كيفية إجراء اختبار دان في بايثون

يشكّل التحليل الإحصائي الاستدلالي ركيزة جوهرية في استخلاص الاستنتاجات العلمية الرصينة عبر مختلف الحقول الأكاديمية والتطبيقية، بدءاً من العلوم الطبية والبيولوجية وصولاً إلى العلوم السلوكية والاجتماعية وعلوم البيانات الحديثة. وعندما تواجه البحوث العلمية بيانات لا تخضع للافتراضات الصارمة للاختبارات المعلمية (Parametric Tests)—مثل افتراض التوزيع الطبيعي وتجانس التباين—تبرز الاختبارات الإحصائية اللامعلمية كأدوات منهجية لا غنى عنها للتعامل مع البيانات الترتيبية أو التوزيعات الملتوية والشاذة دون التضحية بالدقة العلمية أو النزاهة الاستدلالية.

في إطار المقارنات المتعددة بين أكثر من مجموعتين مستقلتين، يُعد اختبار كروسكال-واليس (Kruskal-Wallis Test) النظير اللامعلمي الأبرز لتحليل التباين الأحادي (One-Way ANOVA)، إلا أن هذا الاختبار يقتصر بطبيعته على كونه اختباراً كلياً أو شاملاً (Omnibus Test) يشير فقط إلى وجود فرق ذي دلالة إحصائية في مكان ما بين المجموعات، دون القدرة على تحديد أزواج المجموعات المحددة المسؤولة عن هذا التباين. وهنا تتجلى الأهمية المنهجية القصوى لاختبار دان (Dunn’s Test)، الذي طُوّر خصيصاً كإجراء مقارنات بعدية متعددة (Post-Hoc Multiple Comparisons) يعتمد على الرتب المجمعة للبيانات مع تصحيح معدلات الخطأ الناتجة عن تكرار المقارنات الزوجية.

يقدم هذا الدليل الشامل مرجعاً أكاديمياً وتطبيقياً متعمقاً لإجراء وفهم وتفسير اختبار دان باستخدام لغة البرمجة بايثون (Python)، مستعرضاً الأسس النظرية والرياضية التي يبنى عليها الاختبار، وشروطه وافتراضاته الإحصائية الدقيقة، وآليات معالجة تضخم خطأ النوع الأول من خلال خوارزميات التصحيح المتطورة مثل بونفيروني وهولم وبنجاميني-هوشبرغ. كما يغطي الدليل تفاصيل التنفيذ البرمجي خطوة بخطوة باستخدام حزم الحوسبة العلمية الرائدة مثل SciPy ومكتبة scikit-posthocs وPandas، بالإضافة إلى أساليب التمثيل البصري المتقدمة وصياغة التقارير الإحصائية وفق أحدث معايير جمعية علم النفس الأمريكية (APA).

1. مقدمة إلى الاختبارات اللامعلمية واختبار دان

1.1 مفهوم الاختبارات الإحصائية اللامعلمية وسياق استخدامها

تمثل الاختبارات الإحصائية اللامعلمية، والتي تُعرف أيضاً باختبارات التوزيع الحر (Distribution-Free Tests)، فرعاً حيوياً من الإحصاء الاستدلالي لا يشترط مطابقة البيانات لنموذج احتمالي محدد مسبقاً، مثل التوزيع الطبيعي الغوسي (Gaussian Distribution). في الممارسات البحثية الواقعية، كثيراً ما يعجز الباحث عن تلبية الفرضيات الصارمة للاختبارات المعلمية الكلاسيكية، سواء بسبب صغر حجم العينة، أو وجود التواءات شديدة في البيانات (Skewness)، أو وجود قيم متطرفة مؤثرة (Outliers) تعطل موثوقية المتوسطات الحسابية والتباينات.

يتسع نطاق استخدام النماذج اللامعلمية بصورة خاصة عند التعامل مع المتغيرات الترتيبية (Ordinal Variables)، مثل المقاييس المتدرجة ومقاييس ليكرت (Likert Scales)، حيث تمتلك البيانات ترتيباً منطقياً واضحاً لكن المسافات الرياضية بين الرتب ليست متساوية أو قابلة للقياس الكمي الدقيق. بدلاً من الاعتماد على المعالم العددية الخام، تقوم الاختبارات اللامعلمية بتحويل الملاحظات الأصلية إلى رتب نسبية (Ranks)، مما يمنحها حصانة قوية ومقاومة استثنائية ضد التشوهات التوزيعية والقيم الشاذة، ويضمن الوصول إلى استنتاجات تتسم بالمصداقية والموثوقية الإحصائية العالية.

علاوة على ذلك، توفر الاختبارات اللامعلمية بديلاً متيناً في التجارب الاستكشافية التي تتسم بمحدودية حجم الملاحظات المتاحة أو غموض التوزيع الأصلي للمجتمع الإحصائي المسحوب منه العينات. يتيح ذلك للباحثين في مجالات الطب السريري، وعلم النفس التجريبي، والعلوم البيئية، تحليل الفروق الجوهرية بين المجموعات التجريبية والضابطة دون الوقوع في أخطاء الاستدلال الناتجة عن انتهاك فرضيات النماذج المعلمية.

1.2 ما هو اختبار دان (Dunn’s Test) وتاريخ نشأته الإحصائية

اختبار دان هو اختبار إحصائي لامعلمي للمقارنات الزوجية المتعددة، طورته عالمة الإحصاء الحيوي البارزة أوليف جين دان (Olive Jean Dunn) عام 1964. جاء هذا الابتكار الرياضي استجابة للحاجة الماسة إلى منهجية دقيقة تتيح مقارنة أزواج متعددة من المجموعات المستقلة عقب إجراء اختبار كروسكال-واليس الشامل، مع الحفاظ على القوة الإحصائية والتحكم الصارم في معدلات الخطأ الاحتمالية التراكمية.

يعتمد الأساس الرياضي لاختبار دان على استخدام متوسطات الرتب المجمعة المحسوبة بالفعل أثناء تنفيذ اختبار كروسكال-واليس لجميع الملاحظات عبر كل المجموعات. يحسب الاختبار إحصاء الفروق المعيارية (Z-statistic) بين متوسطات الرتب لكل زوج من المجموعات، مستنداً إلى تباين مشترك يأخذ في الحسبان الحجم الكلي للعينة وأحجام العينات الفردية، مع إمكانية تعديل التباين في حالات وجود رتب متطابقة (Tied Ranks). تُقارن النتيجة المحسوبة بالتوزيع الطبيعي القياسي بعد تطبيق المعاملات التصحيحية المناسبة.

تكمن الأهمية التاريخية والمنهجية لاختبار دان في كونه الإجراء البعدي اللامعلمي الوحيد المتسق تماماً مع البنية الترتيبية لاختبار كروسكال-واليس؛ إذ لا يقوم بإعادة ترتيب بيانات المجموعتين المقارنتين بمعزل عن بقية المجموعات كما يحدث في التطبيقات الخاطئة لاختبار مان-ويتني، بل يحتفظ بالإطار المرجعي الشامل للرتب، مما يجعله المعيار الذهبي للمقارنات اللامعلمية اللاحقة في الأدبيات الإحصائية المحكمة.

1.3 دور اختبار دان كاختبار مقارنة بعدية (Post-Hoc Test)

في التصاميم التجريبية التي تشتمل على ثلاثة مستويات أو أكثر لمتغير مستقل قاطع، يواجه المحلل الإحصائي معضلة التمييز بين الاختبارات الكلية الشاملة (Omnibus Tests) واختبارات المقارنة البعدية التفصيلية (Post-Hoc Tests). يقدم الاختبار الشامل، مثل اختبار كروسكال-واليس، إجابة عن سؤال عام وحيد: “هل توجد فروق ذات دلالة إحصائية بين مجموعة واحدة على الأقل وبقية المجموعات؟”، ولكنه يقف عاجزاً تماماً عن تحديد أي المجموعات تحديداً تختلف عن الأخرى، أو ما إذا كانت جميع المجموعات تختلف فيما بينها تمايزاً متبادلاً.

يأتي دور اختبار دان كأداة تشخيصية بعدية متخصصة تتدخل بمجرد ثبوت دلالة الاختبار الكلي، حيث يقوم بتفكيك التباين الإجمالي إلى مقارنات ثنائية محددة (Pairwise Comparisons) تشمل جميع التوافيق الممكنة بين المجموعات. يسمح ذلك للباحث بتحديد المجموعات النوعية المسؤولة فعلياً عن رفض الفرضية الصفرية العامة للاختبار الكلي، ومعرفة اتجاه التباين من خلال موازنة متوسطات الرتب النسبية.

