كيفية إجراء اختبار فريدمان في ستاتا

يحتل اختبار فريدمان الإحصائي (Friedman Test) مكانة محورية في ترسانة التحليل الإحصائي اللابارامتري (Nonparametric Statistics)، بوصفه الأداة الاستدلالية الأكثر رصانة واعتدالاً لاختبار الفروق بين القياسات المتكررة أو العينات المترابطة عندما تعجز البيانات عن تلبية الشروط الصارمة للنماذج المعلمية الكلاسيكية. في ميدان العلوم النفسية، والسلوكية، والعلوم الطبية الحيوية، كثيراً ما يواجه الباحثون تحديات منهجية معقدة ترتبط بالتواء التوزيعات التكرارية، وصغر أحجام العينات الإكلينيكية، واستخدام مقاييس القياس الترتيبية (Ordinal Scales) مثل مقاييس ليكرت وبطاقات التقييم الإكلينيكي؛ وهي ظروف تحظر بصورة قاطعة استخدام تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) لتفادي تضخم معدلات الخطأ الاستدلالي والخروج باستنتاجات علمية مضللة.

تكمن العبقرية المنهجية لاختبار فريدمان في قدرته الفائقة على تحييد التباين البيني العشوائي بين الأفراد عبر إخضاع كل مفحوص لجميع شروط التجربة أو متابعته عبر نقاط زمنية متعددة، ومن ثم تحويل القيم الرقمية الخام إلى منظومة من الرتب داخل كل كتلة أو فرد على حدة. يتيح هذا التحويل الرياضي التخلص من مشكلات القيم المتطرفة، وانعدام التجانس التبايني، وغياب التوزيع الطبيعي، مما يجعل الاختبار المعيار الذهبي لتحليل التصاميم التجريبية ذات القياسات المتكررة أحادية العامل (One-Way Repeated Measures Design) في بيئات التحليل المتقدمة، وعلى رأسها برنامج الحزم الإحصائية الرائد ستاتا (Stata).

يهدف هذا الدليل المرجعي الشامل إلى تفكيك كافة الأبعاد النظرية، والرياضية، والبرمجية، والتطبيقية لاختبار فريدمان داخل بيئة ستاتا، متدرجاً من الأسس الإبستمولوجية للاختبار وافتراضاته المنهجية، مروراً بهندسة البيانات ونقلها بين التنسيقات المختلفة، وصولاً إلى التنفيذ البرمجي المتقدم، وتفسير المخرجات بدقة، وإجراء المقارنات البعدية، وحساب أحجام الأثر، وصياغة التقارير الأكاديمية وفقاً لمعايير دليل الجمعية الأمريكية لعلم النفس (APA 7th Edition).

1. الأسس النظرية والمفاهيمية لاختبار فريدمان الإحصائي

1.1 التعريف الرياضي والإحصائي لاختبار فريدمان

يُعرَّف اختبار فريدمان رياضياً بأنه اختبار رتبي لابارامتري صممه الاقتصادي والإحصائي الأمريكي الحائز على جائزة نوبل ميلتون فريدمان (Milton Friedman) في ثلاثينيات القرن العشرين كبديل لتحليل التباين للقياسات المتكررة في التصاميم ذات القطاعات العشوائية الكاملة (Randomized Complete Block Designs). يعتمد الاختبار على آلية تصنيف درجات كل مفحوص أو وحدة تحليل تجريبية بشكل منفصل؛ فبدلاً من التعامل مع القيم المطلقة للمتغير التابع، يقوم الاختبار بترتيب المشاهدات ترتيباً تصاعدياً من الرتبة 1 (لأدنى قيمة) إلى الرتبة k (لأعلى قيمة) عبر الشروط التجريبية المختلفة لكل حالة فردية.

تستند المعادلة الرياضية لحساب إحصائية فريدمان (والتي يُرمز لها عادة بالرمز Fr أو $Q$) إلى مجموع مربعات الرتب لكل شرط تجريبي عبر جميع العينات، وتُصاغ رياضياً على النحو التالي:

$$Q = \frac{12}{N k (k + 1)} \sum_{j=1}^{k} R_j^2 – 3N(k + 1)$$

حيث يمثل $N$ عدد الحالات أو المفحوصين المستقلين (Blocks)، ويمثل $k$ عدد المعالجات أو الشروط التجريبية أو القياسات الزمنية المتكررة، بينما يمثل $R_j$ مجموع الرتب المخصصة للشرط التجريبي $j$. تتبع إحصائية$Q$ تقريباً توزيع كاي تربيع ($\chi^2$) بدرجات حرية مساوية لـ $(k – 1)$ عندما يكون حجم العينة $N$ كافياً (عادة $N ge 10$ و $k ge 3$). تعكس هذه الإحصائية مدى انحراف مجموع الرتب الملاحظة تجريبياً عن التوزيع المتساوي المتوقع تحت فرضية العدم، مما يمنح الباحث أساساً رياضياً متيناً للرفض أو القبول الاستدلالي.

1.2 فلسفة القياس التكراري والتصميم المتوازن داخل العينات

ترتكز فلسفة القياس التكراري والتصاميم داخل العينات (Within-Subjects Designs) على مبدأ إبستمولوجي جوهري يتمثل في جعل كل مشارك بمثابة “ضابط لنفسه” (Self-Control). في الدراسات النفسية والسلوكية، تشكل الفروق الفردية الكامنة—مثل الذكاء، والسمات الشخصية، والخبرات السابقة، والخلفية الوراثية والبيولوجية—مصدراً هائلاً للتباين الدخيل (Extraneous Variance) والخطأ العشوائي الذي يقلل من حساسية النماذج الإحصائية للتمييز بين تأثير المعالجات الحقيقية وتأثير التباين بين الأفراد.

من خلال إخضاع المشارك نفسه لكافة الشروط التجريبية المتتابعة، يتم استبعاد التباين البيني من حد الخطأ المتبقي (Error Term)، مما يرفع القوة الإحصائية (Statistical Power) للدراسة بشكل ملحوظ حتى مع استخدام عينات صغيرة الحجم. ومع ذلك، يفرض هذا التصميم ضرورة المعالجة المنهجية لتأثير الترتيب (Order Effects) وتأثير الممارسة وحمل المثيرات (Carryover Effects). يتم التعامل مع هذه التحيزات من خلال موازنة العينات العشوائية (Counterbalancing) واستخدام مصفوفات المربع اللاتيني (Latin Square Design)، بما يضمن توزيع ترتيب المعالجات بالتساوي بين المشاركين قبل إخضاع البيانات لاختبار فريدمان.

