الإحصاء الحيويالتحليل الإحصائي في Rعلم النفس التجريبي

كيفية إجراء اختبار دان في R

دليل أكاديمي شامل يشرح خطوات إجراء وتطبيق اختبار دان (Dunn’s Test) للمقارنات البعدية اللامعلمية في بيئة R الإحصائية مع تفسير المخرجات والنتائج.

تاريخ النشر

تمثل التحليلات الإحصائية اللامعلمية ركيزة جوهرية في ترسانة المنهجيات الكمية الحديثة، ولا سيما عند مواجهة مجموعات بيانات تعجز عن تلبية الافتراضات التوزيعية الصارمة التي تفرضها النماذج المعلمية الكلاسيكية. فعندما تنتهك البيانات فرضية التوزيع الطبيعي أو تتسم بوجود قيم شاذة حادة أو تقتصر على مستويات القياس الترتيبية، تصبح اختبارات تحليل التباين أحادي الاتجاه التقليدية أداة غير موثوقة قد تقود إلى استنتاجات مضللة. في مثل هذه السياقات المعقدة، يبرز اختبار كروسكال-واليس (Kruskal-Wallis Test) كبديل لامعلمي متين لتقييم الفروق العامة بين ثلاث مجموعات مستقلة أو أكثر، غير أن هذا الاختبار الشامل يواجه قيداً منهجياً بنيوياً؛ إذ يخبر الباحث بوجود تباين إحصائي عام دون تحديد دقيق لأزواج المجموعات المسببة لهذا التباين.

هنا تبرز الأهمية البالغة لاختبار المقارنات المتعددة البعدية المعروف باسم اختبار دان (Dunn’s Test)، والذي طوره عالم الإحصاء المرموق أوليف جين دان كحل منهجي ورياضي متكامل لمشكلة المقارنات الثنائية اللامعلمية اللاحقة. يتيح هذا الاختبار للباحثين تفكيك التباينات الكلية عبر فحص الفروق الزوجية بين متوسطات الرتب مع الحفاظ على التحكم الرياضي الصارم في تضخم الخطأ من النوع الأول الناجم عن تعدد الفرضيات المختبرة. ونظراً للمرونة الفائقة والقدرات الحاسوبية المتقدمة لبيئة البرمجة الإحصائية R، بات تطبيق اختبار دان وتحليل مخرجاته أداة قياسية في مختلف حقول العلوم السلوكية والطبية والتطبيقية.

يهدف هذا الدليل المرجعي الشامل إلى تزويد الباحثين والمحللين بفهم نظري وتطبيقي معمق لاختبار دان، بدءاً من تفكيك أسسه الرياضية ونماذجه الجبرية، مروراً بضبط افتراضاته وتطبيقاته العملية على مقاييس ليكرت والبيانات السريرية، وصولاً إلى التنفيذ البرمجي المتقدم عبر حزم R المتخصصة مثل dunn.test وFSA وrstatix. كما يقدم المقال إطاراً تفصيلياً للتحكم في معدلات الخطأ العائلي عبر أساليب التصحيح المعيارية، وبناء التصورات البصرية عالية الجودة، وصياغة التقارير الإحصائية المعتمدة وفق دليل الجمعية الأمريكية لعلم النفس في طبعته السابعة.

جدول المحتويات

1. مقدمة إلى الاختبارات اللامعلمية واختبار دان (Dunn’s Test)

1.1 مفهوم الاختبارات اللامعلمية وسياق استخدامها

يُعرف الإحصاء اللامعلمي (Nonparametric Statistics) بأنه فرع من فروع الاستدلال الإحصائي الذي لا يبني استنتاجاته على افتراض انتماء البيانات لمجتمع يتبع توزيعاً احتمالياً محدداً بمعلمات ثابتة، كالتوزيع الطبيعي الغاوسي. في النموذج المعلمي الكلاسيكي، تفترض أدوات مثل اختبار “ت” (t-test) وتحليل التباين (ANOVA) أن المتغير التابع متصل، وأنه موزع اعتدالياً داخل كل مجتمع دراسة، وأن تباينات المجموعات متجانسة بشكل متكافئ. بيد أن الواقع التجريبي الميداني في العلوم الإنسانية والطبية والبيولوجية كثيراً ما ينتج بيانات تنتهك هذه الافتراضات الصارمة؛ كأن تكون الاستجابات ملتوية التواءً شديداً نحو اليمين أو اليسار، أو تحتوي على قيم متطرفة ناتجة عن تباينات بيولوجية حقيقية لا يمكن حذفها، أو تنتمي بطبيعتها إلى مستويات القياس الترتيبية مثل مقاييس التقييم الذاتي للشدة ورتب الكفاءة والأداء.

في مثل هذه السياقات، تؤدي معالجة البيانات باستخدام الاختبارات المعلمية إلى تشويه جسيم في قيم الخطأ المعياري، مما ينتج عنه تضخم غير منضبط في معدلات الخطأ الإحصائي وخفض القوة الاختبارية (Statistical Power). هنا تظهر الميزة المنهجية الجوهرية للاختبارات اللامعلمية، حيث تعتمد على تحويل القيم العددية الخام إلى رتب ترتيبية تصاعدية (Ranks). يتيح هذا التحويل التحرر الكامل من قيود التوزيع الطبيعي، وتجريد التحليل من التأثير المفرط للقيم الشاذة، مما يوفر منصة صلبة لإجراء المقارنات الموضوعية دون المخاطرة بانتهاك الافتراضات الرياضية. علاوة على ذلك، تعد الاختبارات اللامعلمية الملاذ المنهجي الأمثل في حال الدراسات ذات العينات الصغيرة الحجم (Small Sample Sizes)، حيث يتعذر التحقق الموثوق من اعتدالية التوزيع عبر الاختبارات الشكلية مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test).

تتعامل المنهجيات اللامعلمية بكفاءة استثنائية مع المتغيرات الترتيبية التي تفتقر إلى خصائص المسافات المتساوية بين الفئات. ففي مقياس ترتيبي يتكون من درجات محددة، لا يمكن الجزم رياضياً بأن المسافة الذهنية أو الموضوعية بين “موافق بشدة” و”موافق” تعادل المسافة الفاصلة بين “محايد” و”غير موافق”. من هذا المنطلق، تصبح محاولة حساب المتوسط الحسابي والانحراف المعياري لهذه المقاييس ممارسة إحصائية مشوبة بالقصور المفاهيمي، في حين تقدم الإحصاءات اللامعلمية المبنية على الرتب، والوسائط، ونطاقات المدى الربيعي بديلاً يتوافق عضوياً مع طبيعة المقياس وتدرجاته الواقعية.

1.2 ما هو اختبار دان (Dunn’s Test)؟

يُعد اختبار دان (Dunn’s Test) أحد أهم الاختبارات الإحصائية البعدية اللامعلمية المخصصة للمقارنات المتعددة الزوجية بين المجموعات المستقلة. تم تطوير هذا الاختبار الرائد بواسطة عالمة الإحصاء الحيوي البارزة أوليف جين دان (Olive Jean Dunn) في مطلع ستينيات القرن العشرين، ونُشر في ورقتها البحثية المفصلية عام 1964 بعنوان “Multiple Comparisons Using Rank Sums” المنشورة في مجلة Technometrics. جاء ابتكار دان استجابة لحاجة ملحة في الأدبيات الإحصائية، حيث كانت المقارنات المتعددة تقتصر غالباً على البيانات المعلمية، بينما كانت المقارنات اللامعلمية تفتقر إلى إطار احتمالي يتيح اختبار الفروق بين مجموعات متعددة بصورة متزامنة ودون إخلال بمعدلات الخطأ التجريبي الإجمالي.

يقوم اختبار دان على مبدأ المقارنة المباشرة بين متوسطات الرتب الإجمالية لمجموعات العينة بعد دمجها وتصنيفها في منظومة رتبية موحدة وشاملة. والهدف الأساسي للاختبار هو تحديد ما إذا كان الفرق المطلق بين متوسط رتب أي مجموعتين يختلف اختلافاً ذا دلالة إحصائية عن الفرق المتوقع حدوثه بموجب الصدفة المحضة تحت مظلة الفرضية الصفرية المشتركة. يحتل اختبار دان موقعاً فريداً ومميزاً في الإحصاء الاستدلالي، لكونه يطبق بعدياً بعد اختبار كروسكال-واليس العام، متيحاً للباحث عزل وتحديد أي الأزواج التجريبية تحديداً تتباعد في أداء متغيرها التابع، وهو ما يعزز دقة التفسيرات النظرية ويوجه القرارات التطبيقية بدقة متناهية.

يبرز التساؤل المتكرر حول الفرق الجوهري بين إجراء اختبار دان وإجراء سلسلة من اختبارات مان-ويتني (Mann-Whitney U Tests) الثنائية المنفصلة بين كل زوج من المجموعات. إن الفارق الإحصائي هنا جوهري وحاسم في التحليل المنهجي؛ فعند تطبيق اختبار مان-ويتني المنفصل، يتم ترتيب بيانات كل مجموعتين فقط بمعزل عن باقي المجموعات التجريبية، مما يهدر تماماً معلومات الترتيب العام المكتسبة من العينة المجمعة بأكملها، كما يؤدي إلى تباين مستويات الخطأ المعياري بين مقارنة وأخرى. في المقابل، يستخدم اختبار دان تصنيفاً رتبياً موحداً يشمل جميع أفراد العينة عبر كافة المجموعات التجريبية (Global Ranking)، مستنداً إلى مصفوفة تباين مشتركة تستوعب البنية الرتبية للمجتمع الكلي وتتعامل بمرونة مع تفاوت أحجام المجموعات، بالإضافة إلى توفير آليات مدمجة لتصحيح الدلالة الاحتمالية الناتجة عن تعدد المقارنات.