تكتسب هذه الوظيفة البعدية أهمية بالغة في التطبيقات البحثية المعاصرة، لا سيما في التجارب الدوائية والتحليلات السلوكية والتسويقية؛ حيث لا يكتفي الباحث بمعرفة وجود أثر عام للعلاج أو التدخل، بل يسعى بدقة لتحديد ما إذا كانت الجرعة المرتفعة تتفوق إحصائياً على الجرعة المتوسطة، أو ما إذا كان الفارق يقتصر فقط على المقارنة بين المجموعات المعالجة والمجموعة الضابطة، وهو ما يقدمه اختبار دان بأسلوب منهجي خالٍ من التحيز التوزيعي.

2. الإطار النظري: المقارنة بين اختبار دان واختبار كروسكال-واليس

2.1 العلاقة التتابعية بين كروسكال-واليس واختبار دان

تخضع الممارسة الإحصائية الرصينة لبروتوكول تتابعي صارم يربط بين اختبار كروسكال-واليس واختبار دان. يمثل اختبار كروسكال-واليس الخطوة الاستدلالية الأولى، بصفته البديل اللامعلمي المباشر لاختبار تحليل التباين الأحادي، ويقوم على اختبار الفرضية الصفرية القائلة بأن جميع المجموعات المستقلة مسحوبة من مجتمعات ذات توزيعات رتبية متطابقة، مقابل الفرضية البديلة بوجود مجموعة واحدة على الأقل تختلف عن غيرها في موضع التوزيع الترتيبي.

إذا أسفر اختبار كروسكال-واليس عن قيمة احتمالية (p-value) تتجاوز مستوى الدلالة المحدد مسبقاً (مثل 0.05)، تتوقف العملية الاستدلالية عند هذا الحد، ويُحظر منهجياً الانتقال إلى اختبارات المقارنة البعدية لتجنب توليد نتائج إيجابية كاذبة ناتجة عن الصدفة العشوائية. أما في حالة رفض الفرضية الصفرية وثبوت الدلالة الإحصائية العامة، يصبح الانتقال إلى اختبار دان ضرورة حتمية لتحديد الأزواج المتباينة بدقة متناهية.

ما يميز اختبار دان في هذه السلسلة التتابعية هو اعتماده المباشر على مصفوفة الرتب الكلية المشتركة التي تم حسابها في مرحلة كروسكال-واليس السابقة. لا يتطلب اختبار دان إعادة تجميع البيانات أو استخراج رتب جديدة لكل زوج ثنائي، بل يوظف نفس متوسطات الرتب الإجمالية، مما يحافظ على التماسك الرياضي والمنهجي بين المرحلة الكلية والمرحلة التفصيلية للتحليل الإحصائي، ويمنع التناقضات الاستدلالية التي قد تنشأ عن استخدام اختبارات بعدية تعيد تحجيم الرتب بصورة مستقلة.

2.2 الفروق الجوهرية بين النماذج المعلمية والبدائل اللامعلمية

تتباين النماذج المعلمية، مثل اختبار توكي للفروق المعنوية الصادقة (Tukey’s HSD)، تبايناً جذرياً مع البدائل اللامعلمية كاختبار دان، سواء من حيث الفلسفة التأسيسية أو الافتراضات التوزيعية أو أسلوب التفسير الرياضي. في حين يعتمد اختبار توكي على مقارنة المتوسطات الحسابية الفعلية (Sample Means) ويفترض اعتدالية التوزيع وتجانس التباين (Homoscedasticity) داخل المجتمعات، يرتكز اختبار دان بالكامل على مقارنة متوسطات الرتب النسبية (Mean Ranks) كمعيار أساسي لقياس التباعد الموقعي بين المجموعات.

عندما تتعرض البيانات لانتهاك افتراضات التجانس أو التوزيع الطبيعي، تتدهور كفاءة اختبارات ANOVA واختبار توكي سريعاً، حيث تصبح تقديرات الخطأ المعياري مشوهة وتتضخم معدلات الخطأ من النوع الأول بشكل حاد، مما يؤدي إلى استنتاجات مضللة. في المقابل، يظهر اختبار دان صلابة فائقة في هذه السيناريوهات، إذ يتعامل مع الرتب التي لا تتأثر بمدى تشتت القيم المتطرفة أو شكل الالتواء الإحصائي في الأطراف التوزيعية.

يوضح الجدول الإحصائي المقارن التالي الفروق الهيكلية بين النموذجين المعلمي واللامعلمي في إطار المقارنات المتعددة:

• المعيار الإحصائي المقارن: يختبر توكي الفروق بين المتوسطات الحسابية الفعلية، بينما يختبر دان الفروق بين متوسطات الرتب المجمعة للعينات.
• الافتراضات التوزيعية: يشترط توكي التوزيع الطبيعي وتجانس التباينات، بينما لا يشترط دان شكلاً توزيعياً محدداً ولكنه يفترض تماثل شكل التوزيع إذا أريد تفسير الفروق على مستوى الوسيط (Medians).
• الحساسية للقيم المتطرفة: يتأثر اختبار توكي بشدة بالقيم الشاذة، في حين يتميز اختبار دان بمقاومة عالية بفضل التحويل الرتبي التتابعي.
• طبيعة البيانات المناسبة: يناسب توكي البيانات الكمية المتقصلة أو المستمرة المقاسة على مقياس فتري أو نسبي، بينما يلائم دان البيانات الترتيبية والبيانات الكمية غير المعلمية.

2.3 معايير اتخاذ القرار الإحصائي للانتقال إلى اختبار دان

يتطلب اتخاذ القرار المنهجي السليم بإجراء اختبار دان استيفاء مجموعة محددة من المعايير والشروط الصارمة في التصميم التجريبي والتحليل الأولي. المعيار الأول والأساسي هو تحقيق الدلالة الإحصائية في الاختبار الشامل لكروسكال-واليس، بحيث تكون القيمة الاحتمالية الناتجة أقل من مستوى ألفا الاسمي المعتمد في الدراسة (عادة p < 0.05). إن إجراء اختبار دان بمعزل عن هذه النتيجة الشاملة أو في حال فشل كروسكال-واليس في إثبات المعنوية يُعد خرقاً منهجياً جسيماً يؤدي إلى إغراق التحليل في أخطاء الاستدلال العشوائي.

المعيار الثاني يتمثل في عدد المجموعات المستقلة الخاضعة للدراسة؛ إذ يُشترط وجود ثلاث مجموعات منفصلة أو أكثر. إذا كان التصميم يحتوي على مجموعتين فقط، فإن إجراء كروسكال-واليس يكافئ رياضياً اختبار مان-ويتني ولا توجد أي حاجة أو مسوغ لإجراء مقارنات بعدية لاحقة. أما عند وجود ثلاث مجموعات أو أكثر، تصبح المقارنات البعدية إلزامية لتفكيك العلاقات الثنائية.

المعيار الثالث يتعلق بأهداف البحث وفرضياته المسبقة؛ حيث يُطبق اختبار دان عندما تكون المقارنات المقترحة استكشافية شاملة تشمل جميع التوافيق الزوجية الممكنة للمجموعات، أو عندما يرغب الباحث في إجراء مقارنات محددة مسبقاً بعد تثبيت الدلالة الكلية. يضمن الالتزام بهذه المعايير بناء استنتاجات متينة ذات مصداقية علمية تمنع الوقوع في فخ التنقيب الاحتمالي الزائف في البيانات (Data Dredging).

3. الشروط والافتراضات الإحصائية لإجراء اختبار دان

3.1 طبيعة المتغير التابع والمستقل في التصميم البحثي

يرتكز التطبيق الصحيح لاختبار دان على توصيف دقيق وصحيح لطبيعة المتغيرات الداخلة في النموذج الإحصائي. يجب أن يكون المتغير المستقل (Independent Variable) متغيراً نوعياً تصنيفياً (Categorical/Nominal Variable) يتألف من ثلاث فئات أو مجموعات مستقلة غير متداخلة على الأقل، مثل مجموعات العلاج الدوائي بجرعات مختلفة (جرعة منخفضة، جرعة متوسطة، جرعة عالية) أو الفئات التعليمية أو التصنيفات الجغرافية.

في المقابل، يتعين أن يكون المتغير التابع (Dependent Variable) مقاساً على مقياس رتبي (Ordinal Scale) أو مقياس كمي مستمر (Continuous Scale) أو منفصل (Discrete Scale) يعجز عن تلبية متطلبات التوزيع الطبيعي. يُعد اختبار دان الخيار المثالي والمفضل في العلوم النفسية والتربوية والاجتماعية لتحليل الاستبانات التي تستخدم مقاييس ليكرت المتعددة الدرجات (مثل: أوافق بشدة، أوافق، محايد، أعارض، أعارض بشدة)، حيث تكون الفروق الترتيبية بين المستويات ذات دلالة واضحة لكن الفواصل العددية المجردة بينها تفتقر إلى المعايرة الفترية المتساوية.