1.3 الفرضيات الإحصائية للاختبار (الصفرية والبديلة)

تتمحور الفرضية الصفرية ($H_0$) في اختبار فريدمان حول التكافؤ التوزيعي لمجموع أو متوسطات الرتب عبر الشروط التجريبية المختلفة داخل مجتمع الدراسة. وتُصاغ نصياً بأن جميع المعالجات التجريبية أو النقاط الزمنية المتكررة تمتلك نفس التوزيع الاحتمالي للرتب، أي أن الفروق الملاحظة بين الشروط تعود فقط إلى الصدفة والخطأ العشوائي في العينة، وصيغتها الرياضية هي:

$$H_0: \theta_1 = \theta_2 = dots = \theta_k$$

في المقابل، تنص الفرضية البديلة ($H_1$) على وجود اختلاف ذي دلالة إحصائية بين رتبة معالجة تجريبية واحدة على الأقل وبقية المعالجات؛ أي أن وسيط أو متوسط رتب شرط واحد يختلف اختلافاً حقيقياً في المجتمع الإحصائي عن باقي الشروط. لا تحدد الفرضية البديلة اتجاه الفروق أو أي من الشروط هو المسؤول عن الدلالة، بل تشير فقط إلى وجود عدم تجانس كلي في أداء العينة عبر المعالجات. يُتخذ القرار الاستدلالي برفض الفرضية الصفرية وقبول الفرضية البديلة إذا كانت القيمة الاحتمالية المقدرة ($p$-value) أقل من أو تساوي مستوى الدلالة المعياري المعتمد مسبقاً (عادة$alpha = 0.05$).

2. دواعي استخدام اختبار فريدمان في البحوث النفسية والسلوكية

2.1 تقييم التدخلات العلاجية النفسية والدوائية عبر الزمن

يعد تتبع مسار الاضطرابات النفسية وتطور الأعراض السلوكية تحت وطأة التدخلات العلاجية من أبرز التطبيقات الإكلينيكية لاختبار فريدمان. عند دراسة كفاءة بروتوكول علاجي مثل العلاج المعرفي السلوكي (CBT) لاضطراب الاكتئاب الجسيم أو اضطراب الهلع، يقوم الباحثون بقياس حدة الأعراض لدى المرضى في نقاط زمنية متتابعة: خط الأساس قبل العلاج (Pre-treatment)، ومنتصف البرنامج العلاجي (Mid-treatment)، وعقب الانتهاء من التدخل مباشرة (Post-treatment)، وخلال فترة المتابعة اللاحقة (Follow-up).

كذلك في بحوث علم الأدوية النفسية (Psychopharmacology)، يُستخدم الاختبار لقياس زمن الرجع العصبي النفسي (Psychomotor Reaction Time) والقدرات التنفيذية للمفحوصين تحت تأثير جرعات دوائية متصاعدة أو أدوية نفسية مختلفة في جلسات متتابعة. يسمح اختبار فريدمان بتقييم الديناميكية الزمنية للتغير السلوكي والمعرفي بدقة متناهية دون الوقوع في أخطاء التقدير التي تنتج عن عدم اعتدالية استجابات المرضى في الاختبارات النفسية العصبية المعقدة.

2.2 التعامل مع المقاييس النفسية الرتبية (Ordinal Scales)

تهيمن المقاييس الرتبية، وفي مقدمتها سلالم ليكرت الخماسية والسباعية، واستبيانات التقييم الذاتي، وبطاقات الملاحظة السلوكية المقننة، على أدوات القياس في العلوم الاجتماعية والسلوكية. على الرغم من شيوع الممارسة الخاطئة بمعاملة هذه المقاييس كبيانات فئوية مستمرة (Interval Data)، فإن المسافات الفاصلة بين رتب الاستجابة (مثل: “أوافق بشدة”، “أوافق”، “محايد”) ليست متساوية رياضياً ولا تخضع لخصائص الأعداد الحقيقية.

يوفر اختبار فريدمان الحل المنهجي الصارم لتحليل هذه الاستجابات عبر التعامل معها كبيانات رتبية نقية دون فرض افتراضات غير واقعية حول خطية المقاييس. يتيح ذلك للباحثين تقييم تفضيلات المستهلكين، واستجابات الأفراد للمثيرات الإدراكية المتعددة، وتطور المهارات التكيفية لدى الأطفال ذوي الاحتياجات الخاصة عبر جلسات التأهيل دون تشويه البنية القياسية للأدوات المستخدمة.

2.3 ملاءمة الاختبار للعينات الإكلينيكية صغيرة الحجم

تواجه الأبحاث العصبية والإكلينيكية المتقدمة—مثل دراسات التصوير بالرنين المغناطيسي الوظيفي (fMRI)، ودراسات تلف الدماغ الموضعي، وحالات المتلازمات النادرة—صعوبات بالغة في تجنيد عينات ضخمة، حيث تقتصر أحجام العينات في كثير من الأحيان على 5 إلى 15 مريضاً فقط. في ظل هذه الأحجام المحدودة، تفقد الاختبارات المعلمية كفاءتها وقوتها الإحصائية وتصبح غير قادرة على التحقق من شرط التوزيع الطبيعي، فضلاً عن حساسيتها الشديدة للقيم المتطرفة (Outliers).

يتميز اختبار فريدمان بالمتانة الإحصائية (Statistical Robustness) العالية في التعامل مع العينات الصغيرة، حيث يقلل تحويل البيانات إلى رتب من التأثير الجارف لأي قيمة متطرفة قد تسجلها حالة شاذة في العينة. يحافظ هذا الاختبار على معدل الخطأ الاسمي من النوع الأول، ويوفر قدرة استدلالية ممتازة للكشف عن التأثيرات الحقيقية في التجارب الاستكشافية والمخبرية الصارمة.

3. الافتراضات والشروط المنهجية لتطبيق الاختبار

3.1 طبيعة المتغيرات ومستوى القياس

يتطلب التطبيق الصحيح لاختبار فريدمان استيفاء بنية محددة للمتغيرات قيد الدراسة. يشترط الاختبار وجود متغير مستقل تصنيفي (Categorical Factor) يمثل شروط المعالجة أو الفترات الزمنية للقياس المتكرر، ويجب أن يشتمل هذا المتغير على ثلاث مجموعات مترابطة أو قياسات زمنية على الأقل ($k ge 3$). أما إذا كان المتغير المستقل يتضمن مستويين فقط، فإن الاختبار البديل الأنسب هو اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank Test).

