال التوضيحي، سنحدد حجم عينة متوازن يتكون من 30 مشاركاً في كل مجموعة (إجمالي العينة N = 90 مشاركاً). سنقوم بتوليد البيانات باستخدام التوزيع الطبيعي مع تحديد المتوسطات والانحرافات المعيارية لكل مجموعة بدقة، مع تثبيت بذرة التوليد العشوائي لضمان إمكانية تكرار النتائج.

5.2 إنشاء إطار البيانات (Data Frame) وترميز المتغيرات

يتم بناء إطار البيانات في R باستخدام الدوال الأساسية لتوليد المتجهات ودمجها. نستخدم الدالة set.seed(123) لضبط التوليد العشوائي، ثم نولد درجات المتغير التابع لكل مجموعة باستخدام دالة rnorm()، وننشئ متغير المجموعة باستخدام دالة rep() لتكرار أسماء المعالجات.

يوضح النص البرمجي التالي كيفية بناء إطار البيانات وترميز المتغير المستقل كعامل فئوي (Factor) مع تحديد مستوياته المنطقية:

set.seed(123)
n_group <- 30
cbt_scores <- rnorm(n_group, mean = 45, sd = 8)
meds_scores <- rnorm(n_group, mean = 48, sd = 8.5)
control_scores <- rnorm(n_group, mean = 62, sd = 7.8)
anxiety_data <- data.frame(
  group = factor(rep(c("CBT", "Pharmacotherapy", "Control"), each = n_group)),
  anxiety_score = c(cbt_scores, meds_scores, control_scores)
)

عقب إنشاء إطار البيانات، يجب فحص بنيته التقنية للتأكد من صحة تعريف المتغيرات. نستخدم دالة str(anxiety_data) أو دالة glimpse(anxiety_data) من حزمة dplyr. تُظهر هذه المخرجات أن المتغير group قد تم ترميزه بشكل صحيح كمتغير فئوي (Factor with 3 levels)، وأن المتغير anxiety_score معرف كمتغير رقمي مستمر (num / dbl)، وهو التنسيق القياسي المطلوب لتنفيذ اختبار بارتليت ونماذج ANOVA دون أخطاء برمجية.

5.3 تنظيف البيانات والتأكد من خلوها من القيم المفقودة

تتطلب الممارسة الإحصائية الحذرة التحقق من خلو البيانات من القيم المفقودة (Missing Values – NA) والتحقق من سلامة النطاق الرقمي للدرجات قبل إجراء أي اختبارات استدلالية. يمكن فحص وجود أي قيم مفقودة في إطار البيانات عبر الدالة البسيطة:

sum(is.na(anxiety_data))

إذا أظهرت النتيجة القيمة (0)، فهذا يؤكد اكتمال البيانات وجاهزيتها. أما في حال وجود قيم مفقودة في دراسات ميدانية واقعية، فيتعين معالجتها إما عن طريق الاستبعاد الانتقائي (Listwise Deletion) باستخدام دالة na.omit()، أو عبر تقنيات التعويض المتعدد (Multiple Imputation) إذا كانت نسبة الفقد مؤثرة على تمثيل العينة.

يمكن أيضاً استعراض ملخص إحصائي شامل للمتغيرات باستخدام دالة summary(anxiety_data)، أو عرض الأسطر الأولى والأخيرة عبر دالتي head(anxiety_data) وtail(anxiety_data). يضمن هذا الإجراء التأكد من أن جميع القيم تقع ضمن الحدود المنطقية للمقياس النفسي المستخدم، وعدم وجود أخطاء في إدخال البيانات مثل القيم السالبة أو الدرجات الشاذة الناتجة عن أخطاء مطبعية.

6. الخطوة الثانية: فحص افتراض التوزيع الطبيعي لكل مجموعة

6.1 التطبيق الإحصائي لاختبار شابيرو-ويلك (Shapiro-Wilk Test)

نظراً لأن اختبار بارتليت شديد الحساسية لعدم الاعتدالية، فإن الخطوة الإلزامية التي تسبق تنفيذه هي التحقق الإحصائي الصارم من أن بيانات المتغير التابع تتبع التوزيع الطبيعي داخل كل مستوى من مستويات المتغير المستقل على حدة. يُعد اختبار شابيرو-ويلك (Shapiro-Wilk Test) الأداة الأكثر قوة وموثوقية في تقييم اعتدالية العينات الصغيرة والمتوسطة (N < 50 لكل مجموعة).