كما يُلائم الاختبار المتغيرات البيولوجية والطبية ذات التوزيعات غير المتماثلة، مثل تراكيز المؤشرات الحيوية في الدم، ومعدلات البقاء على قيد الحياة، وفترات الشفاء، ومستويات التعبير الجيني، حيث تكثر التوزيعات الملتوية نحو اليمين وتبرز الحاجة لمعالجة البيانات بالاعتماد على رتبها لتفادي التحيزات التقديرية للنماذج المعلمية.

3.2 استقلالية الملاحظات والعينات

تعد استقلالية الملاحظات (Independence of Observations) الفرضية الأكثر أهمية وحرجا في التحليل الإحصائي اللامعلمي باستخدام اختبار دان. تفترض هذه الفرضية الصارمة أن كل ملاحظة أو نقطة بيانات تم جمعها من عينة تجريبية مستقلة تماماً عن الملاحظات الأخرى، بحيث لا يؤثر وجود أي فرد أو قياس في مجموعة معينة على قيم الملاحظات في المجموعات الأخرى أو داخل نفس المجموعة بأي شكل من الأشكال.

يترتب على هذا الافتراض حظر تطبيق اختبار دان على تصاميم القياسات المتكررة (Repeated Measures) أو البيانات المزدوجة والمقترنة (Paired Samples)، مثل قياس استجابة نفس المرضى قبل التدخل العلاجي، وخلال العلاج، وبعد انتهاء العلاج. إن وجود أي ارتباط بين الملاحظات يؤدي إلى خفض التباين التقديري الحقيقي بشكل زائف، وتضخيم الدلالة الإحصائية بصورة خادعة تؤدي إلى رفض الفرضيات الصفرية الصحيحة دون وجه حق.

في حال كانت البيانات البحثية ناتجة عن تصاميم مرتبطة أو قياسات طولية متكررة لنفس المفحوصين، يجب على الباحث اللجوء إلى البدائل اللامعلمية المخصصة للعينات المرتبطة، مثل اختبار فريدمان (Friedman Test) كاختبار كلي شامل، يليه اختبار كونوفير للعينات المرتبطة أو اختبار ويلكوكسون للإشارات والرتب المعدل كإجراء للمقارنات البعدية بدلاً من اختبار دان المستقل.

3.3 التعامل مع تماثل أشكال التوزيعات والارتباطات الرتبية

يثير التفسير الاستدلالي لنتائج اختبار دان مسألة منهجية دقيقة تتعلق بفرضية تماثل أشكال التوزيع (Equal Distribution Shapes) بين المجموعات المقارنة. إذا أظهر الفحص البصري والإحصائي أن توزيعات المتغير التابع عبر المجموعات تمتلك أشكال تشتت والتواء متطابقة إلى حد كبير (حتى وإن كانت غير طبيعية)، فإن نتائج اختبار دان يمكن تفسيرها بشكل مباشر وصريح على أنها فروق دالة إحصائياً بين وسائط المجموعات (Differences in Medians).

أما إذا كانت أشكال التوزيعات متباينة بوضوح بين المجموعات (كأن يكون توزيع إحدى المجموعات ملتوياً بشدة لليمين وتوزيع مجموعة أخرى متماثلاً أو عريض التشتت)، فإن الفرضية الصفرية للاختبار تقتصر فقط على اختبار التماثل في الهيمنة العشوائية (Stochastic Dominance) وتساوي متوسطات الرتب (Mean Ranks). في هذه الحالة، يصبح من الخطأ المنهجي الجسيم ادعاء وجود فروق بين الوسائط، بل يجب صياغة النتيجة بدقة كفروق في التوزيع الرتبي الإجمالي.

تتضمن الافتراضات أيضاً معالجة الرتب المتطابقة (Tied Ranks)، وهي الملاحظات التي تشترك في نفس القيمة العددية الخام. عند تحويل البيانات إلى رتب، تُمنح القيم المتطابقة متوسط الرتب التي كانت ستشغلها لو كانت متباينة. يتضمن الأساس الرياضي لاختبار دان معامل تصحيح خاص لتقليص التباين المعياري بنسبة التكرارات المتطابقة، وهو ما تتكفل به البرمجيات الإحصائية الحديثة تلقائياً لضمان عدم فقدان القوة الاختبارية.

4. مشكلة المقارنات المتعددة وطرق تصحيح القيمة الاحتمالية

4.1 تضخم خطأ النوع الأول (Family-Wise Error Rate)

عند إجراء مقارنات استدلالية متعددة في دراسة واحدة، يواجه الباحث مشكلة إحصائية شهيرة تُعرف بتضخم معدل الخطأ العائلي (Family-Wise Error Rate – FWER). ينص المبدأ الكلاسيكي للاختبارات الإحصائية على تحديد مستوى معنوية اسمي يُرمز له بالحرف الإغريقي ألفا (α)، وغالباً ما يُحدد عند 0.05، وهو ما يعني قبول نسبة مخاطرة قدرها 5% لرفض الفرضية الصفرية بالخطأ عند صحتها (خطأ النوع الأول – Type I Error).

تنشأ الأزمة عندما يقوم المحلل بإجراء سلسلة من المقارنات الزوجية المنفصلة بين عدة مجموعات. إذا كان لدينا عدد $k$ من المجموعات، فإن إجمالي عدد المقارنات الثنائية المحتملة يُحسب بالمعادلة التوافقية $C = \frac{k(k-1)}{2}$. ومع افتراض استقلالية المقارنات، فإن معدل الخطأ الإجمالي للمنظومة البحثية يتراكم وفق العلاقة الرياضية التالية:

$$\text{FWER} = 1 – (1 – \alpha)^C$$

على سبيل المثال، عند مقارنة 5 مجموعات تجريبية، يبلغ عدد المقارنات الثنائية 10 مقارنات، وتصل احتمالية ارتكاب خطأ واحد على الأقل من النوع الأول إلى حوالي $1 – (1 – 0.05)^{10} \approx 0.401$، أي ما يزيد عن 40%. هذا التضخم الهائل يُفرغ النتائج من مصداقيتها ويجعل رفض الفرضيات الصفرية مجرد صدفة إحصائية بحتة ما لم يتم تطبيق منهجيات تصحيحية صارمة لضبط القيم الاحتمالية.

4.2 طريقة تصحيح بونفيروني (Bonferroni Correction)

تُعد طريقة تصحيح بونفيروني المنهجية الكلاسيكية الأكثر صرامة وشهرة في معالجة مشكلة المقارنات المتعددة. تستند هذه الطريقة البسيطة رياضياً إلى متباينة بول (Boole’s Inequality)، وتعمل على إعادة تعديل مستوى ألفا المستهدف لكل مقارنة فردية بقسمته على إجمالي عدد المقارنات الزوجية المنجزة في النموذج:

$$\alpha_{\text{adjusted}} = \frac{\alpha}{C}$$

أو بصورة مكافئة، يتم تعديل القيمة الاحتمالية المحسوبة لكل مقارنة بضربها في إجمالي عدد المقارنات، بحيث تصبح $p_{\text{adj}} = p \times C$، مع وضع حد أقصى للناتج لا يتجاوز 1.0. تضمن طريقة بونفيروني الحفاظ الكامل والصلب على معدل الخطأ العائلي دون أن يتجاوز الحد الاسمي المستهدف (0.05) تحت كل الظروف التوزيعية الممكنة.

على الرغم من بساطتها وقوتها في حماية الباحث من النتائج الإيجابية الزائفة، تواجه طريقة بونفيروني انتقادات منهجية واسعة في الأوساط الأكاديمية نظراً لميلها نحو التحفظ الإحصائي المفرط (Extreme Conservatism). يؤدي هذا التحفظ الشديد إلى خفض ملحوظ في القوة الإحصائية (Statistical Power)، مما يزيد من مخاطر الوقوع في خطأ النوع الثاني (Type II Error) المتمثل في الفشل باكتشاف الفروق الحقيقية الموجودة بالفعل في الواقع التجريبي، خاصة مع تزايد عدد المجموعات المقارنة.

4.3 طرق التصحيح البديلة: هولم وهوشبرغ ومعدل الاكتشاف الخاطئ (FDR)

لتجاوز المعوقات والتحفظ الزائد لطريقة بونفيروني الكلاسيكية، ابتكر الإحصائيون حزمة من الحلول البديلة الأكثر مرونة وتطوراً. من أبرز هذه الحلول طريقة هولم التنازلية (Holm-Bonferroni Method)، وهي خوارزمية متدرجة تبدأ بترتيب جميع القيم الاحتمالية تصاعدياً، وتختبر أصغر قيمة احتمالية مقابل $\frac{\alpha}{C}$، ثم تختبر القيمة التالية مقابل $\frac{\alpha}{C – 1}$، وهكذا دواليك. تتفوق طريقة هولم رياضياً على بونفيروني في كونها تقدم قوة إحصائية أعلى بشكل دائم مع المحافظة التامة على ضبط معدل الخطأ العائلي بنفس الدرجة الصارمة.