1.3 الدور الوظيفي لاختبار دان بعد اختبار كروسكال-واليس

يصنف اختبار كروسكال-واليس الإحصائي ضمن فئة “الاختبارات الشاملة” (Omnibus Tests)، وهي أدوات استدلالية صممت لتقييم فرضية عامة واحدة مفادها أن جميع المجتمعات التجريبية تتطابق في توزيعاتها الرتبية. عندما ينتج اختبار كروسكال-واليس قيمة احتمالية ذات دلالة إحصائية (كالوصول إلى قيمة p-value أصغر من 0.05)، فإن النتيجة تقتصر فقط على إثبات وجود اختلاف واحد على الأقل بين إحدى المجموعات والمجموعات الأخرى، ولكنها تظل عمياء تماماً عن تحديد موضع هذا الاختلاف، أو تحديد عدد الأزواج المتمايزة، أو الكشف عن اتجاه التأثير بين المجموعات الفردية.

في هذا المفترق التحليلي، يصبح الاعتماد حصرياً على نتيجة اختبار كروسكال-واليس بمثابة بتر غير مكتمل للمعلومة العلمية؛ إذ لا يستطيع الباحث الإجابة عن أسئلة تطبيقية مباشرة: هل يتفوق البروتوكول العلاجي الأول على العلاج الوهمي؟ أم أن التفوق ينحصر فقط بين البروتوكول الأول والبروتوكول الثاني دون وجود فرق حقيقي مع الدواء المرجعي؟ تتجلى الوظيفة المنهجية لاختبار دان في كونه الجسر الاستدلالي الذي يفكك النتيجة الإجمالية لاختبار كروسكال-واليس إلى تفاصيل ثنائية محددة وقابلة للقياس والتوثيق، مما يمكن الباحثين من صياغة استنتاجات قائمة على فحص تحليلي دقيق وممنهج لكل علاقة زوجية مفترضة.

تكمن الأهمية الوظيفية القصوى لاختبار دان أيضاً في حماية التحليل الإحصائي من ظاهرة تضخم الخطأ من النوع الأول (Type I Error Inflation). فعندما يرتكب الباحث خطأ إجراء اختبارات ثنائية ساذجة ومتكررة دون تطبيق نماذج تصحيح ملائمة، ترتفع احتمالية رفض الفرضيات الصفرية الصحيحة عن طريق الخطأ بمعدلات أسية تتناسب مع عدد المقارنات. يوفر اختبار دان إطاراً رياضياً دقيقاً يدمج معادلات تعديل الدلالة الإحصائية (Adjusted P-values) بالتوازي مع استخدام التباين الموحد المشتق من جميع المجموعات، مما يضمن بقاء معدل الخطأ الإجمالي للعائلة الإحصائية ضمن الحدود الآمنة والمقبولة منهجياً (غالباً α = 0.05)، وهو ما يعزز متانة ومصداقية البحوث العلمية المنشورة.

2. الإطار النظري والرياضي لاختبار دان

2.1 المعادلات الرياضية وحساب متوسط الرتب (Rank Sums)

يبدأ البناء الرياضي لاختبار دان بدمج جميع مشاهدات المجموعات التجريبية المستقلة في مصفوفة بيانات واحدة متصلة بحجم كلي $N$، حيث يمثل $N = \sum_{i=1}^{k} n_i$ مجموع العينات الفرعية الموزعة على $k$ من المجموعات المعالجة. يتم ترتيب كافة المشاهدات الـ $N$ ترتيباً تصاعدياً من القيمة الأصغر إلى القيمة الأكبر، وتمنح المشاهدة الصغرى الرتبة $1$ في حين تمنح المشاهدة العظمى الرتبة $N$. بعد اكتمال الترتيب الإجمالي، يُعاد فرز الرتب وفق المجموعات الأصلية التي تنتمي إليها كل مشاهدة، ليتم حساب المجموع الرتبي لكل مجموعة $i$ ويرمز له بالرمز $R_i$.

تتمثل الخطوة التالية في حساب متوسط الرتب (Mean Rank) لكل مجموعة عبر قسمة مجموع رتبها على حجم عينتها الفعلي، وفق الصيغة الرياضية التالية:

$$\bar{R}_i = \frac{R_i}{n_i}$$

حيث تعبر $\bar{R}_i$ عن متوسط الرتبة للمجموعة $i$، بينما تمثل $n_i$ حجم العينة الخاص بتلك المجموعة. لحساب التباين الإحصائي بين أي مجموعتين مستقلتين وليكونا المجموعة $A$ والمجموعة $B$، يحسب الفرق المطلق بين متوسطات رتب المجموعتين بالصيغة:

$$|\bar{R}_A – \bar{R}_B|$$

يتطلب تقييم الدلالة الإحصائية لهذا الفرق حساب الخطأ المعياري المشترك لفروق الرتب (Standard Error of the Rank Difference)، والذي يشتق من التباين النظري لتوزيع الرتب الشامل في ظل صحة الفرضية الصفرية القائلة بتماثل جميع المجموعات. في الحالة القياسية التي تخلو من الرتب المتطابقة، يُصاغ الخطأ المعياري المشترك $\sigma_{AB}$ وفق المعادلة الرياضية المعيارية التالية:

$$\sigma_{AB} = \sqrt{\left( \frac{N(N + 1)}{12} \right) \left( \frac{1}{n_A} + \frac{1}{n_B} \right)}$$

يعكس المقدار $\frac{N(N+1)}{12}$ تباين التوزيع المنتظم المنفصل للرتب من $1$ إلى $N$. ويبرهن هذا الاشتقاق على اعتماد اختبار دان على كامل العينة $N$ في تحديد الخطأ المعياري، مما يمنحه قوة إحصائية متفوقة وثباتاً تحليلياً مقارنة بالحسابات الثنائية المعزولة.

2.2 توزيع Z واشتقاق القيم الاحتمالية (p-values)

بعد استخراج الفرق المطلق أو الاتجاهي بين متوسطي رتب المجموعتين وحساب الخطأ المعياري المشترك، يتم تحويل الفرق إلى درجة معيارية تخضع تقاربياً لـ التوزيع الطبيعي المعياري (Standard Normal Distribution)، ويرمز لها بالرمز $Z$. تُحسب الدرجة $Z$ للمقارنة بين المجموعتين $A$ و $B$ عبر المعادلة التالية:

$$Z = \frac{\bar{R}_A – \bar{R}_B}{\sigma_{AB}}$$

تمثل قيمة $Z$ المحسوبة عدد الانحرافات المعيارية التي يبعد بها فرق متوسطات الرتب الملاحظ عن الفرق المتوقع بموجب الصدفة (والذي يساوي صفراً). ونظراً لأن الاختبار يعتمد على التوزيع التقاربي المقارب للطبيعي (Asymptotic Normality) بموجب نظرية النهاية المركزية لتجميعات الرتب، يتم استخراج القيمة الاحتمالية غير المصححة (Unadjusted p-value) للمقارنة ثنائية الذيل مباشرة من دالة التوزيع التراكمي للطبيعي المعياري $Phi(z)$ وفق العلاقة:

$$p = 2 \times \left( 1 – \Phi(|Z|) \right)$$

في التطبيقات العملية، كثيراً ما تتضمن البيانات الترتيبية أو الكمية قيماً متطابقة (Tied Observations)، مما يقتضي تصحيح تباين الرتب لتفادي المبالغة في تقدير التباين الحقيقي. عندما تتكرر المشاهدات، تأخذ القيم المتطابقة متوسط الرتب التي كانت ستشغلها لو كانت متباينة، ويتم إدخال معامل تصحيح التكرار المشترك في حساب التباين. يُحسب معامل التصحيح للرتب المتطابقة $C_{\text{ties}}$ بالصيغة:

$$C_{\text{ties}} = 1 – \frac{\sum_{j=1}^{g} (t_j^3 – t_j)}{N^3 – N}$$

حيث يمثل $g$ عدد مجموعات القيم المتطابقة، ويمثل $t_j$ عدد المشاهدات المتطابقة في المجموعة الفرعية $j$. بناءً على ذلك، يتم تعديل صيغة الخطأ المعياري لتصبح:

$$\sigma_{AB,\text{adjusted}} = \sqrt{\left( \frac{N(N + 1)}{12} – \frac{\sum (t_j^3 – t_j)}{12(N – 1)} \right) \left( \frac{1}{n_A} + \frac{1}{n_B} \right)}$$

يضمن هذا التعديل الرياضي الدقيق الحفاظ على صحة التوزيع الاحتمالي للدرجة المعيارية $Z$ حتى في حال وجود نسب مرتفعة من التكرار في البيانات الترتيبية أو مقاييس التقييم الكمي المقيدة.

2.3 الفروض الإحصائية الصفرية والبديلة في اختبار دان

يقوم الاختبار الاستدلالي في اختبار دان على نمذجة فرضيات إحصائية محكمة تهدف إلى التحقق من طبيعة الفروق الرتبية بين كل زوج من المجموعات ($i$ و $j$). تصاغ الفرضية الصفرية الأساسية ($H_0$) للمقارنة الزوجية الثنائية بالشكل التالي:

$$H_0: \theta_i = \theta_j \quad \text{أو} \quad H_0: E(\bar{R}_i) = E(\bar{R}_j)$$

تنص الفرضية الصفرية على عدم وجود أي فرق حقيقي بين متوسط رتب المجتمع $i$ ومتوسط رتب المجتمع $j$، وأن أي تباين ملاحظ في العينة المستخلصة لا يعدو كونه تقلباً عشوائياً ناتجاً عن خطأ المعاينة (Sampling Error). في سياق المجتمعات ذات أشكال التوزيع المتماثلة هندسياً، تكافئ هذه الفرضية فرضية تساوي الوسائط الحقيقية للمجتمعات ($H_0: \tilde{\mu}_i = \tilde{\mu}_j$).