في لغة R، يمكن إجراء اختبار شابيرو-ويلك لكل مجموعة بشكل منفصل باستخدام دالة shapiro.test() مدمجة مع دالة tapply() في النظام الأساسي، أو بأسلوب حديث ومرتب عبر دالة group_by() ودالة shapiro_test() من حزمة rstatix. يوضح الكود التالي التطبيق عبر الأسلوبين:

# باستخدام Base R
with(anxiety_data, tapply(anxiety_score, group, shapiro.test))
# أو باستخدام حزمة rstatix
anxiety_data %>% group_by(group) %>% shapiro_test(anxiety_score)

عند تقييم مخرجات اختبار شابيرو-ويلك، تنص الفرضية الصفرية للاختبار على أن البيانات تتبع التوزيع الطبيعي. وبالتالي، فإن المعيار المطلوب لتحقق الاعتدالية هو أن تكون القيمة الاحتمالية المحسوبة أكبر من مستوى الدلالة (p > 0.05) لجميع المجموعات دون استثناء. إذا أظهرت النتائج، على سبيل المثال، قيم p تساوي (0.78 للمجموعة الأولى، و0.65 للمجموعة الثانية، و0.82 للمجموعة الثالثة)، فإننا نفشل في رفض الفرضية الصفرية للاعتدالية، مما يقدم دليلاً إحصائياً قاطعاً على تحقق شرط التوزيع الطبيعي، ويجعل البيانات مؤهلة تماماً لتطبيق اختبار بارتليت بثقة تامة.

6.2 الفحص البصري للاعتدالية عبر الرسوم البيانية

لا ينبغي الاعتماد حصرياً على الاختبارات الرقمية الصماء لتقييم الاعتدالية، بل يجب دعمها بالفحص البصري للرسوم البيانية التشخيصية. تُعد مخططات الاحتمال الطبيعي، المعروفة بـ مخططات Q-Q (Quantile-Quantile Plots)، الأسلوب البصري الأمثل لمراقبة تطابق قيم العينة التجريبية مع القيم النظرية المتوقعة تحت التوزيع الطبيعي.

يمكن بناء مخططات Q-Q مقسمة بحسب المجموعات في R باستخدام حزمة ggplot2 عبر الكود التالي:

ggplot(anxiety_data, aes(sample = anxiety_score)) +
  stat_qq() +
  stat_qq_line(color = "red", linetype = "dashed") +
  facet_wrap(~ group) +
  theme_minimal() +
  labs(title = "مخططات Q-Q لفحص التوزيع الطبيعي حسب المجموعة",
       x = "القيم النظرية (Theoretical Quantiles)",
       y = "قيم العينة (Sample Quantiles)")

في هذه المخططات، يشير اصطفاف النقاط بالقرب من الخط المرجعي المستقيم المتقطع ذي اللون الأحمر إلى اعتدالية البيانات. كما يمكن رسم المدرجات التكرارية (Histograms) ومنحنيات الكثافة (Density Plots) لملاحظة شكل التوزيع والتأكد من غياب الالتواء الشديد أو القمم المزدوجة. يتيح هذا الفحص المزدوج (الرقمي والبصري) استبعاد وجود أي قيم شاذة متطرفة (Outliers) قد تشوه تقديرات التباين لاحقاً.

7. الخطوة الثالثة: استكشاف التباينات وتصويرها بيانياً

7.1 حساب الإحصاءات الوصفية للتباين والانحراف المعياري

قبل الشروع في الاختبار الاستدلالي، تقتضي قواعد التحليل الاستكشافي للبيانات (Exploratory Data Analysis) استخراج التقديرات النقطية لمعالم التشتت والموقع لكل مجموعة. يوفر هذا الحساب الأولي فهماً حدسياً لحجم الفروق الفعلية بين تباينات المجموعات، ويساعد في تفسير اتجاه النتائج لاحقاً.

نستخدم دالة summarise() بالاشتراك مع group_by() من حزمة dplyr لحساب حجم العينة (n)، المتوسط الحسابي (mean)، التباين العيني (variance)، والانحراف المعياري (sd)، بالإضافة إلى حساب الخطأ المعياري (standard error):

variance_summary <- anxiety_data %>%
  group_by(group) %>%
  summarise(
    n = n(),
    mean_score = mean(anxiety_score),
    variance = var(anxiety_score),
    sd_score = sd(anxiety_score),
    se_score = sd(anxiety_score) / sqrt(n())
  )
print(variance_summary)

يتيح الجدول الناتج مقارنة الفروق المطلقة والنسبية بين تباينات المجموعات. فإذا كانت التباينات متقاربة (على سبيل المثال: 64.2 للمجموعة الأولى، و71.8 للمجموعة الثانية، و60.5 للمجموعة الثالثة)، فإن هذه النظرة الوصفية الأولية تعزز التوقع المبدئي بتحقق تجانس التباين. كما يمكن في الدراسات المتقدمة حساب فترات الثقة (Confidence Intervals) لتباين كل مجموعة باستخدام توزيع مربع كاي لتقديم تقييم وصفي أكثر عمقاً ودقة.