في السياقات البحثية الحديثة ذات الأبعاد الاستكشافية الواسعة—مثل التحليلات الجينومية، والتسويق الرقمي، واختبارات A/B المتعددة—يتحول التفضيل المنهجي نحو التحكم في معدل الاكتشاف الخاطئ (False Discovery Rate – FDR) بدلاً من FWER، وتحديداً باستخدام خوارزمية بنجاميني-هوشبرغ (Benjamini-Hochberg Procedure). لا تسعى هذه المنهجية إلى منع حدوث أي خطأ إيجابي على الإطلاق، بل تهدف إلى ضبط النسبة المتوقعة للاكتشافات الخاطئة من بين إجمالي النتائج المرفوضة، مما يحقق توازناً استثنائياً بين القوة الاختبارية والاكتشافات الدالة.

يوضح الجدول المقارن التالي أبرز خصائص ومحددات استخدام طرق التصحيح الشائعة في اختبار دان:

• طريقة بونفيروني (Bonferroni): ضبط صارم لـ FWER، مناسبة للأعداد الصغيرة جداً من المقارنات في الأبحاث التأكيدية الحساسة سريرياً.
• طريقة هولم (Holm): ضبط قوي لـ FWER بقوة إحصائية متفوقة على بونفيروني، وتُعد الخيار الافتراضي الأفضل للمقارنات البعدية التقليدية.
• طريقة بنجاميني-هوشبرغ (FDR / BH): ضبط نسبة الاكتشافات الكاذبة، الخيار الأمثل للدراسات الاستكشافية والمقارنات الكبيرة لتفادي تفويت الآثار الحقيقية.

5. تجهيز بيئة العمل في بايثون والمكتبات الأساسية

5.1 تثبيت وإعداد مكتبة scikit-posthocs

تُعد مكتبة scikit-posthocs الحزمة البرمجية المتخصصة والرائدة في لغة بايثون لتنفيذ التحليلات والمقارنات البعدية اللامعلمية والمعلمية. تم تصميم هذه المكتبة لملء الفجوة الوظيفية في بيئة الحوسبة العلمية بايثون، حيث تفتقر المكتبات الأساسية مثل SciPy إلى توفير دوال مدمجة ومباشرة لإجراء اختبار دان وبدائله مع خيارات التصحيح المتعددة.

يمكن تثبيت المكتبة بسهولة في بيئة العمل البرمجية باستخدام مدير الحزم pip أو من خلال بيئة conda عبر تشغيل الأمر القياسي في سطر الأوامر:

pip install scikit-posthocs

أو في بيئات التوزيع العلمي لكوندا عبر:

conda install -c conda-forge scikit-posthocs

تتكامل المكتبة بانسيابية تامة مع البنية التحتية لحزم علوم البيانات القياسية، وتوفر دوال فائقة التخصيص ترجع مخرجات التحليل مباشرة في صورة مصفوفات وجداول متوافقة كلياً مع كائنات مكتبة Pandas، مما يسهل معالجة النتائج وإجراء الترشيح الإحصائي وعمليات التصدير في بيئات دفاتر جوبيتر (Jupyter Notebooks) ومنصات الإنتاج.

5.2 المكتبات المساعدة للتحليل الإحصائي (SciPy, Pandas, NumPy)

يتطلب المسار التحليلي الكامل لاختبار دان منظومة برمجية متكاملة تتضافر فيها قدرات العديد من المكتبات الحوسبية التأسيسية في بايثون. تتولى مكتبة NumPy إجراء العمليات الحسابية المصفوفية المتقدمة وتوليد المصفوفات الرقمية وتوفير الهياكل الأساسية لإدارة البيانات العددية بسرعة وكفاءة فائقة على مستوى الذاكرة المنخفضة.

تضطلع مكتبة Pandas بالدور المركزي في هيكلة وتنظيم مجموعات البيانات المعقدة عبر هياكل إطارات البيانات (DataFrames) والسلاسل الإحصائية (Series). تسمح Pandas بإجراء عمليات التجميع والتصفية والفرز وحساب الإحصاءات الوصفية التوزيعية (مثل المتوسطات الحسابية، والوسائط، والانحرافات المعيارية، والمدى الربيعي) لكل مجموعة تجريبية بدقة متناهية.

أما حزمة scipy.stats داخل مكتبة SciPy، فهي المحرك الاستدلالي الرئيسي المسؤول عن تنفيذ اختبار كروسكال-واليس الأولي عبر دالتها المعيارية، بالإضافة إلى حساب التوزيعات الاحتمالية والتحقق من الفرضيات الإحصائية التأسيسية مثل اعتدالية التوزيع واختبارات ليفين للتجانس، مما يضمن تدفقاً تحليلياً متيناً ومتكاملاً قبل الوصول إلى مرحلة اختبار دان البعدية.

5.3 مكتبات التمثيل البصري والرسوم البيانية (Matplotlib, Seaborn)

لا يكتمل التحليل الإحصائي دون دعم بصري قوي يجسد التباينات التوزيعية ويلخص مصفوفات الدلالة الإحصائية بصورة واضحة وجذابة. تمثل مكتبة Matplotlib حجر الزاوية الهندسي لبناء وتنسيق الأشكال والمخططات البيانية في بايثون، متيحة للمستخدمين تحكماً كاملاً في أدق تفاصيل الرسم مثل أحجام الخطوط، والمحاور، وتدرجات الألوان، ودقة الإخراج النهائي (DPI).

تأتي مكتبة Seaborn كواجهة عالية المستوى مبنية فوق Matplotlib، مجهزة خصيصاً للتعامل الإحصائي المتقدم. تتيح Seaborn رسم المخططات الصندوقية التوزيعية ومخططات الكمان والخرائط الحرارية الملونة لمصفوفات القيم الاحتمالية بدوال برمجية أنيقة ومباشرة.

يضمن دمج قدرات Matplotlib وSeaborn إنتاج أشكال ورسوم بيانية ذات معايير جمالية وأكاديمية رفيعة المستوى تتوافق مع متطلبات النشر الصارمة في المجلات العلمية المحكمة، مما يعزز سهولة قراءة البيانات وتفسير الفروق الإحصائية المعقدة من قبل القراء والمحكمين على حد سواء.

6. إعداد ومعالجة البيانات قبل التحليل في بايثون

6.1 استيراد وتنظيم البيانات في هياكل DataFrames

تبدأ الخطوة العملية الأولى في بايثون بقراءة واستيراد مصفوفات البيانات من مصادرها المختلفة، سواء كانت ملفات قيم مفصولة بفواصل (CSV)، أو جداول إكسل (Excel)، أو قواعد بيانات SQL، باستخدام الدوال المعيارية مثل pd.read_csv() أو pd.read_excel(). بمجرد تحميل البيانات، يجب فحص الهيكل العام والتأكد من توافق أنواع البيانات (Data Types) مع المتطلبات المنهجية للتحليل.

يجب التأكد من تعريف المتغير المستقل كمتغير فئوي أو نصي (String / Category) يمثل أسماء المجموعات التجريبية بدقة ووضوح، مع التأكد من تحويل المتغير التابع إلى النوع العددي المناسب (Float أو Integer). تتيح التسمية المنطقية والدقيقة للأعمدة وتحديد فئات المجموعات بوضوح تسهيل كتابة الأكواد البرمجية وتقليل احتمالات الخلط أثناء تمرير المتغيرات لدوال التحليل الإحصائي.

يتضمن الإعداد الأولي أيضاً استعراض العينات الأولى من إطار البيانات باستخدام df.head() وفحص المعلومات الهيكلية عبر df.info() للتأكد من عدم وجود تشوهات في ترميز النصوص أو أخطاء في قراءة الخانات الرقمية أثناء عملية الاستيراد.

6.2 تنظيف البيانات والتعامل مع القيم المفقودة والشاذة

تتطلب موثوقية التحليل الإحصائي إجراء تنظيف دقيق للبيانات (Data Cleansing) لاستكشاف ومعالجة القيم المفقودة (Missing Values) التي قد تعطل حسابات الرتب أو تشوه نتائج الاختبارات. يمكن رصد القيم المفقودة باستخدام df.isnull().sum()، واتخاذ القرار المنهجي المناسب بالتعامل معها، سواء بالحذف في حال كانت مفقودة عشوائياً وبنسبة ضئيلة للغاية باستخدام df.dropna()، أو بتطبيق أساليب الإسناد الإحصائي المناسبة للبيانات غير المعلمية.