في المقابل، تصاغ الفرضية البديلة ثنائية الاتجاه (Two-tailed Alternative Hypothesis) بالشكل الرياضي الآتي:

$$H_1: \theta_i \neq \theta_j \quad \text{أو} \quad H_1: E(\bar{R}_i) \neq E(\bar{R}_j)$$

وهي تشير إلى أن التوزيع الرتبي لأحد المجتمعين يتفوق تصنيفياً أو ينحدر عن التوزيع الرتبي للمجتمع المقابل بدرجة تتجاوز حدود المصادفة الإحصائية. أما في الدراسات التجريبية الموجهة بفرضيات أحادية الذيل (One-tailed/Directional Hypothesis)، فتصاغ الفرضية البديلة لتحديد اتجاه التباين مسبقاً:

$$H_1: E(\bar{R}_i) > E(\bar{R}_j) \quad \text{أو} \quad H_1: E(\bar{R}_i) < E(\bar{R}_j)$$

يعتمد اتخاذ القرار الإحصائي برفض الفرضية الصفرية على مقارنة القيمة الاحتمالية المعدلة ($p_{\text{adjusted}}$) بمستوى المعنوية المحدد سلفاً ($\alpha$)، والذي يضبط عادة عند $0.05$. فإذا كانت $p_{\text{adjusted}} le \alpha$، تُرفض الفرضية الصفرية وتُقبل الفرضية البديلة، مما يثبت وجود فرق معنوي إحصائياً بين الزوج المقارن. أما إذا كانت $p_{\text{adjusted}} > \alpha$، يعجز الباحث عن رفض الفرضية الصفرية، مما يعني عدم توفر شواهد إحصائية كافية تثبت تباين أداء المجموعتين على المتغير التابع.

3. افتراضات اختبار دان وشروط تطبيقه

3.1 طبيعة المتغيرات ومستويات القياس

يتطلب التطبيق المنهجي السليم لاختبار دان استيفاء مجموعة محددة من الشروط والافتراضات التصميمية للبيانات. ينطلق الافتراض الأول من مستوى قياس المتغير التابع (Dependent Variable)، والذي يجب أن يندرج إما تحت المتغيرات الترتيبية (Ordinal Variables) الممثلة برتب صريحة أو تدريجات تقييمية تصاعدية، أو تحت المتغيرات الكمية المتصلة (Continuous Variables) التي تعذر تطبيق النماذج المعلمية عليها بسبب الانحراف عن التوزيع الطبيعي أو صغر حجم العينة. أما المتغير المستقل (Independent Variable)، فيجب أن يكون متغيراً تصنيفياً نوعياً (Categorical/Factor) يتكون من ثلاث مجموعات فرعية مستقلة على الأقل ($k ge 3$).

يمثل افتراض “استقلالية الملاحظات” (Independence of Observations) الشرط الأكثر صرامة وحيوية في هذا الإطار. ويقضي هذا الشرط بأن تكون كل مشاهدة مسجلة في البيانات ممثلة لوحدة تجريبية أو مفحوص مستقل تماماً، بحيث لا ترتبط درجات أي مشارك بدرجات مشارك آخر داخل المجموعة الواحدة أو عبر المجموعات المختلفة. بناءً على هذا الافتراض، لا يمكن استخدام اختبار دان القياسي في تصاميم القياسات المتكررة (Repeated Measures Designs) أو عينات الأزواج المترابطة؛ إذ تتطلب تلك التصاميم اختبارات بديلة متخصصة كاختبار فريدمان (Friedman Test) والمقارنات المترابطة المرافقة له كاختبار ويلكوكسون المعدل للعينات المرتبطة.

علاوة على ذلك، يفترض الاختبار أن العينات قد جرى اختيارها بأساليب المعاينة العشوائية الاحتمالية الممثلة لمجتمعاتها الأصلية. كما يتعين التأكد من اكتمال هياكل البيانات وخلوها من التداخل المنهجي، حيث يجب أن ينتمي كل فرد أو وحدة تجريبية إلى فئة تصنيفية واحدة فقط من فئات المتغير المستقل دون أي تكرار أو ازدواجية تصنيفية قد تخل بسلامة التوزيع الاحتمالي لحسابات الرتب المشتركة.

3.2 تماثل أشكال التوزيعات بين المجموعات

يتعلق أحد المفاهيم الإحصائية الأكثر دقة في تحليل اختبار دان بطبيعة توزيعات البيانات عبر المجموعات التجريبية وكيفية تأثيرها على التفسير النهائي للنتائج. عندما تمتلك المجموعات المستقلة المختلفة أشكال توزيع متماثلة هندسياً (Similar Distribution Shapes) — أي أن منحنيات تكرار البيانات تشترك في نفس درجات الالتواء والانبساط والتفرطح، ولكنها مزاحة أفقياً فقط على خط الأعداد — يصبح اختبار دان اختباراً صريحاً ومباشراً للمقارنة بين وسائط المجموعات (Medians). في هذه الحالة الرياضية المحددة، فإن رفض الفرضية الصفرية يترجم مباشرة إلى وجود تباعد ذي دلالة إحصائية بين وسيط المجموعة الأولى ووسيط المجموعة المقابلة.

في المقابل، إذا كانت أشكال التوزيعات التكرارية متباينة هندسياً بين المجموعات — كأن يكون توزيع المجموعة الأولى ملتوياً التواءً إيجابياً حاداً، في حين يتخذ توزيع المجموعة الثانية نمطاً ثنائي المنوال أو شبه منتظم — فإن افتراض مقارنة الوسائط المباشرة يسقط منهجياً. في هذا السياق المتمايز، يتحول اختبار دان وظيفياً إلى مقارنة بين “هيمنة التوزيعات العشوائية” أو مقارنة “متوسطات الرتب الشاملة” (Mean Ranks) وليس مقارنة وسائط القيم الخام. يعني هذا أن رفض الفرضية الصفرية يبرهن على أن احتمالية تسجيل مشاهدة ذات رتبة أعلى من المجموعة $A$ تفوق احتمالية تسجيل مشاهدة من المجموعة $B$، وهو مفهوم يُعرف في الأدبيات بالهيمنة التصنيفية الاحتمالية (Stochastic Dominance).

للتحقق التطبيقي من هذا الافتراض، ينبغي على المحلل الإحصائي فحص الأشكال البيانية للتوزيعات التكرارية للمجموعات باستخدام المخططات الهيستوجرامية (Histograms) ومخططات الكثافة الاحتمالية (Density Plots)، أو فحص مؤشرات الالتواء (Skewness) والتفرطح (Kurtosis) لكل مجموعة على حدة. يتيح هذا الفحص الاستكشافي للمحلل ضبط المصطلحات المستخدمة في تقرير النتائج؛ فإما أن يُصرح بأن الفروق الإحصائية تقع بين وسائط المجموعات (في حال تماثل الأشكال)، أو يوثق بدقة أن الفروق تعبر عن التباين في متوسطات الرتب الإجمالية (في حال عدم تماثل التوزيعات).

3.3 دلالة اختبار كروسكال-واليس كشرط مسبق

تفرض التقاليد الأكاديمية والمنهجية القياسية في الإحصاء الاستدلالي مبدأ التسلسل الإجرائي الصارم للتحليلات البعدية، والذي ينص على وجوب إثبات الدلالة الإحصائية للاختبار الشامل أولاً قبل الانتقال إلى فحص الفروق التفصيلية. بناءً على هذه القاعدة الكلاسيكية، لا يجوز للباحث الشروع في تطبيق اختبار دان ما لم يسفر اختبار كروسكال-واليس العام عن قيمة احتمالية دالة إحصائياً ($p < 0.05$). يهدف هذا القيد الإجرائي الصارم إلى تشكيل خط دفاع أولي يمنع الباحثين من الانخراط في "التنقيب العشوائي عن الدلالة" (P-hacking) واختلاق فروق وهمية لا يدعمها النموذج الإحصائي الكلي للمتغير التابع.

إذا أظهر اختبار كروسكال-واليس قيمة احتمالية غير دالة ($p ge 0.05$)، فإن المقتضى المنهجي الافتراضي يفرض التوقف عند هذه النتيجة والإقرار بعدم توفر شواهد إحصائية كافية تفيد بوجود تباين حقيقي بين المجموعات. إن كسر هذه القاعدة وإجراء اختبار دان رغم غياب الدلالة الشاملة يرفع بشكل دراماتيكي من احتمالية الوقوع في الخطأ من النوع الأول (رفض الفرضية الصفرية الصائبة)، ويعد انتهاكاً لبروتوكولات التحليل الاستدلالي الرصين، ما لم تكن هناك استثناءات نظرية مبررة.

تتمثل الاستثناءات المنهجية التي تثير نقاشات مستفيضة بين كبار المنهجيين في حالة المقارنات المخطط لها مسبقاً (A Priori Planned Contrasts). فإذا كان الباحث قد بنى فرضيته النظرية بدقة متناهية قبل جمع البيانات — كأن يفترض تفوق عقار محدد على الدواء الوهمي استناداً إلى مسوغات فسيولوجية قطعية — فإن بعض المدارس الإحصائية الحديثة ترى جواز إجراء المقارنة البعدية الموجهة باستخدام اختبار دان حتى لو كانت النتيجة الشاملة للاختبار غير دالة، شريطة تطبيق معاملات تصحيح صارمة والالتزام بتوثيق هذه المعالجة كفرضية موجهة ومخططة سلفاً وليست فرضية استكشافية لاحقة.