7.2 التمثيل البصري للتباينات باستخدام مخططات الصندوق (Boxplots)

تُعد مخططات الصندوق والطرفين (Boxplots) الوسيلة البيانية الأكثر كفاءة وشيوعاً للمقارنة البصرية بين التشتت والنزعة المركزية لعدة مجموعات مستقلة. يعكس طول الصندوق قيمة المدى الربيعي (Interquartile Range – IQR)، والذي يمثل تشتت النصف الأوسط من البيانات، بينما تعكس أطوال الذيول (Whiskers) المدى الكلي للتوزيع، مما يوفر مؤشراً بصرياً مباشراً لمدى تجانس التباينات.

لبناء مخطط صندوقي متقدم واحترافي، نقوم بدمج مخطط الصندوق مع نقاط البيانات الفردية المشتتة عشوائياً (Jittered Points) باستخدام حزمة ggplot2 كما هو موضح في الكود التالي:

ggplot(anxiety_data, aes(x = group, y = anxiety_score, fill = group)) +
  geom_boxplot(alpha = 0.6, outlier.shape = NA, width = 0.5) +
  geom_jitter(width = 0.15, size = 2, alpha = 0.7, color = "darkblue") +
  theme_bw() +
  theme(legend.position = "none", plot.title = element_text(hjust = 0.5)) +
  labs(title = "مقارنة تشتت وتوزيع درجات القلق عبر المجموعات العلاجية",
       x = "المجموعة التجريبية",
       y = "درجات القلق")

عند فحص هذا الرسم البياني، يُستدل على تجانس التباين من خلال تماثل أطوال الصناديق الثلاثة وتطابق الامتداد الرأسي للذيول والنقاط عبر المجموعات. إذا لوحظ أن أحد الصناديق أطول بمرتين أو ثلاثة من الصناديق الأخرى، فإن ذلك يعطي إشارة بصرية واضحة على احتمالية وجود عدم تجانس جوهري يستوجب التحقق الاستدلالي الصارم عبر اختبار بارتليت.

8. الخطوة الرابعة: تنفيذ اختبار بارتليت في R باستخدام دالة bartlett.test()

8.1 الصيغة الأساسية باستخدام معادلة النماذج (Formula Syntax)

تعتمد الطريقة القياسية والأكثر شيوعاً لإجراء اختبار بارتليت في بيئة R الأساسية على استخدام صيغة النماذج الإحصائية (Formula Syntax) المدمجة عبر دالة bartlett.test(). تتميز هذه الصيغة بالوضوح البرمجي والتكامل المباشر مع أسلوب صياغة النماذج الخطية الأخرى في R مثل lm() وaov().

تُكتب الصيغة العامة للأمر البرمجي على النحو التالي:

bartlett_result <- bartlett.test(anxiety_score ~ group, data = anxiety_data)
print(bartlett_result)

في هذا التعبير البرمجي، يتم وضع اسم المتغير التابع المتصل على يسار علامة التلدة (~)، يليه اسم المتغير المستقل الفئوي على يمينها، مع تحديد اسم إطار البيانات عبر وسيط data. تُعالج هذه الدالة تلقائياً تقسيم البيانات إلى مجموعات فرعية بناءً على مستويات المتغير المستقل، وتحسب التباينات الفردية والتباين المجمع، ثم تطبق معامل التصحيح وتولد إحصائية الاختبار ودرجات الحرية والقيمة الاحتمالية بدقة فائقة وبأمر برمجي واحد موجز.

8.2 الصيغة البديلة باستخدام المتجهات والقوائم (Vectors and Lists)

في بعض السيناريوهات البرمجية أو عندما تكون البيانات مخزنة في متجهات عددية مستقلة غير مجمعة في إطار بيانات واحد (Unstacked Data)، تتيح دالة bartlett.test() تمرير البيانات في صورة متجهات منفصلة أو قائمة (List) من المتجهات العددية.