في المقابل، يجب أن يكون المتغير التابع مقاساً على مستوى ترتيبي (Ordinal Scale) على الأقل، أو على مستوى فئوي نسبي (Interval/Ratio Scale) مستمر فشل في تحقيق شروط التوزيع الطبيعي. من الشروط الأساسية أيضاً أن تكون وحدة القياس وطبيعة المتغير التابع متماثلة تماماً عبر جميع القياسات المتكررة؛ فلا يجوز مثلاً مقارنة قياس للاكتئاب مقاساً بمقياس “بيك” في خط الأساس مع مقياس “هاميلتون” في مرحلة المتابعة، بل يجب توحيد أداة القياس بصورة كاملة.

3.2 استقلالية الملاحظات بين الحالات الفردية

على الرغم من أن اختبار فريدمان مصمم خصيصاً للبيانات المترابطة “داخل الأفراد” (Within-Subjects Dependency)، فإنه يفرض شرطاً صارماً يتعلق باستقلالية الملاحظات “بين الأفراد” (Between-Subjects Independence). يعني هذا الشرط أن استجابة أي مفحوص في التجربة يجب ألا تتأثر بأي شكل من الأشكال باستجابة مفحوص آخر داخل العينة الكلية.

ينبغي على الباحثين ضمان التطبيق الفردي المنعزل للمثيرات والشروط التجريبية، وتجنب التفاعلات الجماعية أثناء جمع البيانات التي قد تخلق ارتباطاً عنقودياً (Clustering) بين المشاركين. كما يجب أن يتم اختيار العينة الممثلة عبر آليات أخذ العينات العشوائية البسيطة أو الطبقية لضمان تمثيل المجتمع والحد من التحيزات المنهجية التي تعيب الصدق الداخلي والخارجي للدراسة.

3.3 انتهاك التوزيع الطبيعي وتجانس التباين

يُعد اللجوء إلى اختبار فريدمان مبرراً بصورة قاطعة عندما تظهر البيانات التواءً (Skewness) حاداً أو تفرطحاً (Kurtosis) لا يتوافق مع منحنى التوزيع الغوسي الطبيعي، وهو ما يمكن التحقق منه باستخدام اختبارات مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) أو الفحص البصري للمخططات البيانية (Q-Q Plots).

تتمثل إحدى أهم المزايا المنهجية لاختبار فريدمان في عدم حساسيته لشرط كروية التباين (Sphericity) الذي يعد المأزق الأكبر في تحليل التباين للقياسات المتكررة. ومع ذلك، يجب على الباحث مراعاة مسألة الرتب المكررة أو المتطابقة (Ties)؛ فعندما يحصل المفحوص على نفس القيمة في شرطين تجريبيين مختلفين، يتم تعيين متوسط الرتبتين لتلك المشاهدات، مما يفرض استخدام صيغة تصحيحية لإحصائية كاي تربيع لتفادي التقليل غير المبرر من قيمة الدلالة الإحصائية.

4. المقارنة المنهجية بين فريدمان وتحليل التباين للقياسات المتكررة

4.1 الفروق الجوهرية في القوة الإحصائية والحساسية

تشير المقارنات المنهجية بين اختبار فريدمان وتحليل التباين للقياسات المتكررة المعلمي (One-Way Repeated Measures ANOVA) إلى وجود مقايضة منهجية بين القوة الإحصائية والمرونة التوزيعية. في ظل استيفاء شروط التوزيع الطبيعي التام والكروية، يمتلك تحليل التباين المعلمي كفاءة مقدرة بنحو 100%، بينما تبلغ الكفاءة النسبية المقاربة (Asymptotic Relative Efficiency – ARE) لاختبار فريدمان حوالي $3k / (pi(k + 1))$، وهي ما يعادل نحو 64% إلى 86% بحسب عدد الشروط$k$.

غير أن هذه الأفضلية المعلمية تنهار كلياً بمجرد حدوث انتهاكات طفيفة أو متوسطة في اعتدالية التوزيع أو وجود قيم شاذة؛ حيث تنخفض قوة ANOVA المعلمي بصورة دراماتيكية، بينما يحافظ اختبار فريدمان على قوته وحساسيته في التقاط الفروق الحقيقية. بالإضافة إلى ذلك، يوفر اختبار فريدمان حماية فائقة ضد تضخم معدل الخطأ من النوع الأول ($\alpha$ Inflation)، وهو الخطر الأكبر الذي يهدد استنتاجات البحوث التي تطبق النماذج المعلمية على بيانات غير معتدلة.

4.2 مقارنة كروية التباين (Mauchly’s Test of Sphericity)

تتطلب النماذج المعلمية للقياسات المتكررة استيفاء شرط الكروية الصارم، والذي ينص على أن التباينات بين الفروق لجميع الأزواج الممكنة من الشروط التجريبية يجب أن تكون متساوية ومتجانسة في مصفوفة التباين والتباين المشترك (Variance-Covariance Matrix). يتم التحقق من هذا الشرط عادة عبر اختبار موتشلي للكروية (Mauchly’s Test of Sphericity).

عندما ينتهك هذا الافتراض ($p < 0.05$)، يضطر الباحثون إلى تطبيق تعديلات معقدة على درجات الحرية، مثل تعديل غرينهاوس-غايسر (Greenhouse-Geisser) أو هونه-فيلت (Huynh-Feldt)، والتي قد تكون مفرطة في التحفظ وتقلل من قوة الاختبار بشكل كبير. في المقابل، يتحرر اختبار فريدمان تحرراً مطلقاً من قيود مصفوفة التباين والكروية، حيث يعتمد على الترتيب الداخلي للرتب لكل مفحوص بشكل مستقل، مما يجعله البديل المثالي والأكثر أماناً وموثوقية عند فشل افتراض الكروية.

4.3 معايير الاختيار المنهجي بين البدائل الإحصائية

يعتمد الاختيار الرصين بين الأساليب الإحصائية المتاحة للتصاميم التكرارية على خوارزمية منهجية واضحة المعالم. إذا كانت البيانات مستمرة وتتبع التوزيع الطبيعي واستوفت شرط الكروية، فإن تحليل التباين للقياسات المتكررة يظل الخيار الأول. أما إذا كانت البيانات رتبية، أو مستمرة منتهكة للاعتدالية بشكل لا يمكن تصحيحه بالتحويلات الرياضية، أو ذات عينات صغيرة جداً، فإن اختبار فريدمان يمثل الخيار الواجب تطبيقه علمياً.

مع ذلك، يجب إدراك الحدود البنائية لاختبار فريدمان؛ فالأخير يقتصر على التصاميم أحادية العامل المتكرر دون وجود متغيرات تجميعية بين المفحوصين (Between-Subjects Factors)، ولا يمكنه نمذجة التفاعلات المتعددة (Interactions). في الحالات الأكثر تعقيداً التي تشتمل على تصاميم مختلطة (Split-Plot) أو بيانات مفقودة طولية غير متوازنة، يُفضل الانتقال إلى النماذج الخطية المختلطة (Linear Mixed Models – LMMs) أو النماذج المعممة لتقدير المعادلات (GEE).