4. أهمية اختبار دان في البحوث النفسية والعلوم السلوكية

4.1 معالجة بيانات المقاييس النفسية ومقاييس ليكرت

تحظى المقاييس النفسية وأدوات التقييم السلوكي بأهمية محورية في العلوم الاجتماعية والطب النفسي، حيث تعتمد معظم هذه الأدوات على استجابات مصاغة عبر مقياس ليكرت (Likert Scale) المتدرج (مثل المقاييس الخماسية والسباعية من “أعارض بشدة” إلى “أوافق بشدة”). تثير هذه المقاييس إشكالية قياسية معقدة؛ فالأرقام المخصصة للإجابات تعبر عن مراتب رتبية لا تضمن التساوي الدقيق في الفواصل النفسية بين الدرجات، كما أن توزيع الاستجابات غالباً ما يتسم بالتواء حاد ناجم عن الرغبة الاجتماعية للمفحوصين أو التمركز حول خيارات بعينها، مما يجعلها تنتهك انتهاكاً صريحاً متطلبات تحليل التباين المعلمي.

يقود الإصرار الخاطئ على استخدام اختبارات تحليل التباين (ANOVA) مع مقاييس التقييم الذاتي غير المتصلة إلى حساب متوسطات حسابية مشوهة لا تعكس البنية الفعلية للاستجابات السلوكية. على سبيل المثال، قد يمنح التحليل المعلمي قيمة متوسطة لا وجود لها عملياً على سلم التدريج، أو يتأثر تأثراً بالغاً بفئة متطرفة صغيرة من المفحوصين. يقدم اختبار دان حلاً آمناً وموضوعياً؛ إذ يتعامل مع درجات مقياس ليكرت وفق طبيعتها الرتبية الحقيقية، محولاً إياها إلى رتب مجمعة تبرز مواضع التفضيل النفسي النسبي وتكشف الفروق الدقيقة في الشدة السلوكية بين المجموعات التجريبية دون الوقوع في مأزق افتراض المسافات المتساوية المفقودة.

تتجلى قوة اختبار دان الاستدلالية في العلوم السلوكية عند مقارنة استجابات مجموعات ديموغرافية أو تشخيصية مختلفة تجاه برامج التدخل النفسي، حيث تتسم الاستجابات بالحساسية الشديدة للتغيرات الطفيفة في سلم التقييم. يتيح اختبار دان للمحلل السلوكي معرفة ما إذا كانت الفروق في التقييمات تعكس تحولاً ذا دلالة إحصائية في كامل المنظومة الرتبية للمجموعة، وهو ما يسهم في صياغة تفسيرات سيكومترية تتسم بالاتساق الرياضي والدقة الوصفية.

4.2 مقارنة فعالية العلاجات النفسية والدوائية

في التجارب الإكلينيكية المعاصرة، يُعد قياس مؤشرات التحسن السريري تحدياً منهجياً يتطلب أدوات إحصائية بالغة الدقة والموثوقية. ففي دراسات علاج الآلام المزمنة، أو اضطرابات القلق الحاد، أو نوبات الاكتئاب السريري، تعتمد المتغيرات التابعة على مقاييس الرصد التناظري البصري (VAS) أو مقاييس تقدير الاستجابة الذاتية لشدة الأعراض. غالباً ما تشهد هذه الدراسات تبايناً في أحجام العينات بين أذرع التجربة نظراً لانسحاب بعض المرضى، كما تتميز بيانات شدة الأعراض بالتواء حاد وتراكم المشاهدات عند درجات معينة.

عندما تشتمل التجربة الإكلينيكية على مقارنة بروتوكولات علاجية متعددة — كأن تشمل ذراعاً للعلاج السلوكي المعرفي (CBT)، وذراعاً للعلاج الدوائي المستحدث، وذراعاً للعلاج المركب، إلى جانب مجموعة التحكم المعالجة بدواء وهمي (Placebo) — يصبح اختبار دان الأداة التحليلية الحاسمة للمقارنة بين هذه المجموعات المتعددة. يتيح الاختبار للباحثين السريريين تحديد ما إذا كان التدخل الدوائي أو السلوكي يحقق انخفاضاً معنوياً في متوسط رتب شدة الأعراض مقارنة بالدواء الوهمي، وما إذا كان الجمع بين العلاجين يضيف ميزة علاجية ذات دلالة إحصائية تتفوق على استخدام العلاج المنفرد.

يكتسب تطبيق اختبار دان في هذا الحقل أهمية استثنائية لصناع القرار الطبي والممارسين في الصحة النفسية؛ فالأدلة المستقاة من الاختبار تتمتع بمصداقية إحصائية عالية تجنب الفرق الطبية التوصية ببروتوكولات علاجية بناءً على فروق زائفة أو مشوهة بالقيم الشاذة. إن التقدير الدقيق للمقارنات الثنائية عبر اختبار دان يقدم شواهد علمية صلبة تدعم إدراج الأدوية في الأدلة الإرشادية السريرية وتحدد أفضل الخيارات العلاجية من حيث الفعالية والجدوى التطبيقية.

5. إعداد بيئة العمل وتثبيت الحزم الإحصائية في R

5.1 الحزم الأساسية لاختبار دان في R

توفر لغة R بيئة إحصائية غنية ومتكاملة لتنفيذ المقارنات اللامعلمية المتعددة، وتبرز ثلاث حزم برمجية رئيسية تمثل المعيار الذهبي لتطبيق اختبار دان:

  • حزمة dunn.test: تعد الحزمة الأصلية والأكثر تخصصاً في هذا المجال، حيث طورها الإحصائي أليكسيس دينوت (Alexis Dinno). تتميز هذه الحزمة بتطبيق المعادلات الرياضية الدقيقة لاختبار دان بما يشمل التعامل الدقيق والشامل مع الرتب المتطابقة، وتوفر مجموعة واسعة من معاملات التصحيح الإحصائي لمعدل الخطأ العائلي، وتنتج جداول مخرجات مصفوفية كلاسيكية مفصلة للغاية.
  • حزمة FSA (Fisheries Stock Analysis): تحتوي هذه الحزمة على الدالة الشهيرة dunnTest التي تمتاز بمرونة استثنائية. تدعم الدالة كتابة المعادلات بصيغة الصيغ المعيارية في R (Formula Notation)، وتوفر للمستخدم مخرجات مهيكلة على هيئة إطار بيانات (Data Frame) منظم يسهل تصديره أو دمجه في جداول التحليل اللاحقة، بالإضافة إلى دعمها الكامل لمختلف أساليب التعديل الاحتمالي.
  • حزمة rstatix: صممت هذه الحزمة لتتكامل عضوياً مع بيئة Tidyverse وأسلوب البرمجة القائم على سلاسل العمليات البرمجية (Piping عبر المشغل %>%). توفر الدالة dunn_test مخرجات متوافقة مع مفاهيم البيانات المرتبة (Tidy Data)، وتحسب مؤشرات حجم الأثر، وتتكامل بسلاسة تامة مع أدوات التصور البصري المتقدمة مثل حزمة ggpubr.

يوفر توظيف هذه الحزم المتنوعة للمحلل الإحصائي مرونة كاملة في اختيار الأداة التي تتطابق مع فلسفته البرمجية وهيكل مشروعه التحليلي، سواء كان يفضل الجداول المصفوفية التقليدية الغنية بالمعلومات أو الجداول الانسيابية المرتبة الجاهزة للعرض والنشر الأكاديمي.

5.2 أوامر التثبيت والتحميل البرمجي

للبدء في تنفيذ التحليلات في بيئة R، يتعين تثبيت الحزم المطلوبة من شبكة مستودعات R الشاملة (CRAN). يتم تنفيذ عملية التثبيت باستخدام الأمر المعياري install.packages، مع التوصية بتثبيت حزم إدارة البيانات والرسومات البيانية المرافقة لضمان بناء بيئة عمل تحليلية متكاملة:

# تثبيت الحزم الإحصائية المتخصصة في اختبار دان وإدارة البيانات
install.packages("dunn.test")
install.packages("FSA")
install.packages("rstatix")
install.packages("tidyverse")
install.packages("ggpubr")

بعد اكتمال التثبيت بنجاح، يتم استدعاء الحزم إلى بيئة جلسة العمل الحالية باستخدام الدالة library. من الضروري الانتباه إلى التحقق من عدم وجود أي تضارب في أسماء الدوال البرمجية عند استدعاء الحزم المتعددة، والتأكد من تحديث إصدارات بيئة R لضمان التوافقية الكاملة للمكتبات:

# تحميل المكتبات في بيئة العمل التحليلية
library(dunn.test)
library(FSA)
library(rstatix)
library(tidyverse)
library(ggpubr)

تضمن هذه الخطوة التمهيدية جاهزية البيئة البرمجية لمعالجة مصفوفات البيانات، وتنفيذ العمليات الحسابية للاختبارات اللامعلمية، وتوليد الرسوم البيانية والجداول الإحصائية عالية الدقة دون مواجهة أخطاء عدم توفر التوابع البرمجية.

6. بناء وهيكلة بيانات الدراسة في R: مثال عملي

6.1 سيناريو التجربة وإدخال البيانات التجريبية

لترسيخ المفاهيم النظرية وتطبيقها عملياً، سنفترض سيناريو تجريبياً مستمداً من دراسة إكلينيكية في مجال إدارة الألم النفسي والجسدي. تهدف الدراسة إلى تقييم فعالية ثلاثة بروتوكولات علاجية مختلفة في تقليل شدة الألم لدى عينة تتألف من 36 مريضاً مصابين بمتلازمة الألم العضلي الليفي (Fibromyalgia). تم توزيع المرضى عشوائياً وبشكل متكافئ على ثلاث مجموعات تجريبية مستقلة (12 مريضاً في كل مجموعة):

  • المجموعة الأولى (Group_A): خضعت لبروتوكول العلاج المعياري المعتاد (Standard Care).
  • المجموعة الثانية (Group_B): خضعت لبروتوكول العلاج السلوكي المعرفي المكثف (CBT Protocol).
  • المجموعة الثالثة (Group_C): خضعت لبروتوكول علاجي مبتكر يدمج بين العلاج السلوكي المعرفي وتدريبات اليقظة الذهنية (Mindfulness-Based CBT).