تعتبر معالجة القيم المتطرفة (Outliers) جانباً جوهرياً في هذه المرحلة. على الرغم من أن اختبارات الرتب مثل كروسكال-واليس ودان تتسم بمقاومة طبيعية قوية لتأثير القيم الشاذة المتطرفة مقارنة باختبارات المتوسطات، إلا أن التحقق من صحة هذه القيم يعد واجباً علمياً للتأكد من أنها لا تعكس أخطاء إدخال أو قياس ميكانيكية. يُستخدم فحص المدى الربيعي (IQR) أو الرسوم الصندوقية لاستكشاف هذه الحالات المتباينة بدقة.

يجب أيضاً فحص أحجام العينات لكل مجموعة فرعية باستخدام df['Group'].value_counts()، للتأكد من توازن التصميم التجريبي أو تحديد ما إذا كانت هناك مجموعات ذات أحجام عينات متناهية الصغر قد تؤثر سلباً على القوة الإحصائية للاختبار البعدي وتتطلب عناية خاصة أثناء تطبيق التعديلات الاحتمالية.

6.3 تحويل هياكل البيانات بين التنسيق الطويل والعريض

تتعامل دوال التحليل الإحصائي في بايثون مع البيانات بأشكال هيكلية متنوعة، ويُعد التمييز بين التنسيق الطويل (Long-format) والتنسيق العريض (Wide-format) ركيزة أساسية لضمان نجاح المعالجة البرمجية. في التنسيق الطويل (وهو المفضل لدى مكتبة scikit-posthocs ومعظم دوال النمذجة الحديثة)، يحتوي إطار البيانات على عمود واحد مخصص لقيم المتغير التابع، وعمود آخر مخصص لتحديد اسم أو وسم المجموعة التي تنتمي إليها الملاحظة.

في المقابل، يحتوي التنسيق العريض على عمود منفصل لكل مجموعة تجريبية، بحيث تمثل الصفوف الملاحظات الفردية داخل كل عمود مستقل. في حال كانت البيانات الخام مصممة وفق التنسيق العريض، يمكن تحويلها بسهولة إلى التنسيق الطويل باستخدام دالة pd.melt() في Pandas، مع تحديد معالم الأعمدة المستهدفة وأسماء المتغيرات الناتجة بمرونة تامة.

وعلى العكس، إذا تطلب مسار العمل إعادة الهيكلة العكسية، تتيح دالة pd.pivot() إعادة بناء التنسيق العريض. يضمن إتقان هذه التحويلات الهيكلية تجهيز مصفوفات البيانات بالشكل المعياري الملائم الذي تستقبله الدوال الإحصائية دون إثارة أخطاء برمجية أو تشويه للعلاقات الارتباطية بين المجموعات.

7. إجراء اختبار كروسكال-واليس الأولي في بايثون

7.1 تطبيق الدالة scipy.stats.kruskal

يمثل تنفيذ اختبار كروسكال-واليس الخطوة التنفيذية الميدانية الأولى للتحقق من وجود تمايز إحصائي عام بين المجموعات. توفر حزمة scipy.stats الدالة القياسية kruskal()، والتي تستقبل متجهات البيانات المنفصلة لكل مجموعة تجريبية كوسائط مستقلة.

في البيئة البرمجية، يمكن استخلاص متجهات المجموعات بسهولة من إطار بيانات Pandas باستخدام عمليات التجميع أو التصفية المنطقية. على سبيل المثال، إذا كان لدينا ثلاثة مستويات في المتغير الفئوي (‘Control’, ‘Treatment_A’, ‘Treatment_B’)، يتم تمرير القيم الرقمية لكل فئة كمدخل مستقل داخل الدالة على النحو التالي:

stat, p_val = stats.kruskal(group1_data, group2_data, group3_data)

أو بأسلوب أكثر ديناميكية وبرمجية تناسب أي عدد من المجموعات عبر تمرير قائمة من المصفوفات باستخدام مشغل التفكيك (Unpacking Operator *):

groups = [group['Value'].values for _, group in df.groupby('Group')]
stat, p_val = stats.kruskal(*groups)

تتولى الدالة داخلياً حساب مصفوفة الرتب المجمعة للملاحظات، وحساب قيمة إحصاء الاختبار $H$ (المقارب لتوزيع كاي-تربيع مع درجات حرية تساوي عدد المجموعات ناقص واحد)، وحساب القيمة الاحتمالية الدقيقة أو التقريبية المقابلة.

7.2 قراءة نتائج الاختبار وفحص الدلالة الإحصائية العامة

تُرجع دالة stats.kruskal() كائناً إحصائياً يشتمل على قيمتين رئيسيتين: إحصاء الاختبار (H-statistic) والقيمة الاحتمالية (p-value). يُعبر إحصاء $H$ عن مقدار التباعد الموقعي بين متوسطات رتب المجموعات مقارنة بالتباين الكلي المتوقع تحت صحة الفرضية الصفرية؛ فكلما ارتفعت قيمة $H$، زاد الدليل الإحصائي ضد الفرضية الصفرية القائلة بتطابق التوزيعات.

تتم قراءة القيمة الاحتمالية ومقارنتها فورياً بمستوى الدلالة المعياري المعتمد في الدراسة (α = 0.05). إذا كانت القيمة الاحتمالية الناتجة أصغر من 0.05، يتم رفض الفرضية الصفرية الشاملة رسمياً، ويُستنتج وجود فرق ذي دلالة إحصائية بين مجموعة واحدة على الأقل وبقية المجموعات في التوزيع الرتبي.

إلى جانب استخراج القيمة الاحتمالية، يتعين على الباحث استخراج وتوثيق الإحصاءات الوصفية التوزيعية لكل مجموعة، بما في ذلك وسيط كل عينة، ومدى الربيعيات (IQR)، ومتوسط الرتب المحسوب. يقدم هذا الإجراء الوصفي صورة أولية عن اتجاه الفروق وترتيب المجموعات من حيث الأداء أو الاستجابة، مما يمهد الطريق لفهم وتفسير الاختبارات البعدية اللاحقة بعمق.

7.3 التحقق من مبررات الانتقال إلى اختبار دان

يخضع الانتقال إلى المرحلة التالية—وهي إجراء اختبار دان—لشرط منهجي إلزامي وهو تحقق الدلالة الإحصائية لاختبار كروسكال-واليس (p < 0.05). في حال أسفر اختبار كروسكال-واليس عن قيمة احتمالية أكبر من أو تساوي 0.05، يُلزم الباحث بالقبول بالفرضية الصفرية وإنهاء مسار التحليل الاستدلالي عند هذا الحد، وتوثيق عدم وجود فروق دالة بين المجموعات الإجمالية.

إن محاولة إجراء اختبارات المقارنات البعدية عند عدم ثبوت الدلالة الكلية تُعتبر خطأً منهجياً شائعاً يُعرف بـ “المقارنات غير المبررة” (Unwarranted Post-Hoc Testing)، مما يرفع مخاطر استخلاص استنتاجات خاطئة ناتجة عن التذبذبات العشوائية للبيانات. أما في حال ثبوت الدلالة الكلية، يصبح التوثيق الأكاديمي الدقيق لقيمة $H$ ودرجات الحرية وقيمة $p$ الشاملة مبرراً قانونياً وعلمياً صارماً للانتقال نحو اختبار دان لتشخيص التباينات الزوجية التفصيلية.

8. الخطوات البرمجية لتنفيذ اختبار دان باستخدام posthoc_dunn

8.1 استدعاء واستخدام الدالة sp.posthoc_dunn()

توفر مكتبة scikit-posthocs (والتي تُستدعى عادة بالاسم المستعار sp) الدالة المركزية posthoc_dunn()، المصممة خصيصاً لتنفيذ اختبار دان بكفاءة حوسبية عالية. تتميز الدالة بمرونة فائقة في التعامل مع هياكل البيانات المختلفة، وتستقبل المدخلات بعدة صيغ تناسب تفضيلات المبرمج.

في حال استخدام إطار بيانات Pandas بالتنسيق الطويل، يتم تمرير الإطار وتحديد المتغيرات بوضوح عبر الوسائط val_col لتحديد عمود القيم الرقمية، وgroup_col لتحديد عمود الفئات التصنيفية، على النحو البرمجي التالي:

import scikit_posthocs as sp
dunn_results = sp.posthoc_dunn(df, val_col='Score', group_col='Group', p_adjust='holm')

كما تدعم الدالة تمرير قائمة من المصفوفات أو السلاسل المنفصلة مباشرة، أو حتى مصفوفات ثنائية الأبعاد. تتولى الدالة تلقائياً تجميع الرتب وحساب الفروق المعيارية الثنائية بين كافة أزواج المجموعات وتطبيق التعديلات الاحتمالية المطلوبة وإرجاع جدول مصفوفي مربع متماثل يحتوي على القيم الاحتمالية النهائية لكل مقارنة زوجية ممكنة.