5. التهيئة التقنية لبيئة العمل في برنامج ستاتا (Stata)

5.1 تجهيز واجهة سطر الأوامر وسجل العمليات (Log Files)

يمثل التوثيق والشفافية البرمجية حجر الزاوية في ممارسات البحث العلمي القابل للتكرار (Reproducible Research). قبل البدء في استيراد البيانات وإجراء اختبار فريدمان داخل ستاتا، يتعين على الباحث تهيئة بيئة العمل التفاعلية عبر نافذة الأوامر وتحديد المجلد الجغرافي للمشروع عبر الأمر cd (Change Directory)، بما يضمن حفظ كافة الملفات الناتجة في موضعها الصحيح دون حدوث تضارب في مسارات النظام.

علاوة على ذلك، يجب إنشاء وتفعيل ملف سجل شامل للعمليات باستخدام أمر log using، والذي يقوم بأرشفة وحفظ كافة الأوامر المنفذة والنتائج الإحصائية والمخرجات التحليلية بصيغة نصية كاملة. يُوصى دائماً بكتابة الأوامر وتنسيقها داخل محرر ملفات التنفيذ (Do-File Editor) وتشغيلها ككتلة متكاملة لضمان أتمتة التحليل وتسهيل مراجعته وتدقيقه المستقبلي من قبل الأقران، وفق الأوامر القياسية التالية:

clear all
macro drop _all
cd "C:Stata_Friedman_Project"
log using "Friedman_Analysis_Log.smcl", replace

5.2 تثبيت الحزم البرمجية الإضافية (emh Package)

على الرغم من التطور الهائل في مكتبات ستاتا الأساسية، فإن إجراء اختبار فريدمان بالصيغة المباشرة للبيانات الطولية غالباً ما يتطلب الاستعانة بحزم خارجية موثوقة ومطورة بواسطة مجتمع الإحصائيين عبر مستودع SSC (Statistical Software Components). من أبرز هذه الحزم حزمة emh المتخصصة في اختبارات كوكران-مانتل-هانزل الموسعة (Extended Cochran-Mantel-Haenszel) التي ينبثق منها اختبار فريدمان كحالة خاصة لتحليل الرتب المتطابقة.

لتثبيت الحزمة وضمان توفر كافة ملفات الربط والوثائق المساعدة، يقوم الباحث بتنفيذ الأمر المباشر التالي في سطر الأوامر:

ssc install emh, replace

عقب انتهاء التثبيت التلقائي بنجاح، يُفضل استعراض ملف المساعدة المدمج الخاص بالحزمة عبر الأمر help emh، للتعرف على الخيارات المتقدمة، وبناء الجملة الإحصائية (Syntax)، والصيغ الرياضية المعتمدة لتقدير الإحصائية الاحتمالية.

5.3 التحقق من تحديثات البرنامج ومكتبات الدوال المساعدة

لضمان الاستقرار البرمجي وتفادي أي أخطاء زمن التشغيل (Runtime Errors) أثناء معالجة الجداول الحسابية، يجب التأكد من تحديث نواة برنامج ستاتا (Stata Executable) وكافة مكتبات الدوال الرياضية والمكونات الإضافية عبر تشغيل أمر التحديث الرسمي:

update all

يقوم هذا الأمر بفحص التوافق بين إصدار ستاتا المستخدم (سواء كان Stata/MP أو SE أو Basic) وأحدث رقع الأمان والتحديثات المنهجية. في حال وجود قيود على الشبكة أو جدران حماية تمنع الاتصال المباشر بخوادم StataCorp، يجب ضبط إعدادات الملقم الوسيط (Proxy) عبر أمر set httpproxy لضمان استقرار الاتصال وتحميل الحزم التحليلية بكفاءة تامة دون انقطاع.

6. هيكلة البيانات وإعدادها لاختبار فريدمان في ستاتا

6.1 استيراد واستعراض مجموعة البيانات التطبيقية (t43)

لتوضيح الإجراءات التطبيقية لاختبار فريدمان بشكل عملي ودقيق، سنعتمد على مجموعة البيانات الكلاسيكية الشهيرة t43.dta التي توفرها شركة StataCorp كنموذج تدريبي لقياس زمن الرجع والتأثير العصبي لأربعة أدوية نفسية مختلفة تم إعطاؤها لعينة من 5 مرضى خضعوا لجميع المعالجات التجريبية. يمكن استدعاء هذه البيانات مباشرة عبر الإنترنت باستخدام الأمر التالي:

use http://www.stata-press.com/data/r14/t43, clear

عقب تحميل البيانات، تبدأ مرحلة الاستكشاف الأولي لفحص البنية الهيكلية للمتغيرات عبر الأوامر الاستكشافية الأساسية:

describe
summarize
list, sepby(person)

تُظهر هذه الأوامر توزيع المتغيرات في مجموعة البيانات؛ حيث يمثل المتغير person معرف المفحوص (من 1 إلى 5)، ويمثل المتغير drug نوع الدواء المعطى (من 1 إلى 4)، بينما يمثل المتغير response زمن الرجع المقاس كاستجابة سلوكية عصبية للمريض تحت تأثير كل دواء.

6.2 فهم التنسيق العريض (Wide) مقابل التنسيق الطويل (Long)

تتطلب الحزم الإحصائية المختلفة في ستاتا تنسيقات محددة لشكل البيانات لتنفيذ اختبار فريدمان. في التنسيق العريض (Wide Format)، يمثل كل صف في ملف البيانات مفحوصاً واحداً مستقلاً، بينما تتوزع القياسات المتكررة أو الشروط التجريبية كأعمدة متعددة (مثل: drug1, drug2, drug3, drug4). هذا التنسيق هو المفضل لبعض الحزم المباشرة مثل حزمة friedman.

في المقابل، يعتمد التنسيق الطويل (Long Format) على توزيع كل قياس متكرر في صف مستقل بذاته، بحيث يحتوي الملف على عمود لمعرف الفرد (person)، وعمود لشرط المعالجة (drug)، وعمود للقيمة المقاسة للمتغير التابع (response). يتميز التنسيق الطويل بمرونته الهائلة وهو التنسيق القياسي المعتمد لتشغيل حزمة emh. يتيح برنامج ستاتا التحويل السلس بين هذين التنسيقين باستخدام أمر reshape الحيوي، كما يلي:

* للتحويل من التنسيق الطويل إلى التنسيق العريض:
reshape wide response, i(person) j(drug)
* للتحويل العكسي من التنسيق العريض إلى التنسيق الطويل:
reshape long response, i(person) j(drug)

6.3 معالجة البيانات المفقودة والقيم الشاذة في التصميم التكراري

يفترض اختبار فريدمان تصميماً متوازناً بالكامل (Balanced Complete Block Design)، مما يعني أن كل مفحوص يجب أن يمتلك قيماً صالحة للمتغير التابع عبر كافة الشروط التجريبية دون استثناء. إذا احتوت بيانات مفحوص ما على قيمة مفقودة في أحد الشروط، فإن الاحتفاظ به سيؤدي إلى خلل رياضي في توزيع الرتب، مما يدفع خوارزميات الاختبار إلى استبعاد المفحوص بأكمله من التحليل (Listwise Deletion).