تم قياس المتغير التابع، وهو “مستوى شدة الألم بعد العلاج” (Pain_Score)، باستخدام مقياس التقييم العددي للألم المتدرج من 0 (انعدام تام للألم) إلى 100 (أقصى ألم ممكن)، وهو متغير ترتيبي-كمي يعاني من الالتواء وتعدد القيم المتطابقة. يتم إنشاء إطار البيانات (Data Frame) في بيئة R من خلال الشيفرة البرمجية التالية:

# إنشاء إطار البيانات التجريبية
pain_data <- data.frame(
 Patient_ID = paste0("PT_", 1:36),
 Treatment = factor(rep(c("Standard_Care", "CBT_Only", "Mindfulness_CBT"), each = 12)),
 Pain_Score = c(
 # بيانات المجموعة الأولى: الرعاية المعيارية (Standard_Care)
 78, 82, 85, 70, 75, 88, 90, 68, 80, 84, 79, 83,
 # بيانات المجموعة الثانية: العلاج السلوكي المعرفي (CBT_Only)
 55, 62, 58, 65, 50, 68, 70, 52, 60, 57, 63, 59,
 # بيانات المجموعة الثالثة: اليقظة الذهنية المدمجة (Mindfulness_CBT)
 35, 42, 38, 45, 30, 48, 50, 32, 40, 36, 44, 39
 )
)

6.2 التحقق من بنية البيانات وتجهيز المتغيرات

تتطلب أفضل الممارسات التحليلية فحص بنية إطار البيانات والتأكد من توافق أنواع المتغيرات مع متطلبات النمذجة الإحصائية في R. يتم استخدام الدوال الاستكشافية الأساسية مثل str وhead وsummary للتحقق من سلامة الأنماط:

# فحص هيكل إطار البيانات والمتغيرات
str(pain_data)
# عرض الصفوف الأولى من البيانات
head(pain_data, n = 6)
# التأكد من عدم وجود قيم مفقودة في المصفوفة
sum(is.na(pain_data))

يجب التأكد الحاسم من أن المتغير المستقل Treatment مصنف كعامل نوعي (Factor) وليس كنص حرفي بسيط (Character). إذا لم يكن المتغير معرفاً كعامل، يتم تحويله فوراً باستخدام الأمر as.factor، مع إمكانية إعادة ترتيب مستويات العامل لتحديد المجموعة المرجعية للمقارنة:

# تأكيد تصنيف المتغير المستقل كعامل وترتيب مستوياته
pain_data$Treatment <- factor(pain_data$Treatment, 
 levels = c("Standard_Care", "CBT_Only", "Mindfulness_CBT"))

يضمن هذا الإعداد البرمجي الدقيق قراءة الخوارزميات الإحصائية لمستويات المجموعات بترتيب منطقي سليم، وتفادي الأخطاء البرمجية التي قد تنشأ عن عدم اتساق تنسيقات المصفوفة.

6.3 الإحصاء الوصفي الاستكشافي للبيانات

نظراً لأن التحليل ينتمي إلى الإحصاء اللامعلمي، فإن الاعتماد على المتوسطات الحسابية والانحرافات المعيارية قد يقدم صورة مضللة عن توزيع البيانات الحقيقي. بدلاً من ذلك، يتم التركيز على استخراج المقاييس اللامعلمية الوصفية المعيارية: الوسيط (Median)، والمدى الربيعي (IQR)، والحدود الدنيا والعليا، بالإضافة إلى حساب متوسط الرتب (Mean Rank) الخاص بكل مجموعة عبر استدعاء دوال حزمة dplyr:

# حساب الإحصاءات الوصفية اللامعلمية ومتوسط الرتب لكل مجموعة
descriptive_summary <- pain_data %>%
 mutate(Global_Rank = rank(Pain_Score)) %>%
 group_by(Treatment) %>%
 summarise(
 Sample_Size = n(),
 Median = median(Pain_Score),
 IQR = IQR(Pain_Score),
 Min = min(Pain_Score),
 Max = max(Pain_Score),
 Mean_Rank = mean(Global_Rank)
 )
# طباعة جدول الإحصاء الوصفي
print(descriptive_summary)

يوضح الجدول التلخيصي الناتج تبايناً ظاهرياً واضحاً في مستويات الألم الوسيطة ومتوسطات الرتب؛ حيث تسجل مجموعة الرعاية المعيارية أعلى وسيط وأعلى متوسط رتب، تليها مجموعة العلاج السلوكي المعرفي، بينما تسجل مجموعة اليقظة الذهنية المدمجة أدنى المستويات. تشكل هذه الإحصاءات الوصفية الأساس التفسيري الذي ستتم مقارنته مع نتائج الاستدلال الإحصائي لاحقاً.

7. إجراء اختبار كروسكال-واليس كخطوة تأسيسية في R

7.1 كتابة صياغة الدالة kruskal.test

استيفاءً للشرط المنهجي المسبق، نبدأ بالتحقق من وجود فرق إجمالي عام ذي دلالة إحصائية بين المجموعات الثلاث باستخدام اختبار كروسكال-واليس الشامل. توفر قاعدة لغة R الأساسية دالة مدمجة ومباشرة لهذا الغرض هي kruskal.test. تدعم هذه الدالة صيغة المعادلات الإحصائية (Formula Syntax) على النحو التالي:

# تنفيذ اختبار كروسكال-واليس الشامل
kw_result <- kruskal.test(Pain_Score ~ Treatment, data = pain_data)
# عرض النتائج الإحصائية للاختبار
print(kw_result)

تأخذ المعادلة Pain_Score ~ Treatment البنية الرياضية القياسية حيث يقع المتغير التابع على يسار المعامل ~ بينما يوضع المتغير المستقل التصنيفي على يمينه، مع تحديد إطار البيانات عبر الوسيط data. تخزن الدالة مخرجات التحليل في كائن إحصائي مركب يتضمن تفاصيل إحصائية كاي-تربيع ودرجات الحرية والقيمة الاحتمالية.

7.2 تفسير مخرجات اختبار كروسكال-واليس

عند فحص كائن المخرجات kw_result في وحدة تحكم R، يظهر التقرير الإحصائي بالشكل التالي:

 Kruskal-Wallis rank sum test
Pain_Score by Treatment
Kruskal-Wallis chi-squared = 30.165, df = 2, p-value = 2.817e-07

يتضمن التقرير ثلاثة مؤشرات إحصائية أساسية:

  • إحصائية كاي-تربيع أو إحصائية H (Kruskal-Wallis chi-squared = 30.165): تعبر عن مقدار التباعد الملاحظ بين متوسطات الرتب الإجمالية للمجموعات، وهي قيمة مرتفعة جداً تشير إلى تباين قوي يتجاوز التذبذب العشوائي المتوقع.
  • درجات الحرية (df = 2): تُحسب وفق الصيغة $df = k – 1$، وبما أن لدينا ثلاث مجموعات علاجية ($k = 3$)، فإن درجات الحرية تساوي $2$.
  • القيمة الاحتمالية ($p\text{-value} = 2.817 \times 10^{-7}$): وهي أصغر بكثير من مستوى المعنوية المعتمد ($\alpha = 0.05$).

بناءً على هذه النتيجة، نرفض الفرضية الصفرية العامة لاختبار كروسكال-واليس، ونستنتج وجود فروق ذات دلالة إحصائية جوهرية في درجات شدة الألم عبر البروتوكولات العلاجية الثلاثة. يمثل هذا القرار الإحصائي الضوء الأخضر المنهجي والمسوغ الرياضي الكامل للانتقال الفوري إلى إجراء اختبار دان للمقارنات المتعددة البعدية لعزل الأزواج المتباينة بدقة.

8. تنفيذ اختبار دان باستخدام حزم R المتخصصة

8.1 التطبيق العملي باستخدام حزمة dunn.test

تعد دالة dunn.test من حزمة dunn.test الأداة التاريخية الرائدة لتنفيذ الاختبار في R. تتميز هذه الدالة بإظهار مصفوفات المقارنة الكاملة وحساب القيم الاحتمالية غير المصححة والمصححة جنباً إلى جنب. تنفذ الدالة بتمرير المتغير التابع والمتغير المستقل كمتجهين منفصلين، مع ضبط وسيط طريقة التصحيح (Method):

# تنفيذ اختبار دان باستخدام حزمة dunn.test وتصحيح بونفيروني
dunn.test(
 x = pain_data$Pain_Score,
 g = pain_data$Treatment,
 method = "bonferroni",
 kw = TRUE,
 table = TRUE,
 list = TRUE
)

تولد الدالة مخرجات تفصيلية تتضمن الدرجة المعيارية $Z$ لكل مقارنة ثنائية، متبوعة بالقيم الاحتمالية غير المصححة والقيم الاحتمالية المعدلة وفق بونفيروني. يتيح الوسيط kw = TRUE طباعة نتيجة اختبار كروسكال-واليس التأسيسي في مقدمة التقرير للتأكيد المنهجي، في حين يتيح الوسيط list = TRUE عرض النتائج في قائمة خطية منسقة بدلاً من المصفوفة المتقاطعة، مما يسهل قراءتها من قبل الباحث.