8.2 ضبط معاملات التصحيح وتعديل p-value

تحتوي دالة sp.posthoc_dunn() على المعامل الجوهري p_adjust، والذي يحدد خوارزمية التصحيح الرياضية المستخدمة لضبط القيم الاحتمالية ومكافحة تضخم خطأ النوع الأول. تدعم المكتبة طيفاً واسعاً من استراتيجيات التعديل المعترف بها عالمياً في الأدبيات الإحصائية.

لتطبيق تصحيح بونفيروني التقليدي والصارم، يتم تمرير القيمة النصية:

p_adjust='bonferroni'

ولاستخدام طريقة هولم التنازلية الأكثر قوة وتوازناً (والتي يُوصى بها عموماً كخيار افتراضي متقدم للمقارنات العائلية)، يتم تمرير:

p_adjust='holm'

أما في حال الرغبة في التحكم في معدل الاكتشاف الخاطئ للتصاميم الاستكشافية الواسعة، يمكن تطبيق تصحيح بنجاميني-هوشبرغ عبر تمرير:

p_adjust='fdr_bh'

يتيح تغيير هذا المعامل للباحث مراقبة كيفية تحول القيم الاحتمالية وتأثير درجة التحفظ الإحصائي على عدد المقارنات التي تحقق الدلالة المعنوية، مما يمنح مرونة كاملة لمطابقة التحليل مع الأهداف الدقيقة للتصميم التجريبي.

8.3 تنسيق مصفوفة المخرجات وحفظ النتائج

تُرجع دالة sp.posthoc_dunn() كائن DataFrame متماثل الأبعاد (Symmetric Matrix)، حيث تمثل الصفوف والأعمدة أسماء المجموعات التجريبية، بينما تحتوي الخلايا المتقاطعة على القيم الاحتمالية المعدلة ($p$-values) للمقارنة الثنائية بين المجموعة في الصف والمجموعة في العمود. تكون عناصر القطر الرئيسي مساوية دائماً للعدد 1.0 (إذ تعبر عن مقارنة المجموعة بنفسها).

لتسهيل قراءة هذه النتائج وتصفية المقارنات الدالة إحصائياً فقط، يمكن تطبيق أقنعة منطقية وتنسيقات شرطية باستخدام Pandas. على سبيل المثال، يمكن استخراج الأزواج ذات الدلالة المعنوية (p < 0.05) وتنسيقها في جدول طولي مبسط باستخدام الكود الموضح منطقياً في السطور التالية:

significant_pairs = dunn_results < 0.05

عقب إتمام عمليات الفلترة والتنسيق، يمكن تصدير مصفوفة النتائج النهائية بسهولة إلى ملفات خارجية بصيغة Excel أو CSV لأغراض النشر والأرشفة ومشاركتها في التقارير الأكاديمية باستخدام الأوامر القياسية dunn_results.to_csv('dunn_results.csv') أو dunn_results.to_excel('dunn_results.xlsx').

9. تفسير وقراءة نتائج اختبار دان الإحصائية

9.1 قراءة مصفوفة المقارنات الزوجية وتحديد الفروق الدالة

تتطلب القراءة العلمية الدقيقة لمصفوفة نتائج اختبار دان فحص تقاطعات الصفوف والأعمدة بصورة منهجية ومقارنة كل قيمة احتمالية معدلة بالعتبة الاسمية للدلالة (0.05). إذا كانت القيمة الاحتمالية عند تقاطع المجموعة (أ) والمجموعة (ب) أقل من 0.05، يتم رفض الفرضية الصفرية القائلة بتطابق التوزيعين الرتبيين لهاتين المجموعتين، ويُحكم بوجود فرق ذي دلالة إحصائية بينهما.

ومع ذلك، فإن القيمة الاحتمالية وحدها لا توضح اتجاه الفرق (أي أي المجموعتين كانت استجابتها أعلى أو أفضل). لتحديد اتجاه الفارق الإحصائي بدقة، يجب على الباحث الرجوع إلى مصفوفة متوسطات الرتب المحسوبة مسبقاً لكل مجموعة أثناء التحليل الأولي. المجموعة التي تمتلك متوسط رتب أعلى هي التي سجلت أداءً أو قياسات تفوق المجموعة المقابلة في سياق المتغير التابع، وهو استنتاج حاسم لبناء التفسيرات التجريبية المنطقية.

إذا كانت أشكال التوزيعات متماثلة بين المجموعات، يمكن صياغة التفسير بصورة مباشرة بالاعتماد على وسائط المجموعات (Medians)؛ كأن يُقال إن وسيط درجات المجموعة المعالجة كان أعلى دلالة من وسيط المجموعة الضابطة، مما يمنح النتائج سهولة فائقة في الاستيعاب والفهم من قبل المتخصصين وصناع القرار.

9.2 حساب وتفسير أحجام التأثير (Effect Sizes)

لا تعبر الدلالة الإحصائية (المتمثلة في قيمة p-value) بمفردها عن الأهمية العملية أو الحجم الفعلي للظاهرة المدروسة، نظراً لأن القيم الاحتمالية شديدة الحساسية لحجم العينة؛ إذ يمكن للعينات الضخمة جداً أن تسفر عن دلالة إحصائية لفروق طفيفة لا قيمة لها عملياً. من هنا تنبع الضرورة الأكاديمية لحساب وتقرير أحجام التأثير (Effect Sizes) المصاحبة لنتائج اختبار دان وكروسكال-واليس.

بالنسبة لاختبار كروسكال-واليس الشامل، يُحسب حجم التأثير اللامعلمي إيتا تربيع المبني على الرتب ($\eta_H^2$) باستخدام المعادلة المعيارية:

$$\eta_H^2 = \frac{H – k + 1}{N – k}$$

حيث يمثل $H$ إحصاء الاختبار المحسوب، و$k$ عدد المجموعات، و$N$ إجمالي حجم العينة الكلية. تتراوح قيمة إيتا تربيع بين 0 و1، وتُفسر عادة وفق المعايير الإحصائية القياسية: تأثير صغير ($\approx 0.01$)، وتأثير متوسط ($\approx 0.06$)، وتأثير كبير ($ge 0.14$).

أما لكل مقارنة زوجية ثنائية ناتجة عن اختبار دان، فيمكن حساب معامل حجم التأثير $r$ المشتق من قيمة الإحصاء المعياري $Z$ المحسوبة لكل زوج مقسومة على الجذر التربيعي لحجم العينة الإجمالي للزوج المقارن ($r = \frac{Z}{\sqrt{N_{\text{pair}}}}$). يوفر هذا المقياس تقديراً كمياً معيارياً لقوة التباين بين المجموعتين يتيح مقارنة النتائج عبر الدراسات المختلفة وسياقات التحليل التلوي (Meta-Analysis).

9.3 ربط النتائج بالفرضيات البحثية الأصلية

تتمثل الغاية النهائية من التحليل الإحصائي في إعادة ربط المخرجات الرقمية بالفرضيات البحثية النظرية والميدانية التي تم تأسيس الدراسة عليها. يتم فحص كل مقارنة دالة أسفر عنها اختبار دان لمعرفة ما إذا كانت تدعم الفرضيات الموجهة المسبقة (Directional Hypotheses)—مثل توقع تفوق طريقة تدريس معينة على غيرها—أو الفرضيات غير الموجهة (Non-Directional Hypotheses).

يجب أن يتضمن التقرير مناقشة نقدية للسياق العلمي؛ فإذا أظهرت النتائج مثلاً أن الجرعة العالية تختلف دلالياً عن المجموعة الضابطة ولكنها لا تختلف عن الجرعة المتوسطة، فإن هذا الاستنتاج يقدم قيمة تطبيقية بالغة في ترشيد استخدام الجرعات الدوائية وتجنب الآثار الجانبية غير الضرورية. كما يتعين الحذر التام من القفز إلى استنتاجات سببية قاطعة في الدراسات الرصدية غير القائمة على ضبط تجريبي صارم، مع الالتزام بتفسير النتائج في حدود التصميم المنهجي المعتمد.