إذا كانت لدينا المتجهات الأصلية الثلاثة التي تم توليدها سابقاً (cbt_scores, meds_scores, control_scores)، يمكن تنفيذ الاختبار مباشرة بتمرير هذه المتجهات كمعاملات متتالية للدالة:

bartlett_vec_result <- bartlett.test(list(cbt_scores, meds_scores, control_scores))
print(bartlett_vec_result)

أو بدلاً من ذلك، يمكن استخدام صيغة المتجهين الأساسيين بتمرير متجه الاستجابة والمتجه الفئوي بشكل منفصل:

bartlett.test(anxiety_data$anxiety_score, anxiety_data$group)

تؤدي جميع هذه الصيغ البرمجية البديلة إلى نفس النتيجة الإحصائية تماماً دون أي اختلاف في قيم إحصائية الاختبار أو القيمة الاحتمالية. وتوفر هذه المرونة للمحلل خيارات متعددة تتكيف مع طبيعة وهيكل تخزين البيانات في مشروعه البرمجي.

8.3 تنفيذ الاختبار ضمن بيئة tidyverse وحزم التحليل المتقدم

مع الانتشار الواسع لأسلوب البرمجة الأنبوبية الحديثة في R، توفر حزمة rstatix دالة مطورة ومحسنة تُدعى bartlett_test(). تتكامل هذه الدالة بسلاسة مع مشغل الأنابيب (%>%) التابع لحزمة magrittr / dplyr، وتُرجع مخرجات التحليل في صورة إطار بيانات منظم (Tibble) بدلاً من الكائنات النصية التقليدية.

يمكن تنفيذ الاختبار وفق هذا الأسلوب عبر الكود التالي:

tidy_bartlett <- anxiety_data %>%
  bartlett_test(anxiety_score ~ group)
print(tidy_bartlett)

يتميز هذا الأسلوب بأن النتائج الناتجة تكون مهيأة مباشرة للدمج في أنابيب تحليلية لاحقة، أو تصديرها إلى جداول منسقة في ملفات Word أو LaTeX أو HTML باستخدام حزم تنسيق الجداول مثل knitr::kable() أو gt أو flextable، مما يعزز أتمتة إعداد التقارير الإحصائية وفق أعلى المعايير الأكاديمية.

9. الخطوة الخامسة: قراءة وتفسير المخرجات الإحصائية للاختبار

9.1 تفكيك عناصر نافذة المخرجات في R

عند تنفيذ الأمر bartlett.test(anxiety_score ~ group, data = anxiety_data) في واجهة R، تظهر في نافذة الكونسول (Console) مخرجات نصية قياسية منظمة تتكون من الأسطر التالية:

    Bartlett test of homogeneity of variances
data:  anxiety_score by group
Bartlett's K-squared = 0.48215, df = 2, p-value = 0.7858

يتطلب الفهم الدقيق لهذه المخرجات تفكيك كل عنصر إحصائي فيها على النحو التالي:

• اسم الاختبار ونوع البيانات (Bartlett test … data): يؤكد نوع الاختبار المطبق والمتغيرات التي خضعت للتحليل، مما يضمن التأكد من تمرير المتغير التابع والمتغير المستقل بالشكل الصحيح.
• إحصائية بارتليت (Bartlett’s K-squared): بلغت قيمتها المحسوبة هنا 0.48215. تمثل هذه القيمة إحصائية الاختبار المعدلة المستندة إلى نسبة الأرجحية وتوزيع مربع كاي. تشير القيمة المنخفضة المقاربة للصفر إلى تقارب شديد بين تباينات المجموعات الثلاث.
• درجات الحرية (df): بلغت قيمتها 2. تُحسب دائماً من خلال المعادلة (k – 1)، وحيث إن لدينا 3 مجموعات علاجية، فإن درجات الحرية تساوي (3 – 1 = 2).
• القيمة الاحتمالية (p-value): بلغت قيمتها 0.7858. وهي الاحتمال الإحصائي للحصول على تباينات عينية بهذا التباعد أو أكثر في حال كانت التباينات السكانية الحقيقية متساوية تماماً.

9.2 التفسير الأكاديمي لنتائج الاختبار وسيناريوهات القرار

بناءً على المخرجات السابقة، نقوم بمقارنة القيمة الاحتمالية المحسوبة (p = 0.7858) بمستوى الدلالة المعياري (α = 0.05). نجد أن القيمة الاحتمالية أكبر بكثير من عتبة الدلالة (0.7858 > 0.05)، وعليه فإننا نفشل في رفض الفرضية الصفرية، ونخلص إلى أن تباينات درجات القلق متجانسة إحصائياً عبر المجموعات الثلاث (CBT، الأدوية، وقائمة الانتظار).