يمكن فحص وجود القيم المفقودة واستبعاد الحالات غير المكتملة عبر الأوامر التالية:

list if missing(response)
drop if missing(response)

أما فيما يخص القيم المتطرفة والشاذة، فإن الميزة الجوهرية لاختبار فريدمان تكمن في عدم الحاجة إلى استبعادها قسرياً كما يحدث في تحليل التباين المعلمي؛ حيث إن تحويل المشاهدات إلى رتب يحد من قوة الشذوذ الإحصائي ويجعل القيمة المتطرفة مجرد رتبة عليا (مثلاً الرتبة 4) دون أن تؤثر قيمتها الخام المرتفعة على متوسطات الرتب الإجمالية للعينة.

7. الدليل الإجرائي لتنفيذ اختبار فريدمان في ستاتا

7.1 تنفيذ الاختبار باستخدام حزمة emh الرسمية

تعتمد الطريقة الأكثر دقة ومعيارية لتشغيل اختبار فريدمان على البيانات المهيكلة بالتنسيق الطويل في ستاتا على توظيف أمر emh المتقدم. يستند هذا الأمر إلى صياغة تحليل الترابط اللابارامتري المشروط بالكتل (Stratified Nonparametric Association). تُكتب صيغة الأمر الإحصائي المباشر على النحو التالي:

emh response drug, strata(person) anova trans(rank)

في هذا الأمر، نحدد أولاً المتغير التابع الترتيبي أو الرقمي (response)، يليه المتغير المستقل الذي يمثل المعالجات المتكررة (drug). يُستخدم الخيار strata(person) لإبلاغ البرنامج بأن المتغير person يمثل الكتل أو الأفراد المستقلين الذين تتكرر لديهم القياسات. ويحدد الخيار trans(rank) تحويل القيم إلى رتب نسبية داخل كل طبقة ومفحوص، بينما يطلب الخيار anova حساب إحصائية التباين المشترك للرتب التي تتطابق حسابياً ورياضياً بنسبة 100% مع إحصائية فريدمان الأصلية $Q$.

7.2 البدائل البرمجية المتاحة لتنفيذ الاختبار (friedman و nonpar)

إلى جانب حزمة emh، يوفر مستودع ستاتا حزمة كلاسيكية مخصصة بالكامل لاختبار فريدمان تُعرف بحزمة friedman التي طورها الإحصائي جيري ميلر (J. M. Miller). تتطلب هذه الحزمة أن تكون البيانات مهيكلة بالتنسيق العريض (Wide Format). يمكن تثبيت هذه الحزمة وتشغيلها عبر الخطوات التالية:

net search friedman
* أو التثبيت المباشر إن توفر الرابط:
ssc install friedman
* تنفيذ الاختبار على المتغيرات بالتنسيق العريض:
friedman response1 response2 response3 response4

تتميز حزمة friedman بأنها تعرض في مخرجاتها متوسط الرتب الحسابية لكل شرط تجريبي بوضوح تام، إلى جانب إحصائية كاي تربيع والدلالة الاحتمالية المقابلة. كما توجد حزم أخرى مثل nonpar التي تضم مجموعة من الاختبارات اللابارامترية، إلا أن حزمة emh تظل الأكثر شمولاً ورصانة لاعتمادها على الخوارزميات الموسعة لتحليل الجداول الترابطية.

7.3 أتمتة التحليل عبر ملفات Stata Do-File

لضمان أعلى معايير الشفافية والدقة، يُنصح بتجميع خطوات استيراد البيانات، والتحويل، وتنفيذ الاختبار، واستخراج الرتب في ملف برمجي تنفيذي موحد (Do-File). يوضح الكود الشامل التالي آلية الأتمتة الكاملة:

* ====================================================
* كود تشغيل اختبار فريدمان المتكامل في ستاتا
* ====================================================
clear all
set more off
use http://www.stata-press.com/data/r14/t43, clear
* التأكد من فرز البيانات
sort person drug
* تنفيذ اختبار فريدمان عبر أمر emh
emh response drug, strata(person) anova trans(rank)
* تحويل البيانات لحساب متوسطات الرتب وحجم الأثر
egen rank_resp = rank(response), by(person)
tabstat rank_resp, by(drug) stat(mean sd median p25 p75)
* ====================================================

يتيح هذا السكربت البرمجي إعادة توليد كافة الحسابات بنقرة واحدة، مما يمنع الأخطاء البشرية الناتجة عن استخدام الواجهات الرسومية، ويسهل مشاركة الكود التحليلي مع المجلات العلمية وجهات المراجعة الأكاديمية.

8. قراءة وتفسير المخرجات الإحصائية في ستاتا

8.1 تفسير إحصائية الاختبار ودرجات الحرية (Chi-Square & df)

عند تنفيذ أمر emh أو حزمة friedman في ستاتا، تظهر نافذة النتائج جدولاً إحصائياً يتضمن مجموعة من المؤشرات الجوهرية. يركز الباحث مباشرة على السطر المخصص لإحصائية تحليل التباين للرتب (ANOVA Statistic) أو إحصائية كاي تربيع المحسوبة لفريدمان ($\chi^2$).

تحدد المخرجات درجات الحرية ($df$) المرتبطة بالاختبار، والتي تُحسب دائماً وفق المعادلة البسيطة $(k – 1)$؛ حيث يمثل $k$ عدد الشروط المعالجة. في نموذجنا التطبيقي للبيانات t43 مع وجود 4 أدوية، تكون درجات الحرية $df = 4 – 1 = 3$. تعكس قيمة كاي تربيع الناتجة (والتي تسجل قيمة مرتفعة تقارب $9.96$ إلى $11.16$ حسب تصحيح الرتب المتطابقة) مقدار التباعد المنهجي لمجموع رتب الشروط عن التوزيع العشوائي المتساوي المتوقع تحت الفرضية الصفرية.