10. التصور البصري لنتائج اختبار دان في بايثون

10.1 إنشاء خرائط حرارية (Heatmaps) لمصفوفة القيم الاحتمالية

تعد الخرائط الحرارية (Heatmaps) واحدة من أفضل الوسائل البصرية لتلخيص وتوضيح مصفوفات القيم الاحتمالية الناتجة عن اختبار دان، خاصة عندما تشتمل الدراسة على عدد كبير من المجموعات التجريبية. توفر دالة sns.heatmap() من مكتبة Seaborn إمكانات متقدمة لتحويل مصفوفة الأرقام إلى تمثيل لوني بديهي يسهل استيعابه فورياً.

يمكن تخصيص التدرج اللوني للرسم بحيث يُعطى لوناً مميزاً للمقارنات ذات الدلالة الإحصائية (p < 0.05) ولوناً مختلفاً للمقارنات غير الدالة. يمكن تحقيق ذلك برمجياً من خلال تمرير مصفوفة النتائج وتحديد لوحة الألوان (Colormap) وإضافة القيم العددية داخل الخلايا مع ضبط حدود التباين اللوني، على النحو التالي:

import seaborn as sns
import matplotlib.pyplot as plt
plt.figure(figsize=(8, 6))
sns.heatmap(dunn_results, annot=True, cmap='vlag_r', vmin=0, vmax=0.1, fmt='.3f', cbar_kws={'label': 'Adjusted p-value'})
plt.title("Dunn's Post-Hoc Test Pairwise Significance Heatmap")
plt.show()

يتيح هذا التنسيق البصري للقارئ التقاط الأزواج ذات الفروق الجوهرية بلمحة سريعة، مما يجعل مصفوفات المقارنات المعقدة في متناول الفهم الفوري والتقديم الاحترافي في العروض التقديمية والأبحاث المنشورة.

10.2 رسم المخططات الصندوقية ومخططات الكمان التوزيعية

بينما تلخص الخرائط الحرارية مستويات الدلالة الإحصائية، فإن المخططات الصندوقية (Boxplots) ومخططات الكمان (Violin Plots) تؤدي دوراً لا يقل أهمية في إبراز التوزيع الفعلي للبيانات ومواضع الوسائط والتشتت لكل مجموعة. تتيح دالة sns.boxplot() في Seaborn رسم صناديق توضح الوسيط والمدى الربيعي (IQR) والنطاقات الطرفية والقيم الشاذة بوضوح استثنائي.

لتعزيز عمق التمثيل البصري وتجنب إخفاء الكثافة التوزيعية خلف الصناديق المجردة، يُفضل دمج المخطط الصندوقي مع مخطط النقاط المبعثرة (Strip Plot) باستخدام sns.stripplot()، والذي يظهر كل نقطة بيانات فردية مبعثرة بشفافية خفيفة فوق الصندوق، مما يمنح القارئ رؤية حية لحجم العينة الفعلي والتوزيع التراكمي للملاحظات.

كما تمثل مخططات الكمان عبر sns.violinplot() بديلاً بالغ الأناقة يجمع بين المخطط الصندوقي وتقدير كثافة النواة الاحتمالية (Kernel Density Estimation)، مما يبرز تماثل أو التواء أشكال التوزيعات بين المجموعات بأسلوب بياني متقدم يعزز التفسيرات الموقعية للرتب.

10.3 إضافة أقواس ورموز الدلالة الإحصائية على الرسوم البيانية

لتحقيق أقصى درجات الاحترافية في النشر العلمي، يُفضل دمج نتائج المقارنات البعدية مباشرة فوق المخططات التوزيعية في صورة أقواس مقارنة أفقية تعلوها نجوم الدلالة الإحصائية المعيارية (حيث ترمز * إلى p < 0.05، و** إلى p < 0.01، و*** إلى p < 0.001، وns إلى عدم وجود دلالة). يمكن إنجاز ذلك بسلاسة برمجية فائقة باستخدام مكتبات متخصصة مثل statannotations المتوافقة مع Seaborn.

تقوم هذه المكتبة بربط أزواج المقارنات وتطبيق إحداثيات الرسم تلقائياً وحساب أو استقبال قيم اختبار دان وتثبيت الأقواس بدقة فوق المجموعات المعنية دون تداخل بصري مشوه. يُظهر الكود المفاهيمي التالي آلية ضبط هذه الأقواس برمجياً:

from statannotations.Annotator import Annotator
ax = sns.boxplot(data=df, x='Group', y='Score')
annotator = Annotator(ax, pairs, data=df, x='Group', y='Score')
annotator.set_custom_annotations(formatted_pvalues)
annotator.annotate()

عند حفظ الرسم البياني النهائي، يُنصح دائماً باستخدام إعدادات الدقة العالية عبر Matplotlib بتحديد plt.savefig('figure.png', dpi=300, bbox_inches='tight')، لضمان وضوح ونقاء الخطوط والرموز وفق المعايير الصارمة لدور النشر الأكاديمية العالمية.

11. مقارنة اختبار دان بالبدائل اللامعلمية الأخرى في بايثون

11.1 اختبار دان مقابل اختبار نيميني (Nemenyi Test)

يواجه المحلل الإحصائي خيارات متعددة عند إجراء المقارنات البعدية اللامعلمية، ويبرز اختبار نيميني (Nemenyi Test) كأحد البدائل الشائعة لاختبار دان في تصاميم المقارنات الزوجية لجميع المجموعات. يستند اختبار نيميني إلى مبدأ المدى التوزيعي للرتب المشابه لاختبار توكي المعلمي، ويعتمد على معيار الفروق الحرجة (Critical Difference – CD).

يمكن تنفيذ اختبار نيميني بسهولة في بايثون باستخدام دالة sp.posthoc_nemenyi() من مكتبة scikit-posthocs. ومع ذلك، توجد فروق جوهرية بين النموذجين؛ فاختبار نيميني يفترض تساوي أحجام العينات بين جميع المجموعات المقارنة، وتتدهور دقته الإحصائية بشكل حاد عند وجود عينات غير متساوية الأحجام. بالإضافة إلى ذلك، يتسم اختبار نيميني بتحفظ مفرط يجعله أقل قوة إحصائية مقارنة باختبار دان، خاصة عند تطبيق اختبار دان مع تصحيح هولم.

لذلك، يُفضل اختبار دان منهجياً كخيار عام وأكثر مرونة وموثوقية في مختلف السيناريوهات التجريبية، نظراً لقدرته الفائقة على التعامل مع العينات غير المتساوية وتوفيره خيارات تصحيح متعددة تناسب طبيعة الدراسة.

11.2 اختبار دان مقابل اختبارات مان-ويتني المتعددة (Mann-Whitney U)

من الأخطاء الشائعة والواسعة الانتشار في التطبيقات الإحصائية قيام بعض الباحثين بإجراء مقارنات بعدية عبر تطبيق اختبار مان-ويتني (Mann-Whitney U Test) بصورة متكررة على كل زوج من المجموعات عقب اختبار كروسكال-واليس، مع تطبيق تصحيح بونفيروني يدوياً.

على الرغم من أن هذا الإجراء قد يبدو بديهياً، إلا أنه يمثل خللاً منهجياً في هيكلة الرتب؛ فاختبار مان-ويتني يقوم في كل مقارنة زوجية بعزل المجموعتين وتجاهل باقي المجموعات وإعادة ترتيب رتب الملاحظات (Re-ranking) من جديد بناءً على المجموعتين المعنيتين فقط. هذا التفكيك يؤدي إلى فقدان الإطار الترتيبي المرجعي الموحد الذي بُني عليه اختبار كروسكال-واليس الشامل في المقام الأول.

في المقابل، يحافظ اختبار دان على النزاهة المنهجية الكاملة للتحليل؛ حيث يستخدم الرتب المجمعة الشاملة المحسوبة في الاختبار الكلي، مما يجعل اختبار دان متسقاً رياضياً مع كروسكال-واليس بصورة لا تتوفر في اختبارات مان-ويتني المنفصلة. لذلك، تجمع المراجع الإحصائية الحديثة على تفضيل اختبار دان بشكل قاطع للمقارنات البعدية المتعددة.

11.3 اختبار كونوفير (Conover-Iman Test) كبديل متقدم

يمثل اختبار كونوفير-إيمان (Conover-Iman Test) بديلاً لامعلمياً متقدماً وشديد القوة للمقارنات البعدية عقب اختبار كروسكال-واليس. طُور هذا الاختبار بواسطة ويليام كونوفير ورونالد إيمان عام 1979، ويستند إلى تطبيق تقنيات مقارنة الرتب المشتقة من اختبار فيشر لأقل فرق معنوي (Fisher’s LSD) ولكن على البيانات المحولة رتبياً مع تقدير تباين موحد مستمد من اختبار كروسكال-واليس.