8.2 التطبيق العملي باستخدام حزمة FSA

تقدم حزمة FSA عبر الدالة dunnTest واحدة من أكثر الصيغ البرمجية أناقة وسهولة في الاستخدام، حيث تدعم صيغة المعادلات القياسية وتنتج مخرجات مهيكلة على هيئة جدول بيانات نظيف (Data Frame). يتم استدعاء الدالة على النحو التالي:

# تنفيذ اختبار دان باستخدام حزمة FSA وتصحيح بونفيروني
fsa_dunn <- dunnTest(
 Pain_Score ~ Treatment,
 data = pain_data,
 method = "bonferroni"
)
# عرض جدول النتائج الإحصائية
print(fsa_dunn)

ينتج عن تنفيذ هذا الأمر جدول إحصائي فائق التنظيم يتألف من أربعة أعمدة أساسية:

  • Comparison: يوضح الزوج الخاضع للمقارنة (مثل CBT_Only – Mindfulness_CBT).
  • Z: الدرجة المعيارية $Z$ الناتجة عن فرق متوسط الرتب بين المجموعتين.
  • P.unadj: القيمة الاحتمالية الخام قبل تطبيق التعديل الرياضي.
  • P.adj: القيمة الاحتمالية المصححة بعد ضبط معدل الخطأ العائلي وفق طريقة بونفيروني.

تتميز هذه الدالة بسهولة استخراج جدول النتائج وتصديره مباشرة إلى برامج معالجة الجداول أو دمجه في تقارير برمجية ديناميكية عبر R Markdown أو Quarto.

8.3 التطبيق العملي باستخدام حزمة rstatix المتوافقة مع Pipe (%>%)

تمثل حزمة rstatix المعيار الحديث لتحليل البيانات في منظومة Tidyverse؛ إذ تتيح تمرير البيانات عبر مشغل الربط (Piping Operator %>%) للحصول على مخرجات قابلة للربط السلس بالرسوم البيانية. يُنفذ اختبار دان عبر الدالة dunn_test بالصيغة التالية:

# تنفيذ اختبار دان بأسلوب Tidyverse وحساب الدلالات المصححة
rstatix_dunn <- pain_data %>%
 dunn_test(Pain_Score ~ Treatment, p.adjust.method = "bonferroni") %>%
 add_significance()
# طباعة جدول النتائج المتقدم
print(rstatix_dunn)

تضيف الدالة add_significance() عموداً إضافياً يحتوي على الرموز الدلالية المتعارف عليها أكاديمياً (مثل *** للدلالة على $p < 0.001$، و** للدلالة على $p < 0.01$، و* للدلالة على $p < 0.05$، وns لعدم الدلالة الإحصائية). هذا التكامل البرمجي يجعل rstatix الخيار الأمثل للباحثين الذين يرغبون في أتمتة تدفق العمل التحليلي من البيانات الخام إلى الجداول والرسومات النهائية بأعلى كفاءة برمجية ممكنة.

9. أساليب ضبط وتصحيح المقارنات المتعددة في اختبار دان

9.1 مفهوم تضخم معدل الخطأ العائلي (Family-Wise Error Rate)

يشكل تضخم معدل الخطأ العائلي (Family-Wise Error Rate – FWER) إحدى المعضلات المركزية في الاستدلال الإحصائي عند إجراء مقارنات متعددة متزامنة. فعند اختبار فرضية صفرية واحدة عند مستوى معنوية $\alpha = 0.05$، تكون احتمالية اتخاذ قرار صائب بعدم رفض الفرضية الصفرية الصحيحة هي $1 – \alpha = 0.95$ (أي 95%). بيد أنه عند إجراء سلسلة من $m$ من المقارنات الثنائية المستقلة، فإن الاحتمالية الإجمالية لعدم ارتكاب أي خطأ من النوع الأول عبر كافة المقارنات تنخفض إلى $(1 – \alpha)^m$.

بناءً على ذلك، تحسب احتمالية ارتكاب خطأ واحد على الأقل من النوع الأول (رفض فرضية صفرية صحيحة بالخطأ وإثبات فرق وهمي) عبر ما يعرف بصيغة الخطأ التراكمي:

$$\text{FWER} = 1 – (1 – \alpha)^m$$

حيث يمثل $m$ عدد المقارنات الثنائية المحتملة، والذي يحسب بدلالة عدد المجموعات $k$ عبر الصيغة التوافقية:

$$m = \frac{k(k – 1)}{2}$$

في دراسة تتضمن 4 مجموعات ($k = 4$)، يبلغ عدد المقارنات الثنائية $m = 6$ مقارنات، وترتفع احتمالية ارتكاب خطأ من النوع الأول إلى:

$$\text{FWER} = 1 – (1 – 0.05)^6 = 1 – (0.95)^6 \approx 0.2649 \quad (26.49%)$$

وفي حال وجود 5 مجموعات ($m = 10$)، تقفز الاحتمالية إلى أكثر من 40%. يوضح هذا التصاعد الرياضي الحاد حتمية تطبيق معاملات تصحيح احتمالية لضبط الدلالة وحماية البحث العلمي من التوصل إلى استنتاجات خاطئة وتوصيات مضللة.

9.2 تصحيح بونفيروني (Bonferroni Adjustment)

يعد تصحيح بونفيروني (Bonferroni Correction) الأسلوب الكلاسيكي الأكثر صرامة وشهرة في التعامل مع المقارنات المتعددة. يقوم هذا التصريح على مبدأ رياضي بسيط مستمد من متباينة بول (Boole’s Inequality)، حيث يتم تقسيم مستوى المعنوية الإجمالي المستهدف ($\alpha$) على إجمالي عدد المقارنات المنجزة ($m$)، لتحديد مستوى دلالة حرج جديد ($\alpha^*$) لكل مقارنة فردية:

$$\alpha^* = \frac{\alpha}{m}$$

أو بصيغة مكافئة حسابياً، يتم ضرب القيمة الاحتمالية الخام الناتجة عن المقارنة ($p_{\text{raw}}$) في عدد المقارنات ($m$) للحصول على القيمة الاحتمالية المصححة ($p_{\text{adj}}$)، مع وضع حد أقصى للقيمة لا يتجاوز 1.0:

$$p_{\text{adj}} = \min(1, p_{\text{raw}} \times m)$$

يمتاز تصحيح بونفيروني بالبساطة الرياضية والقدرة الفائقة على قمع الأخطاء من النوع الأول قمعاً شبه تام، مما يجعله الخيار المفضل في التجارب السريرية الحساسة التي تترتب عليها قرارات علاجية حاسمة لا تحتمل أي نتائج إيجابية كاذبة. ومع ذلك، يعيب هذا التصحيح “الإفراط في المحافظة” (Extreme Conservatism)، لا سيما مع تزايد عدد المجموعات، حيث يؤدي التخفيض الحاد في مستوى الدلالة إلى انخفاض دراماتيكي في القوة الإحصائية (Statistical Power)، مما يرفع بدوره من احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error – العجز عن اكتشاف الفروق الحقيقية الموجودة بالفعل في المجتمع).

9.3 بدائل التصحيح الأخرى (Holm, Benjamini-Hochberg, Sidak)

لتجاوز عيوب المحافظة المفرطة في تصحيح بونفيروني، طوّر الإحصائيون حزمة من البدائل الأكثر مرونة وفعالية:

  • تصحيح هولم-بونفيروني (Holm-Bonferroni Method): إجراء تصاعدي متدرج (Step-down procedure) يتفوق رياضياً على بونفيروني في القوة الإحصائية مع الاحتفاظ بالتحكم الصارم الكامل في معدل FWER. يتم ترتيب القيم الاحتمالية الخام تصاعدياً من الأصغر إلى الأكبر ($p_{(1)} le p_{(2)} le dots le p_{(m)}$)، وتُضرب كل قيمة في معامل متناقص ($m – i + 1$)، حيث يمثل $i$ رتبة القيمة الاحتمالية. يعد تصحيح هولم الخيار الموصى به منهجياً كبديل افتراضي متفوق على بونفيروني الكلاسيكي.
  • تصحيح بنجاميني-هوشبيرغ (Benjamini-Hochberg / FDR): يركز هذا المنهج المبتكر على التحكم في معدل الاكتشاف الكاذب (False Discovery Rate – FDR) بدلاً من FWER. يناسب هذا الإجراء الدراسات الاستكشافية والدراسات ذات المقارنات الواسعة، حيث يوازن بكفاءة عالية بين تقليل النتائج الإيجابية الكاذبة والحفاظ على أعلى قوة اختبارية ممكنة لاكتشاف الفروق الحقيقية.
  • تصحيح سيداك (Šidák Correction): يعتمد على افتراض استقلالية الفرضيات الجزئية، ويحسب القيمة الاحتمالية المصححة عبر صيغة أسية دقيقة: $p_{\text{adj}} = 1 – (1 – p_{\text{raw}})^m$. يعد هذا التصحيح أكثر قوة بقليل من تصحيح بونفيروني، غير أن تطبيقه الرياضي يتقارب معه تقارباً كبيراً في أحجام العينات الكبيرة.

يقارن الجدول التالي بين أبرز أساليب التصحيح الشائعة في اختبار دان لتوجيه الباحث نحو الاختيار الأمثل وفق طبيعة دراسته:

طريقة التصحيح الهدف الإحصائي مستوى الصرامة والمحافظة القوة الإحصائية السياق البحثي الموصى به
Bonferroni التحكم في FWER مرتفع جداً (شديد المحافظة) منخفضة التجارب الطبية والدوائية الحاسمة
Holm التحكم في FWER متوسط الصرامة (متدرج) متوسطة إلى عالية البحوث النفسية والسلوكية المعيارية
Benjamini-Hochberg (BH) التحكم في FDR معتدل وموجه للاكتشاف مرتفعة جداً الدراسات الاستكشافية والبيانات الضخمة
Šidák التحكم في FWER مرتفع (أقل قليلاً من بونفيروني) متوسطة منخفضة المقارنات ذات الفرضيات المستقلة

في لغة R، يمكن التنقل بسهولة تامة بين هذه الطرق بتغيير وسيط طريقة التصحيح في الدوال؛ كأن يتم تمرير method = "holm" أو method = "bh" في دالة dunnTest، مما يمنح الباحث تحكماً كاملاً في مواءمة الاستدلال الإحصائي مع الأهداف التصميمية للبحث.