بتحقق هذا الشرط بنجاح، يُصبح الباحث في وضع منهجي ممتاز يتيح له المضي قدماً في تطبيق تحليل التباين الأحادي القياسي (Standard One-Way ANOVA) ومقارنة المتوسطات باستخدام اختبارات المقارنات البعدية الكلاسيكية مثل اختبار توكي للفروق الجوهرية (Tukey’s HSD) بثقة كاملة ودون خوف من تضخم خطأ النوع الأول.

في المقابل، لو كانت النتيجة النظرية في سيناريو آخر تشير إلى أن (p < 0.05)، لكان القرار المنهجي هو رفض الفرضية الصفرية وثبوت عدم تجانس التباين، مما يمنع استخدام تحليل التباين الكلاسيكي ويتطلب الانتقال إلى الحلول التصحيحية مثل اختبار ويلش (Welch’s ANOVA).

تُصاغ فقرة تقرير نتائج اختبار بارتليت في البحوث الأكاديمية وفق دليل أسلوب جمعية علم النفس الأمريكية (APA 7th Edition) بالصيغة القياسية التالية:

“أظهر اختبار بارتليت لتجانس التباينات تحقق شرط تجانس التباين عبر المجموعات التجريبية الثلاث، حيث لم تكن الفروق بين التباينات ذات دلالة إحصائية، χ²(2) = 0.482, p = .786. وبناءً على ثبوت تجانس التباين واعتدالية التوزيع، تم تطبيق تحليل التباين الأحادي البارامتري القياسي لمقارنة متوسطات درجات القلق.”

10. مقارنة نقدية: اختبار بارتليت مقابل اختبارات التجانس البديلة في R

10.1 اختبار بارتليت مقابل اختبار ليفين (Levene’s Test)

يُمثل اختبار ليفين البديل الأكثر استخداماً لاختبار بارتليت في العلوم الاجتماعية والسلوكية. يعتمد اختبار ليفين على حساب الانحرافات المطلقة للقيم عن متوسط المجموعة (أو عن وسيط المجموعة في نسخة براون-فورسيث المعدلة)، ثم إجراء تحليل تباين أحادي على تلك الانحرافات المحولة.

تكمن الميزة الكبرى لاختبار ليفين في متانته العالية (Robustness) ضد انتهاك شرط التوزيع الطبيعي؛ فهو لا يتأثر بشدة بالالتواء أو التفرطح مثل بارتليت. ومع ذلك، إذا كانت البيانات تتبع التوزيع الطبيعي بدقة تامة، فإن اختبار بارتليت يتمتع بقوة إحصائية أعلى من ليفين في رصد الفروق الطفيفة بين التباينات.

يتم تنفيذ اختبار ليفين في R عبر دالة leveneTest() من حزمة car كما يلي:

car::leveneTest(anxiety_score ~ group, data = anxiety_data, center = median)

يُفضل استخدام اختبار ليفين (المستند إلى الوسيط) كخيار افتراضي أضمن عندما تكون هناك شكوك حول اعتدالية التوزيع أو عند وجود التواءات متوسطة في البيانات.

10.2 اختبار بارتليت مقابل اختبار فليجنر-كيلين (Fligner-Killeen Test)

يُصنف اختبار فليجنر-كيلين (Fligner-Killeen Test) بأنه اختبار لابارامتري بالكامل (Non-parametric) لتجانس التباينات. يستند هذا الاختبار إلى تحويل البيانات إلى رتب إحصائية وتطبيق أوزان مستمدة من التوزيع الطبيعي المعياري على تلك الرتب حول الوسيط المشترك.

يتميز اختبار فليجنر-كيلين بأنه الاختبار الأكثر متانة ومقاومة للقيم الشاذة الحادة (Severe Outliers) والتوزيعات شديدة الالتواء والتفرطح والبيانات التي تتبع توزيعات لوجستية أو أسية غير متماثلة. في مثل هذه البيئات المعقدة، يتفوق فليجنر بوضوح على كل من بارتليت وليفين.

يمكن تنفيذ اختبار فليجنر-كيلين في بيئة R الأساسية عبر الأمر المباشر التالي:

fligner.test(anxiety_score ~ group, data = anxiety_data)

يوصى باعتماد اختبار فليجنر عندما تفشل البيانات في استيفاء شرط التوزيع الطبيعي بشكل قاطع، وعندما يحتوي التوزيع على قيم متطرفة يخشى الباحث من تأثيرها على تقديرات الانحرافات المطلقة.