8.2 تقييم القيمة الاحتمالية ومستوى الدلالة (p-value)

تمثل القيمة الاحتمالية ($p$-value المقابلة للرمز Prob > chi2) المعيار الاستدلالي الحاسم لاتخاذ القرار الإحصائي. إذا كانت هذه القيمة أصغر من مستوى الدلالة الاسمي المحدد سلفاً ($\alpha = 0.05$)، يرفض الباحث الفرضية الصفرية القائلة بعدم وجود فروق بين المعالجات، ويستنتج وجود فروق دالة إحصائياً بين الشروط التجريبية عبر الزمن أو عبر أنواع الأدوية.

في تطبيقنا على بيانات t43، تظهر القيمة الاحتمالية بقيمة تقارب $p = 0.011$ أو أقل، وهي قيمة ذات دلالة إحصائية واضحة عند مستوى $\alpha = 0.05$ و $\alpha = 0.01$. يبرهن هذا الرفض الإحصائي على أن زمن رجع المرضى ليس متطابقاً تحت تأثير الأدوية الأربعة، بل إن هناك تبايناً حقيقياً في الكفاءة الدوائية لا يمكن عزوه لعوامل الصدفة أو الخطأ العشوائي في العينة المحدودة.

8.3 فحص متوسطات الرتب للشروط التجريبية المختلفة

بما أن اختبار فريدمان يعطي حكماً كلياً (Omnibus Test) حول وجود الفروق دون تبيان اتجاهها، فإن الخطوة التفسيرية التالية تقتضي فحص جدول متوسطات الرتب (Mean Ranks) لكل دواء أو شرط تجريبي. يُظهر تلخيص الرتب الناتجة عبر أمر tabstat تفاوتاً ملحوظاً في زمن الرجع؛ حيث يسجل الدواء الرابع (Drug 4) متوسط رتب هو الأعلى (مما يشير إلى أطول زمن استجابة وبطء في رد الفعل العصبي)، بينما يسجل الدواء الأول (Drug 1) أو الثاني أدنى متوسط للرتب (مما يعكس سرعة فائقة في زمن الرجع).

يمكّن هذا الفحص الترتيبي الباحث من صياغة فرضيات دقيقة للمقارنات البعدية، وتحديد الاتجاه العام لتأثير المتغير المستقل على الأداء السلوكي أو النفسي للمفحوصين بدقة متناهية تمهد للتحليلات التفصيلية المعمقة.

9. الاختبارات البعدية والمقارنات الزوجية المتعددة في ستاتا

9.1 تطبيق اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank)

عقب رفض الفرضية الصفرية للاختبار الرئيسي، ينتقل الباحث لإجراء المقارنات البعدية الزوجية (Post-Hoc Pairwise Comparisons) لتحديد أي الأزواج التجريبية تحديداً تنطوي على فروق دالة إحصائياً. الاختبار اللابارامتري المعياري لإجراء المقارنات المزدوجة بين قياسين مرتبطين هو اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank Test).

يتم تنفيذ هذا الاختبار في ستاتا باستخدام أمر signrank على البيانات المهيكلة بالتنسيق العريض (Wide Format). إذا كان لدينا 4 أدوية، فإن عدد المقارنات الثنائية المحتملة هو $C = \frac{k(k-1)}{2} = \frac{4(3)}{2} = 6$ مقارنات زوجية، وتُنفذ برمجياً كما يلي:

* مقارنة الدواء 1 مع الدواء 2:
signrank response1 = response2
* مقارنة الدواء 1 مع الدواء 3:
signrank response1 = response3
* مقارنة الدواء 1 مع الدواء 4:
signrank response1 = response4
* مقارنة الدواء 2 مع الدواء 3:
signrank response2 = response3
* مقارنة الدواء 2 مع الدواء 4:
signrank response2 = response4
* مقارنة الدواء 3 مع الدواء 4:
signrank response3 = response4

9.2 طرق ضبط الخطأ التراكمي وتصحيح بونفيروني (Bonferroni Correction)

يؤدي إجراء مقارنات متعددة إلى الارتفاع الحتمي لمعدل الخطأ التراكمي الشامل للأسرة (Family-wise Error Rate – FWER)، حيث تتزايد احتمالية ارتكاب خطأ من النوع الأول ورفض فرضية صفرية صحيحة بالصدفة وفق المعادلة $FWER = 1 – (1 – \alpha)^c$. لحماية موثوقية الاستنتاجات، يجب تطبيق تقنيات ضبط مستوى ألفا الاسمي.

تتمثل أسهل هذه الطرق في تعديل بونفيروني التقليدي (Bonferroni Correction)، حيث يتم تقسيم مستوى الدلالة الأصلي $\alpha$ على إجمالي عدد المقارنات المنجزة:

$$\alpha_{adjusted} = \frac{\alpha}{c} = \frac{0.05}{6} \approx 0.0083$$

لا تُعتبر أي مقارنة زوجية دالة إحصائياً إلا إذا كانت قيمتها الاحتمالية المستخرجة من أمر signrank أقل من $0.0083$. كما يمكن للباحث تطبيق تصحيح هولم-بونفيروني التتابعي (Holm-Bonferroni Method) الأكثر قوة وحساسية، والذي يقوم بترتيب القيم الاحتمالية تصاعدياً وتعديل العتبة الحرجة تدريجياً لتقليل التحفظ الإحصائي دون الإخلال بضبط الخطأ الإجمالي.

9.3 اختبار نيميني للمقارنات المتعددة اللابارامترية (Nemenyi Post-Hoc Test)

يعد اختبار نيميني (Nemenyi Test) البديل اللابارامتري المباشر الموازي لاختبار توكي (Tukey HSD) المعلمي. يتميز هذا الاختبار بتصميمه خصيصاً ليُطبق بعد اختبار فريدمان مباشرة؛ حيث يعتمد على حساب الفارق الحرج (Critical Difference – CD) بين متوسطات الرتب لجميع الشروط التجريبية وفق الصيغة التالية:

$$CD = q_{\alpha} \sqrt{\frac{k(k + 1)}{6N}}$$

حيث تمثل $q_{\alpha}$ القيمة الحرجة المستخرجة من جداول مدى ستيودنت اللابارامترية (Studentized Range Statistic) المقسمة على $\sqrt{2}$. إذا تجاوز الفارق المطلق بين متوسط رتبتي أي شرطين تجريبيين قيمة الفارق الحرج $CD$، يُعتبر الفرق بينهما ذا دلالة إحصائية مع حماية تلقائية ومثالية ضد تضخم الخطأ التراكمي دون الحاجة لتطبيق اختبارات ويلكوكسون المنفصلة وتصحيحاتها المعقدة.