10. قراءة وتفسير المخرجات الإحصائية لاختبار دان

10.1 تحليل قيم إحصائية Z والفروق بين المجموعات

لتوضيح الكيفية الدقيقة لقراءة المخرجات الإحصائية، نستعرض الجدول الرقمي المستخرج من تطبيق اختبار دان على بيانات تجربة الألم باستخدام حزمة FSA مع تصحيح بونفيروني:

المقارنة الزوجية (Comparison) الدرجة المعيارية (Z-score) القيمة الاحتمالية الخام (P.unadj) القيمة الاحتمالية المصححة (P.adj) القرار الإحصائي ($\alpha = 0.05$)
CBT_Only – Mindfulness_CBT 2.784 0.00537 0.01611 دال إحصائياً (رفض $H_0$)
CBT_Only – Standard_Care -2.652 0.00800 0.02401 دال إحصائياً (رفض $H_0$)
Mindfulness_CBT – Standard_Care -5.436 5.45e-08 1.63e-07 دال إحصائياً (رفض $H_0$)

يقدم التحليل الدقيق لهذا الجدول استنتاجات حاسمة حول فعالية التدخلات العلاجية:

  • الإشارة الجبرية للدرجة Z واتجاه التأثير: تكشف الإشارة عن اتجاه الفرق بين رتب المجموعتين. ففي المقارنة بين CBT_Only وMindfulness_CBT، جاءت قيمة $Z = 2.784$ موجبة، مما يعني أن متوسط رتب مجموعة العلاج السلوكي المعرفي أعلى دلالياً من مجموعة اليقظة الذهنية. وبما أن المتغير المقاس هو “شدة الألم”، فإن انخفاض الرتبة يعد مؤشراً إيجابياً على التحسن السريري، مما يبرهن على تفوق بروتوكول اليقظة الذهنية المدمجة على بروتوكول العلاج السلوكي المنفرد.
  • تقييم الدلالة الإحصائية المصححة: نلاحظ أن جميع القيم الاحتمالية المصححة وفق بونفيروني جاءت أصغر بكثير من عتبة الدلالة المعيارية ($p_{\text{adj}} < 0.05$). يثبت ذلك أن الفروق بين جميع الأزواج الثلاثة حقيقية وذات دلالة إحصائية وليست ناتجة عن تذبذبات الصدفة.
  • التفسير السريري الشامل: حقق بروتوكول اليقظة الذهنية المدمجة (Mindfulness_CBT) أعلى كفاءة علاجية مسجلاً أدنى مستويات الألم، وتفوق بفارق دال إحصائياً على كل من العلاج المعياري المعتاد ($Z = -5.436, p_{\text{adj}} < 0.001$) والعلاج السلوكي المعرفي المنفرد ($Z = 2.784, p_{\text{adj}} = 0.016$). كما أثبت العلاج السلوكي المعرفي المنفرد تفوقاً دالاً إحصائياً على الرعاية المعيارية ($Z = -2.652, p_{\text{adj}} = 0.024$).

10.2 حساب وتقدير حجم الأثر (Effect Size)

لا يكتمل التحليل الإحصائي الرصين بالاعتماد الحصري على القيم الاحتمالية؛ إذ تشير الدلالة الإحصائية إلى وجود الفرق من عدمه دون أن تعبر عن مقداره أو أهميته العملية. في التحليلات اللامعلمية المشتقة من التوزيع الطبيعي المعياري، يعد معامل حجم الأثر $r$ (Effect Size r) الأداة القياسية الأكثر قبولاً لتقدير قوة التأثير بين المجموعات المستقلة.

يُشتق المعامل $r$ مباشرة من قسمة القيمة المطلقة للدرجة المعيارية $Z$ على الجذر التربيعي لحجم العينة الكلي المشترك في المقارنة الثنائية المعنية ($N_{\text{pair}} = n_A + n_B$):

$$r = \frac{|Z|}{\sqrt{N_{\text{pair}}}}$$

لتطبيق هذه المعادلة برمجياً في R وحساب حجم الأثر لكل مقارنة ثنائية في بياناتنا، نستخدم الكود التالي:

# استخراج وتجهيز جدول حجم الأثر r من مخرجات اختبار دان
effect_sizes <- fsa_dunn$res %>%
 mutate(
 # حجم العينة لكل مقارنة ثنائية (12 + 12 = 24)
 N_pair = 24,
 # حساب معامل حجم الأثر r
 Effect_Size_r = abs(Z) / sqrt(N_pair),
 # تصنيف حجم الأثر وفق معايير كوهين
 Magnitude = case_when(
 Effect_Size_r >= 0.5 ~ "كبير (Large)",
 Effect_Size_r >= 0.3 ~ "متوسط (Medium)",
 Effect_Size_r >= 0.1 ~ "صغير (Small)",
 TRUE ~ "مهمل (Negligible)"
 )
 )
# طباعة جدول أحجام الأثر
print(effect_sizes[, c("Comparison", "Z", "Effect_Size_r", "Magnitude")])

تستند معايير التفسير الواردة إلى إرشادات جاكوب كوهين (Cohen’s Benchmarks)، حيث يصنف الأثر كالتالي:

  • أثر صغير (Small Effect): $0.10 le r < 0.30$
  • أثر متوسط (Medium Effect): $0.30 le r < 0.50$
  • أثر كبير (Large Effect): $r ge 0.50$

عند تطبيق هذه المعايير على دراستنا، نجد أن المقارنة بين اليقظة الذهنية المدمجة والرعاية المعيارية حققت حجم أثر استثنائي بلغ $r = \frac{5.436}{\sqrt{24}} \approx 1.11$ (أثر كبير جداً)، في حين سجلت المقارنة بين العلاج السلوكي المنفرد واليقظة الذهنية أثراً كبيراً بلغ $r = \frac{2.784}{\sqrt{24}} \approx 0.568$. يؤكد هذا الحساب أن الفروق المكتشفة ليست دالة إحصائياً فحسب، بل تحمل وزناً تطبيقياً وسريرياً بالغ الأهمية يبرر الاستثمار في تطبيق بروتوكول اليقظة الذهنية في الممارسة العلاجية الواقعية.

11. التصور البصري لنتائج اختبار دان في R

11.1 رسم المخططات الصندوقية (Boxplots) عبر ggplot2

يمثل التصور البصري المتقن حجر الزاوية في إيصال نتائج التحليلات اللامعلمية بصورة شفافة ودقيقة. يُعد المخطط الصندوقي (Boxplot) الأداة البصرية المثالية لعرض البيانات اللامعلمية؛ لكونه يجسد مباشرة الوسائط، ونطاقات المدى الربيعي، والحدود الدنيا والعليا، مع إبراز القيم الشاذة. لبناء مخطط احترافي يلبي معايير النشر في المجلات العلمية العالمية، نستخدم حزمة ggplot2 مع تراكب نقاط المشاهدات الفردية المهتزة (Jitter Points) لإظهار التوزيع الحقيقي للبيانات:

# إنشاء مخطط صندوقي متقدم باستخدام ggplot2
pain_plot <- ggplot(pain_data, aes(x = Treatment, y = Pain_Score, fill = Treatment)) +
 # رسم الصناديق مع شفافية معتدلة
 geom_boxplot(width = 0.5, alpha = 0.7, outlier.shape = NA, color = "#2c3e50") +
 # تراكب نقاط البيانات الفردية لإظهار كثافة التوزيع
 geom_jitter(width = 0.15, size = 2, alpha = 0.6, color = "#34495e") +
 # اختيار لوحة ألوان متناسقة ومريحة للنشر الأكاديمي
 scale_fill_manual(values = c("#e74c3c", "#3498db", "#2ecc71")) +
 # تخصيص تسميات المحاور والعناوين
 labs(
 title = "مقارنة مستويات شدة الألم عبر البروتوكولات العلاجية المختلفة",
 subtitle = "المخطط يوضح الوسيط والمدى الربيعي مع توزيع النقاط الفردية",
 x = "المجموعة العلاجية التجريبية",
 y = "درجة شدة الألم (مقياس من 0 إلى 100)"
 ) +
 # تطبيق نسق أكاديمي ناصع وبسيط
 theme_classic(base_size = 13) +
 theme(
 legend.position = "none",
 plot.title = element_text(face = "bold", hjust = 0.5, size = 14),
 plot.subtitle = element_text(hjust = 0.5, size = 11, color = "gray30"),
 axis.title = element_text(face = "bold"),
 axis.text = element_text(color = "black")
 )
# عرض الرسم البياني
print(pain_plot)

يتيح هذا الرسم للمتلقي استيعاب بنية البيانات في ثوانٍ معدودة؛ حيث يظهر الهبوط التدريجي الحاد في كتل الصناديق من الرعاية المعيارية وصولاً إلى مجموعة اليقظة الذهنية المدمجة، مما يوفر سنداً بصرياً فورياً للتحليلات الرياضية لاختبار دان.