10.3 مصفوفة معايير اختيار الاختبار الأنسب للبيانات النفسية

لتسهيل عملية اتخاذ القرار المنهجي للباحث، يقدم الجدول التالي مصفوفة مقارنة شاملة تلخص الفروق الجوهرية والاشتراطات الميدانية لاختبارات التجانس الثلاثة الرئيسية:

معيار المقارنة	اختبار بارتليت (Bartlett)	اختبار ليفين (Levene – Median)	اختبار فليجنر-كيلين (Fligner-Killeen)
طبيعة الاختبار	بارامتري معلمي صارم	شبه بارامتري (متين)	لابارامتري (قائم على الرتب)
شرط التوزيع الطبيعي	حساس للغاية (إلزامي بدقة)	متين ضد خرق الاعتدالية	لا يشترط الاعتدالية إطلاقاً
الحساسية للقيم الشاذة	شديد الحساسية والتأثر	متوسط المقاومة	شديد المقاومة والمتانة
القوة تحت الاعتدالية	الأعلى والأقوى إحصائياً	متوسطة إلى عالية	أقل قليلاً تحت التوزيع الطبيعي
إحصائية الاختبار	مربع كاي (K-squared)	إحصائية F	مربع كاي (Chi-squared)
الدالة المعتمدة في R	bartlett.test()	car::leveneTest()	fligner.test()
الاستخدام الموصى به	البيانات الموزعة اعتدالياً بدقة	البيانات الواقعية والعلوم السلوكية	التوزيعات الملتوية جداً والشاذة

11. الحلول المنهجية والإحصائية عند خرق افتراض تجانس التباين

11.1 تطبيق تحويلات البيانات (Data Transformations)

عندما يسفر اختبار بارتليت عن رفض الفرضية الصفرية وثبوت عدم تجانس التباينات، يتمثل الحل التقليدي الأول في تطبيق التحويلات الرياضية على المتغير التابع الأصلي. تهدف هذه التحويلات إلى ضغط المدى الرقمي للبيانات وتعديل شكل التوزيع لتقليص الفجوة بين التباينات الكبيرة والصغيرة وتحقيق الاستقرار التبايني (Variance Stabilization).

تشمل أبرز التحويلات المستخدمة في البيانات السلوكية:

• التحويل اللوغاريثمي (Log Transformation): log(x) أو log10(x)، وهو ممتاز عندما يزداد التباين طردياً مع المتوسط، وفي حالات الالتواء الموجب الشديد.
• تحويل الجذر التربيعي (Square Root Transformation): sqrt(x)، ويُستخدم بنجاح مع بيانات العد والترددات (Count Data) التي تتبع توزيع بواسون.
• تحويل بوكس-كوكس (Box-Cox Transformation): تقنية متقدمة تبحث عن القيمة المثلى للأس (λ) التي تحقق أفضل تجانس واعتدالية ممكنة باستخدام دالة MASS::boxcox().

يوضح الكود التالي كيفية تطبيق التحويل اللوغاريثمي وإعادة فحص التجانس:

anxiety_data$\log_score <- \log(anxiety_data$anxiety_score)
bartlett.test(log_score ~ group, data = anxiety_data)

إذا نجح التحويل في استعادة التجانس (p > 0.05)، يمكن للباحث تنفيذ ANOVA على البيانات المحولة، مع مراعاة تفسير النتائج والمتوسطات بناءً على المقياس الأصلي المحول عكسياً (Back-transformation).

11.2 استخدام بدائل تحليل التباين المعدلة (Welch’s ANOVA)

إذا فشلت التحويلات الرياضية في تصحيح التباين، أو إذا كان الباحث يفضل تجنب تعقيدات تفسير البيانات المحولة، فإن الحل المنهجي الذهبي الحديث يكمن في التخلي عن ANOVA التقليدي والاعتماد على تحليل تباين ويلش المعدل (Welch’s ANOVA). لا يشترط هذا النموذج تجانس التباينات إطلاقاً، بل يقوم بوزن المتوسطات بناءً على تباينات المجموعات الفردية وتعديل درجات الحرية للنموذج نزولاً للحد من خطأ النوع الأول.

يتم تنفيذ تحليل تباين ويلش في R بسهولة فائقة باستخدام الدالة الأساسية oneway.test() مع تعيين المعامل var.equal = FALSE كما يلي:

welch_anova <- oneway.test(anxiety_score ~ group, data = anxiety_data, var.equal = FALSE)
print(welch_anova)

أما إذا كانت البيانات تعاني من عدم التجانس مترافقاً مع خرق حاد في التوزيع الطبيعي وصغر حجم العينات، فيمكن في هذه الحالة اللجوء إلى البديل اللابارامتري الكلاسيكي الكامل وهو اختبار كروسكال-واليس (Kruskal-Wallis Test) عبر دالة kruskal.test(anxiety_score ~ group, data = anxiety_data) والذي يعتمد على تحليل الرتب ولا يفرض أي شروط معلمية مسبقة.