10. حساب حجم الأثر والقوة الاختبارية للقياسات اللابارامترية

10.1 حساب معامل كيندال للاتفاق والتوافق (Kendall’s W)

لا يكتمل التحليل الإحصائي الرصين بمجرد استخراج الدلالة الاحتمالية؛ إذ تفرض الممارسات المنهجية الحديثة تقييم الأهمية العملية والتطبيقية من خلال حجم الأثر (Effect Size). يُعد معامل كيندال للتوافق ($W$) المقياس القياسي المعتمد لحجم الأثر المرتبط باختبار فريدمان، ويعبر عن مدى الاتفاق والانسجام في ترتيب الشروط التجريبية عبر جميع المفحوصين.

يُحسب معامل كيندال $W$ مباشرة من قيمة إحصائية فريدمان $\chi^2$ عبر المعادلة الرياضية التالية:

$$W = \frac{\chi^2}{N(k – 1)}$$

تتراوح قيمة $W$ بين 0 (انعدام تام للاتفاق وتطابق التوزيعات العشوائية) و 1 (اتفاق وإجماع كامل في ترتيب الشروط عبر كافة المفحوصين). يتم تفسير حجم الأثر بالاعتماد على معايير كوهين الإرشادية الموسعة: $W < 0.1$ أثر مهمل، $0.1 le W < 0.3$ أثر صغير، $0.3 le W < 0.5$ أثر متوسط، و $W ge 0.5$ يشير إلى أثر كبير وقوي للغاية يوضح وجود تباين جوهري بين المعالجات.

10.2 حساب حجم الأثر r للاختبارات البعدية الثنائية

عند إجراء الاختبارات البعدية باستخدام اختبار ويلكوكسون للإشارات والرتب، يجب حساب حجم الأثر الخاص بكل مقارنة ثنائية، ويُرمز له بالرمز $r$. يُشتق هذا المعامل من القيمة المعيارية$z$ المستخرجة من أمر signrank في ستاتا مقسومة على الجذر التربيعي لإجمالي عدد الملاحظات في المقارنة:

$$r = \frac{|z|}{\sqrt{2N}}$$

يمثل معامل $r$ مقياساً لقوة الارتباط الثنائي الفارق بين الشرطين التجريبيين، ويُفسر وفق معايير كوهين الكلاسيكية: 0.1 لأثر صغير، 0.3 لأثر متوسط، و 0.5 فأكثر لأثر كبير. يعد توثيق هذه القيم بالغ الأهمية لدعم الدراسات المستقبلية وتسهيل إدراج نتائج البحث ضمن دراسات التحليل التلوي والتجميعي (Meta-Analysis).

10.3 تقييم القوة الإحصائية اللاحقة (Post-Hoc Statistical Power)

تُعبر القوة الإحصائية ($1 – beta$) عن قدرة الاختبار على رفض الفرضية الصفرية عندما تكون خاطئة بالفعل في المجتمع الإحصائي؛ أي قدرة النموذج على كشف الفروق الحقيقية القائمة وتفادي الخطأ من النوع الثاني. تتأثر قوة اختبار فريدمان بصورة مباشرة بحجم العينة ($N$)، وعدد القياسات المتكررة ($k$)، وحجم الأثر الفعلي ($W$).

على الرغم من أن برنامج ستاتا يوفر حزمة power المخصصة لحساب القوة الإحصائية للنماذج المعلمية، فإنه يمكن إجراء محاكاة مونت كارلو (Monte Carlo Simulation) أو استخدام تقريبات الكفاءة النسبية المقاربة (ARE) لتقدير حساسية وقوة الاختبار اللابارامتري المنجز. يساعد هذا التقييم الباحثين في تبرير نتائجهم وتحديد ما إذا كان عدم الوصول إلى الدلالة في بعض المقارنات يعود لغياب الأثر الحقيقي أم إلى تدني حجم العينة الإكلينيكية.

11. التوثيق الأكاديمي للنتائج وفق معايير جمعية علم النفس الأمريكية (APA 7th)

11.1 صياغة نص النتائج بلغة علمية دقيقة

تفرض المعايير الصارمة للإصدار السابع من دليل جمعية علم النفس الأمريكية (APA 7th Edition) توثيقاً دقيقاً لكافة المؤشرات الإحصائية اللابارامترية بخط مائل للرموز الرياضية، مع ذكر درجات الحرية، وحجم العينة، وقيمة الإحصائية، والقيمة الاحتمالية بدقة، ومقدار حجم الأثر. يُصاغ التقرير النصي المعياري للاختبار الرئيسي على النحو التالي:

“أُجري اختبار فريدمان للقياسات المتكررة لتقييم الفروق في زمن الرجع العصبي النفسي لدى المرضى عبر أربعة شروط دوائية متتابعة ($N = 5$). أظهرت النتائج وجود فروق ذات دلالة إحصائية واضحة في زمن الرجع بين الأدوية الأربعة، $\chi^2(3) = 11.16$، $p = .011$، مع حجم أثر كبير لمعامل كيندال للتوافق ($W = 0.74$)، مما يشير إلى وجود تباين جوهري في تأثير الأدوية المدروسة على استجابة المرضى.”

ويتبع ذلك توثيق المقارنات البعدية مع توضيح صريح لمستوى ألفا المصحح: “بينت المقارنات البعدية باستخدام اختبار ويلكوكسون للإشارات والرتب مع تطبيق تصحيح بونفيروني ($\alpha_{adjusted} = .0083$) أن الدواء 4 أدى إلى تباطؤ دال إحصائياً في زمن الرجع مقارنة بالدواء 1 ($z = 2.02$, $p = .043$، غير دال بعد التصحيح الصارم)، مما يتطلب الحذر في تعميم الفروق الثنائية الفردية في ظل صغر حجم العينة.”

11.2 تصميم الجداول والمخططات البيانية التوضيحية

يتطلب العرض الأكاديمي الرصين للبيانات اللابارامترية تضمين جداول تلخيصية تبرز الإحصاءات الوصفية المناسبة؛ حيث يجب تجنب الاعتماد الحصري على المتوسطات الحسابية والانحرافات المعيارية المضللة في ظل غياب التوزيع الطبيعي، واستبدالها بالوسيط (Median)، والمدى الربيعي (Interquartile Range – IQR)، ومتوسط الرتب (Mean Rank).

بالإضافة إلى الجداول، يمثل المخطط البياني للصندوق والشوارب (Boxplot) الأداة المرئية المثالية لعرض توزيع الاستجابات عبر الشروط المختلفة. يمكن توليد هذا المخطط بتنسيق احترافي عالي الدقة داخل ستاتا عبر الأمر التالي:

graph box response, over(drug) ytitle("زمن الرجع بالمللي ثانية") title("توزيع زمن الرجع العصبي عبر الشروط الدوائية الأربعة") scheme(s2color)

يوفر هذا المخطط نظرة فاحصة وشاملة للوسائط، والالتواء، والتشتت، والقيم الشاذة المحتملة لكل شرط تجريبي، مما يثري جودة التقرير البحثي ويسهل استيعابه من قبل القراء والباحثين.