11.2 إضافة خطوط الدلالة الإحصائية باستخدام ggpubr

لتحويل الرسم البياني إلى شكل نهائي صالح للنشر الأكاديمي المباشر، ينبغي تضمين أقواس المقارنات ومستويات الدلالة الإحصائية المستخرجة من اختبار دان فوق الصناديق. يتم ذلك بأعلى درجات الانسيابية عبر حزمة ggpubr بالاعتماد على مخرجات دالة dunn_test من حزمة rstatix:

# تجهيز جدول المقارنات وتحديد إحداثيات الأقواس على المحور الرأسي Y
stat_test <- rstatix_dunn %>%
 add_y_position(step.increase = 0.12)
# دمج خطوط الدلالة الإحصائية فوق المخطط الصندوقي
final_publication_plot <- pain_plot +
 stat_pvalue_manual(
 stat_test,
 label = "p.adj.signif",
 tip.length = 0.02,
 bracket.size = 0.6,
 color = "#2c3e50"
 ) +
 # زيادة الحدود العليا لمحور Y لاستيعاب أقواس الدلالة
 scale_y_continuous(expand = expansion(mult = c(0.05, 0.15)))
# طباعة الرسم البياني النهائي المكتمل
print(final_publication_plot)
# تصدير الرسم البياني بدقة طباعة عالية (300 DPI) للنشر في المجلات العلمية
ggsave(
 filename = "Dunn_Test_Pain_Results.png",
 plot = final_publication_plot,
 width = 8,
 height = 6,
 dpi = 300
)

تنتج هذه الشيفرة رسماً بيانياً احترافياً متكاملاً يتضمن أقواس المقارنة المعيارية والنجوم الدلالية الموثقة، مما يجعله جاهزاً للإدراج الفوري في الأطروحات الجامعية أو الأوراق البحثية المحكمة دون الحاجة لأي تعديل رسومي يدوي لاحق.

12. توثيق النتائج وفق معايير APA 7 وتجنب الأخطاء الشائعة

12.1 صياغة التقرير الإحصائي وفق دليل الجمعية الأمريكية لعلم النفس

يفرض دليل النشر العلمي الصادر عن الجمعية الأمريكية لعلم النفس في طبعته السابعة (APA 7th Edition) قواعد صارمة لتوثيق الاختبارات اللامعلمية. يجب أن يتضمن التقرير تبرير استخدام الاختبار اللامعلمي، وتوثيق نتائج الاختبار الشامل (كروسكال-واليس) بما يشمل إحصائية الاختبار ودرجات الحرية والقيمة الاحتمالية الدقيقة، متبوعاً بالقيم الوصفية للمجموعات (الوسيط والمدى الربيعي)، ثم تفصيل نتائج اختبار دان مع توثيق طريقة التصحيح، وقيم الدرجات المعيارية $Z$، والقيم الاحتمالية المعدلة، وأحجام الأثر $r$.

فيما يلي النموذج النصي الأكاديمي المعتمد لتوثيق نتائج دراسة الألم الحالية باللغة العربية:

“أُجري اختبار كروسكال-واليس اللامعلمي لتقييم أثر البروتوكولات العلاجية المختلفة على مستويات شدة الألم لدى مرضى الفيبروميالغيا. كشفت النتائج عن وجود فروق ذات دلالة إحصائية جوهرية بين المجموعات العلاجية الثلاث، $H(2) = 30.165, p < .001$. وبناءً على هذه النتيجة، أُجريت اختبارات المقارنات البعدية المتعددة باستخدام اختبار دان (Dunn's test) مع تطبيق تصحيح بونفيروني لضبط معدل الخطأ العائلي.

أظهرت المقارنات الثنائية أن بروتوكول العلاج المدمج بين السلوكي المعرفي واليقظة الذهنية ($Mdn = 38.5, IQR = 8.5$) حقق انخفاضاً دالاً إحصائياً في شدة الألم مقارنة بكل من مجموعة الرعاية المعيارية ($Mdn = 81.0, IQR = 8.0, Z = -5.44, p_{\text{adj}} < .001, r = 1.11$)، ومجموعة العلاج السلوكي المعرفي المنفرد ($Mdn = 59.5, IQR = 9.5, Z = 2.78, p_{\text{adj}} = .016, r = 0.57$). كما سجلت مجموعة العلاج السلوكي المعرفي المنفرد انخفاضاً دالاً إحصائياً في مستويات الألم مقارنة بمجموعة الرعاية المعيارية ($Z = -2.65, p_{\text{adj}} = .024, r = 0.54$). تشير هذه النتائج إلى التفوق السريري والإحصائي الواضح لبروتوكول اليقظة الذهنية المدمجة في خفض حدة الألم بأحجام تأثير سريرية كبيرة."

كما يُنصح بدعم التقرير النصي بجدول أكاديمي موحد يلخص المؤشرات الوصفية والاستدلالية، كما يوضح النموذج التالي:

المجموعة التجريبية حجم العينة ($n$) الوسيط ($Mdn$) المدى الربيعي ($IQR$) المقارنة الزوجية درجة $Z$ القيمة الاحتمالية المصححة ($p_{\text{adj}}$) حجم الأثر ($r$)
1. الرعاية المعيارية 12 81.0 8.0 1 مقابل 2 -2.65 .024* 0.54
2. العلاج السلوكي المنفرد 12 59.5 9.5 1 مقابل 3 -5.44 < .001*** 1.11
3. اليقظة الذهنية المدمجة 12 38.5 8.5 2 مقابل 3 2.78 .016* 0.57

ملاحظة: تم ضبط مستوى الدلالة عبر تصحيح بونفيروني. * $p < .05$, *** $p < .001$.

12.2 الأخطاء المنهجية والبرمجية الشائعة وكيفية تجنبها

يقع العديد من الباحثين ومحللي البيانات في أخطاء منهجية وبرمجية متكررة عند تطبيق اختبار دان، نستعرض أبرزها وسبل تفاديها:

  • إجراء اختبار دان دون ثبوت دلالة كروسكال-واليس: يُعد القفز المباشر إلى المقارنات البعدية عند فشل الاختبار الشامل في الوصول إلى الدلالة خطأ منهجياً يرفع من معدلات الإيجابية الكاذبة. يجب دائماً التحقق من $p < 0.05$ في اختبار كروسكال-واليس قبل تفعيل اختبار دان.
  • إهمال تصحيح المقارنات المتعددة: يكتفي بعض الباحثين بنشر القيم الاحتمالية غير المصححة (Unadjusted P-values) لإظهار نتائج دالة وهمياً. يجب التمسك الصارم بتطبيق ونشر القيم المصححة (مثل تصحيح بونفيروني أو هولم) والشفافية التامة في توضيح الطريقة المختارة.
  • استبدال اختبار دان باختبارات مان-ويتني المتكررة: يؤدي استخدام اختبار مان-ويتني المنفصل إلى إعادة ترتيب جزئي للعينات وإهمال مصفوفة التباين الموحدة للرتب الإجمالية، مما يضعف القوة الاختبارية. يجب الاعتماد على اختبار دان الذي يحافظ على الترتيب المشترك لكامل مجتمع الدراسة.
  • الخلط بين مقارنة الوسائط ومقارنة متوسط الرتب: يؤدي تفسير نتائج اختبار دان كمقارنة للوسائط في ظل وجود أشكال توزيع غير متماثلة هندسياً إلى خطأ مفاهيمي. يجب فحص تماثل المنحنيات التكرارية قبل الجزم بمقارنة الوسائط، والالتزام بمصطلح “متوسط الرتب” عند اختلاف أشكال التوزيع.
  • تجاهل الإبلاغ عن حجم الأثر: يؤدي الاكتفاء بالقيمة الاحتمالية وحدها إلى حجب المعلومة الأكثر أهمية حول القوة التطبيقية والعملية للتدخل التجريبي. يجب دائماً حساب ودمج معامل حجم الأثر $r$ إلى جانب إحصائيات الدلالة.

خاتمة وتوصيات منهجية

يقدم اختبار دان (Dunn’s Test) حلاً إحصائياً ومنهجياً متكاملاً للمقارنات المتعددة اللامعلمية بعد اختبار كروسكال-واليس، متيحاً للباحثين تفكيك التباينات العامة واستكشاف الفروق الثنائية بدقة رياضية فائقة ودون انتهاك لافتراضات التوزيع الطبيعي. ومن خلال قدرته على استيعاب المقاييس الترتيبية والبيانات الملتوية ومصفوفات الرتب الشاملة مع ضبط تضخم معدل الخطأ العائلي، يمثل هذا الاختبار أداة لا غنى عنها في أبحاث العلوم النفسية والاجتماعية والطبية الحديثة.

تتيح بيئة البرمجة الإحصائية R، عبر حزمها المتميزة مثل dunn.test وFSA وrstatix، تنفيذ هذا الاختبار بأعلى درجات الكفاءة والمرونة، وتوليد مخرجات مهيكلة تتكامل بانسيابية تامة مع أدوات التصور البصري المتقدمة في ggplot2 وggpubr. نوصي الباحثين دائماً بتبني أفضل الممارسات المنهجية من خلال فحص تماثل التوزيعات، وتطبيق معاملات التصحيح الملائمة مثل هولم وبونفيروني، وحساب أحجام التأثير $r$، وتوثيق كافة المؤشرات الإحصائية بشفافية واحترافية وفق معايير APA 7، بما يضمن الارتقاء بجودة البحوث العلمية ومصداقية استنتاجاتها التطبيقية.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 27). كيفية إجراء اختبار دان في R. عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-perform-dunns-test-in-r/
looti, Mohammed. “كيفية إجراء اختبار دان في R.” عرب سايكلوجي, 27 أغسطس 2026, https://arabpsychology.com/statistics/how-to-perform-dunns-test-in-r/.
looti, Mohammed. “كيفية إجراء اختبار دان في R.” عرب سايكلوجي. أغسطس 27, 2026. https://arabpsychology.com/statistics/how-to-perform-dunns-test-in-r/.