يمكن تنفيذ اختبار كونوفير في بايثون بكفاءة فائقة عبر دالة sp.posthoc_conover() في مكتبة scikit-posthocs، مع دعم كامل لكافة معاملات تصحيح القيم الاحتمالية. يتميز اختبار كونوفير بامتلاكه قوة إحصائية أعلى من اختبار دان، مما يجعله أكثر قدرة على رصد الفروق الطفيفة والحقيقية بين المجموعات في العينات الصغيرة والمتوسطة.

ومع ذلك، تتطلب القوة الإضافية لاختبار كونوفير حذراً إحصائياً؛ إذ يميل الاختبار إلى أن يكون أكثر تحرراً (Less Conservative) مقارنة باختبار دان. يتيح ذلك للباحث الاختيار الواعي بين أسلوب دان المتحفظ والآمن ضد أخطاء النوع الأول، أو أسلوب كونوفير القوي لاكتشاف الآثار الدقيقة في الدراسات الاستكشافية الحساسة.

12. الأخطاء الشائعة وأفضل الممارسات الأكاديمية عند كتابة التقرير

12.1 الأخطاء البرمجية والمنهجية الشائعة وكيفية تفاديها

يقع العديد من الممارسين والباحثين في عثرات منهجية وبرمجية متكررة أثناء تنفيذ اختبار دان في بايثون. الخطأ الأكثر خطورة يتمثل في إجراء المقارنات الزوجية وتفسير قيم $p$ الخام دون تطبيق أي نوع من خوارزميات التصحيح (مثل بونفيروني أو هولم)، مما يرفع احتمالية الحصول على نتائج إيجابية زائفة ويعصف بمصداقية الاستنتاجات العلمية للدراسة.

ومن الأخطاء البرمجية الشائعة أيضاً الخلط في تمرير وسائط الأعمدة داخل دوال scikit-posthocs، أو عدم الانتباه إلى ترتيب الفئات عند التعامل مع البيانات غير المتوازنة. كما يبرز خطأ مفاهيمي متكرر يتمثل في قيام الباحث بحساب وكتابة المتوسطات الحسابية والانحرافات المعيارية في التقرير النهائي وتفسير الفروق في ضوئها، متجاهلاً أن اختبار دان مبني كلياً على الرتب والوسائط، مما يتطلب تقرير وسيط كل مجموعة ومدى الربيعيات أو متوسط الرتب لضمان التوافق المنطقي بين النموذج وتفسيره.

لتفادي هذه الإخفاقات، يُوصى دائماً ببناء مسار تحليلي قياسي منظم يتضمن التحقق من الشروط المسبقة، واختيار أسلوب التصحيح المناسب، وتوثيق كافة المؤشرات الإحصائية الوصفية واللامعلمية بشفافية كاملة.

12.2 صياغة وتوثيق نتائج اختبار دان وفق أسلوب APA

تضع جمعية علم النفس الأمريكية (APA Style) معايير كتابية دقيقة وإلزامية لتوثيق نتائج الاختبارات اللامعلمية في المخطوطات والرسائل العلمية المنشورة. عند صياغة التقرير، يجب أن يبدأ النص بتقديم نتائج اختبار كروسكال-واليس الشامل متضمناً رمز الإحصاء ($H$) ودرجات الحرية بين قوسين، وحجم العينة الكلي، والقيمة الاحتمالية، وقيمة حجم التأثير ($\eta_H^2$).

يتبع ذلك مباشرة توثيق نتائج اختبار دان البعدي مع الإشارة الصريحة والدقيقة إلى طريقة التصحيح المستخدمة (مثل: “تم تطبيق تصحيح هولم-بونفيروني على المقارنات المتعددة”). يتم بعد ذلك ذكر قيم $Z$ المحسوبة وقيم $p$ المعدلة لكل زوج من المجموعات، مع ذكر وسيط كل مجموعة ومدى الربيعيات ($IQR$) أو متوسط الرتب ($M_{\text{rank}}$).

وفيما يلي نموذج تطبيقي مكتوب وفق معايير APA باللغة العربية:

“أظهر اختبار كروسكال-واليس وجود فرق ذي دلالة إحصائية في مستويات الرضا الوظيفي بين مجموعات العمل الثلاث، $H(2) = 14.82$، $p < .001$، $\eta_H^2 = 0.12$. وأشارت المقارنات البعدية الزوجية باستخدام اختبار دان مع تطبيق تصحيح هولم إلى أن درجات الرضا في مجموعة العمل المرن ($Mdn = 85.00$، $IQR = 12.00$) كانت أعلى بدلالة إحصائية مقارنة بمجموعة العمل المكتبي التقليدي ($Mdn = 70.00$، $IQR = 15.00$)، $p = .003$. في حين لم يُرصد فرق ذو دلالة إحصائية بين مجموعة العمل المرن ومجموعة العمل الهجين ($Mdn = 80.00$، $IQR = 10.00$)، $p = .241$.”

12.3 ضمان تكرارية البحث والشفافية البرمجية (Reproducibility)

تمثل قابلية التكرار العلمي (Reproducibility) معيار الجودة الأساسي في العلوم المفتوحة والأبحاث المعاصرة. لضمان قدرة الباحثين الآخرين والمحكمين الأكاديميين على إعادة إنتاج التحليلات والوصول إلى نفس النتائج الرقمية بدقة، يجب توثيق البيئة البرمجية المستخدمة في بايثون بصورة شاملة.

يتضمن ذلك تثبيت البذور العشوائية (Random Seeds) باستخدام numpy.random.seed() في حال تضمن التحليل أي خطوات محاكاة أو تقسيم عشوائي للعينات، وتوفير كود بايثون البرمجي كاملاً ومرتباً بتعليقات توضيحية داخل دفاتر جوبيتر تفاعلية. كما يتعين توثيق الإصدارات الدقيقة للمكتبات المستخدمة (مثل SciPy، Pandas، scikit-posthocs) من خلال إنشاء ومشاركة ملف requirements.txt القياسي.

إن إتاحة مجموعات البيانات مجهولة المصدر ونصوص الأكواد البرمجية عبر مستودعات موثوقة ومفتوحة المصدر (مثل GitHub أو OSF أو Zenodo) يعزز الشفافية البحثية، ويدعم نزاهة النتائج المنشورة، ويشكل إضافة علمية حقيقية تسهم في رقي المعرفة الإحصائية وتطبيقاتها البرمجية.

خاتمة شاملة

يقدم اختبار دان (Dunn’s Test) إطاراً إحصائياً متكاملاً وفائق الدقة لحل معضلة المقارنات المتعددة في التحليلات اللامعلمية، موفراً جسراً منهجياً متيناً يربط بين الدلالة العامة لاختبار كروسكال-واليس والتفاصيل التشخيصية الدقيقة للتباينات الزوجية بين المجموعات. وبفضل اعتماده الراسخ على الرتب المجمعة الشاملة ومرونته الفائقة في التعامل مع التوزيعات غير المعلمية والبيانات الترتيبية والعينات غير المتساوية، يظل هذا الاختبار الأداة المرجعية الأولى للباحثين في شتى التخصصات.

لقد أثبتت لغة بايثون، من خلال منظومتها الغنية بالمكتبات الحوسبية المتخصصة مثل SciPy وPandas ومكتبة scikit-posthocs وأدوات التمثيل البصري Seaborn وMatplotlib، كفاءة استثنائية في تبسيط وتنفيذ هذا المسار التحليلي المعقد وتحويله إلى تدفق عملي سلس وعالي الاحترافية. ومن خلال الالتزام بالاشتراطات المنهجية، وضبط معاملات تصحيح القيم الاحتمالية كبونفيروني وهولم، وحساب أحجام التأثير، وتوثيق النتائج وفق المعايير الأكاديمية العالمية مثل أسلوب APA، يستطيع الباحثون استخلاص استنتاجات علمية رصينة تتسم بأعلى درجات الموثوقية والدقة وقابلية التكرار في البيئات الأكاديمية والتطبيقية المتقدمة.

References

• Conover, W. J. (1999). Practical Nonparametric Statistics (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/Practical+Nonparametric+Statistics%2C+3rd+Edition-p-9780471160687
• Conover, W. J., & Iman, R. L. (1979). On multiple-comparisons procedures (Technical Report LA-7677-MS). Los Alamos Scientific Laboratory. https://doi.org/10.2172/6057803
• Dunn, O. J. (1964). Multiple comparisons using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490481
• Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. https://www.jstor.org/stable/4615733
• Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441
• McKnight, P. E., & Najab, J. (2010). Kruskal-Wallis Test. In The Corsini Encyclopedia of Psychology (pp. 1–1). John Wiley & Sons. https://doi.org/10.1002/9780470479216.corpsy0493
• Terpilowski, M. A. (2019). scikit-posthocs: Pairwise multiple comparison tests in Python. Journal of Open Source Software, 4(36), 1169. https://doi.org/10.21105/joss.01169
• Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2