11.3 نموذج تطبيقي عملي لتقرير نتائج دراسة نفسية

يوضح النموذج التالي كيفية كتابة قسم النتائج والمناقشة التطبيقية الكاملة لدراسة نفسية عصبية مستندة إلى بيانات ستاتا السابقة:

جدول 1: الإحصاءات الوصفية ومتوسط الرتب لزمن الرجع عبر الشروط الدوائية (N = 5)

• الدواء 1 (Drug 1): الوسيط = 24.00، المدى الربيعي (IQR) = 6.00، متوسط الرتبة = 1.40
• الدواء 2 (Drug 2): الوسيط = 26.00، المدى الربيعي (IQR) = 5.00، متوسط الرتبة = 2.00
• الدواء 3 (Drug 3): الوسيط = 28.00، المدى الربيعي (IQR) = 7.00، متوسط الرتبة = 3.00
• الدواء 4 (Drug 4): الوسيط = 32.00، المدى الربيعي (IQR) = 8.00، متوسط الرتبة = 3.60

تكشف القراءة المتكاملة للجدول والنتائج الاستدلالية عن نمط تصاعدي واضح في زمن الرجع؛ حيث ارتبط الدواء 1 بأعلى كفاءة وسرعة استجابة، بينما أدى الانتقال نحو الدواء 4 إلى تدهور مطرد في سرعة المعالجة الحسية الحركية. تُناقش هذه النتائج في ضوء التأثيرات المهدئة للمركبات الكيميائية الفعالة، مع التأكيد على ضرورة إعادة تطبيق الدراسة على عينات أوسع لتأكيد الفروق البعدية المحددة بدقة أعلى.

12. استكشاف الأخطاء البرمجية وحل المشكلات الشائعة في ستاتا

12.1 معالجة أخطاء بناء الجملة البرمجية ورسائل الفشل (Syntax Errors)

يواجه مستخدمو برنامج ستاتا أحياناً رسائل خطأ برمجية شهيرة عند تنفيذ اختبار فريدمان. من أكثر هذه الأخطاء شيوعاً رسالة command not found، والتي تشير بوضوح إلى عدم تثبيت الحزمة الإضافية المطلوبة (مثل emh أو friedman)، ويتم حلها فوراً بتنفيذ أمر التثبيت عبر مستودع SSC كما أشرنا سابقاً.

كذلك تظهر رسائل خطأ مثل varlist not allowed أو strata() required عندما يتم خلط بناء الجملة الخاص بالتنسيق العريض مع التنسيق الطويل. يجب على المحلل التأكد من استدعاء الأمر المتوافق مع بنية البيانات؛ فأمر emh يتطلب متغيراً تابعاً ومستقلاً مع خيار strata() في التنسيق الطويل، بينما يتطلب أمر friedman قائمة من المتغيرات المنفصلة في التنسيق العريض دون أي خيارات كتلية إضافية.

12.2 التعامل مع التكرار وتطابق الرتب (Ties) والبيانات غير المتزنة

يحدث تطابق الرتب (Tied Ranks) عندما تتساوى قيمتان أو أكثر لنفس المفحوص عبر الشروط المختلفة. يقوم برنامج ستاتا بمعالجة هذه الحالة تلقائياً عن طريق تعيين متوسط الرتب وتطبيق معادلة التصحيح الرياضية لتقليل التباين الناتج. ومع ذلك، يؤدي التكرار المكثف والشديد في الرتب إلى انخفاض حاد في القوة الإحصائية للاختبار.

أما في حالة وجود بيانات غير متزنة ناتجة عن تسرب بعض المفحوصين وفقدان بعض القياسات التكرارية، فإن اختبار فريدمان يفشل في معالجة الصفوف غير المكتملة. في هذه الحالة، يُحظر حذف المتغيرات عشوائياً، ويكون البديل المنهجي الأكثر رصانة هو التخلي عن اختبار فريدمان والتحول المباشر إلى معادلات التقدير المعممة (GEE) أو النماذج الخطية المختلطة (Mixed Models) القادرة على التعامل مع البيانات الطولية المفقودة جزئياً وفق افتراض الفقدان العشوائي (MAR).

12.3 أفضل الممارسات الإحصائية لضمان دقة التحليل ونزاهة النتائج

تقتضي النزاهة الأكاديمية الصارمة تجنب الممارسات التحليلية الملتوية؛ وفي مقدمتها صياغة الفرضيات بعد معرفة النتائج (HARKing) أو تجريب حزم إحصائية متعددة واختيار الحزمة التي تعطي دلالة إحصائية فقط (p-hacking). يجب على الباحث تحديد خطة التحليل الإحصائي، ونوع الاختبار، وطريقة ضبط المقارنات البعدية مسبقاً قبل الشروع في فحص البيانات.

كما يُوصى بفحص سلامة إدخال البيانات والتأكد من الترميز السليم للمتغيرات التصنيفية وتجنب الخلط بين القيم الرقمية والتسميات النصية (Value Labels). يمثل التحقق المتقاطع من المخرجات الإحصائية ومقارنتها عبر أكثر من خوارزمية خطوة أساسية لضمان الثقة المطلقة في الاستنتاجات العلمية المنشورة.

في الختام، يمثل اختبار فريدمان في ستاتا ركيزة استدلالية لا غنى عنها لتحليل التصاميم التكرارية اللابارامترية في البحوث النفسية والطبية والسلوكية. من خلال الإلمام العميق بالأسس النظرية للاختبار، وتطبيقه البرمجي الصارم، وتفسير مخرجاته وفق الأصول المنهجية المعتمدة، يستطيع الباحثون استخلاص استنتاجات علمية دقيقة وموثوقة تعزز من جودة المعرفة العلمية وتدعم اتخاذ القرارات الإكلينيكية المستندة إلى الأدلة والبراهين الإحصائية المتينة.

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
• Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200), 675–701. https://doi.org/10.1080/01621459.1937.10503522
• Friedman, M. (1940). A comparison of alternative tests of significance for the problem of $m$ rankings. The Annals of Mathematical Statistics, 11(1), 86–92. https://doi.org/10.1214/aoms/1177731944
• Howell, D. C. (2012). Statistical methods for psychology (8th ed.). Cengage Learning.
• Kendall, M. G., & Babington Smith, B. (1939). The problem of $m$ rankings. The Annals of Mathematical Statistics, 10(3), 275–287. https://doi.org/10.1214/aoms/1177732186
• Nemenyi, P. B. (1963). Distribution-free multiple comparisons [Doctoral dissertation, Princeton University].
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83. https://doi.org/10.2307/3001968