11.3 النمذجة الخطية المعممة وتقدير الأخطاء المعيارية القوية

في التحليلات الإحصائية المتقدمة والنمذجة القياسية المعاصرة، يُفضل استخدام النماذج الخطية مع تصحيح مصفوفة التباين والتباين المشترك للأخطاء، والمعروفة بالأخطاء المعيارية المتسقة مع عدم تجانس التباين (Heteroscedasticity-Consistent / Robust Standard Errors).

تتيح حزم R المتخصصة مثل حزمة sandwich وحزمة lmtest بناء النموذج الخطي الكلاسيكي عبر lm()، ثم استخراج اختبارات المعاملات المعدلة باستخدام مقدرات وايت (White’s Estimator – HC3) التي تصحح تباين الأخطاء دون المساس بالبيانات الأصلية:

fit_model <- lm(anxiety_score ~ group, data = anxiety_data)
lmtest::coeftest(fit_model, vcov = sandwich::vcovHC(fit_model, type = "HC3"))

كما يمكن توظيف النماذج الخطية المعممة (Generalized Linear Models – GLM) أو النماذج المعممة لتقدير المربعات الصغرى (Generalized Least Squares – GLS) عبر حزمة nlme باستخدام الدالة gls() مع تحديد دالة التباين weights = varIdent(form = ~ 1 | group)، مما يسمح بنمذجة تباين منفصل لكل مجموعة بكفاءة رياضية متناهية.

12. دراسة حالة تطبيقية متكاملة وتوثيق كود R القابل للتكرار

12.1 عرض بيانات تجربة سريرية نفسية واقعية

لتقديم سيناريو تطبيقي شامل وقابل للتكرار المباشر (Reproducible Workflow)، سنقوم الآن بتنفيذ تجربة متكاملة تشمل توليد بيانات سريرية واقعية، والتحقق المنهجي المتسلسل من كافة الشروط، وتشغيل اختبار بارتليت، ثم اتخاذ القرار الإحصائي النهائي وتوثيقه أكاديمياً.

نفترض دراسة نفسية تقارن أربعة بروتوكولات علاجية للاكتئاب: (1) العلاج بالقبول والالتزام (ACT)، (2) العلاج السلوكي المعرفي (CBT)، (3) العلاج باليقظة الذهنية (Mindfulness)، و(4) العلاج الدوائي المعتاد (TAU). تم قياس درجات الاكتئاب عبر مقياس بيك للاكتئاب (BDI-II) بعد 12 أسبوعاً من العلاج، بحجم عينة قدره 35 مشاركاً لكل مجموعة (إجمالي N = 140).

يوضح الكود التالي بناء هذه التجربة بالكامل في R:

# ضبط البذرة العشوائية لضمان التكرارية الدقيقة
set.seed(456)
n_per_arm <- 35
act_bdi <- rnorm(n_per_arm, mean = 14.2, sd = 4.8)
cbt_bdi <- rnorm(n_per_arm, mean = 13.8, sd = 5.1)
mind_bdi <- rnorm(n_per_arm, mean = 15.1, sd = 4.9)
tau_bdi <- rnorm(n_per_arm, mean = 21.5, sd = 5.3)
clinical_trial <- data.frame(
  treatment = factor(rep(c("ACT", "CBT", "Mindfulness", "TAU"), each = n_per_arm)),
  bdi_score = c(act_bdi, cbt_bdi, mind_bdi, tau_bdi)
)

12.2 سير العمل المتسلسل من التحقق إلى القرار النهائي

نبدأ بتنفيذ سلسلة الفحوصات الإحصائية المتتابعة وفق الخطوات المنهجية التي تم تفصيلها:

أولاً: فحص التوزيع الطبيعي (شابيرو-ويلك):

normality_results <- clinical_trial %>%
  group_by(treatment) %>%
  shapiro_test(bdi_score)
print(normality_results)

أظهرت النتائج أن جميع قيم p لاختبار شابيرو-ويلك تتجاوز 0.20 لكافة المجموعات الأربع، مما يثبت استيفاء شرط الاعتدالية التوزيعية بشكل ممتاز.

ثانياً: تنفيذ اختبار بارتليت لتجانس التباين:

bartlett_final <- bartlett.test(bdi_score ~ treatment, data = clinical_trial)
print(bartlett_final)

أظهرت مخرجات الاختبار ما يلي:
Bartlett's K-squared = 0.3129, df = 3, p-value = 0.9576

ثالثاً: اتخاذ القرار وتنفيذ تحليل التباين:
نظراً لأن القيمة الاحتمالية لاختبار بارتليت (p = 0.9576) أكبر بكثير من (0.05)، فقد ثبت بما لا يدع مجالاً للشك تجانس تباينات المجموعات الأربع. بناءً على ذلك، يتم تطبيق نموذج تحليل التباين الكلاسيكي واختبار توكي البعدي بأمان منهجي تام:

anova_model <- aov(bdi_score ~ treatment, data = clinical_trial)
summary(anova_model)
TukeyHSD(anova_model)

12.3 أفضل الممارسات لتوثيق التحليلات وتوليد تقارير R Markdown

لضمان أعلى معايير الشفافية والنزاهة العلمية والتكرارية البحثية (Reproducible Science)، يُوصى بكتابة التحليلات الإحصائية كاملة داخل مستندات R Markdown أو Quarto. تدمج هذه البيئات بين الكود البرمجي التنفيذي والشرح النظري والمخرجات والجداول في وثيقة موحدة غير قابلة للتلاعب.

تشمل أفضل الممارسات الواجب اتباعها ما يلي:

• توثيق معلومات الجلسة (Session Info): استدعاء أمر sessionInfo() في نهاية التحليل لتوثيق إصدار R، ونظام التشغيل، وأرقام إصدارات كافة الحزم المستخدمة بدقة لضمان مطابقة النتائج عند إعادة تشغيل الكود في المستقبل.
• تثبيت البذور العشوائية: الحرص الدائم على وضع دالة set.seed() قبل أي عمليات محاكاة أو تقسيم عشوائي للبيانات.
• التنظيم الهيكلي للمشروع: فصل كود استيراد البيانات ومعالجتها عن كود النمذجة والاستدلال، واستخدام المسارات النسبية عبر حزمة here لتسهيل تشغيل الكود على أجهزة مختلفة دون مشاكل المسارات الصلبة.

يوفر الالتزام بهذه الممارسات البرمجية المنهجية الرصانة اللازمة للأوراق البحثية والرسائل الجامعية، ويضمن للباحثين الآخرين إمكانية مراجعة وتكرار كافة خطوات الاستدلال الإحصائي والتحقق من صحتها بسهولة ويسر.

خاتمة

يظل اختبار بارتليت (Bartlett’s Test) أحد أهم المعالم الكلاسيكية في صرح الإحصاء البارامتري، وأداة تشخيصية لا غنى عنها للتحقق من شرط تجانس التباين في ظل تحقق شرط التوزيع الطبيعي. ومن خلال لغة البرمجة R، يمتلك الباحثون أداة حوسبية فائقة المرونة تتيح فحص هذا الشرط عبر أوامر برمجية موجزة، وربط النتائج مباشرة بالنماذج الإحصائية المتقدمة.

ومع ذلك، يجب على الممارس الإحصائي التحلي بالوعي المنهجي الدقيق؛ حيث يتطلب تطبيق اختبار بارتليت فحصاً استباقياً حازماً للتوزيع الطبيعي للبيانات، مع الاستعداد الدائم لاستخدام البدائل المتينة مثل اختبار ليفين أو اختبار فليجنر-كيلين، أو اللجوء إلى نماذج تحليل تباين ويلش والتقديرات الحصينة عند خرق الافتراضات. إن الفهم العميق لهذه المنظومة المتكاملة من الاختبارات والبدائل يمثل الضمانة الحقيقية لسلامة التحليلات الإحصائية ورصانة النتائج العلمية في كافة مجالات البحث النفسي والسلوكي والاجتماعي.

المراجع

• Bartlett, M. S. (1937). Properties of sufficiency and statistical tests. Proceedings of the Royal Society of London. Series A – Mathematical and Physical Sciences, 160(901), 268–282. https://doi.org/10.1098/rspa.1937.0109
• Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications.
• Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). SAGE Publications. https://socialsciences.mcmaster.ca/jfox/Books/Companion/
• Kassambara, A. (2020). rstatix: Pipe-friendly framework for basic statistical tests (R package version 0.7.0). https://CRAN.R-project.org/package=rstatix
• Levene, H. (1960). Robust tests for equality of variances. In I. Olkin, S. G. Ghurye, W. Hoeffding, W. G. Madow, & H. B. Mann (Eds.), Contributions to probability and statistics: Essays in honor of Harold Hotelling (pp. 278–292). Stanford University Press.
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., … Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686